科研之友
微信
新浪微博
Facebook
分享链接
摘要
生态驾驶是实现可持续出行和可持续城市交通发展的重要途径。为提升网联电动汽车的能量效率，针对复杂多变的城市信号灯路口场景，充分考虑真实交通的信号灯配时以及车辆对未来信息的有限预测能力等约束条件，提出一种结合学习型模型预测控制(Learning-based model predictive control, Learning-MPC)与快速内点法(Fast internal point method,FIPM)的两阶段非保守生态驾驶控制策略(Non-conservative ecological driving control, NCEDC)。车辆出发前，根据乘客目的地以及道路限速信息，构建能效最优控制问题，同时为提高计算效率引入了带阻函数将速度约束转化为目标函数一部分，内点法粗规划车辆能效最优参考速度轨迹；出发时，车辆预测信号灯动态相位，Learning-MPC策略通过高斯过程(Gaussianprocess,GP)在线学习车辆状态预测模型，实现车辆能效最优参考速度轨迹的跟踪控制。通过仿真对比，相对于经典的“加速—匀速—减速”策略，所提方法可实现9.7%的能量节省，并随着预测视域的长度增加表现出更好的节能潜力。进一步验证通过机器学习解决了传统MPC非柔性保守系统状态预测模型因离散化造成的误差累积问题，更高程度提升了车辆生态驾驶控制的最优效果。
- 单位
