本发明涉及自动驾驶电动汽车控制，具体涉及一种自适应车间距的自动驾驶汽车模型轨迹预测方法。
背景技术：
1、人们迫切需要最大限度地减少温室气体排放和提高能源效率，因此自动驾驶电动汽车作为传统内燃机驱动汽车的可行替代品越来越受欢迎。然而，电动汽车的广泛应用在缓解交通拥堵、能源消耗和安全危机方面带来了巨大挑战。交通拥堵对能源和环境资源造成了严重影响，这促使研究人员努力寻找解决方案，以促进更可持续的交通。燃料浪费和危险驾驶行为是交通拥堵的直接后果，导致大量资源消耗和直接死亡。
2、应对这些挑战的一个可行方法是开发智能自动驾驶控制算法，在不牺牲安全性和舒适性的前提下优化电动汽车能源的可用性。经济模型预测控制(empc)在车辆控制中发挥着重要作用，因为它能准确预测信息交互对环境的影响，并提高电动汽车的经济驾驶性能。empc的主要原理是直接优化系统的经济性能。利用empc进行的系统管理和优化分为由模型预测控制(mpc)实现的过程控制层和实时优化层。实时优化层负责确定经济上最优的稳定状态，mpc在控制问题中利用该稳定状态。empc在自动驾驶电动汽车的节能控制方面做出了一些努力，通过经济驾驶控制，每辆汽车有望显著降低能耗。
3、但是对于不确定条件下电动汽车跟踪控制中的经济驾驶问题，缺少成熟的方法确保理想跟踪性能的同时，提高了经济性能和驾驶安全性。。
技术实现思路
1、有鉴于此，本发明提供了一种自适应车间距的的自动驾驶汽车模型控制方法，能够解决在具有经济性能和安全性能考虑的情况下的自动驾驶电动汽车跟踪过程中的驾驶问题。
2、一种自适应车间距的自动驾驶汽车模型轨迹预测方法，包括如下步骤：
3、步骤1，构建自动驾驶汽车的运动学模型作为跟随者车辆轨迹，引入领导者车辆产生的参考轨迹，得到相对状态模型；
4、步骤2，根据交通流模型得到车辆速度和交通密度的关系；其中，所述交通流模型用于描述整体交通流动态；
5、步骤3，通过道路负荷方程获得跟随者车辆轮胎所受总力矩与相应的经济成本函数，基于相对状态模型、车辆速度和交通密度的关系以及相应的经济成本函数构造经济型mpc最优控制问题；
6、步骤4，求解经济型mpc最优控制问题获得跟随者车辆的最优控制序列，将控制序列输入到跟随者车辆获得预测轨迹。
7、进一步地，所述步骤1具体包括如下内容：
8、步骤1.1，以跟随者车辆后轴中心点为原点，构建跟随者车辆的运动学模型为：
9、pf(t+1)＝f(pf(t),υf(t))+η(t)
10、其中，f(pf(t),υf(t))表示以pf(t)和υf(t)变量的非线性函数，满足f(pf(t),υf(t)):rn×rm→rn，pf(t)为t时刻跟随者车辆的位置，pf(t+1)为t+1时刻跟随者车辆的位置，υf(t)为t时刻跟随者车辆的速度，η(t)是跟随者车辆受到的扰动；
11、根据运动学模型的可控要求，设定约束为：
12、
13、其中，x和u分别代表紧且凸的状态集和输出集，状态集是跟随者车辆位置状态的集合，输入集是跟随者车辆控制输入的集合，rn和rm分别表示n维空间和m维空间；
14、步骤1.2，引入一个领导者车辆模型为
15、pl(t+1)＝f(pl(t),υl(t))
16、其中，f(pl(t),υl(t))表示以pl(t)和υl(t)变量的非线性函数，和xl和ul是紧且凸的集合，分别表示领导者车辆位置状态的集合，领导者车辆控制输入的集合，pl(t)和υl(t)分别表示t时刻领导者车辆的位置和速度，pl(t+1)表示t+1时刻领导者车辆的位置；
17、步骤1.3，跟随者车辆与领导者车辆之间的相对状态表示为：
18、pr(t)＝pf(t)-pl(t)
19、其中为相对状态的输出。
20、进一步地，所述步骤2，具体包括如下内容：
21、步骤2.1：交通流模型用数学方法表示为：
22、
23、ρ(p,t)为交通密度，q(p,t)为交通流量函数，p为位置，t为时间；
24、
25、其中β∈[0,1]是设定值，q(ρ)为流函数，所减少的流量用qβ表示，q(ρ/β)为跟随者车辆尾部位置和领导者车辆头部位置之间的流函数，eu(t)为跟随者车辆t时刻的尾部位置，ed(t)为领导者车辆t时刻的头部位置；
26、设q(ρ)＝ρυ(ρ)并且考虑以下线性速度-密度关系：
27、υ(ρ)＝vmax(1-ρ/ρmax)
28、其中，常数vmax表示车辆的最大速度，ρmax表示道路上可达到的最大密度；
29、q(ρ)＝vmaxρ(1-ρ/ρmax),
30、qβ(ρ)＝vmaxρ(1-ρ/βρmax).
31、步骤2.2：基于交通流模型，通过以下的六阶多项式计算捕获各种车辆的平均能耗特征的曲线：
32、d(υ)＝5.7×10-12υ6-3.6×10-9υ5+7.6×10-7υ4-6.1×10-5υ3+1.9×10-3υ2+1.6×10-2υ+0.99
33、其中，υ表示线速度；
34、通过重新参数化和密度ρ有关的多项式，得到表示为密度的函数的能量消耗e(ρ)：
35、
36、进一步地，所述步骤3，具体包括如下步骤：
37、步骤3.1根据道路载荷方程，跟随者车辆车轮的总驱动力fd表示为：
38、fd＝fr+fai+fg+fac
39、其中，fr代表滚动阻力，fai代表空气阻力，fg代表坡度阻力，fac代表加速阻力；
40、此外，驱动力fd与车轮转矩td之间的关系表示为：
41、td＝fdrt
42、其中，rt为轮胎半径，车轮转矩td和电机转矩tm满足以下等式：
43、tm＝td/rg
44、其中，rg为最终传动比；
45、电机转矩tm和电机速度ωm用于模拟电池功率pm，表示如下：
46、
47、其中，b1和b2为可调的电机参数，其中b1＝rg/rt；
48、步骤3.2，根据上述数据，设计成本函数为：
49、
50、其中，为阶段成本函数，g(pr(t+n|t))为终端成本函数；
51、阶段成本函数具体表述为：
52、
53、其中，等式右边各项分别为：
54、
55、
56、
57、其中，为交通密度成本函数，是预设定的常数，αe,αρ是大于0的加权系数，为时刻t未来步的交通密度，为的能量消耗函数，为时刻k未来步的交通密度；为跟踪成本函数，为时刻t未来步的相对状态，为时刻t，未来步的控制输入，p和q是正定矩阵；为经济成本函数，th为离散化步长，为时刻t未来步的电机转矩，为跟随者车辆时刻t，未来步的控制输入；
58、所述终端成本函数定义为：
59、
60、其中，z是正定矩阵，pr(t+n|t)为时刻t，未来n步的相对状态；
61、步骤3.3，在时刻t，对于关于自动驾驶电动汽车跟踪经济驾驶的经济型mpc最优控制问题描述如下：
62、
63、其中，是关于自动驾驶电动汽车跟踪经济驾驶的经济型mpc最优控制问题的最优解。
64、进一步地，所述关于自动驾驶电动汽车跟踪经济驾驶的经济型mpc最优控制问题，具体约束条件如下：
65、pr(t|t)＝pr(t),υr(t|t)＝υr(t)
66、
67、
68、
69、
70、
71、pr(t+n|t)∈xε
72、其中，pr(t|t)为t时刻，跟随者车辆与领导者车辆的预测初始相对位置；pr(t)为t时刻跟随者车辆与领导者车辆的相对位置信息，υr(t|t)为跟随者车辆与领导者车辆的预测初始相对控制输入；为时刻t，未来步的控制输入，为时刻t，未来步的相对控制输入，为时刻t，未来步的参考控制输入；tm,min为最小电机转矩，tm,max为最大电机转矩，为时刻t，未来步的电机转矩；为时刻t，未来步的车间距离上界，为时刻t，未来步的相对状态，为时刻t，未来步的距离阵列的最大差值，pr,min为车间距离下界，是一个正的常数，r+是一维的正实数空间；pr(t+n|t)为时刻t，未来n步的相对状态；xε为终端域。
73、进一步地，所述车间距离上界和车间距离下界，获取包括如下步骤：
74、步骤(1)，基于相对状态模型预测汽车以实际速度和平均速度在整个预测时域上行驶的距离向量设计距离阵列的最大差值σp(t)为：
75、
76、其中，σ(t)为实际距离向量，具体限定为：
77、
78、为平均距离向量，具体限定为：
79、
80、其中，为预测时域内的实际跟随者车辆速度，表示平均车辆速度，n为预测时域，th为离散化步长；
81、步骤(2)，根据车辆的最小安全距离，设定车间距下界为pr,min；
82、步骤(3)，根据步骤(1)和步骤(2)的内容，设计车间距离上界为：
83、
84、其中，是一个正的常数，r+为一维的正实数空间；
85、步骤(4),根据车间距离的上下界设计自适应车间距约束为：
86、
87、其中，是0到n-1之间的常数。
88、进一步地，所述总驱动力每个部分表达式为：
89、fr＝crmfgcos(θ(t))
90、fai＝1/2caρaa(υf(t)-υw(t))
91、fg＝mfgsin(θ(t))
92、fac＝mfaf(t)
93、其中，滚动阻力fr的滚动阻力系数为cr，mf为跟随者车辆的质量，θ(t)为道路坡度；空气阻力fai的空气阻力系数为ca，ρa为空气密度，a和υw(t)为车辆正面面积和风速，af(t)为跟随者车辆的t时刻的实际加速度。
94、进一步地，所述步骤4，将通过empc控制器传递将以下最优控制序列传递给跟随者车辆：
95、
96、其中，为跟随者车辆t时刻的最优控制输入；
97、如果优化问题不可行，那么将应用在t时刻的最优解构造的可行控制输入序列，否则令t＝t+1，并求解优化问题。
98、有益效果：
99、第一、本发明提供了一种自适应车间距的自动驾驶电动汽车经济型模型预测控制方法，采用了empc控制器作为控制器来实现跟踪过程中的经济驾驶，根据道路负荷方程分析车辆轮胎所受总力矩，设计相应的经济成本函数，使得本方法对应的模型考虑到经济的实际需求，这样如果被控制车辆按照最终得到的车辆预测轨迹行驶则能够有效缓解能源消耗的问题。
100、第二、本发明提供了一种自适应车间距的自动驾驶电动汽车经济型模型预测控制方法，为了解决智能驾驶中的交通拥堵和驾驶安全问题，通过设计一个领导者车辆模型和一个跟随者车辆模型，并通过设计两者之间的相对状态模型进行后续的处理与计算，并且通过预测自动驾驶电动汽车以实际速度和平均速度在整个预测时域上行驶的距离向量得到车间距上界，在保证最小安全距离的前提下得到自适应的车间距约束，从而确保驾驶安全和控制性能。
101、第三、本发明提供了一种自适应车间距的自动驾驶电动汽车经济型模型预测控制方法，在构建mpc模型的时候，其中的约束条件综合考虑了车间距约束，电机所带来的约束，相比于标准empc和当前的其他恒定间距的控制算法相比，该算法能够为自动驾驶骑车带来更好的经济性能和安全性能。
102、第四、本发明提出的方法便于实施，约束条件明确，可复刻性强。
1.一种自适应车间距的自动驾驶汽车模型轨迹预测方法，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤1具体包括如下内容：
3.如权利要求1所述的方法，其特征在于，所述步骤2，具体包括如下步骤：
4.如权利要求1所述的方法，其特征在于，所述步骤3，具体包括如下步骤：
5.如权利要求4所述的方法，其特征在于，所述关于自动驾驶电动汽车跟踪经济驾驶的经济型mpc最优控制问题，具体约束条件如下：
6.如权利要求5所述的方法，其特征在于，所述车间距离上界和车间距离下界，获取包括如下步骤：
7.如权利要求4或5所述的方法，其特征在于，所述总驱动力每个部分表达式为：
8.如权利要求1所述的方法，其特征主要，所述步骤4，将通过empc控制器传递将以下最优控制序列传递给跟随者车辆：
