基于遺傳PID算法的自適應(yīng)巡航控制

許設(shè)　盧熾華

摘 要：隨著高級(jí)駕駛輔助系統(tǒng)（ADAS）成本的下降，ADAS系統(tǒng)逐漸被下放到普通家用車上。自適應(yīng)巡航系統(tǒng)（ACC）作為ADAS的重要組成部分，深受廣大消費(fèi)者的關(guān)注。文章設(shè)計(jì)了基于遺傳算法和PID算法的上位控制器和基于模糊控制的下位控制器。使用Carsim和Simulink仿真后結(jié)果顯示，基于遺傳PID算法的自適應(yīng)巡航控制具有更好的控制精度和控制效率。關(guān)鍵詞：ACC控制;遺傳PID控制;模糊控制;Carsim/Simulink仿真中圖分類號(hào)：U471.15 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1671-7988（2020）08-45-06

Abstract： With the decrease of the cost of Advanced Driving Assistance System，the ADAS system has been gradually transferred to the ordinary family car. As an important part of ADAS， adaptive cruise system has attracted the attention of consumers. In order to improve the control accuracy of ACC system， the upper controller based on genetic algorithm and PID algorithm and the lower controller based on fuzzy control are designed in this paper. The simulation results using Carsim and Simulink show that the adaptive cruise control based on genetic PID algorithm has better control accuracy and efficiency.Keywords： ACC control; Genetic PID control; Fuzzy control; Carsim/Simulink simulationCLC NO.： U471.15??Document Code： A ?Article ID： 1671-7988（2020）08-45-06

引言

高級(jí)駕駛輔助系統(tǒng)（簡(jiǎn)稱ADAS），不斷利用車載傳感器（包括單雙目攝像頭、GPS、激光雷達(dá)等）進(jìn)行環(huán)境感知，收集偵測(cè)到的動(dòng)靜態(tài)物體信息，結(jié)合地圖數(shù)據(jù)，由控制系統(tǒng)進(jìn)行分析和運(yùn)算，然后對(duì)車輛進(jìn)行控制。該系統(tǒng)可在一定程度上減輕駕駛者的駕駛負(fù)擔(dān)，提升駕乘的舒適性和安全性。該系統(tǒng)主要包括車道保持系統(tǒng)，自適應(yīng)巡航系統(tǒng)，前向碰撞預(yù)警系統(tǒng)，車道偏離預(yù)警系統(tǒng)，換道輔助系統(tǒng)等若干個(gè)子系統(tǒng)。自動(dòng)駕駛是未來汽車發(fā)展的方向之一，由于各方面因素的影響，自動(dòng)駕駛并不能一步到位。國(guó)際汽車工程師協(xié)會(huì)SAE將自動(dòng)駕駛分為L(zhǎng)0～L5共六個(gè)等級(jí)。在L1和L2階段，ADAS系統(tǒng)發(fā)揮著主要作用。ACC系統(tǒng)是ADAS的重要組成部分，ACC的控制對(duì)于車輛的乘坐舒適性和安全性至關(guān)重要，在跟車和巡航過程中可以很大程度上減小駕乘者的駕駛負(fù)擔(dān)。

目前ACC的控制算法多種多樣。南加州大學(xué)Ioannou P A等人[1]使用了PID算法對(duì)ACC系統(tǒng)進(jìn)行控制。伯克利大學(xué)Kim S G等[2]提出了一種線性二次型算法進(jìn)行控制，該算法使用了變相加權(quán)系數(shù)。管欣等[3]在最優(yōu)預(yù)瞄加速度決策方法的基礎(chǔ)上建立了控制模型。Fritz等[4]運(yùn)用滑膜控制器，將車輛行駛狀態(tài)進(jìn)行線性化之后使用最優(yōu)跟蹤方法得出控制器的參數(shù)。初亮等[5]設(shè)計(jì)了一種自適應(yīng)巡航控制策略，該策略基于模型預(yù)測(cè)控制，可以提升制動(dòng)事能量回收效率。劉道旭東[6]提出了改進(jìn)的四層神經(jīng)網(wǎng)絡(luò)PID算法，將神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)PID結(jié)合進(jìn)行ACC系統(tǒng)的控制。國(guó)外一些公司已經(jīng)將ACC系統(tǒng)的研究應(yīng)用到硬件系統(tǒng)的開發(fā)上。2001年美國(guó)通用公司就已經(jīng)將ACC系統(tǒng)應(yīng)用到了旗下的產(chǎn)品上。Eaton公司、Delphi公司、Bosch公司等供應(yīng)商也相繼開發(fā)出了ACC的軟硬件系統(tǒng)。

本文將遺傳算法和PID控制相結(jié)合設(shè)計(jì)一個(gè)上位控制器，根據(jù)模糊控制規(guī)則設(shè)計(jì)一個(gè)下位控制器，進(jìn)行ACC系統(tǒng)的控制。遺傳算法[7]是從生物進(jìn)化論中提煉出的一種算法，它選擇最優(yōu)解的方法和自然界的選擇和淘汰機(jī)理十分相似。

1 車輛縱向運(yùn)動(dòng)學(xué)模型

ACC控制主要是縱向運(yùn)動(dòng)的控制，因此不考慮汽車行駛過程中發(fā)生的側(cè)傾、橫擺，側(cè)滑以及懸架的運(yùn)動(dòng)對(duì)車輛運(yùn)動(dòng)造成的影響。在創(chuàng)建模型時(shí)本文對(duì)該系統(tǒng)進(jìn)行適當(dāng)?shù)暮?jiǎn)化和合理假設(shè)：車輛在平直良好路面上行駛，路面有足夠的附著力，不考慮車輛的橫向和垂向運(yùn)動(dòng)。

2 ACC系統(tǒng)控制策略的搭建

本文要完成ACC定速巡航和跟車兩種功能的控制策略。

在定速巡航階段，需要使用傳感器檢測(cè)本車車速大小，與預(yù)設(shè)的巡航車速進(jìn)行比較，然后由基于遺傳PID算法[8-10]設(shè)計(jì)的控制系統(tǒng)計(jì)算出合適的加速度，完成上位控制系統(tǒng)的設(shè)計(jì)。然后根據(jù)駕駛經(jīng)驗(yàn)設(shè)計(jì)模糊控制器，將求解好的加速度輸入以及相對(duì)位移輸入模糊控制器，求解出合適的節(jié)氣門開度和制動(dòng)壓力，完成下位控制器的設(shè)計(jì)。

跟車階段的控制大體和巡航階段類似。需要遺傳算法和PID控制根據(jù)傳感器檢測(cè)到的前后車相對(duì)位移和相對(duì)速度以及本車速度進(jìn)行決策，計(jì)算出合適的加速度，完成上位控制器的設(shè)計(jì)。然后根據(jù)駕駛經(jīng)驗(yàn)設(shè)計(jì)模糊控制器，將求解好的加速度輸入模糊控制器，求解出合適的節(jié)氣門開度和制動(dòng)壓力，完成下位控制器的設(shè)計(jì)，根據(jù)上下位控制器實(shí)現(xiàn)對(duì)ACC系統(tǒng)的控制。

在決策的時(shí)候需要預(yù)先對(duì)車輛之間的相對(duì)位移進(jìn)行判斷，將相對(duì)車距和安全距離進(jìn)行比較。安全車距和兩車車速相關(guān)，不是固定值。關(guān)于車輛的縱向安全距離L0有很多種表示方法，本文采用文獻(xiàn)[5]中的公式，如下：

3 上位控制器和下位控制器設(shè)計(jì)

3.1 上位控制器

本文中上位控制器是基于遺傳算法[11]和PID控制設(shè)計(jì)的，下面主要研究在上位控制器中如何使用遺傳算法對(duì)PID控制進(jìn)行優(yōu)化。遺傳算法對(duì)PID[9]控制優(yōu)化的流程如圖3所示。

遺傳算法的流程主要包括參數(shù)編碼、適應(yīng)度函數(shù)的構(gòu)建、選擇、交叉、變異等幾個(gè)步驟。

首先對(duì)控制參數(shù)進(jìn)行編碼，PID的三個(gè)參數(shù)是十進(jìn)制數(shù)值，在遺傳算法中需要使用二進(jìn)制對(duì)控制參數(shù)進(jìn)行編碼。本文中每個(gè)參數(shù)使用長(zhǎng)度為10的二進(jìn)制編碼表示，如圖4所示，因此對(duì)應(yīng)的基因長(zhǎng)度為30位。解碼過程是編碼的逆過程，需要將二進(jìn)制編碼重新轉(zhuǎn)換成十進(jìn)制。

其次需要確定適應(yīng)度函數(shù)，適應(yīng)度函數(shù)用來確定PID參數(shù)合適的程度，從而對(duì)各個(gè)參數(shù)組合進(jìn)行篩選。設(shè)誤差為e，適應(yīng)度為f，如果e非負(fù)則：

在選擇之初需要隨機(jī)生成目標(biāo)群體，為了使目標(biāo)群體含有較優(yōu)質(zhì)的解并且減小計(jì)算壓力，目標(biāo)群體數(shù)量要適中，一般在100～300范圍內(nèi)。

選擇的主要目的是從已有的種群中選擇出合適的個(gè)體，在本文中合適的個(gè)體是使適應(yīng)度函數(shù)取值較小的個(gè)體。在選擇過后將優(yōu)質(zhì)個(gè)體進(jìn)行復(fù)制，保持種群大小不變。交叉、變異的目的是通過染色體交叉和基因變異的方式在新的種群中以一定的概率產(chǎn)生新的個(gè)體，增加群體的多樣性，這樣可以產(chǎn)生比原來更合適的個(gè)體進(jìn)行選擇。當(dāng)達(dá)到預(yù)先設(shè)置的迭代次數(shù)或者滿足最優(yōu)解的要求后整個(gè)求解過程終止。

期望加速度的計(jì)算參考文獻(xiàn)[7]，在定速巡航階段主要考慮速度的控制，將設(shè)定的巡航速度與本車速度之差?v作為變量進(jìn)行控制，計(jì)算出合適的加速度。在跟車階段，合理的跟車距離也是控制目標(biāo)。

在巡航階段，不考慮前車。參考文獻(xiàn)[7]采用公式11計(jì)算期望加速度：

3.2 下位控制器

本文的下位控制器采用模糊規(guī)則進(jìn)行控制。模糊邏輯控制[12]目的是使用語(yǔ)言分析的數(shù)學(xué)模式代替?zhèn)鹘y(tǒng)的數(shù)學(xué)公式對(duì)復(fù)雜系統(tǒng)進(jìn)行建模，將人類的自然語(yǔ)言轉(zhuǎn)換為計(jì)算機(jī)語(yǔ)言。模糊控制的主要特點(diǎn)是可以利用人們?cè)谏a(chǎn)活動(dòng)中積累的經(jīng)驗(yàn)、知識(shí)并且和控制系統(tǒng)相關(guān)知識(shí)相結(jié)合，這樣控制的優(yōu)勢(shì)是不需要建立精確的數(shù)學(xué)模型，降低了控制的復(fù)雜程度。模糊控制主要包括（1）確定輸入輸出變量（2）變量模糊化（3）設(shè)置模糊規(guī)則（4）模糊推理（5）去模糊化等幾個(gè)步驟。

在公式7中，車輪的扭矩和發(fā)動(dòng)機(jī)扭矩以及制動(dòng)扭矩相關(guān)，而發(fā)動(dòng)機(jī)扭矩和制動(dòng)扭矩又分別和節(jié)氣門開度以及制動(dòng)壓力相關(guān)。所以本文中選擇控制節(jié)氣門開度和制動(dòng)壓力來控制車輛實(shí)際加速度。

根據(jù)參考文獻(xiàn)[5]，人體乘坐汽車時(shí)比較舒適的加速度≤5m?s2，所以本文為了保證跟車過程中乘客的舒適性，將上位控制器輸出的加速度限制在-5～5m?s2。節(jié)氣門的開度范圍是0～1，制動(dòng)壓力的范圍0～3MPA。將加速度α的模糊子集設(shè)置為{NB，NM，NS，ZO，PS，MS，PM，MB}，即{負(fù)大，負(fù)中，負(fù)小，零，正小，中小，正中，中大}。節(jié)氣門開度throttle opening（簡(jiǎn)寫成?t）的模糊子集設(shè)置為{ZO，PS，MS，PM，MB，PB}，即{零，小，中小，中，中大，大}。制動(dòng)壓力p的模糊子集設(shè)置為{ZO，PS，PM，PB}，即{零，小，中，大}。建立模糊規(guī)則如下：

計(jì)算結(jié)果需要一個(gè)精確量，必須對(duì)結(jié)果進(jìn)行解模糊。解模糊的方法有重心法、高度法、面積法，本文采用重心法進(jìn)行解模糊。

4 Carsim/Simulink仿真

Carsim是MSC公司開發(fā)的軟件，常用于車輛動(dòng)力學(xué)仿真。在Carim里建立的模型運(yùn)行速度比實(shí)時(shí)快3～6倍。在該軟件中預(yù)存有多種車輛模型，可以節(jié)省很多建模過程。本文使用Carsim自帶的C-Class，Hatchback2012，該車型示意圖如下：

該車型的基本參數(shù)如下：

發(fā)動(dòng)機(jī)功率 125kw

制動(dòng)扭矩 300Nm/Mpa（平均值）

輪胎 215/55R17

車輛長(zhǎng)寬高 4850mm，1916mm，1935mm

車重 1720kg

輪距 1675mm

軸距 2910mm

前輪到質(zhì)心的距離 1015mm

前輪到質(zhì)心的距離 1895mm

發(fā)動(dòng)機(jī)扭矩特性如下圖：

道路建模如圖：

在Carsim里建好車輛模型和道路模型后，需要將Carsim模型導(dǎo)入到Matlab/Simulink里面進(jìn)行控制。Matlab是美國(guó)Mathworks公司開發(fā)的主要用于矩陣計(jì)算的數(shù)學(xué)軟件，在控制、信號(hào)處理等領(lǐng)域應(yīng)用廣泛。Simulink是Matlab里專門用于仿真的模塊，適用于多種類型的仿真。本文搭建的仿真模型如下：

4.1 巡航仿真

本文設(shè)置續(xù)航速度分別為40km/h和80km/h以分別對(duì)應(yīng)低速和高速工況。兩種工況下本車都以20km/h的車速起步。

仿真結(jié)果如下：

由圖可知，車輛無論是以40km/h還是80km/h速度巡航，采用遺傳PID算法控制的本車都能以較快的速度達(dá)到預(yù)設(shè)的巡航速度，在達(dá)到巡航速度之后，能穩(wěn)定的保持在巡航速度。并且車輛的加速度的絕對(duì)值都不大于5m?s2，保證了在車輛變速的過程中乘坐的舒適性。而普通的PID算法會(huì)在速度控制的過程中產(chǎn)生較大的超調(diào)量，控制效率較低。

4.2 跟車仿真

在跟車仿真中，前車和本車的初始距離設(shè)置為60m，仿真過程中使用雷達(dá)檢測(cè)前車狀態(tài)，雷達(dá)的檢測(cè)范圍設(shè)置為300m，檢測(cè)角度為正負(fù)5deg。本車20km/h的車速起步。前車的速度設(shè)置如下：

由圖16，本車在啟動(dòng)后能以較快的速度跟上前車。本車車速在30s左右接近80km/h，但是這時(shí)圖18中曲線值已經(jīng)小于0，此時(shí)兩車車距已經(jīng)小于安全距離。于是本車進(jìn)行了制動(dòng)。等到本車減速后，前車和本車距離再次大于安全距離后，本車車速又和前車趨于一致。在整個(gè)跟車過程中以遺傳PID算法控制的本車能夠緊跟前車，而普通PID算法的控制會(huì)有較大誤差。在跟車的過程中，車輛的加速度集中在-2～2?m?s2。保障了跟車過程的舒適性。兩車之間的相對(duì)車速集中在-1～3?m?s的范圍內(nèi)，說明跟車車速控制精度能夠滿足需求。

5 結(jié)論

本文介紹了國(guó)內(nèi)外ACC系統(tǒng)控制研究的相關(guān)成果。在對(duì)車輛進(jìn)行縱向動(dòng)力學(xué)建模的基礎(chǔ)上，構(gòu)建了基于遺傳PID的上位控制器和基于模糊控制的下位控制器。控制策略完成后，基于Carsim/Simulink進(jìn)行了仿真，得到了理想的仿真結(jié)果，驗(yàn)證了控制策略的有效性和時(shí)效性。

參考文獻(xiàn)

[1] Zhang J， Ioannou P A. Longitudinal control of heavy trucks in mixed traffic： environme-ntal and fuel econoy considerations.2006， 7（1）： 92-104.

[2] Kim S G， Tomizuka M，Cheng K H.Smooth motion control of the adaptive cruise control system by a virtual lead vehicle. Internatio- nal Journal of Automotive Technology，2012，13（1）：77.

[3] 管欣，王景武，高振海.基于最優(yōu)預(yù)瞄加速度決策的汽車自適應(yīng)巡 ??航控制系統(tǒng).吉林大學(xué)學(xué)報(bào)（工），2004， 34（2）：189-193.

[4] A.Fritz，W.Schiehlen. Nonlinear ACC in simulation and measurement. Vehicle Syst. Dyn. 36：159-177. Sep 2001.

[5] 初亮，李天驕，孫成偉.面向再生制動(dòng)優(yōu)化的電動(dòng)車自適應(yīng)巡航控制策略[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2017，51（08）：1596-1602.

[6] 劉道旭東.基于神經(jīng)網(wǎng)絡(luò)PID控制器的汽車自適應(yīng)巡航控制系統(tǒng)研究[D].吉林大學(xué)，2017.

[7] 段蘇濤.基于多源信息的電動(dòng)汽車自適應(yīng)巡航控制算法研究[D].吉林大學(xué)，2018.

[8] 劉文瑞，趙磊，顏?zhàn)永?基于歸一化遺傳算法的PID控制器自適應(yīng)整定[J].科學(xué)技術(shù)創(chuàng)新，2019（19）：61-62.

[9] 高成，龐家騰.基于遺傳算法對(duì)PID控制器參數(shù)的整定[J].現(xiàn)代信息科技，2019，3（02）：171-172.

[10] 王文慶，楊楠.基于改進(jìn)遺傳算法的PID參數(shù)整定研究[J].計(jì)算機(jī)與數(shù)字工程，2018，46（12）：2603-2606+2610.

[11] 李巖，袁弘宇，于佳喬，張更偉，劉克平.遺傳算法在優(yōu)化問題中的應(yīng)用綜述[J].山東工業(yè)技術(shù)，2019（12）：242-243+180.

[12] 邵毅明，陳亞偉.自動(dòng)駕駛汽車橫向模糊控制器設(shè)計(jì)[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，38（07）：7-13.