智軌電車縱向速度自適應巡航控制策略研究

張 乾，張 沙，王 斌，袁希文

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

目前智能軌道快運系統(tǒng)已先后在株洲、永修及宜賓等城市開通運營[1]。智軌電車作為一種虛擬軌道無軌膠輪電車，其簡化物理有形軌道鋪設(shè)、與社會車輛分時分段路權(quán)共享的特點，極大地滿足了一些中小城市因市區(qū)道路資源緊張而無法使用軌道車輛的需求。然而，這樣的交通組織運行方式也帶來了一些棘手的問題。比如，根據(jù)分時分段的運行規(guī)定，上下班的高峰期會出現(xiàn)智軌電車與其他車輛共用一個車道的狀況。此種交通狀況下，智軌電車需要不斷地走走停停，這不僅給駕駛員帶來了駕駛疲勞，同時也會引發(fā)乘客的不舒適感。如何通過控制手段使智軌電車自適應地跟隨前方目標車，是迫切需要解決的一個難題。

現(xiàn)階段車輛縱向速度自適應巡航控制( adaptive cruise control, ACC)的設(shè)計方法主要包括分工況控制和分層控制[2-3]。由于智軌電車運行場景在城市主干道上，交通場景較為復雜，分工況設(shè)計方法不再適用，為此，本文采用分層控制方法進行縱向速度ACC設(shè)計。ACC系統(tǒng)被分為環(huán)境感知層、決策控制層和執(zhí)行控制層3個層次。對于環(huán)境感知技術(shù)，國內(nèi)外很多公司，如深圳市大疆創(chuàng)新科技有限公司、大陸集團（Continental AG）、羅伯特·博世有限公司（BOSCH）等，大多只針對單個雷達（毫米波雷達或激光雷達）進行相關(guān)研究[4-5]。在城市復雜的交通環(huán)境下，采用單個傳感器感知環(huán)境很可能出現(xiàn)誤報和漏報情況。與傳統(tǒng)的定速巡航[6]不同的是，本文所提的縱向速度ACC功能[7-8]是通過安裝在智軌電車前方的多種傳感器（包括攝像頭、雷達等）感知前方社會車輛而獲取兩車之間的相對距離、前方車輛的速度和方位角等相關(guān)信息的，其通過控制器使智軌電車與前方最危險目標保持安全的行車距離并能自適應地跟隨目標車輛。另外，一般的汽車ACC功能只適用于高速公路工況[9-11]；一旦車速低于30 km/h，該功能將無法使用。在車流量較大的城市路況下，由于前方車輛不定時的起-停，駕駛員無法設(shè)定跟車速度，縱向速度ACC系統(tǒng)將被頻繁退出，導致傳統(tǒng)的汽車ACC功能在智軌電車上將不再適用。為在交通擁堵工況下實現(xiàn)車輛自動起-停功能，智軌電車通過傳感器來感知紅綠燈以及低速和靜止的目標并對本車進行控制，從而做出相應反應[12-13]；與此同時，其縱向速度自適應控制還具備自動起步功能，當前方車輛啟動后，本車也會做出相應的反應，最終實現(xiàn)全路線的跟車行駛。這樣駕駛員只需要對智軌電車進行橫向速度控制，從而將駕駛員從頻繁的起-停工況下解放出來，可以很好地降低因駕駛員的接管車輛不及時而產(chǎn)生運營事故發(fā)生的概率。

為此，本文提出一種縱向速度自適應控制策略，首先建立了驗證控制算法的車輛動力學模型，然后對控制策略的設(shè)計進行了詳細描述，最后通過dSPACE硬件在環(huán)仿真平臺對控制效果進行了驗證[14]。

1 智軌電車縱向速度自適應控制系統(tǒng)原理

智軌電車縱向速度自適應控制系統(tǒng)（圖1）分為3層，即環(huán)境感知層、決策控制層和執(zhí)行控制層。

圖1 智軌電車縱向速度自適應控制系統(tǒng)構(gòu)成Fig. 1 Configuration of the longitudinal speed adaptive control system for autonomous-rail rapid tram

1.1 環(huán)境感知層

環(huán)境感知層是縱向速度自適應控制系統(tǒng)功能實現(xiàn)的前提和基礎(chǔ)。安裝在智軌電車上的傳感器（包括毫米波雷達、攝像頭和激光雷達）對周圍目標物進行識別，并將得到的目標物運動信息提供給決策層中的上層控制器。環(huán)境感知層通過傳感器感知目標物，得到一系列危險目標；再通過感知算法中的目標篩選策略得到離智軌電車最近的危險目標；最后將最危險目標作為智軌電車的跟車目標，輸入給決策控制層。

1.2 決策控制層

從架構(gòu)上，縱向速度跟蹤控制系統(tǒng)一般分為上層控制器和下層控制器。上層控制器計算期望加速度，使之快速、平穩(wěn)地跟蹤期望速度軌跡；下層控制器協(xié)調(diào)牽引和制動級位，以實現(xiàn)期望加速度。

上層控制層是智軌電車縱向速度自適應控制系統(tǒng)的核心部分，其在獲得環(huán)境感知層得到的最危險目標車輛信息和智軌電車運動信息后，通過所設(shè)計的縱向速度自適應控制器進行相應處理，決策出期望的加速度并發(fā)送到執(zhí)行控制層；決策控制層依據(jù)對車輛實際安全時距和截止安全時距、車輛相對速度和截止相對速度大小判斷的結(jié)果來進行速度控制模式和距離控制模式的切換。

1.3 執(zhí)行控制層

智軌電車執(zhí)行控制層為控制層的底層。作為所設(shè)計的縱向速度自適應控制系統(tǒng)與智軌電車的橋梁，執(zhí)行控制層主要用于接收來自決策控制層發(fā)出的智軌電車的車輛加速度，然后通過控制算法對智軌電車發(fā)動機和制動系統(tǒng)進行參數(shù)精確調(diào)節(jié)和控制，從而實現(xiàn)智軌電車縱向自動駕駛。

2 車輛動力學模型建立

基于Trucksim軟件，本文建立了智軌電車車輛動力學及試驗場模型；同時，在Matlab/Simulink中建立了全軸轉(zhuǎn)向控制器模型。由于該部分不是本文的重點，因此不做贅述。智軌電車車輛動力學模型的驗證效果如圖2和圖3所示。仿真結(jié)果表明，該車輛動力學模型聯(lián)合設(shè)計的全軸轉(zhuǎn)向控制器，可以平滑有效地跟蹤地面虛擬軌道，其中虛擬軌道是通過擬合實際測試場的路徑點而生成的[15]。圖4和圖5分別示出智軌電車試驗場模型及其車輛動力學模型。

圖2 各軸轉(zhuǎn)向角曲線Fig. 2 Steering angles of each axle

圖3 各鉸接盤角度曲線Fig. 3 Articulated angles of each hinge plate

圖4 試驗場模型Fig. 4 Test field in simulation

圖5 Trucksim與Matlab/Siumlink之間的聯(lián)合仿真模型Fig. 5 Model of joint simulation between Trucksim and Matlab/Siumlink

3 縱向速度自適應控制策略設(shè)計

智軌電車縱向速度自適應控制策略包括環(huán)境感知策略、決策控制策略和執(zhí)行控制策略。

3.1 環(huán)境感知策略設(shè)計

系統(tǒng)環(huán)境感知層主要功能包括多目標識別和跟隨以及最危險目標選擇，具體如下：

（1）多目標識別和跟隨

基于多傳感器融合的多目標識別和跟隨是通過攝像頭和雷達感知，得到一系列原始目標信息并分別進行感知算法預處理，再對原始目標信息進行融合和數(shù)據(jù)關(guān)聯(lián)分組，以精準識別和自適應跟隨前方目標。

（2）最危險目標選擇

從多傳感器融合識別的一系列危險目標中柵格碰撞，選擇出一個最危險目標。對于直線道路，直接以前方最近車輛作為跟車目標；對于彎道，根據(jù)智軌電車運動狀態(tài)并利用式(1)～ 式(4)估算出前方道路曲率，假定智軌電車仍按預定軌跡運行，通過計算，可得到前方最危險目標的橫向偏移量。最后，計算可得到一個包含行駛狀態(tài)信息的跟車目標。

3.1.1 道路曲率的估算

利用前方道路曲率不變的原理篩選最危險跟車目標，該方法通過傳感器得到智軌電車運動信息，由此計算出前方一段距離的道路曲率，并假設(shè)智軌電車當前所在位置的道路曲率和與前方一段距離內(nèi)的曲率一致；在此基礎(chǔ)上，首先測量出前方一段距離道路的平均寬度，基于幾何方法計算并判斷前方危險目標是否為有效跟車目標。這種方法思路簡單，雖然其魯棒性一般比較依賴于前方大陸形狀，但計算量小，對智軌電車專用車道而言比較適用。通過對國內(nèi)外學者提出的方法進行研究發(fā)現(xiàn)，一般可利用幾種方法計算車輛當前道路曲率，本文列出其中4種。文中κ代表道路曲率。

（1）利用車輛轉(zhuǎn)向電機的傳動速比和方向盤轉(zhuǎn)角的比值來估算前方道路的曲率：

式中：i——車輛轉(zhuǎn)向電機的傳動速比；dx——前后車輪的距離；δs——方向盤的轉(zhuǎn)角。

（2）利用智軌電車的橫向加速度值來估計當前道路的曲率：

式中：ay——車輛橫向加速度；vego——車輛縱向速度。

實際測量時，一般車輛的橫向加速度值會因人為或機械誤差而波動較大，最終直接影響當前道路曲率計算的精準度。

（3）利用智軌電車橫擺角傳感器得到的橫擺角速度和縱向車速比值來估算前方道路的曲率：

式中：ωe——車輛橫擺角速度。

由于橫擺角速度和縱向車速信息可直接通過車載傳感器獲取，因此κω的計算精度較高。

（4）利用智軌電車輪速和前方道路寬度關(guān)系來估算前方道路曲率，見式(4)。一般來說，道路的寬度參數(shù)可以很容易被獲?。粸榱吮苊鈩恿鲃酉到y(tǒng)對輪速的影響，輪速參數(shù)應從非驅(qū)動輪上獲取。

式中：lω——前方一段道路的平均寬度；vω——輪速。

上述4種道路曲率計算方法各有優(yōu)劣，本文基于現(xiàn)有的設(shè)備和試驗條件，選擇方法3來估算前方的道路曲率，并以此來預測智軌電車未來行駛軌跡。

3.1.2 目標車與主車徑向相對距離

通過3.1.1節(jié)計算方法得到道路的曲率后，首先需要判斷前方目標車輛是否和智軌電車位于同車道內(nèi)，即需要計算前方目標車輛偏離主車道中心線的橫向距離，以甄別前車是否為有效的跟車目標。圖6示出基于固定曲率的車輛間相對位置關(guān)系，其中紅色虛線代表前方道路的中心線，藍色虛線指前方道路兩側(cè)（依據(jù)車道寬度和前方道路的曲率預測得到）；ds為前方目標相對智軌電車的相對距離（通過安裝在車上的雷達獲?。?，θ是智軌電車傳感器坐標系下前方目標車輛最近點的方位角，ρ為智軌電車當前所處道路曲率半徑，ρ1為同一時刻下前方最危險目標車輛所處位置的道路曲率半徑。

圖6 基于固定道路曲率的車輛間相對位置關(guān)系Fig. 6 Relative position of vehicles based on fixed curvature

下面以雷達傳感器位置作為智軌電車本體坐標系，通過幾何關(guān)系計算目標車與主車徑向相對距離。

通過圖像和毫米波融合得到θ及ds；利用式(5)和式(6)，可得到該距離在縱向和橫向上的分量：

假設(shè)ρ=ρ1，則可算出前方最危險目標車輛距離主車道路中心線的橫向距離：

3.1.3 跟蹤目標的篩選

為有效跟蹤目標，需準確地篩選出同一車道內(nèi)相對于智軌電車行駛安全最具有威脅的目標。最有效的跟蹤目標篩選方法分兩步，首先判斷智軌電車附近車輛與其預測行駛軌跡區(qū)域的位置關(guān)系，然后再篩選出和智軌電車在同車道且最近的目標車輛當作跟蹤目標。

利用式(7)算出前方最危險目標車輛距離主車道路中心線的橫向距離，把附近車輛分類為主車道內(nèi)和主車道外兩種狀態(tài)：

（1）|doff|＜d時，目標車在本車道內(nèi)；

（2）|doff|≥d時，目標車不在本車道。

3.2 決策控制策略設(shè)計

決策控制策略設(shè)計主要包含4個方面：安全時距模型、速度控制算法、距離控制算法及速度/距離控制切換算法。

3.2.1 安全時距模型

安全時距(headway time, HWT)模型一般有2種，即固定HWT模型和可變HWT模型。采用固定HWT模型，智軌電車與前車距離保持不變，但是智軌電車在城市復雜交通路況下處理緊急狀況時對乘客的舒適性很難保證。因此，此方法雖然易于實現(xiàn)，但是不能滿足智軌電車實際運行需求?？勺僅WT又可分為可變車頭時距（variable time headway，VTH）和不可變車頭時距（constant time headway，CTH）[16]。采用不可變車頭時距模型，兩車之間的車頭時距是恒定的，時距值由駕駛員設(shè)定并輸入到系統(tǒng)中，此方法的缺點與固定HWT模型的一樣。而與可變車頭時距模型相比，可變車頭時距模型考慮了兩車之間的相對距離并可以對前車的運動狀態(tài)有一定的預判，這有利于提高智軌電車在運行過程中的舒適性和安全性。因此本文采用可變車頭時距模型，如式(8)所示，其車間時距是一個與本車速度成反比的關(guān)系式：

式中：drel——智軌電車和前方車輛之間的相對距離，該信息由傳感器提供；t0——安全時距的裕度值。

由于兩車之間HWT不能為負值，且不合適的HWT反而會影響交通狀況，因此一般選擇引入飽和函數(shù)，使HWT控制在一定范圍內(nèi)：

式中：tHWT_dem——按需求自定義的安全時距；k——系數(shù)。

3.2.2 速度控制

智軌電車是通過踏板級位、電機控制器和電機來實現(xiàn)牽引和制動的。智軌電車速度控制算法的輸入為實際車速與期望車速的差值，當實際速度低于期望速度時，速度差經(jīng)控制器輸出油門踏板（牽引）級位值，以驅(qū)動車輛加速，使之趨近于期望車速；反之，輸出剎車踏板（制動）級位值，以減小實際車速，使之趨近于期望車速，如此形成速度閉環(huán)。

本文采用PID控制算法，將經(jīng)過算法處理得到的控制量（即牽引級位和制動級位）輸入智軌電車車輛動力學模型，進而對智軌電車的速度進行控制。PID 控制數(shù)學表達式如下：

式中：r(t)——給定值；c(t)——測量值；e(t)——誤差；Kp——比例增益；Ti——積分時間常數(shù)。

3.2.3 距離控制

若要實現(xiàn)智軌電車縱向自動駕駛，不僅需要對車輛速度進行控制，還需要對本車和前車的距離進行控制，這樣才能確保智軌電車始終以合理的車速與前方最危險目標車輛保持一定的安全距離。距離控制是通過控制算法而實現(xiàn)的，其通過調(diào)整智軌電車牽引級位和制動級位來控制兩車間的車頭時距，使之收斂于所設(shè)定的安全時距。距離控制算法的邏輯控制如圖7所示。圖中，vrel為兩車之間的相對速度，vrel=vegovlead；vc是智軌電車與前車的截止相對速度，其由駕駛員設(shè)定。距離誤差經(jīng)PID控制器后，得到智軌電車牽引級位值和制動級位值。

圖7 距離控制算法的邏輯框圖Fig. 7 Logic block diagram of the distance control algorithm

3.2.4 速度和距離控制切換策略

速度控制模式與距離控制模式之間切換邏輯如下：

（1）從速度控制模式切換到距離控制模式。

當目標車輛在傳感器的有效探測范圍內(nèi)且兩車相對速度小于等于零時，系統(tǒng)從速度控制模式切換到距離控制模式。

根據(jù)行車工況，距離控制模式又分為穩(wěn)態(tài)跟車、前車急加減速、旁車切入和切出等。

（2）從距離控制模式切換到速度控制模式。

當兩車間距離超出傳感器的有效探測范圍時，系統(tǒng)從距離控制模式切換到速度控制模式。

（3）退出模式。

如果出現(xiàn)緊急狀況、駕駛員主動接管等情況，不管系統(tǒng)此時處于何種模式，都能立即退出。

3.3 執(zhí)行控制策略設(shè)計

下層的執(zhí)行控制層主要用于接收來自上層決策控制發(fā)出的跟車目標信息，協(xié)調(diào)驅(qū)動和制動功能，達到期望的加速度，即從加速度指令到牽引制動級位的映射關(guān)系。

執(zhí)行控制通常采用兩種方法來實現(xiàn)，具體如下：

（1）標定法。其基于標定表，記錄不同的牽引/制動級位值對汽車加/減速度的定量影響并制成表格，再通過查表法得到牽引/制動的級位值。

（2）逆向動力學模型法。其基于逆縱向動力學模型進行加速度跟蹤，以理想加速度為輸入，計算得到牽引級位或者制動級位信息。

考慮到標定方法的魯棒性和逆向動力學模型的高精度要求，本文利用速度差通過PID算法得到加速度并形成閉環(huán)來實現(xiàn)下層執(zhí)行控制。

4 仿真驗證與測試

為了驗證本文所設(shè)計的控制策略的有效性，本文搭建了dSPACE實時硬件在環(huán)仿真平臺（圖8），使縱向速度自適應控制算法運行在MicroAutoBoxII中；以 SCALEXIO作為HIL仿真平臺運行車輛動力學模型、傳感器以及交通環(huán)境模型，并在PC機上安裝Trucksim軟件和dSPACE上位機軟件，以實時觀測車輛狀態(tài)和控制器信息。 PC機通過以太網(wǎng)端口被分別連接到MicroAutoBoxII和SCALEXIO目標機上，MicroAutoBoxII和SCALEXIO之間則通過CAN總線連接。

圖8 硬件在環(huán)實時仿真平臺Fig. 8 HIL real-time simulation platform

“起-?！睜顟B(tài)是指在與前車保持安全距離的前提下，智軌電車可以根據(jù)前車的運動狀態(tài)自動控制速度和距離。仿真初始條件如下：智軌電車期望速度為20 km/h，vc= 4 km/h；前車的截止速度為40 km/h，tHWT-dem= 3 s，靜止距離為8 m。構(gòu)建的仿真場景如圖9所示。

圖9 智軌電車運行仿真場景Fig. 9 Simulated running scene of autonomous-rail rapid tram

圖10示出前車檢測判斷曲線：當判斷值為1時，兩車實行距離控制；當判斷值為零時，兩車實行速度控制且前車不在檢測范圍內(nèi)，主車處于定速巡航狀態(tài)，由此可以看出切換策略的正確性。從圖11的HWT仿真曲線可以看出，當HWT為0時，前車為定速巡航；當HWT不為0時，前車車輛的HWT值始終在所需的HWT值附近波動，從而避免了后車與前車的碰撞并提高了駕駛安全性，所表現(xiàn)的性能與圖10的一樣。圖12示出速度仿真曲線，可以看出，主車的速度曲線與前車的幾乎相同，驗證了該控制策略的有效性，其在復雜的城市交通環(huán)境中可以很好地適應“起-?！毙旭偣r。

圖10 前車檢測判斷曲線Fig. 10 Detection and judgment curve of front vehicle

圖11 車頭時距仿真曲線Fig. 11 HWT simulation curve of vehicle head

圖12 速度仿真曲線Fig. 12 Velocity simulation curves

5 結(jié)語

針對智軌電車在復雜的城市交通路況下實現(xiàn)縱向自動駕駛運行所遇到的問題，本文研究了智軌電車縱向速度自適應控制策略。首先，建立了智軌車輛動力學模型并驗證了模型的準確性。其次，設(shè)計了智軌電車縱向速度自適應控制系統(tǒng)。最后，基于所搭建的dSPACE智軌電車智能駕駛硬件在環(huán)仿真平臺，對所研究的控制策略進行了仿真驗證。仿真結(jié)果表明，所設(shè)計的控制策略可以較好地適應城市堵車交通環(huán)境中的起-停行駛工況。由于該方法尚未加入速度規(guī)劃，目前無法在車輛停車時保證不出現(xiàn)急?，F(xiàn)象，這是后續(xù)研究方向。