申请/专利权人：吉林大学

申请日：2024-01-08

公开（公告）日：2024-04-16

公开（公告）号：CN117891250A

主分类号：G05D1/43

分类号：G05D1/43;G05D1/633;G05D1/644;G05D1/692;G05D1/648;G05D109/10

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明提出一种数据驱动的异构车辆事件触发编队控制方法；首先建立了一个非线性的车辆模型；然后使用高斯过程回归来对参数可能变动的车辆模型进行更精确的实时学习；然后采用反馈线性化控制器基于在线学习的车辆模型，对当前车辆实施更精确的控制；其中使用高斯过程回归对车辆建模的过程并非有固定的时间间隔，而是基于当前车辆模型的高概率估计误差和李雅普诺夫稳定性分析计算出的事件触发机制；该方法提高了编队中车辆对于不同驾驶任务、场景快速变化的适应性，同时基于事件触发的机制也成功为编队中的车辆节约了算力资源。

主权项：1.一种数据驱动的异构车辆事件触发编队控制方法，考虑到一个行驶在城市结构化道路上的车辆编队，将多辆不同类型、具有不同特性的车辆排成一列，以一定的距离组成编队；使车辆在复杂的交通环境下保持车速并与前车保持适当的间距，以实现安全、高效的行驶；当车辆编队行驶在不同的环境中、执行不同的驾驶任务时，车辆的模型可能会失配；本方法的特征在于利用高斯过程回归的方法对车辆系统进行实时建模，并采用反馈线性化的方法来对所学的模型进行控制，实现了对车辆编队的控制；同时设计了事件触发机制，该策略使系统不再需要以固定的时间间隔学习车辆模型，而是仅在系统有需求的时候，才对车辆模型进行学习更新，降低了采样频率和计算需求，实现了高效的编队控制；其特征在于，本方法的具体步骤如下：步骤一、建立非线性车辆模型考虑到一个行驶在城市结构化道路上的异构车辆编队，将L辆车排成一列，以一定的距离组成编队；其中异构的含义指的是编队中包含了不同类型或具有不同特性的车辆，在这编队中第i辆车的非线性车辆模型如下所示： 其中，1＜i＜L，sit表示t时刻第i辆车的位置，vit表示t时刻第i辆车的速度，ait表示t时刻第i辆车的加速度；uit表示t时刻第i辆车的控制输入；mi表示第i辆车的质量，τi表示第i辆车的的未知惯性延迟，Kdi表示第i辆车的空气阻力系数，dmi表示第i辆车的机械阻力系数；定义第i辆车的状态向量为x＝[sit,vit,ait]T；为了方便描述，现定义其中fx和gx是有关状态向量x的函数，都是全局有界且可微的；同时gx还满足恒为正数的性质；fx的物理含义是与输入不相关的模型动力学方程；gx的物理含义是与输入相关的模型动力学方程；假设第k次更新车辆模型的时刻为tk，对车辆编队中第i辆车的状态向量xk进行测量，同时对含有噪声的加速度的导数进行测量；表示第k次更新车辆模型时加速度的导数，εk为测量过程中的高斯噪声；车辆编队的数据集Dk中的数据会随着车辆模型更新次数的增加而增加，数据xk,yk总是成对出现，数据集中的x1,y1表示第一次更新模型时添加的车辆状态向量和含有噪声的加速度导数的测量值，x2,y2表示第二次更新模型时添加的车辆状态向量和含有噪声的加速度导数的测量值，数据集中的xk,yk表示第k次更新模型时添加的车辆状态向量和含有噪声的加速度导数的测量值；车辆的数据集Dk表示为：Dk＝{x1,y1,x2,y2,...,xk,yk}2数据集Dk中数据的个数为Nk；如果采用时间触发机制来更新数据集，则新的数据将会以固定的时间间隔更新数据集Dk；如果采用事件触发的机制来更新数据集，Dk将只会在触发事件的时候加入新数据；数据集Dk在两次连续测量之间保持不变；步骤二、闭环系统在线高斯模型构建为了对车辆模型动力学方程的未知部分fx和gx进行闭环在线识别，使用高斯过程回归求解，得到的对应近似函数表示为和 其中，kf表示f的核函数，kg表示g的核函数；是kf的转置，是kg的转置；U是ukx给出的输入集合，ukx是数据集Dk的在线学习反馈线性化控制律，X表示为：X＝[x1,x2,...,xk]；yf表示为yf＝[y1,y2,...,yk]；Kfg表示一个联结核函数kf和核函数kg的矩阵，mgx表示gx的估计均值的最小值；表示数据集Dk中Nk个不同的mgx所组成的集合；这里考虑使用平方指数核作为通用的核函数，能够比较精确地为任何连续函数进行建模；既满足可微性又满足有界性；步骤三、反馈线性化控制器设计基于所建立的非线性车辆模型，设计一种基于数据集Dk的在线学习反馈线性化控制律ukx，其形式为： 其中，ν是所得到的近似线性化系统的输入，为实数域，ukx是第k个时间间隔更新的控制律；和是基于高斯过程回归在第k次更新数据集Dk后学习得到的fx和gx的估计值，仅在tk时刻的数据集Dk发生变化时学习；当和更新时，控制律ukx也会更新；需要注意的是，事件触发的模型估计并不是按照固定的时间间隔进行的，因此控制律ukx的更新也不是周期性执行的；根据定义，假设第k次更新发生在tk时刻，那么相应的控制律ukx将应用于从tk到下一个事件发生的时刻tk+1的这段时间内，表示为：ux＝ukx,t∈[tk,tk+16我们期望的跟踪期望轨迹为xdt，在这里xdt有三个维度，xd是车辆的期望位置，是车辆的期望速度和是车辆的期望加速度，假设跟踪期望轨迹xdt有界且至少2次可微，因此有如下性质： 参考轨迹连续，且是有界的；定义跟踪误差e：e＝x-xd8考虑到要跟踪前车位置、速度、加速度的状态，但是三个状态的权重不是相同的，所以这里对三个期望状态分别乘以对应权重并将其定义为：r＝[λ1λ21]e9其中，r是加权后的跟踪误差，λ1是车辆的位置跟踪误差权重，λ2是车辆的速度跟踪误差权重、1是车辆的加速度的跟踪误差权重；本方法的核心思想就是通过控制手段来使加权后的车辆状态跟踪误差r趋于0，使其保持合适速度的同时与前车保持适当的间距；此时状态方程变为： 其中： ρ表示加权后车辆状态的跟踪误差的微分；将线性控制律-kcr-ρ代入到式5的v中，得出以下控制律： 其中kc为正实数，是加权后状态跟踪误差的比例系数；uk表示第k个时间间隔t∈[tk,tk+1；在该时间间隔内，估计值和会基于更新后的数据集Dk来更新，该数据集中包含Nk个训练点；接下来基于传统李雅普诺夫方法，分析闭环系统的收敛性，并证明跟踪误差的全局一致最终有界性；具体内容如下：证明：选择以下李雅普诺夫函数Vkx：Vkx＝r2213Vkx的导数为： 对于任意k和任意状态，是正的和有界的；因此，是有界的，并且存在一个常数a，使得 上述式子成立是因为r对于e是线性增长；类似的，能够找到常数c、B和C，其中B和C是正定的，并且满足以下不等式： 由于fx,和都是有界的，因此上述不等式成立；因此，我们有： 对于所有的k，上述不等式都成立，并且存在使得下式成立： 因此，对于每个李雅普诺夫函数在集合之外都会递减，即： 其中，集合为： 集合表示围绕车辆期望参考轨迹xdt的一个管状区域；我们找到了一个具有无限大半径的李雅普诺夫函数，它在集合外部对任意k都会递减；对于任意的切换序列，跟踪误差会收敛到集合由于集合不依赖于车辆编队中车辆的初始状态，因此具有全局一致最终有界性；对于我们得到： 所以，保证负定的条件是： 因此，无论kc的取值如何，都可以找到一个区域，在该区域外部李雅普诺夫函数会递减，从而导致的全局一致最终有界性；从而保证编队中的车辆在行驶的过程中满足李雅普诺夫稳定性；上述表明，车辆对前车的位置、速度、加速度的跟踪误差e的最终有界性是存在的，但其大小是未知的；为了量化最终界可以定义模型估计的上界，即： 这里使用高斯过程回归的方差函数σkx来导出模型估计的上界；能够在紧致集上对车辆模型fx与学习得到的的最大误差进行高概率描述；这里定义再生核希尔伯特空间范数限制如下；假设函数fx对于一个平方指数核具有有界的再生核希尔伯特空间范数，记为Bf是其有界范数的边界值；在该假设之下，则有最大误差的高概率边界： 其中，δ∈0,1，γk代表根据噪声样本x1,...,xk+1计算的关于fx的最大交互信息；βk代表了量化高斯过程回归最大误差高概率边界的参数；步骤四、事件触发模型更新结合步骤三中式23和式25能够设计事件触发的条件：tk+1:＝{t＞tk|βkσkx≥kc|r∣}26其中，触发时间tk+1定义为在tk之后第一次βkσkx大于或等于kc|r|的时间；由于σk和r在两个事件之间的时间内是连续的，事件将总是在相等处被触发，因此有βkσkxtk+1＝kc|rtk+1|；当满足以上等式时，事件被触发，此时编队中的车辆会接收一个信号，允许将本车当前的位置、速度、加速度数据加入到数据集Dk中，并通过高斯过程回归来对当前车辆系统进行建模，进而计算新的控制律ukx，从而保证编队中的车辆再一次满足李雅普诺夫稳定性，确保编队中的车辆能够稳定控制；根据式12的控制律ukx对式3和式4进行控制，从而使车辆能够跟踪上当前期望的位置、速度、加速度；进而使车辆状态的跟踪误差趋于0，使编队中的车辆保持合适速度的同时与前车保持适当的间距，以实现编队中车辆的安全行驶；依托于事件触发的机制的设计，可以有效减少冗余的计算，降低采样频率和计算需求，从而实现高效的编队控制。

全文数据：

权利要求：

百度查询： 吉林大学 一种数据驱动的异构车辆事件触发编队控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD