基于實際換擋規(guī)律的卡車列隊行駛起步控制

李明達,隗海林,門玉琢,包翠竹

(1.吉林大學 交通學院,吉林 長春 130022；2.長春工程學院 機電工程學院,吉林 長春 130012)

?

基于實際換擋規(guī)律的卡車列隊行駛起步控制

李明達1,2,隗海林1,門玉琢2,包翠竹1

(1.吉林大學 交通學院,吉林 長春 130022；2.長春工程學院 機電工程學院,吉林 長春 130012)

摘要:為了解決卡車列隊行駛起步過程中的控制問題,在車輛行駛3.5 萬公里的實驗數(shù)據(jù)中提取456 段起步過程的擋位數(shù)據(jù),對該數(shù)據(jù)中各擋位的使用情況進行統(tǒng)計與分析.根據(jù)統(tǒng)計結果制定相應的換擋規(guī)則,利用自適應模糊控制算法設計車輛列隊行駛的控制模型,在模型中通過跟隨車輛的擋位信息對模糊控制器的輸入量進行加權系數(shù)調整,提高控制算法的自適應性,通過TruckSim和Matlab的聯(lián)合仿真,將實車實驗數(shù)據(jù)作為頭車模擬工況,模擬3輛卡車在車聯(lián)網(wǎng)環(huán)境下的列隊起步過程,仿真結果表明起步過程中的行駛間距誤差可以控制在車輛單位時間內(nèi)行駛距離的5%以內(nèi),具有一定的控制精度.

關鍵詞：換擋規(guī)則；自適應模糊控制；列隊行駛；TruckSim；Matlab；聯(lián)合仿真

隨著市場經(jīng)濟的快速發(fā)展,公路運輸在我國國民經(jīng)濟中的地位越來越重要.據(jù)統(tǒng)計：2014年我國的貨運總量為439.1億噸,其中公路貨運量為334.3億噸,比上年末增長了8.7%[1]；擁有公路營運汽車1 537.93萬輛,其中載貨汽車1 453.36萬輛,比上年末增長了2.4%[2].在這樣的背景下,車輛列隊行駛控制技術越來越受到人們關注和重視.有研究表明2輛重型卡車在時速80 km/h、間距10 m的工況下頭車與跟隨車輛分別節(jié)油6 %和20 %[3]；日本的研究表明如果40 %的重型卡車采用列隊行駛的方式、以10 m間距行駛,那么CO2的排放將減少2.1 %[4].

國外對列隊行駛控制技術的研究較早.20世紀90年代,Franke 等[5]建立了基于距離與加速度的2層控制器,實現(xiàn)了車輛的列隊行駛；隨后Gehrig等[6]通過彈性帶算法探討了列隊行駛跟隨系統(tǒng)的安全性問題；Gehring 等[7]采用滑模變結構的控制方法對2層控制器進行改進；Vinel等[8]對車輛時速在90 km/h、間距為12.5 m的工況進行分析；日本的Energy ITS項目采用5.8 GHz的無線通信模塊搭建車聯(lián)網(wǎng)進行車輛列隊行駛實驗[9].國內(nèi)對列隊行駛相關領域的研究起步較晚,但也有很多研究成果,例如：馬育林等[10]在1∶10的模型道路中進行智能小車的列隊行駛實驗；高振海等[11]基于跟車行駛提出了一種基于粒子群算法的模糊自校正控制器參數(shù)優(yōu)化方法；岳偉等[12]、任殿波等[13]也進行了相應的理論研究和系統(tǒng)仿真.

然而該研究內(nèi)容還存在諸多問題.首先,大多數(shù)的車輛列隊行駛研究都是基于復雜車輛數(shù)學模型,車輛模型的非線性和不確定性使得控制器的設計難度加大；其次,研究內(nèi)容多為車輛穩(wěn)定運行時的控制策略研究,對于起步過程中的列隊行駛控制研究較少；再者,重型卡車擋位較多,駕駛員在實際駕駛過程中尤其對低速擋的操作上并非逐級換擋,而目前的換擋研究中,很少考慮駕駛員的實際換擋情況.

鑒此,針對以上問題對12擋商用車起步過程中的擋位變換規(guī)律進行分析,得到了實際的換擋規(guī)律,利用自適應模糊控制算法搭建了卡車列隊行駛的控制模塊,以實車的實驗數(shù)據(jù)作為頭車控制信息,采用TruckSim中的車輛模型與Matlab進行聯(lián)合仿真,模擬車輛在間距和速度均可通過傳感器進行精確測量并實時傳輸?shù)墓r下,按照實際的換擋規(guī)律對列隊行駛車輛進行擋位、油門開度及制動過程的控制,以達到車輛間距和相對速度的穩(wěn)定以及換擋過程的平穩(wěn).

1換擋規(guī)則及仿真基本參數(shù)

1.1換擋規(guī)則

為得到商用車的實際換擋規(guī)律,在6名駕駛員(駕齡均超過5 a、年行駛里程數(shù)超過1.0×105km、日均駕車時間超過8 h)駕駛12擋商用車在高速公路上行駛3.5萬公里的實驗數(shù)據(jù)中提取了456段起步過程的擋位數(shù)據(jù)并進行換擋情況的數(shù)據(jù)統(tǒng)計與分析.如圖1所示為456段起步過程中擋位的使用情況,圖中數(shù)值代表該擋位在起步過程中出現(xiàn)的概率.從圖1中可以看出駕駛員對12擋商用車低速擋一般采用跳擋操作,即在駕駛員的起步換擋過程中是根據(jù)具體工況進行換擋的,并非逐級換擋,從圖1中可以看出在低速擋換擋過程中3擋、4擋、5擋使用率接近于0,6擋使用概率相對較小,而高速擋一般采用逐級換擋,但11擋的使用率也相對較低.

圖1　起步過程中擋位使用情況Fig.1　Usage of gears in start process

在實際駕駛過程中,駕駛員擋位的選擇是基于本車速度與油門開度決定的,因此將實驗數(shù)據(jù)中的擋位數(shù)據(jù)、車速v和油門開度αth繪制擋位分布情況如圖2所示.

圖2　起步過程中擋位分布圖Fig.2　Distribution of gear status in start process

根據(jù)實際數(shù)據(jù)提取和分析擋位的使用與分布情況,制定相應的換擋規(guī)則.將圖2中擋位數(shù)據(jù)進行區(qū)域劃分和數(shù)據(jù)變換后如圖3所示：圖中no為變速箱輸出轉速.

圖3　起步過程換擋規(guī)則圖Fig.3　Gearshift schedule map in start process

1.2仿真基本參數(shù)

由于采集的是12擋六軸半掛卡車的行駛數(shù)據(jù),因此在TruckSim模擬仿真實驗中頭車與跟隨車輛模型均設置為實車模型的基本參數(shù),其車輛動力學參數(shù)如表1所示.表中,mv為整車質量,mc為貨物質量,Tbr為車輪的制動力矩,rw為車輪半徑,rv為有效車輪滾動半徑,vabs為關閉ABS的車速范圍,Pen為發(fā)動機功率,nr為發(fā)動機額定轉速,So為ABS啟動滑移率,Sc為ABS關閉滑移率,ηt為變速箱傳動效率,i0為主減速比,i1至i12分別為1擋到12擋的減速比.

表1　卡車模型動力學參數(shù)

同時設置車輛換擋延時時間為0.5 s,該時間是指換擋指令發(fā)出到擋位更換完畢所使用的時間.車聯(lián)網(wǎng)數(shù)據(jù)傳輸時間是指車輛間距、速度和加速度信息在無線網(wǎng)絡傳輸過程中的延時,由于目前的無線通信設備傳輸周期約為20 ms,同時在車輛列隊行駛過程中車輛間距不會很大,否則很難形成車隊,影響整體的燃油經(jīng)濟性.因此在傳輸過程中即使有信號干擾,延時時間也不會很長.至于油門與制動踏板執(zhí)行時間,由于油門與制動踏板位置由自適應模糊控制算法根據(jù)行駛間距與相對速度得出,且采用自動駕駛模式,這樣保證控制精度的同時,也減少了人為產(chǎn)生的誤操作,避免了反應時間過長,因此設置車聯(lián)網(wǎng)傳輸延時與油門或制動執(zhí)行時間之和為0.2 s.

設置車輛列隊行駛的初始條件為跟隨車輛與前車在未起動之前的間距為2 m.當頭車按照實車速度起動時,跟隨車輛根據(jù)與前車間距、相對速度以及車輛自身速度控制其油門開度、制動踏板位置,同時按照擋位規(guī)則進行更換擋位,從而實現(xiàn)3輛卡車的列隊行駛,頭車起步過程的速度情況如圖4所示.圖中t為車輛行駛時間；3個坐標點分別為緊急制動分析時的制動位置.

圖4　頭車車速Fig.4　Velocity of leader truck

2自適應模糊控制算法的建立

2.1控制過程的問題描述

目前應用于車輛控制的算法有很多,例如滑模變結構控制、PID算法、神經(jīng)網(wǎng)絡、最優(yōu)控制以及模糊控制等等,然而在實際應用中很難建立六軸半掛卡車精確的數(shù)學模型,同時當車輛行駛速度較快時,要求控制算法應避免大量運算,具有良好的實時性.而在諸多算法中,模糊控制可以根據(jù)系統(tǒng)的輸入、輸出,憑借經(jīng)驗知識制定模糊規(guī)則,不用對系統(tǒng)建立精確的數(shù)學模型甚至不需要模型便可實現(xiàn)控制,計算過程簡單且更符合人類思維,因此成為了比較合理的選擇.

然而傳統(tǒng)的模糊控制算法由于無法對輸入?yún)?shù)進行實時調節(jié),因此在使用過程中只能適應某段速度下的精確控制,在其他速度下難于實現(xiàn)其油門開度和制動踏板控制的平穩(wěn).例如：當車輛低速行駛時,列隊行駛車輛的控制過程較為安全,不易發(fā)生碰撞,同時由于速度較慢,輸出的控制量變化不能過于靈敏,否則容易產(chǎn)生擋位的頻繁更換,影響控制效果以及車輛行駛過程中的燃油經(jīng)濟性,因此模糊控制的輸入量,即各車輛之間的行駛間距與相對速度參數(shù)范圍可以適當加大；當車輛速度不斷提高,列隊行駛車輛控制過程的安全性逐漸降低,輸出的控制量變化應及時、準確、有效,否則容易發(fā)生事故,因此模糊控制的輸入量應適當縮小范圍.

針對以上問題,采用自適應的模糊控制算法對控制器的輸入量進行有效調節(jié),方法有2種：一種為通過跟隨車輛速度對輸入量進行適當?shù)恼{節(jié),此時模糊控制器的輸入量將隨著車輛速度的增加而縮小控制范圍,然而當速度變化較大時控制容易產(chǎn)生較大的階躍信號,使得控制質量降低；另一種采用基于擋位信息的參數(shù)控制,其本質是通過判別當前工況下的車輛擋位,根據(jù)擋位設定加權系數(shù),擋位越高則加權系數(shù)越小,將該加權系數(shù)與模糊控制器的輸入量進行相乘,即可通過該方法實現(xiàn)對模糊控制器輸入量的自適應調節(jié),同時由于加權系數(shù)的改變是在換擋過程中進行的,換擋時沒有油門開度與制動踏板的操作,因此即使加權系數(shù)變化較大,也不會出現(xiàn)控制信號的振蕩或者階躍,所以采用后者進行自適應模糊控制算法的設計,其基本控制流程如圖5所示.圖中的參考輸入為前車與跟隨車輛之間的間距誤差和相對速度,通過擋位信息設定輸入量的加權系數(shù),與參考輸入相乘后進行歸一化處理,再對其模糊化后進行模糊推理即模糊規(guī)則的制定.將由規(guī)則得到的模糊量進行清晰化后輸出為車輛油門開度與制動踏板信號,該信號將被提供給被控制對象即跟隨車輛完成車輛速度與行駛間距的實時控制.

圖5　自適應模糊控制流程圖Fig.5　Adaptive fuzzy control diagram

2.2控制器基本參數(shù)設計

1)語言值的選取

圖6　隸屬度函數(shù)示意圖Fig.6　Membership function map

選取語言值有負大(NB)、負中(NM)、負小(NS)、零(ZE)、正小(PS)、正中(PM)、正大(PB),以輸出信號為例,其物理含義為負值代表制動信號,正值為油門信號,大、中、小為信號的強弱程度,如圖6所示為輸出值論域的語言變量結構中各隸屬度函數(shù)的分布情況.

2)隸屬度函數(shù)的設定

隸屬度函數(shù)采用高斯與雙邊高斯2種形式實現(xiàn)各語言值在論域上的分布,其中負大、負中、正中、正大采用高斯型,參數(shù)形式為[σ,c] ,負小、零、正小采用雙邊高斯型,參數(shù)形式為 [σ1,c1,σ2,c2],具體參數(shù)數(shù)值如表2所示：

表2　隸屬度函數(shù)設計參數(shù)

3)模糊推理規(guī)則及清晰化

算法采用統(tǒng)一的模糊控制規(guī)則,內(nèi)容如表3所示,其中vrel為相對速度變化量,derr為間距誤差.當vrel和derr均為NB時,代表跟隨車輛比頭車速度快很多,同時兩車之間間距遠遠小于參考間距,此時輸出信號為NB,即應最大程度地踩制動踏板進行減速,避免發(fā)生碰撞.

表3　模糊控制規(guī)則表

清晰化采用面積重心法實現(xiàn),公式如下：

(1)

式中：z為得到的模糊值；μ(z)為z所對應的隸屬度函數(shù)；z0為清晰化的結果；a、b為邊界值.

4)間距誤差

算法的輸入量為車輛之間間距誤差以及相對速度,間距誤差的示意圖如圖7所示及表達式如下：

圖7　間距誤差示意圖Fig.7　Schematic diagram of spacing error

(2)

derr=Δd-dref.

(3)

dref=do+Thvf.

(4)

式中：Δd為實際間距；xL為前車行駛位置；xf為后車行駛位置；L為車身長度；dref為參考間距,其值是隨著速度的增加而增加的；do為安全距離,即車輛出現(xiàn)緊急制動時車輛停止后的安全距離,設置為2 m；Th為時間常數(shù)；vf,af分別為跟隨車輛速度與加速度；vL,aL分別為頭車速度與加速度.

3仿真模型及結果

3.1車輛列隊行駛仿真模型

通過TruckSim和Matlab聯(lián)合仿真可以準確地模擬車輛列隊行駛過程的控制效果,驗證自適應模糊控制算法的可行性和有效性.

圖8　列隊行駛仿真模型Fig.8　Platooning simulation model

如圖8所示為3車列隊行駛的仿真模型,其中頭車在設定的駕駛工況下行駛,后車進行跟隨,在圖中s_ss_sss1、s_ss_sss2、s_ss_sss3分別為3輛卡車的代碼,該代碼代表仿真車輛為六軸半掛卡車.在現(xiàn)實環(huán)境中車輛位置和速度數(shù)據(jù)均可通過GPS、激光雷達或者測速裝置測得,并可以通過車聯(lián)網(wǎng)進行實時傳輸,那么在仿真中相當于可以得到3車位置信號Pos1、Pos2、Pos3和速度信號Vel1、Vel2、Vel3,此外,仿真模型中的Spd2、Spd3分別為跟隨車輛變速箱的輸出轉速,用以和油門開度確定跟隨車輛的擋位Gear2、Gear3,自適應模糊控制器1與自適應模糊控制器2的輸出分別為跟隨車輛的油門開度信號Thr2和Thr3、制動踏板信號Bra2和Bra3以及擋位,該擋位信號也將決定自適應模糊控制算法輸入量的加權系數(shù).

3.2仿真結果

分為2種工況對仿真模型進行分析,1)工況為頭車在路況良好的情況下自由行駛,無制動發(fā)生；2)頭車起步行駛過程中有緊急制動,此時將分析算法對列隊行駛車輛的控制情況.

圖9　車輛列隊仿真結果Fig.9　Platooning trucks simulation results

1)頭車無制動工況

車輛間的行駛間距Δd與誤差derr、相對速度vrel及加速度a的仿真結果如圖9所示,從圖9(a)中可以看出行駛間距是隨著跟隨車輛速度的增加而逐漸增大的,起步過程中行駛間距最大不超過15 m；圖(b)中列隊行駛車輛之間的間距誤差均在0至0.4 m以內(nèi),且也呈逐漸增大趨勢,說明行駛間距總是略大于參考間距,即無需制動便可完成起動過程；圖(c)中車輛之間相對速度在車輛起動后變化范圍為-0.25～0.5 m/s,即1 s內(nèi)變化不會超過0.5 m；從圖9(d)中可以看出車輛起動時加速度變化較大,起動后加速度變化平穩(wěn),只有換擋時有階躍或者振蕩現(xiàn)象.

如圖10所示為跟隨車輛的油門開度仿真圖形,圖中油門開度的起伏原因是由于當擋位變換時油門踏板將抬起,即油門開度為0%.起步過程中由于自適應模糊控制算法有效地實現(xiàn)了對跟隨車輛油門開度的控制,使得車輛行駛間距、相對速度以及擋位控制穩(wěn)定,因此制動踏板并沒有得到信號產(chǎn)生制動過程.

圖10　油門開度仿真結果Fig.10　Throttle simulation results

2)頭車緊急制動工況

以圖4工況作為頭車工況,當頭車速度為6、11、17 m/s時進行緊急制動的仿真實驗,其制動開始時間分別為第72、123、156 s,分別定義為制動工況1、制動工況2、制動工況3.所使用列隊行駛車輛均為同一車輛模型,即在實際車隊組建中為保證緊急制動時車輛具有良好的制動效果,提高車隊的安全性,應選擇同一類車型組建車隊.緊急制動的仿真結果如圖11所示,從圖11(a)中可以看出頭車在6 m/s制動時,當車隊停止時,頭車與中間車輛之間間距為5.51 m,中間車輛與尾車之間間距為5.63 m；在11 m/s制動時(圖(b)),間距分別為7.29和5.11 m；在17 m/s制動時(圖(c)),間距分別為11.24和8.89 m.制動過程無碰撞事故發(fā)生,同時由于在TruckSim模型中已設置有ABS參數(shù),有效地控制滑移率在0.1至0.2之間,因此也無甩尾、側翻等現(xiàn)象發(fā)生.

圖11　制動仿真結果Fig.11　Brake simulation results

4結論

(1)為了得到實際換擋規(guī)律,在6名駕駛員駕駛12擋商用車行駛3.5萬公里的實驗數(shù)據(jù)中提取了起步過程中的擋位數(shù)據(jù)并進行了統(tǒng)計分析,可以發(fā)現(xiàn)駕駛員一般在起步過程中不采用逐級換擋,其中3擋至6擋、11擋使用概率很小.

(2)通過分析車輛的實際換擋規(guī)律,建立了3車縱向列隊行駛的自適應模糊控制模型,在TruckSim和Matlab聯(lián)合仿真中模擬了起步行駛的控制過程.

(3)仿真結果表明：在180 s內(nèi)三車擋位均升至最高擋,速度達到74 km/h；在起步過程中行駛間距最大不超過15 m,間距誤差控制在5 %以內(nèi)；在起步過程中跟隨車輛油門開度控制平穩(wěn)；在頭車緊急制動時,車隊停止后車輛之間可以保持一定的安全距離.

參考文獻(References)：

[1] 中華人民共和國國家統(tǒng)計局. 2014年國民經(jīng)濟和社會發(fā)展統(tǒng)計公報 [EB/OL]. (2015-02-26) [2015-09-27]. http:∥www.stats.gov.cn/tjsj/zxfb/201502/t20150226_685799.html．

[2] 中華人民共和國交通運輸部. 2014年交通運輸行業(yè)發(fā)展統(tǒng)計公報 [EB/OL]. (2015-07-23) [2015-09-27]. http:∥www.mot.gov.cn/zhuzhan/jiaotonggaikuang/201507/t20150723_1853384.html．[3] NIEUWENHUIJZE M R I, KEULEN T V,?NCü S, et al. Cooperative driving with a heavy-duty truck in mixed traffic: experimental results [J]. Transactions on Intelligent Transportation Systems, 2012, 13(3): 1026-1032.[4] TSUGAWA S, KATO S, AOKI K. An automated truck platoon for energy saving [C]∥ Intelligent Robots and Systems. San Francisco, USA: [s. n.],2011:4109-411．

[5] FRANKE U, B?TTIGER F, et al. Truck platooning in mixed traffic [C]∥ Proc. of the Intelligent Vehicle Symposium. Detroit, USA: [s. n.] ,1995:1-6．

[6] GEHRIG S K, STEIN F J. Collision avoidance for vehicle-following systems [J]. Intelligent Transportation Systems, 2007.5(4):112-120．

[7] GEHRING O, FRITZ H. Practical results of a longitudinal control concept for truck platooning with vehicle to vehicle communication [C]∥ Intelligent Transportation System. Boston, USA: [s. n.] , 1997:117-122．

[8] VINEL A, LIN L , LYAMIN N. Vehicle-to-vehicle communication in c-acc/platooning scenarios [J] . Communications Magazine, 2015,53(8):192-197．

[9] TSUGAWA S, KATO S.Energy ITS: another application of vehicular communications [J]. Communications Magazine, 2010,48(11)120-126．

[10] 馬育林,吳青,張蕊,等. 模擬自治車隊行駛過程變工況速度跟蹤控制[J]. 機械工程學報,2011,47(7):140-147．

MA Yu-lin, WU Qing, ZHANG Rui, et al. Speed tracking control for a simulated intelligent vehicle platoon under variable road conditions [J]. Journal of Mechanical Engineering, 2011,47(7):140-147．

[11] 高振海, 吳濤, 尤洋. 基于粒子群算法的汽車自適應巡航控制器設計[J]. 農(nóng)業(yè)機械學報, 2013,44(12):11-16.

GAO Zhen-hai, WU Tao, YOU Yang. Design of vehicle adaptive cruise controller based on PSO algorithm [J]. Transactions of the Chinese Society for Agricultural Machinery, 2013,44(12):11-16.

[12] 岳偉,郭戈. 自主車隊的非線性建模與控制[J]. 控制與決策,2009,24(7):996-1000.

YUE Wei, GUO Ge. Nonlinear modelling and control of autonomous platoon [J]. Control and Decision, 2009,24(7):996-1000.

[13] 任殿波, 張策, 張繼業(yè).考慮前后信息的車輛跟隨自適應控制[J]. 哈爾濱工業(yè)大學學報. 2011, 43(6):76-80.

REN Dian-bo, ZHANG Ce, ZHANG Ji-ye. Vehicle following adaptive control using front and back information [J]. Journal of Harbin Institute of Technology, 2011,43(6):76-80.

第50卷第5期2016年5月浙 江 大 學 學 報(工學版)JournalofZhejiangUniversity(EngineeringScience)Vol.50No.5May2016

Starting control of platooning trucks based on actual gearshift schedule

LI Ming-da1,2,KUI Hai-lin1,MEN Yu-zhuo2,BAO Cui-zhu1

(1.CollegeofTransportation,JilinUniversity,Changchun130022,China；2.SchoolofMechatronicsEngineering,ChangchunInstituteofTechnology,Changchun130012,China)

Abstract:456 segments gear status data in the start process were extracted from the experiment vehicle traveling 35,000 kilometers in order to solve the starting control problem of platooning trucks.The corresponding gearshift rule was developed with the statistics and analysis.The control model of vehicle platoon was established by using adaptive fuzzy control algorithm. The weight coefficients were decided through the gear status information of the following vehicle. They were used to adjust the input scale of fuzzy controller in order to improve the adaptability of control algorithm. Through co-simulation of TruckSim and Matlab, three trucks platoon was simulated in the case of vehicle-vehicle communication environment using the test data from real vehicle as the simulation conditions of the leader truck. The simulation results show that the travel space error between two vehicles can be controlled within 5 percent of driving distance in unit time. The control model has certain control accuracy.

Key words:gearshift rule; adaptive fuzzy control; platoon ; TruckSim；Matlab；co-simulation

收稿日期：2015-09-27.浙江大學學報(工學版)網(wǎng)址： www.journals.zju.edu.cn/eng

基金項目：國家自然科學基金資助項目(51378075).

作者簡介：李明達(1982-)，男，博士生，講師，從事車路協(xié)同節(jié)能技術等研究.ORCID : 0000-0002-1127-9305.E-mail:limingda_123@qq.com通信聯(lián)系人：隗海林，男，教授，博導．ORCID ：0000-0002-1365-0980.E-mail:khl69@163.com

DOI:10.3785/j.issn.1008-973X.2016.05.011

中圖分類號：U 491

文獻標志碼：A

文章編號：1008-973X(2016)05-0887-06