CACC协同式自适应巡航模型
项目简介
本项目提供了一个CACC（协同式自适应巡航）模型的资源文件，该模型使用了Carsim2016和Matlab2018b以上版本的仿真软件进行开发。在这个项目中，我们建立了四辆车在Carsim和Simulink中进行协同式自适应巡航的仿真环境。通过考虑领航车速对车辆间距策略的影响，我们采用了分层式控制方法来实现车辆的协同控制。
模型描述
分层式控制器
分层式控制器主要包括下层控制和上层控制：
- 下层控制：使用了车辆逆纵向动力学模型，包括逆发动机模型，用于实现车辆的纵向动力学控制。
- 上层控制：采用了模糊MPC（模型预测控制）算法，用于调节车辆的相对距离、相对速度和加速度等参数。模糊逻辑被用于在线调整MPC的权重系数，而Stateflow则用于进行模式切换。
控制策略
通过这些控制策略，我们实现了以下工况：
- 定速巡航：车辆在设定的速度下保持巡航状态。
- 车队跟随：车辆在车队中跟随前车，保持安全距离并自动调整速度。
技术背景
自适应巡航（ACC）
自适应巡航（Adaptive Cruise Control，ACC）是一种汽车驾驶辅助系统，通过使用车辆间的传感器和控制系统来维持与前车的安全距离，并自动调整车辆的速度以保持安全。ACC系统可以根据前车的速度和距离来自动加速和减速，提高驾驶的舒适性和安全性。
协同式自适应巡航（CACC）
协同式自适应巡航（Cooperative Adaptive Cruise Control，CACC）是ACC的扩展，它不仅依赖于车辆自身的传感器，还通过车与车之间的通信（V2V）来实现更精确的控制。CACC系统可以实现更紧密的车队跟随，减少车距，提高道路通行效率。
自动驾驶纵向控制
自动驾驶纵向控制主要涉及车辆的加速、减速和保持速度等操作。通过精确的控制算法，自动驾驶系统可以实现平稳的驾驶体验，并确保车辆在各种工况下的安全性。
模型预测控制（MPC）
模型预测控制（Model Predictive Control，MPC）是一种先进的控制算法，它通过预测系统的未来行为来优化当前的控制输入。MPC广泛应用于自动驾驶、工业控制等领域，能够处理多变量、非线性和时变系统。
模糊推理方法
模糊推理方法是一种基于模糊逻辑的推理技术，它能够处理不确定性和模糊性问题。在自动驾驶中，模糊推理方法常用于在线调整控制参数，以适应不同的驾驶环境和工况。
使用说明
- 软件要求：本项目需要使用Carsim2016和Matlab2018b以上版本进行仿真。
- 模型导入：将提供的资源文件导入到Matlab/Simulink中，并配置Carsim仿真环境。
- 仿真运行：根据需要调整仿真参数，运行仿真以观察CACC模型的表现。
贡献与反馈
欢迎对本项目进行改进和优化，如果您有任何建议或问题，请通过GitHub的Issue功能进行反馈。
许可证
本项目采用MIT许可证，详情请参阅LICENSE文件。