1、 （）年 第 卷 第 期 收稿日期：基金项目：国家自然科学基金项目（）作者简介：李旭，女，博士，副教授，主要从事智能车辆辅助驾驶系统控制与环境感知、车身轻量化等方面的研究，-：。本文引用格式：李旭，谢宁，王建春，等 面向切入场景的变权重自适应巡航控制策略 重庆理工大学学报（自然科学），（）：，-（），（）：（）面向切入场景的变权重自适应巡航控制策略李旭，谢宁，王建春，王强（山东科技大学 交通学院，山东 青岛 ）摘要：为了解决自适应巡航控制系统因旁车道车辆切入识别较晚，造成驾驶员舒适性降低甚至出现危险的问题，提出了一种基于支持向量机（）识别切入车辆并实时调整模型预测控制（）权重参数的控制策略。提
2、取真实交通车辆换道特征，采用支持向量机算法训练出前车切入识别模型。基于模糊控制理论设计权重调整机制，优化 控制器得到期望加速度。在 、及 实时系统的环境下搭建硬件在环试验平台，对不同切入工况进行对比分析。结果表明：控制策略能够提前切换跟随目标，降低纵向加速度的波动，避免车辆强制动现象，提高系统的舒适性及安全性。关键词：自适应巡航控制；车辆切入识别；变权重系数；模型预测控制；硬件在环试验中图分类号：文献标识码：文章编号：（）引言自适应巡航控制系统（，）可以根据传感器获取前车速度、车间距等信息，应用算法控制车辆稳定跟随前车，缓解驾驶员长时间驾车的疲劳感。近年来，国内外学者对于 系统展开了深入研究。
3、朱冰等 针对 系统受前车状态随机性影响，基于深度学习提出了考虑前车运动状态的跟驰控制策略；等 设计了能在线识别驾驶员风格的 系统，以满足不同驾驶方式的需求；黄晶等 将 行驶模式划分不同工况，针对不同工况设计不同间距策略。在 系统控制方法方面，模型预测控制算法可以较好地处理多变量约束及多目标优化，因此被广泛应用于自适应巡航控制研究中。等 针对 系统驾驶安全性、乘坐舒适性等问题进行了多目标优化；赵树恩等 采用显式模型预测控制算法优化自适应巡航控制，提高了控制系统的实时性；等 采用分层控制算法，提出了模型预测控制与自抗扰控制结合的自适应巡航控制算法。然而由于实际交通的复杂性，固定权重系数的模型预测控
4、制算法控制不能满足 系统的性能需求。目前 系统大部分研究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 。这造成了前车切入识别滞后的现象，增加了驾驶员的恐慌感，且制动过急降低了乘坐舒适性。因此，基于切入车辆识别的 系统研究具有重要的现实意义。车辆切入行为具有一定的规律性，很多学者用机器学习的方法识别前车切入行为，常见的模型有支持向量机模型 、隐马尔可夫模型 、决策树模型 、神经网络模型 等。通过分析研究，车辆切入行为识别的研究还存在识别准确率低、识别较晚及信息源单一等问题。本文面向前车切入场景提出了一种变权重自适应巡航控制策略，首先由真实交通数据利用支持向量机训练前
5、车切入识别模型，实时识别相邻车道行驶工况，并采用滑动窗口法优化识别结果以期提前切换跟随目标；然后根据车间距误差与相对速度，基于模糊逻辑实时调整模型预测算法的跟随性权重系数；最后通过硬件在环试验验证控制算法的可行性。自适应巡航控制策略总体设计 系统分层控制框架如图 所示。图 系统分层控制框架感知层包括传感器获取周围环境信息及前车切入识别模型，选取美国联邦公路局 （）项目提供的数据集，详细介绍可参考文献 。将数据集通过筛选处理后离线训练得到前车切入识别模型，用于在线实时识别相邻车道的车辆是否切入本车道，以期自车能够提前切换跟随目标。决策层包括模糊控制器和模型预测控制器，根据不同工况下自车跟随的目标
6、，模糊控制器实时求解 控制器的跟随性权重系数，并利用 控制器得到期望加速度。执行层经过汽车逆动力学模型转换为对应的节气门开度或制动压力，以控制车辆稳定跟随前车。前车切入识别 数据处理与模型训练 项目的交通数据集已经被很多学者用来研究驾驶行为、运动预测等 。使用 -公路数据集筛选出合理的车辆轨迹数据集训练前车切入识别模型。数据集包含自车的纵向速度、加速度、前后车 号等信息，需要根据换道车辆 号查找目标车道的后车信息，计算得到两车相对横纵向速度、位置关系等。同时 数据集存在一定噪声和误差，采用卡尔曼滤波对数据进行平滑处理 。据研究，车辆在城市道路持续换道时间平均值为 ，高 速 公 路 持 续 换
7、道 时 间 平 均 值 在 。故提取车辆中心跨越车道线前后 的轨迹数据，能够较好地覆盖车辆的切入过程。训练数据集分为切入样本和非切入样本，这些样本由两车纵向相对速度 、纵向相对距离 、横向相对速度 、横向相对距离 组成。在 时刻的样本 可记作：（）数据处理与模型训练为了快速准确识别相邻车道的切入行为，基于支持向量机算法训练车辆切入识别模型。通过实际交通环境经过人工标记后的样本来训练模型，定义切入样本的分类标记 为 ，非切入样本的分类标记 为 。建立最优期望超平面式（）区分正负样本。（）（）由于训练样本存在非线性关系，需要通过核函数 （，）将特征输入映射到高纬度空间，提高线性可分性。考虑模型复杂
8、程序，选用径向基核函数进行训练。最优超平面问题等价于求解二次规划问题 ，即：，（，）；（）式中：为 系数，可以权衡错分样本对李旭，等：面向切入场景的变权重自适应巡航控制策略最优超平面的影响。将求解最优超平面转化为求解前车是否切入的最优决策函数：（）*（，）*（）式中：*、*为训练得到的最优参数，为待识别样本。通过训练好的模型可以实时监测相邻车道是否发生换道行为，但是单一时刻的车辆运动参数容易出现短周期跳变，造成误识别的结果，故采用滑动窗口法对识别结果进行修正。如图 所示，为相邻车道的切入车辆，为自车，随着车辆行驶不断将识别结果送入窗口，根据窗口数据状态判断是否为切入车辆，选择窗口数据量为 ，当
9、前窗口数据和大于等于 判断自车需要切换跟随目标。图 车辆换道示意图经过数据处理与筛选，得到 条换道轨迹样本，按照 的比例随机划分为训练集与测试集。利用测试集对识别模型进行验证，其中的 组识别结果如图 所示。图 切入车辆识别结果前车初始处于右车道内，在第 开始向主车道方向 移 动，并 于 时 达 到 换 道 点。从图 （）终识结果可以看出，切入识别模型于第.判定相邻车道车辆进入本车道，这可以使主车提前切换前方的跟随目标。变权重模型预测控制算法 模型预测控制 纵向车间动力学模型 跟车示意图如图 。图 车辆纵向动力学跟车模型示意图根据相对运动关系建立车间状态方程：（）（）（）（）|（）|（）|（）（
10、）式中：（）为系统的状态变量，（）（）（）（）（）（）；为自车期望加速度 ；（）为前车加速度 扰动量；为自车加速度；为自车加加速度；为相对速度；为两车距离；为实际车间距与理想车间距的偏差；为采样时间。待优化性能指标向量表达式如下：（）（）|（）|（）期望跟车距离采用固定车间时距 ：（）式中：为车间时距，为最小安全车距，本文取 ，。考虑到车辆执行器时延影响，采用一阶惯性环节表征实际加速度与期望加速度的关系 ：（）式中：为系统增益，为时间常数，本文取 ，。预测方程与目标函数考虑到行车安全性、乘坐舒适性以及燃油经济性的需求，根据各性能评价指标对系统输入输出进行约束，系统硬约束为：（）（）（）（）（）
11、|（）式中：、为车间距约束；、为相对距离约束；、分别为本车加速度、期望加速度及其变化率的上边界约束；、为下边界约束。利用模型预测控制解决多约束问题，根据式（）建立跟车预测模型：（）?（）?（）?（）?（）（）?（）?（）?（）?（）?|（）式中：为预测时域；为控制时域；?（）、?（）、?（）是在第 时刻对预测时 域 的 每 一 步 状 态 变 量；?（）、?（）、?（）是在第 时刻对预测时域内每一步的输出量；（）为待求期望加速度；（）为系统扰动量；（）为实际与预测状态的预测差值。各系数矩阵满足：?|，?|?|?|，?|?|?|?|?|李旭，等：面向切入场景的变权重自适应巡航控制策略为了 （）能
12、够平稳达到预设值 ，参考轨迹设计如式（）：（）（）（）（）式中：影响到达预设值的响应时间，本文取 。在 框架下综合考虑各性能指标，通过对系统控制量及预测偏差的优化，为使自车能够快速平稳地跟随前车，目标函数为：?（）（）?（）（）（）（）（）式中：（，），、为车间距误差、相对速度权重系数，值越大，系统偏向减小车间距误差及两车速度误差；、为自车加速度及其变化率权重系数，值越大，系统响应更平滑，为系统控制量的权重系数。为了提高 系统的适应性，选取不同权重系数，定义 为跟随性权重系数，为舒适经济性权重系数，两者具有相对意义。权重调整策略不同行驶工况下所要求的车辆跟随性和乘车舒适性不同，固定权重 控制算
13、法无法满足车辆实际行驶的性能要求。控制算法应根据两车相对速度与车间距误差自适应调整性能指标，危险程度越大，对应的跟车性能相对更重要，舒适经济性相对更小，因此，本文采用模糊控制实时调节各权重系数，以期车辆能够平稳跟随前车。由于、具有相对性，令 。对于车间距误差与相对速度模糊为个等级：（极大）、（大）、（中）、（小）、（极小），论域分别为 ，；跟随性权重系数模糊为 个等级 （大）、（中大）、（中）、（中小）、（小），论域为 ，。输入 输出隶属度函数如图 。图 输入 输出隶属度函数表 模糊控制规则跟随权重系数车间距误差 相对速度 跟随目标与自车 与 处于 论域时，两车处于相对安全的驾驶状态，此时更注
14、重舒适经济性能。反之，跟随目标与自车 与 处于 论域时，两车处于相对危险的驾驶状态，此时应更注重跟车安全性能。故设计模糊规则如表 ，选用重心法解模糊化，得到的跟随性权重系数关于 、的三维 图如图。基于模糊控制规则，自适应巡航系统可以适应前车切入等工况。图 输入输出三维 图 硬件在环试验 试验平台采用 测试平台验证提出的自适应巡航控制策略。该平台结构组成如图 。该平台以 为核心，利用 整车动力学模型以及 场景及传感器模块，构建控制器硬件在环仿真平台，为算法测试提供了可快速调试及验证的平台。图 硬件在环测试平台结构组成该平台主要分为部分，分别为上位机（）、下位机（）和底层执行机构。上位机主要运行
15、和人机交互软件，进行系统状态监控和数据存储。基于 软件提供虚拟现实界面，试验 工 况 场 景 以 及 传 感 器 模 块。下 位 机 为 -，通过 将编译生成的控制算法 文件和 整车动力学模型加载到实时机中。控制算法模型接收 传感器的数据及车辆参数，同时通过 网络向底层执行机构发送制动、油门等控制指令。底层执行系统包括转向、制动系统等，利用传感器将采集的制动、油门信号反馈于车辆动力学模型，最终实现系统闭环仿真模拟。工况验证不同驾驶员换道风格不同，系统控制策略应考虑驾驶员不同切入行为。因此，基于搭建的硬件在环试验平台，验证了不同切入工况 控制策略的适应性与可行性。根据文献 的研究，将前车切入工况
16、分为 种情况进行试验，车辆换道时间小于 的定义为快速切入工况，在 的定义为正常切入工况，大于 的定义为慢速切入工况。-为模型预测控制，-为结合变权重的模型预测控制，-为结合切入识别与变权重的模型预测控制。其中，-控制算法的权重参数参考文献 。）正常切入工况正常切入工况下，初始时刻 车辆保持 的速度巡航行驶，前车在旁车道行驶速度为 ，前车距离自车纵向相对距离为 ，约 时前车开始向本车道换道，约 时到达换道点。测试结果如图 所示。图 正常切入工况测试结果 车辆到达换道点，跟随目标切换至前车时 ，此时应更注重跟车安 全 性 能，-加 速 度 峰 值 约 为李旭，等：面向切入场景的变权重自适应巡航控制策略 。-根据模糊控制实时调整跟随性权重系数，如图（），加速度峰值约为 ，比 -降低了约 ，且超调更小。-在换道点前 切换至跟随目标，加速度峰值约为 ，加速度变化更平滑，车辆能够提前减速，降低制动强度。）慢速切入工况慢速切入工况下，初始时刻 车辆保持 的速度巡航行驶，前车在旁车道行驶速度为 ，前车距离自车纵向相对距离为 ，约 时前车开始向本车道换道，约 时到达换道点。测试结果如图 所示。图 慢速切
