基于速度预测与自适应差分进化算法的混合动力汽车能量管理策略

为提高单行星排构型的混合动力汽车（hybrid electric vehicle, HEV）的燃油经济性,降低车辆燃油消耗量,提出了一种基于门控循环单元神经网络（gated recurrent unit neural network, GRU-NN）速度预测模型与自适应差分进化（adaptive differential evolution, A-DE）算法的能量管理策略,在模型预测控制（model predictive control, MPC）框架下预测未来车辆的行车速度,将整个工况内的全局优化求解问题转化为在预测时域内的局部优化求解,以发动机燃油消耗量最低与行车过程电池荷电状态（state of charge, SOC）平衡为目标,利用A-DE算法实现预测域内的最优控制序列求解。仿真结果表明,在实车采集的道路工况下,基于GRU-NN与A-DE算法的能量管理策略相较于ECMS燃油消耗量减少了4.55%,相较于动态规划燃油经济性达到了93.04%。     

基于高斯过程回归的车辆巡航系统学习预测控制

针对自动巡航系统中前车加速度预测问题,以及为满足人们对车辆安全性、舒适性和经济性要求,提出一种基于高斯过程回归的车辆自动巡航系统学习预测控制策略.先用高斯过程回归法对前车加速度做学习建模,再结合车间运动学模型定义车辆自动巡航系统预测模型.进而,通过在线滚动优化车辆自动巡航系统安全性、舒适性和经济性综合指标,建立车辆自动巡航系统学习预测控制器.最后,通过CarSim/Simulink联合仿真平台,将本方法的加减速典型驾驶工况与传统预测巡航控制策略下的驾驶工况对比验证.结果表明:与传统控制策略相比,本文方法更具有效性和优越性.     

插电式混合动力汽车的燃油经济性优化分析

针对速度变化对插电式混合动力汽车(PHEV)经济性的影响,提出一种顺序速度平滑控制策略.通过对给定交通约束条件下的速度曲线进行顺序平滑处理,优化充电策略,提高插电式混合动力汽车的燃油经济性.根据前车速度的预测值,在车辆与前车的可接受跟踪距离范围内,通过最小化加速度来平滑车速;采用最优的充电耗散策略,根据整个行程的信息,将电池充电延长到行程结束.通过对3种典型工况测试周期的组合,研究商用PHEV的连续优化对两种不同行驶模式的影响.仿真结果表明:所提出的顺序优化方法由于与车辆结构无关,实用性较高;由于在速度优化中使用线性车辆模型求解最优控制问题,因此计算过程的实时性较好;速度平滑控制方法使燃油消耗量减少7%~14%.     

基于智能优化规则的并联混合动力汽车能量管理策略

针对并联型混合动力汽车,为了提高燃油经济性,在满足驾驶性能和车辆动力要求的前提下,提出了一种基于智能优化规则的能量管理策略。首先,考虑发动机最优工作区和电池的荷电状态,根据一定的工程经验,选取合适的发动机最优工作区转矩和电池荷电状态的阈值,设计了基于规则的能量管理控制策略。然后,考虑到规则控制中一些阈值参数不确定的问题,应用了一种智能优化算法——粒子群算法优化规则控制策略的阈值参数。最后,将所设计的控制策略在多种国际标准工况下进行仿真对比,结果表明,较纯发动机运行而言,普通规则控制策略可以平均节省14.9%的燃油,而基于智能优化规则的控制策略可以平均节省22%的燃油。     

采用NSGA-Ⅱ算法的混合动力能量管理控制多目标优化方法

综合考虑燃油经济性、排放性与驾驶性对混合动力能量管理控制优化的优点,以某款并联混合动力汽车为研究对象,选取能量管理控制参数与传动系参数作为待优化参数,以动力性作为约束条件,建立混合动力能量管理控制多目标优化评价方法,提出基于NSGA-Ⅱ算法的混合动力系统多目标优化方法,并与优化前控制策略进行仿真对比分析。结果表明:在满足基本约束的前提下,优化后燃油经济性最多提高了7.8%,平均提高了6.38%;驾驶性性能指标最多提高了27.12%,平均提高了21.74%;排放性综合指标平均提高了41.51%。提出的多目标优化算法具有良好的收敛性与分布性,得到的Pareto最优解集能够给混合动力能量管理控制策略提供更多的权衡选择方案,体现了多目标优化的优势。     

基于显式随机模型预测控制的功率分流式混合动力 车辆能量管理策略

混合动力车辆的能量管理策略对提高燃油经济性十分重要.为了提高功率分流式混合动力车辆的燃油经济性以及能量管理策略的实时性,设计了基于显式随机模型预测控制的能量管理策略.首先利用马尔科夫链预测车速,通过简化控制模型,把非线性的能量管理问题转化为线性二次优化问题,建立了以预测域内能量消耗最小为目标的随机模型预测策略(SMPC);然后通过参数化求解得到显式随机模型预测控制策略,该策略既保持了随机模型预测控制方法的优势,又提高了计算速度;最后在多个工况下进行仿真,对提出的能量管理策略的有效性进行验证.仿真结果表明:与基于规则的控制策略相比燃油经济性最高可提高28.64%,同时该策略在仿真中的平均计算时间为3.1 ms,具有实时运算潜力.     

高速公路弯道换道决策及运动规划优化

弯道换道决策及运动规划算法主要影响自动驾驶汽车的安全性和操纵稳定性。针对高速公路弯道换道场景决策的安全性和行驶效率不够高的问题,提出新的基于主车相对前车的驾驶不满意度的决策算法。为了提高运动规划算法实时性,采用路径-速度解耦框架进行主车换道轨迹规划。对于路径规划,选择五次多项式曲线,采用考虑安全、舒适和高效性的4个换道路径评价指标,实现最优路径规划。对于速度规划,结合动态规划与二次规划优化获取平滑速度规划曲线。仿真结果表明基于驾驶不满意度的换道决策模型能选择更高效和安全的行驶方式。在典型的主车换道场景,主车最大质心侧偏角,最大横摆角速度的数值均小,表明换道轨迹规划算法能确保主车换道的安全性和操纵稳定性。     

考虑前后车速度关系的车辆跟驰模型

分析了传统车辆跟驰模型的局限性,建立了考虑前后车速度关系的车辆跟驰模型：前后车以相同速度匀速行驶时的跟驰模型;前后车以不同速度匀速行驶,后车速度小于前车速度时的跟驰模型;前后车以不同速度匀速行驶,后车速度大于前车速度,当前车速度不变时的跟驰模型和前车减速时的跟驰模型．以四种跟驰模型为基础,分别建立了相应的速度一间距关系和车辆追尾模型．追尾模型表明：最小车头距离是后车速度的二次函数,随后车速度急剧缩小;当实际车头距离小于该值时,则会发生追尾事件．     

混合交通环境下降雨对车辆跟驰行为的影响分析与模型构建

针对混合交通环境下车辆跟驰分析时缺少对降雨环境考虑的问题,通过研究驾驶人在降雨环境下驾驶行为的改变,构建在不同降雨强度下适用的跟驰模型。首先,通过Python程序从云控平台数据库中提取车辆跟驰数据和降雨强度数据,分析了车辆在不同降雨强度和交通流状态下的跟驰速度、加速度和车头间距等变化特征以及其相互作用关系,进一步探索了降雨与正常天气下车辆跟驰行为的差异。其次,从优化速度跟驰模型出发,使用加速度衡量跟驰行为特性,综合考虑降雨对前后车相对距离和相对速度的影响,提出了适用于不同降雨强度下的安全间距和驾驶人期望速度确定方法,构建了不同降雨强度下的跟驰模型,并采用遗传算法对新模型进行了参数标定。最后,通过交叉验证方法对标定结果进行了评估,计算了模型输出值与实际值之间的误差。研究结果表明：降雨环境下车辆速度和加速度随着降雨强度的增加有不同幅度的降低,但是车辆加速度变化程度比车辆速度变化程度明显,这说明加速度对于降雨反应更加灵敏;降雨环境下,车头间距受前车速度影响,进而控制后车跟驰速度,不同降雨强度和不同前车速度区间都影响车头间距大小,后车跟驰速度随着车头间距的增大而增大;模型计算结果与实测值的均方...     

信号交叉口网联自动驾驶车辆时空轨迹优化控制系统

为降低车辆在信号交叉口范围内的燃油消耗量,提出了网联自动驾驶车辆时空轨迹优化控制系统。系统基于离散时空模型,设计了时空节点-弧模型以重构车辆时空轨迹;并以车辆发动机做功值,作为时空弧成本,以前方车辆时空轨迹和车辆运动学特征为约束,利用A*最短路算法求解具有最低燃油消耗的网联自动驾驶车辆时空轨迹;同时改进了Pitt微观车辆跟驰模型,以预测普通车辆的时空轨迹。预测结果作为约束条件,应用于网联自动驾驶车辆时空轨迹优化过程中,使系统适用于网联自动驾驶车辆与普通车辆混行条件下,仿真结果表明:系统能够降低高达13.94%的网联自动驾驶车辆燃油消耗;同时有效降低整体交通燃油消耗总量;能够在40%的网联自动驾驶车辆占有率条件下,实现良好的控制效果。计算时间仅为10~(-3)s水平。系统能够有效实现预期控制目标;并为近期网联自动驾驶车辆占有率较低环境下的车辆控制提供了一定的理论基础,实用性较强。     

基于极小值原理的插电式四驱混合动力汽车能量管理策略

建立以电池SOC为状态变量，以后驱电机和ISG （integrated starter and generator）电机输出转矩为控制变量，以整车燃油消耗最小为目标的能量管理优化模型，然后基于极小值原理设计上述优化问题的求解流程，从而获得基于极小值原理的插电式四驱混合动力汽车能量管理控制策略，最后在建立整车系统仿真模型的基础上对该能量管理控制策略进行仿真，并将仿真结果与基于CD-CS模式规则控制策略的仿真结果进行对比。结果表明，提出的控制策略具有良好的燃油经济性，与CD-CS模式规则控制策略相比，提出的控制策略使整车百公里油耗降低了28.18%。     

网联电动汽车信号灯控路口经济性驾驶策略

针对智能网联电动汽车在信号灯控路口的经济性驾驶问题,提出一种基于最优控制的经济性驾驶车速优化策略.首先,构建包含信号灯、车速限制等约束,以能量消耗最小化为目标的信号灯控路口车辆速度优化问题;然后,利用庞特里亚金极小值原理解析求解最优控制率;考虑到动态交通场景中车辆对未来交通信息的预测能力有限、信号灯约束条件多变等特点,提出了一种双层滚动距离域车速优化策略,将信号灯控路口经济性驾驶问题转化为分段最优控制问题,得到分段最优速度轨迹.仿真结果表明:在有限预测能力和无限预测能力2种情况下,所提出的经济性驾驶车速优化策略较加速—匀速—制动策略分别有9.2％和10.3％的能量节省;随着预测距离和信号灯控路口通行速度的增大,在提高通行效率的同时,能量节省效率进一步提高.     

基于动态规划的E-REV能量管理策略研究

增程式电动汽车动力来源于增程器与动力电池,车辆运行过程中如何在两者之间分配需求功率,使得整车在行驶过程中燃油经济性最好,是增程式电动汽车能量管理策略核心的问题.提出一种基于动态规划的增程式电动汽车能量管理策略,运用动态规划对整个工况增程器与动力电池输出功率分配比例进行优化.欧洲标准行驶工况(NEDC)组合行驶工况的仿真结果表明:相比实车采用的恒温器式控制策略,基于动态规划的能量管理策略整车燃油经济性提高12.6%.     

基于BP神经网络的纵向避撞安全辅助算法

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。     

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆（automated vehicle, AV）与人工驾驶车辆（manual vehicle, MV）组成的混行跟驰环境，基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先，探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化，研究表明，混行环境中MV跟驰行为的机制没有发生变化，但是MV驾驶人的减速敏感程度更低。其次，从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到，混行环境中的MV跟驰行为的稳定性和环境效应得到了改善，但是安全性并没有发生变化。最后，通过对前车速度波动性进行讨论发现，AV前车主要是通过降低自身速度波动性，从而抑制MV后车的速度波动性，改善MV后车在稳定性及环境效应方面的表现。     

基于交通信号灯信息的混合动力汽车节能预测控制方法

针对传统混合动力汽车控制方法不考虑已知道路交通信号灯信息对车辆能量管理影响的问题,提出了基于交通信号灯信息的混合动力汽车节能预测控制智能优化策略。通过建立混合动力汽车系统的简化模型,并采用连续广义最小残量方法求解模型预测控制问题。运用MATLAB/Simulink进行仿真,仿真结果验证了交通信号灯信息模型的有效性,以及所设计的模型预测控制算法大幅度提高混合动力汽车的燃油经济性的能力和实时控制性能。研究结果表明所提出的控制策略可以实现车辆行驶轨迹的优化控制,显著提高了车辆的燃油经济性,并满足系统的实时最优控制要求。     

跟驰行驶状态下的驾驶模拟有效性研究

为验证驾驶模拟技术在跟驰行为研究中的有效性,设计了实车实验与驾驶模拟实验。选取了跟驰距离、跟驰距离标准差、车头时距及驾驶员反应延迟时间作为分析指标,并采用Wilcox检验、生存分析方法分别验证了非时间数据、时间数据的有效性。结果表明跟驰距离、车头时距、驾驶员反应延迟时间具备绝对有效性,两种不同实验环境下跟驰距离标准差随跟驰速度变化趋势相同,具备相对有效性。实车实验中,前车加速度、前后车相对距离、前车加速度变化状态显著影响驾驶员反应延迟时间。有效性分析结果为基于驾驶模拟实验的跟驰行为研究提供前提条件,生存分析结果可用于驾驶员反应延迟时间建模及跟驰模型优化。     

基于车辆对道路不满意度的微观换道决策

自动驾驶汽车有着极大的应用潜力且高速公路环境下车辆变换车道是常见的行为。为进一步分析高速公路中自动驾驶汽车的微观换道决策,本文定义道路不满意度来表示车辆对行驶道路的不满意程度并将车辆换道意图的产生按本车是否达到目标车速而分为两类,当本车达到目标车速时为第一类,换道意图产生源于本车与前车间距的减小和本车相对于前车速度的增加。当本车未达到目标车速时为第二类,换道意图产生源于本车与前车间距的减小和本车达到目标车速时相对于前车移动距离的增大。针对不同类换道意图的产生机制,结合模糊推理设计道路不满意度算法。换道决策利用当前行驶车道和邻近车道的道路不满意度大小、安全跟车距离、换道安全距离来综合决定换道意图的发生。最后在MATLAB环境下搭建自动驾驶环境并仿真换道决策模型,结果显示本文相比其它换道决策,本文不仅考虑换道安全而且也考虑了目标车道和本车道的跟车安全,更具有实际意义。同时本文的模糊换道决策能兼顾安全性和智能性且适用于依目标车速定速巡航、为达到目标车速而加减速等多种复杂工况下的换道情况。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

单目视觉的前车位置识别及安全车距监测

针对自动驾驶中的前车位置识别及安全车距监测问题,提出了基于单目视觉的解决方案:首先,通过图像中前车轮廓与本车道及同向车行道分界线是否相交判断前车是否为监测车辆;其次,根据图像中像素坐标系与空间坐标系的对应关系构建转换模型,计算前方监测车辆与本车的真实车距;最后,根据可跨越的同向车行道分界线在连续图像帧中的位置变化计算本车的行驶速度,并依据交通法规判断本车与前方监测车辆之间是否为安全距离.实验结果表明,该解决方案可以有效地识别前车位置、监测安全车距并降低系统成本.