一种基于旁车切入识别的自适应巡航控制方法及设备

1.本技术涉及车辆控制领域，尤其涉及一种基于旁车切入识别的自适应巡航控制方法及设备。


背景技术：

2.随着汽车产业大力发展，每年因驾驶员疲劳驾驶等因素导致交通事故众多。自适应巡航控制(adaptive cruise control，acc)系统能够在保障驾驶员安全的基础上减轻操作的疲劳感，因此受到了广泛的关注。据统计，交通事故大多是在车辆换道过程中发生的。由于前车驾驶行为具有不确定性及主观性，相邻车道车辆换道会对本车道后车产生较大影响。
3.现有的acc系统大部分的只针对主车道车辆目标进行控制，当相邻车道车辆完全切入主车道才能更换跟随目标。容易造成了旁车切入识别滞后的现象，增加了驾驶员的恐慌感，且车辆制动过急影响了乘客乘车舒适性。并且现有的acc系统难以提前切换跟随目标，增加了车辆强制制动发生的现象，导致车辆纵向加速度波动较大。


技术实现要素：

4.本技术实施例提供了一种基于旁车切入识别的自适应巡航控制方法及设备，用于解决如下技术问题：现有的acc系统对于旁车的切入识别准确率低、识别较晚，造成车辆制动强度过大，并且车辆的控制效果差，降低了乘坐车辆的舒适性。
5.本技术实施例采用下述技术方案：
6.一方面，本技术实施例提供了一种基于旁车切入识别的自适应巡航控制方法，所述方法包括：获取目标车辆的数据交互信息，并将所述数据交互信息进行特征训练，构建旁车切入识别模型；通过所述旁车切入识别模型，对目标车辆进行旁车切入的识别，得到识别结果；其中，所述识别结果为车辆已切入或者车辆未切入；若所述识别结果为车辆已切入，则对切入车辆的相对车速以及相对车距进行模糊控制，得到跟随性权重系数；根据所述跟随性权重系数，对预设模型预测控制器进行更新，并通过更新后的预设模型预测控制器，获取所述目标车辆的期望加速度；根据所述期望加速度，对所述目标车辆的油门执行器以及制动执行器进行调节控制，以完成对所述目标车辆行驶速度的控制。
7.本技术实施例通过人工蜂群算法与支持向量机(support vector machine，svm)优化得到的旁车切入识别模型，能够提前识别准备切入车道的车辆，降低了目标车辆的制动强度，减少了车辆制动的时间，提高了车辆换道识别的准确性。基于模糊控制理论实时调整模型预测控制器(model predictive control，mpc)的权重参数，解决了因跟随目标突变造成来加速度波动较大的问题，当acc系统跟随目标切换为切入车辆时，能够实时调整mpc的权重系数，从而降低了纵向加速度波动过大的问题，增强了目标车辆的跟车控制效果，并且提高了车辆乘坐的舒适性以及跟车的安全性。
8.在一种可行的实施方式中，获取目标车辆的数据交互信息，并将所述数据交互信
息进行特征训练，构建旁车切入识别模型，具体包括：获取所述目标车辆的行驶轨迹数据；其中，所述行驶轨迹数据至少包括：所述目标车辆的加速度数据、速度数据以及所处车道数据；根据所述目标车辆的行驶轨迹数据，对预设ngsim数据集中的换道车辆以及换道时刻进行对应选择，并筛选出与所述目标车辆相邻的车辆换道轨迹数据；将所述车辆换道轨迹数据与所述行驶轨迹数据进行横向位置曲线斜率计算，得到所述目标车辆的数据交互信息；将所述数据交互信息进行卡尔曼滤波处理，得到车辆换道轨迹拟合数据；对所述车辆换道轨迹拟合数据进行轨迹特征训练，构建所述旁车切入识别模型。
9.本技术实施例通过滑动识别窗口对识别的初始结果进行处理，降低误识别或数据的周期跳动问题，并选取测试样本轨迹，对训练模型进行验证得到较高的准确率及普适率，并采用人工蜂群算法优化svm参数寻找最优参数值以提高训练的旁车切入识别模型的准确性。
10.在一种可行的实施方式中，对所述车辆换道轨迹拟合数据进行轨迹特征训练，构建所述旁车切入识别模型，具体包括：对所述车辆换道轨迹拟合数据进行样本分类，得到轨迹测试样本以及轨迹训练样本；通过人工蜂群算法，对支持向量机模型的核函数以惩罚因子进行适应度评价，得到适应度优化参数，并根据所述适应度优化参数，对所述支持向量机模型进行参数优化训练，得到优化支持向量机模型；通过预设滑动识别窗口对所述轨迹训练样本进行初步识别，得到初识样本；根据所述优化支持向量机模型，对所述初识样本进行特征训练，并通过所述轨迹测试样本，对特征训练后的优化支持向量机模型进行验证，得到所述旁车切入识别模型；其中，所述旁车切入识别模型为acc系统整体框架下的识别模型。
11.在一种可行的实施方式中，通过所述旁车切入识别模型，对目标车辆进行旁车切入的识别，得到识别结果，具体包括：通过所述目标车辆的传感器，获取所述目标车辆的周围环境信息；其中，所述周围环境信息至少包括：相邻车辆速度信息、相邻车辆间隔距离信息以及相邻车辆行驶轨迹信息；通过所述旁车切入识别模型，对所述周围环境信息进行旁车切入的识别判定；若所述识别判定为待切入旁车，则通过所述目标车辆的acc系统，对所述待切入旁车进行实时目标跟随，直至所述待切入旁车在所述目标车辆的正前方，并得到所述待切入旁车的识别结果。
12.在一种可行的实施方式中，在若所述识别结果为车辆已切入，则对切入车辆的相对车速以及相对车距进行模糊控制，得到跟随性权重系数之前，所述方法还包括：根据所述目标车辆的acc系统，获取所述目标车辆的相对运动量；其中，所述相对运动量至少包括：目标车辆加速度、前车加速度、目标车辆车速、前车车速、相对速度、相对车距、前车加速度扰动量，目标车辆期望加速度、期望跟车距离；根据所述相对运动量，对所述目标车辆与前车进行车间距纵向动力矩阵的构建，得到车间状态方程；将所述车间状态方程中控制性能需求进行性能评价指标的相关约束，得到所述目标车辆的相对偏差量；其中，所述控制性能需至少包括：行驶安全性需求、跟随稳定性需求、乘坐舒适性需求以及燃油经济性需求；将所述相对偏差量以及车辆状态信息进行矩阵预测，并根据矩阵预测的状态量与控制量，得到跟车预测模型。
13.在一种可行的实施方式中，若所述识别结果为车辆已切入，则对切入车辆的相对车速以及相对车距进行模糊控制，得到跟随性权重系数，具体包括：根据
得到所述预设模型预测控制器的目标函数j；其中，q为对角矩阵，为所述跟车预测模型中p时域的控制量，k为时刻，i为常数，y
ref
为所述跟车预测模型的预测参考轨迹，r为系统控制量的波动，u为期望加速度，p为预测时域，t为转置矩阵符号；其中q＝diag(q
δd
,q
δv
,q
af
,q
aj
)，q
δd
为相对车距的误差权重系数，q
δv
为相对车速，q
af
为加速度权重系数，q
aj
为加加速度权重系数；根据γf＝q
δd
＝q
δv
，得到所述预设模型预测控制器的跟随性权重系数γf；并根据γf＝q
af
＝q
aj
，得到所述预设模型预测控制器的舒适性权重系数。
14.本技术实施例建立的目标函数，能够对mpc框架下的行驶安全性、跟随稳定性、乘坐舒适性、燃油经济性等各性能指标进行系统控制量及预测偏差的优化。
15.在一种可行的实施方式中，根据所述跟随性权重系数，对预设模型预测控制器进行更新，并通过更新后的预设模型预测控制器，获取所述目标车辆的期望加速度，具体包括：对所述预设模型预测控制器的舒适性权重系数以及跟随性权重系数进行对应关系的调整，得到调整后的舒适性权重系数以及调整后的跟随性权重系数；其中，所述对应关系为所述相对车速以及所述相对车距与权重系数的增减关系；根据所述调整后的舒适性权重系数以及所述调整后的跟随性权重系数，并通过预设的模糊规则，对所述预设模型预测控制器进行性能误差自适应更新，得到所述更新后的预设模型预测控制器；通过所述更新后的预设模型预测控制器，对所述目标车辆的相对车距以及相对车速的跟随控制，得到所述目标车辆的期望加速度。
16.本技术实施例基于模糊控制理论实时调整mpc控制器权重参数的控制策略，解决了因跟随目标突变造成来加速度波动较大的问题，通过实时调整mpc的权重系数，降低了纵向加速度的波动。
17.在一种可行的实施方式中，在根据所述期望加速度，对所述目标车辆的油门执行器以及制动执行器进行调节控制，以完成对所述目标车辆行驶速度的控制之前，所述方法还包括：根据预设控制加速度，对所述目标车辆进行控制逻辑的切换，得到期望力矩；其中，所述控制逻辑包括驱动控制逻辑与制动控制逻辑，所述期望力矩包括期望发动机力矩与期望制动力矩；根据所述期望发动机力矩所对应的液力变矩器输出转速特性与发动机节气门开度特性，对逆发动机特性进行逆向处理，得到逆发动机模型；根据所述期望制动力矩所对应的前轮制动力矩与后轮制动力矩，对制动控制器进行制动压力的逆向分析，得到逆制动器模型；将所述逆发动机模型与所述逆制动器模型进行整合，得到车辆逆动力学模型。
18.本技术实施例通过对对发动机和制动器的分析，构建了车辆逆动力学模型，实现acc系统的定速、跟随功能，提高了车辆乘坐的舒适性。
19.在一种可行的实施方式中，根据所述期望加速度，对所述目标车辆的油门执行器以及制动执行器进行调节控制，以完成对所述目标车辆行驶速度的控制，具体包括：通过跟踪微分器，对所述期望加速度进行非线性误差反馈处理，并根据扩张状态观测器对处理后的期望加速度进行观测扰动，得到自抗扰控制加速度；基于车辆纵向动力学系统，对所述期望加速度进行前馈控制，得到前馈加速度；将所述自抗扰控制加速度与所述前馈加速度进行组合，得到控制加速度；根据所述车辆逆动力学模型，将所述控制加速度进行控制量的转换，得到目标车辆acc系统中气门开度控制量以及制动压力控制量；其中，气门开度控制量
与所述油门执行器所对应，制动压力控制量与所述制动执行器所对应；通过所述气门开度控制量以及制动压力控制量，对所述目标车辆进行行驶控制，以完成对所述目标车辆行驶速度的控制。
20.本技术实施例通过前馈加自抗扰反馈控制原理设计的acc系统中下层控制器，用来保证实际加速度能稳定追随期望加速度，前馈控制能够使使车辆快速达到期望加速度，自抗扰控制提高了模型准确性及鲁棒性，然后根据mpc控制器获取的期望加速度，并利用下层控制器得到期望节气门开度或制动压力，控制车辆稳定跟随前车。
21.另一方面，本技术实施例还提供了一种基于旁车切入识别的自适应巡航控制装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施例所述的一种基于旁车切入识别的自适应巡航控制方法。
22.本技术实施例提供了一种基于旁车切入识别的自适应巡航控制方法及设备。通过人工蜂群算法与支持向量机优化得到的旁车切入识别模型，能够提前识别准备切入车道的车辆，降低了目标车辆的制动强度，减少了车辆制动的时间，提高了车辆换道识别的准确性。基于模糊控制理论实时调整模型预测控制器的权重参数，解决了因跟随目标突变造成来加速度波动较大的问题，当acc系统跟随目标切换为切入车辆时，能够实时调整mpc的权重系数，从而降低了纵向加速度波动过大的问题，增强了目标车辆的跟车控制效果，并且提高了车辆乘坐的舒适性以及跟车的安全性。
附图说明
23.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
24.图1为本技术实施例提供的一种基于旁车切入识别的自适应巡航控制方法流程图；
25.图2为本技术实施例提供的一种旁车切入识别控制流程示意图；
26.图3为本技术实施例提供的acc系统控制框图；
27.图4为本技术实施例提供的acc系统模式切换逻辑流程图；
28.图5为本技术实施例提供的人工蜂群算法优化svm参数流程图；
29.图6为本技术实施例提供的旁车切入识别工作流程图；
30.图7为本技术实施例提供的车辆逆动力学模型示意图；
31.图8为本技术实施例提供的acc跟随控制策略优化流程图；
32.图9为本技术实施例提供的一种基于旁车切入识别的自适应巡航设备的结构示意图。
具体实施方式
33.为了使本技术领域的人员更好地理解本技术中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施
例仅仅是本技术一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
34.本技术实施例提供了一种基于旁车切入识别的自适应巡航控制方法，如图1所示，基于旁车切入识别的自适应巡航控制方法具体包括步骤s101-s105：
35.s101、获取目标车辆的数据交互信息，并将数据交互信息进行特征训练，构建旁车切入识别模型。
36.具体地，获取目标车辆的行驶轨迹数据。其中，行驶轨迹数据至少包括：目标车辆的加速度数据、速度数据以及所处车道数据。根据目标车辆的行驶轨迹数据，对预设ngsim数据集中的换道车辆以及换道时刻进行对应选择，并筛选出与目标车辆相邻的车辆换道轨迹数据。
37.进一步地，将车辆换道轨迹数据与行驶轨迹数据进行横向位置曲线斜率计算，得到目标车辆的数据交互信息。将数据交互信息进行卡尔曼滤波处理，得到车辆换道轨迹拟合数据。对车辆换道轨迹拟合数据进行轨迹特征训练，构建旁车切入识别模型。
38.其中，对车辆换道轨迹拟合数据进行样本分类，得到轨迹测试样本以及轨迹训练样本。通过人工蜂群算法，对支持向量机模型的核函数以惩罚因子进行适应度评价，得到适应度优化参数，并根据适应度优化参数，对支持向量机模型进行参数优化训练，得到优化支持向量机模型。通过预设滑动识别窗口对轨迹训练样本进行初步识别，得到初识样本。根据优化支持向量机模型，对初识样本进行特征训练，并通过轨迹测试样本，对特征训练后的优化支持向量机模型进行验证，得到旁车切入识别模型。其中，旁车切入识别模型为acc系统整体框架下的识别模型。
39.在一个实施例中，图5为本技术实施例提供的人工蜂群算法优化svm参数流程图，如图5所示，在人工蜂群(artificial bee colony，abc)算法中，蜜蜂被分为引领蜂、跟随蜂和侦查蜂，蜜源的位置表示参数优化的可能解，蜜源的花蜜量表示解的适应度，蜜蜂寻找最大花蜜量的过程就是函数寻找svm最优参数的过程。通过美国联邦公路局数据集(ngsim数据集)，将车辆换道轨迹数据与行驶轨迹数据进行横向位置曲线斜率计算，得到目标车辆的数据交互信息。将数据交互信息进行卡尔曼滤波处理，得到车辆换道轨迹拟合数据，并把车辆换道轨迹拟合数据分为测试样本(轨迹测试样本)和训练样本(轨迹训练样本)，通过训练样本对abc算法优化后的支持向量机模型进行优化训练，得到优化支持向量机模型，即abc-svm算法模型，之后再通过测试样本(轨迹测试样本)进行验证后，得到acc系统整体框架下的旁车切入识别模型。
40.作为一种可行的实施方式，通过滑动识别窗口对初识样本进行处理，降低误识别或数据的周期跳动问题，并选取测试样本轨迹，对训练模型进行验证得到较高的准确率及普适率，以及采用了人工蜂群算法优化svm参数寻找的最优参数值，提高了训练模型的准确性。
41.s102、通过旁车切入识别模型，对目标车辆进行旁车切入的识别，得到识别结果。
42.具体地，通过目标车辆的传感器，获取目标车辆的周围环境信息。其中，周围环境信息至少包括：相邻车辆速度信息、相邻车辆间隔距离信息以及相邻车辆行驶轨迹信息。通过旁车切入识别模型，对周围环境信息进行旁车切入的识别判定。若识别判定为待切入旁
车，则通过目标车辆的acc系统，对待切入旁车进行实时目标跟随，直至待切入旁车在目标车辆的正前方，并得到待切入旁车的识别结果。
43.在一个实施例中，图6为本技术实施例提供的旁车切入识别工作流程图，图4为本技术实施例提供的acc系统模式切换逻辑流程图，如图6所示，在通过ngsim数据集的数据筛选与识别后，再经过训练以及标记分类标签得到的旁车切入识别模型后，对初识结果进行识别处理，然后最终得到终识结果，即是否车辆真正完成切入。如图4所示，在acc系统框架下，首先激活acc系统，然后传感器进行数据的采集，通过旁车切入识别模型，对前方是否有车辆进行判断，正前方是否有车辆，如果没有车辆或者相对车速以及相对车距远远大于预设值，则启动车辆定速模式，否则启动跟随模式，然后通过节气门开度与制动器的控制，完成对车辆的控制，最后退出acc系统。
44.在一个实施例中，图3为本技术实施例提供的acc系统控制框图，如图3所示，在感知层中通过雷达和摄像头车辆的相对车速和相对车距，然后根据速度误差、距离误差以及加速度误差，在决策中进行mpc控制器的权重系数的调整，然后根据旁车切入识别模型，对前方是否有车辆进行识别判断，对应切换不同的巡航模式，包括跟随巡航与定速巡航模式，然后再通过执行层的驱动/制动的切换逻辑，实现对油门执行器和制动执行器的对应控制，然后调控目标车辆。
45.s103、若识别结果为车辆已切入，则对切入车辆的相对车速以及相对车距进行模糊控制，得到跟随性权重系数。
46.具体地，根据目标车辆的acc系统，获取目标车辆的相对运动量。其中，相对运动量至少包括：目标车辆加速度、前车加速度、目标车辆车速、前车车速、相对速度、相对车距、前车加速度扰动量，目标车辆期望加速度、期望跟车距离。根据相对运动量，对目标车辆与前车进行车间距纵向动力矩阵的构建，得到车间状态方程。
47.在一个实施例中，根据两车相对运动关系，建立的车间状态方程在一个实施例中，根据两车相对运动关系，建立的车间状态方程其中，x(k)为acc系统的状态变量，a、b、g为参考矩阵，t
δ
为采样时间，t
l
为时间常数，k为时刻，并且x(k)＝[d(k),vf(k),δv(k),af(k),aj(k)]
t
，u为目标车辆期望加速度，w(k)为前车加速度的扰动量，af为目标车加速度，vf为目标车车速，aj为加加速度，δv为相对速度，d为相对车距。d
des
＝τhvf d，d
des
为期望跟车距离，τh为车间时距。kl
为系统增益，a
des
为目标车辆期望加速度。
[0048]
进一步地，将车间状态方程中控制性能需求进行性能评价指标的相关约束，得到目标车辆的相对偏差量。其中，控制性能需至少包括：行驶安全性需求、跟随稳定性需求、乘坐舒适性需求以及燃油经济性需求。将相对偏差量以及车辆状态信息进行矩阵预测，并根据矩阵预测的状态量与控制量，得到跟车预测模型。
[0049]
在一个实施例中，行驶安全性需求为确保前车与本车相对距离时刻保持在一定的安全距离之内，且实际车间距离不断趋近于期望车间距离。跟随稳定性需求为在跟随前车的过程中，本车应与前车保持一定距离，这是acc系统基本目标，该部分可分为前方车辆稳定状态或者前方车辆在加减速状态。乘坐舒适性需求为acc系统应降低加速度的变化，即对加速度变化率有一定的限制，定义乘坐舒适应目标约束。燃油经济性需求为燃油经济性与车辆加速度大小有关，设计的acc系统能耗可以间接由加速度反映。加速度越大，燃油经济性越差，反之，则相反。且车辆行驶越平顺，燃油经济性越高。
[0050]
在一个实施例中，根据矩阵预测的状态量与控制量，得到跟车预测模型，即其中，x
p
为车辆状态预测的状态量，y
p
为车辆状态预测的控制量，p为预测时域，c为控制时域，x
p
(k p|k)为在第k时刻对p时域的每一步状态变量，y
p
(k p|k)为在第k时刻对p时域内每一步的输出量，u(k p)为期望加速度，w(k p)为系统扰动量，er(k)为实际与预测状态的预测差值，为满足p预测时域的各系数矩阵。为了使y(k 1)能够平稳的达到预测参考轨迹y
ref
，利用参考轨迹公式y
ref
(k i)＝ηiy(k) (1-ηi)y
ref
进行平稳化处理。
[0051]
进一步地，根据进一步地，根据得到预设模型预测控制器的目标函数j。其中，q为对角矩阵，为跟车预测模型中p时域的控制量，k为时刻，i为常数，y
ref
为跟车预测模型的预测参考轨迹，r为系统控制量的波动，u为期望加速度，p为预测时域，t为转置矩阵符号。
[0052]
其中，q＝diag(q
δd
,q
δv
,q
af
,q
aj
)，q
δd
为相对车距的误差权重系数，q
δv
为相对车速，q
af
为加速度权重系数，q
aj
为加加速度权重系数；根据γf＝q
δd
＝q
δv
，得到预设模型预测控制器的跟随性权重系数γf。并根据γf＝q
af
＝q
aj
，得到预设模型预测控制器的舒适性权重系数。
[0053]
在一个实施例中，图2为本技术实施例提供的一种旁车切入识别控制流程示意图，如图2所示，在acc系统的上层控制器中，通过状态量、控制量、约束条件以及目标函数，针对旁车切入工况的变权重系数的mpc控制器，再根据相对速度以及车间距误差，利用模糊规则模糊控制调整权重参数，得出跟随性权重系数。
[0054]
s104、根据跟随性权重系数，对预设模型预测控制器进行更新，并通过更新后的预设模型预测控制器，获取目标车辆的期望加速度。
[0055]
具体地，对预设模型预测控制器的舒适性权重系数以及跟随性权重系数进行对应关系的调整，得到调整后的舒适性权重系数以及调整后的跟随性权重系数。其中，对应关系为相对车速以及相对车距与权重系数的增减关系。根据调整后的舒适性权重系数以及调整后的跟随性权重系数，并通过预设的模糊规则，对预设模型预测控制器进行性能误差自适应更新，得到更新后的预设模型预测控制器。
[0056]
在一个实施例中，图8为本技术实施例提供的acc跟随控制策略优化流程图，如图8所示，在通过旁车切入识别模型进行目标跟随后，再通过模糊控制对权重系数进行模糊控制，并将模型预测控制器的舒适性权重系数以及跟随性权重系数进行实时调整。
[0057]
需要说明的是，模型预测控制(model predictive control，mpc)已被广泛应用于多种工程控制中，它通过当前系统状态量与控制量，根据预测模型在有限时域内求解局部最优控制序列，并将序列的第一个控制量作用于被控对象，然后不断重复进行上述过程，并将每一时刻求得的预测控制量与参考轨迹进行对比反馈矫正，实现控制过程的闭环。
[0058]
在一个实施例中，如图2所示，ngsim数据集不同换道行为并结合实际道路情景，当相邻车辆切入主车道，旁车切入识别模型将旁车作为主目标时，不同切入场景权重系数调整数值不同；当两车相对距离较小，且前车车速小于后车车速时，此时应保障车辆的跟随安全性，舒适经济性相对变小；当两车实际车间距接近理想车间距时，若前车速度小于后车，如果不对后车进行控制，两车相对距离会越来越小，会降低行驶安全性。相反，如果前车车速大于后车，两车相对距离会随时间增加而增大，会降低交通流的稳定性；因此，随着相对速度的减小，应增大跟随性权重系数，若两车车间距大于期望车间距，两车都处于相对安全的行驶情况，此时，跟随性权重系数可适当降低，舒适性权重系数可以适当提高。
[0059]
进一步地，通过更新后的预设模型预测控制器，对目标车辆的相对车距以及相对车速的跟随控制，得到目标车辆的期望加速度。
[0060]
s105、根据期望加速度，对目标车辆的油门执行器以及制动执行器进行调节控制，以完成对目标车辆行驶速度的控制。
[0061]
具体地，根据预设控制加速度，对目标车辆进行控制逻辑的切换，得到期望力矩。其中，控制逻辑包括驱动控制逻辑与制动控制逻辑，期望力矩包括期望发动机力矩与期望制动力矩。
[0062]
进一步地，根据期望发动机力矩所对应的液力变矩器输出转速特性与发动机节气门开度特性，对逆发动机特性进行逆向处理，得到逆发动机模型。根据期望制动力矩所对应的前轮制动力矩与后轮制动力矩，对制动控制器进行制动压力的逆向分析，得到逆制动器模型。将逆发动机模型与逆制动器模型进行整合，得到车辆逆动力学模型。
[0063]
进一步地，通过跟踪微分器，对期望加速度进行非线性误差反馈处理，并根据扩张状态观测器对处理后的期望加速度进行观测扰动，得到自抗扰控制加速度。基于车辆纵向动力学系统，对期望加速度进行前馈控制，得到前馈加速度。将自抗扰控制加速度与前馈加速度进行组合，得到控制加速度。
[0064]
进一步地，根据车辆逆动力学模型，将控制加速度进行控制量的转换，得到目标车辆acc系统中气门开度控制量以及制动压力控制量。其中，气门开度控制量与油门执行器所
对应，制动压力控制量与制动执行器所对应。通过气门开度控制量以及制动压力控制量，对目标车辆进行行驶控制，以完成对目标车辆行驶速度的控制。
[0065]
在一个实施例中，图7为本技术实施例提供的车辆逆动力学模型示意图，如图7所示，通过控制加速度，对目标车辆进行驱动/制动控制逻辑的切换，然后根据获取的期望发动机力矩，构建逆发动机模型，再根据期望制动力，构建逆制动器模型，然后将逆发动机模型与逆制动器模型进行整合，得到车辆逆动力学模型。
[0066]
在一个实施例中，如图2所示，acc系统的下层控制器中，通过对期望加速度进行非线性误差反馈处理，然后通过前馈加自抗扰反馈控制，保证实际加速度能稳定追随期望加速度，前馈控制使车辆快速达到期望加速度，自抗扰控制提高模型准确性及鲁棒性。然后再根据车辆逆动力模型，对节气门开度以及和制动压力进行对应的调整，最终实现对目标车辆的控制，避免旁车切入工况下，目标车辆加速度波动较大的情况。
[0067]
另外，本技术实施例还提供了一种基于旁车切入识别的自适应巡航控制设备，如图9所示，基于旁车切入识别的自适应巡航控制设备900具体包括：
[0068]
至少一个处理器901。以及，与至少一个处理器901通信连接的存储器902；其中，存储器902存储有能够被至少一个处理器901执行的指令，以使至少一个处理器901能够执行：
[0069]
获取目标车辆的数据交互信息，并将数据交互信息进行特征训练，构建旁车切入识别模型；
[0070]
通过旁车切入识别模型，对目标车辆进行旁车切入的识别，得到识别结果；其中，识别结果为车辆已切入或者车辆未切入；
[0071]
若识别结果为车辆已切入，则对切入车辆的相对车速以及相对车距进行模糊控制，得到跟随性权重系数；
[0072]
根据跟随性权重系数，对预设模型预测控制器进行更新，并通过更新后的预设模型预测控制器，获取目标车辆的期望加速度；
[0073]
根据期望加速度，对目标车辆的油门执行器以及制动执行器进行调节控制，以完成对目标车辆行驶速度的控制。
[0074]
本技术实施例提供了一种基于旁车切入识别的自适应巡航控制方法及设备，通过人工蜂群算法与支持向量机优化得到的旁车切入识别模型，能够提前识别准备切入车道的车辆，降低了目标车辆的制动强度，减少了车辆制动的时间，提高了车辆换道识别的准确性。基于模糊控制理论实时调整模型预测控制器的权重参数，解决了因跟随目标突变造成来加速度波动较大的问题，当acc系统跟随目标切换为切入车辆时，能够实时调整mpc的权重系数，从而降低了纵向加速度波动过大的问题，增强了目标车辆的跟车控制效果，并且提高了车辆乘坐的舒适性以及跟车的安全性。
[0075]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0076]
上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或
者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0077]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术的实施例可以有各种更改和变化。凡在本技术实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。