基于云端的分层式车辆队列的预测性巡航控制方法及装置

1.本技术涉及车辆技术领域，特别涉及一种基于云端的分层式车辆队列的预测性巡航控制方法及装置。


背景技术：

2.道路运输快速发展的同时，也带来了一系列严峻的挑战，例如交通安全问题和环境污染问题，而道路运输的主力为商用车，商用车的能源消耗问题和安全问题日益严重。高速公路场景下主要考虑道路坡度，曲率和道路交通流情况实现队列的预测性巡航控制，针对队列的预测性巡航控制，主要关注结合静态道路坡度信息和当前队列状态，进行队列速度规划。
3.相关技术中，队列预测性巡航控制方法较为关注的是结合道路坡度的预测性巡航控制，该方法可以实现车辆的经济性驾驶，且车辆通过编队的方式可以提升道路的通行效率和道路的吞吐量等。
4.然而，该队列预测性巡航控制方法存在以下缺点：(1)车载的队列预测性巡航控制预测的范围有限，对于信息获取和感知的能力有限，无法进一步扩大队列预测性巡航控制的优势；(2)缺少结合云端的队列预测性巡航控制研究和架构研究，无法将云端考虑到现有的队列预测性巡航控制中；(3)现有的技术考虑全局的队列预测性巡航控制算法，较少考虑滚动距离域的预测性巡航算法，从而无法抵消未来队列运行的不确定性，亟待解决。


技术实现要素：

5.本技术提供一种基于云端的分层式车辆队列的预测性巡航控制方法及装置，以解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。
6.为达到上述目的，本技术第一方面实施例提出一种基于云端的分层式车辆队列的预测性巡航控制方法，包括：
7.接收所述车辆队列的预测性巡航控制请求；
8.基于所述预测性巡航控制请求，获取所述车辆队列的实时位置和领航车状态信息；以及
9.根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，并发送所述最优参考速度曲线至车载平台，以通过车载平台将由所述最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至所述车辆队列，并通过所述最优行驶速度对所述车辆队列进行巡航控制。
10.根据本技术的一个实施例，所述根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，包括：
11.根据所述实时位置确定所述车辆队列运行前方的道路坡度信息；
12.基于所述预设的动力学模型，根据所述车辆队列运行前方的道路坡度信息和所述领航车状态信息计算所述车辆队列中每个车辆受到的纵向力；
13.将所述车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数，根据所述预设的油耗模型和所述车辆队列中每个车辆受到的纵向力确定所述车辆队列的最优参考速度曲线。
14.根据本技术的一个实施例，所述预设的油耗模型为：
[0015][0016]
其中，ξ
i,j
为所述预设的油耗模型拟合的参数，t
tq
为车辆发动机扭矩，n为车辆发动机转速。
[0017]
根据本技术的一个实施例，所述预设的动力学模型为：
[0018][0019]
其中，mi为车辆的质量，为车辆的加速度，f
e,i
为发动机牵引力，f
g,i
为坡度阻力，f
r,i
为滚动阻力，f
air,i
为车辆运行过程中的空气阻力。
[0020]
根据本技术的一个实施例，所述预设的队列系统约束
[0021][0022]
其中，es(t)为队列的车辆间距误差，e
v(i,0
)(t)为队列的车辆初始速度误差，为车辆的速度，为车辆的冲击度，ui(t)为车辆的控制量。
[0023]
根据本技术的一个实施例，所述预设的速度规划代价函数为：
[0024][0025]
其中，为状态点到下一个状态的代价函数，j(j,k+1)为下一个状态到最终状态的代价。
[0026]
根据本技术的一个实施例，所述车辆队列内部之间通过第一通信拓扑通信，所述车辆队列与云端通过第二通信拓扑通信，其中，
[0027]
所述第一通信拓扑为：
[0028]
qi＝{j|α
i,j
＝1,j∈n}；
[0029]
所述第二通信拓扑为：
[0030][0031]
其中，α
i,j
为相邻矩阵中的元素，n为自然数，e表示连接的各个云端节点的关系。
[0032]
根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法，通
过接收车辆队列的预测性巡航控制请求，并基于该请求获取车辆队列的实时位置和领航车状态信息，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并对其进行巡航控制。由此，通过云平台结合车辆的实时位置、状态信息等可以解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。
[0033]
为达到上述目的，本技术第二方面实施例提出一种基于云端的分层式车辆队列的预测性巡航控制装置，包括：
[0034]
接收模块，用于接收所述车辆队列的预测性巡航控制请求；
[0035]
获取模块，用于基于所述预测性巡航控制请求，获取所述车辆队列的实时位置和领航车状态信息；以及
[0036]
控制模块，用于根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，并发送所述最优参考速度曲线至车载平台，以通过车载平台将由所述最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至所述车辆队列，并通过所述最优行驶速度对所述车辆队列进行巡航控制。
[0037]
根据本技术的一个实施例，所述控制模块，具体用于：
[0038]
根据所述实时位置确定所述车辆队列运行前方的道路坡度信息；
[0039]
基于所述预设的动力学模型，根据所述车辆队列运行前方的道路坡度信息和所述领航车状态信息计算所述车辆队列中每个车辆受到的纵向力；
[0040]
将所述车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数，根据所述预设的油耗模型和所述车辆队列中每个车辆受到的纵向力确定所述车辆队列的最优参考速度曲线。
[0041]
根据本技术的一个实施例，所述预设的油耗模型为：
[0042][0043]
其中，ξ
i,j
为所述预设的油耗模型拟合的参数，t
tq
为车辆发动机扭矩，n为车辆发动机转速。
[0044]
根据本技术的一个实施例，所述预设的动力学模型为：
[0045][0046]
其中，mi为车辆的质量，为车辆的加速度，f
e,i
为发动机牵引力，f
g,i
为坡度阻力，f
r,i
为滚动阻力，f
air,i
为车辆运行过程中的空气阻力。
[0047]
根据本技术的一个实施例，所述预设的队列系统约束
[0048][0049]
其中，es(t)为队列的车辆间距误差，e
v(i,0)
(t)为队列的车辆初始速度误差，为车辆的速度，为车辆的冲击度，ui(t)为车辆的控制量。
[0050]
根据本技术的一个实施例，所述预设的速度规划代价函数为：
[0051][0052]
其中，为状态点到下一个状态的代价函数，j(j,k+1)为下一个状态到最终状态的代价。
[0053]
根据本技术的一个实施例，所述车辆队列内部之间通过第一通信拓扑通信，所述车辆队列与云端通过第二通信拓扑通信，其中，
[0054]
所述第一通信拓扑为：
[0055]
qi＝{j|α
i,j
＝1,j∈n}；
[0056]
所述第二通信拓扑为：
[0057][0058]
其中，α
i,j
为相邻矩阵中的元素，n为自然数，e为连接的各个云端节点。
[0059]
根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制装置，通过接收车辆队列的预测性巡航控制请求，并基于该请求获取车辆队列的实时位置和领航车状态信息，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并对其进行巡航控制。由此，通过云平台结合车辆的实时位置、状态信息等可以解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。
[0060]
为达到上述目的，本技术第三方面实施例提出一种服务器，包括：一个或多个处理器；存储装置，应用存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例所述的基于云端的分层式车辆队列的预测性巡航控制方法。
[0061]
为达到上述目的，本技术第四方面实施例提出一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的基于云端的分层式车辆队列的预测性巡航控制方法。
[0062]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0063]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0064]
图1为根据本技术实施例提供的一种基于云端的分层式车辆队列的预测性巡航控制方法的流程图；
[0065]
图2为根据本技术的一个实施例的完整的系统组成及工作原理示意图；
[0066]
图3为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的车-云分层架构示意图；
[0067]
图4为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的子模块油耗模型的示意图；
[0068]
图5为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的子模块车辆的动力学模型的示意图；
[0069]
图6为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的子模块云端的速度规划算法中状态划分模块的状态划分示意图；
[0070]
图7为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的子模块队列控制误差模型的示意图；
[0071]
图8为根据本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的控制流程图；
[0072]
图9为根据本技术实施例的基于云端的分层式车辆队列的预测性巡航控制装置的方框示意图；
[0073]
图10为根据本技术实施例的服务器的结构示意图。
具体实施方式
[0074]
下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0075]
下面参照附图描述根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法及装置，首先将参照附图描述根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法。
[0076]
图1是本技术一个实施例的基于云端的分层式车辆队列的预测性巡航控制方法的流程图。
[0077]
在介绍本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法之前，先简单介绍下该方法涉及的基于云端的分层式车辆队列的预测性巡航控制系统及其工作原理，如图2所示，该系统包括：云控平台1、车载平台2和车辆队列3。
[0078]
其中，云控平台1包括：油耗模型11、定位模块12、道路坡度信息模块13、车辆的动力学模型14和云端速度规划算法模块15。其中，车辆的油耗模型11为车辆队列中车辆的油耗模型；定位模块12用于解析车端上传的位置信息，在云端的支撑平台中的地图中定位出车辆所在的实时位置，进而获取道路坡度信息模块13的道路坡度信息；车辆的动力学模型14用于在获取车辆上传云端的状态信息后，求解出当前车辆所在高速公路路段所受的纵向
力，并将以上信息注入云端速度规划算法模块15中，实现对车辆队列行驶的最优速度的求解。
[0079]
此外，云端速度规划算法模块15还包括：状态划分模块151、速度规划代价函数模块152和速度求解模块153。其中，状态划分模块151用于对规划周期内速度求解的空间进行划分，速度区间为规划的上下界，规划的阶段为规划的步骤对状态空间进行划分；速度规划代价函数模块152用于设定速度规划模块的控制目标，以实现队列行驶的经济性、平顺性和高效性；速度求解模块153为索引速度规划代价函数模块152求解出的代价函数的值，求解出一条最优参考速度曲线。
[0080]
车载平台2包括：队列控制误差模型21和队列稳定控制器22。其中，队列控制误差模型21为车辆队列3中上传的车辆队列的状态信息，求解出的车辆队列的间距误差和速度误差；队列稳定控制器22用于在接收云端下发的速度指令后，求解出满足队列稳定控制的控制量。
[0081]
此外，队列稳定控制器22还包括：系统预测模型221、系统约束模型222和系统求解的代价函数模块223。其中，系统预测模型221用于描述系统在实际控制中的预测模型；系统约束模型222需要车辆的实际动力学约束，使得队列稳定控制器22的设计符合实际的车辆控制；代价函数模块223用于设定队列稳定控制器的控制目标为满足车辆运行的平稳性和控制的准确度。
[0082]
车辆队列3为实际的车辆队列，该队列具备和云端通信的能力和队列中车辆间通信(v2v)的能力。车载平台2和云控平台1之间的通信及信息处理的功能由t-box(telematics-box，车载智能远程信息处理终端)实现，并搭载gnss(global navigation satellite system，全球导航卫星系统)和rtk(real time kinematic，实时动态)的定位模块，能够获取车辆的实时位置，并上传云端完成车辆所在位置的确定。
[0083]
可以理解的是，本技术提供的基于云端的分层式车辆队列的预测性巡航控制系统，采用系统分层式架构设计，上层云端为车辆队列的速度规划算法的搭建，下层为车辆队列稳定控制器的搭建。其中，云端的车辆队列的速度规划算法为滚动距离域的动态规划算法，车辆队列稳定控制器为分布式模型预测控制器(distributed model predictive control，简称dmpc)。云端为车辆队列运行提供战略指导，实现车辆队列经济性驾驶的目标；车端为车辆队列运行提供战术性指导，实现车辆队列稳定控制的目标。
[0084]
进一步地，如图3所示，图3为本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的车-云分层架构示意图，其具体工作原理为：
[0085]
车辆队列向云端请求车辆队列的预测性巡航控制应用的服务，边缘云获取车辆队列的实时位置和领航车状态信息，通过定位模块获取车辆队列运行前方的静态交通信息(即道路坡度信息)，综合考虑车辆的能耗，经过云端速度规划算法求解后，将车辆队列行驶的最优行驶速度下发至队列的车端控制器中，车端控制器接受到云端的速度指令后，综合当前车辆的状态，输出车辆的最优控制量控制队列。在下一个规划周期时，云端重新接收车辆队列的请求服务指令，车辆重新将自身状态上传，重新进行车辆队列的预测性巡航控制的规划和控制，从而形成滚动的闭环控制。
[0086]
需要说明的是，车辆队列的预测性巡航控制为云控系统的实时应用，需要部署在边缘云的应用平台中，借助车-云网关，边缘云和车辆队列之间通过无线通信的方式实现信
息交换。上传的信息包括车辆队列的实时位置信息和领航车状态信息，下发的信息为云端规划的速度。云端的基础平台提供道路坡度信息，云端的应用平台部署车辆的油耗模型、车辆的动力学模型和云端速度规划算法模块；车端部署队列控制的误差模型和分布式模型预测控制器，通过车-云的协同控制实现队列预测性巡航控制。
[0087]
具体地，如图1所示，该基于云端的分层式车辆队列的预测性巡航控制方法包括以下步骤：
[0088]
在步骤s101中，接收车辆队列的预测性巡航控制请求。
[0089]
可以理解的是，车辆队列可以向云端请求队列的预测性巡航控制的相关服务，云端接收到车辆队列的预测性巡航控制请求后可以执行后续控制操作。
[0090]
在步骤s102中，基于预测性巡航控制请求，获取车辆队列的实时位置和领航车状态信息。
[0091]
具体而言，基于车辆队列发出的预测性巡航控制请求，边缘云可以获取车辆队列的实时位置和领航车状态信息，其中，领航车状态信息包括其位置、速度和加速度。
[0092]
在步骤s103中，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送最优参考速度曲线至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并通过最优行驶速度对车辆队列进行巡航控制。
[0093]
可以理解的是，本技术实施例可以基于预设的油耗模型(即图2中的油耗模型11)可以综合考虑车辆的能耗，并结合车辆队列的实时位置、领航车状态信息和预设的动力学模型(即图2中的车辆的动力学模型14)，经过云端的速度规划算法求解后，可以确定车辆队列的最优参考速度曲线，并将最优参考速度曲线下发至队列的车载平台(即车端控制器)，车载平台接收到云端的速度指令(即最优参考速度曲线)后，结合预设的队列系统约束(即图2中的队列稳定控制器22)和预设的队列控制误差模型(即图2中的队列控制误差模型21)，可以输出车辆的最优行驶速度(即最优控制量)，从而对车辆队列进行巡航控制。
[0094]
进一步地，在一些实施例中，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，包括：根据实时位置确定车辆队列运行前方的道路坡度信息；基于预设的动力学模型，根据车辆队列运行前方的道路坡度信息和领航车状态信息计算车辆队列中每个车辆受到的纵向力；将车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数，根据预设的油耗模型和车辆队列中每个车辆受到的纵向力确定车辆队列的最优参考速度曲线。
[0095]
具体而言，云端根据车辆队列的实时位置，通过地图定位模块确定车辆队列运行前方的静态道路信息，将静态道路信息中的道路坡度信息和领航车状态信息作为云端速度规划模块的输入，结合预设的动力学模型，计算得到车辆队列中每个车辆所受的纵向力；状态划分模块将车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数(即图2中的速度规划代价函数模块152)，根据预设的油耗模型和车辆队列中每个车辆受到的纵向力确定车辆队列的最优参考速度曲线。
[0096]
可以理解的是，最优行驶速度的规划算法还需要综合考虑预设的动力学模型、预设的油耗模型和预设的队列系统约束。云端速度规划算法模块通过预测性巡航算法解算出最优参考速度曲线后下发到车辆队列中的所有车辆，队列中车辆端接收到云端下发的最优
参考速度曲线后，领航车后续跟随车辆根据云端下发的最优参考速度曲线，对比车辆当前的速度，将速度误差作为队列稳定控制器的输入，接收前车的位置并对比车辆当前的位置和期望设置的车辆间距得出当前时刻车辆的间距误差，车端队列稳定控制器将前车加速度作为系统的干扰量，并综合自车的车辆状态信息(包括速度，位置，加速度)作为控制器的输入，计算出车辆队列中车辆的期望加速度，实现对云端速度跟踪和队列稳定性的保持，实现云支持的预测性巡航控制。
[0097]
进一步地，在一些实施例中，预设的油耗模型为：
[0098][0099]
其中，ξ
i,j
为预设的油耗模型拟合的参数，t
tq
为车辆发动机扭矩，n为车辆发动机转速。
[0100]
进一步地，在一些实施例中，预设的动力学模型为：
[0101][0102]
其中，mi为车辆的质量，为车辆的加速度，f
e,i
为发动机牵引力，f
g,i
为坡度阻力，f
r,i
为滚动阻力，f
air,i
为车辆运行过程中的空气阻力。
[0103]
进一步地，在一些实施例中，预设的队列系统约束
[0104][0105]
其中，es(t)为队列的车辆间距误差，e
v(i,0)
(t)为队列的车辆初始速度误差，为车辆的速度，为车辆的冲击度，ui(t)为车辆的控制量。
[0106]
进一步地，在一些实施例中，预设的速度规划代价函数为：
[0107][0108]
其中，为状态点到下一个状态的代价函数，j(j,k+1)为下一个状态到最终状态的代价。
[0109]
进一步地，在一些实施例中，车辆队列内部之间通过第一通信拓扑通信，车辆队列与云端通过第二通信拓扑通信，其中，
[0110]
第一通信拓扑为：
[0111]
qi＝{j|α
i,j
＝1,j∈n}；
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0112]
第二通信拓扑为：
[0113][0114]
其中，α
i,j
为相邻矩阵中的元素，n为自然数，e为连接的各个云端节点。
[0115]
为便于本领域技术人员进一步了解本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法，下面具体实施方式做进一步的说明。
[0116]
首先，需要确定车控平台和车载平台间的车-云通信和队列内部的通信，结合云平台后，队列的通信拓扑结构需要考虑到车辆队列和云端通信的实际需求和应用，在传统的车辆队列的基础上，添加云端节点，改变传统的通信拓扑结构，云支持的车辆队列预测性巡航控制的通信拓扑可以通过有向图c＝{v,e}的方式进行建模，其中，v＝{0,1,2,...,n}，e为连接的各个节点，本技术实施例将云端定义为0节点。
[0117]
相邻矩阵a用于描述车辆队列中车辆之间的信息流，其中，α
i,j
为a中的元素，{j,i}∈e表示车辆i(i≥0)能够获取车辆j的状态信息；反之，车辆i无法获取车辆j的状态信息。
[0118][0119]
车辆i能够获取车辆队列其余车辆状态为式(5)所示，矩阵p用于表述云端通信和车辆队列中车辆的连接情况，相比较于传统的车辆队列的通信，强调了云端在车辆队列中的通信节点作用，云端和车辆队列矩阵定义为：
[0120]
p＝diag{p1,p2,...,pn}；
ꢀꢀꢀꢀꢀꢀ
(8)
[0121]
云端与车辆队列的车辆i的可通信设置可以表征为式(6)，if{1,i}∈e时，表明车辆与云端互相通信；反之，则无通信。
[0122]
整个云支持的车辆队列的通信拓扑可以表示为如下公式：
[0123]
θi＝qi∪pi；
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0124]
进一步地，云控平台包括云控基础平台和云控应用平台，云控基础平台提供基础的硬件和软件平台，感知融合决策的标准件，能够为云控应用平台提供基础的软硬件和信息支撑。
[0125]
油耗模型为根据某型号商用车的通用特性数据，建立的发动机的油耗模型，根据线性插值和多项式拟合的方式，拟合出高保真度的多项式发动机油耗模型如图4所示。多项式油耗模型将油耗模型拟合成关于车辆转速和发动机扭矩的二次多项式函数如式(1)所示。
[0126]
其中，拟合函数ξ
i,j
后续可以根据不同型号车辆的发动机油耗模型数据的不同，更新修改多项式油耗模型，并将其更新部署在云控应用平台中。
[0127]
云端定位模块和道路坡度信息模块为在获取车辆队列的领航车位置信息后，定位出车辆所处的位置，云端的数据支撑平台中提供车辆所处位置的前方道路坡度信息，输送到云控应用平台中的云端速度规划算法模块中作为预测性巡航算法的静态交通信息。
[0128]
车辆的动力学模型可用于根据车辆的发动机模型的特点，综合分析车辆的纵向受力情况，考虑车辆动力，车辆运行的空气阻力(即风阻)、滚动阻力和坡道阻力。由于商用车的质量和动力性的问题，还需要关注道路坡度对纵向动力学的影响，从而在优化过程中考虑对速度优化的问题。
[0129]
车辆的动力学模型分析如图5所示，对车辆的纵向进行受力分析，车辆i的动力学模型如式(2)所示。
[0130]
其中，车辆i行驶在倾斜角为θ的道路上时，车辆i的坡度阻力为：
[0131]fg,i
＝migsin(θ)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0132]
其中，mi为第i辆车的质量，g为重力加速度。
[0133]
滚动阻力，如下面式子所示：
[0134]fr,i
＝crmigcos(θ)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0135]
其中，cr为滚动阻力系数。
[0136]
车辆i运行过程中空气阻力为：
[0137][0138]
其中，ρa为空气密度，cd为空气阻力系数，af为车辆的正面迎风面积，v
wind
为风速，v
x
为车辆的纵向速度。
[0139]
此时，车辆i的驱动力可以表示为：
[0140][0141]
产生期望加速度所需要的轮胎转矩为：
[0142][0143]
综合式(1)、(2)、(5)～(14)，可以得到车辆净扭矩te与期望加速度之间的关系为：
[0144][0145]
其中，ie为发动机的转动惯量，iw为轮胎转动惯量，r
p
为变速齿轮比，i
t
为涡轮转动惯量，r
eff
为轮胎有效半径。
[0146]
以上为建立车辆的动力学模型的过程，该动力学模型获取车辆队列的状态反馈后，可以在云端解算出车辆所受纵向力的情况，进而考虑道路坡度，即坡度阻力对于车辆运行的影响。
[0147]
进一步地，云端的速度规划算法模块用于基于油耗模型、道路坡度信息和车辆的动力学模型综合求解车辆运行的经济车速，该算法模块为滚动距离域下的动态规划算法，该模块可以解决云支持的队列预测性巡航控制系统的队列经济性行驶的问题。
[0148]
状态划分模块将车辆队列的领航车在规划周期内进行状态划分，如图6所示，将获取的x km的道路坡度信息进行划分，其中将规划周期划分为n
p
个阶段，完成周期内的速度规划。完成动态规划算法在规划周期内的状态点的划分，优化过程为将规划周期的预测区域为根据相同的间距将预测区域进行划分，划分为n
p
个阶段。将一次优化求解问题分解为若干的子问题进行求解，在空间上将速度优化问题分为各阶段进行求解，每一个规划点的间隔为
△srdp
，在每一个规划点，以算法规划的最大速度和最小速度为区间，设定速度的间隔为根据速度区间将一次规划的动态规划进行状态划分，以速度区间为规划的上下界，规划的阶段为规划的步骤对状态空间进行划分，对规划的全程路径进行划分，设计规划算法为滚动距离域的动态规划算法，每次只执行规划的第一步，而重新开始规划下一阶段的速度，如图6所示的stage1、stage2
…
stagen阶段。以上完成动态规划算法在规划周期内领航车的状态空间划分。
[0149]
速度规划代价函数模块设定两个状态点之间的转化代价，如公式(16)所示表示位置点p
(j,h)
到位置点p
(j,h+1)
状态点之间车辆速度状态的转化公式为：
[0150][0151]
其中，δs为两个状态点的间隔，表示在p
(j,h)
的速度。表示在p
(j,h+1)
的速度，从而确定状态转移的函数。
[0152]
根据动态规划划分的状态空间，设置速度规划的代价函数如式(4)所示。这样能够确保状态点到最终状态也是最优的，即可以保证状态转移的全局最优性。
[0153]
状态点到下一个状态点的代价函数为β，其中，成本函数如下面式子所示：
[0154][0155]
其中，w
cost_fuel
为运行的油耗优化项的惩罚因子，该项确保车辆行驶过程中的燃油经济性，w
cost_ref
为计划速度和参考速度的偏差的优化项的惩罚因子，限制规划速度不会过度的偏离设置的参考速度，w
cost_
△v为状态间的速度变化的惩罚因子，用于避免较大的速度波动的情况，w
cost_
△a为加速度变化的惩罚因子，用于避免过大的加速度波动。
[0156]
速度求解模块在为求解状态转移代价基础上，对最后一个状态的代价函数的值进行索引，判断是否为最小的全局代价，求解出一条最小的速度序列(即最优参考速度曲线)，并将该速度曲线下发至车载平台中。
[0157]
车载平台接收云控平台下发的最优参考速度曲线，对速度指令进行解析，并结合队列控制误差模型，实现车辆队列的稳定控制。根据云控平台下发的车速，求解队列中车辆的速度误差和间距误差。队列车辆位置关系，即队列中车辆i-1和车辆i的相互关系如图7所示，其中和分别表示在规划周期内的j阶段车辆i-1和车辆i的位置，和分别表示的在规划周期内的j阶段车辆i-1和车辆i的速度，表示当前阶段车辆的期望间距，而则表示车辆间实际的位置关系。
[0158]
队列的期望间距采用固定车间时距策略(constant time headway，简称cth)，该策略为现有队列研究中较为常用的间距策略，能够提高队列行驶的稳定性，根据间距策略，期望的队列的间距策略为：
[0159][0160]
其中，h表示为时间间隔系数，r表示为车辆的静止距离，因为队列是同质化的队列，所以该参数适用于队列中的所有车辆。
[0161]
实际的车辆间距为：
[0162][0163]
此时，队列中间距误差可以表示为：
[0164][0165]
在本技术实施例中，队列中车辆之间的间距误差趋向于0。队列系统在设计时，将车辆的静止距离r设置为0m，设置队列在j阶段时速度误差即，云端下发的速度和队列车辆i的实际速度偏差为：
[0166][0167]
其中，为滚动距离域的动态规划出的j时刻队列速度。
[0168]
进一步地，建立考虑驱动时滞的车辆的动力学模型。根据现实的情况，在车辆动力学中需要考虑驱动的时滞，而不是假设加速过程的瞬时实现，因为车辆系统需要一定的时间才能达到所要求的加速度。
[0169][0170]
其中，ai(t)为车辆的加速度，ui(t)为车辆控制输入，为车辆的期望加速度；为车辆的驱动时滞。
[0171]
此时，定义系统的状态为：
[0172][0173][0174]
其中，x(t)∈rn表示系统的状态，u(t)∈rn表示控制输入，a
i-1
(t)∈rn表示干扰输入。
[0175]
进一步地，建立车辆的动力学模型离散化预测模型的状态空间。虽然车辆动力学是连续的状态，但是在求解的过程中需要进行离散化，通过假定控制输入为零阶保持器，可以得到状态空间的离散版本。
[0176]
x
i,k+1
＝a
′ix
i,k
+b
′iu
i,k
+d
′
iai-1,k
；
ꢀꢀꢀꢀꢀ
(25)
[0177]
[0178][0179][0180]
基于系统的当前状态和预测未来状态的系统动力学模型，在预测范围k
p
的每一个时间步k处求解最优控制问题。控制器只实现第一个控制输入(即时间步k的最优解)，并从下一个时间步k+1开始重新计算在预测范围内的最优控制。这里的最优控制序列(即控制器规定的加速度)、最优控制的预测未来状态以及具有未建模和未知干扰的实际实现状态为：
[0181]
表示从时间k到预测范围k
p
车辆的最优控制序列；
[0182]
表示从时间k到预测范围k
p
车辆的期望的状态；
[0183]
表示从时间k到预测范围k
p
车辆的实际的状态，其中，为车辆控制的初始状态。
[0184]
设置n为模型预测控制的预测时域，可推导出预测模型为：
[0185][0186]
其中，x(k+j|k)为系统在k+j时刻的系统状态预测，由于系统在k时刻的输入u(k)是未知量，需要使用模型预测控制的方式求解u(k)。控制通过增量控制δu实现，即可以转换k时刻对k+j时刻的预测控制输入为k+j-1时刻的控制量加上k+j时刻的预测控制输入增量之和，即为：
[0187]
u(k+j|k)＝u(k+j-1|k)+
△
u(k+j|k)；
ꢀꢀꢀꢀꢀ
(30)
[0188]
在k时刻u(k-1|k)是已知的，故可以通过递推的方式求得：
[0189][0190]
其中，nc为控制时域，控制时域与预测时域的关系满足nc≤n，因此可以改写模型预测量。
[0191]
出于对算法计算量的考虑，模型预测的控制时域是小于预测时域的，因此需要将模型预测分为两段，当1≤j≤nc时，预测模型为：
[0192][0193]
当nc≤j≤n时，预测模型为：
[0194][0195]
通过以上的式子，可以得到模型预测控制的状态转移方程：
[0196]
x(k)＝ex(k)+φ
△
u(k)+γu(k-1)+hw(k)；
ꢀꢀꢀꢀꢀꢀꢀ
(34)
[0197]
x(k)＝[x(k+1|k) x(k+2|k)
ꢀ…ꢀ
x(k+nc|k) x(k+nc+1|k)
ꢀ…ꢀ
x(k+n|k)]
t
ꢀꢀꢀ
(34-a)
[0198]
△
u＝[
△
u(k|k)
ꢀ…ꢀ△
u(k+n
c-1|k)]
t
；
ꢀꢀꢀꢀꢀꢀ
(34-b)
[0199][0200][0201][0202][0203]
上述内容完成了整个系统在预测模型时的状态描述，下面将根据上述推导的预测模型的状态方程确定本技术实施例的预测模型。
[0204]
系统约束模型为设置队列稳定控制的最优化控制问题的约束条件，设置队列稳定控制器在设计过程中需要满足的约束条件，包括了安全性约束、队列的稳定性要求、速度区间约束、行驶的平顺性约束和车辆的执行器约束，如式(3)所示的队列系统约束。
[0205]
队列稳定控制器的代价函数模块为队列稳定控制的最优化控制问题的目标函数，队列稳定最优化控制问题构建在无碰撞约束和车辆加速度约束条件下，综合考虑车辆队列中车辆对于车辆跟踪控制精度和驾驶舒适性，建立最优控制的问题，根据最优控制的目标，设定的代价函数为：
[0206][0207]
其中，k
p
为预测范围，为达到平衡状态前系统各阶段的代价，
为末端状态到期望点的终端代价，为初始条件约束，等于在时间k时的被测状态，为阶段状态的状态代价，如调节每个时间点偏离期望输出或加速度约束的最大偏差代价，u
i,t+k
为加速度约束来保证控制量在ui(i)＝[u
i,mun
,u
i,max
]的合理范围内，其中u
i,min
和u
i,max
分别代表加速度的上下限，为终端状态约束，用于调整终端状态趋向于期望的终端状态。
[0208]
对于最优控制的推导，可以指定阶段成本和终端成本，从而推导出局部稳定和全局的弦稳定性，其中，阶段成本函数为：
[0209][0210]
其中，qi为期望输出的正定状态矩阵，ri为考虑舒适性的权重，恒大于0。
[0211][0212]
终端状态代价为：其中，p
d,i
作为离散代数回归方程的解来保证局部的稳定性，此时p
d,i
的表达式为：
[0213][0214]
根据队列稳定控制器的最优化控制的目标函数和约束条件，将最优化控制问题转化为二次规划的问题进行求解。
[0215]
车辆队列通过接收车载平台的控制指令，实现队列的经济性和稳定性控制，在规划周期开始时，将自身的状态重新反馈到云控平台中，重新进行队列速度规划，此外，车辆队列中还包括了车辆的具体执行器系统。
[0216]
综上，本技术的一个实施例的基于云端的分层式车辆队列的预测性巡航控制系统的控制流程图，如图8所示，包括以下步骤：
[0217]
步骤s801，判断是否成立。若成立，执行步骤s802，反之，执行步骤s815。
[0218]
步骤s802，云端获取车辆定位。
[0219]
步骤s803，获取车辆队列前方xkm坡度信息。
[0220]
步骤s804，判断x＜s是否成立。若成立，执行步骤s805，反之，结束流程。
[0221]
步骤s805，将车辆队列的领航车在规划周期内进行状态划分。
[0222]
步骤s806，生成dp状态空间。
[0223]
步骤s807，状态转移代价函数求解。
[0224]
步骤s808，dp最优速度序列求解。
[0225]
步骤s809，生成最优参考速度曲线。
[0226]
步骤s810，车端控制器队列稳定性误差判断。
[0227]
步骤s811，进行模型预测。
[0228]
步骤s812，生成车辆最优控制序列(即最优行驶速度)。
[0229]
步骤s813，发送至车辆底层控制。
[0230]
步骤s814，进行下一个滚动规划周期(返回步骤s801)。
[0231]
步骤s815，判断是否成立。若成立，执行步骤s816，反之，执行步骤s817。
[0232]
步骤s816，
[0233]
步骤s817，
[0234]
本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法，(1)结合云端可利用道路交通的实时与历史数据，不仅能够实现广域、长时感知，还可以进行快速的实时规划决策计算，同时可以大大缓解车端的计算压力，有着节能和提升队列系统安全稳定边界的巨大潜力；(2)车-云通信方式和具体实现算法，相比较于传统的队列预测性巡航控制，减少相关结合云端的车-云架构设计和车-云通信结构设计，同时利用云端的长时域的静态交通流信息，使得规划更为具有前瞻性，设计滚动距离域下的规划控制算法，能够抵消未来队列运行的不确定性；(3)车-云分层控制，云端部署速度规划算法，通过考虑道路坡度的滚动距离域下的动态规划算法求解出队列行驶的经济车速，在云端下发最优参考速度曲线后，车端部署队列稳定控制算法，实现车辆队列的稳定控制，从而实现云支持的车辆队列预测性巡航控制系统设计。
[0235]
根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制方法，通过接收车辆队列的预测性巡航控制请求，并基于该请求获取车辆队列的实时位置和领航车状态信息，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并对其进行巡航控制。由此，通过云平台结合车辆的实时位置、状态信息等可以解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。
[0236]
其次参照附图描述根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制装置。
[0237]
图9是本技术一个实施例的基于云端的分层式车辆队列的预测性巡航控制装置的方框示意图。
[0238]
如图9所示，该基于云端的分层式车辆队列的预测性巡航控制装置10包括：接收模块100、获取模块200和控制模块300。
[0239]
其中，接收模块100，用于接收车辆队列的预测性巡航控制请求；
[0240]
获取模块200，用于基于预测性巡航控制请求，获取车辆队列的实时位置和领航车状态信息；以及
[0241]
控制模块300，用于根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送最优参考速度曲线至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并通过最优行驶速度对车辆队列进行巡航控制。
[0242]
进一步地，在一些实施例中，控制模块300，具体用于：
[0243]
根据实时位置确定车辆队列运行前方的道路坡度信息；
[0244]
基于预设的动力学模型，根据车辆队列运行前方的道路坡度信息和领航车状态信息计算车辆队列中每个车辆受到的纵向力；
[0245]
将车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数，根据预设的油耗模型和车辆队列中每个车辆受到的纵向力确定车辆队列的最优参考速度曲线。
[0246]
进一步地，在一些实施例中，预设的油耗模型为：
[0247][0248]
其中，ξ
i,j
为预设的油耗模型拟合的参数，t
tq
为车辆发动机扭矩，n为车辆发动机转速。
[0249]
进一步地，在一些实施例中，预设的动力学模型为：
[0250][0251]
其中，mi为车辆的质量，为车辆的加速度，f
e,i
为发动机牵引力，f
g,i
为坡度阻力，f
r,i
为滚动阻力，f
air,i
为车辆运行过程中的空气阻力。
[0252]
进一步地，在一些实施例中，预设的队列系统约束
[0253][0254]
其中，es(t)为队列的车辆间距误差，e
v(i,0)
(t)为队列的车辆初始速度误差，为车辆的速度，为车辆的冲击度，ui(t)为车辆的控制量。
[0255]
进一步地，在一些实施例中，预设的速度规划代价函数为：
[0256][0257]
其中，为状态点到下一个状态的代价函数，j(j,k+1)为下一个状态到最终状态的代价。
[0258]
进一步地，在一些实施例中，车辆队列内部之间通过第一通信拓扑通信，车辆队列与云端通过第二通信拓扑通信，其中，
[0259]
第一通信拓扑为：
[0260]
qi＝{j|α
i,j
＝1,j∈n}；
[0261]
第二通信拓扑为：
[0262][0263]
其中，α
i,j
为相邻矩阵中的元素，n为自然数，e为连接的各个云端节点。
[0264]
需要说明的是，前述对基于云端的分层式车辆队列的预测性巡航控制方法实施例
的解释说明也适用于该实施例的基于云端的分层式车辆队列的预测性巡航控制装置，此处不再赘述。
[0265]
根据本技术实施例提出的基于云端的分层式车辆队列的预测性巡航控制装置，通过接收车辆队列的预测性巡航控制请求，并基于该请求获取车辆队列的实时位置和领航车状态信息，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，并对其进行巡航控制。由此，通过云平台结合车辆的实时位置、状态信息等可以解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。
[0266]
图10为本技术实施例提供的服务器的结构示意图。该服务器可以包括：
[0267]
处理器1001、存储装置1002和通信装置1003；服务器中处理器1001的数量可以是一个或多个，图10中以一个处理器1001为例；服务器中的处理器1001、存储装置1002和通信装置1003可以通过总线或其他方式连接，图10中以通过总线连接方式为例。
[0268]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于云端的分层式车辆队列的预测性巡航控制方法。
[0269]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0270]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0271]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于云端的分层式车辆队列的预测性巡航控制方法，其特征在于，包括以下步骤：接收所述车辆队列的预测性巡航控制请求；基于所述预测性巡航控制请求，获取所述车辆队列的实时位置和领航车状态信息；以及根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，并发送所述最优参考速度曲线至车载平台，以通过车载平台将由所述最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至所述车辆队列，并通过所述最优行驶速度对所述车辆队列进行巡航控制。2.根据权利要求1所述的方法，其特征在于，所述根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，包括：根据所述实时位置确定所述车辆队列运行前方的道路坡度信息；基于所述预设的动力学模型，根据所述车辆队列运行前方的道路坡度信息和所述领航车状态信息计算所述车辆队列中每个车辆受到的纵向力；将所述车辆队列的领航车在规划周期内进行状态划分，并基于划分结果和预设的速度规划代价函数，根据所述预设的油耗模型和所述车辆队列中每个车辆受到的纵向力确定所述车辆队列的最优参考速度曲线。3.根据权利要求1或2所述的方法，其特征在于，所述预设的油耗模型为：其中，ξ
i,j
为预设的油耗模型拟合的参数，t
tq
为车辆发动机扭矩，n为车辆发动机转速。4.根据权利要求2所述的方法，其特征在于，所述预设的动力学模型为：其中，m
i
为车辆的质量，为车辆的加速度，f
e,i
为发动机牵引力，f
g,i
为坡度阻力，f
r,i
为滚动阻力，f
air,i
为车辆运行过程中的空气阻力。5.根据权利要求2所述的方法，其特征在于，所述预设的队列系统约束其中，e
s
(t)为队列的车辆间距误差，e
v(i,0
)(t)为队列的车辆初始速度误差，为车辆的速度，为车辆的冲击度，u
i
(t)为车辆的控制量。6.根据权利要求2所述的方法，其特征在于，所述预设的速度规划代价函数为：
其中，为状态点到下一个状态的代价函数，j(j,k+1)为下一个状态到最终状态的代价。7.根据权利要求1所述的方法，其特征在于，所述车辆队列内部之间通过第一通信拓扑通信，所述车辆队列与云端通过第二通信拓扑通信，其中，所述第一通信拓扑为：q
i
＝{j|α
i,j
＝1,j∈n}；所述第二通信拓扑为：其中，α
i,j
为相邻矩阵中的元素，n为自然数，e为图论中表示连接关系的矩阵。8.一种基于云端的分层式车辆队列的预测性巡航控制装置，其特征在于，包括：接收模块，用于接收所述车辆队列的预测性巡航控制请求；获取模块，用于基于所述预测性巡航控制请求，获取所述车辆队列的实时位置和领航车状态信息；以及控制模块，用于根据所述实时位置、所述领航车状态信息、预设的油耗模型和预设的动力学模型确定所述车辆队列的最优参考速度曲线，并发送所述最优参考速度曲线至车载平台，以通过车载平台将由所述最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至所述车辆队列，并通过所述最优行驶速度对所述车辆队列进行巡航控制。9.一种服务器，其特征在于，包括：一个或多个处理器；存储装置，应用存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的基于云端的分层式车辆队列的预测性巡航控制方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的基于云端的分层式车辆队列的预测性巡航控制方法。

技术总结
本申请涉及一种基于云端的分层式车辆队列的预测性巡航控制方法及装置。包括：接收车辆队列的预测性巡航控制请求，并基于该请求获取车辆队列的实时位置和领航车状态信息，根据实时位置、领航车状态信息、预设的油耗模型和预设的动力学模型确定车辆队列的最优参考速度曲线，并发送至车载平台，以通过车载平台将由最优参考曲线、预设的队列系统约束和预设的队列控制误差模型得到的最优行驶速度发送至车辆队列，对车辆队列进行巡航控制。由此，通过云平台结合车辆的实时位置、状态信息等，解决现有队列预测性巡航存在的预测范围有限，信息获取能力不足以及队列预测性速度规划等问题，实现更加超前地、智能地规划车辆队列的行驶车速。速。速。


技术研发人员：高博麟 王宙 梅润 崔艳 刘彦斌
受保护的技术使用者：清华大学
技术研发日：2023.07.21
技术公布日：2023/9/19