实时多目标权重弯道跟随预测控制

章军辉，李 庆，陈大鹏

实时多目标权重弯道跟随预测控制

章军辉1, 2, 3，李 庆1, 2，陈大鹏1, 2, 3

(1. 中国科学院微电子研究所，北京 100029；2.江苏物联网研究发展中心，无锡 214135；3. 无锡物联网创新中心有限公司，无锡 214135)

为进一步提升车辆跟随控制对复杂工况的适应能力，本文发展了一种多目标自适应巡航控制算法．车辆弯道跟随过程中，充分考虑了车辆动力学的纵横向耦合特性，建立了4-DOF整车动力学模型，基于干扰解耦设计将整车动力学模型解耦成采用一阶惯性环节近似的线性纵向跟随模型以及采用一阶非定常微分方程描述的横向动力学模型，再通过线性变参数方法对连续横向动力学系统方程进行一次性离散化计算，以避免在每个控制周期均需对其进行次(为预测时域长度)离散化处理的高计算复杂度问题．进一步，基于MPC框架设计了实时多目标权重控制策略以及考虑跟随工况的多场景融合策略，以实现纵横向性能动态协调的集成式预测控制．仿真结果表明，相对传统的参数离线标定的控制策略(MPC-CW)，考虑多场景融合设计的实时多目标权重控制策略(MPC-RW*)能够较好地实现期望跟车目的．

自适应巡航控制；直接扭矩控制；多目标；实时权重；模型预测控制

与直道跟随工况明显不同的是，在弯道跟随过程中，自车ACC为保证较好的纵向跟驰性能而进行加速或制动时，会产生较大的横向加速度、转向角、垂直载荷偏移等，而这些因素将可能导致车辆动力学特性(如轮胎侧偏特性等)进入非线性区域，当轮胎与地面之间附着能力达到极限时，可能会发生车辆侧滑、甩尾等危险现象[1]．驱动防滑系统(acceleration slip regulation，ASR)与制动防抱死系统(antilock brake system，ABS)分别用于急加速、紧急制动工况，通过控制车轮滑移率来增强车辆运动安全性，而对于急转弯或高速变道工况，直接横摆力矩控制(direct yaw-moment control，DYC)被证明是极具发展前景的主动底盘控制技术．DYC旨在淡化驾驶员操作技能对车辆运动安全的影响，通过对轮胎受力分布调节来产生附加横摆力矩，以主动抑制汽车过多、不足转向趋势，从而提高车辆在高速、路面附着能力较差等极限工况下的操纵稳定性[2]．

车辆动力学系统是强非线性、多变量、深耦合、时滞参变的复杂系统，存在着严重不确定性，且纵横向耦合较深，弯道工况下尤为明显．车辆纵横向动力学耦合特性主要表现在：一是轮胎横向力与纵向力之间的相互影响，如在转弯过程中横向力的纵向分量会影响纵向速度，而纵向速度亦会影响离心力大小以及横向偏移率；二是垂直载荷偏移，即纵向加速度改变会影响轮胎正压力分布，进而影响横向动态特性，因而纵向、横向单独控制难以取得较理想的控制效果.基于此，文献[3]建立了车辆纵横向耦合动力学模型，充分考虑了主要的动力学耦合因素，提出了一种基于动态面控制(dynamic surface control，DSC)的转向与驱动综合控制策略．

纵向跟驰性能与横向稳定性同样存在着相互制约关系[4-6]，即过于追求纵向跟驰性能往往会使得横向稳定性能下降，致使DYC等横向稳定性控制系统的过多介入，影响到驾乘舒适性，而过于追求横向稳定性裕量(lateral stability margin，LSM)，意味着自车纵向驱动与制动能力将会受到限制约束，致使纵向跟驰性能、紧急避撞性能严重下降，因而需要综合协调车辆跟随过程中的纵向跟驰性能与横向稳定性．进一步，文献[7]提出了一种纵向跟驰性能指标权重动态调整的预测控制算法，增强了ACC对复杂工况的适应能力．

本文基于弯道跟随工况充分考虑了纵横向动力学耦合关系，设计并实现了纵横向性能动态协调的集成式跟随控制(integrated adaptive cruise control，IACC)．首先，建立了纵横向耦合的整车模型，并对其进行干扰解耦，构造了集成式跟随预测模型．其次，对纵横向性能指标进行量化分析，分别建立了性能泛函以及相关约束条件．随后，基于MPC理论框架设计了集成式预测控制算法，并设计了实时多目标权重控制策略以及考虑跟随工况的多场景融合控制策略．最后，基于动态驾驶模拟器对控制算法与控制策略的有效性进行了验证分析，并与已发表文献进行了比较．

1 IACC数学建模

弯道工况下，整车动力学模型是一个纵横向运动相互耦合的强非线性复杂系统．

如图1所示，首先利用干扰解耦策略对整车动力学模型进行分解，接着结合车间运动学特性与一阶惯性环节假设构造出线性纵向跟随子系统，同时引入准线性轮胎模型与线性变参数(linear parameter varying，LPV)方法构造出准线性横向动力学子系统，最终得到IACC集成式跟随模型．

图1 IACC数学建模流程

1.1 整车动力学模型

兼顾复杂系统准确表达能力与控制器简捷性设计的原则，这里重点考虑横向运动对纵向运动的影响，几点假设如下：

(1)忽略车辆悬架作用；

(2)忽略绕轴的俯仰角、绕轴的侧倾角；

(3)忽略垂直载荷偏移变化对轮胎特性的影响；

(4)线控转向系统的传动比是固定值；

(5)汽车结构左右完全对称，且是前轮转向的．

基于上述假设，整车动力学模型被简化为仅考虑纵向、横向、横摆以及前轮转动的4-DOF整车模型．从而，建立车辆坐标系与整车动力学模型，如图2所示．

图2 整车模型

列写出纵向、横向、法向汽车运动微分方程，得到整车动力学模型的数学描述如下：

式中：Ff、Fr分别为前后轮所受纵向力；Ff、Fr分别为前后轮所受横向力；f、r分别为前后轮的转动惯量；为轮胎滚动半径；v、v、ω分别为纵向速度、横向速度、横摆角速度；为整车质量；为重力加速度；为滚阻系数；为前轮转角；为路面坡度；D为风阻系数；为空气密度；为前向迎风面积；、分别为前后轴与整车质心间的距离；I为绕轴(法向)转动惯量；M, des为期望附加横摆力矩．

进一步，对式(1)进行简化，几点假设如下：

(1)忽略路面坡度；

(2)前轮转角较小，即sin≈cos≈1．

进而，整理可得如下方程．

(1) 纵向运动微分方程．

(2) 横向、法向运动微分方程．

1.2 干扰解耦

关于式(2)，不难发现：

(1)这些非线性项说明整车动力学模型是多变量、纵横向运动相互耦合的非线性系统，不满足高实时性滚动时域求解对受控对象线性化或准线性化的要求；

(2)缺少车间运动学的数学描述，无法反映前车运动特性对自车纵向跟驰性能的影响．

为此，这里采用干扰解耦策略[8-9]，即在不改变系统结构的前提下，通过闭环状态反馈，构造出具有相同结构的闭环系统，以补偿横向、法向变量、风阻、滚阻等时变因素的影响．

如图3所示，对式(2)进行干扰解耦，得到线性纵向运动学模型为

式(4)是理想的纵向传递关系，这是式(1)对整车动力学模型简化的结果，实际上还需考虑车辆动力系统较强的惯性特性，如常用的一阶惯性环节[6]．

接着，对式(3)中轮胎侧偏特性进行线性化处理，认为轮胎横向力数值上仅与侧偏角大小相关[10]，即

式中：f、r分别为前后轮的侧偏刚度；f、r分别为前后轮的侧偏角．

根据车辆坐标系，前后轮的侧偏角满足

式中为质心侧偏角，＝v/v．

进而，得到用一阶非定常微分方程描述的横向动力学模型

1.3 纵向跟随模型

为了更好地描述ACC纵向跟随特性，用车距误差Δ、相对车速Δ、自车纵向加速度a、自车纵向冲击度来量化纵向跟随效果．假设车辆执行系采用一阶惯性环节近似，纵向期望车距采用CTH策略[11]，根据ACC纵向车间运动学特性，利用差分近似法或零阶保持器法(ZOH)，建立纵向跟随模型的离散状态空间方程[6]为

式中：(＋1|)表示时刻对＋1时刻的预测；1()=[Δ()，Δ()，a()，()]T；1()=a,des()为控制输入；1()=a()为前车加速度；各系数矩阵满足

1.4 横向动力学模型

基于式(7)，以质心侧偏角、横摆角速度ω为状态向量，期望附加横摆力矩M,des为输入，前轮转角为扰动，得到连续状态空间方程

式(9)中，系数矩阵与纵向速度及轮胎侧偏刚度调节系数有关，不满足LTI(linear time invariant)系统时不变特性，这将导致在每个控制周期均需对其进行次(为预测时域长度)离散化计算，使得系统实时性严重降低．为解决上述问题，采用LPV线性变参数方法[12]对连续横向动力学系统方程进行一次性离散化计算，建立具备准线性结构(即满足定常性或时不变性)的离散状态空间方程．

其次，对于有限区间的v，变参数1、2能够同时取边界值，令

可得式(10)于边界处的局部线性化表达式为

随后，采用ZOH法，再对式(9)中各系数矩阵进行局部离散化处理，即

最后，得到横向动力学模型的离散状态空间方程

从而，采用上述LPV方法，最终将非线性横向动力学模型转化为适宜于MPC框架的准线性动力学模型．在MPC滚动优化过程中，如式(13)所示的离散化计算仅需执行一次，对于每一个控制周期，仅需调节b, j即可，有效地降低了计算负荷．

1.5 IACC集成式跟随预测模型

联立纵向跟随模型(见式(8))与横向动力学模型(见式(14))，建立IACC集成式跟随预测模型

式中为单位矩阵．

2 纵横向性能指标量化

2.1 纵向跟驰性能

纵向跟驰性能应至少考虑如下子目标[13-14]：

(1)稳态舒缓工况下，车距误差、速度误差收敛于0邻域内的保持能力，其中，该邻域半径较小；

(2)瞬态加速、减速工况下，车距误差、速度误差应处于可容许范围内，以避免邻道车辆频繁切入、驾驶员主动干预、前向追尾等；

(3)兼顾到燃油经济性与驾乘舒适性，对车辆加速度、加速度变化率(亦即冲击度)的幅值进行必要的限制；

(4)跟随过程中，为保证足够的横向稳定性裕量，控制输入(亦即期望加速度)的幅值亦需进行必要的限制．

采用状态量与控制输入的二次型形式来间接量化纵向跟驰性能的各子目标，建立纵向性能泛函

2.2 横向稳定性

DYC系统控制目标[4,15]通常有车辆横摆角速度ω、质心侧偏角．当数值接近于0时，ω体现汽车的转弯能力，ω数值越大，转弯越剧烈，转弯半径越小，反之亦然．

在某些极限工况下，通过DYC作用，对车辆施以额外的横摆力矩，使得横摆角速度ω与质心侧偏角收敛于名义值，即横摆角速度误差、质心侧偏角误差趋于收敛．而当该附加横摆力矩是通过对某些车轮差分制动而产生时，将会一定程度上弱化ACC纵向跟驰性能，从而需对横摆角速度误差、质心侧偏角误差、期望附加横摆力矩同时进行惩罚．同理，建立横向性能泛函为

2.3 跟驰安全性

为确保纵向跟驰安全性，尤其是紧急制动过程中的制动安全性，做如下强制性约束：

式中：TTC为碰撞时间，表示制动安全性[13]；为实际车距；safe为安全跟车车距；cr为安全车距临界值．

2.4 路面附着负荷

车辆行驶过程中，车辆纵向跟驰性能、横向稳定性与路面附着能力是紧密关联的．

同样大小的牵引力，对于低附着路面来说，容易导致车轮空转或溜滑现象．为此，车辆急加速或深制动过程中，考虑到轮胎与路面附着的极限情况，做如下强制性约束[4]：

式中：max为最大路面附着系数；a、a分别为纵横向加速度；1为车辆急加速或深制动过程中的相对附着比．

同时，考虑到附加横摆力矩的产生机理，为避免车辆侧滑等危险事件，做如下强制性约束：

从而，路面附着负荷的强制性约束满足

2.5 系统IO及状态约束

对IACC系统的输入输出、过程状态，做如下约束

3 IACC预测控制算法

3.1 性能泛函建立

基于MPC理论框架，联立式(16)与式(18)，建立预测时域为[，＋－1]的IACC性能泛函，其中，为当前时刻．

3.2 松弛向量约束管理

滚动优化过程中，硬约束条件易致无可行解问题，这里采用松弛向量管理方法来扩展求解可行域，以保证可行解存在[6, 16]．

考虑到跟驰安全性与路面附着负荷的强制性约束，故仅对式(23)进行松弛化处理得

3.3 算法最终演变

为避免松弛化管理过程中松弛因子的无限增大而致系统I/O与状态约束作用失效，在式(24)基础上添加L2正则化项，以惩罚松弛因子扩展约束界的松弛能力，从而在硬约束问题求解可行性与约束界松弛程度之间寻求折中与平衡，即

联立式(19)、式(22)、式(25)以及式(26)，IACC预测控制算法最终演变为

4 实时多目标权重控制策略

4.1 实时多目标权重算法设计

传统MPC框架下，式(27)中的状态权矩阵()与控制权矩阵()皆为离线标定的固定权矩阵．在多目标控制算法中，目标权重反映目标的重要性．多个控制目标彼此之间存在着冲突，即某个子目标的权重增加，将会弱化其他子目标的重要性．从而，对于固定权重的控制算法来说，权重标定存在着一定缺陷，对工况适应性有限，可能会致寻优结果是次优的，甚至会恶化系统整体品质[17]．

由于方差或均方差能够更好地反映控制目标背离数学期望(即均值)的波动程度，故可通过方差或均方差来衡量控制目标的离散程度，进而间接表征车辆当前工作状况与渐变趋势．考虑到量纲一致性，本节基于均方差提出一套权重自适应调整策略，即在滚动优化过程中根据实时观测状态对各子目标权值进行自动调节，如图4所示．

图4 实时多目标权重的MPC控制策略

具体实时多目标权重算法设计如下．

首先，定义各子目标的均方差

其次，定义各子目标权重系数的调整因子

进而，得到可自行调整的权重系数，并对其进行饱和处理，即

式中：max与min皆为设计参数；w(·)为当前控制周期内的权重系数；w＋1(·)为调整后的下一控制周期内的权重系数．

例如，在路面附着较差、道路曲率半径较大的情况下，Δ与Δ将会相对增大，使得其均方差相对上一时刻的波动增大，即其权重调整因子将会大于1，相应地，其权重系数将会增大，这意味着对Δ与Δ的惩罚程度相对增大，从而使得横向稳定性相对被优先控制，能够快速使其收敛于期望轨迹．

4.2 计算开销分析

多目标权重采用实时在线更新的控制策略简记为MPC-RW控制，采用传统离线标定的控制策略[13]简记为MPC-CW控制．

工况描述如下：

匀速工况→急加速工况→匀速工况→急减速工况→匀速工况，自车与前车初始速度皆为10m/s．

该跟随工况下，车距、速度响应的仿真结果如图5所示．图5(b)中，于10～20s，前车急加速时，采用MPC-RW控制方法，对车距误差正向边界约束较好，即加速效果较佳；于60～70s，前车急减速时，采用MPC-RW控制方法，对车距误差负向边界约束较好，即制动效果较佳．图5(a)中，相对MPC-RW控制而言，采用MPC-CW控制的速度曲线有一定的滞后性，从而导致其对车距误差的边界约束能力较差．

图5 组合工况下仿真结果

而当进入稳态跟随状态时，大约于40～60s，采用RW策略与CW策略的控制效果无明显差异．换句话说，对于稳态舒缓工况，RW策略可以用CW策略来代替，以便降低控制器的计算负荷．

进一步，参考文献[18]，基于主要规格参数为1.3G主频、四核、4G内存的工控机，仿真软件采用Matlab/Simulink，预测时域长度=5，单位控制周期为100ms，对RW策略的计算负荷进行仿真发现，该平台环境下，RW策略的时间开销约为1.4～2.0ms，占用单位控制周期的1.4%～2.0%．注意，ECU环境下，时间开销将更严重．特别地，当控制器负荷比较重的情况下，该时间开销累计起来可能会影响到系统的实时性．不过，瞬态工况下，通过少量额外负荷来换取系统动态响应性能的改善是可容许的．

因此，基于上述实时权重控制策略，能够根据工况舒缓紧急程度、路面附着能力以及道路曲率变化情况，自动调整相应控制目标的权重系数，以提升控制算法对复杂工况的适应能力．不过，对于平稳舒缓跟随工况，该策略优势不明显，反而带来一定的计算 开销．

4.3 考虑跟随工况的多场景融合设计

为解决第4.2节中的计算开销问题，有必要针对跟随工况进行多场景融合设计，即对多目标权重离线标定与实时在线更新这两种方法进行融合，设计框图如图6所示．

多场景融合中，对稳态舒缓工况进行决策判断时，应对决策门限设计一定的阈宽，以避免融合过程中策略间频繁切换而引起的车辆抖振现象．对于稳态舒缓工况，权矩阵皆为离线标定值，而对于瞬态工况(含弯道工况、低附着工况等)，采用第4.1节中的实时权重算法．

综上，本文提出的IACC集成式跟随控制算法以及考虑多场景融合的实时多目标权重控制策略介绍完毕．

图6 考虑跟随工况的多场景融合控制策略

5 仿真验证

本文基于Matlab/Simulink与CarSim搭建了IACC仿真平台，IACC控制算法仿真参数见表1．本节仿真中，将本文提出的考虑多场景融合设计的多目标权重实时在线更新的控制策略简记为MPC-RW*控制，传统离线标定的控制策略[13]简记为MPC-CW控制．

工况描述如下：

前车初始速度为30m/s，于10s时刻，以-2m/s2的减速度减速至10m/s后驶入弯道，并保持匀速行驶，于30s时刻，以1.0m/s2的加速度加速至20m/s后驶离弯道．假设弯道曲率半径为350m，且路面坡度忽略不计．

表1 IACC控制算法仿真参数

Tab.1 Simulation parameters for IACC

图7是弯道工况下自车横向动力学响应．在进入弯道转向过程中，MPC-RW*与MPC-CW控制目标一致，皆是在确保车辆横向稳定的前提下寻求最优的纵向跟驰性能．图7(b)、(c)表明，这两种控制算法皆能使横向动力学参数(横摆角速度误差、质心侧偏角误差)控制在较小范围内，从而保证了自车弯道跟随过程中的横向稳定性．

图7 弯道工况下自车横向动力学响应

图8～图10是弯道工况下自车纵向运动学响应．在第10s时刻，前车以－2m/s2的减速度进行制动，MPC-RW*对车距误差负向边界约束能力、制动响应能力较强(见图9、图10(a))，车距保持能力较佳，跟驰安全性较高．在第30s时刻，前车以1.0m/s2的加速度进行急加速，MPC-CW对车距误差正向边界约束能力较差(见图9)，即车距被拉伸过大，加速无力，纵向追踪性能下降，这是由于汽车实现转向操作时，通过DYC直接扭矩控制产生附加横摆力矩，将在车辆纵向上产生额外的制动压力，从而降低了纵向追踪性能．而MPC-RW*能够弱化这一影响，在确保横向稳定的同时，能够保持较好的纵向追踪能力．此外，如图10(b)所示，MPC-CW在瞬态跟随过程中，冲击度较大，妨碍驾乘舒适性．

图8 弯道工况下速度曲线

图9 弯道工况下车距、车距误差曲线

图10 弯道工况下加速度、冲击度曲线

图11是自车在弯道跟随过程中，路面附着负荷的变化情况．该数值过大会影响到车辆的操纵稳定性，当其超出路面附着极限时，容易发生车轮激转、车辆侧滑等危险现象．于10～20s，前车急减速工况下，MPC-RW*的峰点负荷约为37%，MPC-CW的峰点负荷约为32%，说明RW策略获得较佳的制动效果是以牺牲路面附着负荷为代价的．因此，为了进一步确保行车安全，在控制器设计时，除了保证跟驰安全性这一硬性约束条件外，还需考虑到车辆轮胎与路面之间的极限附着情况．

图11 路面附着负荷

如图12所示，相对MPC-CW控制而言，采用MPC-RW控制，每个控制周内额外的平均计算开销约为1.6ms，而采用考虑多场景融合设计的MPC-RW*控制，仅是在瞬态跟随工况过程中产生额外的计算开销．

图12 额外的平均计算开销对比

综上可见，本文提出的实时多目标权重控制策略，能够根据工况舒缓紧急程度、路面附着能力以及道路曲率变化情况，自动调整相应控制目标的权重系数，以提升控制算法对复杂工况的适应能力．此外，考虑多场景融合设计，能够一定程度上降低实时多目标权重控制策略的计算负荷．

6 结 论

基于MPC理论框架，本文设计并实现了弯道跟随工况下纵横向性能动态协调的IACC集成式预测控制，提出了实时多目标权重控制策略、考虑跟随工况的多场景融合设计，并基于动态驾驶模拟器对IACC控制算法与控制策略的有效性进行了验证分析，主要结论如下．

(1) 车辆动力学系统纵横向运动相互耦合的强非线性复杂系统，纵向、横向单独控制难以取得较理想的控制效果．兼顾复杂系统准确表达能力与控制器简洁性设计的原则，建立了4-DOF整车动力学模型．采用干扰解耦策略，将整车动力学模型解耦成采用一阶惯性环节近似的线性纵向跟随模型以及采用一阶非定常微分方程描述的横向动力学模型．同时，采用LPV线性变参数方法对连续横向动力学系统方程进行一次性离散化计算，能够有效避免非线性横向子系统离散化处理时的高计算复杂度问题．

(2) 纵向跟驰性能与横向稳定性同样存在着相互制约关系，即过于追求纵向跟驰性能往往会使得横向稳定性能下降，致使DYC等横向稳定性控制器的过多介入，影响到驾乘舒适性，而过于追求横向稳定裕量，意味着自车纵向驱/制动能力受到限制约束，致使纵向跟驰性能、紧急避撞性能严重下降．

(3) 车辆自适应跟随过程中，为了实现动态协调纵横向性能指标，提出了实时多目标权重控制策略，即MPC-RW，以确保在横向稳定的前提下，最大化自车的纵向跟驰能力．相比多目标权重采用离线标定的传统做法，即MPC-CW，MPC-RW能够根据工况舒缓紧急程度、路面附着能力以及道路曲率变化情况，自动调整相应控制目标的权重系数，以提升控制算法对复杂工况的适应能力．不过，对于平稳舒缓跟随工况，MPC-RW控制优势不明显，反而会带来一定的计算开销．

(4) 为改善MPC-RW计算开销问题，提出了一种考虑跟随工况的多场景融合设计，即MPC-RW*．多场景融合设计，能够对前车工况进行预测辨识，并匹配出相应的控制策略，从而能够一定程度上降低实时多目标权重控制策略的计算负荷．

［1］ 郭孔辉. 汽车操纵动力学[M]. 长春：吉林科学技术出版社，1991.

Guo Konghui. Vehicle Handling Dynamics[M]. Changchun：Jilin Science & Technology Publishing House，1991(in Chinese).

［2］ 宗长富，郑宏宇，田承伟，等. 基于直接横摆力矩控制的汽车稳定性控制策略[J]. 吉林大学学报：工学版，2008，38(5)：1010-1014.

Zong Changfu，Zheng Hongyu，Tian Chengwei，et al. Vehicle stability control strategy based on direct yaw moment control[J]. Journal of Jilin University：Engineering and Technology Edition，2008，38(5)：1010-1014(in Chinese).

［3］ 李以农，卢少波，杨 柳. 车辆转向与驱动综合控制及横向速度观测器的设计[J]. 汽车工程，2007，29(8)：692-697.

Li Yinong，Lu Shaobo，Yang Liu. Integrated vehicle steering and driving control and the design of transverse speed observer[J]. Automotive Engineering，2007，29(8)：692-697(in Chinese).

［4］ Zhang D，Li K，Wang J. A curving ACC system with coordination control of longitudinal car-following and lateral stability[J]. Vehicle System Dynamics，2012，50(7)：1085-1102.

［5］ Dang R，Wang J，Li S E，et al. Coordinated adaptive cruise control system with lane-change assistance[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16(5)：1-11.

［6］ 章军辉，李 庆，陈大鹏. 仿驾驶员多目标决策自适应巡航鲁棒控制[J]. 控制理论与应用，2018，35(2)：140-147.

Zhang Junhui，Li Qing，Chen Dapeng. Drivers imitated multi-objective adaptive cruise control algorithm[J]. Journal of Control Theory and Applications，2018，35(2)：140-147(in Chinese).

［7］ Zhao R C，Wong P K，Xie Z C，et al. Real-time weighted multi-objective model predictive controller for adaptive cruise control systems[J]. International Journal of Automotive Technology，2017，18：279-292.

［8］ 宾 洋，李克强，冯能莲. 车辆全速巡航系统的干扰解耦鲁棒控制[J]. 中国科学E辑：技术科学，2009，39(12)：1963-1982.

Bin Yang，Li Keqiang，Feng Nenglian. Disturbance decoupling robust control of vehicle full speed cruise dynamic system[J]. Science in China：Series E-Technological Sciences，2009，39(12)：1963-1982(in Chinese).

［9］ BinY，Li Keqiang，Ukawa H，et al. Nonlinear disturbance decoupling control of heavy-duty truck stop and go cruise system[J]. Vehicle System Dynamics，2009，47(1)：29-55.

［10］ Kiencke U，Nielsen L. Automotive control systems：For engine，driveline，and vehicle[J]. Measurement Science and Technology，2000，11(12)：1828-1830.

［11］ Yi K，Kwon Y D. Vehicle-to-vehicle distance and speed control using an electronic-vacuum booster[J]. JSAE Review，2001，22(4)：408-412.

［12］ Apkarian P，Gahinet P，Becker G. Self-scheduled H∞ control of linear parameter-varying systems：A design example[J]. Automatica，1995，31(9)：1251-1261.

［13］ Li S，Li K，Rajamani R，et al. Model predictive multi-objective vehicular adaptive cruise control[J]. IEEE Transactions on Control Systems Technology，2011，19(3)：556-566.

［14］ Ioannou P A，Stefanovic M. Evaluation of ACC vehicles in mixed traffic：Lane change effects and sensitivity analysis[J]. IEEE Transactions on Intelligent Transporta-tion Systems，2005，6(1)：79-89.

［15］ Anwar S. Generalized predictive control of yaw dynamics of a hybrid brake-by-wire equipped vehicle[J]. Mechatronics，2005，15(9)：1089-1108.

［16］ 章军辉，李 庆，陈大鹏. 车辆多模式多目标自适应巡航控制[J]. 电子科技大学学报，2018，47(3)：544-553.

Zhang Junhui，Li Qing，Chen Dapeng. Multi-objective adaptive cruise control with multi-mode strategy[J]. Journal of University of Electronic Science and Technology of China，2018，47(3)：544-553(in Chinese).

［17］ Zheng D，Gen M，Cheng R. Multi-objective optimization using genetic algorithms[J]. Engineering Valuation and Cost Analysis，1999，91(9)：303-310.

［18］ Li S E，Jia Z，Li K，et al. Fast online computation of a model predictive controller and its application to fuel economy-oriented adaptive cruise control[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16(3)：1199-1209.

Multi-Objective Real-Time Weighted Model Predictive Control for Car-Following

Zhang Junhui1, 2, 3，Li Qing1, 2，Chen Dapeng1, 2, 3

(1. Institute of Microelectronics of Chinese Academy of Sciences，Beijing 100029，China；2. Jiangsu R&D Center for Internet of Things，Wuxi 214135，China；3. Wuxi Internet of Things Innovation Center Co.，Ltd.，Wuxi 214135，China)

In this study，a multi-objective adaptive cruise control algorithm for complex traffic scenarios is developed. 4-DOF vehicle dynamics model taking into consideration of tightly coupled relationships between longitudinal and lateral dynamics is established that is then completely decoupled into a 1st order linearized longitudinal car-following model as well as a1st order differential equation based lateral dynamics model by utilizing a state-feedback based disturbance decoupling strategy. Moreover，a linear parameter-varying method is employed to discretize the equations of the continuous lateral dynamics subsystem that makes it unnecessary to execute discretization-times in each control cycle，thereby considerably decreasing the high computational complexity. Furthermore，to achieve dynamic coordination between longitudinal and lateral performance，a weight coefficient self-tuning strategy based on a model predictive control(MPC)framework considering multi-traffic scenarios fusion design(MPC-RW*)is suggested by which the weight coefficient for each sub-objective can be adaptively adjusted along with the change of traffic scenarios. The comparative simulations show that MPC-RW* can achieve better response during car-following.

adaptive cruise control；direct yaw-moment control；multi-objective；real-time weight；model predictive control

the Science and Technology Service Network Initiative Plan of Chinese Academy Science(No. KFJ-STS-ZDTP-045).

U461.91

A

0493-2137(2020)08-0861-11

10.11784/tdxbz201907083

2019-07-31；

2019-09-21.

章军辉（1985—  ），男，博士，助理研究员，zhangjunhui@ime.ac.cn.Email：m_bigm@tju.edu.cn

陈大鹏，dpchen@ime.ac.cn.

中国科学院科技服务网络计划资助项目(KFJ-STS-ZDTP-045).

(责任编辑：王晓燕)