[go: up one dir, main page]

CN119428667A - 一种自适应巡航控制方法、系统及车辆 - Google Patents

一种自适应巡航控制方法、系统及车辆 Download PDF

Info

Publication number
CN119428667A
CN119428667A CN202411683936.9A CN202411683936A CN119428667A CN 119428667 A CN119428667 A CN 119428667A CN 202411683936 A CN202411683936 A CN 202411683936A CN 119428667 A CN119428667 A CN 119428667A
Authority
CN
China
Prior art keywords
fuzzy
value
fuzzy subset
index weight
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202411683936.9A
Other languages
English (en)
Other versions
CN119428667B (zh
Inventor
龙小晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thalys Automobile Co ltd
Original Assignee
Thalys Automobile Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thalys Automobile Co ltd filed Critical Thalys Automobile Co ltd
Priority to CN202411683936.9A priority Critical patent/CN119428667B/zh
Publication of CN119428667A publication Critical patent/CN119428667A/zh
Application granted granted Critical
Publication of CN119428667B publication Critical patent/CN119428667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请实施例提供一种自适应巡航控制方法、系统及车辆，方法包括：根据行驶状态，确定两车间的车间时距取值和碰撞的风险程度取值；根据该两个取值，确定车间时距模糊集中对应车间时距取值的目标模糊子集和风险程度模糊集中对应风险程度取值的目标模糊子集；根据模糊规则，确定第一修正变量的第一模糊集中对应目标模糊子集的第一模糊子集，第一修正变量为与第一指标权重对应的修正变量；通过对第一模糊子集进行解模糊化，获得对应的目标取值；通过目标取值对第一指标权重进行修正，获得第一修正指标权重；基于第一修正指标权重进行自适应巡航控制。旨在提升自适应巡航控制的适应性，以提升驾驶的舒适性和可靠性。

Description

一种自适应巡航控制方法、系统及车辆
技术领域
本申请涉及巡航控制技术领域，具体涉及一种自适应巡航控制方法、系统及车辆。
背景技术
CACC系统(Cooperative Adaptive Cruise Control协同自适应巡航控制系统)是一个涉及多个领域的复杂控制系统，需要充分考虑人、车、路三者之间的关系，才能实现有效的跟车控制和交通管理。在CACC系统中传统的上层MPC控制器运作时，对CACC系统的安全性、跟车性及舒适性的权重分配是固定不变，这对复杂的道路工况并不能很好的适应，会降低驾驶的舒适性和可靠性。
发明内容
有鉴于此，本申请实施例提供一种自适应巡航控制方法、系统及车辆。旨在提升自适应巡航控制的适应性，以提升驾驶的舒适性和可靠性。
本申请第一方面提供了一种自适应巡航控制方法，所述方法包括：
根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；
根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集；
根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重；
通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值；
通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重；
基于所述第一修正指标权重进行自适应巡航控制。
可选的，在基于所述第一修正指标权重进行自适应巡航控制之前，所述方法还包括：
根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，所述第二修正变量为与第二指标权重对应的修正变量，所述第二指标权重为安全性指标权重和舒适性指标权重中不同于第一指标权重的指标权重；
通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值；
通过所述第二修正变量对应的目标取值对第二指标权重进行修正，获得第二修正指标权重；
所述基于所述第一修正指标权重进行自适应巡航控制，包括：基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制。
可选的，根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集，包括：
根据所述车间时距取值，通过车间时距模糊集中各个模糊子集各自的隶属度函数分别计算所述车间时距取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述车间时距取值对应的目标模糊子集；
根据所述风险程度取值，通过风险程度模糊集中各个模糊子集各自的隶属度函数分别计算所述风险程度取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述风险程度取值对应的目标模糊子集。
可选的，根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，包括：
根据模糊规则，确定第一修正变量对应的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第一模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；
将确定的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第一修正变量对应的第一模糊子集。
可选的，根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，包括：
根据模糊规则，确定第二修正变量对应的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第二模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；
将确定的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第二修正变量对应的第二模糊子集。
可选的，在所述第一模糊子集包括多个的情况下，在通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值之前，所述方法还包括：
根据第一模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第一模糊子集的激活度；
根据每个第一模糊子集的激活度，对所有的第一模糊子集进行加权平均获得最终的第一模糊子集；
在所述第二模糊子集包括多个的情况下，在通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值之前，所述方法还包括：
根据第二模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第二模糊子集的激活度；
根据每个第二模糊子集的激活度，对所有的第二模糊子集进行加权平均获得最终的第二模糊子集。
可选的，在基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制之前，所述方法还包括：
通过融合间距策略确定车间距离，所述融合间距策略表达式为：其中，dexp表示所需维持的车间距离；d0为车间最小安全距离；dc为修正项；th和c为固定常系数；v为自车车速；vhead为领航车车速；vrel_head为两车速度差；
所述基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制，包括：基于所述第一修正指标权重、所述第二修正指标权重和所述所需维持的车间距离进行自适应巡航控制。
可选的，根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值，包括：
根据车辆行驶状态，通过车间时距确定算法进行计算，获得两车间的车间时距取值，所述车间时距确定算法表达式为其中，Tthw表示车间时距，d表示两车间距，dc为修正项，v为自车车速；
根据车辆行驶状态，通过风险程度确定算法进行计算，获得两车发生碰撞的风险程度取值，所述风险程度确定算法表达式为其中，Tttc -1表示风险程度，vrel表示两车速度差，d表示两车间距，vp表示前车车速。
本申请第二方面提供了一种自适应巡航控制系统，所述系统包括：
参数确定模块，用于根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；
目标模糊子集确定模块，用于根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集；
第一模糊子集确定模块，用于根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重；
解模糊化处理模块，用于通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值；
修正模块，用于通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重；
巡航控制模块，用于基于所述第一修正指标权重进行自适应巡航控制。
本申请第三方面提供了一种车辆，所述车辆设置有本申请第二方面提供的一种自适应巡航控制系统，用于执行本申请第一方面提供的一种自适应巡航控制方法中的步骤。
本申请提供的一种自适应巡航控制方法具有以下优点：
本申请实施例提供的一种自适应巡航控制方法，引入模糊理论对CACC系统中的MPC算法(Model Predictive Control，模型预测控制)进行优化，首先根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；同时预先建立了与车间时距对应的车间时距模糊集，该车间时距模糊集中包括多个模糊子集，同时预先建立了与发生碰撞的风险程度对应的风险程度模糊集，该风险程度模糊集中包括多个模糊子集；根据确定的车间时距取值和风险程度取值，确定车间时距模糊集中与该车间时距取值对应的目标模糊子集，以及确定风险程度模糊集中与该风险程度取值对应的目标模糊子集；同时预先建立了与第一修正变量对应的第一模糊集，该第一模糊集中包括多个模糊子集；根据模糊规则，确定第一修正变量对应的第一模糊集中同时与该车间时距取值对应的目标模糊子集和该风险程度取值对应的目标模糊子集相对应的一个模糊子集，将该模糊子集确定为与第一修正变量对应的第一模糊子集，该第一修正变量为与第一指标权重对应的修正变量，该第一指标权重为安全性指标权重或舒适性指标权重；通过解模糊化算法对确定的与第一修正变量对应的第一模糊子集进行解模糊化，获得该第一修正变量对应的目标取值；然后通过第一修正变量对应的该目标取值对第一指标权重进行修正，获得第一修正指标权重；最后CACC系统基于该第一修正指标权重进行自适应巡航控制。由此，本申请通过引入模糊理论，对各项性能指标的权重分配由以往的固定不变调整为基于车辆的实际行驶状态进行动态调整，以此有效提升自适应巡航控制的适应性，以提升驾驶的舒适性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个实施例示出的一种自适应巡航控制方法中CACC系统的系统结构图；
图2为本申请一个实施例示出的一种自适应巡航控制方法的流程图；
图3为本申请一个实施例示出的一种自适应巡航控制方法中模糊控制的流程图；
图4为本申请一个实施例示出的一种自适应巡航控制方法中自适应巡航控制的流程图；
图5为本申请一个实施例示出的一种自适应巡航控制系统的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在对本申请进行说明之前，先对当前的背景进行说明，CACC系统(CooperativeAdaptive Cruise Control协同自适应巡航控制系统)是一个涉及多个领域的复杂控制系统，需要充分考虑人、车、路三者之间的关系，才能实现有效的跟车控制和交通管理。如图1所示，图1示出了在V2X环境下电动汽车的CACC系统结构的示意图，该CACC系统的主要的组成结构和各个组成结构之间的作用分别为：HMI人机交互界面，用于为驾驶员提供了与CACC系统进行交互的平台，包括显示当前车速、跟车间讵等信息，以及调整CACC系统参数的功能；驾驶员优先控制策略，用于允许驾驶员随时通过踩刹车或加速踏板来控制车的速度和加速度，确保驾驶员对车辆的控制权；定速巡航/跟车模式切换策略，用于进行逻辑判断自动调整车辆行驶模式，并发送模式信号给上层控制器；跟车间距策略，用于根据车辆状态信息将期望跟车间距传递给上层控制器，并控制车辆的加速度和制动力，以保持与前车的安全距离；下层控制器，用于对车辆动力学进行逆向分析，得到驱动、制动系统的控制方法，并结合制动/驱动切换控制策略将上层给予的期望加速度信号转化为执行机构可以接受的期望驱动力矩、制动压力信号，完成对车辆的纵向运动控制；上层控制器(核心)，用于根据车辆信息及行驶模式求解出最合适的期望加速度，在保证车辆安全性的前提下，满足驾驶员的驾驶风格需要，并尽可能对乘客的舒适性、队列的跟随性做出优化，同时将相应信号传递给下层控制器；车辆动力学模型组，用于描述车辆在运动过程中的动力学特性，包括加速度、制动力、转弯半径等参数，是CACC系统中的重要组成部分。而针对CACC系统中上层控制器中的MPC算法，其实现主要三个基本步骤：预测模型、滚动优化、反馈矫正，最核心的步骤为预测模型的建立，其中在最后输出的综合性能函数方程中，存在指标权重的系数ωy，其矩阵为其中ωx＝diag[ωsafe ωvrel ωcomf]，Np为预测时域，ωsafe为安全性指标权重，ωvrel为跟车性指标权重，ωcomf为舒适性指标权重，在传统的上层控制器运作时，对CACC系统的三个性能指标权重ωsafe，ωvrel，ωcomf的权重分配是固定不变(一般在前期会设定为固定值)，这对复杂的道路工况并不能很好的适应，会降低驾驶的舒适性和可靠性。而本申请则主要是在对CACC系统中MPC算法上进行上层控制的优化，具体为基于车辆的行驶状态对性能指标权重进行动态调整，以此有效提升自适应巡航控制的适应性，以提升驾驶的舒适性和可靠性。此外本申请还提供了相关的其他实施方式来对CACC系统中的跟车间距策略进行优化，以此使得车辆在不同的工况下都能保持跟车的安全性和速度变化的舒适性。
参考图2，图2为本申请一个实施例示出的一种自适应巡航控制方法的示意图。如图2所示，本申请提供的一种自适应巡航控制方法，包括：
步骤S1：根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值。
在本实施例中，首先根据车辆的行驶状态，确定自车与前车之间的车间时距取值和确定自车与前车发生碰撞的风险程度取值，该车间时距取值反映的是当前时刻自车到达前车所在位置的所需时长，该发生碰撞的风险程度取值则反映的是自车是否在接近前车，即发生碰撞的可能性。
步骤S2：根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集。
在本实施例中，本申请引入模糊理论，针对车间时距参数和风险程度参数，预先通过先验的专家知识，进行大量的试验标定，构建与车间时距参数对应的车间时距模糊集，该车间时距模糊集中包括多个模糊子集，同时构建与风险程度参数对应的风险程度模糊集，该风险程度模糊集中包括多个模糊子集。
在本实施例中，在通过步骤S1计算获得当前自车与前车之间的车间时距取值和风险程度取值后，通过相关的算法对该车间时距取值进行计算，确定车间时距模糊集中与该车间时距取值对应的模糊子集，将该模糊子集确定为该车间时距取值对应的目标模糊子集；以及通过相关的算法对风险程度取值进行计算，确定风险程度模糊集中与该风险程度取值对应的模糊子集，将该模糊子集确定为该风险程度取值对应的目标模糊子集。
步骤S3：根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重。
在本申请中，步骤S3具体可以包括：根据模糊规则，确定第一修正变量对应的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第一模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；将确定的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第一修正变量对应的第一模糊子集。
在本实施例中，针对第一修正变量，预先通过先验的专家知识，进行大量的试验标定，构建与第一修正变量对应的第一模糊集，该第一模糊集中包括多个模糊子集。同时预先设定模糊规则，该模糊规则中至少定义了第一修正变量的第一模糊集中的每个模糊子集同时与车间时距模糊集和风险程度模糊集中各个模糊子集之间的对应关系。
示例地，假定预先建立的车间时距模糊集Tthw＝{NBthw,NSthw,ZOthw,PSthw,PBthw}中包括5个模糊子集，分别为NBthw，NSthw，ZOthw，PSthw，PBthw；预先建立的风险程度模糊集Tttc -1＝{NBttc,NSttc,ZOttc,PSttc,PBttc}中包括5个5模糊子集，分别为NBttc，NSttc，ZOttc，PSttc，PBttc；预先建立的与第一修正变量对应的第一模糊集C1＝{NB1,NS1,ZO1,PS1,PB1}中包括5个模糊子集，分别为NB1，NS1，ZO1，PS1，PB1，同时假定第一修正变量对应的第一指标权重为舒适性指标权重。基于预先建立的车间时距模糊集、风险程度模糊集和第一模糊集，建立对应的模糊规则，该模糊规则定义了第一修正变量的第一模糊集中的每个模糊子集同时与车间时距模糊集和风险程度模糊集中各个模糊子集之间的对应关系，如表1所示，表1记录的对应关系即为建立的模糊规则，其中NB代表负大即缩小；NS代表负小即稍微缩小；ZO为零即不做修正；PS代表正小即稍微扩大；PB代表正大即扩大。
表1
在本实施例中，基于模糊规则，确定该模糊规则中定义的同时与通过步骤S2确定的与车间时距取值对应的目标模糊子集和与风险程度取值对应的目标模糊子集对应的第一模糊集中的模糊子集，然后将该模糊子集确定为第一修正变量对应的第一模糊子集。例如，继续沿用上述示例，在确定与车间时距取值对应的目标模糊子集为NSthw和与风险程度取值对应的目标模糊子集为ZOttc，通过表1所示的模糊规则，确定同时与NSthw和ZOttc对应的第一模糊集中的模糊子集为NS1，因此确定第一模糊集中的NS1模糊子集为与第一修正变量对应的第一模糊子集。其中，第一修正变量为与第一指标权重对应的修正变量，而该第一指标权重可以为安全性指标权重，也可以为舒适性指标权重。在第一指标权重为安全性指标权重的情况下，本申请动态调整的则是安全性指标权重，而在第一指标权重为舒适性指标权重的情况下，本申请动态调整的则是舒适性指标权重。
步骤S4：通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值。
在本实施例中，在通过步骤S3获得第一修正变量对应的第一模糊子集后，通过解模糊化算法对该第一模糊子集进行解模糊化，得到该第一修正变量对应的一个确定的目标取值。其中，解模糊化算法优选为重心法解模糊化，应当理解的是这只是优选的一个解模糊算法，该解模糊化算法同样可以是其他解模糊算法，在此不做具体限定。
步骤S5：通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重。
在本实施例中，在通过步骤S4的解模糊化处理后，即可获得第一修正变量对应的一个明确的输出值(即目标取值)，然后通过该目标取值对第一指标权重进行修正，得到修正后的第一指标权重，该修正后的第一指标权重即为第一修正指标权重。
步骤S6：基于所述第一修正指标权重进行自适应巡航控制。
在本实施例中，在通过步骤S5获得基于车辆行驶状态修正后的第一修正指标权重，CACC系统将基于该第一修正指标权重对自车进行协同自适应巡航控制，由此相较于以往的以固定取值的第一指标权重对自车进行协同自适应巡航控制，本申请基于车辆行驶状态对第一指标权重进行动态调整，以提高协同自适应巡航控制的适应性，从而达到提升驾驶的舒适性和可靠性的目的。
本申请实施例提供的一种自适应巡航控制方法，引入模糊理论对CACC系统中的MPC算法(Model Predictive Control，模型预测控制)进行优化，首先根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；同时预先建立了与车间时距对应的车间时距模糊集，该车间时距模糊集中包括多个模糊子集，同时预先建立了与发生碰撞的风险程度对应的风险程度模糊集，该风险程度模糊集中包括多个模糊子集；根据确定的车间时距取值和风险程度取值，确定车间时距模糊集中与该车间时距取值对应的目标模糊子集，以及确定风险程度模糊集中与该风险程度取值对应的目标模糊子集；同时预先建立了与第一修正变量对应的第一模糊集，该第一模糊集中包括多个模糊子集；根据模糊规则，确定第一修正变量对应的第一模糊集中同时与该车间时距取值对应的目标模糊子集和该风险程度取值对应的目标模糊子集相对应的一个模糊子集，将该模糊子集确定为与第一修正变量对应的第一模糊子集，该第一修正变量为与第一指标权重对应的修正变量，该第一指标权重为安全性指标权重或舒适性指标权重；通过解模糊化算法对确定的与第一修正变量对应的第一模糊子集进行解模糊化，获得该第一修正变量对应的目标取值；然后通过第一修正变量对应的该目标取值对第一指标权重进行修正，获得第一修正指标权重；最后CACC系统基于该第一修正指标权重进行自适应巡航控制。由此，本申请通过引入模糊理论，对各项性能指标的权重分配由以往的固定不变调整为基于车辆的实际行驶状态进行动态调整，以此有效提升自适应巡航控制的适应性，以提升驾驶的舒适性和可靠性。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，在步骤S6之前，该方法还包括步骤S01至步骤S03：
步骤S01：根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，所述第二修正变量为与第二指标权重对应的修正变量，所述第二指标权重为安全性指标权重和舒适性指标权重中不同于第一指标权重的指标权重。
在本申请中，步骤S01具体可以包括：根据模糊规则，确定第二修正变量对应的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第二模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；将确定的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第二修正变量对应的第二模糊子集。
在本实施例中，本申请的上一实施方式只针对安全性指标权重和舒适性指标权重中的一者进行动态调整。而为了在自适应巡航过程中能够同时提升驾驶的舒适性和可靠性，本申请另一实施方式将同时对安全性指标权重和舒适性指标权重均进行动态调整。
具体地：针对第二修正变量，预先通过先验的专家知识，进行大量的试验标定，构建与第二修正变量对应的第二模糊集，该第二模糊集中包括多个模糊子集。同时预先设定模糊规则，该模糊规则中至少定义了第二修正变量的第二模糊集中的每个模糊子集同时与车间时距模糊集和风险程度模糊集中各个模糊子集之间的对应关系。
示例地，假定预先建立的车间时距模糊集Tthw＝{NBthw,NSthw,ZOthw,PSthw,PBthw}中包括5个模糊子集，分别为NBthw，NSthw，ZOthw，PSthw，PBthw；预先建立的风险程度模糊集Tttc -1＝{NBttc,NSttc,ZOttc,PSttc,PBttc}中包括5个5模糊子集，分别为NBttc，NSttc，ZOttc，PSttc，PBttc；预先建立的与第二修正变量对应的第二模糊集C2＝{NB2,NS2,ZO2,PS2,PB2}中包括5个模糊子集，分别为NB2，NS2，ZO2，PS2，PB2，同时假定第二修正变量对应的第二指标权重为安全性指标权重。基于预先建立的车间时距模糊集、风险程度模糊集和第二模糊集，建立对应的模糊规则，该模糊规则定义了第二修正变量的第二模糊集中的每个模糊子集同时与车间时距模糊集和风险程度模糊集中各个模糊子集之间的对应关系，如表2所示，表2记录的对应关系即为建立的模糊规则。
表2
在本实施例中，基于模糊规则，确定该模糊规则中定义的同时与通过步骤S2确定的与车间时距取值对应的目标模糊子集和与风险程度取值对应的目标模糊子集对应的第二模糊集中的模糊子集，然后将该模糊子集确定为第二修正变量对应的第二模糊子集。例如，继续沿用上述示例，在确定与车间时距取值对应的目标模糊子集为NSthw和与风险程度取值对应的目标模糊子集为ZOttc，通过表2所示的模糊规则，确定同时与NSthw和ZOttc对应的第二模糊集中的模糊子集为PS2，因此确定第二模糊集中的PS2模糊子集为与第二修正变量对应的第二模糊子集。其中，第二修正变量为与第二指标权重对应的修正变量，而第二指标权重为安全性指标权重和舒适性指标权重中不同于第一指标权重的一个指标权重。例如，在第一指标权重为舒适性指标权重的情况下，第二指标权重则为安全性指标权重；在第一指标权重为安全性指标权重的情况下，第二指标权重则为舒适性指标权重。
步骤S02：通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值。
在本实施例中，在通过步骤S01获得第二修正变量对应的第二模糊子集后，通过解模糊化算法对该第二模糊子集进行解模糊化，得到该第二修正变量对应的一个确定的目标取值。其中，解模糊化算法优选为重心法解模糊化，应当理解的是这只是优选的一个解模糊算法，该解模糊化算法同样可以是其他解模糊算法，在此不做具体限定。
步骤S03：通过所述第二修正变量对应的目标取值对第二指标权重进行修正，获得第二修正指标权重。
在本实施例中，在通过步骤S02的解模糊化处理后，即可获得第二修正变量对应的一个明确的输出值(即目标取值)，然后通过该目标取值对第二指标权重进行修正，得到修正后的第二指标权重，该修正后的第二指标权重即为第二修正指标权重。
在本申请中，在该自适应巡航控制方法还包括步骤S01至步骤S03的情况下，步骤S6包括：基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制。
在本实施例中，在通过步骤S5获得基于车辆行驶状态修正后的第一修正指标权重和通过步骤S03获得基于车辆行驶状态修正后的第二修正指标权重后，CACC系统将基于该第一修正指标权重和该第二修正指标权重对自车进行协同自适应巡航控制，由此相较于以往的以固定取值的第一指标权重和第二指标权重对自车进行协同自适应巡航控制，本申请基于车辆行驶状态对第一指标权重和第二指标权重进行动态调整，以提高协同自适应巡航控制的适应性，从而达到提升驾驶的舒适性和可靠性的目的。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，步骤S2可以包括步骤S21至步骤S22：
步骤S21：根据所述车间时距取值，通过车间时距模糊集中各个模糊子集各自的隶属度函数分别计算所述车间时距取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述车间时距取值对应的目标模糊子集。
在本实施例中，针对预先建立的车间时距模糊集中的每个模糊子集各自都有相对应的隶属度函数。在通过步骤S1获得当前的车间时距取值后，将该车间时距取值分别带入各个模糊子集各自对应的隶属度函数进行计算，针对每个隶属度函数都将计算获得一个隶属度取值。然后筛选出得到的所有隶属度取值中最大的一个隶属度取值，将该最大的一个隶属度取值对应的隶属度函数所属于的模糊子集确定为该车间时距取值对应的目标模糊子集。其中，车间时距模糊集中的每个模糊子集对应的隶属度函数优选为高斯型隶属度函数。
步骤S22：根据所述风险程度取值，通过风险程度模糊集中各个模糊子集各自的隶属度函数分别计算所述风险程度取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述风险程度取值对应的目标模糊子集。
在本实施例中，针对预先建立的风险程度模糊集中的每个模糊子集各自都有相对应的隶属度函数。在通过步骤S1获得当前的风险程度取值后，将该风险程度取值分别带入各个模糊子集各自对应的隶属度函数进行计算，针对每个隶属度函数都将计算获得一个隶属度取值。然后筛选出得到的所有隶属度取值中最大的一个隶属度取值，将该最大的一个隶属度取值对应的隶属度函数所属于的模糊子集确定为该风险程度取值对应的目标模糊子集。其中，风险程度模糊集中的每个模糊子集对应的隶属度函数优选为高斯型隶属度函数。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，在所述第一模糊子集包括多个的情况下，在步骤S4之前，该方法还包括步骤S041之步骤S042：
步骤S041：根据第一模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第一模糊子集的激活度。
在本实施例中，在基于预先建立的模糊规则，确定同时与车间时距取值对应的目标模糊子集和与风险程度取值对应的目标模糊子集对应的第一模糊子集包括多个的情况下，为了提升优化效果，本申请对多个第一模糊子集进行加权平均，然后将加权平均后的一个最终的第一模糊子集用于进行后续的解模糊化。
具体地：针对确定的每个第一模糊子集都有相对应的两个目标模糊子集，而该两个目标模糊子集在被确定为目标模糊子集时计算了自身的一个隶属度取值，而本申请则针对每个第一模糊子集，将自身对应的两个目标模糊子集对应的两个隶属度取值中的最小的一个确定为该第一模糊子集对应的激活度。
步骤S042：根据每个第一模糊子集的激活度，对所有的第一模糊子集进行加权平均获得最终的第一模糊子集。
在本实施例中，基于确定的多个第一模糊子集的激活度，对该多个第一模糊子集进行加权平均处理，得到最终的一个综合的第一模糊子集，最终将由该综合的第一模糊子集参与后续的解模糊化。第一模糊子集的激活度越高，相应的对得到的最终的一个综合的第一模糊子集的影响越高。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，在所述第二模糊子集包括多个的情况下，在步骤S02之前，该方法还包括步骤S0021至步骤S0022：
步骤S0021：根据第二模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第二模糊子集的激活度。
在本实施例中，针对确定的每个第二模糊子集都有相对应的两个目标模糊子集，而该两个目标模糊子集在被确定为目标模糊子集时计算了自身的一个隶属度取值，而本申请则针对每个第二模糊子集，将自身对应的两个目标模糊子集对应的两个隶属度取值中的最小的一个确定为该第二模糊子集对应的激活度。
步骤S0022：根据每个第二模糊子集的激活度，对所有的第二模糊子集进行加权平均获得最终的第二模糊子集。
在本实施例中，基于确定的多个第二模糊子集的激活度，对该多个第二模糊子集进行加权平均处理，得到最终的一个综合的第二模糊子集，最终将由该综合的第二模糊子集参与后续的解模糊化。第二模糊子集的激活度越高，相应的对得到的最终的一个综合的第二模糊子集的影响越高。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，步骤S1可以包括：根据车辆行驶状态，通过车间时距确定算法进行计算，获得两车间的车间时距取值，所述车间时距确定算法表达式为其中，Tthw表示车间时距，d表示两车间距，dc为修正项，v为自车车速；根据车辆行驶状态，通过风险程度确定算法进行计算，获得两车发生碰撞的风险程度取值，所述风险程度确定算法表达式为其中，Tttc -1表示风险程度，vrel表示两车速度差，d表示两车间距，vp表示前车车速。
在本实施例中，根据当前监测获得的车辆行驶状态，通过车间时距确定算法进行计算，获得两车间的车间时距取值，该车间时距确定算法表达式为其中，Tthw表示车间时距，d表示两车间距，dc为修正项，v为自车车速。同时根据当前监测获得的车辆行驶状态，通过风险程度确定算法进行计算，获得两车发生碰撞的风险程度取值，该风险程度确定算法表达式为其中，Tttc -1表示风险程度，vrel表示两车速度差，d表示两车间距，vp表示前车车速。
结合以上实施例，在一种实施方式中，本申请实施例还提供了一种自适应巡航控制方法。在该自适应巡航控制方法中，在步骤S6之前，该方法还包括步骤S061：通过融合间距策略确定车间距离，所述融合间距策略表达式为：其中，dexp表示所需维持的车间距离；d0为车间最小安全距离；dc为修正项；th和c为固定常系数；v为自车车速；vhead为领航车车速；vrel_head为两车速度差。
在本实施例中，在CACC系统的自适应巡航控制中还涉及跟车间距策略，而目前的跟车间距策略主要包括固定间距(CTH Constant Time Headway)策略和可变间距(VTHVariable Time Headway)策略。两者的性能差异主要体现在收敛性和自适应上，CTH策略是指其车头时距是固定不变的，其期望车距仅与车速相关，而VTH策略是指车头时距随着周围环境的变化而变化，其期望车距不仅与自车车速相关，还与前车的加速度以及速度有关。虽然VTH策略具有更加灵活、更安全、更舒适和更高效等优势，但是CTH策略相比VTH策略具有更高的稳定性和可靠性，更加贴近驾驶人员的驾驶习惯，通信需求更少，两者在不同的场景下具有不同的优势与劣势。而本申请为了使得车辆在不同的工况下都能保持跟车的安全性和速度变化的舒适性，提出一种综合考虑了固定间距(CTH Constant Time Headway)策略和可变间距(VTH Variable Time Headway)策略的新的融合间距策略。
具体地，该新的融合间距策略的表达式为其中，dexp表示所需维持的车间距离；d0为车间最小安全距离；dc为修正项；th和c为固定常系数；v为自车车速；vhead为领航车车速(也就是自车巡航跟随的前车车速)；vrel_head为两车速度差。设定dc的下限值为d0，以防止跟车间距过小，优选取值为7m。通过该融合间距策略进行车间距离确定。该融合间距策略将自车与车队整体运动趋势列入考虑的范围内，在保留CTH策略较好收敛性的同时引入VTH策略能够动态调节期望跟车间距的特性，并且根据跟车稳定性需要满足ap→0时Δd→0的条件(ap为前车加速度，Δd为跟车间距误差)，进行对该融合间距策略稳定性的推导，可以确定当前方车队稳定行驶时，该跟车间距策略具有更高的稳定性。
在本申请中，在该方法还包括步骤S061的情况下，步骤S6包括：基于所述第一修正指标权重、所述第二修正指标权重和所述所需维持的车间距离进行自适应巡航控制/或基于所述第一修正指标权重和所述所需维持的车间距离进行自适应巡航控制。
在本实施例中，在本申请引入了新的融合间距策略的情况下，CACC系统基于第一修正指标权重、第二修正指标权重和确定的所需维持的车间距离进行自适应巡航控制/或基于第一修正指标权重和确定的所需维持的车间距离进行自适应巡航控制。
在本实施例中，本申请通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重的一种可选实施方式为：通过将第一修正变量对应的目标取值带入表达式进行计算，并将计算获得的w1取值带入表达式ω′1＝a·w1进行计算，获得对应的第一修正指标权重。其中，ω1表示第一指标权重，属于CACC系统中的已知量；ω′1表示第一修正指标权重；C1表示第一修正变量对应的目标取值；a为常数项，在第一指标权重为安全性指标权重的情况下，a优选取值为2，在第一指标权重为舒适性指标权重的情况下，a优选取值为0.6。本申请通过所述第二修正变量对应的目标取值对第二指标权重进行修正，获得第二修正指标权重的一种可选实施方式为：通过将第二修正变量对应的目标取值带入表达式进行计算，并将计算获得的w2取值带入表达式ω′2＝b·w2进行计算，获得对应的第二修正指标权重。其中，在该计算中ω2表示第二指标权重，属于CACC系统中的已知量；ω′2表示第二修正指标权重；C2表示第二修正变量对应的目标取值；b为常数项，在第二指标权重为安全性指标权重的情况下，b优选取值为2，在第二指标权重为舒适性指标权重的情况下，b优选取值为0.6。在本实施例中，通过该实施方式，以往固定不变的指标权重ωx＝diag[ωsafeωvrelωcomf]，将基于车辆行驶状态成为动态调整的指标权重ωx＝diag[ω′safeωvrelω′comf]。
在本实施例中，根据一般经验优选限制输入输出的基本论域Tthw为[0,3]；Tttc -1为[-0.3,0.3]；Csafe和Ccomf为[-5,5]。
在本实施例中，如图3和图4所示，本申请提供的一种自适应巡航控制方法的具体实现方式可以是在CACC系统的上层控制器的输入侧设置模糊控制器，该模糊控制器用于执行本申请第一方面提供的一种自适应巡航控制方法中的步骤，具体为：基于输入(即车间时距取值Tthw和风险程度取值Tttc -1)，通过模糊化得到该两个输入各自对应的目标模糊子集；然后基于预先建立的模糊规则进行模糊推理，确定第一修正变量对应的第一模糊子集和/或第二修正变量对应的第二模糊子集，然后对第一模糊子集和/或第二模糊子集进行解模糊化，得到第一修正变量对应的目标取值和/或第二修正变量对应的目标取值，并将第一修正变量对应的目标取值带入表达式进行计算，得到对应的w1取值和/或将第二修正变量对应的目标取值带入表达式进行计算，得到对应的w2取值；然后将得到的w1取值和/或得到的w2取值输入至上层控制器，由上层控制器通过表达式ω′1＝a·w1进行计算，获得对应的第一修正指标权重和/或通过表达式ω′2＝b·w2进行计算，得到对应的第二修正指标权重；最终基于得到的第一修正指标权重和/或第二修正指标权重进行自适应巡航控制。
基于同一发明构思，本申请一实施例提供了一种自适应巡航控制系统，如图5所示，所述系统500包括：
参数确定模块501，用于根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；
目标模糊子集确定模块502，用于根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集；
第一模糊子集确定模块503，用于根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重；
解模糊化处理模块504，用于通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值；
修正模块505，用于通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重；
巡航控制模块506，用于基于所述第一修正指标权重进行自适应巡航控制。
可选的，所述系统500还包括：
第二模糊子集确定模块，用于根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，所述第二修正变量为与第二指标权重对应的修正变量，所述第二指标权重为安全性指标权重和舒适性指标权重中不同于第一指标权重的指标权重；
解模糊化处理模块，用于通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值；
修正模块，用于通过所述第二修正变量对应的目标取值对第二指标权重进行修正，获得第二修正指标权重；
第一巡航控制模块，用于基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制。
可选的，目标模糊子集确定模块502，包括：
第一目标模糊子集确定模块，用于根据所述车间时距取值，通过车间时距模糊集中各个模糊子集各自的隶属度函数分别计算所述车间时距取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述车间时距取值对应的目标模糊子集；
第二目标模糊子集确定模块，用于根据所述风险程度取值，通过风险程度模糊集中各个模糊子集各自的隶属度函数分别计算所述风险程度取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述风险程度取值对应的目标模糊子集。
可选的，第一模糊子集确定模块503，用于根据模糊规则，确定第一修正变量对应的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第一模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；以及用于将确定的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第一修正变量对应的第一模糊子集。
可选的，第二模糊子集确定模块，用于根据模糊规则，确定第二修正变量对应的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第二模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；以及用于将确定的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第二修正变量对应的第二模糊子集。
可选的，所述系统500还包括：
第一激活度确定模块，用于在所述第一模糊子集包括多个的情况下，根据第一模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第一模糊子集的激活度；
第一模糊子集确定模块503，用于根据每个第一模糊子集的激活度，对所有的第一模糊子集进行加权平均获得最终的第一模糊子集；
第二激活度确定模块，用于在所述第二模糊子集包括多个的情况下，根据第二模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第二模糊子集的激活度；
第二模糊子集确定模块，用于根据每个第二模糊子集的激活度，对所有的第二模糊子集进行加权平均获得最终的第二模糊子集。
可选的，所述系统500还包括：
车间距离确定模块，用于通过融合间距策略确定车间距离，所述融合间距策略表达式为：其中，dexp表示所需维持的车间距离；d0为车间最小安全距离；dc为修正项；th和c为固定常系数；v为自车车速；vhead为领航车车速；vrel_head为两车速度差；
第二巡航控制模块，用于基于所述第一修正指标权重、所述第二修正指标权重和所述所需维持的车间距离进行自适应巡航控制。
可选的，参数确定模块501，包括：
车间时距取值确定模块，用于根据车辆行驶状态，通过车间时距确定算法进行计算，获得两车间的车间时距取值，所述车间时距确定算法表达式为其中，Tthw表示车间时距，d表示两车间距，dc为修正项，v为自车车速；
风险程度取值确定模块，用于根据车辆行驶状态，通过风险程度确定算法进行计算，获得两车发生碰撞的风险程度取值，所述风险程度确定算法表达式为其中，Tttc -1表示风险程度，vrel表示两车速度差，d表示两车间距，vp表示前车车速。
基于同一发明构思，本申请一实施例提供了一种车辆，所述车辆设置有本申请第二方面提供的一种自适应巡航控制系统，用于执行本申请第一方面提供的一种自适应巡航控制方法中的步骤。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必需的。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种自适应巡航控制方法、系统及车辆，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种自适应巡航控制方法，其特征在于，所述方法包括：
根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；
根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集；
根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重；
通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值；
通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重；
基于所述第一修正指标权重进行自适应巡航控制。
2.根据权利要求1所述的一种自适应巡航控制方法，其特征在于，在基于所述第一修正指标权重进行自适应巡航控制之前，所述方法还包括：
根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，所述第二修正变量为与第二指标权重对应的修正变量，所述第二指标权重为安全性指标权重和舒适性指标权重中不同于第一指标权重的指标权重；
通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值；
通过所述第二修正变量对应的目标取值对第二指标权重进行修正，获得第二修正指标权重；
所述基于所述第一修正指标权重进行自适应巡航控制，包括：基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制。
3.根据权利要求2所述的一种自适应巡航控制方法，其特征在于，根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集，包括：
根据所述车间时距取值，通过车间时距模糊集中各个模糊子集各自的隶属度函数分别计算所述车间时距取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述车间时距取值对应的目标模糊子集；
根据所述风险程度取值，通过风险程度模糊集中各个模糊子集各自的隶属度函数分别计算所述风险程度取值下的隶属度取值，并将最大隶属度取值对应的模糊子集确定为与所述风险程度取值对应的目标模糊子集。
4.根据权利要求1所述的一种自适应巡航控制方法，其特征在于，根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，包括：
根据模糊规则，确定第一修正变量对应的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第一模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；
将确定的第一模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第一修正变量对应的第一模糊子集。
5.根据权利要求2所述的一种自适应巡航控制方法，其特征在于，根据模糊规则，确定第二修正变量对应的第二模糊集中与所述目标模糊子集对应的第二模糊子集，包括：
根据模糊规则，确定第二修正变量对应的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，所述模糊规则定义了第二模糊集中的模糊子集同时与车间时距模糊集中的模糊子集和风险程度模糊集中的模糊子集之间的对应关系；
将确定的第二模糊集中同时与所述车间时距取值对应的目标模糊子集和与所述风险程度取值对应的目标模糊子集对应的模糊子集，确定为第二修正变量对应的第二模糊子集。
6.根据权利要求3所述的一种自适应巡航控制方法，其特征在于，在所述第一模糊子集包括多个的情况下，在通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值之前，所述方法还包括：
根据第一模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第一模糊子集的激活度；
根据每个第一模糊子集的激活度，对所有的第一模糊子集进行加权平均获得最终的第一模糊子集；
在所述第二模糊子集包括多个的情况下，在通过解模糊化算法对所述第二模糊子集进行解模糊化，获得所述第二修正变量对应的目标取值之前，所述方法还包括：
根据第二模糊子集对应的目标模糊子集的隶属度取值，将最小隶属度取值确定为所述第二模糊子集的激活度；
根据每个第二模糊子集的激活度，对所有的第二模糊子集进行加权平均获得最终的第二模糊子集。
7.根据权利要求1所述的一种自适应巡航控制方法，其特征在于，在基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制之前，所述方法还包括：
通过融合间距策略确定车间距离，所述融合间距策略表达式为：其中，dexp表示所需维持的车间距离；d0为车间最小安全距离；dc为修正项；th和c为固定常系数；v为自车车速；vhead为领航车车速；vrel_head为两车速度差；
所述基于所述第一修正指标权重和所述第二修正指标权重进行自适应巡航控制，包括：基于所述第一修正指标权重、所述第二修正指标权重和所述所需维持的车间距离进行自适应巡航控制。
8.根据权利要求1所述的一种自适应巡航控制方法，其特征在于，根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值，包括：
根据车辆行驶状态，通过车间时距确定算法进行计算，获得两车间的车间时距取值，所述车间时距确定算法表达式为其中，Tthw表示车间时距，d表示两车间距，dc为修正项，v为自车车速；
根据车辆行驶状态，通过风险程度确定算法进行计算，获得两车发生碰撞的风险程度取值，所述风险程度确定算法表达式为其中，Tttc -1表示风险程度，vrel表示两车速度差，d表示两车间距，vp表示前车车速。
9.一种自适应巡航控制系统，其特征在于，所述系统包括：
参数确定模块，用于根据车辆行驶状态，确定两车间的车间时距取值和发生碰撞的风险程度取值；
目标模糊子集确定模块，用于根据所述车间时距取值和所述风险程度取值，确定车间时距模糊集中与所述车间时距取值对应的目标模糊子集和风险程度模糊集中与所述风险程度取值对应的目标模糊子集；
第一模糊子集确定模块，用于根据模糊规则，确定第一修正变量对应的第一模糊集中与所述目标模糊子集对应的第一模糊子集，所述第一修正变量为与第一指标权重对应的修正变量，所述第一指标权重为安全性指标权重或舒适性指标权重；
解模糊化处理模块，用于通过解模糊化算法对所述第一模糊子集进行解模糊化，获得所述第一修正变量对应的目标取值；
修正模块，用于通过所述第一修正变量对应的目标取值对第一指标权重进行修正，获得第一修正指标权重；
巡航控制模块，用于基于所述第一修正指标权重进行自适应巡航控制。
10.一种车辆，其特征在于，所述车辆设置有权利要求9所述的一种自适应巡航控制系统，用于执行权利要求1至8任一项所述的一种自适应巡航控制方法中的步骤。
CN202411683936.9A 2024-11-22 2024-11-22 一种自适应巡航控制方法、系统及车辆 Active CN119428667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411683936.9A CN119428667B (zh) 2024-11-22 2024-11-22 一种自适应巡航控制方法、系统及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411683936.9A CN119428667B (zh) 2024-11-22 2024-11-22 一种自适应巡航控制方法、系统及车辆

Publications (2)

Publication Number Publication Date
CN119428667A true CN119428667A (zh) 2025-02-14
CN119428667B CN119428667B (zh) 2025-10-14

Family

ID=94528703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411683936.9A Active CN119428667B (zh) 2024-11-22 2024-11-22 一种自适应巡航控制方法、系统及车辆

Country Status (1)

Country Link
CN (1) CN119428667B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116890817A (zh) * 2023-07-20 2023-10-17 武汉理工大学 车辆安全制动控制方法、系统、装置及存储介质
CN117184142A (zh) * 2023-10-26 2023-12-08 中国第一汽车股份有限公司 一种车辆轨迹跟踪控制方法、装置、车辆及存储介质
CN117284287A (zh) * 2023-08-21 2023-12-26 湖南行必达网联科技有限公司 一种自适应巡航主目标选择方法及装置
CN118358572A (zh) * 2024-05-21 2024-07-19 电子科技大学 适用于智能汽车的具有换道功能的自适应巡航控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116890817A (zh) * 2023-07-20 2023-10-17 武汉理工大学 车辆安全制动控制方法、系统、装置及存储介质
CN117284287A (zh) * 2023-08-21 2023-12-26 湖南行必达网联科技有限公司 一种自适应巡航主目标选择方法及装置
CN117184142A (zh) * 2023-10-26 2023-12-08 中国第一汽车股份有限公司 一种车辆轨迹跟踪控制方法、装置、车辆及存储介质
CN118358572A (zh) * 2024-05-21 2024-07-19 电子科技大学 适用于智能汽车的具有换道功能的自适应巡航控制方法

Also Published As

Publication number Publication date
CN119428667B (zh) 2025-10-14

Similar Documents

Publication Publication Date Title
Sawant et al. Robust control of cooperative adaptive cruise control in the absence of information about preceding vehicle acceleration
CN102310856B (zh) 用于加速踏板控制的混合动力电动车辆动力系的控制方法
CN114394092B (zh) 基于车车通信的混合车流汽车协同自适应巡航控制方法
Chu et al. Self-learning optimal cruise control based on individual car-following style
Zhao et al. Model-free optimal control based intelligent cruise control with hardware-in-the-loop demonstration [research frontier]
CN108733955B (zh) 一种智能电动汽车纵向运动控制系统及方法
Cai et al. An intelligent longitudinal controller for application in semiautonomous vehicles
Huang et al. Use of neural fuzzy networks with mixed genetic/gradient algorithm in automated vehicle control
CN115352443B (zh) 一种基于旁车切入识别的自适应巡航控制方法及设备
Saruchi et al. Lateral control strategy based on head movement responses for motion sickness mitigation in autonomous vehicle
Selvaraj et al. An ML-aided reinforcement learning approach for challenging vehicle maneuvers
CN114488799B (zh) 汽车自适应巡航系统控制器参数优化方法
Li et al. Distributed cooperative energy management system of connected hybrid electric vehicles with personalized non-stationary inference
Chen et al. RHONN-modeling-based predictive safety assessment and torque vectoring for holistic stabilization of electrified vehicles
CN104932268A (zh) 基于模糊pid的汽车巡航控制系统
CN108657188A (zh) 一种驾驶员驾驶技术在线评估系统
Mehraban et al. Fuzzy adaptive cruise control with model predictive control responding to dynamic traffic conditions for automated driving
WO2018146802A1 (en) Control customization system, control customization method, and control customization program
CN119142372B (zh) 智能体基于辅助驾驶对机器人车辆的驾驶培训方法及系统
Bao et al. Data-driven risk-sensitive control for personalized lane change maneuvers
Niasar et al. Yaw moment control via emotional adaptive neuro-fuzzy controller for independent rear wheel drives of an electric vehicle
CN118977709A (zh) 一种变车头时距的自适应巡航控制方法及系统
CN112874537A (zh) 一种紧急避险下智能驾驶系统的人机共驾控制方法
CN116394968B (zh) 一种基于多智能体强化学习的自动驾驶车辆控制方法
CN119428667B (zh) 一种自适应巡航控制方法、系统及车辆

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant