买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：辛巴网络科技(南京)有限公司

摘要：本发明公开了一种智能网联汽车的拟人跟车决策控制方法，步骤如下：根据人类驾驶车辆跟车工况的数据集，求解数据集中所有车辆的平均加速度，数据集中所有车辆在起步时刻的平均加速度和数据集中所有车辆在车速为70kmh以上时的平均加速度；自车通过与前车的无线通讯，获取前车加速度和前车车身长度；求解得到前车与自车在预测时域内期望纵向相对位置序列和期望纵向相对速度序列；求解得到自车在当前时刻的最优加速度和最优前轮转角；自车按最优加速度和最优前轮转角进行相应的加减速和转向操作。本发明求解出自车在跟车工况下的最优加速度和前轮转角，优化了车辆跟车过程，提高了车辆跟车行驶的舒适性。

主权项：1.一种智能网联汽车的拟人跟车决策控制方法，其特征在于，步骤如下：1根据人类驾驶车辆跟车工况的数据集，求解数据集中所有车辆的平均加速度数据集中所有车辆在起步时刻的平均加速度和数据集中所有车辆在车速为70kmh以上时的平均加速度2获取前车加速度和前车车身长度；3将步骤1中求解得到的和步骤2中得到的前车加速度、前车车身长度输入到跟车模型，求解得到前车与自车在预测时域内期望纵向相对位置序列和期望纵向相对速度序列；4采用自车的跟车预测控制方法，求解得到自车在当前时刻的最优加速度和最优前轮转角；自车按最优加速度和最优前轮转角进行相应的加减速和转向操作；所述步骤3中的跟车模型具体为：前车与自车在时刻tp的期望纵向相对速度Δvdtp和期望纵向相对位置Δxdtp分别为： 式中，t0和tp分别为当前时刻和终点时刻；ad为自车的期望加速度；s为前车与自车之间的最小安全距离；v和vp分别为自车和前车的纵向速度；x和xp分别为自车和前车的纵向位置；VD为跟车阈值，其决定自车是跟随前车行驶或自由行驶；Δx0为在t0时刻前车与自车的相对距离；通过将tp设置为不同的时刻，可以得到在预测时域内期望纵向相对位置序列和期望纵向相对速度序列分别为[Δvdk+1,Δvdk+2,...,Δvdk+Np-1]、[Δxdk+1,Δxdk+2,...,Δxdk+Np-1]，Np为预测时域；k+1，k+2，k+Np-1代表不同的时刻，ap为前车加速度，Lp为前车车身长度；所述步骤4中自车的跟车预测控制方法具体为：建立车辆运动学模型为其展开为： 式中，xs为状态量，uc为控制量，uc＝[δf,at]T；x和y分别为自车的纵向位置和横向位置；为车辆的横摆角；at为自车的加速度；δf为自车的前轮转角；m为自车的质量；Fxf、Fyf、Fxr和Fyr分别为前轮纵向轮胎力、前轮横向轮胎力、后轮纵向轮胎力和后轮横向轮胎力；Iz为自车的偏航惯量；lf和lr分别为自车的前轴和后轴与重心之间的距离；ey为自车与车道中心线的横向位置误差；为自车车头朝向与车道中心线方向的夹角；Δv为前车与自车的纵向相对速度，Δv＝vp-v，vp为前车的纵向速度；Δx为前车与自车的纵向相对位置，Δx＝xp-x，xp为前车的纵向位置；R为自车行驶曲线的曲率半径；上述车辆运动学模型写成如下形式： 式中，对车辆运动学模型进行离散化得到离散状态方程为：xsk+1＝Adxsk+Bduck式中，Ad＝I+AsT；Bd＝BsT；T为采样时间；输出方程为：ydk＝Cdxsk式中，构建模型预测控制问题为： s.t.xsk+i+1＝Adxsk+i+Bduck+i,i＝0,1,...,Np-1uc,min≤uk+i≤uc,max,i＝0,1,...,Nc-1式中，Np和Nc分别为预测时域和控制时域；uct＝[uk,uk+1,...,uk+Nc-1]为控制序列；Q和R为权重矩阵；ρ为权重系数；ε为松弛因子；yrefk+i为k+i时刻的参考输出，其由步骤3中前车与自车在预测时域内期望纵向相对速度序列和期望纵向相对位置序列得到，yrefk+i＝[Δvdk+iΔxdk+i]T；uc,min和uc,max分别为最小控制量和最大控制量；通过求解该模型预测控制问题，得到最优控制序列最优控制序列中在当前时刻k的最优控制向量为其中，为自车在当前时刻k的最优前轮转角，为自车在当前时刻k的最优加速度；令自车按照当前时刻的最优前轮转角和最优加速度进行相应的转向和加减速操作，实现跟车决策控制。

全文数据：

权利要求：

百度查询： 辛巴网络科技(南京)有限公司 一种智能网联汽车的拟人跟车决策控制方法