[发明专利]智能网联汽车随机模型预测控制实时性优化方法

权利要求书

1.一种智能网联汽车随机模型预测控制实时性优化方法，其特征在于，包括如下步骤：

S1：通过实验数据分析法得到服从统计规律的驾驶员误差和对应的概率转移矩阵，通过加速或制动踏板传感器采集驾驶员误差信号；

S2：基于车联网环境进行车车通信及车与周边交通设施通信，采集跟车距离信息与红绿灯信号信息；

S3：通过交通信号灯正时获取车辆的目标车速；

S4：通过控制器的随机模型预测控制算法，应用所述步骤S1中采集到的驾驶员误差和得到的概率转移矩阵以及步骤S3获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标序列车速进行加速或者制动；

S5：在一个预测窗口内，利用蒙特卡罗算法确定下一时刻的随机误差，简化SMPC求解，得到最优车速预测序列并自动将当前SMPC时间窗口的控制变量更新为下一个SMPC时间窗口的预设变量，之后返回步骤S1继续执行，直至全时段所有的目标车辆的对应的最优目标车速计算完毕；

步骤S3中获取汽车目标车速，包括如下步骤：

S31：建立考虑驾驶员误差的汽车纵向动力学模型，如公式3)；

式3)中，u_i^a为汽车实际加速度；u_iⁱ为汽车理想加速度；u_i^e为考虑驾驶员误差的系统随机加速度；v_i为第i辆车的车速；M_i为第i辆车的整车质量；A_fi为第i辆车的迎风面积；u_i为第i辆车单位质量的牵引力或制动力，即加速度；x_i为第i辆车的状态变量，即控制变量；Δt为一个仿真时间步长；

S32：为避免汽车在红灯停车,根据交通信号灯正时获取目标车速，基于交通信号灯正时，建立汽车目标车速求解模型，如公式4)，式4)中，v_ihb为目标车速范围上限；v_ilb为目标车速范围下限；t为汽车行驶的总时间；t_r为红灯持续时间；t_g为绿灯持续时间；t_c为一个信号灯循环的周期；d_ia为第i辆车到前方交通信号灯a的距离；K_w为t_c的整数倍；在这里交通信号灯以红灯开始，且当t为t_c的整数倍时，K_w的数值增加1；

步骤S4预测给定时间窗口的最优目标车速序列，包括以下步骤：

S41：基于马尔可夫决策过程建立驾驶员误差转移模型，若当前时刻的随机误差为u(k)，对应概率转移矩阵中的概率为τ_i,j，则由马尔可夫决策可知下一时刻的随机误差u(k+1)如公式5)所示，式中τ_i,j为概率转移矩阵中第i行第j列的元素；

u(k+1)＝u(k)·τ_i,j 5)

S42：根据公式(5)所述的基于马尔可夫决策过程获得的下一时刻的随机误差以及公式(4)所述的基于交通信号灯正时获取的汽车目标车速，采用随机模型预测算法预测给定时间窗口的最优目标车速序列，目标函数如公式6)所示，式中，ω_i其中i＝1,2,3,4为权值系数；为第i辆车的燃油消耗率；s_i为第i辆车的实时位置；s_j为第j辆车的实时位置；t_h为保证辆车安全跟车距离的时距；s₀为两车理想的跟车距离；S_ij为两辆汽车真实车距与理想车距的差值；T为一个时间窗口；l为时间步长；车辆j在前，车辆i在后；N_sc为为离散的随机误差的个数；p_l为一个时间窗口T内，初始随机误差到窗口终点时刻的随机误差的转移概率；

在一个时间窗口内，由于驾驶员误差转移的随机性，使得下一时刻的随机误差不止一种，进而使得初始时刻到时间窗口终点存在多条随机误差转移路径，在这里用场景树描述随机误差的转移过程；

于是当确定驾驶误差数量N_sc和步长l后，在一个时间周期T内，随机误差的场景路径总数便有N_sc^l条；对应于P_l便有N_sc^l个值；

当离散的驾驶员误差数量N_sc^l和仿真步长l增加时，目标函数所示的期望的计算量呈指数级增加，这很难实现在线实时求解；而蒙特卡罗算法以概率统计理论为基础，利用随机数解决随机事件问题，大幅度减少随机误差传递路径，从而减少P_l的值大幅度降低目标函数计算量，从而提高算法实时性。