張 乾，張 沙，王 斌，袁希文

（中車株洲電力機(jī)車研究所有限公司，湖南 株洲 412001）

0 引言

目前智能軌道快運(yùn)系統(tǒng)已先后在株洲、永修及宜賓等城市開通運(yùn)營(yíng)[1]。智軌電車作為一種虛擬軌道無(wú)軌膠輪電車，其簡(jiǎn)化物理有形軌道鋪設(shè)、與社會(huì)車輛分時(shí)分段路權(quán)共享的特點(diǎn)，極大地滿足了一些中小城市因市區(qū)道路資源緊張而無(wú)法使用軌道車輛的需求。然而，這樣的交通組織運(yùn)行方式也帶來(lái)了一些棘手的問(wèn)題。比如，根據(jù)分時(shí)分段的運(yùn)行規(guī)定，上下班的高峰期會(huì)出現(xiàn)智軌電車與其他車輛共用一個(gè)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(lái)了駕駛疲勞，同時(shí)也會(huì)引發(fā)乘客的不舒適感。如何通過(guò)控制手段使智軌電車自適應(yīng)地跟隨前方目標(biāo)車，是迫切需要解決的一個(gè)難題。

現(xiàn)階段車輛縱向速度自適應(yīng)巡航控制( adaptive cruise control, ACC)的設(shè)計(jì)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(yùn)行場(chǎng)景在城市主干道上，交通場(chǎng)景較為復(fù)雜，分工況設(shè)計(jì)方法不再適用，為此，本文采用分層控制方法進(jìn)行縱向速度ACC設(shè)計(jì)。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(gè)層次。對(duì)于環(huán)境感知技術(shù)，國(guó)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(tuán)（Continental AG）、羅伯特·博世有限公司（BOSCH）等，大多只針對(duì)單個(gè)雷達(dá)（毫米波雷達(dá)或激光雷達(dá)）進(jìn)行相關(guān)研究[4-5]。在城市復(fù)雜的交通環(huán)境下，采用單個(gè)傳感器感知環(huán)境很可能出現(xiàn)誤報(bào)和漏報(bào)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(guò)安裝在智軌電車前方的多種傳感器（包括攝像頭、雷達(dá)等）感知前方社會(huì)車輛而獲取兩車之間的相對(duì)距離、前方車輛的速度和方位角等相關(guān)信息的，其通過(guò)控制器使智軌電車與前方最危險(xiǎn)目標(biāo)保持安全的行車距離并能自適應(yīng)地跟隨目標(biāo)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(wú)法使用。在車流量較大的城市路況下，由于前方車輛不定時(shí)的起-停，駕駛員無(wú)法設(shè)定跟車速度，縱向速度ACC系統(tǒng)將被頻繁退出，導(dǎo)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(shí)現(xiàn)車輛自動(dòng)起-停功能，智軌電車通過(guò)傳感器來(lái)感知紅綠燈以及低速和靜止的目標(biāo)并對(duì)本車進(jìn)行控制，從而做出相應(yīng)反應(yīng)[12-13]；與此同時(shí)，其縱向速度自適應(yīng)控制還具備自動(dòng)起步功能，當(dāng)前方車輛啟動(dòng)后，本車也會(huì)做出相應(yīng)的反應(yīng)，最終實(shí)現(xiàn)全路線的跟車行駛。這樣駕駛員只需要對(duì)智軌電車進(jìn)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(lái)，可以很好地降低因駕駛員的接管車輛不及時(shí)而產(chǎn)生運(yùn)營(yíng)事故發(fā)生的概率。

為此，本文提出一種縱向速度自適應(yīng)控制策略，首先建立了驗(yàn)證控制算法的車輛動(dòng)力學(xué)模型，然后對(duì)控制策略的設(shè)計(jì)進(jìn)行了詳細(xì)描述，最后通過(guò)dSPACE硬件在環(huán)仿真平臺(tái)對(duì)控制效果進(jìn)行了驗(yàn)證[14]。

1 智軌電車縱向速度自適應(yīng)控制系統(tǒng)原理

智軌電車縱向速度自適應(yīng)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(yīng)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(yīng)控制系統(tǒng)功能實(shí)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(dá)、攝像頭和激光雷達(dá)）對(duì)周圍目標(biāo)物進(jìn)行識(shí)別，并將得到的目標(biāo)物運(yùn)動(dòng)信息提供給決策層中的上層控制器。環(huán)境感知層通過(guò)傳感器感知目標(biāo)物，得到一系列危險(xiǎn)目標(biāo)；再通過(guò)感知算法中的目標(biāo)篩選策略得到離智軌電車最近的危險(xiǎn)目標(biāo)；最后將最危險(xiǎn)目標(biāo)作為智軌電車的跟車目標(biāo)，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(jì)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(dòng)級(jí)位，以實(shí)現(xiàn)期望加速度。

上層控制層是智軌電車縱向速度自適應(yīng)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(xiǎn)目標(biāo)車輛信息和智軌電車運(yùn)動(dòng)信息后，通過(guò)所設(shè)計(jì)的縱向速度自適應(yīng)控制器進(jìn)行相應(yīng)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(duì)車輛實(shí)際安全時(shí)距和截止安全時(shí)距、車輛相對(duì)速度和截止相對(duì)速度大小判斷的結(jié)果來(lái)進(jìn)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(jì)的縱向速度自適應(yīng)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(lái)自決策控制層發(fā)出的智軌電車的車輛加速度，然后通過(guò)控制算法對(duì)智軌電車發(fā)動(dòng)機(jī)和制動(dòng)系統(tǒng)進(jìn)行參數(shù)精確調(diào)節(jié)和控制，從而實(shí)現(xiàn)智軌電車縱向自動(dòng)駕駛。

2 車輛動(dòng)力學(xué)模型建立

基于Trucksim軟件，本文建立了智軌電車車輛動(dòng)力學(xué)及試驗(yàn)場(chǎng)模型；同時(shí)，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(diǎn)，因此不做贅述。智軌電車車輛動(dòng)力學(xué)模型的驗(yàn)證效果如圖2和圖3所示。仿真結(jié)果表明，該車輛動(dòng)力學(xué)模型聯(lián)合設(shè)計(jì)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(guò)擬合實(shí)際測(cè)試場(chǎng)的路徑點(diǎn)而生成的[15]。圖4和圖5分別示出智軌電車試驗(yàn)場(chǎng)模型及其車輛動(dòng)力學(xué)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(yàn)場(chǎng)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(yīng)控制策略設(shè)計(jì)

智軌電車縱向速度自適應(yīng)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(jì)

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

（1）多目標(biāo)識(shí)別和跟隨

基于多傳感器融合的多目標(biāo)識(shí)別和跟隨是通過(guò)攝像頭和雷達(dá)感知，得到一系列原始目標(biāo)信息并分別進(jìn)行感知算法預(yù)處理，再對(duì)原始目標(biāo)信息進(jìn)行融合和數(shù)據(jù)關(guān)聯(lián)分組，以精準(zhǔn)識(shí)別和自適應(yīng)跟隨前方目標(biāo)。

（2）最危險(xiǎn)目標(biāo)選擇

從多傳感器融合識(shí)別的一系列危險(xiǎn)目標(biāo)中柵格碰撞，選擇出一個(gè)最危險(xiǎn)目標(biāo)。對(duì)于直線道路，直接以前方最近車輛作為跟車目標(biāo)；對(duì)于彎道，根據(jù)智軌電車運(yùn)動(dòng)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(yù)定軌跡運(yùn)行，通過(guò)計(jì)算，可得到前方最危險(xiǎn)目標(biāo)的橫向偏移量。最后，計(jì)算可得到一個(gè)包含行駛狀態(tài)信息的跟車目標(biāo)。

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(xiǎn)跟車目標(biāo)，該方法通過(guò)傳感器得到智軌電車運(yùn)動(dòng)信息，由此計(jì)算出前方一段距離的道路曲率，并假設(shè)智軌電車當(dāng)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(cè)量出前方一段距離道路的平均寬度，基于幾何方法計(jì)算并判斷前方危險(xiǎn)目標(biāo)是否為有效跟車目標(biāo)。這種方法思路簡(jiǎn)單，雖然其魯棒性一般比較依賴于前方大陸形狀，但計(jì)算量小，對(duì)智軌電車專用車道而言比較適用。通過(guò)對(duì)國(guó)內(nèi)外學(xué)者提出的方法進(jìn)行研究發(fā)現(xiàn)，一般可利用幾種方法計(jì)算車輛當(dāng)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(jī)的傳動(dòng)速比和方向盤轉(zhuǎn)角的比值來(lái)估算前方道路的曲率：

式中：i——車輛轉(zhuǎn)向電機(jī)的傳動(dòng)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(lái)估計(jì)當(dāng)前道路的曲率：

式中：ay——車輛橫向加速度；vego——車輛縱向速度。

實(shí)際測(cè)量時(shí)，一般車輛的橫向加速度值會(huì)因人為或機(jī)械誤差而波動(dòng)較大，最終直接影響當(dāng)前道路曲率計(jì)算的精準(zhǔn)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(lái)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(guò)車載傳感器獲取，因此κω的計(jì)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(lái)估算前方道路曲率，見式(4)。一般來(lái)說(shuō)，道路的寬度參數(shù)可以很容易被獲取；為了避免動(dòng)力傳動(dòng)系統(tǒng)對(duì)輪速的影響，輪速參數(shù)應(yīng)從非驅(qū)動(dòng)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(jì)算方法各有優(yōu)劣，本文基于現(xiàn)有的設(shè)備和試驗(yàn)條件，選擇方法3來(lái)估算前方的道路曲率，并以此來(lái)預(yù)測(cè)智軌電車未來(lái)行駛軌跡。

3.1.2 目標(biāo)車與主車徑向相對(duì)距離

通過(guò)3.1.1節(jié)計(jì)算方法得到道路的曲率后，首先需要判斷前方目標(biāo)車輛是否和智軌電車位于同車道內(nèi)，即需要計(jì)算前方目標(biāo)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(biāo)。圖6示出基于固定曲率的車輛間相對(duì)位置關(guān)系，其中紅色虛線代表前方道路的中心線，藍(lán)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(yù)測(cè)得到）；ds為前方目標(biāo)相對(duì)智軌電車的相對(duì)距離（通過(guò)安裝在車上的雷達(dá)獲?。仁侵擒夒娷噦鞲衅髯鴺?biāo)系下前方目標(biāo)車輛最近點(diǎn)的方位角，ρ為智軌電車當(dāng)前所處道路曲率半徑，ρ1為同一時(shí)刻下前方最危險(xiǎn)目標(biāo)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(duì)位置關(guān)系Fig. 6 Relative position of vehicles based on fixed curvature

下面以雷達(dá)傳感器位置作為智軌電車本體坐標(biāo)系，通過(guò)幾何關(guān)系計(jì)算目標(biāo)車與主車徑向相對(duì)距離。

通過(guò)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(xiǎn)目標(biāo)車輛距離主車道路中心線的橫向距離：

3.1.3 跟蹤目標(biāo)的篩選

為有效跟蹤目標(biāo)，需準(zhǔn)確地篩選出同一車道內(nèi)相對(duì)于智軌電車行駛安全最具有威脅的目標(biāo)。最有效的跟蹤目標(biāo)篩選方法分兩步，首先判斷智軌電車附近車輛與其預(yù)測(cè)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(biāo)車輛當(dāng)作跟蹤目標(biāo)。

利用式(7)算出前方最危險(xiǎn)目標(biāo)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(shí)，目標(biāo)車在本車道內(nèi)；

（2）|doff|≥d時(shí)，目標(biāo)車不在本車道。

3.2 決策控制策略設(shè)計(jì)

決策控制策略設(shè)計(jì)主要包含4個(gè)方面：安全時(shí)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(shí)距模型

安全時(shí)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(fù)雜交通路況下處理緊急狀況時(shí)對(duì)乘客的舒適性很難保證。因此，此方法雖然易于實(shí)現(xiàn)，但是不能滿足智軌電車實(shí)際運(yùn)行需求?？勺僅WT又可分為可變車頭時(shí)距（variable time headway，VTH）和不可變車頭時(shí)距（constant time headway，CTH）[16]。采用不可變車頭時(shí)距模型，兩車之間的車頭時(shí)距是恒定的，時(shí)距值由駕駛員設(shè)定并輸入到系統(tǒng)中，此方法的缺點(diǎn)與固定HWT模型的一樣。而與可變車頭時(shí)距模型相比，可變車頭時(shí)距模型考慮了兩車之間的相對(duì)距離并可以對(duì)前車的運(yùn)動(dòng)狀態(tài)有一定的預(yù)判，這有利于提高智軌電車在運(yùn)行過(guò)程中的舒適性和安全性。因此本文采用可變車頭時(shí)距模型，如式(8)所示，其車間時(shí)距是一個(gè)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(duì)距離，該信息由傳感器提供；t0——安全時(shí)距的裕度值。

由于兩車之間HWT不能為負(fù)值，且不合適的HWT反而會(huì)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(shí)距；k——系數(shù)。

3.2.2 速度控制

智軌電車是通過(guò)踏板級(jí)位、電機(jī)控制器和電機(jī)來(lái)實(shí)現(xiàn)牽引和制動(dòng)的。智軌電車速度控制算法的輸入為實(shí)際車速與期望車速的差值，當(dāng)實(shí)際速度低于期望速度時(shí)，速度差經(jīng)控制器輸出油門踏板（牽引）級(jí)位值，以驅(qū)動(dòng)車輛加速，使之趨近于期望車速；反之，輸出剎車踏板（制動(dòng)）級(jí)位值，以減小實(shí)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(guò)算法處理得到的控制量（即牽引級(jí)位和制動(dòng)級(jí)位）輸入智軌電車車輛動(dòng)力學(xué)模型，進(jìn)而對(duì)智軌電車的速度進(jìn)行控制。PID 控制數(shù)學(xué)表達(dá)式如下：

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

3.2.3 距離控制

若要實(shí)現(xiàn)智軌電車縱向自動(dòng)駕駛，不僅需要對(duì)車輛速度進(jìn)行控制，還需要對(duì)本車和前車的距離進(jìn)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(xiǎn)目標(biāo)車輛保持一定的安全距離。距離控制是通過(guò)控制算法而實(shí)現(xiàn)的，其通過(guò)調(diào)整智軌電車牽引級(jí)位和制動(dòng)級(jí)位來(lái)控制兩車間的車頭時(shí)距，使之收斂于所設(shè)定的安全時(shí)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(duì)速度，vrel=vegovlead；vc是智軌電車與前車的截止相對(duì)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(jí)位值和制動(dòng)級(jí)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(dāng)目標(biāo)車輛在傳感器的有效探測(cè)范圍內(nèi)且兩車相對(duì)速度小于等于零時(shí)，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(dāng)兩車間距離超出傳感器的有效探測(cè)范圍時(shí)，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(dòng)接管等情況，不管系統(tǒng)此時(shí)處于何種模式，都能立即退出。

3.3 執(zhí)行控制策略設(shè)計(jì)

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

執(zhí)行控制通常采用兩種方法來(lái)實(shí)現(xiàn)，具體如下：

（1）標(biāo)定法。其基于標(biāo)定表，記錄不同的牽引/制動(dòng)級(jí)位值對(duì)汽車加/減速度的定量影響并制成表格，再通過(guò)查表法得到牽引/制動(dòng)的級(jí)位值。

（2）逆向動(dòng)力學(xué)模型法。其基于逆縱向動(dòng)力學(xué)模型進(jìn)行加速度跟蹤，以理想加速度為輸入，計(jì)算得到牽引級(jí)位或者制動(dòng)級(jí)位信息。

考慮到標(biāo)定方法的魯棒性和逆向動(dòng)力學(xué)模型的高精度要求，本文利用速度差通過(guò)PID算法得到加速度并形成閉環(huán)來(lái)實(shí)現(xiàn)下層執(zhí)行控制。

4 仿真驗(yàn)證與測(cè)試

為了驗(yàn)證本文所設(shè)計(jì)的控制策略的有效性，本文搭建了dSPACE實(shí)時(shí)硬件在環(huán)仿真平臺(tái)（圖8），使縱向速度自適應(yīng)控制算法運(yùn)行在MicroAutoBoxII中；以 SCALEXIO作為HIL仿真平臺(tái)運(yùn)行車輛動(dòng)力學(xué)模型、傳感器以及交通環(huán)境模型，并在PC機(jī)上安裝Trucksim軟件和dSPACE上位機(jī)軟件，以實(shí)時(shí)觀測(cè)車輛狀態(tài)和控制器信息。 PC機(jī)通過(guò)以太網(wǎng)端口被分別連接到MicroAutoBoxII和SCALEXIO目標(biāo)機(jī)上，MicroAutoBoxII和SCALEXIO之間則通過(guò)CAN總線連接。

圖8 硬件在環(huán)實(shí)時(shí)仿真平臺(tái)Fig. 8 HIL real-time simulation platform

“起-停”狀態(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(yùn)動(dòng)狀態(tài)自動(dòng)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(chǎng)景如圖9所示。

圖9 智軌電車運(yùn)行仿真場(chǎng)景Fig. 9 Simulated running scene of autonomous-rail rapid tram

圖10示出前車檢測(cè)判斷曲線：當(dāng)判斷值為1時(shí)，兩車實(shí)行距離控制；當(dāng)判斷值為零時(shí)，兩車實(shí)行速度控制且前車不在檢測(cè)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(dāng)HWT為0時(shí)，前車為定速巡航；當(dāng)HWT不為0時(shí)，前車車輛的HWT值始終在所需的HWT值附近波動(dòng)，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(yàn)證了該控制策略的有效性，其在復(fù)雜的城市交通環(huán)境中可以很好地適應(yīng)“起-?！毙旭偣r。

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

圖11 車頭時(shí)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(yǔ)

針對(duì)智軌電車在復(fù)雜的城市交通路況下實(shí)現(xiàn)縱向自動(dòng)駕駛運(yùn)行所遇到的問(wèn)題，本文研究了智軌電車縱向速度自適應(yīng)控制策略。首先，建立了智軌車輛動(dòng)力學(xué)模型并驗(yàn)證了模型的準(zhǔn)確性。其次，設(shè)計(jì)了智軌電車縱向速度自適應(yīng)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(tái)，對(duì)所研究的控制策略進(jìn)行了仿真驗(yàn)證。仿真結(jié)果表明，所設(shè)計(jì)的控制策略可以較好地適應(yīng)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(wú)法在車輛停車時(shí)保證不出現(xiàn)急停現(xiàn)象，這是后續(xù)研究方向。