汽车质量与道路坡度串行估计方法

汽车质量与道路坡度是汽车主动安全控制系统的重要参数.提出一种汽车质量与道路坡度串行估计算法.根据汽车质量与道路坡度变化的快慢进行分层串行估计,将缓慢变化的汽车质量作为第一层的估计输出,将快速变化的道路坡度作为第二层的估计输出.基于纵向动力学,首先由轮胎驱动力矩与横摆角速度通过递推最小二乘法(Recursive Least Squares,RLS)算法进行第一层的汽车质量估计;接着将估计得到的汽车质量代入至第二层牛顿迭代法进行道路坡度估计.与传统的自适应估计方法相比,提出的算法可以减少实时估计参数的耦合效应,且不需要额外的传感器;最后通过仿真及模型车辆道路试验对所提出的算法进行验证,仿真及试验结果表明:所提出的辨识算法能够准确实时地估计汽车质量与道路坡度.

基于改进Keras模型的路面附着系数估计

路面附着系数是车-路相互作用中最为关键的参数之一,它的精确获取也是车辆主动安全控制系统正常工作的前提和基础,为此提出一种基于改进Keras模型的路面附着系数估计方法。对车辆进行动力学分析,找出与路面附着系数相关的动力学参数作为神经网络模型的输入量;通过各种工况的仿真试验建立数据集;以Keras模型为基础,结合限幅递推平均滤波算法、K折验证、Dropout正则化与Sarsa强化学习,提出改进Keras模型的路面附着系数估计器。滤波算法用于除去神经网络模型输入量的噪声,K折验证用于扩大样本空间,Dropout正则化可以降低模型的过拟合现象,提高模型泛化能力,Sarsa强化学习可以改善路面附着系数预测量超过边界的问题。最后,通过仿真验证表明所设计的估计器在路面附着系数估计中的有效性与可靠性,提出的方法相比原Keras模型平均绝对误差降低了73%,均方根误差降低了58%。

匹配机械弹性车轮的分布式驱动电动汽车稳定性控制

车辆的稳定性一直以来是车辆安全研究的重要问题,车辆在紧急变道或者避障等极端工况下非常容易失去稳定性。首先,根据车轮刷子理论,建立匹配机械弹性车轮(Mechanical elastic wheel,MEW)的纵向和侧偏力学模型。接着,为了深入研究装备MEW的分布式驱动电动汽车的横向稳定性,提出一种分层控制结构。为了提高滑模控制器的鲁棒性,上层控制器采用积分联合终端的滑模控制器,通过获得期望的横摆力矩来提高车辆的横向稳定性。在下层控制器中根据采用全轮纵向力轴载比例分配模式,以前、后轴载估计值为比例分配各轴总的驱动力与横摆力矩。建立匹配MEW的车辆动力学模型,通过Carsim和Matlab/Simulink联合仿真对分层控制结构进行了多种复杂工况下的验证。仿真结果表明,提出的控制算法能够有效地提升装备MEW车辆的横向稳定性。