买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏大学申请的专利通信延迟下基于运动状态估计的智能车队跟随控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117315935B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311255979.2，技术领域涉及：G08G1/01；该发明授权通信延迟下基于运动状态估计的智能车队跟随控制方法是由雷利利;王静;林威设计研发完成，并于2023-09-27向国家知识产权局提交的专利申请。

本通信延迟下基于运动状态估计的智能车队跟随控制方法在说明书摘要公布了：本发明公开一种通信延迟下基于运动状态估计的智能车队跟随控制方法，采用运动状态估计算法，对延迟条件下前车的状态信息进行估计，将估计后的状态信息传递到模型预测控制器，进而决策出跟随车辆的期望加速度，使得队列能够稳定行驶的同时提高车辆编队的控制效果。通过上述车辆运动状态估计的编队控制方法，在通信延迟情况下，可以得到相对准确的前车状态信息，进而保证MPC控制器决策的准确性。

本发明授权通信延迟下基于运动状态估计的智能车队跟随控制方法在权利要求书中公布了：1.一种通信延迟下基于运动状态估计的智能车队跟随控制方法，其特征在于，包括以下步骤： 步骤S1、基于模型预测控制原理建立车辆运动学方程 步骤S1.1、将车队中智能车辆的纵向运动过程描述为如下方式： ades为上层MPC控制器所决策的跟随车辆期望加速度；τ为发动机的时间常数，τ-1表示分别是车辆位置s、车辆速度v、车辆加速度a的一阶导数； 步骤S1.2、采用恒定车头时距的安全距离算法作为控制研究方法，计算第i辆车与前车的车间间距误差es，以及第i辆车与前车的速度误差ev； es＝si-1-si-di,des-l ev＝vi-1-vi 上式中，si、vi、ai分别代表第i辆车的位置、速度和加速度，l代表车身的长度，di,des是第i辆车与前车i-1的期望车间间距，公式如下： di,des＝d0+hivi； d0为最小安全距离，hi为第i辆车的固定车头时距； 步骤S1.3、构建智能车队纵向跟随控制系统内车辆的状态空间模型，表达式为： yt＝Dxt 上式中， xt＝[esevai]T，ut＝ades，ωt＝ai-1 其中，xt、ut、ωt和yt分别为状态输入、控制输入、干扰输入以及系统输出，A为状态系数矩阵，B和C为输入系数矩阵，D为输出系数矩阵； 步骤S2、构建前车运动状态估计方法，对通信延迟条件下前车的运动状态信息进行预估，并更新车辆间距误差和速度误差，得到更新后的间距误差和速度误差具体方法为： 步骤S2.1、基于通信延迟的延迟时长τ与预测时间步长λt的关系，来估计计算前车i-1的速度信息 步骤S2.2、根据步骤S2.1所得速度信息对车辆i-1的位置信息进行估计： 进而得到车辆i-1的位置和速度轨迹如下： 步骤S2.3、基于步骤S2.2所得延迟条件下前车的状态信息和用和替换掉步骤S1.2中间距误差公式和速度差公式里的si-1和vi-1，将更新后的间距误差和速度误差作为MPC模型的控制输入： 步骤S3、将更新后的状态空间模型通过MPC控制器计算出跟随车辆的期望加速度； 步骤S3.1、将所步骤S1的状态空间模型进行离散线性转化： yt＝ζxt 其中，xt为系统状态；yt为系统输出；ut为控制输入；ωt为干扰输入；ζ＝diag1,0,0；分别是系统状态方程经过离散化后A、B、C的更新形式； 步骤S3.2、假定状态向量与干扰向量在每一个采样周期ts内可测，且t时刻对未来时刻的干扰预测为其本身，即ωt+j|t＝ωt； 步骤S3.3、通过迭代模型对未来NP个采样时刻的预测，最终得到t时刻对未来的控制预测表达式如下： 其中，Δu为控制增量，ut|t表示t时刻预测得到的控制输入，Nc代表控制时域，且Nc≤Np； 步骤S3.4、为保证编队内车辆的跟随性，同时避免被控加速度突变，定义目标函数为： 其中yref为参考轨迹，与当前时刻为止的输出测量值有关；符号代表二次型函数；P、Q分别为误差和输入加权矩阵，目标函数中的第一项反应系统的跟随能力，第二项反应控制增量的变化； 将上述目标函数改写成以下向量形式： 定义向量Et为系统自由响应与未来目标轨迹的偏差： Et＝Yreft-ξxxt-ξuut-1-ξωωt 可得二次规划的标准形式： 假设优化函数受以下条件的约束：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。