本发明属于车辆自动驾驶技术领域，尤其涉及一种基于5gv2x的车辆协同跟随控制系统及控制方法。
背景技术：
随着汽车电子控制技术的发展和智能化要求的提高，adas取得广泛应用。作为adas的典型代表，accs能够通过雷达等传感器感知环境信息，并控制车辆自动加速或减速以实现对前车的安全跟随行驶，在一定程度上减轻了驾驶员的工作强度。但在车辆处于雨雾等恶劣天气或车间距离较远时，传感器环境感知的效果会受到影响，对行车安全构成潜在威胁。车联网技术的发展，使车辆能够通过直连或网络通信在恶劣环境下实现更大范围的环境感知，弥补了传感器的不足。因此，基于v2x的协同跟随控制技术，对于提高装备accs车辆的行驶安全性、行驶效率和交通流的稳定性具有重要作用。
目前，accs在环境感知方面主要有两种方案：一是使用雷达、摄像头等传感器进行感知；二是使用雷达、摄像头等传感器与dsrc无线通信结合进行感知。
传统的accs主要通过毫米波雷达获取与目标车辆的相对运动信息(相对速度、相对距离)，通过车速传感器获取主车运动信息(速度、加速度)，控制器根据获得的车辆相对运动信息和主车运动信息控制车辆驱动或制动，使车辆能够按照期望的车速行驶，并保持车间安全距离。
另一种方案则是在传感器的基础上结合dsrc无线通信技术，开发出协同式自适应巡航控制系统(caccs)，通过dsrc通信将车与车联接起来，实现互联车辆之间信息的共享。主车通过dsrc通信和gps获取与目标车辆的相对运动信息(相对速度、相对距离)，通过车速传感器获取主车运动信息(速度、加速度)，控制器根据dsrc通信、gps以及传感器获得的车辆运动信息控制车辆驱动或制动，使车辆能够按照期望的车速行驶，并保持车间安全距离。
总的来说，目前仅使用传感器对环境进行感知的传统accs发展较为成熟，但在雨雾等恶劣天气以及超视距等情况下，存在感知能力下降或难以感知前车状态的不足；基于dsrc通信的caccs感知效果不受天气影响且感知范围比传统方案有所提高，但相对于高级自动驾驶实时控制而言，仍存在通信时延相对较高、有效通信距离相对较短、高速移动可靠性下降等不足。
术语解释：
v2x：车联万物，vehicletoeverything。
dsrc：专用短程通信，dedicatedshortrangecommunication。
adas：先进驾驶辅助系统，advanceddriverassistancesystem。
accs：自适应巡航控制系统，adaptivecruisecontrolsystem。
caccs：协同式自适应巡航控制系统，cooperativeadaptivecruisecontrolsystem。
模糊化：模糊化是将某一确定值转换为与其相应的模糊语言变量值的过程。
反模糊化：也称解模糊化或去模糊化，是将模糊化的语言变量值转化成与其相应的确定值。
技术实现要素：
本发明的目的：能够在不受天气影响的同时实现超视距前车状态感知，具有更低的通信延时、更远的有效通信距离、以及更高的高速移动可靠性；在改善整车经济性和乘坐舒适性的前提下，通过对期望加速度的跟踪、实现主车对前车车速以及安全车间距的跟随控制。为此提供一种基于5gv2x的车辆协同跟随控制系统及控制方法。
本发明的一种基于5gv2x的车辆协同跟随控制系统，由5gv2x通信模块、车辆状态采集模块、协同决策层和运动控制层组成。
5gv2x通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息。
车辆状态采集模块通过5gv2x通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层。
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距。
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程。
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度。
运动控制层包含驱动/制动决策模块、模糊控制器以及pid控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离。
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式。
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出pid控制参数。
pid控制器根据模糊控制器输出的pid控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
本发明的一种基于5gv2x的车辆协同跟随控制方法，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定pid控制参数，最后由pid控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息；
首先通过5gv2x通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v th2vr d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度。
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
s31建立车间运动学模型的离散状态空间方程：
式中：
s32建立模型预测控制器优化目标函数的标准二次型：
式中，u(k)为k时刻的控制向量序列，即期望加速度序列，u(k)＝[u(k|k),u(k 1|k)，…,u(k p-1|k)]t，p为预测时域；q和r为权重矩阵，q＝diag(q1,q2,…,qp)，r＝diag(r1,r2,…,rp)；i(k)是与控制量无关的向量，
s33建立系统约束方程：
auu(k)≥c
式中，
s34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层。
步骤4：车辆运动控制；
s41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于δa，保持当前控制模式；若偏差大于δa，为驱动控制模式；若偏差小于-δa，为制动控制模式。
式中，δa取值大于零。
s42建立模糊pid控制器，确定pid控制参数；
首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立pid控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对pid控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值。具体如下：
s421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以pid控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]。
s422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{pb,pm,ps,zo,ns,nm,nb}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，pb、pm、ps表示加速度在正方向上偏差值的大小等级，zo表示期望加速度与实际加速度数值相近，nb、nm、ns则表示加速度在负方向上偏差值的大小等级。
s423建立模糊控制器各输入输出变量的隶属度函数；
s424建立pid控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以pid控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则。
s425根据建立的模糊控制器各输入输出变量的隶属度函数，以及pid控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值。
s43使用pid算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和pid控制参数，由pid控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。
本发明的有益技术效果为：
(1)基于5gv2x通信技术实现车辆协同跟随控制，相对于使用传感器感知前车状态的方案而言，能够在不受天气影响的同时实现超视距前车状态感知；相对于通过dsrc获取前车状态的方案而言，具有更低的通信时延、更远的有效通信距离、以及更高的高速移动可靠性。
(2)所采用的安全车距模型，在恒定车头时距的基础上加入了前车车速，不仅能够保证跟随行驶时的稳定性，而且对相对复杂的道路场景具有一定的适应性，提高了车辆跟随过程中的安全性。
(3)以实际车间距与期望车间距的偏差尽可能小且主车速度应逐渐收敛于前车速度、且获得较好的经济性和乘坐舒适性为优化目标，在保证安全性的前提下，兼顾了经济性及舒适性要求。
附图说明
图1为基于5gv2x的车辆协同跟随控制系统示意图。
图2为运动控制层控制框图。
图3为变量e的隶属度函数。
图4为变量ec的隶属度函数。
图5为变量kp的隶属度函数。
图6为变量ki的隶属度函数。
图7为变量kd的隶属度函数。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于5gv2x的车辆协同跟随控制系统，结构如图1所示，由5gv2x通信模块、车辆状态采集模块、协同决策层和运动控制层组成。
5gv2x通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息。
车辆状态采集模块通过5gv2x通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层。
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距。
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程。
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度。
运动控制层包含驱动/制动决策模块、模糊控制器以及pid控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离。
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式(即驱动或者制动)。
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出pid控制参数(即pid控制器的比例系数kp、积分系数ki和微分系数kd)。
pid控制器根据模糊控制器输出的pid控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
本发明的一种基于5gv2x的车辆协同跟随控制方法，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定pid控制参数，最后由pid控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息
首先通过5gv2x通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率。
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v th2vr d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度。
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
s31建立车间运动学模型的离散状态空间方程：
式中：
s32建立模型预测控制器优化目标函数的标准二次型：
式中，u(k)为k时刻的控制向量序列，即期望加速度序列，u(k)＝[u(k|k),u(k 1|k)，…,u(k p-1|k)]t，p为预测时域；q和r为权重矩阵，q＝diag(q1,q2,…,qp)，r＝diag(r1,r2,…,rp)；i(k)是与控制量无关的向量，
s33建立系统约束方程：
auu(k)≥c
式中，
s34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层。
步骤4：车辆运动控制；
s41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于δa，保持当前控制模式；若偏差大于δa，为驱动控制模式；若偏差小于-δa，为制动控制模式。
式中，δa取值为0.05m/s2。
s42建立模糊pid控制器，确定pid控制参数；
如图2所示，首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立pid控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对pid控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值。具体如下：
s421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以pid控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]。
s422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{pb,pm,ps,zo,ns,nm,nb}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，pb、pm、ps表示加速度在正方向上偏差值的大小等级，zo表示期望加速度与实际加速度数值相近，nb、nm、ns则表示加速度在负方向上偏差值的大小等级。
s423建立模糊控制器各输入输出变量的隶属度函数。分别如图3-7所示。
s424建立pid控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以pid控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则。分别如表1、表2和表3所示。
表1kp的模糊规则
表2ki的模糊规则
表3kd的模糊规则
s425根据建立的模糊控制器各输入输出变量的隶属度函数，以及pid控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值。
s43使用pid算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和pid控制参数，由pid控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。
1.一种基于5gv2x的车辆协同跟随控制系统，其特征在于，由5gv2x通信模块、车辆状态采集模块、协同决策层和运动控制层组成；
所述5gv2x通信模块接收它车的速度、位置信息，并向它车发送主车的速度、位置信息；
所述车辆状态采集模块通过5gv2x通信模块采集前车的速度、位置信息，同时通过车载传感器采集主车的速度、位置信息；然后，根据采集的信息计算出前车与主车的实际间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率；
所述协同决策层由安全距离模型、车间运动学模型以及模型预测控制器组成；该层以前车与主车的相对速度、主车速度、前车与主车的实际间距、前车加速度、主车加速度以及主车加速度变化率为输入，根据期望车间距与实际车间距偏差、结合车间运动学模型，通过模型预测控制器确定期望加速度，并传输至运动控制层；
安全距离模型根据车辆状态采集模块提供的前车与主车的相对速度和主车速度，输出期望车间距；
车间运动学模型为模型预测控制器提供反应主车和前车纵向相对运动学关系的离散状态空间方程；
模型预测控制器基于车间运动学模型，输入为期望车间距与实际车间距的偏差、主车速度、主车加速度、主车加速度变化率、前车速度和前车与主车的相对速度，输出为期望加速度；
所述运动控制层包含驱动/制动决策模块、模糊控制器以及pid控制器，共同实现控制车辆以期望加速度跟随前车行驶，并保持车间安全距离；
驱动/制动决策模块根据期望加速度的大小确定车辆运动控制模式；
模糊控制器根据主车期望加速度与实际加速度的偏差及其变化率，动态输出pid控制参数；
pid控制器根据模糊控制器输出的pid控制参数以及驱动/制动决策模块确定的车辆运动控制模式，控制车辆驱动转矩或制动压力，实现主车对前车的跟随控制。
2.一种基于5gv2x的车辆协同跟随控制方法，其特征在于，首先采集前车及主车运动状态信息，然后由安全距离模型计算期望车间距，再根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算期望加速度，并根据期望加速度的大小由驱动/制动决策模块确定车辆运动控制模式，通过模糊控制器确定pid控制参数，最后由pid控制器调节被控车辆的驱动转矩或制动压力，实现主车对前车的协同跟随控制，其具体步骤如下：
步骤1：采集前车及主车运动状态信息；
首先通过5gv2x通信模块采集前车的速度、位置，同时通过传感器采集主车的速度、位置信息；然后根据采集的信息计算出前车与主车的实际车间距、前车与主车的相对速度、前车加速度、主车加速度以及主车加速度变化率；
步骤2：计算期望车间距；
根据由下式表示的安全距离模型，计算期望车间距
ddes＝th1v th2vr d0
式中，ddes为期望车间距，表示前车与主车的期望安全距离；th1、th2均为大于0的常数；vr表示前车与主车的相对速度；v表示主车的行驶速度；d0表示两车最小固定距离，包括车身长度；
步骤3：计算期望加速度；
根据期望车间距以及前车与主车的运动状态信息、结合车间运动学模型、由模型预测控制器计算出期望加速度，具体如下：
s31建立车间运动学模型的离散状态空间方程：
式中：
s32建立模型预测控制器优化目标函数的标准二次型：
式中，u(k)为k时刻的控制向量序列，即期望加速度序列，u(k)＝[u(k|k),u(k 1|k)，…,u(k p-1|k)]t，p为预测时域；q和r为权重矩阵，q＝diag(q1,q2,…,qp)，r＝diag(r1,r2,…,rp)；i(k)是与控制量无关的向量，
s33建立系统约束方程：
auu(k)≥c
式中，
s34根据目标函数的标准二次型以及系统约束方程，求出控制时域内的最优控制序列，即期望加速度序列；并将计算出的期望加速度序列的第一个值输入运动控制层；
步骤4：车辆运动控制；
s41驱动/制动模式决策：
驱动/制动决策模块根据协同决策层输入的期望加速度ades与驱动转矩为零时的最小加速度amin的差值，按下式确定车辆运动控制模式；设置大于零的阈值δa；若期望加速度ades减去驱动转矩为零时的最小加速度amin所得偏差绝对值不大于δa，保持当前控制模式；若偏差大于δa，为驱动控制模式；若偏差小于-δa，为制动控制模式；
式中，δa取值大于零；
s42建立模糊pid控制器，确定pid控制参数；
首先确定模糊控制器的输入输出变量及其论域，然后确定模糊控制器各输入输出变量模糊子集的语言变量，再建立模糊控制器各输入输出变量的隶属度函数，然后建立pid控制器的比例、积分和微分系数的模糊规则，再根据模糊逻辑并按照设计的模糊规则对pid控制器的比例、积分和微分系数进行实时调整，最后反模糊化得到三个参数的具体值；具体如下：
s421确定模糊控制器的输入输出变量及论域；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为模糊控制器的输入，e、ec的论域分别取为[-3,3]、[-2,2]；以pid控制器的比例、积分和微分系数kp、ki、kd为模糊控制器的输出，kp、ki、kd的论域分别取为[-1.3,1.3]、[-0.08,0.08]、[-1.5,1.5]；
s422确定模糊控制器各输入输出变量模糊子集的语言变量；
以{pb,pm,ps,zo,ns,nm,nb}为模糊控制器各输入输出变量模糊子集的语言变量，表示模糊控制器各输入输出变量在正负两个方向的大小等级；以期望加速度与实际加速度的偏差值为例，pb、pm、ps表示加速度在正方向上偏差值的大小等级，zo表示期望加速度与实际加速度数值相近，nb、nm、ns则表示加速度在负方向上偏差值的大小等级；
s423建立模糊控制器各输入输出变量的隶属度函数；
s424建立pid控制器的比例、积分和微分系数的模糊规则；
以期望加速度与实际加速度的偏差e及偏差e的变化率ec为输入、分别以pid控制器的比例系数kp、积分系数ki和微分系数kd为输出，建立kp、ki、kd的模糊规则；
s425根据建立的模糊控制器各输入输出变量的隶属度函数，以及pid控制器的比例、积分和微分系数的模糊规则，将各输入变量模糊化后、经模糊推理和反模糊化，求出模糊控制器输出量kp、ki、kd的精确值；
s43使用pid算法实现主车对前车的跟随控制；
根据确定的车辆运动控制模式和pid控制参数，由pid控制器调节被控车辆的驱动转矩或制动压力，对车辆的驱动或制动过程进行控制，达到对期望加速度的跟踪，实现主车对前车的协同跟随控制。
技术总结