本技术介绍了一种结合长短期记忆网络(LSTM)和卡尔曼滤波器的车辆纵向模型预测控制(MPC)方法。该方法首先构建了一个考虑前车速度变化的车辆纵向动力学模型,该模型被用作MPC控制框架的预测模型。
背景技术
车辆队列控制作为自动驾驶车辆控制的重要技术之一,由于外部(环境)扰动、参数变动和被忽略的动力学因素,真实对象与模型之间不可避免地存在大量的不匹配,这往往会给控制系统的性能带来很大的影响。如何在考虑真实驾驶环境中的测量噪声和模型不确定性等因素的条件下,确保队列中的所有车辆以一致的速度移动,同时保持理想的车辆间距离一直是自动驾驶技术的研究重点。
智能网联汽车(CAV)的快速发展引起了广泛关注。作为未来交通的重要组成部分,智能网联汽车通过先进的传感器、雷达和摄像头等设备,能够实时监测周围环境快速识别潜在危险,采取相应措施避免事故发生。并且智能网联汽车可以与交通基础设施和其他车辆实时通信,优化行驶路径,减少交通拥堵,其在提高行车安全性和效率方面较传统车辆具有明显优势。
然而,对于车辆队列跟驰问题,若CAV车辆跟随的前车同为CAV车辆,则可通过车间V2V通信准确获取状态信息,其误差可忽略不计;若CAV车辆跟随的前车为人工驾驶车辆(HDV),则CAV对前车HDV的状态预估仅靠传感器进行测量,在控制过程中将会造成一定的偏差,因此需要在考虑此偏差的情况下对CAV车下一时刻的车辆状态进行估计。目前的技术虽然考虑了到车辆状态更新过程中存在的过程噪声和测量噪声并用卡尔曼滤波进行融合降低状态估计的不确定性,但是并未考虑到前车为HDV车辆情况下,其加速度在状态更新时刻不可测;同时目前的研究大多将前车加速度在MPC预测框架下视为定值,此举也将在一定程度上造成控制精度下降。
实现思路