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！

龙图腾网恭喜同济大学申请的专利动态跟驰车距调整的主从协同控制方法、装置及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115016264B 。

龙图腾网通过国家知识产权局官网在2025-03-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210589355.3，技术领域涉及：G05B13/04；该发明授权动态跟驰车距调整的主从协同控制方法、装置及存储介质是由潘登设计研发完成，并于2022-05-26向国家知识产权局提交的专利申请。

本动态跟驰车距调整的主从协同控制方法、装置及存储介质在说明书摘要公布了：本发明涉及一种动态跟驰车距调整的主从协同控制方法，包括以下步骤：步骤1建立基于模型预测的同步控制模型；步骤2建立基于卡尔曼滤波的最优状态估计模型；步骤3确定Pareto优化目标，求解最优控制律；步骤4建立GRU深度神经网络模型计算最优控制律；步骤5前车和后车根据模型分别得到第一和第二控制律；步骤6后车将第二控制律发送给前车，前车若判断满足运行需求，则允许后车按第二控制律控制间隔，否则前车将第一控制律发送给后车，后车按第一控制律进行控制；步骤7判断跟驰过程是否结束，若未结束，重新执行步骤5‑步骤7。与现有技术相比，本发明显著增强了车辆跟驰系统的主动安全能力，具有计算精确、实时性强等优点。

本发明授权动态跟驰车距调整的主从协同控制方法、装置及存储介质在权利要求书中公布了：1.一种动态跟驰车距调整的主从协同控制方法，其特征在于，包括以下步骤：步骤1建立基于模型预测的车辆跟驰行为与动态跟驰车距实时连续调整的车辆跟驰系统的同步控制模型；步骤2建立基于卡尔曼滤波的最优状态估计模型优化所述同步控制模型，基于卡尔曼滤波算法得到状态变量的最优估计；步骤3确定Pareto优化目标，求解车辆跟驰行为与动态跟驰车距的最优控制律；步骤4构建车辆跟驰行为控制的GRU深度神经网络模型，经训练建立控制律与车辆跟驰系统状态及最优行为调整过程的非线性映射关系；步骤5前车和后车分别将采集到的或以通信方式获取的基础数据输入各自的GRU深度神经网络模型，根据映射关系分别得到第一控制律和第二控制律；步骤6后车将第二控制律发送给前车，前车将第二控制律和第一控制律进行对比分析，若满足安全性、高效性、平稳性和节能运行需求，则允许后车按第二控制律进行自身行为的控制，否则前车将第一控制律发送给后车，后车按第一控制律进行自身行为的控制；步骤7判断跟驰过程是否已结束，若跟驰过程未结束，重新执行步骤5-步骤7；所述步骤1同步控制模型建立过程包括：步骤1-1建立车辆跟驰系统的连续时间数学模型：假定P1t、v1t和a1t分别表示前车在时刻t的位置、速度和加速度，P2t、v2t和a2t分别表示后车在时刻t的位置、速度和加速度，令ut＝a1t-a2t、yt＝dActualt＝P1t-P2t，可以建立车辆跟驰系统的连续时间数学模型： 其中，C＝[01]；步骤1-2对连续时间数学模型进行离散化处理，建立车辆跟驰系统的离散模型：令在第k个采样周期状态向量控制向量uk＝a1k-a2k和输出yk＝dActualk，车辆跟驰系统的离散状态空间模型为： 其中，状态向量xk反映了前、后车辆的实时行为与实际跟驰车距，v1k、v2k分别为前、后车辆在第k个采样周期的速度，P1k、P2k分别为前、后车辆在第k个采样周期的位置，a1k、a2k分别为前、后车辆在第k个采样周期的加速度,dActualk为前、后车辆在第k个采样周期的实际车距，状态转移矩阵控制矩阵输出矩阵C＝[01]，T为采样周期；步骤1-3令rk＝dSafek、ek＝rk-yk，构建系统状态预报观测器： 其中，为系统状态估计，dSafek为第k个采样周期车辆跟驰系统应保持的动态安全车距，K为状态估计的误差补偿矩阵，控制向量uk为其中，L为预报观测状态反馈矩阵，M为控制向量的误差补偿矩阵；所述步骤2建立基于卡尔曼滤波的最优状态估计模型包括：建立车辆跟驰系统状态预报观测器： 其中，为系统状态估计，uk为控制向量，ek＝rk-yk，rk＝dSafek，dSafek为第k个采样周期车辆跟驰系统应保持的动态安全车距，yk为第k个采样周期的输出，wk为第k个采样周期的噪声，符合高斯分布，状态转移矩阵控制矩阵K为状态估计的误差补偿矩阵；建立车辆跟驰系统最优状态的估计模型： 其中，为第k+1个采样周期的状态估计，P-k+1为在第k+1个采样周期协方差矩阵的估计值，和P-k+1与其各自带有噪声wk的真实值存在不确定性误差，Pk表示在第k个采样周期状态估计的协方差矩阵，Qk为第k个采样周期的状态转移协方差矩阵；建立最优状态估计的校正模型；令zk+1＝Fxk+vk，其中zk+1为第k+1个采样周期通过测量仪器或传感器获得的系统状态向量的观测值矩阵，F＝I，I为单位矩阵，vk为第k个采样周期由外部环境带来的观测噪声，最优状态估计的校正模型为： 其中，为第k+1个采样周期卡尔曼系数矩阵，Rk为第k个采样周期观测噪声vk的协方差矩阵，为第k+1个采样周期校正后的系统状态估计，Pk+1为第k+1个采样周期更新后的状态估计协方差矩阵；所述步骤2的卡尔曼滤波算法包括以下步骤：步骤2-1初始化参数，所述参数包括：k＝1,G、H、uk、K、Rk、F；步骤2-2确定协方差矩阵Pk和状态转移协方差矩阵Qk；步骤2-3根据公式计算和P-k+1；步骤2-4根据公式计算和Pk+1；步骤2-5判断跟驰过程是否结束，若跟驰过程结束，停止滤波计算；若跟驰过程未结束，令k＝k+1，更新uk、Rk，重新执行步骤2-3-步骤2-5；所述步骤3Pareto优化目标为： 其中，Ek为跟驰系统在第k个采样周期的能耗，S为安全、高效跟驰稳态，S0为跟驰系统的初始状态，σ为后车跟驰行为的控制序列，TimeS0[σ＞S为车辆跟驰系统从初始状态S0经后车控制序列σ进入到安全、高效跟驰稳态S的时间求解函数，优化目标J和控制序列σ均以控制律K、L、M为决策变量，ξ为微小正数，用于限定动态跟驰车距的调整范围，F1_tractionk、f1_brakingk、v1k和a1k分别表示前车在第k个采样周期的牵引力、制动力、速度和加速度，F2_tractionk、f2_brakingk、v2k和a2k分别表示后车在第k个采样周期的牵引力、制动力、速度和加速度，F1_traction_max、f1_braking_max、v1_max、a1_max和a1_min分别表示前车的最大牵引力、最大制动力、最大的允许运行速度、最大加速度和最小加速度，F2_traction_max、f2_braking_max和v2_max分别表示后车的最大牵引力、最大制动力和最大运行速度，vLine_max表示线路允许的车辆最大运行速度，J1k＝|a1k+1-a1kT|和J2k＝|a2k+1-a2kT|分别为在第k个采样周期前、后车辆加速度时间变化率的绝对值，J1_min和J1_max分别为前车加速度时间变化率的最小值和最大值，aComfort和JComfort分别为车辆行为调整满足平稳性的两个上边界；所述车辆跟驰系统处于安全、高效跟驰稳态S时满足以下条件： 其中，dActualk为前、后车辆在第k个采样周期的实际车距，dSafek为第k个采样周期车辆跟驰系统应保持的动态安全车距，v1k、v2k分别为前、后车辆在第k个采样周期的速度，a1k、a2k分别为前、后车辆在第k个采样周期的加速度；所述步骤3求解最优控制律过程包括：控制律K,L,M的Pareto最优解集表示为：Φ＝{K,L,M∈Ω|J＜J0}其中，Ω是控制律K,L,M的解空间，J0为车辆跟驰系统的优化目标初始值，J＜J0表示J优于J0，即J在每一个指标上均不大于J0、且至少在一个指标上小于J0；如果J＜J0，则Pareto优化得到的控制律K,L,M可以接受，并令J0＝J；否则，保持J0不变；继续进行Pareto优化，直至优化结果满意时结束，最后得到的控制律K,L,M即为所求最优控制律；所述步骤4包括以下步骤：将实际测量的时间序列数据和经卡尔曼滤波校正后的时间序列数据作为样本数据，对GRU深度神经网络模型进行训练，所述时间序列数据包括前车速度、后车速度、实际跟驰车距和动态安全车距；若GRU深度神经网络的优化目标均能达到Pareto最优，即与minJ满足一致性要求，并且GRU深度神经网络得到的控制律与满足Pareto最优的控制律K,L,M相比较也满足一致性要求，则GRU深度神经网络训练成功，建立控制律K,L,M与车辆跟驰系统状态及最优行为调整过程的非线性映射关系；否则，继续进行GRU深度神经网络训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。