一种智能网联环境下基于前车作用的车辆跟驰控制系统

本发明属于道路车辆控制领域，涉及智能网联环境下车辆驾驶控制系统，具体涉及一种智能网联环境下基于前车作用的车辆跟驰控制系统。

背景技术：

1、跟驰模型是一种用于模拟和分析交通流中车辆行为的模型，主要用于描述车辆如何跟随前车并调整其速度和位置。为了在微观条件下探寻车辆运行的机制，提高车辆通行的稳定性，对跟驰模型的研究具有重大意义。

2、传统的跟驰模型主要将跟驰行为与历史跟驰数据进行对比，从而预测跟驰车辆的运行状态，此种方式存在以下缺点和不足：（1）忽略动态因素，无法及时响应前车的突然加速或减速；（2）缺乏实时适应性，当交通状况发生变化时，模型无法快速调整，导致预测不准确；（3）无法处理非预期事件，不能对紧急刹车或交通事故等意外事件做出及时反应；（4）局限于已知数据，模型基于历史数据不能有效应对新出现的驾驶模式或交通法规变更。

3、在智能网联环境下，周围车辆的实时信息都可以快速获取，跟驰车辆能够实时接收到来自前方和周围车辆的加速度和减速度信息，不仅提高了感知与决策能力，同时为车辆的智能决策提供了基础。因此，有必要提供一种能够根据实时接收到的数据进行车辆跟驰的控制系统。

技术实现思路

1、鉴于上述技术问题和缺陷，本发明的目的在于提供一种智能网联环境下基于前车作用的车辆跟驰控制系统，该控制系统能够让跟驰车辆根据前车的运动状态变化快速做出反应，预测跟驰车辆的跟驰速度，提升交通安全与效率，为智能交通系统的发展提供技术支持。

2、为实现上述目的，本发明采用如下技术方案：

3、一种智能网联环境下基于前车作用的车辆跟驰控制系统，包括信息检测模块、模型构建模块、参数标定模块、车辆控制模块；

4、其中，所述信息检测模块，用于获取后车和前车的速度信息和位置信息；

5、所述模型构建模块，用于利用前车对后车的作用，建立跟驰模型；所述前车对后车的作用用于表示后车在行驶过程中受前车速度和前后车距离的影响；

6、智能网联车在行驶过程中，后车检测后车和前车的速度信息和位置信息；后车在行驶过程中有一个期望跟驰距离，此时前车对后车的作用为：

7、；

8、；

9、式中：为前车对后车的作用，为前车当前时刻的速度，为后车当前时刻的速度，为距离项的权重系数，为前车当前时刻的位置，为后车当前时刻的位置，为后车的期望跟驰距离，是后车的行驶速度，和为系数，通过对道路上稳定跟驰的前后车位置信息和后车速度信息进行参数拟合进行确定，t为当前时刻；

10、所述跟驰模型用于表示后车受前车作用而做出的反应，即后车下一时刻的加速度，跟驰模型的表达式为：

11、；

12、；

13、式中：为后车下一时刻的加速度，为时间系数，为敏感系数，为后车下一时刻的理论速度，为待定系数，为前车对后车的作用，为后车当前时刻的速度，为后车当前时刻的加速度;

14、所述参数标定模块，用于通过实际道路数据并使用改进的蝙蝠算法对跟驰模型中的、、、系数进行标定；

15、所述车辆控制模块，用于根据信息检测模块检测的前车和后车的速度信息和位置信息，以及基于参数标定后的跟驰模型得到的后车下一时刻的加速度，对后车的运动状态进行控制。

16、作为本发明的优选，所述控制系统还包括数据库，所述信息检测模块实时采集的数据以及所述跟驰模型实时计算的数据均存储在数据库。

17、作为本发明的优选，所述信息检测模块包括车载传感器和网联设备；其中，所述车载传感器用于获取后车和前车的速度信息；所述网联设备用于获取后车和前车的位置信息，包括前车的位置、后车的位置以及前后车之间的距离。

18、作为本发明的优选，所述实际道路数据由无人机现场录制获得，通过在实际道路上采集车道上车辆的状态信息形成数据集，所述数据集包括前车速度、前车加速度、后车速度、后车加速度以及前后车的位置信息；在数据集中筛选出稳定跟驰的前后车，形成样本车辆数据；之后对样本车辆的后车速度和前后车的位置信息进行参数拟合，从而确定后车期望距离中的参数k和b；其中，k=1.04，b=2.61。

19、作为本发明的优选，所述参数标定模块使用样本车辆数据，并利用改进的蝙蝠算法对跟驰模型中、、、参数进行标定，具体步骤如下：

20、初始化参数：确定蝙蝠数量；设置搜索空间的维度；设定最小频率和最大频率、声音响度和脉冲速率；

21、初始化蝙蝠的位置和速度：随机生成每只蝙蝠的初始位置和速度；

22、初始位置为：；

23、初始速度为：，；

24、其中，表示第只蝙蝠的取值；表示第只蝙蝠的取值；表示第只蝙蝠的取值；表示第只蝙蝠的取值；表示第只蝙蝠的变化速度；表示第只蝙蝠的变化速度；示第只蝙蝠的变化速度；表示第只蝙蝠的的变化速度；

25、评估适应度：根据均方误差计算每只蝙蝠的适应度值；

26、；

27、其中，为适应度，为实际数据集中跟驰后车的实际加速度，为使用第 i只蝙蝠所对应的参数进行计算后所得到的预测加速度，为实际道路数据集里的样本车辆数量；

28、根据适应度选择前5%的个体作为父代，对选定的父代进行交叉操作；同时所有父代个体以1%的概率进行变异操作；之后用交叉变异后新生成的子代个体替换父代中适应度最差的个体，从而生成新的种群；

29、对于新的种群中的每只蝙蝠，生成一个新的频率，然后根据频率更新蝙蝠的位置，更新规则为：

30、；

31、；

32、；

33、其中，是一个随机向量，是迭代次数，是当前群体中的全局最优解,是第只蝙蝠迭代次数为时的移动速度；是第只蝙蝠迭代次数为时的移动速度；是第只蝙蝠迭代次数为时的位置；是第只蝙蝠迭代次数为时的位置；

34、计算新位置的适应度，并与之前的适应度值进行比较；如果新解的适应度值更优，则更新最优解的位置；

35、通过任意飞行产生一个局部新解，生成一个随机数，是上的随机数；如果，则生成的局部新解的表达式为；

36、；

37、其中，是随机数；是全局最优解，是新生成的局部新解；

38、再生成一个随机数，是上的随机数；如果，则接受所生成的局部新解，并对声音响度和脉冲速率进行更新，更新规则为：

39、；

40、；

41、其中，和是恒量，取0.9，取0.6；代表迭代次数为时声音响度的值，代表迭代次数为时声音响度的值，代表迭代次数为时脉冲速率的值；

42、重复以上步骤，当达到最大迭代次数或者满足收敛条件之后，输出全局最优解及其适应度值。

43、作为本发明的优选，对选定的父代进行交叉操作的具体步骤为：选择父代中的两个个体，父代中一共有、、、四个基因点位，选择一到三个基因点位，交换两个父代个体基因点位的取值，生成新的子代个体。

44、作为本发明的优选，对所有父代个体以1%的概率进行变异操作的具体步骤为：随机选择种群中的个体和其基因位点，对选定基因进行随机变异，改变其取值，从而生成新的子代个体。

45、作为本发明的进一步优选，所述跟驰模型中取值为0.05、取值为1、取值为0.22、取值为0.16。

46、本发明的优点和有益效果是：

47、（1）本发明考虑了在智能网联环境下，跟驰后车可以实时获取前车的速度、位置和加速度等信息，提出了一种智能网联环境下基于前车作用的车辆跟驰控制系统，该控制系统以前车的速度信息和位置信息为基础，与跟驰后车当前时刻的速度和加速度进行结合，形成基于前车作用的车辆跟驰模型；该跟驰模型通过实时获取前车的运动状态，并根据获取到的信息调整自身车辆的速度和加速度，从而实现更精细的跟驰控制。

48、（2）本发明提供的控制系统能让跟驰后车迅速响应前车的状态变化，并根据自行设计的跟驰模型对跟驰车辆下一时刻的加速度进行预测，通过更精准的车辆行为预测实现对跟驰车辆的控制，从而提高行车安全性，同时也便于实现更高层次的自动驾驶功能。

49、（3）本发明提供的控制系统基于实时获得的数据对跟驰车辆进行控制，此种控制方式适应性强，能够适应不同交通状况，而且对于非预期事件也能及时做出反应，避免发生交通事故，保证车辆的安全性和道路的稳定性。

50、（4）本发明利用改进的蝙蝠算法计算跟驰模型中的各个参数，改进的蝙蝠算法在获取父代个体后进行交叉变异操作，通过交叉和变异增加种群多样性，扩大搜索范围的同时提高探索能力，保留优质解，从而提高收敛速度，更快地得到全局最优解，避免陷入局部最优，从而使最终确定的跟驰模型能够更精准的对车辆行为进行预测。