CN103777521B - 一种基于模糊控制的车辆低速控制方法 - Google Patents

Abstract

本发明公开了一种适用于低速范围运动车辆的车速控制方法,包括步骤：利用轮速传感器获取当前车辆行驶速度v_real(n)；利用拉普拉斯—高斯曲线规划期望速度变化量△v(n)从而确定期望车速v(n)，直至v(n)达到最终目标车速v_tar；根据v(n)动态修正速度偏差e(n)和速度偏差变化率ec(n)的量化因子K_e(n)和K_ec(n)；计算e(n)和ec(n)，并结合K_e(n)和K_ec(n)通过模糊理论最终确定比例系数K_P(n)的变化量△K_P(n)和积分系数K_I(n)的变化量△K_I(n)；利用增量式PI算法计算期望压力值致动制动器，最终实现速度控制的目的。本发明缩短稳定至最终目标车速的调节时间、保证控制过程中的舒适性以及提高系统鲁棒性。

Description

一种基于模糊控制的车辆低速控制方法

技术领域

本发明涉及属于汽车控制领域，尤其涉及自动档车型的低速控制及相关应用系统。

背景技术

低速范围运动车辆的车速控制特点是目标速度低、控制精度高以及速度变化率不稳定，而且从实际应用角度考虑还需保证控制过程中不出现较大的加速度也即需符合驾驶员的舒适性要求。因此低速控制系统不仅要求执行机构快速及准确的响应，还需传感器提供高精度的环境参数。而其难点即在于此：首先，大部分车身零部件属于非线性时变系统，理论上的低速范围运动车辆精确数学模型不易构建且实际工况中零部件的延时和超调等特性亦会导致执行机构的响应不准确；其次，传感器精度由于受自身和外界环境的干扰，其有效范围会大大降低，例如轮速传感器出现的测量盲区等。

现有的车速控制专利中的目标车速多侧重于高速范围即目标车速较高，且在控制方法上多采用边界限制或者模糊控制的方式控制执行机构。如申请号200910098677.2采取边界控制方法并控制节气门的开启度从而限制车速稳定于目标车速附近，但此方法在实际工况如下坡过程中受坡面方向的加速度和车辆惯性等其他环境因素的影响可能导致控制失效。申请号200910144365.0中利用PI思想计算下个控制周期的目标速度并采用整车实际车速PI控制以此达到车速控制的目的，此方法侧重于改善驾驶的舒适性，但在控制过程中实际车速收敛至最终目标车速的调节时间过长。申请号200910160485.X计算当前车速和目标车速的误差并与预定速度差进行比较，从而有选择地致动制动器，此方法能快速地将速度误差收敛至预定误差以内，但控制过程中的稳定性和舒适性则无法保证。

上述专利经过实验验证表明，无法直接应用于低速范围（0～5Km/h）的车速控制。其主要问题表现在调节时间较长、稳态误差较大并且控制过程中出现较大加速度即无法满足人体的舒适性要求。同时相比高速范围的车速控制而言，低速范围的控制性能受设备非线性特性以及环境因素的干扰较大，因此还要求控制算法具有较强的鲁棒性。针对上述问题，提出一种适用于低速范围内的车速控制方法，以此缩短系统的调节时间、保证控制过程中的舒适性以及提高系统的鲁棒性。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种改善车速控制过程的动态和稳态性能并保证驾驶员舒适性的目的基于模糊控制的车辆低速控制方法。本发明的技术方案如下：一种基于模糊控制的车辆低速控制方法，所述车辆具有车载CAN总线，车载低速控制器通过车载CAN总线与车载设备进行通信，车辆低速控制方法包括以下步骤：

101、启动所述车载低速控制器，并通过车载CAN总线获取最终目标车速v_tar及初始车速v(0)，根据公式1所示得出第n个控制周期期望车速v(n)。

$v\left(n\right)=\left\{\begin{array}{cc}v\left(0\right)+\underset{0}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Δv}\left(n\right),& 0\≤n\≤N_A\\ v_{\mathrm{tar}},& n>N_A\end{array}\right.$ (1)，

式1中△v(n)为第n个控制周期内的速度变化率，N_A为控制周期临界点；其中控制周期临界点N_A的计算公式为

$N_A=\frac{v_{\mathrm{tar}}-v\left(0\right)}{3.6*T_0*a_{\mathrm{tar}}}$ (2)，

式2中T₀为控制周期，a_tar为期望加速度。a_tar的取值范围为[1m/s²,1.5m/s²]；

102、采用拉普拉斯—高斯曲线对步骤101中的△v(n)进行规划，规划公式如下：

$\mathrm{\&Delta;v}\left(n\right)=\left\{\begin{array}{cc}0,& n<0\\ [v_{\mathrm{tar}}-v\left(0\right)]*\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}*e^{\frac{{(n-\mathrm{\&mu;})}^2}{2\mathrm{\&sigma;}}},& 0\&le;n\&le;N_A\\ 0,& N_A<n\end{array}\right.$ (3)，

式3中μ为△v(n)曲线的对称点，μ=N_A/2，σ为曲线偏离中心对称点的程度，σ的取值范围为[μ/2.4,μ/2.6]；

103、根据步骤102中对应规划后的v(n)，修正速度偏差e(n)的量化因子K_e(n)和速度偏差变化率ec(n)的量化因子K_ec(n)；

104、实时采集控制周期内的实时车速v_real(n)，并根据步骤102中对应规划后的v(n)，计算得出e(n)和ec(n)，并根据步骤103中得到的K_e(n)和K_ec(n)，确定出e(n)和ec(n)的模糊值；

105、对步骤104中的e(n)和ec(n)的模糊值进行模糊控制规则表查询，确定比例系数K_P(n)变化量△K_P(n)的模糊值和积分系数K_I(n)变化量△K_I(n)的模糊值；

106、对步骤105中的△K_P(n)和△K_I(n)模糊值进行解模糊化，并根据增量式PI算法得到期望压力值u(n)，将u(n)发送至车载CAN总线从而致动制动器。

进一步的，步骤103中的K_e(n)和K_ec(n)计算分别如下式所示：

$K_e\left(n\right)=\frac{2}{k_e*v\left(n\right)}$ (4)，

$K_{\mathrm{ec}}\left(n\right)=\frac{2}{k_{\mathrm{ec}}*v\left(n\right)}$ (5)，

式4中k_e为K_e(n)的比例因子，式5中k_ec为K_ec(n)的比例因子。

更进一步的，所述k_e=5%和k_ec=1%。

进一步的，步骤106中的增量式PI算法如式6所示，

u(n)=u(n-1)+△u(n) (6)，

其中u(n)为第n个控制周期的期望压力值，△u(n)为第n个控制周期的期望压力值变化量，△u(n)的计算式为

△u(n)=[K_P(n-1)+△K_P(n)]*ec(n)+[K_I(n-1)+△K_I(n)]*e(n) (7)。

本发明的优点及有益效果如下：

本发明对适用于低速范围的运动车辆低速控制方法所涉及的技术问题进行了详细描述，在利用模糊理论结合增量式PI算法的基础上引入拉普拉斯—高斯曲线实时规划期望速度变化量，缩短系统的调节时间、保证控制过程中的舒适性以及提高系统的鲁棒性；本专利所提方法相比其他低速控制专利而言，其实现效果更好且更易实施，能更好的应用于工程实践中；对本专利中的相关参数进行一定修改，亦可适用于高速范围的车速控制；本发明为自动泊车系统车速控制技术的具体工程实现提供了一个理论依据。

附图说明

图1为本车辆低速控制方法的模块架构图；

图2为本车辆低速控制方法的可供参考的模糊控制规则表；

图3为本车辆低速控制方法的具体流程图。

具体实施方式

下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。

利用安装于车轮轮轴处的轮速传感器获取当前车辆行驶速度v_real(n)；整车控制器分为三层控制器；顶层控制器利用拉普拉斯—高斯曲线规划期望速度变化量△v(n)从而确定期望车速v(n)，直至v(n)达到最终目标车速v_tar；顶层控制器根据控制周期内的v(n)动态修正速度偏差e(n)和速度偏差变化率ec(n)的量化因子K_e(n)和K_ec(n)；中间层控制器计算e(n)和ec(n)，并结合K_e(n)和K_ec(n)通过模糊理论最终确定比例系数K_P(n)的变化量△K_P(n)和积分系数K_I(n)的变化量△K_I(n)；低层控制器利用增量式PI算法计算期望压力值致动制动器，以此达到快速、准确以及稳定的低速控制目的。本发明引入拉普拉斯—高斯曲线规划期望速度变化量从而确定期望速度轨迹并动态修正速度偏差e和速度偏差变化率ec的量化因子，以此提高模糊论域在饱和区的控制精度。并利用模糊PI算法达到速度控制的目的，从而缩短稳定至最终目标车速的调节时间、保证控制过程中的舒适性以及提高系统鲁棒性。

系统启动后，顶层控制器根据最终目标车速v_tar计算期望车速v(n)。期望车速v(n)根据采样点n的变化而变化，其具体计算方式如公式（1）所示：

$v\left(n\right)=\left\{\begin{array}{cc}v\left(0\right)+\underset{0}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;v}\left(n\right),& 0\&le;n\&le;N_A\\ v_{\mathrm{tar}},& n>N_A\end{array}\right.$ 公式（1）

式中v(0)为系统启动时刻的实时车速v_real(0)，△v(n)为第n个控制周期内的速度变化率，N_A为控制周期临界点如公式（2）所示：

$N_A=\frac{v_{\mathrm{tar}}-v\left(0\right)}{3.6*T_0*a_{\mathrm{tar}}}$ 公式（2）

式中T₀为控制周期，a_tar为期望加速度。通过分析车辆在低速范围的加速特性以及人体较为舒适的加速度范围可知，a_tar的取值范围为[1m/s²,1.5m/s²]。

本发明采用拉普拉斯—高斯曲线对（1）式中的△v(n)进行规划，如公式（3）所示：

$\mathrm{\&Delta;v}\left(n\right)=\left\{\begin{array}{cc}0,& n<0\\ [v_{\mathrm{tar}}-v\left(0\right)]*\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}*e^{\frac{{(n-\mathrm{\&mu;})}^2}{2\mathrm{\&sigma;}}},& 0\&le;n\&le;N_A\\ 0,& N_A<n\end{array}\right.$ 公式（3）

其中μ为△v(n)曲线的对称点。理论分析可知惯性是车辆运动过程中的运动特性，因此在控制过程中应考虑到加速过程和减速过程对称，故μ选取控制临界点的中点即μ=N_A/2。σ为曲线偏离中心对称点的程度，σ值越小则曲线越集中于μ的周围但亦会导致△v(n)趋于无穷。为避免出现△v(n)过大导致的不舒适性，同时确保v(n)在采样点N_A的一致连续性，故选取σ的取值范围为[μ/2.4,.μ/2.6]。

模糊论域越多，则系统的精确度越高同时亦会使算法的复杂度增加。模糊论域越少，则会导致系统的模糊值长时间滞留在饱和区从而影响系统的控制精度。本发明的模糊论域采用较为常见的5值离散型模糊论域{-2，-1,0,1,2}，通过结合规划的v(n)实现动态规划量化因子的方式，从而提高系统在饱和区的控制精度。量化因子K_e(n)和K_ec(n)规划的方式如公式（4）和公式（5）所示：

$K_e\left(n\right)=\frac{2}{k_e*v\left(n\right)}$ 公式(4)

$K_{\mathrm{ec}}\left(n\right)=\frac{2}{k_{\mathrm{ec}}*v\left(n\right)}$ 公式(5)

式4中k_e为K_e(n)的比例因子，式5中k_ec为K_ec(n)的比例因子。比例因子可根据系统控制精度要求进行调整，比例因子越小则控制精度越高，本发明结合控制经验优选k_e=5%和k_ec=1%。

中间层控制器通过计算控制周期内的实时车速v_real(n)与对应的期望车速v(n)的速度偏差e(n)和速度偏差变化率ec(n)，并结合顶层控制器所修正的量化因子K_e(n)和K_ec(n)，从而确定e(n)和ec(n)的模糊值，如公式（6）和公式（7）所示：

$n_e=\left\{\begin{array}{cc}2,& 2\&le;e\left(n\right)*K_e\left(n\right)\\ \mathrm{sgn}[e\left(n\right)*K_e\left(n\right)]*\mathrm{int}\left[\right|e\left(n\right)*K_e\left(n\right)|+0.5],& |e\left(n\right)*K_e\left(n\right)|<2\\ -2,& e\left(n\right)*K_e\left(n\right)\&le;2\end{array}\right.$ 公式（6）

$n_{\mathrm{ec}}=\left\{\begin{array}{cc}2,& 2\&le;\mathrm{ec}\left(n\right)*K_{\mathrm{ec}}\left(n\right)\\ \mathrm{sgn}[\mathrm{ec}\left(n\right)*K_{\mathrm{ec}}\left(n\right)]*\mathrm{int}\left[\right|\mathrm{ec}\left(n\right)*K_{\mathrm{ec}}\left(n\right)|+0.5],& |\mathrm{ec}\left(n\right)*K_{\mathrm{ec}}\left(n\right)|<2\\ -2,& e\left(n\right)*K_{\mathrm{ec}}\left(n\right)\&le;2\end{array}\right.$ 公式（7）

然后通过查表的方式确定△K_P(n)和△K_I(n)的模糊值。模糊控制规则表的设定可根据专家经验、实际试验和BP神经网络等方式确定，其设计原则是误差量较大时调整为较大的参数，使得控制目标可以快速收敛至期望目标值；误差量较小时调整为较小参数，使得控制目标能稳定在期望目标值附近。图2为可供参考的模糊控制规则表。

底层控制器通过对△K_P(n)和△K_I(n)的模糊值进行解模糊化，从而确定其取值。并利用增量式PI算法如公式（8）所示得到期望压力值。

u(n)=u(n-1)+△u(n) 公式（8）

式中u(n)为第n个控制周期的期望压力值，△u(n)为第n个控制周期的期望压力值变化量如公式（9）所示：

△u(n)=[K_P(n-1)+△K_P(n)]*ec(n)+[K_I(n-1)+△K_I(n)]*e(n) 公式（9），

下面进一步的举一个例子来描述：

1)系统启动：系统启动后，控制器通过车载CAN总线获取期望车速v_tar及当前时刻的实时车速v_real(0)即期望车速v(0)。

B.期望车速v(n)、量化因子K_e(n)和K_ec(n)的设定：顶层控制器根据公式(1)规划期望速度变化率△v(n),然后根据公式(1)计算期望车速v(n)，最后根据期望车速v(n)结合公式(4)和公式(5)规划量化因子K_e(n)和K_ec(n)。

C.模糊决策△K_P(n)和△K_I(n)：中间层控制器通过车载CAN总线采集实时车速v_real(n)，并结合顶层控制器计算的期望车速v(n)、K_e(n)和K_ec(n)计算速度偏差量e(n)和偏差量变化率ec(n)。然后根据公式(6)和公式(7)计算e(n)和ec(n)的模糊值，并结合图2所示的模糊控制规则表确定△K_P(n)和△K_I(n)的模糊值。D.确定期望压力值：底层控制器首先对△K_P(n)和△K_I(n)的模糊值进行解模糊化，然后结合公式(8)和公式(9)计算期望制动压力值u(n)，并输出至车载CAN总线以此致动制动器，从而达到速度控制的目的。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明方法权利要求所限定的范围。

Claims (4)

1.一种基于模糊控制的车辆低速控制方法，所述车辆具有车载CAN总线，车载低速控制器通过车载CAN总线与车载设备进行通信，其特征在于，车辆低速控制方法包括以下步骤：

101、启动所述车载低速控制器，并通过车载CAN总线获取最终目标车速v_tar及初始车速v(0)，根据公式（1）所示得出第n个控制周期期望车速v(n)，

式（1）中△v(n)为第n个控制周期内的速度变化量，N_A为控制周期临界点；其中控制周期临界点N_A的计算公式为

式（2）中T₀为控制周期，a_tar为期望加速度，a_tar的取值范围为[1m/s²,1.5m/s²]；

102、采用拉普拉斯—高斯曲线对步骤101中的△v(n)进行规划，规划公式如下：

式（3）中μ为△v(n)曲线的对称线上的点，μ＝N_A/2，σ为曲线偏离中心对称线的程度，σ的取值范围为[μ/2.4,μ/2.6]；

103、根据步骤102中对应规划后的v(n)，修正速度偏差e(n)的量化因子K_e(n)和速度偏差变化率ec(n)的量化因子K_ec(n)；

104、实时采集控制周期内的实时车速v_real(n)，并根据步骤102中对应规划后的v(n)，计算得出e(n)和ec(n)，并根据步骤103中得到的K_e(n)和K_ec(n)，确定出e(n)和ec(n)的模糊值；

105、对步骤104中的e(n)和ec(n)的模糊值进行模糊控制规则表查询，确定比例系数K_P(n)变化量△K_P(n)的模糊值和积分系数K_I(n)变化量△K_I(n)的模 糊值；

106、对步骤105中的△K_P(n)和△K_I(n)模糊值进行解模糊化，并根据增量式PI算法得到期望压力值u(n)，将u(n)发送至车载CAN总线从而致动制动器。

2.根据权利要求1所述的基于模糊控制的车辆低速控制方法，其特征在于：步骤103中的K_e(n)和K_ec(n)计算分别如下式所示：

式（4）中k_e为K_e(n)的比例因子，式（5）中k_ec为K_ec(n)的比例因子。

3.根据权利要求2所述的基于模糊控制的车辆低速控制方法，其特征在于：所述k_e＝5％和k_ec＝1％。

4.根据权利要求1所述的基于模糊控制的车辆低速控制方法，其特征在于：步骤106中的增量式PI算法如式（6）所示，

u(n)＝u(n-1)+Δu(n) (6)，

其中u(n)为第n个控制周期的期望压力值，△u(n)为第n个控制周期的期望压力值变化量，△u(n)的计算式为

Δu(n)＝[K_P(n-1)+ΔK_P(n)]*ec(n)+[K_I(n-1)+ΔK_I(n)]*e(n) (7)。