英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
汽车驾驶员和自主车辆燃油经济性优化系统的应用
关键词：车辆燃油经性、生态驾驶、人机分界、无人驾驶汽车、模拟驾驶分析
摘要：由汽油驱动的机动车是当地和全球环境的主要污染源之一。目前的研究开发验证了一个新的燃料经济优化系统 (FEOS), 它接收来自车辆变量和环境变量 (如, 距离间距)的输入, 使用拉格朗日乘数法数学计算最佳加速/减速值, 并通过人机界面或无人驾驶车辆的自动控制系统向驱动程序发送最优值。FEOS可以在free-flow和car-following交通条件下使用。对 FEOS 的评价进行了实验研究。据发现, 如果驾驶员不安全, FEOS的司机在所有加速条件下消耗的燃料比没有FEOS的驾驶员少(22–31% 整体气体节约)在大多数减速条件下(12–26% 总气体保存)。与相对昂贵的车辆工程系统的设计和改进相比, FEOS 为考虑人为因素的最小 燃料消耗提供了一种可行的途径。讨论了优化模型在驾驶员和自主车辆人机界面设计中的应用。
1. 介绍
一些替代措施已经被提出, 以改善机动车的燃油经济性, 最近驾驶员的行为和能源高效技术已被认为为减少燃料消耗提供了相当大的潜力。此外能源高效技术的开发可能需要时间来实施, 而且成本高昂, 因为它不断地满足消费者对安全、舒适、空间和适当加速和性能的需求, 鼓励改变驾驶行为可以相对快地完成。
一种帮助驾驶员形成适当驾驶行为的方法是通过车载 人机接口 (HMI)。例如,凡 卡特里娜·德·沃克等 (2001) 开发一个燃料效率支持工具,以提供最佳的齿轮移动的视觉建议, 以最大限度地提高燃油经济性。然而, 适当的车辆踏板操作可能比手工转移操作更能最大化燃油经济性。深度踏板操作适用于人操作的手动变速器和自动变速器车辆以及无人驾驶车辆, 而齿轮移位操作只用于手动传动的。
燃料消耗量模型已经开发, 以量化的燃料消耗量和车辆特点的关系以及交通情况或道路条件, 但这些, 总的来说, 只有能够提供近似油耗估计。随着模型精度的增加, 包含许多影响其结果的变量,这些模型的计算效率大大减少。因此, 提出了一些简化的燃料消耗和排放模型, 其中的结果可以表示为几个显著因素的作用。例如, 安 (1998) 使用非线性多元回归和神经网络技术来近似车辆油耗和排放量, 作为速度和加速度的函数。在橡树岭国家实验室收集到的真实交通数据,其中包含每辆车辆的1300–1600个体测量, 用于验证建模结果。该模型能够在2.5% 的实际值内估计汽车油耗, 并可进一步应用于交通仿真、交通规划和智能交通系统设计平台。
除了用人类司机的传统车辆,这些车辆可以自主移动和导航在每天的交通将成为一个现实, 在未来几十年。现有工作主要集中在传感器、导航、运动规划和控制等技术的发展上, 自主车辆的燃油经济性没有受到重视。因此, 一个新的燃油经济系统能够为工程师或制造商提供最佳的驾驶模式, 使他们能够为最大的燃料经济发展出更好的自主汽车。与人工驾驶相比, 通过计算机控制的自主车辆可以严格遵循最优驾驶模式。
2.新型燃油经济性优化体系
我们开发了一个新的燃料经济优化系统 (FEOS),以帮助司机减少燃料消耗和车辆相关的排放。系统的基本体系结构包括;车辆变量和相关的车载传感器、交通/环境变量以及相关的车载技术、数据处理、冗余系统组件;并对驾驶员和无人驾驶车辆的优化模型进行了研究。
如图1所示, 机械传感器、GPS、视频等技术安装在车辆上测量了动态的车辆变量 (电流速度和加速度), 以及环境因素 (如电流限速、间距在驾驶员的车辆和领先的车辆或 交通指示灯之间)。过滤后的数据被传送到车载计算机中作为模型输入。计算机中的数据处理模块可以根据给定的车辆和 交通输入的内容(例如加速度、降序或上升梯度)来计算最优解。对这些优化解决方案进行了进一步的测试, 并与实际的驱动模式进行了比较。如果没有正确遵循最优解, 数据处理模块根据当前车辆和交通情况更新最优解，
图1.FEOS系统结构
最佳踏板操作的信息显示通过车内的人机接口提供给司机。这些建议可以在线提供,以帮助修改驱动程序的实时性,或提供线下的培训目的。此外, 所需踏板控制的信息可以通过机械手段处理和交付给无人驾驶车辆。此外, 还开发了传统的人控车辆和无人驾驶车辆在非拥挤和拥挤交通条件下的两组切换算法。
2.1输出可行性
按照安的说法,只有速度(y)和加速度(x)作为输入，这两种都可从现有的车载传感器中获得,这将避免安装额外传感器不必要的成本。
除了车辆因素外,环境变量被认为是影响踏板控制最佳解的重要模型输入。这些变量包括当前道路的速度限制, 驾驶车辆与车前车辆之间的距离间距,或交通指示灯(或其他路标), 驱动程序应该做出的反应,以及交通指示灯的持续时间 (红色和绿色光)。在优化过程中,环境因素作为一组约束或其他目标,除了尽量减少燃料消耗。例如,当驱动程序决定在红色 交通指示灯前停止时,必须考虑在主体车辆和交通指示灯的位置之间的距离间距,制定最佳的解决方案,以便在该范围内停车。
2.2.free-flow系统中的最优模型和数据处理模块
车辆纵向控制(或速度控制)一般可分为两种: free-flow 和car-following。Free-flow意味着驾驶员的速度控制行为是自愿的,不受上游或下游驾驶条件的影响(运输研究委员会, 2000)。它可以应用于现实中,几乎没有相互作用的车辆 (如没有其他车辆参与或有其他车辆,但远离司机的车辆)。在公路容量手册 (运输研究委员会, 2000) 中描述的基本高速公路路段和多车道公路的能力分析程序中, free-flow驾驶是至关重要的。此外,在考虑人的驾驶安全时,现行的制度可能会更适用于free-flow的制度。在一个free-flow的情况下, 司机是更安全的,并有更多的自由去控制车辆，根据系统的建议或命令。在一个复杂的驾驶条件 (如复杂的交通或拥挤),司机必须更多地注意机动车辆在车辆中的行驶(例如, 跟随领先的车辆,保持安全距离,改变车道,超车,或改变到另一条车道)。在这种情况下, 为驾驶员提供建议是不重要的, 因为这可能会干扰驾驶员的安全和驾驶性能。总之, 驾驶员的安全必须比最大的燃油经济性更优先。该模型还可以应用于一个复杂的驾驶条件,通过计算机实现车辆的自主控制。
驾驶员大部分时间保持恒定的速度, 特别是当他们在高速公路上行驶或者车辆之间没有什么相互作用的时候。先进的车辆技术 (如巡航控制) 已经开发和广泛采用, 以促进保持恒定速度的过程。基于安 (1998)的燃料消耗率 (单位以加仑每小时), 可以直接地开发作为速度的函数当加速度 x 是 0 (ft/s2), 与四恒定的参量 a, e, f 和 g。
司机在一定的距离驾驶花费的时间 s
因此, 在时间段 t (单位 s) 期间累计油耗 G 表示为:
主要目标是尽量减少累计燃油消耗量,以减少气体消耗和排放量。最佳速度ym可以得到的结果,Eq. (4) 如果y存在 几个条件可以触发减速过程。例如, 一个驱动程序必须减速, 并最终停止在信号交叉路口根据交通规则。减速过程可以发展成两个阶段。在第一阶段,司机释放油门踏板,并应用刹车踏板,如果需要更高水平的减速,直到速度达到零。然后, 司机等一会儿,直到它变绿。
在减速阶段, 速度从v0变为零.为了简化这一点,初始速度被划分成 l (l =-v0/D), 相等的部分与间隔 D 提到一个负数 (Eq. (5))。假定加速度在每个区间 D 中都是恒定的
在恒定加速度的情况下, 在间隔时间内,在降低速度的过程中, 速度 D 除以恒定加速度 xi的偏差比
此外, 每个间隔中的距离si驱动:
在减速和空闲阶段所花费的时间等于在慢速和空闲时间 (Eq (8)) 中花费的时间段的总和。同样, 驾驶员车辆的初始位置与相交之间的距离也等于每间隔期间通过的 l 间距总和 (Eq (9))
因此, 减速过程中的累计油耗可描述为:
为了最小化 G (x), 拉格朗日乘数法 (LMM);一种求解多约束优化问题的方法。它不仅适用于可微函数, 而且还应用于任何类型的功能的优化, 无论是离散的还是连续的, 数值的还是非数值的, 这些约束可以表示为实际的边界。价值函数在同一战略集合 (埃弗雷特, 1963)。LMM 的基本思想是引入一个新的变量, 一个拉格朗日乘数 k, 将目标函数与多个约束结合起来。通过在 k 上添加这个新的分量, 原始的 n 维梯度现在有 (n 1) 维度。由于渐变的新分量为零, 所以渐变的旧分量将 k 作为常量处理。结果 (n 1) 等式在 n 维度导致一个唯一的最佳的解答。此外, 可以根据约束数增加多个拉格朗日乘数
对驾驶员车辆与交叉口的初始位置之间的距离进行了一个约束,特殊化了一个拉格朗日乘法器, 根据目标函数来建立拉格朗日函数。在这种情况下, 拉格朗日乘数 k 表示当这种约束改变时, 最佳累计油耗值发生变化的速率。然后 (l 1), 微分方程被开发: l 组分提到加速并且一是与拉格朗日乘数。最后, 得到了在每个区间 D 和最优拉格朗日乘法器公里内的最优加速度 xm。
考虑到在信号交叉路口停车的同样例子, 当交通指示 灯变绿时, 驾驶员开始加速, 最终以恒定的速度维持。加速度过程被发展成两个阶段。在first 阶段, 驾驶员应用油门踏板直到达到车速限制 (加速阶段)。然后, 司机保持恒定的速度, 直到下一个十字路口与 traffic 灯出交通指示出现。
在加速阶段, 速度从0增加到了。与减速过程中提出的相似的想法, 可分为I和相等的部分 (D 是一个正数), 并且在每间隔加速度没有改变。然后, 在该区间内增加速度所花费的时间等于速度 D 除以恒定加速度 xi 的偏差比。在加速和恒定阶段的时间是用于加速的 l 时间段和时间驱动程序保持恒定速度:
因此,加速过程中的累计燃料消耗可以用以下方法来描述:
应用拉格朗日乘数法生成 G (x) 的最优解。一个乘数被添加到侦察结构的目标函数。然后, 建立了一套微分方程组 , 一般情况下, 在每个区间 D 中, 产生最佳加速度 xm, 在保持恒定速度 tm 的最佳时间, 以及最优化的拉格朗日乘法器公里。
2.3冗余系统组件提高系统可靠性
冗余模块独立于数据处理模块, 能够在出现错误/故障时 重启系统 (吉拉德等, 2001)。它不断地收到驾驶和环境变量的数据。在车载传感器 (或 GPS、视频等) 中, 被假定为确定并提供可靠的输入。两个潜在的系统故障可能会造成安全问题。首先, 数据处理模块可能会产生错误的解决方案和实际的约束 Ci = (C1, C2,..., Cm 为 i = 1, 2,..., m) 可能被违反 (即, 关于两辆车之间的安全距离间距的约束, 或在距前完全停止 信号交叉路口)。这可能导致汽车相撞或闯红灯。为避免此类故障,冗余唐太斯模块可根据最优解安全化所有约束.同时,可靠性乌勒随机生成若干非最优解, 并将相应的累计油耗G与最优解 Gm相比较。如果最佳踏板操作导致更多的燃料使用,或者如果任何一个约束 Ci 不 安全化，数据处理模块将重新计算最佳的解决方案.
第二, 人类司机可能无法遵循最佳的解决方案.对于那些超出最佳建议的司机, 这不会造成任何驾驶安全问题, 但 会牺牲最大的燃油经济性。对于应试者来说, 驾驶员可能会踩刹车,放慢速度,使车辆之间的间距增加，或进一步从信号交叉路口停止。另一方面, 对于那些响应少于建议的驱动程序, 可靠能力模块将最佳值与从传感器记录的实际速度进行比较。如果在减速过程中, 实际速度 y 超过了ym加上一些公差 h,数据处理模块将根据最近的驱动和环境变量重新计算最优解如果没有足够的时间来纠正他们的行为,可靠性模块也可以对驱动程序发出警告。同样, 由于机械故障, 自主车辆也不遵循最优解。如果可靠性模块检测到最佳和实际速度之间的差异, 它将自动减慢或停止汽车, 以避免碰撞或闯红灯。连续和多次重新计算最终将导致系统终止。在这种情况下,没有建议/命令出来,人力司机或自主车辆驱动正常
2.4在驾驶员车辆中的应用
在获得基于车辆和环境输入的最佳解决方案后, 如果适用, 则会生成有关速度控制的建议, 并将其提交给驾驶员, 当司机在运行时应用油门或刹车踏板。可以在线提供建议, 帮助司机进行必要的行为调整, 实时和线下,以帮助他们熟悉踏板控制的最佳模式。建议也可以作为视觉、听觉或组合形式信息呈现。
最佳踏板操作可应用于非拥挤或拥挤的交通条件。拥塞和非拥塞控制模式之间的切换算法(图1),
可根据车辆之间的距离间距确定 (即, hm = 50 米)。这种间距可能因旅行速度、车辆长度和重量、天气、道路状况和个别反应时间等因素而异。当实际的间距 h 大于hm 时, 系统会自动切换到非拥塞控制模式 (Eq (20)), 但当 h 等于或小于 hm 时, 系统会暂时禁用, 并切换到驱动程序安全模式, 给出更高的优先驾驶安全比最大的燃油经济性。当实际的间距 h 小于hm 时车手必须更多地关注交通流内的机动车跟随领先的车辆在安全的距离, 改变车道, 超车等，并可能无法按照最佳模型给出的建议。在交通拥堵的驾驶条件下, 不适合去给司机提供建议,因为这可能会影响安全和驾驶性能。除了间距, 驾驶员的安全模式可以触发, 由于水平的驱动工作量或疲劳。
车载计算机系统所产生的建议, 以及相关的驱动策略, 可能会因某些车辆和交通条件而异。以一个简单的场景为例: 假设一个驱动程序正在接近一个十字路口, 最初的交通指示灯是绿色
全文共9791字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15438]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
