双向网络时延及通信量化影响下的网联车辆控制方法与流程

1.本发明涉及智能网联汽车技术领域，特别涉及一种双向网络时延及通信量化影响下的网联车辆控制方法及装置。


背景技术：

2.智能化是车辆发展的主要趋势。目前的现有自动驾驶及辅助驾驶技术主要依靠车端的传感器和决策控制系统实现单车智能，这存在多方面固有问题。例如，车载感知的可靠性难以保证，感知距离受限且存在盲区，单车依靠局部信息进行控制难以实现全局优化等。这些问题在一定程度上提高了高等级自动驾驶技术的落地成本，阻碍了自动驾驶汽车的大范围普及应用。
3.与此同时，由于车联网通信技术的发展，使得通过车外辅助不同等级自动驾驶成为可能，协同式自动驾驶成为发展趋势。例如远程驾驶现在成为5g通信技术在智慧交通领域一个典型的落地应用场景。在未来，基于车路间高速可靠通信技术，将出现只基于网络信息而不依靠任何车辆传感器及控制器的网联车辆控制系统。在该系统中，车辆只需要装备网联通信设备，云端控制器可以通过部署在路侧的传感器或者通过网络获得被控车辆状态信息(位置、速度、航向等)，并通过无线通信下发控制指令，实现被控车辆在一定的行驶速度下按照一定的轨迹行驶。这样的方案将极大地降低高等级自动驾驶技术大规模应用的成本。然而，一些现有通信技术伴随的传输时延问题可能会造成当前时刻被控车辆实际收到云端下发的控制量和当前时刻为了镇定系统需要的合理控制量存在一定的偏差，对网联车辆远程控制性能产生影响，甚至导致不安全的行驶工况。同时，因为通信带宽的限制，实际通信反馈通道必然存在对传输信息的量化处理(对数量化或均匀量化)，影响反馈信息的准确性。目前虽然部分现有技术关注了通信影响下的网联车辆控制方法，然而大多数只考虑了固定时延的影响或者单向随机时延的影响，且具有较高的计算复杂度，难以应用于实际车辆控制中。因此，双向网络时延及通信量化影响下的网联车辆控制方法有待进一步探究。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本发明的一个目的在于提出一种双向网络时延及通信量化影响下的网联车辆控制方法，该方法能够保证在一定的随机的双向网络时延及对数量化通信影响下，控制一辆匀速行驶车辆稳定地跟踪一条指定路径。
6.本发明的另一个目的在于提出一种双向网络时延及通信量化影响下的网联车辆控制装置。
7.为达到上述目的，本发明一方面实施例提出了一种双向网络时延及通信量化影响下的网联车辆控制方法，包括以下步骤：
8.s1，估计当前网络时延范围及其状态转移矩阵，确定量化密度；
9.s2，建立车辆控制系统控制方程；
10.s3，根据所述转移矩阵和所述车辆控制系统控制方程构建增广系统方程；
11.s4，根据所述增广系统方程，构建用于求解的非线性矩阵不等式方程组；
12.s5，通过线性化迭代求解所述非线性矩阵不等式方程组的数值解以计算不同时延状态的控制增益；
13.s6，根据车辆状态信息记录当前时刻之前的多个离散步长时刻的状态量，将所述多个离散步长时刻的状态量发送给云端控制器；
14.s7，通过发送时间戳和接收时间戳得到实际时延，根据所述实际时延和后续可能时延计算镇定控制量，量化编码后发送给被控车辆；
15.s8，通过被控车辆对量化编码后的所述镇定控制量解码，根据实际时延选择对应的控制量执行；
16.s9，在通信环境或所述通信量化密度变化时，执行s1重新计算所述镇定控制量。
17.为达到上述目的，本发明另一方面实施例提出了一种双向网络时延及通信量化影响下的网联车辆控制装置，包括：
18.估计模块，用于估计当前网络时延范围及其状态转移矩阵，确定量化密度；
19.第一构建模块，用于建立车辆控制系统控制方程；
20.第二构建模块，用于根据所述转移矩阵和所述车辆控制系统控制方程构建增广系统方程；
21.第三构建模块，用于根据所述增广系统方程，构建用于求解的非线性矩阵不等式方程组；
22.计算模块，用于通过线性化迭代求解所述非线性矩阵不等式方程组的数值解以计算不同时延状态的控制增益；
23.发送模块，用于根据车辆状态信息记录当前时刻之前的多个离散步长时刻的状态量，将所述多个离散步长时刻的状态量发送给云端控制器；
24.控制模块，用于通过发送时间戳和接收时间戳得到实际时延，根据所述实际时延和后续可能时延计算镇定控制量，量化编码后发送给被控车辆；
25.执行模块，用于通过被控车辆对量化编码后的所述镇定控制量解码，根据实际时延选择对应的控制量执行；
26.调整模块，用于在通信环境或所述通信量化密度变化时，调用其他模块以重新计算所述镇定控制量。
27.本发明实施例的双向网络时延及通信量化影响下的网联车辆控制方法及装置，基于求解矩阵不等式方法求解对应于不同传感器
‑
云端控制器/云端控制
‑
被控车辆时延及量化状态的控制增益。控制系统通过路侧传感器收集车辆行驶的状态信息，并缓存历史状态信息，打包发送给云端控制器，云端控制器根据实际传感器
‑
云端控制器时延及可能的云端控制器
‑
被控车辆时延计算所有可能的镇定系统的备选控制量，经过对数量化编码后，打包发送给被控车辆，被控车辆接收数据包后进行对数量化解码，并根据实际的云端控制器
‑
被控车辆时延选择对应的控制量，保证了网联车辆远程控制系统在实际通信环境下的稳定性和安全性。
28.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
29.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
30.图1为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制系统示意图；
31.图2为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制方法流程图；
32.图3为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制方法逻辑示意图；
33.图4为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制装置结构示意图。
具体实施方式
34.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
35.本发明提供的随机双向网络时延及通信量化影响下的网联车辆远程控制方法欲通过网络远程控制一匀速行驶的车辆(该车辆在下文中称为“被控车”)跟踪一指定轨迹，并确保系统在双向网络时延及通信量化影响下的稳定性。
36.图1示出了随机双向网络时延及通信量化下的网联车辆远程控制系统的信息传递关系。如图1所示，被控车的速度、位置、航向等信息均由路侧传感器实时获得，并通过无线通信发送给云端控制器。该通信过程包括的随机有界的网络时延，即为从传感器发送出被控车辆状态信息数据包的时刻到云端控制器接收到该状态信息数据包的时刻之间的过程。云端控制接收到传感器发来的信息后器根据实际的传感器
‑
控制器网络时延及收到的车辆状态参数数据包计算得到所有可能的控制器
‑
被控车网络时延下的控制参数(方向盘期望转角)，并通过对数编码器编码后，通过无线通信发送给被控车。该通信过程包括的随机有界的网络时延，即为从云端控制器发送出控制信息数据包的时刻到被控车接收到该控制信息数据包的时刻之间的过程。被控车接收到上层控制器发送的信息后进行量化解码，并根据具体的云端控制器
‑
被控车辆网络时延确定最终的控制量，该控制量即为控制被控车匀速跟踪一指定轨迹的控制量。
37.下面参照附图描述根据本发明实施例提出的双向网络时延及通信量化影响下的网联车辆控制方法及装置。
38.首先将参照附图描述根据本发明实施例提出的双向网络时延及通信量化影响下的网联车辆控制方法。
39.图2为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制方法流程图。图3为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制方法逻辑示意图。
40.如图2和图3所示，该双向网络时延及通信量化影响下的网联车辆控制方法包括以下步骤：
41.在步骤s1中，估计当前网络时延范围及其状态转移矩阵，确定量化密度。
42.可选地，在本发明的一个实施例中，估计当前网络时延范围包括：估计传感器到云端控制器网络时延范围及云端控制器到被控车辆网络时延范围，将时延范围分别离散化处理得到可能离散时延组。
43.具体地，根据传感器到云端控制器、云端控制器到被控车辆的无线通信方式及通信环境条件，初步估计从传感器到云端控制器网络时延范围[t_s
min
,t_s
max
]及云端控制器到被控车辆网络时延范围[t_c
min
,t_c
max
]，并根据控制精度需求以及计算能力限制，将可能上述的连续时延离散化处理，得到形式分别为得到形式为[δt,2δt,
…
,τδt]和[δt,2δt,
…
,dδt]的可能离散时延组。其中δt为离散时延精度。需要补充的是，控制精度越高，通信时延的离散间隔应该更小，但对应的控制器参数需要的计算时间越长，反之，若计算资源有限，可以考虑采用较大的时延离散间隔。“可能离散时延组”中的时延可以理解为在步骤s3构建的增广系统方程中所有考虑到的可能发生的时延。
[0044]
根据当前的通信环境条件及经验值，分别估计传感器到云端控制器及云端控制器到被控车辆的随机的网络时延的分布情况，即估计不同离散时延之间的状态转移矩阵p
s
和p
c
，分别为：
[0045][0046]
转移矩阵p
s
中每一元素表示传感器到云端控制器的网络时延从iδt转移到iδt的概率为λ
ij
，转移矩阵p
c
中每一元素表示云端控制器到云端控制器的网络时延从iδt转移到iδt的概率为π
ij
。
[0047]
进一步地，确定量化密度包括：根据带宽限制条件确定从云端控制器到被控车的通信量化密度ρ。
[0048]
其中，从传感器到云端控制器、从云端控制器到被控车辆间的通信方式可以采用dsrc、lte
‑
v、wifi或5g等。“当前通信环境条件”主要指的是信号是否良好或通信是否拥挤等。
[0049]
在步骤s2中，建立车辆控制系统控制方程。
[0050]
可选地，在本发明的一个实施例中，建立车辆控制系统控制方程，包括：
[0051]
根据被控车辆的横向系统动力学确定车辆控制系统控制方程，并根据车辆尺寸参数及控制需求确定方程参数：
[0052]
x(k 1)＝ax(k) bδ(k)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0053]
其中，k表示当前离散时刻，x(k)表示k时刻横向控制系统的状态变量，δ(k)表示k时刻的期望前轮转向角，a，b为系数矩阵。
[0054]
上述系统方程中各状态量及系数矩阵表达式为：
[0055]
x(k)＝(β(k),r(k),ψ
l
(k),y
l
(k))
t
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0056]
δ(k)＝
‑
kx(k)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057]
式中：β(k)表示车辆质心侧偏角，r(k)表示车辆横摆率，ψ
l
(k)表示车辆航向误差，y
l
(k)表示预瞄距离处车辆与期望轨迹的侧向误差。
[0058]
其中，离散方程中系数矩阵a，b由连续方程计算得到，如下式：
[0059][0060][0061]
式中：
[0062][0063][0064][0065][0066]
式中：c
f
、c
r
分别为被控车辆前、后轮胎侧偏刚度，l
f
、l
r
分别被控车辆质心到前、后轴的距离，m为被控车整车质量，i
z
为被控车绕垂直轴的转动惯量，v为被控车纵向行驶车速，l
s
为预瞄距离，t为模型离散时间间隔，其由计算精度要求确定，如果对动力学模型精算精度要求较高，应该尽量选择小的离散间隔。在本实施例中，为了简化用于计算的矩阵形式，将t和δt取相同的数值，在实际实施中可以使δt是t的整数倍。
[0067]
在步骤s3中，根据转移矩阵和车辆控制系统控制方程构建增广系统方程。
[0068]
根据步骤s1中建立的状态转移矩阵p
s
和p
c
以及步骤2中构建的系统方程，构建用于计算的包含传感器到云端控制器/云端控制器到被控车辆网络时延及量化影响的增广系统方程：
[0069][0070][0071]
x
aug
(k)＝[x(k)
t
,x(k
‑
δt)
t
,
…
,x(k
‑
(τ d)δt)
t
]
t
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0072][0073][0074]
式中：k表示当前离散时刻，x(k)表示k时刻系统的状态变量，u(k)表示k时刻系统的控制输入，[x(k)
t
,x(k
‑
δt)
t
,
…
,x(k
‑
(τ d)δt)
t
]
t
表示之前t d个离散时刻系统状态量，x
aug
(k)表示增广的系统状态变量，表示增广系统状态变量系数矩阵，表示增广系统控制变量系数矩阵，n表示系统(1)的维数(对于车辆横向控制动力学来说该值是4)，0
n
·
n
表示维数为n的零矩阵，表示矩阵(14)中第i j个元素为n维单位矩阵，q(x)表示对x进行对数量化。
[0075]
在步骤s4中，根据增广系统方程，构建用于求解的非线性矩阵不等式方程组。
[0076]
根据步骤s3的增广系统方程(10)和(11)，构建用于求解的非线性矩阵不等式方程组，其中包含τ
·
d个非线性矩阵不等式，其中每一个矩阵不等式可以表示为：
[0077][0078][0079][0080][0081]
式中，i＝1,
…
，τ,r＝1，
…
，d,λ
ij
为转移矩阵p
τ
中的元素，表示传感器
‑
控制器的网络时延从iδt转移到jδt的概率，π
i，j
为转移矩阵p
c
中的元素，表示控制器
‑
被控车辆网络时延从iδt转移到jδt的概率，*表示矩阵对称元素的转置，为增广系统状态变量系数矩阵，为增广系统控制变量系数矩阵，为当传感器
‑
控制器时延为iδt且控制器
‑
被控车辆时延为jδt时对应的增广系统观测矩阵，k
(i，j)
为当传感器
‑
控制器时延为iδt且控制器
‑
被控车辆时延为jδt时对应的增广系统控制增益，ρ表示对数量化器q的量化密度。需要注意的是，(15)
‑
(18)所描述的非线性矩阵不等式中，p
(i，j)
、k
(i，j)
为需要求解的变量矩阵。
[0082]
在步骤s5中，通过线性化迭代求解非线性矩阵不等式方程组的数值解以计算不同时延状态的控制增益。
[0083]
利用一些现有的线性化迭代方法可以求解上述非线性矩阵不等式的数值解，例如可以利用锥补线性化(cone complementary linearization)方法迭代求解。求解出来的k
(i，j)
即为对应于传感器到云端控制器网络时延为iδt，网络控制器到被控车辆时延为jδt时对应的控制参数。
[0084]
在步骤s6中，根据车辆状态信息记录当前时刻之前的多个离散步长时刻的状态量，将多个离散步长时刻的状态量发送给云端控制器。
[0085]
在传感器发送端设置观测到的车辆状态信息的状态缓存装置，并记录当前时刻k之前τ d个离散步长时刻的状态量，即为[x(k),
…
,x(k
‑
(τ d)δt)]，将其整体打包，在t
st
＝k时刻通过一个包含随机时延的通信通道发送给控制器。
[0086]
在步骤s7中，通过发送时间戳和接收时间戳得到实际时延，根据实际时延和后续可能时延计算镇定控制量，量化编码后发送给被控车辆。
[0087]
云端控制器在t
cr
时接收到了步骤s6中发送的数据包，并通过时间戳技术获得了该帧数据从传感器端发送到控制器端的实际时延t
cr
‑
t
st
，并通过式(19)所示的离散处理近似为步骤s1中确定的离散时延状态。
[0088][0089]
式中，离散间隔δt由步骤1确定，round(*)表示取整函数。
[0090]
此时根据离散后的时延大小解析出收到的车辆状态数据包为：
[0091]
[x(k
‑
iδt)
t
,x(k
‑
(i 1)δt)
t
，
…
，x(k
‑
(i (τ d)δt)
t
]
t
ꢀꢀꢀꢀꢀ
(20)
[0092]
根据计算需求，删除数据包中不用于计算的项目，即为：
[0093]
[x(k
‑
iδt)
t
,x(k
‑
(i 1)δt)
t
,
…
,x(k
‑
(τ d)δt)
t
]
t
ꢀꢀꢀꢀ
(21)
[0094]
根据实际的传感器到云端控制器的网络时延t
s
＝iδt及所有可能的云端控制器到传感器的时延，计算所有可能的镇定控制量：
[0095]
[u(i,1),
…
,u(i,d)]＝[k
(i,1)
·
x(k
‑
(i 1)δt),
…
,k
(i,d)
·
x(k
‑
(i d)δt)](22)
[0096]
上述计算得到的所有控制量按照步骤s1中规定的量化密度进行对数量化编码，如式(23)：
[0097][0098]
被量化的控制量[l1,
…
,l
d
]被打包通过某一无线通信网络在t
ct
时刻发送给被控车。
[0099]
在步骤s8中，通过被控车辆对量化编码后的镇定控制量解码，根据实际时延选择对应的控制量执行。
[0100]
在某一时刻t
ar
被控车收到该帧信息，根据收到数据包的时间戳，可以准确地计算出当前收到的数据包对应的云端传感器到被控车的实际时延t
ct
‑
t
ar
,通过和步骤s6类似的步骤可以离散化近似为某一离散时延：
[0101][0102]
式中，离散间隔δt由步骤s1确定，round(*)表示取整函数。
[0103]
根据离散得到的实际时延，在接收到的数据包中选择对应的控制量，并进行对数量化解码，即：
[0104][0105]
式(25)计算得到的最终控制量u即为被控车的期望前轮转角，该控制量将被发送给转向电机控制器执行。利用该控制输入即可实现在步骤s1估测的随机双向网络时延分布及确定的通信量化密度的影响下镇定系统。需要指出的是，在下一个离散周期中，传感器、云端控制器、及被控车辆将重新根据实际的时延大小按照步骤s6
‑
步骤s8计算该时刻的控制输入。
[0106]
在步骤s9中，在通信环境或通信量化密度变化时，执行s1重新计算镇定控制量。
[0107]
若车路之间通信环境发生改变，或量化密度发生改变，需要从步骤s1开始重复，重新估计通信时延分布情况，并循环按照步骤s2
‑
s5计算得到新的控制增益参数。
[0108]
下面将以一组具体参数为例，说明求解过程，需要注意的是，为了简化计算，此处只考虑一种简化的通信时延情况，即只分别考虑2种可能的传感器到云端控制器网络时延及云端控制器到被控车辆网络时延。
[0109]
步骤1，考虑一网联车辆巡航控制场景，在该场景中，路侧系统通过路侧传感器获
得被控车的全部信息，路侧传感器到云端控制器、云端控制器到被控车辆均通过lte
‑
v进行通信。根据通信设备的技术参数可知网络时延的范围均为：[0.04～0.11](秒)，根据控制精度需求及计算能力限制，对可能通信时延离散化处理为[0.05,0.1](秒)，根据经验值，分别估计传感器到云端控制器的网络时延和云端控制器到被控车辆网络时延的状态转移概率为：
[0110][0111][0112]
其中：λ
ij
表示传感器到云端控制器的网络时延从i
×
0.05转移到j
×
0.05的概率，π
ij
表示表示云端控制器到云端控制器的网络时延从i
×
0.05转移到j
×
0.05的概率。根据通信带宽要求，设定通信量化密度为ρ＝0.6。
[0113]
步骤2，虑巡横向控制系统模型如下：
[0114]
x(k 1)＝ax(k) bδ(k)
[0115]
其中系统状态变量为：
[0116]
x(k)＝(β(k),r(k),ψ
l
(k),y
l
(k))
t
[0117]
其中，离散方程中系数矩阵a，b由连续方程计算得到，如下式：
[0118][0119][0120]
根据被控车动力学特性，确定上述方程中参数如下：
[0121]
l
f
＝1.14m,l
r
＝1.4m,m＝1500kg,i
z
＝2420kg
·
m2,v＝7m/s
[0122]
c
f
＝44000n/rad,c
r
＝47000n/rad
[0123]
综上，经过间隔为0.05s的离散后，最终的离散系统方程形式为：
[0124][0125]
步骤3，根据步骤2中构建的系统方程及步骤1中建立的时变通信时延模型构建用于计算的包含通信时延的跳变系统方程：
[0126][0127][0128]
其中：i,r分别对应于不同的传感器到云端传感器及云端控制器到被控车辆的网络时延状态，根据步骤1中的估计，i,r分别有两种可能(i,r∈[1,2])不同的i对应于步骤1中确定的不同的离散的传感器
‑
云端控制器网络时延，不同的r对应于步骤1中确定的不同
的离散的云端控制器
‑
被控车辆网络时延，即：
[0129]
i＝1
→
t
s
＝0.05r＝1
→
t
c
＝0.05
[0130]
i＝2
→
t
s
＝0.1r＝2
→
t
c
＝0.1
[0131]
上述方程中增广系统状态变量及对应的系数矩阵形式为：
[0132]
x
aug
(k)＝[x(k)
t
,x(k
‑
0.05)
t
,x(k
‑
0.1)
t
，x(k
‑
0.15)
t
，x(k
‑
0.2)
t
]
t
[0133][0134][0135][0136][0137]
其中：04×4表示4维的零矩阵，i4×4表示4维的单位矩阵。
[0138]
步骤4，根据步骤3的增广系统方程，构建用于求解的线性矩阵不等式方程组，其包含如下4个矩阵不等式：
[0139][0140][0141]
其中，
[0142][0143][0144][0145]
[0146][0147][0148][0149][0150]
y
(1，1)
＝(λ
11
p
(1，1)
λ
12
p
(1，1)
)
‑1，y
(1，2)
＝(λ
11
p
(1，2)
λ
12
p
(1，2)
)
‑1[0151]
y
(2，1)
＝(λ
21
p
(2，1)
λ
22
p
(2，1
))
‑1，y
(2，2)
＝(λ
21
p
(2，2)
λ
22
p
(2，2)
)
‑1[0152]
其中，λ
ij
及π
ij
具体值参加步骤1中的定义，参见步骤2中的定义。需要指出的是，上述的矩阵不等式中，[p
(1,1)
,p
(1,2)
,p
(2,1)
,p
(2,2)
]及[k
(1,1)
,k
(1,2)
，k
(2，1)
，k
(2，2)
]为待求解的变量。
[0153]
步骤5，利用锥补线性化(cone complementary linearization)的方法，在设定计算精度为0.05的情况下，得到步骤4中构建的矩阵不等式的数值解，即得到对应与不同时延状态的控制器参数，其结果为：
[0154]
k
(1，1)
＝[
‑
0.0089,
‑
0.0196,
‑
0.1616，
‑
0.1007]
[0155]
k
(1，2)
＝[
‑
0.0049，
‑
0.0019,
‑
0.1894
‑
0.0839]
[0156]
k
(2，1)
＝[
‑
0.0047，
‑
0.0025，
‑
0.2095
‑
0.0800]
[0157]
k
(2,2)
＝[0.0056,0.0159,
‑
0.1149
‑
0.0564]
[0158]
步骤6，在传感器发送端设置观测到的车辆状态信息的状态缓存装置，并记录当前时刻k之前4个离散步长时刻的状态量，即为[x(k),x(k
‑
0.05),x(k
‑
0.1),x(k
‑
0.15),x(k
‑
0.2)，将其整体打包，在tst＝k时刻通过一个包含随机时延的通信通道发送给控制器。
[0159]
步骤7，云端控制器在t
cr
时接收到了步骤6中发送的数据包，并通过时间戳技术获得了该帧数据从传感器端发送到控制器端的实际时延t
cr
‑
t
st
，假设某一时刻该通信时延大小为0.04s，并通过式(19)所示的离散处理近似为步骤1中确定的离散时延状态,即认为当前数据包的时延为0.05s。
[0160]
此时根据离散后的时延大小解析出收到的车辆状态数据包为：
[0161]
[x(k
‑
0.05)
t
,x(k
‑
0.1)
t
,x(k
‑
0.15)
t
,x(k
‑
0.2)
t
,x(k
‑
0.25)
t
]
t
[0162]
根据计算需求，删除数据包中不用于计算的项目，即为：
[0163]
[x(k
‑
0.05)
t
,x(k
‑
0.1)
t
,x(k
‑
0.15)
t
,x(k
‑
0.2)
t
]
t
[0164]
根据实际的传感器到云端控制器的网络时延t
s
＝0.05及所有可能的云端控制器到传感器的时延，计算所有可能的镇定控制量：
[0165]
[u(1,1),u(1,2)]＝[k
(1,1)
·
x(k
‑
0.1δt),k
(1,2)
·
x(k
‑
0.15δt)]
[0166]
上述计算得到的所有控制量按照步骤1中规定的量化密度进行对数量化编码：
[0167][0168]
被量化的控制量[l1,l2]被打包通过某一无线通信网络在t
ct
时刻发送给被控车。
[0169]
步骤8，在某一时刻t
ar
被控车收到该帧信息，根据收到数据包的时间戳，可以准确地计算出当前收到的数据包对应的云端传感器到被控车的实际时延t
ct
‑
t
ar
，假设在该时刻时延为0.11s，通过和步骤6类似的步骤可以离散化近似为离散时延0.1s。
[0170]
根据离散得到的实际时延，在接收到的数据包中选择对应的控制量，并进行对数量化解码，即：
[0171][0172]
上式计算得到的最终控制量u即为被控车的期望前轮转角，该控制量将被发送给转向电机控制器执行。利用该控制输入即可实现在步骤1估测的随机双向网络时延分布及确定的通信量化密度的影响下镇定系统。在下一个离散周期中，传感器、云端控制器、及被控车辆将重新根据实际的时延大小按照步骤6
‑
步骤8计算该时刻的镇定控制输入。
[0173]
步骤9，若车路之间通信环境发生改变，或量化密度发生改变，需要从步骤1开始重复，重新估计通信时延分布情况，并循环按照步骤2
‑
5计算得到新的控制增益参数。
[0174]
根据本发明实施例提出的双向网络时延及通信量化影响下的网联车辆控制方法，基于求解矩阵不等式方法求解对应于不同传感器
‑
云端控制器/云端控制
‑
被控车辆时延及量化状态的控制增益。控制系统通过路侧传感器收集车辆行驶的状态信息，并缓存历史状态信息，打包发送给云端控制器，云端控制器根据实际传感器
‑
云端控制器时延及可能的云端控制器
‑
被控车辆时延计算所有可能的镇定系统的备选控制量，经过对数量化编码后，打包发送给被控车辆，被控车辆接收数据包后进行对数量化解码，并根据实际的云端控制器
‑
被控车辆时延选择对应的控制量，保证了网联车辆远程控制系统在实际通信环境下的稳定性和安全性。
[0175]
其次参照附图描述根据本发明实施例提出的双向网络时延及通信量化影响下的网联车辆控制装置。
[0176]
图4为根据本发明一个实施例的双向网络时延及通信量化影响下的网联车辆控制装置结构示意图。
[0177]
如图4所示，该双向网络时延及通信量化影响下的网联车辆控制装置10包括：估计模块100、第一构建模块200、第二构建模块300、第三构建模块400、计算模块500、发送模块600、控制模块700、执行模块800和调整模块900。
[0178]
其中，估计模块100，用于估计当前网络时延范围及其状态转移矩阵，确定量化密度。第一构建模块200，用于建立车辆控制系统控制方程。第二构建模块300，用于根据转移矩阵和车辆控制系统控制方程构建增广系统方程。第三构建模块400，用于根据增广系统方程，构建用于求解的非线性矩阵不等式方程组。计算模块500，用于通过线性化迭代求解非线性矩阵不等式方程组的数值解以计算不同时延状态的控制增益。发送模块600，用于根据车辆状态信息记录当前时刻之前的多个离散步长时刻的状态量，将多个离散步长时刻的状态量发送给云端控制器。控制模块700，用于通过发送时间戳和接收时间戳得到实际时延，根据实际时延和后续可能时延计算镇定控制量，量化编码后发送给被控车辆。执行模块
800，用于通过被控车辆对量化编码后的镇定控制量解码，根据实际时延选择对应的控制量执行。调整模块900，用于在通信环境或通信量化密度变化时，调用其他模块以重新计算镇定控制量。
[0179]
可选地，在本发明的一个实施例中，估计当前网络时延范围包括：
[0180]
估计传感器到云端控制器网络时延范围及云端控制器到被控车辆网络时延范围，将时延范围分别离散化处理得到可能离散时延组。
[0181]
可选地，在本发明的一个实施例中，确定量化密度包括：根据带宽限制条件确定从云端控制器到被控车的通信量化密度。
[0182]
可选地，在本发明的一个实施例中，根据当前的通信环境条件及经验值，分别估计传感器到云端控制器及云端控制器到被控车辆的随机的网络时延的分布情况，估计不同离散时延之间的状态转移矩阵，状态转移矩阵为：
[0183][0184]
其中，转移矩阵p
s
中每一元素表示传感器到云端控制器的网络时延从iδt转移到iδt的概率为λ
ij
，转移矩阵p
c
中每一元素表示云端控制器到被控车辆的网络时延从iδt转移到iδt的概率为π
ij
。
[0185]
可选地，在本发明的一个实施例中，建立车辆控制系统控制方程，包括：
[0186]
根据被控车辆的横向系统动力学确定车辆控制系统控制方程，并根据车辆尺寸参数及控制需求确定方程参数：
[0187]
x(k 1)＝ax(k) bδ(k)
[0188]
其中，k表示当前离散时刻，x(k)表示k时刻横向控制系统的状态变量，δ(k)表示k时刻的期望前轮转向角，a，b为系数矩阵。
[0189]
可选地，在本发明的一个实施例中，增广系统方程为：
[0190][0191][0192]
x
aug
(k)＝[x(k)
t
,x(k
‑
δt)
t
,
…
,x(k
‑
(τ d)δt)
t
]
t
[0193][0194][0195]
其中，k表示当前离散时刻，x(k)表示k时刻横向控制系统的状态变量，u(k)表示k时刻系统的控制输入，[x(k)
t
,x(k
‑
δt)
t
,
…
,x(k
‑
(τ d)δt)
t
]
t
表示之前τ d个离散时刻系统状态量，x
aug
(k)表示增广的系统状态变量，表示增广系统状态变量系数矩阵，表示增广系统控制变量系数矩阵，n表示系统车辆控制系统控制方程的维数，为当传感器
‑
控制器时延为iδt且控制器
‑
被控车辆时延为jδt时对应的增广系统观测矩阵，0
n
·
n
表示维数
为n的零矩阵，表示矩阵中第i j个元素为n维单位矩阵，q(x)表示对x进行对数量化。
[0196]
可选地，在本发明的一个实施例中，非线性矩阵不等式方程组包括多个非线性矩阵不等式，每个非线性矩阵不等式为：
[0197][0198][0199][0200][0201]
其中，i＝1,
…
,τ,r＝1,
…
,d,λ
ij
为状态转移矩阵p
s
中的元素，π
i,j
为转移矩阵p
c
中的元素，*表示矩阵对称元素的转置，k
(,)
为待求解的当传感器
‑
控制器时延为iδt且控制器
‑
被控车辆时延为jδt时对应的增广系统控制增益，ρ表示量化密度，p
(i,j)
、y
(i,d)
为待求解的矩阵变量。
[0202]
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
[0203]
根据本发明实施例提出的双向网络时延及通信量化影响下的网联车辆控制装置，基于求解矩阵不等式方法求解对应于不同传感器
‑
云端控制器/云端控制
‑
被控车辆时延及量化状态的控制增益。控制系统通过路侧传感器收集车辆行驶的状态信息，并缓存历史状态信息，打包发送给云端控制器，云端控制器根据实际传感器
‑
云端控制器时延及可能的云端控制器
‑
被控车辆时延计算所有可能的镇定系统的备选控制量，经过对数量化编码后，打包发送给被控车辆，被控车辆接收数据包后进行对数量化解码，并根据实际的云端控制器
‑
被控车辆时延选择对应的控制量，保证了网联车辆远程控制系统在实际通信环境下的稳定性和安全性。
[0204]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0205]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0206]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。