融合驾驶模式信息的汽车预测巡航参数自整定控制系统
技术领域
本发明属于智能网联汽车节能控制领域。
背景技术
巡航控制系统能够代替驾驶员完成纵向的跟车行驶，已被广泛应用于汽车辅助驾驶 系统中。现阶段，随着移动互联、大数据等技术的发展，使得智能网联汽车实时获取周围的 交通信息成为可能，利用这些信息，在先进控制方法的赋能下来优化巡航跟车策略，可以进 一步提高汽车的燃油经济性、舒适性及安全性。
专利CN105857309A公开了一种考虑多目标的车辆自适应巡航控制(AdaptiveCruise Control,ACC)方法。该方法采用分层控制策略，通过上层控制得到期望的纵向加速度，然后 由下层控制实现对期望纵向加速度的跟踪，以满足安全性、跟车性、舒适性和燃油经济性等 行驶目标。但是该发明未考虑多优化目标权重的实时在线调整，各项优化目标仍有进一步改 善的可能。
专利CN107117170A公开了一种基于经济性驾驶的实时预测巡航控制系统(Predictive Cruise Control，PCC)。该控制系统基于前车与自车的行驶状态信息和交通速 度限制信息，通过求解有约束多目标优化问题获得最优控制输入，达到减少燃油消耗、提高 舒适性等目标。但是，该发明并未涉及多优化目标权重的整定，燃油经济性仍有进一步挖掘 的空间。
专利CN406154836A公开了一种在线动态粒子群PID参数自整定优化方法。该自整定 方法具有较强的自适应调节功能和较强的稳定性，可以有效改善现有PID整定技术的缺陷。 但是，该方法未涉及车辆智能化控制，未应用于车辆的巡航控制系统中。
专利CN111505936A公开了一种基于高斯过程PID控制参数的自动安全整定方法。该 方法可以人工设定目标函数，使得最后标定出的PID参数可以满足最初设定的理想需求。但 是，该方法未涉及多目标优化中权重参数的自整定问题，且该方法未应用于车辆的巡航控制 系统中。
在巡航跟车驾驶场景中，通常希望PCC系统在保证安全性的前提下，以本车的燃油经济性为主要优化目标，并在此基础附加驾驶舒适性、跟踪能力等次要指标来建立多目标优 化函数。通常通过大量试错人为选择一组固定的权重参数来平衡这些控制目标，以期望最大 化自车的节能空间，但目前在PCC系统中仍然面临一些挑战：首先，单组固定权重参数在前 车处于某些特定驾驶模式时很有可能产生负面的控制策略，导致本车燃油经济性的降低，因 此根据前车不同的驾驶模式多目标优化函数中的权重参数通常需要及时调整以达到最优控制 策略和节能效果，而如何在跟车行驶过程中基于丰富的多维度网联信息在线辨识前车的驾驶 模式是目前一个亟待解决的问题；其次，根据前车驾驶模式的辨识结果人为调整多目标函数 中的权重参数通常需要大量试错，且最后选择的各项权重值往往不是最优值，如何快速准确 地整定出针对前车不同驾驶模式下的最优权重参数，使得系统控制策略能进一步提高自车的 节能效果，是另一个亟待解决的问题。
发明内容
本发明的目的是通过数据挖掘的手段对车辆驾驶模式进行辨识，进而应用贝叶斯优 化方法优化整定不同驾驶模式下的巡航控制多目标权重，进一步提升车辆燃油经济性的同时 大幅降低了多目标优化控制权重整定工作量的融合驾驶模式信息的汽车预测巡航参数自整定 控制系统。
本发明步骤是：
S1、信息采集；
S2、前车驾驶模式聚类与辨识；
S3、预测巡航控制器设计：
3.1)建立面向巡航控制的车辆动力学模型，本车与前车的车辆动力学模型：
d(k+1)＝d(k)+(vl(k)-ve(k))·Ts
ve(k+1)＝ve(k)+u(k)·Ts (1)
Ts表示采样时间，k表示时刻，d(k+1)表示k+1时刻的本车与前车的纵向距离，d(k)表示k时 刻的本车与前车的纵向距离，vl(k)表示k时刻的前车纵向车速，ve(k)表示k时刻的本车纵向 车速，ve(k+1)表示k+1时刻的本车纵向车速，u(k)表示k时刻的本车纵向加速度；
3.2)建立本车的能耗模型，采用多项式拟合的方法建立发动机油耗近似模型：
mf表示发动机的瞬时燃油消耗率，Te表示发动机扭矩，ωe表示发动机转速，p1～9表示拟合参 数；此外，Te和ωe可以通过加速度和车速计算得到：
M表示本车质量，r表示本车轮胎半径，η表示变速箱效率，Ig表示变速箱传动比，Ifinal表 示最终传动比；
3.3)建立多目标优化问题描述，在k时刻时，多目标优化问题描述：
p表示预测时域，λ1、λ2和λ3表示多目标优化函数中的权重参数，其中λ1对应的优化目标表 示安全性和跟踪能力，dref表示参考车距，与前车车速有关；λ2对应的优化目标表示自车的 燃油消耗，此处为了降低计算负担没有将完整的油耗模型加入目标函数中，仅将油耗模型的 其中一部分作为优化目标；λ3对应的优化目标表示驾驶舒适性，Δu表示本车加速度增量；umin和umax表示本车加速度的最小值和最大值，Δumin和Δumax表示本车加速度增量的最小值和最大 值，dmin和dmax表示两车纵向距离的最小值和最大值，vmin和vmax表示本车车速的最小值和最 大值；
S4、基于贝叶斯优化方法的参数整定设计
4.1)从由步骤S1和步骤S2处理后的历史行驶数据中选取前车某类驾驶模式下的一段行驶轨 迹数据作为仿真测试数据，在其中选取一段前车处于加速行驶模式的行驶轨迹数据具体说明 后续的步骤；
4.2)随机选择一组权重参数λ＝[λ1 λ2 λ3]用于设定多目标优化函数，采用步骤S3中的预 测巡航控制器执行控制仿真，得到本车在前车该段行驶轨迹下的跟车行驶策略，以Ve表示本 车在该跟车行驶策略下的车速变化序列，U表示本车在该跟车行驶策略下的加速度变化序列； 通过公式(2)和(3)可计算得到本车在这段路程中的总油耗Mfuel
Mfuel＝∑mf(U,Ve)·Ts (5)
用负油耗Y代表Mfuel的负数，将当前选择的权重参数λ和负油耗Y构成输入输出对样本 {λ,Y}；
4.3)重复步骤4.2，可以得到多组样本点将其作为训练样本集，通过高斯过程方 法建立λi和Yi之间的非参数化模型F，即Yi＝F(λi)，则最优权重参数的整定问题
其中λmin表示权重的最小值，λmax表示权重的最大值；高斯过程模型假定已有样本点中的 服从多维高斯分布，且其中任意两个Y′和Y″之间的相关程度可由对应的λ′和λ″通过协 方差函数计算得到；协方差函数，亦被称为核函数，有多种选择，此处选择高斯核函数
||·||2表示欧氏距离，σl表示特征长度尺寸，为一个超参数；通过共轭梯度方法求出使得当前样 本集的极大似然函数取得最大值的σl后，即可建立当前样本集上的非参数化模型F； 通过高斯过程方法建立的模型F的输出是一个高斯分布，以Yi表示输出的高斯分布的均值， σ(λi)表示输出的高斯分布的方差；当给定一个测试输入λtest时，F(λtest)的均值Ytest和方差 σ(λtest)
其中表示高斯噪声，In表示大小为n的单位矩阵，Ytrain＝[Y1 Y2 … Yn]T，T表示转置， k*和K由以下公式表示：
4.4)使用期望增益采集函数选择下一组λnew使得Ynew＝F(λnew)取得新的最大值；采集函数 通常假设当采集函数取得最大值时，目标模型同样能取得最大值；期望增益采集函数
F(λ+)表示从当前模型F中取得的已知的最大值，Φ(·)表示标准高斯分布的累积分布函数， φ(·)表示标准高斯分布的概率密度函数；通过求出使EI(λnew)取得最大值的λnew，即求出了 下一组λnew使得Ynew＝F(λnew)取得新的最大值；
4.5)在获得一组新的权重λn+1后，由步骤4.2中所述，得到该组新权重对应的本车总油耗， 将权重λn+1和负油耗Yn+1作为新的样本点加入已有样本点中，并使用新的样本数据集 更新非参数化模型F；
4.6)重复步骤4.4和步骤4.5，在达到最大迭代步数后，可以得到一组针对前车处于加速行 驶模式时的多目标优化函数的优化权重参数；
4.7)在步骤4.1中选取其他的加速行驶模式的前车行驶轨迹数据片段，重复上述步骤4.2到 步骤4.6，得到其他多组多目标优化函数的优化权重参数；
4.8)对得到的所有多组权重参数求平均，将其作为前车处于加速驾驶模式下本车PCC系统中 多目标优化函数的最优权重参数；
4.9)基于上述步骤4.1-4.8可以类似的得到前车处于匀速驾驶模式和减速驾驶模式下的本车 PCC系统中多目标优化函数的最优权重参数；本车在后续的跟车巡航行驶时，在每个采样时 间基于前车车速信息在线辨识分类前车的驾驶模式，融合当前驾驶模式辨识结果将PCC系统 中多目标优化函数的权重参数调整为对应驾驶模式下的最优权重参数。
本发明采用聚类方法基于丰富的多源异构网联信息对前车驾驶模式进行聚类与辨识， 为调整多目标优化函数中的各项权重参数提供数据支持；基于前车的历史行驶状态数据，对 其驾驶模式进行辨识聚类，使用贝叶斯优化方法针对不同类别分别对多目标优化函数的权重 参数进行整定，能够快速准确地求出一组最优权重参数，这有效避免了人为选择权重时所需 要的大量试错，大幅减少权重参数调整的人力。此外，由贝叶斯优化方法整定出的权重往往 比人为选择的权重更优，使得本车在巡航跟车行驶时的油耗进一步降低，有效地提高了燃油 经济性，同时可以改善跟踪性能和驾驶舒适性；基于整定得到的对应前车不同驾驶模式类别 下的最优权重参数，本车在后续的巡航跟车行驶时可根据前车驾驶模式辨识结果，实时调整 汽车预测巡航控制器中多目标优化函数的权重参数，使得本车能够在不需要大幅度改变控制 方法和结构的前提下达到进一步提高燃油经济性的目标。本发明针对巡航跟车行驶时的前车 驾驶模式判别问题，提出了采用聚类算法基于丰富的多源异构网联信息对前车驾驶模式辨识 的方法，为调整预测巡航控制器中多目标优化函数的权重参数提供了有效的数据支持。本发 明针对前车不同驾驶模式时的多目标优化函数权重参数选择问题，提出了基于贝叶斯优化方 法的权重参数优化自整定方法，能够快速准确得获得对应前车不同驾驶模式下的最优权重参 数，相较人为选择权重参数的方法不仅大大减少了选择所需时间，而且可以进一步降低自车 的燃油消耗，并在一定程度上改善驾驶舒适度和跟踪性能。
附图说明
图1是本发明工艺流程图；
图2是本发明控制系统的示意图；
图3是本发明控制系统的整体框图；
图4是前车驾驶模式聚类的结果示意图；
图5表示前车的车速轨迹数据和由上述两种方法分别得到的本车车速轨迹图；
图6表示由上述两种方法分别得到的两车纵向车距与参考车距的差值变化图；
图7表示由上述两种方法分别得到的本车加速度增量的变化图；
图8表示由上述两种方法分别得到的控制策略下本车总油耗变化结果图。
具体实施方式
本发明考虑巡航跟车场景，该系统首先采用聚类算法基于丰富的多源异构网联信息 对前车驾驶模式进行辨识；然后，基于前车历史行驶状态信息及对应驾驶模式信息，使用贝 叶斯优化方法对多目标优化函数中的各项权重参数进行自动整定，获得针对前车某类驾驶模 式下使得本车行驶能耗最少的最优权重参数；最后，基于当前前车驾驶模式辨识结果将整定 出的权重参数用于调整本车PCC系统中多目标优化函数的各项权重参数，以达到后续巡航跟 车行驶时进一步提高本车燃油经济性的目标。
本发明通过以下技术方案实现：
1.信息采集：采集前方车辆的历史车速、历史位置等行驶状态信息和道路交通环境的历史状 态信息；
2.前车驾驶模式聚类与辨识：根据采集到的前方车辆的历史行驶状态信息和道路交通环境的 历史状态信息，采用聚类方法对前车的驾驶模式进行分类；
3.预测巡航控制器设计，包括以下过程：
3.1)建立面向PCC的车辆动力学模型；
3.2)建立本车的能耗模型；
3.3)选择本车在预测时域内的能耗为主要优化目标，同时附加跟踪性能和舒适性作为次要优 化目标；确定多目标优化问题的约束条件，包括本车速度约束、本车加速度约束、本车加速 度变化量约束和两车之前的纵向距离约束等；
3.4)利用非线性规划求解器求解上述滚动时域的有约束多目标优化问题；
4.基于贝叶斯优化方法的参数整定设计，包括以下过程：
4.1)从由步骤1的和步骤2处理后的历史行驶数据中选取前车某类驾驶模式下的一段行驶轨 迹数据作为仿真测试数据；
4.2)随机选取一组权重参数用于设定预测巡航控制器中多目标优化函数的各项权重参数，通 过控制仿真得到针对步骤4.1中前车行驶轨迹的本车巡航跟车行驶控制策略，并采用能耗模 型计算本车在该段路程中的总能耗；
4.3)重复步骤4.2可以得到多组权重参数及其对应控制仿真下的本车总能耗，以负能耗代表 本车总能耗的负数，将权重参数和对应的负能耗构造为输入输出对样本，使用高斯过程方法 建立输入为权重参数、输出为负能耗的非参数化拟合模型；
4.4)通过采集函数在步骤4.3得到的非参数化模型上选择一组新的可能使得负能耗更大的权 重参数，并使用这组新的权重参数执行控制仿真得到其对应的本车总能耗，从而得到一组新 的权重参数和负能耗的输入输出对样本；
4.5)使用步骤4.4中新得到的样本和原有的所有样本更新步骤4.3中的非参数化模型；
4.6)重复步骤4.4和4.5直至达到最大迭代次数，最终可得到一组针对前车该类驾驶模式下 的本车PCC系统中多目标优化函数的优化权重参数；
4.7)选取前车该类驾驶模式下的其他多段行驶轨迹数据，重复步骤4.2-4.6，可得到多组针 对前车该类驾驶模式下的本车PCC系统中多目标优化函数的优化权重参数；
4.8)对得到的所有多组优化权重参数求平均，将其作为前车该类驾驶模式下本车PCC系统中 多目标优化函数的最优权重参数；
4.9)通过步骤4.1-4.8可类似得到对应前车其他驾驶模式类别下的本车PCC系统中多目标优 化函数的最优权重参数，本车在后续的巡航跟车行驶时根据当前前车驾驶模式辨识结果将权 重参数调整为对应驾驶模式下的最优权重参数；
5.性能评估：给定一段完整的、较长时间内的前车行驶轨迹数据；由步骤4.9所述，可以得 到本车在贝叶斯优化整定权重下的巡航跟车行驶轨迹；将该行驶轨迹与在人为选择的单组固 定权重下得到的行驶轨迹比较，分析评价各项优化目标的改善程度。
以下对本发明做详细描述：
1.信息采集。采集前方车辆的历史车速、位置等行驶状态信息，使用高斯滤波方法除去前车 车速数据中的噪声，并计算出前方车辆的加速度变化，为前车驾驶模式聚类提供必要的数据 支持。上述采用的行驶轨迹数据均是由某企业量产型SUV在湖北省武汉市城市道路工况中采 集得到。需指出的是，本具体方案仅以加速度为特征进行随后的驾驶模式聚类与辨识，后续 可以采用更多种类的多源网联信息为特征进一步提高聚类与辨识的准确度。
2.前车驾驶模式聚类与辨识。本具体方案基于K-means聚类方法使用采集处理后的 加速度数据更新聚类中心，其主要步骤有：初始化三个聚类中心；计算样本数据到各聚类中 心的欧氏距离；将样本数据归为与聚类中心距离最小的一类；所有样本数据分类完成后，计 算每一类数据的平均值，将平均值作为新的聚类中心；重复上述步骤直至达到最大迭代次数 可得到最佳聚类中心。本具体方案选择将前方车辆的驾驶模式分为三类，如图2所示，分别 表示前车处于匀速行驶模式、加速行驶模式和减速行驶模式。本具体方案分为三类仅用于示 范，根据实际辨识需求可将类别进一步细化。
3.预测巡航控制器设计，具体步骤如下所示：
3.1)建立面向巡航控制的车辆动力学模型。在巡航跟车行驶时，本车与前车的车辆动力学模 型可用以下公式描述：
Ts表示采样时间，k表示时刻，d(k+1)表示k+1时刻的本车与前车的纵向距离，d(k)表示k时 刻的本车与前车的纵向距离，vl(k)表示k时刻的前车纵向车速，ve(k)表示k时刻的本车纵向 车速，ve(k+1)表示k+1时刻的本车纵向车速，u(k)表示k时刻的本车纵向加速度。
3.2)建立本车的能耗模型。本具体方法以本车的燃油消耗作为能耗指标，为了避免 从机理上建立复杂的发动机油耗模型，采用多项式拟合的方法建立发动机油耗近似模型，可 由以下公式描述：
mf表示发动机的瞬时燃油消耗率，Te表示发动机扭矩，ωe表示发动机转速，p1～9表示拟合参 数。此外，Te和ωe可以通过加速度和车速计算得到，可由以下公式描述：
M表示本车质量，r表示本车轮胎半径，η表示变速箱效率，Ig表示变速箱传动比，Ifinal表 示最终传动比。
3.3)建立多目标优化问题描述。在k时刻时，多目标优化问题描述可用下式表示：
p表示预测时域，λ1、λ2和λ3表示多目标优化函数中的权重参数，其中λ1对应的优化目标表 示安全性和跟踪能力，dref表示参考车距，与前车车速有关；λ2对应的优化目标表示自车的 燃油消耗，此处为了降低计算负担没有将完整的油耗模型加入目标函数中，仅将油耗模型的 其中一部分作为优化目标；λ3对应的优化目标表示驾驶舒适性，Δu表示本车加速度增量。umin和umax表示本车加速度的最小值和最大值，Δumin和Δumax表示本车加速度增量的最小值和最大 值，dmin和dmax表示两车纵向距离的最小值和最大值，vmin和vmax表示本车车速的最小值和最 大值。
3.4)多目标优化问题求解。本具体方案采用MATLAB软件中的fmincon非线性规划求解器来求解该多目标优化问题，为了加快问题求解速度后续可采用商业求解器如：Cplex、 Gurobi等。
4.基于贝叶斯优化方法的参数整定设计，具体步骤如下所示：
4.1)从由步骤1和步骤2处理后的历史行驶数据中选取前车某类驾驶模式下的一段行驶轨迹 数据作为仿真测试数据。此处以图4所示的前车历史车速数据为例，在其中选取一段前车处 于加速行驶模式的行驶轨迹数据具体说明后续的步骤。
4.2)随机选择一组权重参数λ＝[λ1 λ2 λ3]用于设定多目标优化函数，采用步骤3中的预测巡航控制器执行控制仿真，得到本车在前车该段行驶轨迹下的跟车行驶策略，以Ve表 示本车在该跟车行驶策略下的车速变化序列，U表示本车在该跟车行驶策略下的加速度变化 序列。通过公式(2)和(3)可计算得到本车在这段路程中的总油耗Mfuel，可由下式描述：
Mfuel＝∑mf(U,Ve)·Ts, (5)
用负油耗Y代表Mfuel的负数，将当前选择的权重参数λ和负油耗Y构成输入输出对样本 {λ,Y}。
4.3)重复步骤4.2，可以得到多组样本点将其作为训练样本集，通过高斯过程方法建立λi和Yi之间的非参数化模型F，即Yi＝F(λi)，则最优权重参数的整定问题可由如下优化问题描述：
其中λmin表示权重的最小值，λmax表示权重的最大值。高斯过程模型假定已有样本点中的服从多维高斯分布，且其中任意两个Y′和Y″之间的相关程度可由对应的λ′和λ″通过协 方差函数计算得到。
协方差函数，亦被称为核函数，有多种选择，此处选择高斯核函数，可由以下公式描述：
||·||2表示欧氏距离，σl表示特征长度尺寸，为一个超参数。通过共轭梯度方法求出使得当前样 本集的极大似然函数取得最大值的σl后，即可建立当前样本集上的非参数化模型F。
通过高斯过程方法建立的模型F的输出是一个高斯分布，以Yi表示输出的高斯分布 的均值，σ(λi)表示输出的高斯分布的方差。当给定一个测试输入λtest时，F(λtest)的均值Ytest和方差σ(λtest)可由以下公式求出：
其中表示高斯噪声，In表示大小为n的单位矩阵，Ytrain＝[Y1 Y2 … Yn]T，T表示转置， k*和K由以下公式表示：
4.4)使用期望增益采集函数选择下一组λnew使得Ynew＝F(λnew)取得新的最大值。采集函数通常假设当采集函数取得最大值时，目标模型同样能取得最大值。期望增益采集函 数可由下式描述：
F(λ+)表示从当前模型F中取得的已知的最大值，Φ(·)表示标准高斯分布的累积分布函数， φ(·)表示标准高斯分布的概率密度函数。通过求出使EI(λnew)取得最大值的λnew，即求出了 下一组λnew使得Ynew＝F(λnew)取得新的最大值。
4.5)在获得一组新的权重λn+1后，由步骤4.2中所述，得到该组新权重对应的本车总油耗，将权重λn+1和负油耗Yn+1作为新的样本点加入已有样本点中，并使用新的样本数据集更新非参数化模型F。
4.6)重复步骤4.4和步骤4.5，在达到最大迭代步数后，可以得到一组针对前车处于加速行驶模式时的多目标优化函数的优化权重参数。
4.7)在步骤4.1中选取其他的加速行驶模式的前车行驶轨迹数据片段，重复上述步 骤4.2到步骤4.6，得到其他多组多目标优化函数的优化权重参数。
4.8)对得到的所有多组权重参数求平均，将其作为前车处于加速驾驶模式下本车PCC系统中多目标优化函数的最优权重参数。
4.9)基于上述步骤4.1-4.8可以类似的得到前车处于匀速驾驶模式和减速驾驶模式 下的本车PCC系统中多目标优化函数的最优权重参数；本车在后续的跟车巡航行驶时，在每 个采样时间基于前车车速信息在线辨识分类前车的驾驶模式，融合当前驾驶模式辨识结果将 PCC系统中多目标优化函数的权重参数调整为对应驾驶模式下的最优权重参数。
5.性能评估。以图5中所示前车车速轨迹数据为例，本车从第2秒开始采用步骤3中的预测巡航控制器执行巡航跟车行驶动作，在每个采样时间实时辨识前车驾驶模式，并融 合驾驶模式辨识结果将预测巡航控制器中的多目标优化函数权重参数调整为对应驾驶模式下 的最优参数；最终可以得到本车在贝叶斯优化整定权重下的行驶策略，将该行驶策略与在人 为选择的单组固定权重下得到的行驶策略比较，从图6、7和8结果可知，本具体方案可以进 一步改善本车的跟踪性能、舒适性和燃油经济性。
(二)图2为本发明一种融合驾驶模式辨识信息的网联汽车预测巡航参数自整定控制 系统的示意图，在该图中，首先，本车在巡航跟车行驶过程中采集前车的历史行驶状态信息 和道路交通环境等历史状态信息，利用前车行车历史行驶状态信息和道路交通环境历史状态 等信息对前车的驾驶模式进行辨识聚类，可以得到前车历史行驶状态所处的驾驶模式信息； 然后，结合上述这些信息基于贝叶斯优化方法对预测巡航控制器中多目标优化函数的各项权 重参数进行整定，分别得到对应前车不同驾驶模式下的最优权重参数，将这些权重参数保存 在预测巡航控制器中便于后续的参数调整；最后，在当前时刻，本车根据驾驶模式辨识结果 将多目标优化函数中的各项权重参数调整为对应驾驶模式下的最优权重参数，通过求解该多 目标优化问题得到最优的巡航跟车行驶策略。
(三)图3为本发明一种融合驾驶模式辨识信息的网联汽车预测巡航参数自整定控制 系统的整体框图，首先，本车在巡航跟车行驶过程中采集前车的历史行驶状态信息和道路交 通环境历史状态等信息，利用前车行车历史行驶状态信息和道路交通环境历史状态等信息对 前车的驾驶模式进行辨识聚类，可以得到前车历史行驶状态所处的驾驶模式信息；然后，结 合上述这些信息基于贝叶斯优化方法对预测巡航控制器中多目标优化函数的各项权重参数进 行整定，分别得到对应前车不同驾驶模式下的最优权重参数，将这些权重参数保存在预测巡 航控制器中便于后续的参数调整；最后，在当前时刻，本车根据前车驾驶模式辨识结果将多 目标优化函数中的各项权重参数调整为对应驾驶模式下的最优权重参数，通过求解该多目标 优化问题得到最优的巡航跟车行驶策略。
(四)图4为前车驾驶模式聚类的结果示意图
该图展示了某段较长时间内前车行驶轨迹数据的驾驶模式分类结果，类别1表示前车处于匀 速驾驶模式，类别2表示前车处于加速驾驶模式，类别3表示前车处于减速驾驶模式。
(五)图5、6、7、8为性能评估结果示意图
给定一段完整的、较长时间内的前车行驶轨迹数据，本车由预测巡航控制器完成对前车的巡 航跟车行驶。因此，可以得到在人为设定的单组固定权重参数下的本车行驶轨迹和在贝叶斯 优化权重参数下得到的本车行驶轨迹，根据这两种行驶轨迹分析评估本车跟踪能力、舒适性 和燃油经济性这三个优化目标的改善程度。
图5表示前车的车速轨迹数据和由上述两种方法分别得到的本车车速轨迹图。黑色 实线表示前车的车速轨迹，灰色点线表示在人为设定的单组固定权重参数下得到的本车车速 轨迹，黑色虚线表示在贝叶斯优化权重参数下得到的本车车速轨迹。
图6表示由上述两种方法分别得到的两车纵向车距与参考车距的差值变化图。黑色 实线表示在人为设定的单组固定权重参数下得到的纵向车距与参考车距的差值变化曲线，黑 色虚线表示在贝叶斯优化权重参数下得到的纵向车距与参考车距的差值变化曲线。从图中所 示结果可计算得到，实线的平均绝对误差为2.4848m，而虚线的平均绝对误差为1.9264m。由 此可知，在贝叶斯优化权重参数下得到的纵向车距与参考车距的误差更小，意味着本车具有 更强的跟踪能力和更高的安全性。
图7表示由上述两种方法分别得到的本车加速度增量的变化图。黑色实线表示在人 为设定的单组固定权重参数下得到的本车加速度增量变化曲线，灰色虚线表示表示在贝叶斯 优化权重参数下得到的本车加速度增量变化曲线。通常来说，加速度增量的绝对值越小表示 驾驶舒适度越高，从图中所示结果可计算得到，实线的绝对值平均为0.0327m/s2，虚线的绝 对值平均为0.0291m/s2。由此可知，在贝叶斯优化权重参数下得到的控制策略可以改善本车 的驾驶舒适性。
图8表示由上述两种方法分别得到的控制策略下本车总油耗变化结果图。实线表示 不辨识前车驾驶模式，且PCC系统中多目标优化函数权重参数仅使用单组人为设定的固定权 重参数时的本车总油耗变化曲线；虚线表示在线辨识聚类前车驾驶模式，且PCC系统中多目 标优化函数权重参数使用对应驾驶模式下的、由贝叶斯优化方法整定后的最优权重参数的本 车总油耗变化曲线。矩形框内表示局部放大图。由图中可知，本发明提出的方法可有效降低 自车2.13％的燃油消耗，提高了燃油经济性。
