基于时间延迟补偿和消除策略的智能网联汽车协同控制方法研究.pdfVIP

摘要

融合了车辆智能化与网联化技术的智能网联汽车被认为是智能交通系统的重要实

现形式，对于破解交通事故、交通拥堵、能源消耗和过度排放等社会和环境难题具有重

要研究意义。智能网联汽车队列是由多个智能网联汽车组成的车队，通过车辆间通信和

协同控制技术实现紧密的车辆间跟随和高效的道路使用。智能网联汽车队列控制模型可

以通过进行协同控制决策来调节车队中车辆的移动以实现预期状态，从而改善交通流量

并降低燃料消耗。然而，这种技术仍然面临许多挑战，涉及复杂队列系统的不同控制方

式和模型存在许多尚未解决的问题。主要包括：在实际协同自适应巡航控制的大规模部

署时，在分布式结构中，存在控制延迟恒定不变的假设影响系统性能的问题；在集中式

结构中，存在计算时间可能超过连续采样步骤的间隔导致控制器失效的问题。此外，测

试控制器性能的数值仿真无法考虑到车辆运行工况因素的影响且无法捕捉现实中更加

复杂的系统动态特性，从而导致无法得出符合事实的结论。为解决这些问题，本文以智

能网联汽车队列为研究对象，通过对现有智能网联汽车队列的模型和框架进行分析和优

化，以分布式和集中式架构为基础提出拓展的智能网联汽车协同控制策略和方法，以补

偿或消除时间延迟对于队列系统的不利影响，并在实车试验中部署所提出控制模型，对

控制性能表现进行分析，总结结论并进行一般性的推广。

本文的研究内容可以总结为：

（1）针对在实时应用程序中时变的控制延迟会影响控制性能这一问题，本文设计

了一种分布式滑动模型控制器（DSMC），旨在通过预测策略来补偿未知输入时间延迟的

影响，从而提升队列的稳定性，并实现对期望目标的有效跟踪。使用有限频谱分配技术

的预测器消除未知控制延迟的影响，并通过对时变控制延迟的准确估计来最大化状态预

测的性能。提出一种基于新型趋近律的SMC技术（NRL-SMC），根据滑动面的绝对值

自适应调整以减轻抖动并提高跟踪性能。使用李亚普诺夫函数证明闭环系统的渐近稳定

性。通过与其他的SMC方法进行比较，证明了所提出方法的优越性。

（2）针对模型预测控制（MPC）策略无法在采样瞬间无延迟地根据感知的状态部

署控制决策这一问题，本文提出了一种面向智能网联汽车队列控制的分层集中式MPC

（HCMPC）策略。在该策略中，部分计算任务提前分配给各子队列以消除计算时间，构

建了车队控制器和子车队控制器交互框架，以实现队列中所有车辆的高度协同。提出了

带权重衰减的约束优化问题的解决方案，该方案将状态约束作为优化目标以不破坏其凹

凸性的方式整合到价值函数中。对于连续系统，首先利用价值函数取最小值的必要条件

得到无控制约束的最优解，然后根据最小值原则得到有控制约束的最优解。采用有不等

式约束的MPC策略的稳定性分析，以保证MPC控制器的性能。对状态变量权重矩阵和

控制决策权重矩阵进行了具体设计，并证明了最优控制问题的价值函数是一个李雅普诺

夫函数。最后，设计了终端集和吸引域的估计算法以保证闭环控制系统的稳定性。

（3）针对数值仿真无法考虑到车辆运行工况因素的影响，以及无法捕捉现实中更

加复杂的系统动态特性这一问题，本文分析了智能网联小车实验平台与队列控制系统的

功能映射关系，编写了感知、通信、控制、执行模块对应的节点程序，并将环境变量和

节点程序封装到一个启动文件中嵌入智能网联小车的板卡。搭建了多车协同控制的实验

场景，测试并对比分析了传统的CACC模型、DSMC模型和HCMPC模型下跟随车辆

对于领航车辆不同控制输入的响应。通过实车试验，证实了所提出的方法在现实交通流

场景中的优异性和将实验平台应用于智能网联汽车队列测试的可行性。

关键词：智能网联汽车协同控制，网联的自动驾驶汽车队列，一致性算法，滑动模

型控制，模型预测控制，智能网联小车实验

Abstract

TheConnectedautomatedvehicle(CAV)thatintegratesvehicleintelligenceandnetwork

connectivityisconsideredanimportantformofintelligenttransportationsystem.Ithas

significantresearchsignificanceinsolvingsocialand