[发明专利]基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法

摘要

基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法涉及混合动力汽车自适应巡航系统的控制技术领域，该方法利用子空间辨识的方法建立基于输入输出数据的ACC模型，并通过观测器和增广最小二乘的方法对模型中的参数进行辨识，最后采用自适应离散二阶滑模的车距跟随控制方法实现车辆的自适应巡航。本发明中由于子空间辨识的方法实时跟进车辆状态的变化，不断调整自身的模型参数，操作中对非线性不确定项进行拆分处理，减少了建模过程中外界干扰的影响，因此可以显著提高车辆的建模精度，自适应离散二阶滑模的应用有效改善了传统离散滑模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。

主权项

1.基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，所述控制系统包括车距计算模块、子空间模型辨识模块、离散二阶滑模控制器、人机交互界面和环境感知模块；车距计算模块的输入为人机交互界面提供的预设停车距离、环境感知模块检测到的前车速度和前车距离以及整车测得的本车实际车速，车距计算模块通过车间时距的方法计算出当前时刻与前车的实际车距和理想期望车距，并通过对实际车距和理想期望车距做差求出当前时刻的车距误差；子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识；离散二阶滑模控制器的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模块辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，通过自适应离散二阶滑模的方法计算出下一时刻的整车需求转矩；其特征在于，所述控制方法包括如下步骤：步骤一、车距计算模块根据人机交互界面上驾驶员设定的停车距离、环境感知模块获取的前车与本车的实际车距以及本车的实际车速，通过车间时距的方法计算出当前时刻本车与前车之间理想的期望车距，并将实际车距与理想的期望车距做差得到当前时刻的车距误差，通过多次测量的结果获得车距误差的时间序列，并将车距误差的时间序列存储在第一存储器中，通过多次测量离散二阶滑模控制器的输出转矩，得到转矩的时间序列，并将转矩的时间序列存储在第二存储器中，车距误差的时间序列和转矩的时间序列各自的调用长度根据车辆的实际运行情况选取；步骤二、子空间模型辨识模块将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器得到的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩作为输入，通过子空间辨识的方法建立出基于输入输出数据的ACC模型，然后通过观测器和增广最小二乘的方法辨识出模型中的参数，其过程如下：k时刻车辆巡航的非线性状态空间模型如下：式中，x＝[Δd,Δv]为系统的状态变量，x(k)＝[Δd(k),Δv(k)]为k时刻系统的状态变量，其中Δd(k)为k时刻实际车距与理想跟随车距的车距误差，Δv(k)为k时刻本车与前车的车速偏差；x(k+1)为k+1时刻系统的状态变量；Tre(k)为系统k时刻的输入变量即整车需求转矩；矩阵A、B、C、D、H(k)分别表示系统状态、输入、输出、反馈和Kalman增益矩阵，矩阵ΔA、ΔB、ΔC分别表示系统状态、输入和输出的参数摄动，f(k)为k时刻的系统不确定项，e(k)为k时刻的量测误差及噪声；令Vf(k)＝ΔAx(k)+ΔBTre(k)+f(k)，Vm(k)＝ΔCx(k)，则式(2)可以化简为如下形式：式中，Vf表示非线性不确定性函数；将系统过去的输入Hankel矩阵Tre_p、过去的输出Hankel矩阵Δdp、未来的输入Hankel矩阵Tre_f、未来的输出Hankel矩阵Δdf的第一列分别定义为：Tre_p＝[Tre(k‑M+1) Tre(k‑M+2) ... Tre(k)]T  (4)Tre_f＝[Tre(k+1) Tre(k+2) ... Tre(k+M)]T  (5)Δdp＝[Δd(k‑M+1) Δd(k‑M+2) ... Δd(k)]T  (6)Δdf＝[Δd(k+1) Δd(k+2) ... Δd(k+M)]T  (7)式中：下标中p表示相对的过去时间序列；下标中f表示相对的未来时间序列；Tre_p为过去时刻的输入转矩；Tre_f为未来时刻输入转矩；Δdp为过去时刻的输出数据；Δdf为未来时刻的输出车距误差；M为数据序列个数，Tre(k‑M+1)，Tre(k‑M+2)，…，Tre(k)，Tre(k+1)，…，Tre(k+M)分别表示k‑M+1，…，k，…，k+M时刻的整车需求转矩；Δd(k‑M+1)，Δd(k‑M+2)，…，Δd(k)，Δd(k+1)，…，Δd(k+M)分别表示k‑M+1，…，k，…，k+M时刻的车距误差；通过迭代，子空间辨识输入输出矩阵如下：Δdf＝L1WP+L2Tre_f+HfVf+HNE  (8)式中，L1,L2表示未来输入线性预测器系数矩阵，L1＝[l11,l12,...l1M×2M]，L2＝[l21,l22,...l2M×M]，其中l11,l12,...l1M×2M，l21,l22,...l2M×M为待计算参数；Hf为非线性不确定性函数的系数矩阵，Hf＝[I,C,CA,...,CAM‑2]；Wp表示系统过去时刻的输入、输出数据，Wp＝[Tre_pT,ΔdpT]T；HN＝[I,CH,CAH,...,CAM‑2H]，E为量测误差及噪声矩阵,E＝[e(k+1),e(k+2),...,e(k+M)]T，e(k+1),e(k+2),...,e(k+M)分别表示k+1，k+2，…，k+M时刻的量测误差及噪声，Tre_p为过去时刻的输入转矩，Δdp为过去时刻的输出数据，Tre_f为未来时刻输入转矩；将式(8)中的Vf非线性不确定项在[Vf1TVf2T]T投影分解可得到：HfVf＝DfVf1+Vf2  (9)式中，Df为非线性不确定项系数矩阵，其中Vf1为分解中与Tre_f平行的相关分量，予以保留；Vf2为分解中与Tre_f垂直的无关分量，予以去掉；对量测误差及噪声矩阵E按照行空间拆分，得到矩阵E的前M行数列EM为：HNEM＝HdEM‑1+EM  (10)式中，Hd为过去时刻量测误差及噪声序列的系数矩阵，EM表示未来的量测误差及噪声序列且与Tre_f无关，可以合理化约去，EM‑1与Tre_f有关，需要对其进行估计；根据式(9)和式(10)，将式(8)改写为：Δdf＝L1WP+L2Tre_f+DfVf1+HdEM‑1  (11)式中，未知矩阵L1、L2、Df、Hd和EM‑1应用增广最小二乘的方法，以车距误差最小为条件进行估计，Vf1采用观测器进行估计；具体实现如下：假定模阶次已经确定，令θ＝[l11,l12,…,l1(2M),l21,l22,…,l2M,Df1,Df2,…,DfM,Hd1,Hd2,…,HdM]T  (12)式中，分别为V_f1、E^M‑1不同时刻的估计值；D_f1,D_f2,…,D_fM为矩阵D_f各元素，即D_f＝[D_f1,D_f2,…,D_fM]，H_d1,H_d2,…,H_dM为矩阵H_d各元素，即H_d＝[H_d1,H_d2,…,H_dM]；不可测量量Vf1、EM‑1的估计如下：式中，ε>0、q>0、Г>0为设计参数，Cs∈RM×M为设计参数矩阵；将模型(11)化为最小二乘格式：Δdf(k)＝hT(k)θ+EM  (16)最小二乘的优化条件选择车距误差最小：则可通过如下的增广最小二乘递推算法求得即控制器系数矩阵L1、L2、Df和Hd可求得；步骤三、离散二阶滑模控制器将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩以及步骤二中建立的ACC模型的输出作为输入，采用自适应离散二阶滑模的车距跟随控制方法求出下一时刻的整车需求转矩，进而完成基于数据驱动的ACC系统离散二阶滑模控制方法。