【技術實現步驟摘要】
本專利技術涉及網聯車輛隊列系統，特別是一種基于數據驅動的網聯車輛隊列系統模型預測控制方法。
技術介紹
1、隨著人工智能和信息通信技術的快速發展，“智能化”和“網聯化”兩大技術在汽車領域呈現融合趨勢，網聯車輛隊列是一種先進的自動駕駛技術，它利用車聯網技術使得多輛車能夠以一種高效、安全的方式成隊行駛。在一定程度上提高交通效率，增強道路安全，降低燃料消耗。
2、近年來，網聯車輛隊列的研究取得了許多有意義的成果。鑒于模型預測控制算法(mpc)在處理多約束優化和復雜系統方面的優勢，目前模型預測控制算法已成為網聯車輛隊列系統控制的主流技術之一。但是，目前大多數相關研究需要預先通過第一原理建立具體的車輛模型，實際工程中車輛模型是復雜的且模型是非線性的，很難做到精確建模。同時一些研究為了便于控制器設計，采取了一些線性化技術對系統模型進行線性近似，這犧牲一部分非線性特性，導致控制效果不佳。
3、隨著人工智能技術在各個領域蓬勃發展，數據驅動控制也逐漸成為一個研究熱點。對于受控系統，在足夠多的數據支持下，可以通過機器學習技術構建一個精確的數據驅動模型。對于非線性系統，絕大多數的數據驅動建模方法都可以得到一個精度較高的非線性模型。但需要注意的是，對于mpc算法來說，非線性模型作為模型約束也就意味著會帶來非凸優化問題，相比于線性模型約束下的凸優化問題求解，同等算力下需要花更多時間去求解一個非凸的優化問題，這降低了一定控制實時性。
技術實現思路
1、為解決現有技術中存在的問題，本專利技
2、為實現上述目的，本專利技術采用的技術方案是：一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，包括以下步驟：
3、步驟1、獲取車輛隊列系統中不同車型的運動數據集；
4、步驟2、結合深度學習和koopman算子理論對車輛隊列中車輛的縱向動力學進行數據驅動建模，得到數據驅動模型；
5、步驟3、確定通信拓撲結構和系統控制目標；
6、步驟4、基于數據驅動模型，設計分布式模型預測控制算法，實現控制器設計，最終實現車輛隊列系統保持期望目標穩定行駛。
7、作為本專利技術的進一步改進，所述步驟1具體如下：
8、根據不同的車輛類型，部署相應的傳感器和采集單元，采集相應的速度、位置、加速度和發動機扭矩數據；同時完成數據清洗，平滑噪聲數據，處理缺失值和異常值，確保數據的質量和一致性，數據清洗包括刪除無關數據和重復數據。
9、作為本專利技術的進一步改進，所述步驟2具體如下：
10、對在平直道路上行駛的車輛隊列，共包含一輛有人駕駛的車輛和n輛自動駕駛的網聯車輛；對于網聯車輛，第i輛車k時刻的狀態量定義為xi(k)＝[pi(k),vi(k),ai(k)]t,其中p、v、a分別表示車輛的位置、速度和加速度信息；從而將車輛的非線性縱向動力學模型寫成式(1)所示離散形式：
11、xi(k+1)＝fi(xi(k),ui(k))??????(1)
12、其中u表示控制輸入，為車輛的制動/驅動扭矩；f為未知的非線性函數；采用koopman算子理論將非線性模型重構為高維空間下的線性模型，如式(2)所示：
13、zi(k+1)＝ki(zi(k),ui(k))???????(2)
14、其中：
15、zi(k)＝gi(xi(k))
16、
17、通過神經網絡擬合一個矩陣來近似koopman算子ki，同時通過訓練網絡參數來尋求合適的本征函數g和映射變換g-1。
18、作為本專利技術的進一步改進，所述神經網絡包括編碼網絡、預測網絡和解碼網絡；其中：編碼網絡將狀態量從原始空間升維、重構到高維空間，其輸入輸出關系如下式(3)所示：
19、
20、編碼網絡輸入為原始狀態量，經過一個多層的全連接網絡輸出，θen為對應的權重和偏置網絡參數；最終整個編碼網絡的輸出zi(k)由原始狀態和多層網絡輸出拼接成一個張量；
21、預測網絡實現在高維空間下，隨著時間的演變，重構后的模型的狀態變換過程，預測網絡的輸入輸出關系如式(4)所示：
22、
23、
24、
25、其中fi為有限維的矩陣，為koopman算子的近似，令fi＝[ai,bi]，對應的θa,θb為預測網絡的參數，同樣包含了網絡的權重和偏置；
26、最終解碼網絡將高維空間下的狀態量映射回原始空間，其輸入輸出關系如式(5)所示：
27、
28、其中θde為解碼網絡的參數，輸入高維狀態量zi(k)，通過多層全連接的網絡輸出，最終得到原始狀態量xi(k)，定義c矩陣來表示這一過程。
29、作為本專利技術的進一步改進，根據網絡的參數得出高維空間下重構的線性模型如式(6)所示：
30、
31、損失函數采用的是多步損失函數，在給定數據集后，首先計算一個長度為m的網絡的輸出，如式(7)所示：
32、
33、表示為k時刻往后推進m個時間步得到k+m時刻的狀態信息；然后，以均方差形式定義了如式(8)所示的損失函數用以描述網絡對未來狀態變量預測的誤差：
34、
35、為了使得網絡有更高精度的編碼、解碼性能，定義式(9)所示損失函數描述了編碼后重建誤差損失：
36、
37、為了使得系統重構后，在高維的線性空間下能有更好的線性演變能力，給出式(10)所示的損失函數：
38、
39、為了保證算法的魯棒性，給出了如式(11)所示的的損失函數：
40、
41、基于給出的損失函數，整個網絡的損失函數如式(12)所示：
42、
43、其中對于θen和θde的懲罰是為了防止過擬合，α1～α6為折扣因子。
44、作為本專利技術的進一步改進，在步驟3中，系統控制目標是希望隊列中的所有車輛保持期望間距勻速行駛，具體數學表述如式(13)所示：
45、
46、其中ddes為期望車間距，采用的是恒定間距策略，n為網聯車輛的數量；
47、基于控制目標，通信拓撲設計為后車只接受前車的狀態信息的單向拓撲結構。
48、作為本專利技術的進一步改進，所述步驟4具體如下：
49、根據控制目標，對于任意隊列中的車輛，根據其鄰居車輛的狀態信息建立mpc優化問題，模型約束為數據驅動模型；
50、在每個離散周期內，接受鄰居車輛的狀態信息，本文檔來自技高網...
【技術保護點】
1.一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述步驟1具體如下：
3.根據權利要求2所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述步驟2具體如下：
4.根據權利要求3所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述神經網絡包括編碼網絡、預測網絡和解碼網絡；其中：編碼網絡將狀態量從原始空間升維、重構到高維空間，其輸入輸出關系如下式(3)所示：
5.根據權利要求4所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，根據網絡的參數得出高維空間下重構的線性模型如式(6)所示：
6.根據權利要求5所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，在步驟3中，系統控制目標是希望隊列中的所有車輛保持期望間距勻速行駛，具體數學表述如式(13)所示：
7.根據權利要求6所述的一種基于數據驅動的網聯車輛隊列系統模
8.根據權利要求7所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，依據控制目標，在t時刻建立如下分布式MPC的優化問題Fi：
...【技術特征摘要】
1.一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述步驟1具體如下：
3.根據權利要求2所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述步驟2具體如下：
4.根據權利要求3所述的一種基于數據驅動的網聯車輛隊列系統模型預測控制方法，其特征在于，所述神經網絡包括編碼網絡、預測網絡和解碼網絡；其中：編碼網絡將狀態量從原始空間升維、重構到高維空間，其輸入輸出關系如下式(3)所示：
5.根據權利要求4所述的一種...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。