【《自适应巡航系统分析的国内外文献综述》4900字】

自适应巡航系统研究的国内外文献综述目录TOC\o"1-3"\h\u15317自适应巡航系统研究的国内外文献综述 162321.1车间距策略研究现状 236371.2ACC纵向控制算法研究现状。 414391.3运动决策算法研究现状。 51.1自适应巡航控制系统研究现状自适应\t"/item/%E8%87%AA%E9%80%82%E5%BA%94%E5%B7%A1%E8%88%AA/_blank"巡航控制系统（AdaptiveCruiseControl，ACC）是一种能在保证安全跟踪距离同时调节车速的安全辅助驾驶系统。其主要内容有：传感器单元、电子控制单元、执行器、人机交互界面，能够减轻驾驶员的驾驶负担并且提供更好的舒适性。系统原理：通过安装在车前的雷达采集路面信息，并在行驶中及时将采集得到的信号传达给系统。同时通过传感器采集获得车速信号。当与前车之间的距离过小时，ACC\t"/item/%E8%87%AA%E9%80%82%E5%BA%94%E5%B7%A1%E8%88%AA/_blank"控制单元可以通过与制动\t"/item/%E8%87%AA%E9%80%82%E5%BA%94%E5%B7%A1%E8%88%AA/_blank"防抱死系统、发动机控制系统协调动作，使车轮适当制动，并使发动机的输出功率下降，以使车辆与前方车辆始终保持安全距离，从而避免安全事故的发生。图1.1自适应巡航系统工作原理图[5]自适应巡航控制系统于上世纪五十年代被首次提出后，随着国内外专家学者的不断研究以及电子技术的迅速发展，ACC系统不断取得突破性发展。十九世纪中期，Diamond首次提议要根据车速的自动控制来提高道路交通流量和确保乘员驾驶汽车时的安全性，初步提出了自适应巡航控制系统的基本理论[6]。十九世纪七十年代，Astrom[7]等人提出了将超稳定理论、自适应控制器及伺服机构等不同领域的理论应用到自适应巡航控制系统的理念中，进一步推动了ACC理论的发展，并给出了一个全新的发展方向。但是由于当时的传感器精度难以做到准确采集路面工况、实际车速等信号，同时由于当时计算机的算力不足使得ACC系统难以运用于实际生活，仅存在于理念模型中。直到上世纪八十年代，随着车辆增多，为了减缓车道压力和减轻驾驶员负担，各国开始加大对ACC系统的研究力度，ACC系统此时才真正的进入研发阶段，但是这些ACC系统的研究成果都属于各企业的内部资料，并不对外公布[8]。直到上世纪九十年代，对于ACC系统的进一步开发研究，使得ACC系统的功能得到进一步完善[9]。而到了二十世纪初，ACC系统得到突破性发展，从原先只能在高速工况下运行，到能广泛的运用于城市工况，适用范围得到了质的突破[10,11]。在2001年至2011年期间，在各国汽车生产商大力研发ACC系统后，ACC系统的关键技术得以突破，并且开始进入生产阶段，但在当时ACC系统也只是存在于高端车辆，且价格十分昂贵，所以ACC系统并未得到广泛普及。2011年，我国开始大力支持自适应巡航控制系统的发展[12]，至此，我国高等院校与车企开始加大ACC系统投入研发的力度。目前，国内外自适应巡航控制的设计主要采用分层控制。分层控制是将自适应巡航系统分为三层:环境感知层、运动学决策层、执行器控制层[13]。环境感知层是通过使用各类传感器对外界交通环境进行信号采集，获取到有效目标的距离和速度等信息;运动学决策层是综合利用传感器获取到的有效目标的信息和本车的状态信息，对当前车辆的行驶进行规划并决策出期望加速度;执行器控制层是控制车辆使车辆的实际加速度跟随期望加速度。本文主要研究了运动决策层的决策算法。1.1车间距策略研究现状对于环境感知层，其中的重点是对于车间距的把握，对于任何辅助驾驶系统来说，安全往往是需要首位保证的。而且ACC系统运行也是根据传感器测得车距来对系统模式进行判别的。ACC系统运行时本车有三种模式:主动避撞模式、定速巡航模式和跟车模式。避撞模式是根据雷达判定，考虑前车与本车之间间距是否满足最小车间距离，若满足，则进入主动避撞模式，若不满足，则进入下一个模式；定速巡航模式是使本车实际车速跟随设定的巡航车速行驶；跟车模式是指本车与前车之间保持一定的车距，并跟随前车行驶。当本车处于跟车模式时，本车与前车所应保持的理想车间距被称为期望车间距。当车间距过小时，会降低跟车的安全性和舒适性，并且容易引发交通事故。当期望车间距过大时，会导致旁车插入本车行驶车道频繁，造成跟车目标丢失，同时会降低道路的使用率；因而，对于如何把握一定的车间距使得车辆在跟车模式下确保安全的同时，能够尽量提高舒适性和燃油经济性也避免了其他车辆并入本车道从而降低车道的利用率。因此，国内外为了改进安全车间距策略进行了许多研究。期望车间距算法主要分为两大类：固定车间距离、可变车间距离。固定车间距离是指试验车辆头部至目标车辆尾部是一个定值，与本车行驶速度和路面工况等无关，所以，采用固定车间距离没有过多计算量，但是由于数值固定，所以在遇到道路工况突然改变的情况下，不能及时响应以做出改变，所以无法适用于复杂工况。而可变车间距离是基于车间时距的一种车间距离模型。其中，车间时距大致可分为固定车间时距（CTH）和可变车间时距（VTH）两种，车间时距是指在两车在开往相同方向，且相同车道的前提下，前后两车车头经过同一点的时间间隔，是道路交通流的一个重要特征[14]。车间时距为定值时，当试验车车速越大时，为避免碰撞，所需要的期望车间距越大，如公式（1-1）所示：（1-1）式中为期望车间距（m）；为车间时距（s）；为本车车速（m/s）；为最小固定车间距（m）；和固定车间时距策略相比，可变车间时距策略认为车头时距是随着本车周围环境的变化而变化。F.Broqua[15]采用的车间距算法中车间时距与车辆速度成正比关系，如公式（1-2）所示。(1-2)式中为期望车间距（m）；为车间时距常数（s）；为本车车速（m/s）；为最小固定车间距（m）；DYanakiev[16]考虑到前、后车相对速度对车间距的影响，采用了一个饱和函数来描述车间时距公式，如公式（1-3）所示。（1-3）式中为车间时距常数（s）；为本车车速（m/s）；为前车与本车相对车速（m/s）；固定车间时距中仅有本车速度作唯一变量，结构简单，稳定性好；而可变车间时距考虑的因素与固定车间时距相比，需要考虑更多因素，也就更能反应在不同车辆行驶状态下ACC车辆所应保持的车距，但在复杂的外界条件下，可变车间时距的抗干扰性和稳定性要比固定车间时距相比差得多。1.2ACC纵向控制算法研究现状。ACC纵向控制算法的目标在于由自适应运动决策算法求得的期望加速度来控制车辆的加速与制动，使车辆的实际加速度能够迅速、精准且稳定的贴合期望加速度。ACC纵向控制算法包括驱动和制动模式切换策略、驱动控制算法和制动控制算法。纵向控制算法主要有两大类:基于车辆动力学模型的控制算法和无模型控制算法。基于车辆动力学模型的控制算法一般是对汽车纵向动力学进行建模，或对汽车的发动机模型，制动器系统进行建模。日本东京大学[17]曾利用用一阶线性传递函数和MAP图对下层控制系统进行建模，并且利用鲁棒控制理论设计了用于汽车纵向控制的模型匹配控制器。同时为了改善闭环系统的鲁棒性，减少系统受到的外部干扰和系统不稳定性，达到改善系统性能的目的，研究人员提出了不同的解决办法。日本东京大学的藤冈在建模中为了消除加速/制动逻辑切换执行机构无法实时响应对系统带来的影响，设计了前馈加反馈的纵向动力学控制算法。我国重庆邮电大学冯辉宗[18]对车辆动力学系统的滚动模式控制进行设计和分析，并定义能使车辆跟随预期加速度变化的反向纵向动力学模型。无模型控制算法不需要建立精确的动力学模型，常见的无模型纵向控制算法有：PID及其改进控制算法、模糊控制算法、迭代学习法等。烟台汽车工程职业学院贺翠华[19]基于模糊比例积分微分PID，完成了汽车定速巡航控制系统的构建，并且提出了一种模糊自适应控制方法，并通过Matalab仿真试验，结果表明该巡航控制系统具有良好的自适应切换功能及较高的控制精度,该系统稳定速度快,超调量小,使汽车巡航系统的控制需求得以有效满足,提高了巡航过程的精度和稳定性。梁建智，邱彪等人提出一种基于数据驱动的自适应迭代学习控制方法，通过最小化控制目标函数，利用伺服系统的输入输出数据，实现学习控制增益的自适应更新，优化了传统自适应迭代学习控制方法[20]。南京航空航天大学的陈李成，谢振宇等，利用模糊控制可对PID参数实时自调整的特性,研究了应用于磁气组合轴承的模糊PID控制算法。仿真结果表示，模糊PID控制算法能有效的优化系统的调节时间，同时对系统的控制精度有了进一步的提高[21]。南昌大学的刘明春设计模糊控制器调节模型预测控制（MPC）中目标函数的权重值，用于满足不同工况下跟车性和舒适性的需求差异，同时实现不同控制模式间的切换。仿真结果表明，多模式切换控制方法能够有效地提高了车辆跟车性和舒适性，并且有良好控制效果以应对各种工况[22]。基于模型的控制算法对车辆动力学模型的精度要求较高，目标车辆驱动和制动系统的关键参数的精准性高，当模型不精确时，易受到干扰，导致控制系统稳定性变差。而无模型控制法，虽然没有不需要建立精确的动力学模型，但对控制参数的选取要求较高，需要消耗大量的时间和精力对控制参数进行仔细的调整和优化。1.3运动决策算法研究现状。获取周围车辆信息和本车状态信息之后，运动学在获取周围车辆信息和本车状态信息之后，运动学决策层经过综合判断后，决策出期望的最优控制目标，一般情况下是期望加速度，然后发送给执行器控制层。运动决策算法主要有:线性二次型最优控制、模糊控制算法、模型预测控制算法、机器学习算法。线性二次型最优控制(Linearquadraticoptimalcontrol，LQR）：是最优控制理论中最成熟同时也是最经典的控制器之一，其控制结构简单，计算量小，但是它的使用范围较小，仅可用于线性系统。对于非线性系统，采用LQR控制器需要在每一个控制周期对系统的模型进行线性化，然后，利用这个近似的线性化模型来求解LQR最优控制问题，获得最终的反馈控制量。BAOTICM[23]在考虑交通法规、驾驶员的自主偏向性和行车安全性的之后，利用LQR理论设计相应的自适应巡航控制算法。LEVINSONJ[24]应用LQR理论为基础来对自动驾驶车辆的横纵向综合控制问题进行分析解决。我国的孙鹏飞提出了使用衰减指数函数来改进LQR的控制算法。但LQR控制的缺点在于不能求解带有约束的最优控制问题，而且由于非线性系统近似线性化导致模型精度下降，当车辆轮胎在非线性区工作时，不能保证较高的控制精度，严重的话会导致车辆失稳[25]。模糊控制：利用模糊数学的基本思想和理论，提出了一种控制方法。控制系统的动态精度是评判系统好坏的一大指标。系统的动态信息越精细，控制精度越高。一般情况下是是车间距误差和车速误差作为模糊输入，在设计模糊控制的内部结构后，模糊输出期望加速度。由于传统的PID控制受传感器切换的影响较小，因此会产生加速过渡，导致跟随性能下降。根据驾驶员的行为，维护多个模糊规则，并基于模糊控制理论开发了遥控算法。卢燕在预瞄最优加速模型的算法基础上，在分析自适应巡航系统的启停特性后，建立了启动和停止巡航系统的模糊决策算法，以便于评价系统的建立，并通过一系列的试验工况对整个体系进行了仿真验证[26]。邹渊等人提出了一种递阶控制策略，该控制策略以主车与侧车碰撞剩余时间和纵向车距为输入，采用模糊控制，以产生所需的加速度[27]。模型预测控制(ModelPredictiveControl，MPC）：是一种特殊的控制方式，其电流控制是通过对每个样本特征求解一个有限时域开环最优控制问题来实现的，过程的当前状态作为最优控制问题的起始状态和最优控制序列只执行第一个控制动作，这是算法和采用预压缩控制律的最大区别，基本上，模型预测控制解决了一个开环的优化问题。ShengboLi[28]等人提出了一个基于MPC框架的ACC分层控制系统，该系统考虑了客观因素和驾驶员主观判断之间的矛盾，建立了二次函数。采用软约束法和平方规划算法计算最优控制率。MahyarVajedi[29]等人提出了一个非线性MPC的Eco-ACC(EcologicalAdaptiveCruiseController）控制器，利用最小最优控制原理在控制器中建立了预测控制模型，通过计算得到了ACC的最优解。张亮修等基于模型预测控制理论将ACC多目标优化问题逐一转化为多个带约束的二次规划问题，从而改善了模型失配合外界环境干扰带来的低稳定性问题，将向量松弛因