基于优化预估信息差反馈传输的控制系统及控制方法与流程

本发明属于车辆跟驰控制技术领域，具体涉及一种基于优化预估信息差反馈传输的控制系统及其控制方法。

背景技术：

随着经济的高速发展和人民生活质量的不断提升，道路上的车辆也越来越多，交通拥堵问题得到了越来越多人的重视。交通拥堵不仅会造成能源与资源的浪费，汽车排放尾气中产生的大量污染物(如会导致温室效应的co2、会造成呼吸系统疾病的可吸入颗粒物的pm10、形成酸雨的主要物质之一的nox以及会对人体产生危害的挥发性有机化合物voc等)已经成为环境污染的主要来源之一。因此国内外的相关专家学者对如何缓解交通拥堵开展了大量了研究工作。

1995年，bando等基于车间距优化速度函数构建了优化速度(ov)模型；1999年，konishi等利用耦合映射跟驰模型，通过设置时滞反馈控制项，提出了抑制交通拥堵的方案，并进行了数值模拟；2001年，姜锐等提出了全速度差(fvd)模型，2007年，韩祥临等提出了基于its应用的cm跟驰模型；在探讨耦合映射跟驰模型在缓解交通拥堵中发挥作用的同时，一些国内外专家学者对其降低排放能耗方面也展开了研究，2006年，panis等人通过对大量数据的整理与分析，运用多元非线性回归等方法，以速度和加速度作为变量，给出了车辆尾气污染物的排放函数。2009年，he等人在此基础上探究了城市交通路口中pm10的浓度。2015年，zhang等设计了一种新的反馈控制器，能够有效地降低co2的排放量。2017年，tang等人探讨了跟驰模型下信号灯对车辆能耗排放的影响。

在目前的车辆跟驰控制时，由于没有考虑到预估优化预估信息差反馈传输对车辆运行的影响，导致对车辆的跟驰控制稳定性较差。

技术实现要素：

本发明针对现有技术的不足，提供了一种基于优化预估信息差反馈传输的控制系统及其控制方法；该系统提出了一种新的车辆跟驰控制模型，运用稳定性分析的方法，推导出满足所提模型稳定的条件，确定了控制的反馈增益的参数，并通过数值模拟，有效抑制拥堵现象以及降低能耗污染，实现对控制模型有效性验证，提高车辆的跟驰控制稳定性。

为实现上述目的，本发明的采用如下技术方案：

一种基于优化预估信息差反馈传输的控制系统，包括处理器和存储器；所述的处理器与存储器电性连接，所述的存储器内设有基于优化预估信息差反馈传输的车辆跟驰控制模型；所述的车辆跟驰控制模型为：

其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有n辆车，i的取值为1到n-1；t表示松弛时间，ui(n)和分别表示在n时步第i辆车的优化预估信息与当前运行信息差传输的反馈控制项和优化速度项，其计算方法分别为：

式中：η和ζ分别表示最大速度、安全间距和距离参数；k是该系统的反馈增益；为饱和函数，具体为：

所述的处理器执行存储器内的车辆跟驰控制模型，实现车辆跟驰控制。

本发明所述的基于优化预估信息差反馈传输的控制系统的控制方法，包括以下步骤：

步骤一：在车辆控制系统中建立基于优化预估信息差反馈传输的车辆跟驰控制模型；

步骤二：根据所述的车辆跟驰控制模型对车辆的行驶状态进行控制；

所述车辆跟驰控制模型为：

其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有n辆车，i的取值为1到n-1；t表示松弛时间，ui(n)和分别表示在n时步第i辆车的优化预估信息与当前运行信息差传输的反馈控制项和优化速度项，其计算方法分别为：

式中：vi^max、η和ζ分别表示最大速度、安全间距和距离参数；k是该系统的反馈增益；为饱和函数，具体为：

作为进一步技术改进，根据所述的车辆跟驰控制模型对车辆的行驶状态进行控制的方法为：

对所述的跟驰控制模型进行线性化处理，得到：

其中：

对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：

作为进一步技术改进，对所述的跟驰控制模型进行线性化处理的条件1：

当0＜αirit²＜2时，如果r11＜αirit²-αit,r12＜1 αirit²-αit；则，k的取值范围为：

r12＜k＜1 αirit²-αit；

如果r11＞αirit²-αit,r12＞1 αirit²-αit；则，k的取值范围为：

αirit²-αit＜k＜r11；

如果r11＞αirit²-αit,r12＜1 αirit²-αit；则，k的取值范围为：

αirit²-αit＜k＜r11,r12＜k＜1 αirit²-αit；

条件2：

当2＜αirit²＜4时，如果则，k的取值范围为：

如果则，k的取值范围为：

αirit²-αit＜k＜r11；

如果则，k的取值范围为：

其中，

δ1＝b1²-4c1²＝αi²ri²t⁴ 16αirit²，b1＝2αit-αirit²，c1＝αi²t²-αi²rit³-4αirit²；

条件3：

当0＜αirit²＜2时，如果则，k的取值范围为：

如果则，k的取值范围为：

1 αirit²-αit＜k＜r21；

如果则，k的取值范围为：

其中，δ2＝b2²-4c2²＝αi²ri²t⁴，b2＝2αit-αirit²-4，c2＝αi²t²-αi²rit³ 2αirit²-4αit 4；

条件4：

当0＜αirit²≤1时，k的取值范围为：

作为进一步技术改进，在任意时刻第一辆车的行驶速度不大于车队中车辆的最大行驶速度。

作为进一步技术改进，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。

与现有技术相比，本发明具有的有益效果如下：

本发明所提供的技术方案，在建立车辆跟驰控制模型时充分考虑优化预估速度与实际运行速度差对交通流的影响，提出一种基于优化预估信息差反馈传输的车辆跟驰控制模型，同时在该模型描述的交通系统基础上运用系统控制理论对其进行稳定性分析，得到交通系统保持稳定的临界条件，确定了控制的反馈增益的参数，有效抑制拥堵现象以及降低能耗污染，实现对控制模型有效性验证，提高车辆的跟驰控制稳定性。

附图说明

图1是尾气排放示意图。

图2是现有cm跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图以及三维速度演化图。

图3是新模型的速度演化图。

图4是cm跟驰模型和新模型中在一次停车的场景下车间距的演化情况。

图5是cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的co2排放量以及三维图。

图6是新模型的co2排放图。

图7是cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的nox排放量以及三维图。

图8是新模型的nox排放图。

图9是cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的voc排放量以及三维图。

图10是新模型的voc排放图。

图11是cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的pm10排放量以及三维图。

图12是新模型的pm10排放图。

图13是cm跟驰模型中车队四次停车的第1、25、50辆车随时间变化的速度演化图以及三维速度演化图。

图14是新模型的速度演化图。

图15是cm跟驰模型和新模型中在四次停车的场景下车间距的演化情况。

图16是cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的co2排放量以及三维图。

图17是新模型的co2排放图。

图18是cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的nox排放量以及三维图。

图19是新模型的nox排放图。

图20是cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的voc排放量以及三维图。

图21是新模型的voc排放图。

图22是cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的pm10排放量以及三维图。

图23是新模型的pm10排放图。

具体实施方式

为使基本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例：

一种基于优化预估信息差反馈传输的控制系统，包括处理器和存储器；所述的处理器与存储器电性连接，所述的存储器内设有基于优化预估信息差反馈传输的车辆跟驰控制模型；所述的车辆跟驰控制模型为：

其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有n辆车，i的取值为1到n-1；t表示松弛时间，ui(n)和分别表示在n时步第i辆车的优化预估信息与当前运行信息差传输的反馈控制项和优化速度项，其计算方法分别为：

式中：η和ζ分别表示最大速度、安全间距和距离参数；k是该系统的反馈增益；为饱和函数，具体为：

所述的处理器执行存储器内的车辆跟驰控制模型，实现车辆跟驰控制。

本实施例所述的基于优化预估信息差反馈传输的控制系统的控制方法，该方法的流程如图1所示，包括如下步骤：

步骤一：在车辆控制系统中建立基于优化预估信息差反馈传输的车辆跟驰控制模型；

步骤二：根据车辆跟驰控制模型对车辆的行驶状态进行控制。

在步骤一中，建立的基于优化传输信息的车辆跟驰控制模型为：

其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有n辆车，i的取值为1到n-1；t表示松弛时间，ui(n)和分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：

式中：η和ζ分别表示最大速度、安全间距和距离参数；k是该系统的反馈增益；为饱和函数，具体为：

在步骤二中对车辆的行驶状态进行控制时，为保证车队可以长时间保持队形，在任意时步第一辆车的行驶速度不大于车队中车辆的最大行驶速度，即：

在步骤二中对车辆的行驶状态进行控制时，为了防止车队出现碰撞甚至倒退的现象，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。

在步骤二中对车辆的行驶状态进行控制时，为了保证车辆运行的稳态，设

其中，

在稳态附近对所建立的车辆跟驰控制模型进行线性化：

其中：

对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：

设其中

根据系统控制理论，k同时满足以下①和②式时跟驰控制模型处于稳定状态：

①是稳定的；

②

根据上述条件可得，当反馈增益k满足以下4种条件时，采用车辆跟驰控制模型控制的车队处于稳定状态：

条件1：

当0＜αirit²＜2时，如果r11＜αirit²-αit,r12＜1 αirit²-αit则，k的取值范围为：

r12＜k＜1 αirit²-αit；

如果r11＞αirit²-αit,r12＞1 αirit²-αit；则，k的取值范围为：

αirit²-αit＜k＜r11；

如果r11＞αirit²-αit,r12＜1 αirit²-αit；则，k的取值范围为：

αirit²-αit＜k＜r11,r12＜k＜1 αirit²-αit；

条件2：

当2＜αirit²＜4时，如果则，k的取值范围为：

如果则，k的取值范围为：

αirit²-αit＜k＜r11；

如果则，k的取值范围为：

其中，

δ1＝b1²-4c1²＝αi²ri²t⁴ 16αirit²；

b1＝2αit-αirit²，c1＝αi²t²-αi²rit³-4αirit²；

条件3：

当0＜αirit²＜2时，如果则，k的取值范围为：

如果则，k的取值范围为：1 αirit²-αit＜k＜r21；

如果则，k的取值范围为：

其中，

δ2＝b2²-4c2²＝αi²ri²t⁴，b2＝2αit-αirit²-4，c2＝αi²t²-αi²rit³ 2αirit²-4αit 4；

条件4：

当0＜αirit²≤1时，k的取值范围为：

近年来，随着我国机动车辆的数量迅速增长，城市交通尾气排放成为城市大气污染的最大污染源，特别是当道路上的车辆发生拥堵时，污染也会加剧。panis等人通过对大量数据的整理与分析，运用多元非线性回归等方法，以速度和加速度作为变量，给出了车辆有关co2、voc、nox、pm10的排放函数：

en(t)＝max[e0,f1 f2vn(t) f3vn(t)² f4an(t) f5an(t)² f6vn(t)an(t)]；

其中，vn(t),an(t)分别表示车辆在t时刻的速度和加速度，e0表示每种类型污染物的排放下限，这里e0＝0g/s，f1到f6是由多元非线性回归确定的汽车关于不同种类污染物的排放系数。不同种类污染物的排放系数如下表：

实验验证：

为验证理论推导是否正确，在开放的边界条件下，对新模型进行数值模拟仿真，设置参数的初始值为：

η＝25.0m，ξ＝23.3m，v^max＝33.6s^-1,v0＝20m/s,t＝0.1s，

y^min＝7.02mri＝v^max/ξ≈1.44s^-1，α＝2.0s^-1；

其中ξ表示初始车间距，v0表示车队各车辆的初始速度，表示最大行驶速度，t表示采样时间，y^min表示最小安全车间距。

车队初始状态为：

设置模拟场景：

模拟场景一：在车队行驶100s时，头车停止行驶，持续时间为3s。

模拟场景二：在车队行驶100s、120s、140s、160s时，头车停止行驶，持续时间为3s。

观察整个车队运行的状态演化情况。在验证新模型对交通系统稳定性的作用之前，通过给定的初始参数依据条件一可以确定新模型的反馈增益范围为0.1541<k<0.8288，依据条件三可以确定新模型的反馈增益范围为0.8288<k<1.8144，综合计算，得到反馈增益的取值范围为0.1541<k<0.8288，这里k＝0.27。

图2给出了cm跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图以及三维速度演化图，可以看出车速在20m/s上下波动较大。

图3给出了新模型的速度演化图。通过对照，可以很明显地看出新模型由于增加了反馈控制项，车速上下波动明显减小。

图4分别给出了cm跟驰模型和新模型中在一次停车的场景下车间距的演化情况。通过对照，可以看出cm跟驰模型出现了拥堵现象，新模型由于增加了反馈控制项，头车与后续车辆车头间距的振荡幅度较为平缓，协同驾驶程度更高。

图5给出了cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的co2排放量以及三维图，可以看出，cm跟驰模型的co2排放量是比较高的。

图6给出了新模型的co2排放图，通过对照，可以明显地看出新模型由于增加了反馈控制项，co2排放量更低。

图7给出了cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的nox排放量以及三维图，可以看出，cm跟驰模型的nox排放量在125s到275s处是比较高的。

图8给出了新模型的nox排放图，通过对照，可以明显地看出新模型由于增加了反馈控制项，很好地抑制了nox的排放。

图9给出了cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的voc排放量以及三维图，可以看出，cm跟驰模型的voc排放量是比较高的，在4200ug左右上下波动较大，图10给出了新模型的voc排放图，通过对比，可以发现voc排放量稳定在了4200ug左右。

图11给出了cm跟驰模型车队在一次停车场景中的第25、50、100辆车随时间变化的pm10排放量以及三维图，可以看出，cm跟驰模型的pm10排放量是比较高的。

图12给出了新模型的pm10排放图，通过对照，可以明显地看出增加了反馈控制项的新模型，pm10的排放大大减少。

图13给出了cm跟驰模型中车队四次停车的第1、25、50辆车随时间变化的速度演化图以及三维速度演化图，可以看出车速在20m/s上下波动较大。较一次停车的场景也更加混乱。

图14给出了新模型的速度演化图，可以很明显地看出在新模型中，车速上下波动明显减小，最后稳定在了20m/s处，车辆行驶得更加平稳。

图15分别给出了cm跟驰模型和新模型中在四次停车的场景下车间距的演化情况。通过对比，可以看出在cm跟驰模型中，车间距起伏较大，出现了时走时停的现象。新模型由于增加了反馈控制项，头车与后续车辆车头间距的振荡幅度较为平缓，车辆行驶也更加平稳。

图16给出了cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的co2排放量以及三维图，可以看出，cm跟驰模型在四次停车的场景下co2排放量是比较高的。

图17给出了新模型的co2排放图，通过对照，可以明显地看出新模型由于增加了反馈控制项，co2排放量更低。

图18给出了cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的nox排放量以及三维图，可以看出，cm跟驰模型的nox排放量在125s后是比较高的。

图19给出了新模型的nox排放图，通过对照，可以明显地看出新模型由于增加了反馈控制项，能够有效地抑制nox的排放。

图20给出了cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的voc排放量以及三维图，可以看出，cm跟驰模型的voc排放量是比较高的。

图21给出了新模型的voc排放图，通过对照，可以明显地看出新模型由于增加了反馈控制项，voc排放量更低。

图22给出了cm跟驰模型车队在四次停车场景中的第25、50、100辆车随时间变化的pm10排放量以及三维图，可以看出，cm跟驰模型的pm10排放量是比较高的，图23给出了新模型的pm10排放图，可以明显地看出新模型由于增加了反馈控制项，能够有效地抑制pm10的排放。

以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。