分布式驱动电动汽车状态与路面附着系数估计

【目的】准确获取车辆行驶状态参数和路面附着系数对于维持分布式驱动电动汽车的安全性和稳定性十分重要,针对于此,研究了一种能够准确估计其参数的算法,既能降低量产车辆的成本,又能达到车辆安全稳定的目的。【方法】首先,建立三自由度车辆模型,应用基于奇异值分解方法(SVD)的容积卡尔曼滤波算法搭建参数估计器。然后,搭建Carsim/Simulink联合仿真实验平台,采用高、低附着和对接路面双移线工况进行仿真验证。【结果】仿真实验结果表明,估计器能够较准确地估计出参数的真实值。基于仿真的良好估计效果,搭建实车实验平台,进一步进行验证得出,实车实验结果与仿真结果趋势一致,该算法具有较好的估计准确性和时效性。

基于路面附着系数估计的模糊自适应轨迹跟踪控制

为提高智能汽车轨迹跟踪在复杂工况环境下的控制精度和稳定性,提出了一种适应路面附着系数突变与车速动态变化的模糊自适应轨迹跟踪控制策略。建立七自由度车辆动力学模型,基于模型预测控制(model predictive control,MPC)算法设计了车辆轨迹跟踪控制器,研究了MPC控制器参数、路面附着系数、车速与车辆轨迹跟踪性能间的影响关系;为了实时获取当前道路的路面附着系数,根据dugoff轮胎模型和整车动力学模型设计了无迹卡尔曼滤波估计器;据此设计了以路面附着系数和车速为输入量的MPC控制器参数自适应模糊控制器,实时修正MPC控制器的参数,以提高复杂工况环境下车辆的稳定性及跟踪能力;通过仿真实验对所设计的控制方法进行了验证。结果表明:所提出控制方法在低速条件下保证了车辆稳定性,提高了车辆的跟踪精度;中速条件下有效克服了车辆在路面附着系数突变道路上动态行驶时轨迹跟踪精度较低,稳定性较差的不足。

4WD车辆路面附着系数自适应滤波估计方法

分布式驱动车辆路面附着系数是开发先进底盘控制策略的关键,而轮胎参数对路面附着系数估计具有较大影响。因此,提出了考虑轮胎参数的4WD车辆路面附着系数自适应滤波估计方法,提高了附着系数估计的准确性。在建立HSRI轮胎模型和3DOF车辆模型的基础上,基于扩展卡尔曼滤波理论开发了4WD车辆路面附着系数估计模型;为提高算法估计的精度,以轮胎半径变化量为输入设计了EKF参数自适应模糊调节器,通过对EKF量测噪声实时调整的方式实现了路面附着系数估计。开展实验验证了算法的可靠性,并在双移线和对接路面工况进行了仿真分析。结果表明,相比于EKF算法,该算法在双移线低附着路面上精度提高了17.2%,在对接路面工况下精度整体提高了约35.7%。研究结果为分布式驱动车辆的精确力矩分配提供了理论基础。

基于变权重PSO-Elman神经网络的路面附着系数估计

针对传统神经网络权值更新不稳定导致路面附着系数预估精度不高的问题,提出基于变权重粒子群优化(PSO)-Elman神经网络的路面附着系数估计方法.搭建基于7自由度汽车动力学模型的神经网络模型,在Elman神经网络模型中引入粒子群算法降低训练绝对误差,并使用线性权重递减策略对粒子群算法中的权重进行改变,平衡粒子全局和局部搜索能力,实现网络权值矩阵优化;采用傅里叶函数方法拟合出理想滑移率-路面附着系数相关曲线;通过理论分析和仿真验证,证明采用该方法能够提升路面附着系数预估精度.仿真结果表明:在定附和变附路面行驶工况下,相比于传统Elman神经网络,采用变权重PSO-Elman神经网络的路面附着系数估计方法获得的路面附着系数均方根误差分别平均降低了35.62%和19.20%,有效提升了防抱死控制效果.

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题,基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响,建立轮胎侧偏角约束与不同路面附着系数的函数关系;采用遗传算法(GA)优化BP神经网络模型设计路面附着系数估计器,将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中;最后在MPC控制器中建立系统控制量约束、控制增量约束,以及考虑路面附着系数的变侧偏角约束,将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题,实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明,考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性,GA-BP神经网络路面系数估计方法具有很高的估计精度。

基于图像识别与动力学融合的路面附着系数估计方法

准确的路面附着系数估计是车辆主动安全控制的前提。首先,建立了单轮动力学模型,利用卡尔曼滤波实现了轮胎纵向力精准估计,并结合魔术轮胎模型建立了基于粒子滤波的路面附着系数估计器;其次,提出了基于图像识别的前向路面附着系数预测方法,通过DeeplabV3+、语义分割网络和MobilNetV2轻量化卷积神经网络实现路面分割和路面类型辨识,并利用查表获取前向路面附着系数。最后,建立了图像识别与动力学估计时空同步方法和融合规则,实现了两种估计方法的有效关联与可靠融合。CarSim-Simulink联合仿真表明,本文所提出的基于图像识别与动力学融合的方法可有效提高不同工况下的路面附着系数估计精度。

考虑路面附着系数的行车风险场建模及避障控制研究

针对车辆在不同路面条件下的主动避障问题,提出一种考虑路面附着系数的行车风险场避障路径规划方法。首先,建立了包含道路边界风险场、目标引力场和障碍物风险场的行车风险场;基于容积卡尔曼滤波算法实时估算路面附着系数,并对考虑路面附着系数的行车风险场函数进行负梯度求导,得到风险值下降最快的避障路径;然后,采用5次多项式拟合优化得到满足车辆约束的避障参考路径;最后,采用模型预测控制算法跟踪避障路径。仿真结果表明:在相同车速下,路面附着系数越小,避障时的横向加速度越小,横向加速度的标准差越小,避障效果越平顺。

果蝇优化BP神经网络路面附着系数估计

在利用BP神经网络进行路面附着估计时,存在收敛速度慢和易于陷入局部最优解等问题。为此,提出一种基于果蝇算法(Fruit Flying Optimization Algorithm FOA)对BP神经网络进行改进并给出算法的流程。建立路面附着系数估计BP神经网络模型,将果蝇算法引入到BP神经网络,对网络的初始权值与阈值进行优化,以增强网络的全局寻优能力。利用Carsim软件获取的样本数据对网络进行训练,并与MATLAB/Simulink软件搭建联合动态仿真模型,对比实验结果表明:基于FOA优化BP神经网络的路面附着系数估计方法不受车辆模型精度的影响,定性估计精度高,能有效提高估计值的精度和稳定性。

非充分激励条件下路面附着系数估计算法

针对路面条件和车辆状态激励程度的不确定性导致的路面附着系数算法收敛速度和估计精度下降的问题,提出了一种基于模糊工况自适应强跟踪卡尔曼滤波的路面附着系数估计算法。利用模糊推理方法评估当前车辆运动状态的激励程度并输出协方差调整系数,引入强跟踪因子对标准卡尔曼滤波算法进行实时修正,通过及时调整路面附着系数的协方差的方式提高估计算法收敛速度,同时强跟踪因子保证算法对来自路面不确定的扰动具有鲁棒性。采用控制器硬件在环试验台的方式对所提算法的估计效果进行了验证,实验结果表明:所提出估计方法能够在车辆状态大激励程度条件时快速收敛到真值附近,小激励程度时降低估计值波动幅值,比强跟踪卡尔曼滤波算法和标准卡尔曼滤波算法在算法收敛速度和估计精度方面有明显提升。

面向智能车辆的路面附着系数分段识别方法

路面附着系数是车辆主动控制系统的重要输入参数,其估计的准确性直接影响车辆动力学系统控制的性能,估算方法应满足实时、可靠和准确性高的要求。首先,建立3自由度车辆模型以及车轮受力模型;其次,分别采用了扩张状态观测器和自适应卡尔曼滤波对利用附着系数和滑移率进行识别与估计;最后,提出了一种路面附着系数的分段识别方法,可以有效识别路面附着系数,在估算过程中通过引入评价指标,减少了该方法的运算复杂度,提高了运行效率。仿真和实验结果表明,路面附着系数的估计误差在0.05以内,通过加入评价指标,算法的运行效率提高了21.1%,可以满足控制系统的实时性要求。

基于自适应容积卡尔曼滤波的路面附着系数识别

路面附着系数是车辆行驶稳定性的关键参数之一,精确识别车辆行驶时的路面附着系数是决定车辆安全性能优劣的重要前提。相较通过测量路面物理量的Cause-Based识别方法,基于动力学响应的Effect-Based识别方法受客观环境的影响较小,且经济成本更为节约。本文结合车辆动力学响应与Dugoff轮胎模型公式,基于极大值后验估计(MAP)原理和观测信息对量测噪声的统计特性进行在线估计,并将其嵌入容积卡尔曼(CKF)中构建自适应容积卡尔曼(NACKF)路面附着系数估计器,提高算法的估计精度。CarSim-Simulink仿真试验结果表明,在高附着路面下NACKF算法的估计精度较之传统四维UKF和CKF分别提高了0.001 7和0.000 55,而在对接路面下估计精度较之传统UKF和CKF分别提高了0.172 3和0.039。

基于Elman神经网络的路面附着系数识别

准确、高效地识别路面附着系数为汽车主动安全系统提供了重要输入参数。笔者提出了基于Elman神经网络识别路面附着系数方法,采用Carsim/Simulink联合仿真,获取了某车辆的63个行驶工况,共20个重要动力学响应。构建了Elman神经网络的路面附着系数识别模型,对附着系数为0.2~0.9的路面进行了识别,识别平均绝对百分比误差为4.92%,准确率为91.22%。相对于传统的BP神经网络方法,该方法使路面附着系数的识别平均绝对百分比误差降低了2.24%,准确率提升了9.82%,并且在潮湿沥青路面以及干燥沥青路面进行了实车实验,验证了该方法的有效性、可行性。

基于平方根容积卡尔曼滤波的路面附着系数估计

针对车辆主动安全系统中路面附着系数这一关键参数的估计问题,建立了融合Dugoff轮胎模型的三自由度车辆动力学模型,基于平方根容积卡尔曼滤波(SCKF)思想设计了路面附着系数估计器,该方法将正交三角分解法引入容积卡尔曼滤波(CKF)算法,避免了CKF中对协方差矩阵的开方操作,提高了算法的稳定性。利用MATLAB与CarSim联合仿真平台在不同路面条件下进行了多工况仿真验证,并将所提出算法与CKF算法进行对比,结果表明,SCKF算法的鲁棒性较高,估计精度高于CKF算法的估计精度,可以满足车辆主动安全系统的要求。

基于模糊规则的路面附着识别算法研究

为了提高双通道主动式稳定杆(ASB)系统对车辆横摆稳定的控制性能,基于车辆的侧向动力学特性,提出了1种新型路面附着系数识别算法。先通过模糊规则识别非线性因子,再由估算模型计算路面附着系数的初始估计值。通过滤波处理算法处理后得到最终估计值,并将其应用于双通道ASB系统中。利用MATLAB/Simulink对该算法进行了高、中、低附着路面以及对接路面的仿真分析。仿真结果表明,该算法能够有效地识别路面状况,双通道ASB系统根据当前的路面信息及时调整控制策略,提高了车辆的横摆稳定性。

用于汽车稳定性控制的路面附着识别算法

轮胎-路面附着系数的识别对汽车动力学状态观测和稳定性控制起着至关重要的作用。汽车电子稳定控制系统(Electronic stability control,ESC)要求在车辆进入失稳危险工况之前能够实时精确地获得路面附着特征,这对算法的实用性和可靠性要求苛刻。为此,提出一种基于横摆角速度偏差和侧向加速度偏差的车辆非线性度双表征量法,全面地反映车辆转向时侧偏与横摆响应的非线性状态,根据非线性度与路面附着利用率的关系设计出附着估算偏差的补偿算法。附着估算时,以侧向加速度测量值为基准,经过偏差补偿得到附着初始值。引入广义滤波器抑制估算值抖动,使其能较好地应用于实车控制。通过实车测试验证本方法的有效性,并在ESC控制循环中验证附着精确估算算法对转矩控制的改进效果。

基于路面附着系数估计的汽车纵向碰撞预警策略

本文中提出了一种基于路面附着系数估计的自适应汽车纵向碰撞预警策略。首先建立了碰撞预警安全距离模型,分析了路面附着系数对碰撞预警策略的影响;接着给出了基于最小二乘法和斜率法的路面附着系数估算算法,可实现全滑移率工况的路面附着系数精确识别;在此基础上,建立了基于路面识别的汽车纵向碰撞预警策略;最后分别进行了Matlab/Simulink-Car Sim联合仿真和实车测试。结果表明,本文提出的预警策略可准确估算路面附着系数,并据此自适应调节碰撞预警策略,能够在不同工况下有效提高预警准确性和道路空间利用率。

路面附着条件对车辆横向稳定性影响的量化分析

采用侧翻稳定性指标LTR值和侧滑稳定性指标EG值,定量分析路面附着系数对车辆横向稳定性的影响.同时,通过多组不同路面附着条件下的车辆动力学仿真实验,找出车辆发生侧滑、侧翻事故时路面附着系数的取值范围.结果表明:在车辆结构参数、车速和转向输入等条件恒定的情况下,路面附着系数与车辆侧翻稳定性呈负相关,与车辆侧滑稳定性呈正相关.在鱼钩仿真工况下,当路面附着系数增大至0.75时,车辆发生侧翻的可能性急剧增大;当附着系数在0.7以下时,车辆发生侧翻的可能性急剧降低;在双移线仿真工况下,当路面附着系数小于0.4时,车辆易失控而发生侧滑现象,但基本不会发生侧翻现象.

路面附着系数估算技术发展现状综述

对路面附着系数估算领域的研究状况进行了综合叙述,并对其缺陷和今后发展方向进行了讨论。

基于扩张状态观测器的路面附着系数实时估计

对车辆动力学控制中的道路路面附着系数实时估计问题进行研究。首先使用魔术公式建立1/4车辆制动模型,即车轮制动动力学模型;然后将其中的附着系数相关项视为制动系统的扩张状态,建立其扩张状态观测器,通过轮速信号和制动力矩信号实时观测制动过程中地面与轮胎间的纵向力,进而计算出路面附着系数;最后在均匀路面和突变路面条件下进行仿真研究。结果表明,所提出的方法对车辆制动系统参数摄动和传感器噪声具有鲁棒性,可以准确地实现道路路面附着系数的实时估计,观测器与控制器设计具有一定独立性。

基于四轮轮边驱动电动车的路面附着系数估算方法

路面附着系数是影响车辆行驶安全性的重要因素,利用轮边驱动电动汽车驱动力矩可以对路面利用附着系数进行观测。当观测到μ-λ曲线接近于峰值点时,将该时刻的轮胎利用附着系数作为路面峰值附着系数,并根据识别的路面峰值附着系数进行驱动防滑控制。该方法能够有效防止轮胎滑转,提高车辆行驶稳定性。