本發(fā)明涉及無人駕駛電動汽車，尤其是涉及一種基于多智能體的無人電動汽車自動超車系統(tǒng)及方法。

背景技術(shù)：

無人駕駛電動汽車被認(rèn)為是有效提高道路通行能力、增強(qiáng)車輛行駛安全性、減低車輛燃油消耗量的主要途徑，受到了國內(nèi)外科研機(jī)構(gòu)的廣泛關(guān)注。自動超車根據(jù)車載感知器獲取車輛行駛前方的路況信息，判斷交通條件是否滿足超車，實(shí)時動態(tài)規(guī)劃出期望的行駛路徑，并實(shí)現(xiàn)期望路徑的跟蹤控制，從而完成自動超車，可有效提高無人駕駛電動汽車綜合行駛性能。

無人駕駛電動汽車為具有非線性、強(qiáng)耦合和時變的復(fù)雜機(jī)電系統(tǒng)。文獻(xiàn)[1](Jose E Naranj o etc,Lane-change fuzzy control in autonomous vehicles for the overtaking maneuver IEEE Transaction on Intelligent Transportation Systems,2008,9(3)：438-450.)設(shè)計(jì)了無人駕駛車自動超車模糊控制方法，文獻(xiàn)[2](Nikolce Murgovski etc,Predictive cruise control with autonomous overtaking,2015IEEE 54^th Annual Conference on Decision and Control,2015,Osaka,Japan)設(shè)計(jì)了車輛自動超車的預(yù)測巡航控制。然而，目前的超車控制設(shè)計(jì)都局限于傳動汽車，為考慮無人駕駛電動汽車的多執(zhí)行機(jī)構(gòu)獨(dú)立分布及模型不確定性等特點(diǎn)。

通過多個智能體之間相互協(xié)調(diào)來實(shí)現(xiàn)復(fù)雜系統(tǒng)的控制，有助于提高系統(tǒng)的魯棒性和智能性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對無人駕駛電動汽車存在的多獨(dú)立執(zhí)行機(jī)構(gòu)分布及模型不確定性特點(diǎn)，提供可有效利用車載傳感及V2X通信系統(tǒng)提取的特征信息，解決無人駕駛電動汽車系統(tǒng)的多執(zhí)行機(jī)構(gòu)獨(dú)立分布和模型不確定的問題，實(shí)現(xiàn)安全、舒適自動超車的一種基于多智能體的無人駕駛電動汽車自動超車系統(tǒng)。

本發(fā)明的另一目的是提供無人駕駛電動汽車自動超車的方法。

所述基于多智能體的無人駕駛電動汽車自動超車系統(tǒng)設(shè)有：

車載傳感器，車載傳感器用于采集無人駕駛電動汽車行駛前方的道路信息；

道路特征提取模塊，道路特征提取模塊用于輸入車載傳感器采集的無人駕駛電動汽車行駛前方的道路信息，并對采集的圖像進(jìn)行特征提取，再實(shí)時計(jì)算出汽車前方道路寬度等信息；

最小安全距離分析模塊，最小安全距離分析模塊用于建立滿足無人駕駛電動汽車自動超車的最小安全距離模型；

超車路徑規(guī)劃模塊，超車路徑規(guī)劃模塊用于設(shè)置正弦函數(shù)形式作為自動超車期望路徑的基函數(shù)，實(shí)時動態(tài)規(guī)劃出無人駕駛電動汽車自動超車的期望軌跡；

基于多智能體遺傳算法的多執(zhí)行機(jī)構(gòu)協(xié)調(diào)模塊，基于多智能體遺傳算法的多執(zhí)行機(jī)構(gòu)協(xié)調(diào)模塊用于采用多智能體遺傳優(yōu)化算法，計(jì)算出無人駕駛電動汽車各車輪所需要的縱橫向力，實(shí)現(xiàn)對無人駕駛電動汽車多執(zhí)行機(jī)構(gòu)的動態(tài)協(xié)調(diào)；

執(zhí)行控制器，執(zhí)行控制器用于建立由電動汽車車輪縱橫向力到期望側(cè)偏角和滑移率的映射模型，實(shí)現(xiàn)對無人駕駛電動汽車輪胎縱橫向力的執(zhí)行控制。

首先，通過感知及V2X通信系統(tǒng)采集周圍環(huán)境信息，建立最小安全距離模型，判斷當(dāng)前時刻是否可以執(zhí)行超車，若可以，則給出基于三角函數(shù)形式的超車期望路徑。其次，通過期望路徑與實(shí)際路徑的偏差，基于自適應(yīng)神經(jīng)網(wǎng)路控制技術(shù)，求出所需的無人駕駛電動汽車期望總縱向力和期望橫擺力矩。然后，基于多智能體遺傳優(yōu)化算法，計(jì)算出各車輪的縱橫向力，通過對車輪縱橫向力的執(zhí)行控制，完成無人駕駛電動汽車的自動超車。

所述無人駕駛電動汽車自動超車的方法包括以下步驟：

1)基于車載感知系統(tǒng)及V2X通信系統(tǒng)提取汽車及其周圍環(huán)境特征信息，建立最小安全距離模型；

在步驟1)中，所述基于車載感知系統(tǒng)及V2X通信系統(tǒng)提取汽車及其周圍環(huán)境特征信息，建立最小安全距離模型的具體步驟可為：

(1)通過車載毫米波雷達(dá)及V2X系統(tǒng)獲取無人駕駛電動汽車與前方行駛車輛間的縱向距離信息，通過速度編碼器采集車輛行駛速度。

(2)利用視覺傳感器采集無人駕駛電動汽車行駛前方道路信息，通過車載微處理器對采集的圖像進(jìn)行特征提取，實(shí)時地計(jì)算出汽車前方可道路寬度等信息。

(3)基于車載感知系統(tǒng)檢測到本車及其前方行駛車輛的位置、速度信息，為避免兩車發(fā)生追尾碰撞，建立滿足無人駕駛電動汽車自動超車的最小安全距離模型。

(4)判斷無人駕駛電動汽車當(dāng)前時刻是否滿足超車條件。假如滿足進(jìn)行步驟2，否則，發(fā)出不執(zhí)行超車的指令。

2)設(shè)置正弦函數(shù)形式作為自動超車期望路徑的基函數(shù)，實(shí)時動態(tài)規(guī)劃出無人駕駛電動汽車自動超車的期望軌跡；

在步驟2)中，所述設(shè)置正弦函數(shù)形式作為自動超車期望路徑的基函數(shù)，實(shí)時動態(tài)規(guī)劃出無人駕駛電動汽車自動超車的期望軌跡的具體步驟可為：

(1)對本車與前方車輛進(jìn)行幾何分析，采用正弦函數(shù)擬合方法，建立以時間為自變量的超車路徑數(shù)學(xué)模型及超車路徑的邊界條件。

(2)將世界坐標(biāo)系的位姿誤差轉(zhuǎn)換到相對于車輛的局部坐標(biāo)系下的位姿誤差，建立步驟2)動態(tài)規(guī)劃的期望超車軌跡與無人駕駛電動汽車相對位置關(guān)系的車輛位置誤差模型。

(3)建立車輛總縱向外力和橫擺力矩與各電動汽車輪胎的橫向力、縱向力之間的映射函數(shù)。

3)基于期望超車路徑與實(shí)際路徑的偏差，采用自適應(yīng)模糊滑模控制技術(shù)，求出無人駕駛電動汽車自動超車的期望速度和期望橫擺角速度；

在步驟3)中，所述基于期望超車路徑與實(shí)際路徑的偏差，采用自適應(yīng)模糊滑?？刂萍夹g(shù)，求出無人駕駛電動汽車自動超車的期望速度和期望橫擺角速度的具體步驟可為：

(1)針對相對位置運(yùn)動學(xué)模型，為確保位置偏差有界收斂于零，定義滑模面函數(shù)，為確?；Ｇ鎠₁和s₂趨近于零，采用自適應(yīng)模糊滑?？刂萍夹g(shù)，推導(dǎo)出無人駕駛電動汽車自動超車需要的期望縱向速度和期望橫擺角速度。

(2)采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近變結(jié)構(gòu)項(xiàng)，為有效消除變結(jié)構(gòu)引發(fā)的抖振現(xiàn)象，則得期望速度和角速度的自適應(yīng)滑模變結(jié)構(gòu)控制律。

(3)根據(jù)期望縱向速度和橫擺角速度，基于二自由度動力學(xué)模型，推導(dǎo)出無人電動汽車行駛期望的總的縱向力和橫擺力矩。

(4)為有效消除變結(jié)構(gòu)引發(fā)的抖振現(xiàn)象，采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近變結(jié)構(gòu)項(xiàng)，則得總縱向力合橫擺力矩的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制律。

4)采用多智能體遺傳優(yōu)化算法，計(jì)算出無人駕駛電動汽車各車輪所需要的縱橫向力，實(shí)現(xiàn)對無人駕駛電動汽車多執(zhí)行機(jī)構(gòu)的動態(tài)協(xié)調(diào)。

在步驟4)中，所述采用多智能體遺傳優(yōu)化算法，計(jì)算出無人駕駛電動汽車各車輪所需要的縱橫向力，實(shí)現(xiàn)對無人駕駛電動汽車多執(zhí)行機(jī)構(gòu)的動態(tài)協(xié)調(diào)的具體步驟可為：

(1)為了達(dá)到控制輸入量消耗能量最小和動態(tài)規(guī)劃誤差最少的目標(biāo)，建立性能指標(biāo)函數(shù)。

(2)設(shè)置遺傳優(yōu)化參數(shù)，采用多智能體遺傳優(yōu)化算法動態(tài)協(xié)調(diào)無人駕駛電動汽車各車輪所需要的縱橫向力。

5)建立由電動汽車車輪縱橫向力到期望側(cè)偏角和滑移率的映射模型，實(shí)現(xiàn)對無人駕駛電動汽車輪胎縱橫向力的執(zhí)行控制。

在步驟5)中，所述建立由電動汽車車輪縱橫向力到期望側(cè)偏角和滑移率的映射模型，實(shí)現(xiàn)對無人駕駛電動汽車輪胎縱橫向力的執(zhí)行控制的具體步驟可為：

(1)建立基于Pacejka輪胎模型的逆輪胎模型，根據(jù)步驟4)優(yōu)化計(jì)算的縱橫向力F_xi和F_yi映射出期望輪胎側(cè)偏角α_des,i和滑移率λ_des,i。

(2)采用經(jīng)典PID控制方法，實(shí)現(xiàn)對無人駕駛電動汽車期望滑移率和側(cè)偏角的跟蹤控制。

針對無人駕駛電動汽車的多獨(dú)立執(zhí)行機(jī)構(gòu)分布及模型不確定性特點(diǎn)，本發(fā)明提供一種基于多智能體遺傳優(yōu)化的無人駕駛電動汽車自動超車系統(tǒng)及方法，對提高無人駕駛電動汽車行駛性能有很大作用。

本發(fā)明的技術(shù)效果如下：

采用基于多智能體的無人駕駛電動汽車自動超車控制方法，有效克服無人駕駛電動汽車復(fù)雜系統(tǒng)的多執(zhí)行機(jī)構(gòu)獨(dú)立分布及模型不確定性等特性，保證了自動超車控制的魯棒性和智能性，從而實(shí)現(xiàn)安全、舒適的綜合行駛性能。

附圖說明

圖1為本發(fā)明的一種基于多智能體的無人駕駛電動汽車自動超車系統(tǒng)示意圖。

圖2為本發(fā)明的一種無人駕駛電動汽車自動超車方法流程圖。

圖3為無人駕駛自動超車與前車相對位置示意圖。

圖4為車輛實(shí)際位姿和參考位姿示意圖。

具體實(shí)施方式

如圖1所示，所述基于多智能體的無人駕駛電動汽車自動超車系統(tǒng)設(shè)有：

車載傳感器1，車載傳感器1用于采集無人駕駛電動汽車行駛前方的道路信息；

道路特征提取模塊2，道路特征提取模塊2用于輸入車載傳感器1采集的無人駕駛電動汽車行駛前方的道路信息，并對采集的圖像進(jìn)行特征提取，再實(shí)時計(jì)算出汽車前方道路寬度等信息。

最小安全距離分析模塊3，最小安全距離分析模塊3用于建立滿足無人駕駛電動汽車自動超車的最小安全距離模型。

超車路徑規(guī)劃模塊4，超車路徑規(guī)劃模塊4用于設(shè)置正弦函數(shù)形式作為自動超車期望路徑的基函數(shù)，實(shí)時動態(tài)規(guī)劃出無人駕駛電動汽車自動超車的期望軌跡。

基于多智能體遺傳算法的多執(zhí)行機(jī)構(gòu)協(xié)調(diào)模塊5，基于多智能體遺傳算法的多執(zhí)行機(jī)構(gòu)協(xié)調(diào)模塊5用于采用多智能體遺傳優(yōu)化算法，計(jì)算出無人駕駛電動汽車各車輪所需要的縱橫向力，實(shí)現(xiàn)對無人駕駛電動汽車多執(zhí)行機(jī)構(gòu)的動態(tài)協(xié)調(diào)。

執(zhí)行控制器6，執(zhí)行控制器6用于建立由電動汽車車輪縱橫向力到期望側(cè)偏角和滑移率的映射模型，實(shí)現(xiàn)對無人駕駛電動汽車輪胎縱橫向力的執(zhí)行控制。

本發(fā)明首先通過車載傳感采集器提取道路特征，其次建立最小安全距離模型判斷當(dāng)前時刻是否可以自動超車，然后進(jìn)行超車軌跡規(guī)劃，采用自適應(yīng)神經(jīng)滑?？刂品椒ㄇ蟪銎谕目v向力和期望橫擺力矩，最后設(shè)計(jì)多執(zhí)行機(jī)構(gòu)執(zhí)行器，實(shí)現(xiàn)對無人駕駛電動汽車的自動超車控制。

如圖2所示，本發(fā)明包括數(shù)據(jù)采集設(shè)計(jì)過程，最小安全距離模型設(shè)計(jì)過程，自動超車路徑規(guī)劃設(shè)計(jì)過程，期望力/力矩設(shè)計(jì)過程和分布式多執(zhí)行機(jī)構(gòu)調(diào)節(jié)設(shè)計(jì)過程等五部分。

步驟1：基于車載感知系統(tǒng)及V2X通信系統(tǒng)提取汽車及其周圍環(huán)境特征信息，建立最小安全距離模型。

第一步，通過車載毫米波雷達(dá)及V2X系統(tǒng)獲取無人駕駛電動汽車與前方行駛車輛間的縱向距離信息，通過速度編碼器采集車輛行駛速度。

第二步，利用視覺傳感器采集無人駕駛電動汽車行駛前方道路信息，通過車載微處理器對采集的圖像進(jìn)行特征提取，實(shí)時地計(jì)算出汽車前方可道路寬度等信息。

第三步，如圖3所示(在圖3中，標(biāo)記P為車道)，基于車載感知系統(tǒng)檢測到本車及其前方行駛車輛(簡稱前車B)的位置、速度信息，為避免兩車發(fā)生追尾碰撞，建立滿足無人駕駛電動汽車自動超車的最小安全距離模型，如下

其中，a_C0，a_C1分別表示本車與超越車輛的加速度，v_C0x，v_C1x分別表示本車與超越車輛的速度，MS為最小無碰撞距離。

第四步，判斷無人駕駛電動汽車當(dāng)前時刻是否滿足超車條件S＜MS。假如滿足進(jìn)行步驟2，否則，發(fā)出不執(zhí)行超車的指令。其中S表示當(dāng)前時刻本車與前方車輛的實(shí)際縱向距離。

步驟2：設(shè)置正弦函數(shù)形式作為自動超車期望路徑的基函數(shù)，實(shí)時動態(tài)規(guī)劃出無人駕駛電動汽車自動超車的期望軌跡。

第一步，對本車與前方車輛進(jìn)行幾何分析，采用sin函數(shù)擬合方法，建立以時間為自變量的超車路徑數(shù)學(xué)模型，如下

其中x(t)和y(t)分別表示X方向和Y方向上的超車軌跡函數(shù)，x₀和y₀表示初始時刻車輛在X方向和Y方向上的位置，t表示時間，t_lc表示汽車超車的時間,y_d表示車道寬度。

第二步，定義超車路徑的邊界條件：超車初始時刻的狀態(tài)x(0),y(0)和超車結(jié)束時刻的狀態(tài)x(t_f),y(t_f)，如下所示：

其中x(0)，v_x,0和a_x,0分別表示超車初始時刻車輛縱向位置、速度和加速度，y(0)，v_y,0和a_y,0分別表示超車初始時刻車輛橫向位置、速度和加速度。x(t_f)，v_x,f和a_x,f分別表示超車結(jié)束時刻車輛縱向位置、速度和加速度，y(t_f)，v_y,f和a_y,f分別表示超車結(jié)束時刻車輛橫向位置、速度和加速度。

第三步，如圖4所示，將世界坐標(biāo)系的位姿誤差轉(zhuǎn)換到相對于車輛的局部坐標(biāo)系下的位姿誤差，建立步驟2動態(tài)規(guī)劃的期望超車軌跡與無人駕駛電動汽車相對位置關(guān)系的車輛位置誤差模型和二自由度動力學(xué)模型，分別如下

和

其中，x_e,y_e和θ_e分別表示縱向距離偏差，橫向距離偏差和角度偏差，v_xc,v_yc和ω_c為車輛在局部坐標(biāo)系下的縱向速度、橫向速度和角速度，v_r和ω_r為參考縱向速度和角速度，m為車輛質(zhì)量，c_a為縱向空氣阻力系數(shù)，F(xiàn)_x和M_z為作用于車輛的總縱向力和橫擺力矩。

第四步，建立車輛總縱向外力F_x和橫擺力矩M_z與各電動汽車輪胎的縱向力F_xi、橫向力F_yi之間的映射關(guān)系可表示為：

[F_x M_z]^T＝M_fU

其中，

U＝[F_x1 F_y1 F_x2 F_y2 F_x3 F_y3 F_y4 F_y4]^T；

其中，l_f和l_r為前后軸至車輛質(zhì)心距離,d_f和d_r為前后軸輪距,F_xi(i＝1,2,3,4)表示各輪胎縱向力；F_yi(i＝1,2,3,4)表示各輪胎橫向力。

步驟3：基于期望超車路徑與實(shí)際路徑的偏差，采用自適應(yīng)模糊滑?？刂萍夹g(shù)，求出無人駕駛電動汽車自動超車的期望速度和期望橫擺角速度。

第一步，針對上式表示的相對位置運(yùn)動學(xué)模型，為確保位置偏差有界收斂于零，定義如下滑模面函數(shù)：

其中s₁和s₂為滑模面函數(shù)。

第二步，為確保滑模曲面s₁和s₂趨近于零，采用自適應(yīng)模糊滑?？刂萍夹g(shù)，推導(dǎo)出無人駕駛電動汽車自動超車需要的期望縱向速度和期望橫擺角速度，如下，

v_d＝y(tǒng)_eω+v_r cosθ_e+k₁sgn(s₁)

其中，k₁和k₂為系數(shù)，sgn(s₁)和sgn(s₂)表示變結(jié)構(gòu)項(xiàng)。

第三步，采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近變結(jié)構(gòu)項(xiàng)，為有效消除變結(jié)構(gòu)引發(fā)的抖振現(xiàn)象，則得期望速度和角速度的自適應(yīng)滑模變結(jié)構(gòu)控制律，如下

其中，和為神經(jīng)網(wǎng)絡(luò)逼近系統(tǒng),用于近似變結(jié)構(gòu)項(xiàng)k₁sgn(s₁)和k₂sgn(s₂)。

第四步，根據(jù)期望縱向速度和橫擺角速度，基于二自由度動力學(xué)模型，推導(dǎo)出無人電動汽車行駛期望的總的縱向力和橫擺力矩。

其中，F(xiàn)_xd和M_zd表示期望的總縱向力和橫擺力矩，k₃和k₄為常系數(shù)，s₃和s₄為滑模面函數(shù)，定義為s₃＝v_xcd-v_xc和s₃＝ω_cd-ω_c。

第五步，為有效消除變結(jié)構(gòu)引發(fā)的抖振現(xiàn)象，采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近變結(jié)構(gòu)項(xiàng)，則得總縱向力合橫擺力矩的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制律：

步驟4：采用多智能體遺傳優(yōu)化算法，計(jì)算出無人駕駛電動汽車各車輪所需要的縱橫向力。

第二步，為了達(dá)到控制輸入量消耗能量最小和動態(tài)規(guī)劃誤差最少的目標(biāo)，建立如下性能指標(biāo)函數(shù)

其中，W_u和W_e為權(quán)重矩陣，F(xiàn)_d＝[F_xd M_zd]^T。

第三步，初始化參數(shù)，設(shè)定交叉概率P_c，變異概率P_m及迭代次數(shù)。

第四步，初始化種群，隨機(jī)產(chǎn)生規(guī)模為N的初始群體P₀和空存儲集P_b,將P₀中的每個智能體分配至規(guī)模為3×3的二維矩形網(wǎng)絡(luò)的每個格點(diǎn)上，計(jì)算格點(diǎn)上每個智能體的函數(shù)值。

第五步，對二維矩形網(wǎng)格的每個格點(diǎn)上的個體在其領(lǐng)域中進(jìn)行Pareto擇優(yōu)選擇，記所有Pareto最優(yōu)個體的集合為種群A_gen。

第六步，將當(dāng)前代的Pareto解添加至P_b中，同時刪除P_b中的劣解。

第七步，對種群A_gen進(jìn)行交叉、變異操作，令gen＝gen+1，轉(zhuǎn)第二步繼續(xù)迭代至求出最優(yōu)的無人電動汽車車輪縱橫向力。

步驟5：建立由電動汽車車輪縱橫向力到期望側(cè)偏角和滑移率的映射模型，實(shí)現(xiàn)對無人駕駛電動汽車輪胎縱橫向力的執(zhí)行控制。

第一步，建立基于Pacejka輪胎模型的逆輪胎模型，根據(jù)步驟4求出的縱橫向力F_xi和F_yi映射出期望輪胎側(cè)偏角α_des,i和滑移率λ_des,i。

第二步，采用經(jīng)典PID控制方法，實(shí)現(xiàn)對無人電動汽車期望滑移率和和側(cè)偏角的跟蹤控制，控制律如下

其中，T_des,i和δ_des,i表示電動汽車各車輪的期望轉(zhuǎn)矩和期望轉(zhuǎn)角，λ_i和α_i為實(shí)際滑移率和側(cè)偏角，K_lP,i和K_dP,i表示滑移率和側(cè)偏角控制的比例系數(shù)，K_lI,i和K_dI,i表示滑移率和側(cè)偏角控制的微分系數(shù)，R表示車輪半徑。

以上內(nèi)容是結(jié)合優(yōu)選技術(shù)方案對本發(fā)明所做的進(jìn)一步詳細(xì)說明，不能認(rèn)定發(fā)明的具體實(shí)施僅限于這些說明。對本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明的構(gòu)思的前提下，還可以做出簡單的推演及替換，都應(yīng)當(dāng)視為本發(fā)明的保護(hù)范圍。