引用本文

李永福, 邬昌强, 朱浩, 唐晓铭. 考虑车辆跟驰作用和通信时延的网联车辆队列轨迹跟踪控制. 自动化学报, 2021, 47(9): 2264−2275 doi: 10.16383/j.aas.c190046

Li Yong-Fu, Wu Chang-Qiang, Zhu Hao, Tang Xiao-Ming. Trajectory tracking control for connected vehicle platoon considering car-following interactions and time delays. Acta Automatica Sinica, 2021, 47(9): 2264−2275 doi: 10.16383/j.aas.c190046

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190046

关键词

智能网联车辆，轨迹跟踪，跟驰作用，通信时延

摘要

针对智能网联车辆轨迹跟踪问题, 本文通过考虑车辆跟驰作用和车车通信过程中存在的通信时延, 提出了一种分布式非线性轨迹跟踪控制器. 具体来讲, 首先, 提出一种双向领导跟随通信拓扑来描述智能网联环境下车辆间的通信连接. 其次, 考虑车辆跟驰作用和通信时延, 设计一种分布式非线性轨迹跟踪控制器. 然后, 使用Lyapunov方法证明了所设计控制器的稳定性. 最后, 考虑速度干扰作用于领导者车辆, 针对无时延、同质时延和异质时延等三种场景进行数值仿真实验. 仿真结果表明: 本文所设计的控制器不仅保证了车辆位置跟踪误差收敛到原点, 而且车辆运动规律符合交通流理论, 即无负位置跟踪误差和负速度现象.

文章导读

近年来, 随着车车/车路(Vehicle-to-vehicle/vehicle-to-infrastructure, V2V/V2I, 简称V2X)[1]通信技术的迅速发展, 使智能网联车辆(Connected vehicles, CVs)[2-4]能够通过V2X通信技术实现车、路和后台的互联互通, 从而为智能交通系统的环境感知、建模、协同控制及管理决策提供了完备的信息. 轨迹跟踪控制(Trajectory tracking control)[5-6]是智能网联车辆运动控制的关键问题, 轨迹跟踪控制形成的车辆队列行驶模式可以有效地减缓交通拥堵、减少能源消耗和增加道路通行能力[7-9]. 因此, 车辆轨迹跟踪控制问题已经成为中外学者研究的热点, 绝大部分研究主要通过保证位置跟踪误差和速度的一致性来解决轨迹跟踪控制问题.

对于车辆轨迹跟踪控制问题, 控制理论和交通工程这两个角度有着不同的关注点. 从控制理论的角度出发, 是将车辆看作一个独立的节点. 然后, 专注于车辆状态信息, 设计轨迹跟踪控制器来确保轨迹跟踪性能. 然而, 车辆运动之间的耦合关系和速度约束经常被忽略, 导致负的位置跟踪误差和负速度的出现, 即意味着车辆间的安全距离不能被保证, 更严重的是追尾事故有可能发生. 从交通工程的角度出发, 主要提出合适的交通流模型来刻画车辆间的非线性关系.

在车辆轨迹跟踪控制的文献中, 轨迹跟踪控制方法主要分为线性控制和非线性控制. 在线性控制方面, 基于几何学的控制框架, Invernizzi和Lovera[10]提出一种控制律来保证位置跟踪误差渐进收敛到零. 考虑一个互联的领导跟随多车系统, 领导者车辆和跟随者车辆的状态信息都能够相互感知, Cai和Hu[11]仅利用车辆的状态信息提出一种分布式轨迹跟踪控制律. 基于相邻车辆状态估计, Hong等[12]提出一种跟踪控制策略来解决时变通信拓扑下的多车系统一致性问题. 结合前馈控制和鲁棒控制, Kayacan等[13]基于轨迹跟踪误差模型提出了一种轨迹跟踪控制策略, 实现了车辆跟踪直线道路和曲线道路轨迹. 然而, 车辆是一个高度非线性和强耦合系统, 线性的轨迹跟踪控制算法有一定的局限性, 不能刻画车辆间的非线性关系.

在非线性控制方面. 基于虚拟结构方法, 跟随者车辆跟踪虚拟车辆预定的轨迹, Zhang等[14]提出了一种协同路径跟踪控制律, 从而让车辆保持一个期望的队列. 利用人工势场法与模型预测控制理论, 徐杨等[15]提出一种针对无人车辆轨迹规划和跟踪控制的控制方法, 根据参考轨迹来调节纵横向输入以实现跟踪控制. Liang等[16]通过分析状态变量和控制变量之间的函数关系, 利用滑模控制方法设计的速度控制律, 提高了轨迹跟踪误差收敛速度和增强了抗干扰能力. 针对模型参数不确定的问题, Aguiar等[17]基于反步法提出了一种自适应轨迹跟踪控制方法. 在此基础之上, Guo等[18]研究了考虑参数不确定和额外的干扰的问题, 提出一种自适应非线性轨迹跟踪控制策略. 针对未知扰动的问题, 沈智鹏等[19] 引入神经网络对模型不确定性部分进行逼近, 设计一种非线性增益递归滑模的轨迹跟踪动态自适应神经网络控制器, 该控制器对系统模块参数摄动以及外界扰动具有较强的鲁棒性, 并且跟踪响应快和精度高. Yu和Liu[20]通过考虑速度干扰提出了一种自适应轨迹跟踪控制方法, 实现了无界扰动的抑制和跟踪误差的渐近收敛. Wang[21]利用神经网络和自适应估计的方法, 通过考虑模型参数和车辆动力学不确定性问题, 提出一种分布式自适应协同轨迹跟踪控制策略.

针对通信时延的问题, Peters等[22]考虑通信时延提出一种领导跟随结构控制策略, 保证了车辆队列的串稳定性. 基于滑模控制方法, Kim等[23]提出一种快速终端滑模时延控制器来保证车辆位置跟踪误差渐进收敛. 采用分层框架的方法来降低控制器设计和分析的复杂性, Zhang等[24]考虑时延和参数不确定性提出一种自适应滑模控制器. 考虑通信时延和参数不确定性, Yan等[25]提出了一种协同轨迹跟踪控制策略, 实现了多车的协同跟踪任务. 然而, 上述的控制算法忽略了车辆跟驰作用, 导致负的位置跟踪误差出现在文献[20-21]和负速度出现在文献[14]中. 最近, Song等[26]考虑车辆跟驰作用来研究车辆轨迹跟踪控制问题, 但采用线性的方法来描述车辆间的关系, 并不能够完全刻画车辆间的非线性关系.

目前, 车辆轨迹跟踪问题最主要的挑战是在设计控制算法时考虑车辆间的非线性关系, 使所提控制器不仅保证位置跟踪误差收敛到零, 而且使车辆运动规律符合交通流理论, 因此需要提出一种更实际的控制器来解决轨迹跟踪问题. 为了解决以上提到的问题, 我们之前的工作[6] 考虑车辆跟驰作用来解决智能网联车辆轨迹跟踪问题. 这个工作专注于一个理想的通信环境和领导者车辆速度恒定, 但是没有考虑车车通信过程中存在的通信时延问题.

本文的主要贡献如下: 1)在车辆互联环境中, 提出一种双向领导跟随通信拓扑来描述车辆间的通信连接, 队列内的车辆可以通过双向领导跟随通信拓扑进行信息交互; 2)不同于文献[14, 20-21], 设计控制器时忽略了车辆跟驰作用, 本文考虑车辆跟驰作用和通信时延, 提出一种分布式非线性轨迹跟踪控制器. 所提控制器不仅保证位置跟踪误差收敛到原点, 而且使车辆运动规律符合交通流理论, 即避免了负的位置误差和负速度出现; 3)在仿真实验中, 考虑速度干扰作用于领导者车辆, 设计三种场景: 无时延、同质时延和异质时延进行数值仿真实验, 数值仿真实验证明了所提控制器的有效性.

本文结构如下: 第1节给出了预备知识及问题描述; 第2节提出一种非线性轨迹跟踪控制器, 然后给出了所提控制器稳定性的证明; 第3节给出了仿真实验与实验结果分析和对比; 第4节为本文结论.

图 1  双向领导跟随通信拓扑示意图

图 2  轨迹跟踪示意图

图 3  轨迹跟踪控制框架

本文考虑车辆跟驰作用和车车通信过程中存在的通信时延问题, 基于车辆动力学模型, 提出了一种分布式非线性轨迹跟踪控制器解决来智能网联车辆轨迹跟踪控制问题. 不仅保证位置跟踪误差收敛到原点, 而且使车辆运动规律符合交通流理论, 即无负的位置跟踪误差和负速度的出现. 在车辆互联环境中, 提出一种双向领导跟随通信拓扑来表征车辆间的通信连接, 队列内的车辆通过双向领导跟随通信拓扑进行信息交互. 通过考虑车辆跟驰作用、有界的通信时延、车辆间距差以及速度差提出一种分布式非线性轨迹跟踪控制器. 利用Lyapunov方法证明了所提控制器的稳定性. 最后, 考虑速度干扰作用于领导者车辆, 针对无时延、同质时延和异质时延三种场景进行数值仿真实验, 仿真结果验证了所提控制器的有效性.

作者简介

李永福

博士, 重庆邮电大学自动化学院教授, 智能空地协同控制重庆市高校重点实验室主任. 主要研究方向为智能网联汽车和空地协同控制. 本文通信作者. E-mail: liyongfu@cqupt.edu.cn

邬昌强

重庆邮电大学自动化学院硕士研究生. 主要研究方向为车辆轨迹跟踪控制. E-mail: wucq h1228@163.com

朱浩

博士, 重庆邮电大学自动化学院副教授. 主要研究方向为智能车环境感知与信息融合. E-mail: zhuhao@cqupt.edu.cn

唐晓铭

博士, 重庆邮电大学自动化学院副教授. 主要研究方向为网络化控制和模型预测控制. E-mail: tangxm@cqupt.edu.cn