一种多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置

摘要: 本申请涉及汽车协同控制,尤其涉及一种多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置。背景技术:1、随着智能网联汽车技术的快速发展,车辆编队控制已成为提升道...
一种多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置

本申请涉及汽车协同控制,尤其涉及一种多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置。

背景技术:

1、随着智能网联汽车技术的快速发展,车辆编队控制已成为提升道路通行效率和行车安全的重要手段,核心目标是使多辆跟随车辆在保持期望车间距的同时稳定跟踪参考轨迹。然而,车辆在实际行驶过程中不可避免地受到道路坡度、侧向风速、轮胎附着条件变化以及车辆参数不确定性等多源扰动的影响,这些扰动具有时变性和空间差异性,可能沿车辆队列方向传播并逐级放大,导致弦稳定性丧失,最终影响编队协同性和行车安全。模型预测控制因能显式处理速度和安全间距等约束而成为编队控制的主流方法,但传统mpc依赖精确模型,在强扰动条件下控制性能显著下降,因此如何在多源扰动下保证约束满足性和弦稳定性是当前亟需解决的关键难题。

2、为应对车辆编队中的扰动和不确定性,现有技术已发展出多类鲁棒模型预测控制方案。第一类为min-max鲁棒mpc方案,通过建立扰动集合并在每一采样时刻以最坏情形下的性能指标和约束满足为目标进行优化,虽能从最坏角度保证鲁棒性但计算负担较重。第二类为基于管的mpc方案,将系统分解为标称系统和误差系统,通过约束收紧使实际轨迹保持在标称轨迹附近的管状集合内,但对非线性强耦合系统而言误差管边界难以精确计算。第三类为随机mpc方案,通过扰动概率建模和机会约束处理不确定性,但依赖扰动分布假设且难以处理非高斯异构扰动。第四类为学习增强mpc方案,利用高斯过程回归或神经网络等数据驱动方法补充模型不足,但可解释性和约束满足的理论保证不足。第五类为扰动观测器增强mpc方案,通过有限时间扰动观测器或未知输入观测器对集总扰动进行在线估计并前馈补偿,但现有方案多仅关注匹配扰动或基于线性化模型,对非匹配扰动和弦稳定性的综合处理尚不充分。

技术实现思路

1、有鉴于此,本申请提供一种多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置,用以针对多源扰动和车辆参数异构条件下的车辆编队系统,使车辆在满足速度、输入、安全间距等物理约束的同时,实现高精度轨迹跟踪、扰动弦稳定和实时可实施的闭环控制。

2、具体地,本申请是通过如下技术方案实现的:

3、本申请第一方面提供一种多源扰动下车辆编队云边协同抗扰模型预测控制方法,所述方法包括:

4、基于虚拟领导车和多辆异构跟随车辆组成的车辆编队系统构建纵向非线性动力学模型,确定车辆行驶过程中的扰动来源,基于所述扰动来源构建多源扰动模型,设置约束条件和控制目标;

5、在车辆边缘端配置有限时间扰动观测器,将车辆的实时状态信息和当前控制输入作为有限时间扰动观测器的输入,生成匹配扰动补偿输入;

6、在云端配置抗扰分布式非线性模型预测控制器,以车辆的当前实测状态为优化初值,以不含扰动的标称系统为预测模型,在预测时域内求解标称最优控制问题,求解满足所述约束条件的标称最优状态和标称最优输入;

7、在车辆边缘端设置自适应事件触发机制,对比车辆的实际状态与上一次云端优化的标称最优状态,当实际状态与标称最优状态的偏差达到触发阈值时,触发新一轮云端优化求解,更新标称最优状态和标称最优输入;

8、车辆边缘端读取当前时刻由云端下发的标称最优输入,叠加所述标称最优输入和所述匹配扰动补偿输入,生成车辆实际控制输入,作用于车辆执行器,实现多源扰动下的车辆编队抗扰控制。

9、本申请第二方面提供一种多源扰动下车辆编队云边协同抗扰模型预测控制装置,所述装置包括构建模块、处理模块、和控制模块;

10、所述构建模块,用于基于虚拟领导车和多辆异构跟随车辆组成的车辆编队系统构建纵向非线性动力学模型,确定车辆行驶过程中的扰动来源,基于所述扰动来源构建多源扰动模型,设置约束条件和控制目标;

11、所述处理模块,用于在车辆边缘端配置有限时间扰动观测器,将车辆的实时状态信息和当前控制输入作为有限时间扰动观测器的输入,生成匹配扰动补偿输入;

12、所述处理模块,还用于在云端配置抗扰分布式非线性模型预测控制器,以车辆的当前实测状态为优化初值,以不含扰动的标称系统为预测模型,在预测时域内求解标称最优控制问题,求解满足所述约束条件的标称最优状态和标称最优输入;

13、所述处理模块,还用于在车辆边缘端设置自适应事件触发机制,对比车辆的实际状态与上一次云端优化的标称最优状态,当实际状态与标称最优状态的偏差达到触发阈值时,触发新一轮云端优化求解,更新标称最优状态和标称最优输入;

14、所述控制模块,用于车辆边缘端读取当前时刻由云端下发的标称最优输入,叠加所述标称最优输入和所述匹配扰动补偿输入,生成车辆实际控制输入,作用于车辆执行器,实现多源扰动下的车辆编队抗扰控制。

15、本申请提供的多源扰动下车辆编队云边协同抗扰模型预测控制方法和装置,通过构建边缘端快速补偿结合云端优化决策的云边协同抗扰控制架构,在多源扰动和车辆参数异构条件下实现了车辆编队高精度跟踪、物理约束满足和扰动弦稳定性的统一,突破了单一控制器在实时性和计算能力上的相互制约,边缘端以低延迟完成匹配扰动补偿,云端利用并行计算资源处理非线性优化和非匹配扰动,两者协同使得整体控制性能显著优于纯边缘端部署、纯云端部署或传统滑模控制方案。具体来说,建立的非线性动力学模型保留了空气阻力平方项和发动机一阶动态等关键特征,同时将多源扰动明确分解为速度通道非匹配扰动和输入通道匹配扰动,为后续分工处理提供了模型基础;边缘端有限时间扰动观测器能够在有限时间内精确重构集总扰动,并仅针对匹配扰动生成前馈补偿输入,在快速抑制输入通道扰动的同时避免了将观测误差引入云端优化;云端非线性模型预测控制器通过约束收紧为实际扰动预留安全裕度,通过扰动弦稳定性约束主动限制前车位置误差向后车传播的放大效应,并通过终端约束保证闭环稳定性,使得标称最优轨迹即使在非匹配扰动作用下仍能满足收紧后的状态、输入和间距约束;自适应事件触发机制根据非匹配扰动上界和弦稳定性余量动态调节触发阈值,在扰动剧烈时增加云端优化频率以保证控制精度,在平稳运行时降低触发频率,从而实现通信和计算资源的按需分配;在边缘端将云端标称最优输入与补偿输入叠加后作用于执行器,使得匹配扰动被边缘端直接抵消而非被动等待云端响应,同时云端标称输入持续驱动系统跟踪参考轨迹并抑制非匹配扰动,两部分各司其职且互不干扰。使车辆编队在多源强扰动条件下保持高精度的跟踪性能、严格的约束满足性和良好的扰动弦稳定性,同时显著降低车云通信和云端计算负载,具有良好的工程可实施性。

1.一种多源扰动下车辆编队云边协同抗扰模型预测控制方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述基于虚拟领导车和多辆异构跟随车辆组成的车辆编队系统构建纵向非线性动力学模型,包括:

3.根据权利要求1所述的方法,其特征在于,所述基于所述扰动来源构建多源扰动模型,包括:

4.根据权利要求1所述的方法,其特征在于,所述生成匹配扰动补偿输入,包括:

5.根据权利要求1所述的方法,其特征在于,所述求解满足所述约束条件的标称最优状态和标称最优输入,包括:

6.根据权利要求1所述的方法,其特征在于,所述叠加所述标称最优输入和所述匹配扰动补偿输入,生成车辆实际控制输入,包括:

7.根据权利要求1所述的方法,其特征在于,所述生成车辆实际控制输入,作用于车辆执行器,实现多源扰动下的车辆编队抗扰控制,包括:

8.根据权利要求1所述的方法,其特征在于,所述设置约束条件和控制目标,包括:

9.根据权利要求1所述的方法,其特征在于,所述方法还包括:

10.一种多源扰动下车辆编队云边协同抗扰模型预测控制装置,其特征在于,所述装置包括构建模块、处理模块、和控制模块;