CN111137271B - 一种混合动力汽车自动驾驶模式控制方法及存储介质 - Google Patents

Abstract

本发明涉及一种混合动力汽车自动驾驶模式控制方法及存储介质，所述方法包括以下步骤：将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹；当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，进行计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；通过动态规划算法和模型预测控制相结合，在混合动力汽车在自动驾驶模式的过程中，对混合动力汽车的经济性进行预测控制，减少混合动力汽车在自动驾驶模式时的能源消耗。

Description

一种混合动力汽车自动驾驶模式控制方法及存储介质

技术领域

本发明涉及混合动力汽车技术领域，特别涉及一种混合动力汽车自动驾驶模式控制方法及存储介质。

背景技术

如图1所示的混合动力汽车的混合动力系统，混合动力汽车(Hybrid Vehicle)是指车辆驱动系统由两个或多个能同时运转的单个驱动系统联合组成的车辆，车辆的行驶功率依据实际的车辆行驶状态由单个驱动系统单独或共同提供。混合动力汽车的动力系统包括发动机、ISG电机、电池、离合器、电动机、CVT变速器、差速器等。整车的工作模式包括：纯电动模式、发动机单独驱动模式、混合驱动模式、行车充电模式、再生制动模式及停车模式等。而混合动力汽车较于电动汽车具有更好的续航能力，而且其使用方式更为灵活，混合动力汽车也应用于自动驾驶技术中；当在现有的混合动力汽车的自动驾驶技术中，通常考虑的是汽车的自动躲避障碍物的能力，但未考虑整车的经济性。

发明内容

为此，需要提供一种混合动力汽车自动驾驶模式控制方法及存储介质，解决现有的自动驾驶技术中，混合动力汽车未考虑整车的经济性，造成资源浪费的问题。

为实现上述目的，发明人提供了一种混合动力汽车自动驾驶模式控制方法，包括以下步骤：

将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；

将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；

当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

进一步优化，所述步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”具体包括以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及整车的参考工作模式；

所述汽车动力学方程式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数；

所述整车等效燃油函数为f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。

进一步优化，所述“对得到的时间曲线进行跟踪，通过模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式”之后还包括以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式。

进一步优化，还包括以下步骤：

当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。

进一步优化，所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。

发明人还提供了另一个技术方案：一种存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器运行时执行以下步骤：

将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；

将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；

当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

进一步优化，所述处理器执行步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”时具体执行以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及整车的参考工作模式。

进一步优化，所述处理器执行步骤“对得到的时间曲线进行跟踪，通过模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式”后还执行以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

所述汽车动力学方程式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数；

所述整车等效燃油函数为f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。

进一步优化，所述计算机程序被处理器运行时还执行以下步骤：当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。

进一步优化，所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。

区别于现有技术，上述技术方案，通过动态规划算法和模型预测控制相结合，在混合动力汽车在自动驾驶模式的过程中，对混合动力汽车的经济性进行预测控制，减少混合动力汽车在自动驾驶模式时的能源消耗。

附图说明

图1为背景技术所述混合动力汽车的混合动力系统的一种结构示意图；

图2为具体实施方式所述混合动力汽车自动驾驶模式控制方法的一种流程示意图；

图3为具体实施方式所述混合动力汽车自动驾驶模式控制方法的另一种流程示意图；

图4为具体实施方式所述存储介质的一种结构示意图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

请参阅图2-3，本实施例提供了一种混合动力汽车自动驾驶模式控制方法，应用于混合动力汽车中，包括以下步骤：

步骤S110：将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；通过采集混合动力汽车经常行驶的历史行驶路段的工况历史数据，及混合动力汽车在行驶过程中整车GPS采集的工况信息结合起来，进行规划出车辆的参考行驶轨迹，将参考行驶轨迹构成车辆的行驶速度V和行驶时间t的实时工况，并得到各个时刻的加速度a。

步骤S120：将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；当动力汽车行驶在参考行驶轨迹的路径上时，通过将参考行驶轨迹作为参考时间曲线，然后将该参考行驶轨迹中的行驶速度及每一个时刻的加速度作为动态规划算法的输入，进行计算得到车辆发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式，通过动态规划算法对已知工况进行全局优化，得到整个工况下经济性最优的发动机和电机转矩参考曲线以及工作模式的参考曲线。具体的，所述步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”具体包括以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；通过将参考行驶轨迹上的车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩F_{d_req}，其中，汽车动力学方程式的公式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数。

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩Te、驱动电机的参考转矩Tm以及整车的参考工作模式。其中，整车等效燃油消耗函数为：f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。其中，驱动参考转矩F_{d_req}等于发动机的参考转矩Te、驱动电机的参考转矩Tm。

步骤S130：当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

步骤S140：将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

步骤S150：通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

步骤S160：根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

通过将多项拟合得到的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线，作为另外的参考曲线，将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线上的参考值与车辆行驶过程中的实际值相减的差值的和作为目标函数，即计算得到参考时间曲线上的参考值与车辆实际行驶过程中行驶轨迹的实际值之间的差值、发动机的参考转矩的时间曲线上的参考值与车辆在行驶过程中发动机的实际转矩之间的差值、驱动电机的参考转矩的时间曲线上的参考值与车辆在行驶过程中驱动电机的实际转矩之间的差值以及参考工作模式的时间曲线上的参考值与车辆行驶过程中的实际工作模式的实际值之间的差值；将这些差值的和作为目标函数，选择电机转速nm、发动机转速ne作为状态变量；选择电机转矩Tm、发动机转矩Te、工作模式model为控制变量。进而进行模型预测(Model PredictiveControl，MPC)控制后得到发动机和电机的输入转矩以及整车工作模式并对发动机和电机进行控制。通过动态规划算法和模型预测控制相结合，在混合动力汽车在自动驾驶模式的过程中，对混合动力汽车的经济性进行预测控制，减少混合动力汽车在自动驾驶模式时的能源消耗。

在本实施例中，为了进一步输出最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式，所述“对得到的时间曲线进行跟踪，通过模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式”之后还包括以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式。

在本实施例中，进一步考虑在突发状况时自动驾驶模式的不可靠，还包括以下步骤：

当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。

通过踩制动踏板来退出自动驾驶模式，能提高驾驶的安全性和解决全自动驾驶中由于交通工况中突发状况带来的不可靠。

在本实施例中，为了进一步考虑行驶过程中经济性，所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。在模型预测控制器中通过加权系数法将经济性和自动性两个目标结合起来，构成了目标函数，进行了双目标控制。基于模型预测控制的目标函数可分成两部分，一部分是通过动态规划得到的经济性参考的预测控制，另一部分是通过行驶轨迹参考的自动驾驶控制。因此形成了通过加权系数的方式同时考虑经济性和自动驾驶的控制方法，进一步考虑了混合动力汽车在自动行驶过程中的经济性。

请参阅图4，在另一个实施例中，一种存储介质210，所述存储介质210内存储有计算机程序，所述计算机程序被处理器运行时执行以下步骤：

将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；通过采集混合动力汽车经常行驶的历史行驶路段的工况历史数据，及混合动力汽车在行驶过程中整车GPS采集的工况信息结合起来，进行规划出车辆的参考行驶轨迹，将参考行驶轨迹构成车辆的行驶速度V和行驶时间t的实时工况，并得到各个时刻的加速度a。

将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；当动力汽车行驶在参考行驶轨迹的路径上时，通过将参考行驶轨迹作为参考时间曲线，然后将该参考行驶轨迹中的行驶速度及每一个时刻的加速度作为动态规划算法的输入，进行计算得到车辆发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式，通过动态规划算法对已知工况进行全局优化，得到整个工况下经济性最优的发动机和电机转矩参考曲线以及工作模式的参考曲线。具体的，所述处理器执行步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”时具体执行以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；通过将参考行驶轨迹上的车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩F_{d_req}，其中，汽车动力学方程式的公式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数。

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩Te、驱动电机的参考转矩Tm以及整车的参考工作模式。其中，整车等效燃油函数为：f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。其中，驱动参考转矩F_{d_req}等于发动机的参考转矩Te、驱动电机的参考转矩Tm。

当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

通过将多项拟合得到的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线，作为另外的参考曲线，将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线上的参考值与车辆行驶过程中的实际值相减的差值的和作为目标函数，即计算得到参考时间曲线上的参考值与车辆实际行驶过程中行驶轨迹的实际值之间的差值、发动机的参考转矩的时间曲线上的参考值与车辆在行驶过程中发动机的实际转矩之间的差值、驱动电机的参考转矩的时间曲线上的参考值与车辆在行驶过程中驱动电机的实际转矩之间的差值以及参考工作模式的时间曲线上的参考值与车辆行驶过程中的实际工作模式的实际值之间的差值；将这些差值的和作为目标函数，选择电机转速nm、发动机转速ne作为状态变量；选择电机转矩Tm、发动机转矩Te、工作模式model为控制变量。进而进行模型预测(Model PredictiveControl，MPC)控制后得到发动机和电机的输入转矩以及整车工作模式并对发动机和电机进行控制。通过动态规划算法和模型预测控制相结合，在混合动力汽车在自动驾驶模式的过程中，对混合动力汽车的经济性进行预测控制，减少混合动力汽车在自动驾驶模式时的能源消耗。

在本实施例中，为了进一步输出最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式，所述处理器执行步骤“对得到的时间曲线进行跟踪，通过模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式”后还执行以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式。

在本实施例中，进一步考虑在突发状况时自动驾驶模式的不可靠，所述计算机程序被处理器运行时还执行以下步骤：当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。通过踩制动踏板来退出自动驾驶模式，能提高驾驶的安全性和解决全自动驾驶中由于交通工况中突发状况带来的不可靠。

在本实施例中，为了进一步考虑行驶过程中经济性，所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。在模型预测控制器中通过加权系数法将经济性和自动性两个目标结合起来，构成了目标函数，进行了双目标控制。基于模型预测控制的目标函数可分成两部分，一部分是通过动态规划得到的经济性参考的预测控制，另一部分是通过行驶轨迹参考的自动驾驶控制。因此形成了通过加权系数的方式同时考虑经济性和自动驾驶的控制方法，进一步考虑了混合动力汽车在自动行驶过程中的经济性。

需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (10)

1.一种混合动力汽车自动驾驶模式控制方法，其特征在于，包括以下步骤：

将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；

将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；

当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

2.根据权利要求1所述混合动力汽车自动驾驶模式控制方法，其特征在于，所述步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”具体包括以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及整车的参考工作模式；

所述汽车动力学方程式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数；

所述整车等效燃油函数为f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。

3.根据权利要求1所述混合动力汽车自动驾驶模式控制方法，其特征在于，所述“通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；”之后还包括以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式。

4.根据权利要求1所述混合动力汽车自动驾驶模式控制方法，其特征在于，还包括以下步骤：

当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。

5.根据权利要求1所述混合动力汽车自动驾驶模式控制方法，其特征在于，所述“将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数”具体为：

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值的加权值之和作为基于模型预测控制的目标函数；

所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。

6.一种存储介质，所述存储介质内存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行以下步骤：

将历史行驶路段的工况历史数据及车载GPS采集的工况信息结合规划车辆的参考行驶轨迹，所述参考行驶轨迹包括车辆的行驶速度、行驶时间及每一时刻的加速度；

将参考行驶轨迹作为参考时间曲线，并将该参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式；

当车辆行驶在参考行驶轨迹上时，将该参考行驶轨迹作为参考时间曲线，根据计算得到车辆的发动机的参考转矩以及驱动电机的参考转矩，并得到实时的参考工作模式，通过多项拟合得到车辆的发动机参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线；

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数；

通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式；

根据得到的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式对车辆进行驱动控制。

7.根据权利要求6所述存储介质，其特征在于，所述处理器执行步骤“将参考行驶轨迹上车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及每一时刻的参考工作模式”时具体执行以下步骤：

将参考行驶轨迹中车辆的行驶速度及每一时刻的加速度作为动态规划算法的输入，通过汽车动力学方程式得到整车的驱动参考转矩；

然后通过动态规划算法以整车等效燃油函数为目标函数计算得到车辆的发动机的参考转矩、驱动电机的参考转矩以及整车的参考工作模式；

所述汽车动力学方程式为：

m为整车质量；f为滚动阻力；α为坡度阻力；C_d为空气阻力系数；A为迎风面积；δ汽车旋转质量换算系数；

所述整车等效燃油函数为f1＝(je·(Te·ne·g)/(9550·eff_engine·Hu·yi))+(jm·(Tm·nm)/(9550·eff_motor·eff_batt_d))；je为汽油的价格(元/升)，Te为发动机转矩，ne发动机转速，g为重力加速度，eff_engine为发动机效率，Hu为汽油的热值，yi为燃油重度，jm为电的价格(元/度)，Tm为电机转矩，nm为电机转速，eff_motor为电机的效率，eff_batt_d为电池放电的效率，a为加速度。

8.根据权利要求6所述存储介质，其特征在于，所述处理器执行步骤“通过选择发动机的转速及驱动电机的转速作为状态变量，选择发动机的转矩、驱动电机的转矩以及工作模式作为控制变量，进行模型预测控制后，得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式”后还执行以下步骤：

通过实时采集车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，并输入至基于模型预测控制的控制器；

基于模型预测控制的控制器根据采集的车辆的发动机的实际输出转矩及驱动电机的实际输出转矩，对模型预测控制后得到车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式进行调整，得到最优的车辆的发动机的输入转矩、驱动电机的输入转矩以及整车工作模式。

9.根据权利要求6所述存储介质，其特征在于，所述计算机程序被处理器运行时还执行以下步骤：当采集到刹车信号时，车辆退出自动驾驶模式，进入人工驾驶模式。

10.根据权利要求6所述存储介质，其特征在于，所述“将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值之和作为基于模型预测控制的目标函数”被处理器运行时具体执行步骤：

将参考时间曲线、发动机的参考转矩的时间曲线、驱动电机的参考转矩的时间曲线以及参考工作模式的时间曲线的每一时刻的参考值与车辆行驶过程中的实际值的差值的加权值之和作为基于模型预测控制的目标函数；

所述基于模型预测控制的目标函数为f2＝α(T_{e_act}-T_{e_ref})+β(T_{m_act}-T_{m_ref})+δ(model_act-model_ref)+γ(s(t)_act-s(t)_ref)，α、β、δ、γ为权重系数，T_{e_act}为车辆行驶过程中发动机的实际转矩，T_{e_ref}为发动机的参考时间曲线上的参考值，T_{m_act}为车辆行驶过程中驱动电机的实际转矩，T_{m_ref}为驱动电机的参考时间曲线上的参考值，model_act，model_act为车辆行驶过程中的实际工作模式，model_ref为参考工作模式的时间参数上的参考值，s(t)_act为车辆行驶过程中的实际行驶轨迹，s(t)_ref为参考行驶轨迹。

Images