智轨电车纵向速度自适应巡航控制策略研究

张 乾，张 沙，王 斌，袁希文

（中车株洲电力机车研究所有限公司，湖南 株洲 412001）

0 引言

目前智能轨道快运系统已先后在株洲、永修及宜宾等城市开通运营[1]。智轨电车作为一种虚拟轨道无轨胶轮电车，其简化物理有形轨道铺设、与社会车辆分时分段路权共享的特点，极大地满足了一些中小城市因市区道路资源紧张而无法使用轨道车辆的需求。然而，这样的交通组织运行方式也带来了一些棘手的问题。比如，根据分时分段的运行规定，上下班的高峰期会出现智轨电车与其他车辆共用一个车道的状况。此种交通状况下，智轨电车需要不断地走走停停，这不仅给驾驶员带来了驾驶疲劳，同时也会引发乘客的不舒适感。如何通过控制手段使智轨电车自适应地跟随前方目标车，是迫切需要解决的一个难题。

现阶段车辆纵向速度自适应巡航控制( adaptive cruise control, ACC)的设计方法主要包括分工况控制和分层控制[2-3]。由于智轨电车运行场景在城市主干道上，交通场景较为复杂，分工况设计方法不再适用，为此，本文采用分层控制方法进行纵向速度ACC设计。ACC系统被分为环境感知层、决策控制层和执行控制层3个层次。对于环境感知技术，国内外很多公司，如深圳市大疆创新科技有限公司、大陆集团（Continental AG）、罗伯特·博世有限公司（BOSCH）等，大多只针对单个雷达（毫米波雷达或激光雷达）进行相关研究[4-5]。在城市复杂的交通环境下，采用单个传感器感知环境很可能出现误报和漏报情况。与传统的定速巡航[6]不同的是，本文所提的纵向速度ACC功能[7-8]是通过安装在智轨电车前方的多种传感器（包括摄像头、雷达等）感知前方社会车辆而获取两车之间的相对距离、前方车辆的速度和方位角等相关信息的，其通过控制器使智轨电车与前方最危险目标保持安全的行车距离并能自适应地跟随目标车辆。另外，一般的汽车ACC功能只适用于高速公路工况[9-11]；一旦车速低于30 km/h，该功能将无法使用。在车流量较大的城市路况下，由于前方车辆不定时的起-停，驾驶员无法设定跟车速度，纵向速度ACC系统将被频繁退出，导致传统的汽车ACC功能在智轨电车上将不再适用。为在交通拥堵工况下实现车辆自动起-停功能，智轨电车通过传感器来感知红绿灯以及低速和静止的目标并对本车进行控制，从而做出相应反应[12-13]；与此同时，其纵向速度自适应控制还具备自动起步功能，当前方车辆启动后，本车也会做出相应的反应，最终实现全路线的跟车行驶。这样驾驶员只需要对智轨电车进行横向速度控制，从而将驾驶员从频繁的起-停工况下解放出来，可以很好地降低因驾驶员的接管车辆不及时而产生运营事故发生的概率。

为此，本文提出一种纵向速度自适应控制策略，首先建立了验证控制算法的车辆动力学模型，然后对控制策略的设计进行了详细描述，最后通过dSPACE硬件在环仿真平台对控制效果进行了验证[14]。

1 智轨电车纵向速度自适应控制系统原理

智轨电车纵向速度自适应控制系统（图1）分为3层，即环境感知层、决策控制层和执行控制层。

图1 智轨电车纵向速度自适应控制系统构成Fig. 1 Configuration of the longitudinal speed adaptive control system for autonomous-rail rapid tram

1.1 环境感知层

环境感知层是纵向速度自适应控制系统功能实现的前提和基础。安装在智轨电车上的传感器（包括毫米波雷达、摄像头和激光雷达）对周围目标物进行识别，并将得到的目标物运动信息提供给决策层中的上层控制器。环境感知层通过传感器感知目标物，得到一系列危险目标；再通过感知算法中的目标筛选策略得到离智轨电车最近的危险目标；最后将最危险目标作为智轨电车的跟车目标，输入给决策控制层。

1.2 决策控制层

从架构上，纵向速度跟踪控制系统一般分为上层控制器和下层控制器。上层控制器计算期望加速度，使之快速、平稳地跟踪期望速度轨迹；下层控制器协调牵引和制动级位，以实现期望加速度。

上层控制层是智轨电车纵向速度自适应控制系统的核心部分，其在获得环境感知层得到的最危险目标车辆信息和智轨电车运动信息后，通过所设计的纵向速度自适应控制器进行相应处理，决策出期望的加速度并发送到执行控制层；决策控制层依据对车辆实际安全时距和截止安全时距、车辆相对速度和截止相对速度大小判断的结果来进行速度控制模式和距离控制模式的切换。

1.3 执行控制层

智轨电车执行控制层为控制层的底层。作为所设计的纵向速度自适应控制系统与智轨电车的桥梁，执行控制层主要用于接收来自决策控制层发出的智轨电车的车辆加速度，然后通过控制算法对智轨电车发动机和制动系统进行参数精确调节和控制，从而实现智轨电车纵向自动驾驶。

2 车辆动力学模型建立

基于Trucksim软件，本文建立了智轨电车车辆动力学及试验场模型；同时，在Matlab/Simulink中建立了全轴转向控制器模型。由于该部分不是本文的重点，因此不做赘述。智轨电车车辆动力学模型的验证效果如图2和图3所示。仿真结果表明，该车辆动力学模型联合设计的全轴转向控制器，可以平滑有效地跟踪地面虚拟轨道，其中虚拟轨道是通过拟合实际测试场的路径点而生成的[15]。图4和图5分别示出智轨电车试验场模型及其车辆动力学模型。

图2 各轴转向角曲线Fig. 2 Steering angles of each axle

图3 各铰接盘角度曲线Fig. 3 Articulated angles of each hinge plate

图4 试验场模型Fig. 4 Test field in simulation

图5 Trucksim与Matlab/Siumlink之间的联合仿真模型Fig. 5 Model of joint simulation between Trucksim and Matlab/Siumlink

3 纵向速度自适应控制策略设计

智轨电车纵向速度自适应控制策略包括环境感知策略、决策控制策略和执行控制策略。

3.1 环境感知策略设计

系统环境感知层主要功能包括多目标识别和跟随以及最危险目标选择，具体如下：

（1）多目标识别和跟随

基于多传感器融合的多目标识别和跟随是通过摄像头和雷达感知，得到一系列原始目标信息并分别进行感知算法预处理，再对原始目标信息进行融合和数据关联分组，以精准识别和自适应跟随前方目标。

（2）最危险目标选择

从多传感器融合识别的一系列危险目标中栅格碰撞，选择出一个最危险目标。对于直线道路，直接以前方最近车辆作为跟车目标；对于弯道，根据智轨电车运动状态并利用式(1)～ 式(4)估算出前方道路曲率，假定智轨电车仍按预定轨迹运行，通过计算，可得到前方最危险目标的横向偏移量。最后，计算可得到一个包含行驶状态信息的跟车目标。

3.1.1 道路曲率的估算

利用前方道路曲率不变的原理筛选最危险跟车目标，该方法通过传感器得到智轨电车运动信息，由此计算出前方一段距离的道路曲率，并假设智轨电车当前所在位置的道路曲率和与前方一段距离内的曲率一致；在此基础上，首先测量出前方一段距离道路的平均宽度，基于几何方法计算并判断前方危险目标是否为有效跟车目标。这种方法思路简单，虽然其鲁棒性一般比较依赖于前方大陆形状，但计算量小，对智轨电车专用车道而言比较适用。通过对国内外学者提出的方法进行研究发现，一般可利用几种方法计算车辆当前道路曲率，本文列出其中4种。文中κ代表道路曲率。

（1）利用车辆转向电机的传动速比和方向盘转角的比值来估算前方道路的曲率：

式中：i——车辆转向电机的传动速比；dx——前后车轮的距离；δs——方向盘的转角。

（2）利用智轨电车的横向加速度值来估计当前道路的曲率：

式中：ay——车辆横向加速度；vego——车辆纵向速度。

实际测量时，一般车辆的横向加速度值会因人为或机械误差而波动较大，最终直接影响当前道路曲率计算的精准度。

（3）利用智轨电车横摆角传感器得到的横摆角速度和纵向车速比值来估算前方道路的曲率：

式中：ωe——车辆横摆角速度。

由于横摆角速度和纵向车速信息可直接通过车载传感器获取，因此κω的计算精度较高。

（4）利用智轨电车轮速和前方道路宽度关系来估算前方道路曲率，见式(4)。一般来说，道路的宽度参数可以很容易被获取；为了避免动力传动系统对轮速的影响，轮速参数应从非驱动轮上获取。

式中：lω——前方一段道路的平均宽度；vω——轮速。

上述4种道路曲率计算方法各有优劣，本文基于现有的设备和试验条件，选择方法3来估算前方的道路曲率，并以此来预测智轨电车未来行驶轨迹。

3.1.2 目标车与主车径向相对距离

通过3.1.1节计算方法得到道路的曲率后，首先需要判断前方目标车辆是否和智轨电车位于同车道内，即需要计算前方目标车辆偏离主车道中心线的横向距离，以甄别前车是否为有效的跟车目标。图6示出基于固定曲率的车辆间相对位置关系，其中红色虚线代表前方道路的中心线，蓝色虚线指前方道路两侧（依据车道宽度和前方道路的曲率预测得到）；ds为前方目标相对智轨电车的相对距离（通过安装在车上的雷达获取），θ是智轨电车传感器坐标系下前方目标车辆最近点的方位角，ρ为智轨电车当前所处道路曲率半径，ρ1为同一时刻下前方最危险目标车辆所处位置的道路曲率半径。

图6 基于固定道路曲率的车辆间相对位置关系Fig. 6 Relative position of vehicles based on fixed curvature

下面以雷达传感器位置作为智轨电车本体坐标系，通过几何关系计算目标车与主车径向相对距离。

通过图像和毫米波融合得到θ及ds；利用式(5)和式(6)，可得到该距离在纵向和横向上的分量：

假设ρ=ρ1，则可算出前方最危险目标车辆距离主车道路中心线的横向距离：

3.1.3 跟踪目标的筛选

为有效跟踪目标，需准确地筛选出同一车道内相对于智轨电车行驶安全最具有威胁的目标。最有效的跟踪目标筛选方法分两步，首先判断智轨电车附近车辆与其预测行驶轨迹区域的位置关系，然后再筛选出和智轨电车在同车道且最近的目标车辆当作跟踪目标。

利用式(7)算出前方最危险目标车辆距离主车道路中心线的横向距离，把附近车辆分类为主车道内和主车道外两种状态：

（1）|doff|＜d时，目标车在本车道内；

（2）|doff|≥d时，目标车不在本车道。

3.2 决策控制策略设计

决策控制策略设计主要包含4个方面：安全时距模型、速度控制算法、距离控制算法及速度/距离控制切换算法。

3.2.1 安全时距模型

安全时距(headway time, HWT)模型一般有2种，即固定HWT模型和可变HWT模型。采用固定HWT模型，智轨电车与前车距离保持不变，但是智轨电车在城市复杂交通路况下处理紧急状况时对乘客的舒适性很难保证。因此，此方法虽然易于实现，但是不能满足智轨电车实际运行需求。可变HWT又可分为可变车头时距（variable time headway，VTH）和不可变车头时距（constant time headway，CTH）[16]。采用不可变车头时距模型，两车之间的车头时距是恒定的，时距值由驾驶员设定并输入到系统中，此方法的缺点与固定HWT模型的一样。而与可变车头时距模型相比，可变车头时距模型考虑了两车之间的相对距离并可以对前车的运动状态有一定的预判，这有利于提高智轨电车在运行过程中的舒适性和安全性。因此本文采用可变车头时距模型，如式(8)所示，其车间时距是一个与本车速度成反比的关系式：

式中：drel——智轨电车和前方车辆之间的相对距离，该信息由传感器提供；t0——安全时距的裕度值。

由于两车之间HWT不能为负值，且不合适的HWT反而会影响交通状况，因此一般选择引入饱和函数，使HWT控制在一定范围内：

式中：tHWT_dem——按需求自定义的安全时距；k——系数。

3.2.2 速度控制

智轨电车是通过踏板级位、电机控制器和电机来实现牵引和制动的。智轨电车速度控制算法的输入为实际车速与期望车速的差值，当实际速度低于期望速度时，速度差经控制器输出油门踏板（牵引）级位值，以驱动车辆加速，使之趋近于期望车速；反之，输出刹车踏板（制动）级位值，以减小实际车速，使之趋近于期望车速，如此形成速度闭环。

本文采用PID控制算法，将经过算法处理得到的控制量（即牵引级位和制动级位）输入智轨电车车辆动力学模型，进而对智轨电车的速度进行控制。PID 控制数学表达式如下：

式中：r(t)——给定值；c(t)——测量值；e(t)——误差；Kp——比例增益；Ti——积分时间常数。

3.2.3 距离控制

若要实现智轨电车纵向自动驾驶，不仅需要对车辆速度进行控制，还需要对本车和前车的距离进行控制，这样才能确保智轨电车始终以合理的车速与前方最危险目标车辆保持一定的安全距离。距离控制是通过控制算法而实现的，其通过调整智轨电车牵引级位和制动级位来控制两车间的车头时距，使之收敛于所设定的安全时距。距离控制算法的逻辑控制如图7所示。图中，vrel为两车之间的相对速度，vrel=vegovlead；vc是智轨电车与前车的截止相对速度，其由驾驶员设定。距离误差经PID控制器后，得到智轨电车牵引级位值和制动级位值。

图7 距离控制算法的逻辑框图Fig. 7 Logic block diagram of the distance control algorithm

3.2.4 速度和距离控制切换策略

速度控制模式与距离控制模式之间切换逻辑如下：

（1）从速度控制模式切换到距离控制模式。

当目标车辆在传感器的有效探测范围内且两车相对速度小于等于零时，系统从速度控制模式切换到距离控制模式。

根据行车工况，距离控制模式又分为稳态跟车、前车急加减速、旁车切入和切出等。

（2）从距离控制模式切换到速度控制模式。

当两车间距离超出传感器的有效探测范围时，系统从距离控制模式切换到速度控制模式。

（3）退出模式。

如果出现紧急状况、驾驶员主动接管等情况，不管系统此时处于何种模式，都能立即退出。

3.3 执行控制策略设计

下层的执行控制层主要用于接收来自上层决策控制发出的跟车目标信息，协调驱动和制动功能，达到期望的加速度，即从加速度指令到牵引制动级位的映射关系。

执行控制通常采用两种方法来实现，具体如下：

（1）标定法。其基于标定表，记录不同的牵引/制动级位值对汽车加/减速度的定量影响并制成表格，再通过查表法得到牵引/制动的级位值。

（2）逆向动力学模型法。其基于逆纵向动力学模型进行加速度跟踪，以理想加速度为输入，计算得到牵引级位或者制动级位信息。

考虑到标定方法的鲁棒性和逆向动力学模型的高精度要求，本文利用速度差通过PID算法得到加速度并形成闭环来实现下层执行控制。

4 仿真验证与测试

为了验证本文所设计的控制策略的有效性，本文搭建了dSPACE实时硬件在环仿真平台（图8），使纵向速度自适应控制算法运行在MicroAutoBoxII中；以 SCALEXIO作为HIL仿真平台运行车辆动力学模型、传感器以及交通环境模型，并在PC机上安装Trucksim软件和dSPACE上位机软件，以实时观测车辆状态和控制器信息。 PC机通过以太网端口被分别连接到MicroAutoBoxII和SCALEXIO目标机上，MicroAutoBoxII和SCALEXIO之间则通过CAN总线连接。

图8 硬件在环实时仿真平台Fig. 8 HIL real-time simulation platform

“起-停”状态是指在与前车保持安全距离的前提下，智轨电车可以根据前车的运动状态自动控制速度和距离。仿真初始条件如下：智轨电车期望速度为20 km/h，vc= 4 km/h；前车的截止速度为40 km/h，tHWT-dem= 3 s，静止距离为8 m。构建的仿真场景如图9所示。

图9 智轨电车运行仿真场景Fig. 9 Simulated running scene of autonomous-rail rapid tram

图10示出前车检测判断曲线：当判断值为1时，两车实行距离控制；当判断值为零时，两车实行速度控制且前车不在检测范围内，主车处于定速巡航状态，由此可以看出切换策略的正确性。从图11的HWT仿真曲线可以看出，当HWT为0时，前车为定速巡航；当HWT不为0时，前车车辆的HWT值始终在所需的HWT值附近波动，从而避免了后车与前车的碰撞并提高了驾驶安全性，所表现的性能与图10的一样。图12示出速度仿真曲线，可以看出，主车的速度曲线与前车的几乎相同，验证了该控制策略的有效性，其在复杂的城市交通环境中可以很好地适应“起-停”行驶工况。

图10 前车检测判断曲线Fig. 10 Detection and judgment curve of front vehicle

图11 车头时距仿真曲线Fig. 11 HWT simulation curve of vehicle head

图12 速度仿真曲线Fig. 12 Velocity simulation curves

5 结语

针对智轨电车在复杂的城市交通路况下实现纵向自动驾驶运行所遇到的问题，本文研究了智轨电车纵向速度自适应控制策略。首先，建立了智轨车辆动力学模型并验证了模型的准确性。其次，设计了智轨电车纵向速度自适应控制系统。最后，基于所搭建的dSPACE智轨电车智能驾驶硬件在环仿真平台，对所研究的控制策略进行了仿真验证。仿真结果表明，所设计的控制策略可以较好地适应城市堵车交通环境中的起-停行驶工况。由于该方法尚未加入速度规划，目前无法在车辆停车时保证不出现急停现象，这是后续研究方向。