CN104859650B - 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 - Google Patents
一种多时间尺度的车辆横摆稳定性滚动优化控制方法 Download PDFInfo
- Publication number
- CN104859650B CN104859650B CN201510287054.5A CN201510287054A CN104859650B CN 104859650 B CN104859650 B CN 104859650B CN 201510287054 A CN201510287054 A CN 201510287054A CN 104859650 B CN104859650 B CN 104859650B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- control
- decision
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005096 rolling process Methods 0.000 title claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000009941 weaving Methods 0.000 claims description 7
- 241000153246 Anteros Species 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 201000009482 yaws Diseases 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001687 destabilization Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010068052 Mosaicism Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0017—Modal analysis, e.g. for determining system stability
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种多时间尺度的车辆横摆稳定性滚动优化控制方法,以车辆路径信息为研究起点,考虑驾驶员的侧向行为特性,通过滚动预瞄决策优化得到满足行车路径的方向盘转角,在此基础上考虑驾驶员行为与车辆主动安全控制的不同时间尺度问题,采用多时间尺度滚动优化方法对车辆侧向稳定性进行控制。首先建立简化的车辆动力学模型,然后进行双闭环控制器的设计,双闭环控制器包括驾驶员决策模块和非线性侧向稳定集成控制模块,以驾驶员决策模块与非线性侧向稳定集成控制器构成的控制回路为控制外环,以非线性侧向稳定集成控制器构成的控制回路为控制内环,完成对车辆的横摆稳定性控制。
Description
技术领域
本发明涉及一种考虑驾驶员因素的多时间尺度车辆横摆稳定性滚动优化控制方法,属于车辆横摆稳定性控制技术领域。
背景技术
随着汽车进入社会生产生活中,交通事故的频繁发生,使得交通安全问题逐渐引起了人们的重视,而车辆侧向失稳则是造成交通事故的一个重要原因,因此车辆侧向稳定性问题逐渐得到了消费者和研究人员的广泛关注。传统的车辆侧向稳定控制是以给定的方向盘转角作为输入,通过一个二自由度稳态转向模型得到理想的横摆角速度,并以跟踪上理想横摆角速度作为控制目标,但是使用这种控制方法一旦驾驶员出现误操作,将会导致给定的方向盘转角产生偏差,从而引起车辆失稳并且容易造成交通事故。
在实际驾驶过程中,车辆的方向盘转角并非是任意给定的,而是由驾驶员通过前方道路信息作出判断从而决策出来的。通常驾驶员在驾驶过程中,首先预瞄前方道路信息,然后决策方向盘转角大小,以上过程驾驶员的反应时间为100ms-200ms;而当车辆发生不足转向或过度转向时,底层电子控制单元发生动作使车辆跟踪理想横摆角速度,电子控制单元的单步计算时间为5ms-20ms,因此驾驶员行为与侧向主动安全控制分属不同的时间尺度。
发明内容
为解决由于驾驶员误操作引起的车辆失稳问题,本发明以车辆路径信息为研究起点,考虑驾驶员的侧向行为特性,通过滚动预瞄决策优化得到满足行车路径的方向盘转角;在此基础上,考虑驾驶员行为与车辆侧向主动安全控制的不同时间尺度问题,采用多时间尺度滚动优化方法对车辆侧向稳定性进行控制。其中,以驾驶员决策模块为控制外环,以非线性侧向稳定集成控制器为控制内环,确定了考虑驾驶员因素的多时间尺度车辆横摆稳定双闭环控制器的总体结构。
本发明是通过以下技术方案实现的:
一种多时间尺度的车辆横摆稳定性滚动优化控制方法,包括以下步骤:
步骤一、建立简化的车辆动力学模型:用二自由度模型表征车辆的操纵稳定性与车辆的纵向运动和横摆运动之间的关系;
步骤二、根据步骤一建立的车辆动力学模型进行双闭环控制器的设计,双闭环控制器包括驾驶员决策模块和非线性侧向稳定集成控制模块,以驾驶员决策模块与非线性侧向稳定集成控制器构成的控制回路为控制外环,以非线性侧向稳定集成控制器构成的控制回路为控制内环,双闭环控制器的设计具体包括以下步骤:
1)建立驾驶员决策模块,用以模拟驾驶员根据前方道路信息作出的驾驶行为决策:首先根据所述步骤一建立的车辆动力学模型模拟驾驶员对车辆的了解,然后采用搜索算法模拟驾驶员对路径的预瞄行为以获取期望路径信息,最后选择模型预测控制方法模拟驾驶员的预测和优化能力,获得驾驶员方向盘转角信息;
2)设计非线性侧向稳定集成控制器,用以根据上述步骤1)输出的驾驶员方向盘转角信息决策出使车辆保持横摆稳定状态的附加横摆力矩以及优化的方向盘转角信息:非线性侧向稳定集成控制器包含驾驶意图判定模块、非线性控制器模块及制动力分配模块;首先将由上述步骤1)建立的驾驶员决策模块获得的驾驶员方向盘转角信息输入到驾驶员意图判定模块,得到期望的横摆角速度信息;其次,将期望横摆角速度信息输入到非线性控制器模块,根据期望横摆角速度的值以及实时反馈的车辆前后轮侧偏角及横摆角速度,利用模型预测控制方法预测系统的未来动态,同时进行优化,决策出附加横摆力矩以及优化的方向盘转角信息,将优化后的方向盘转角信息输出至车辆系统;最后,制动力分配模块将决策出的附加横摆力矩转化为制动力分配到各个车轮;
步骤三、基于所述步骤二设计的双闭环控制器进行车辆横摆稳定性控制:将道路信息输入双闭环控制器,所述驾驶员决策模块根据输入的道路信息获得相应的驾驶员方向盘转角信息,进而将获得的驾驶员方向盘转角信息输入所述非线性侧向稳定集成控制器,决策出附加横摆力矩以及优化的方向盘转角信息并输出至车辆相应的执行机构,使车辆保持横摆稳定状态。
由于采用了上述的技术方案,本发明的有益效果是:
(1)与现有的车辆侧向稳定系统相比,以行车路径信息为起点,所采用方法可以有效地避免人为误操作所引起的车辆失稳问题。
(2)综合考虑了转向驾驶行为和侧向稳定控制的不同时间尺度。
(3)在高保真车辆动力学仿真软件veDYNA中,以基于实车实验数据所搭建的HQ430车辆模型作为仿真车辆,验证了所设计的车辆横摆稳定双闭环控制器有效性。
附图说明
图1二自由度车辆模型示意图;
图2车辆横摆稳定双闭环控制器结构框图;
图3获取预瞄信息的示意图;
图4驾驶员决策模块流程图
图5制动力矩分配示意图;
图6低附着双移线实验侧向位移对比图;
图7低附着双移线实验横摆角速度对比图;
图8低附着双移线实验方向盘转角对比图;
图9低附着双移线实验轮胎侧偏角曲线图;
图10低附着双移线实验附加横摆力矩曲线图;
图11(a)低附着双移线实验左侧轮胎制动力曲线图;
图11(b)低附着双移线实验右侧轮胎制动力曲线图;
图12高附着蛇形穿杆实验侧向位移对比图;
图13高附着蛇形穿杆实验横摆角速度对比图;
图14高附着蛇形穿杆实验方向盘转角对比图;
图15高附着蛇形穿杆实验轮胎侧偏角曲线图;
图16高附着蛇形穿杆实验附加横摆力矩曲线图;
图17(a)高附着蛇形穿杆实验左侧轮胎制动力曲线图;
图17(b)高附着蛇形穿杆实验右侧轮胎制动力曲线图。
具体实施方式
下面结合附图,对本发明所提出的技术方案进行进一步阐述和说明。
本发明提供了一种考虑驾驶员因素的多时间尺度车辆横摆稳定性滚动优化控制方法,该方法包括以下几个步骤:
步骤一、建立简化的车辆动力学模型
为了便于对车辆系统的分析及控制,首先需要建立一个简化的车辆动力学模型,用于驾驶员决策模块及非线性侧向稳定集成控制器的设计。考虑到车辆的操纵稳定性与车辆的纵向运动和横摆运动关系最为密切,因此首先将整车模型简化为二自由度模型。在车辆上建立坐标系,原点位于汽车的质心,车辆前进的方向为x轴正方向,水平向左为y轴正方向,z轴正方向由右手螺旋定则确定。如图1所示为简化的二自由度车辆模型的示意图。考虑车辆的横摆运动和侧向运动,可以获得公式(1)所示的动力学方程。
根据几何关系,轮胎前后侧偏角、车辆前轮转角以及纵向车速之间有如公式(2)的关系。
其中,Fy,f和Fy,r分别为前后轮胎的侧偏力,单位M;为附加横摆力矩,单位Nm;a和b分别为汽车质心到前后轴的距离,单位m;Iz为汽车绕z轴的转动惯量,单位kg·m2;m为汽车质量,单位kg;δ为前轮转角,单位rad;r为车辆的横摆角速度,单位m/s;vx和vy分别为车辆纵向速度和侧向速度,单位m/s;αf和αr位分别为轮胎前后侧偏角,单位rad。
步骤二、根据步骤一建立的车辆动力学模型进行双闭环控制器的设计,双闭环控制器包括驾驶员决策模块和非线性侧向稳定集成控制模块,综合考虑了转向驾驶行为和侧向稳定控制的不同时间尺度,以驾驶员决策模块与非线性侧向稳定集成控制器构成的控制回路为控制外环,以非线性侧向稳定集成控制器构成的控制回路为控制内环,使双闭环控制器能够满足不同时间尺度的综合控制,具体包括以下步骤:
1、建立驾驶员决策模块,用于模拟驾驶员对车辆的认知行为,并为驾驶员预测行为的建模奠定基础,模拟驾驶员根据前方道路信息作出的驾驶行为决策:
首先根据步骤一建立的包含侧向运动、横摆运动等状态的二自由度车辆动力学模型模拟驾驶员对车辆的了解,然后采用搜索算法模拟驾驶员对路径的预瞄行为以获取期望路径信息,最后选择模型预测控制的方法模拟驾驶员的预测和优化能力。
建立驾驶员决策模块首先要了解真实的驾驶员是如何转向的,如图2的车辆横摆稳定双闭环控制器结构框图所示,驾驶员在驾驶过程中表现出的行为可归纳为:对车辆的认知行为、预瞄行为、预测行为和优化行为。因此在建立驾驶员决策模块时,可以将其分为认知、预瞄、预测和优化等子模块进行分别建模。首先道路信息输入给预瞄模块获得期望的行驶路径,进而通过认知模块以及预测和优化模块最终获得理想的方向盘转角信息。因此,驾驶员决策模块的功能可以归纳为:通过输入道路信息从而获得相应的方向盘转角信息。
1)认知模块建模
认知行为是指驾驶员能够利用自己的驾驶经验及相关知识认知车辆,即根据车辆所处的工况、环境等情形,会重点关注车辆的某些方面。而在转向过程中驾驶员比较关心侧向运动及横摆运动等状态,因此,本发明选择如图1所示的二自由度车辆模型用于模拟驾驶员对车辆的了解。
根据轮胎的侧偏特性,假设轮胎侧偏力Fy,f、Fy,r与轮胎侧偏角αf、αr之间的关系如公式(3)所示。
Fy,f=2CFαf
(3)
Fy,r=2CRαr
其中,CF、CR分别为前后轮胎的侧偏刚度。
另外,设Posy为车辆在大地坐标系下的侧向位移,根据车辆坐标系与大地坐标系的转换关系可得:
其中,为了简化模型,做出如下近似:
cosψ≈1 sinψ≈ψ (5)
结合(1)-(5)式,根据选择x=[posy vy rψ]T作为系统的状态变量,方向盘转角δd作为系统的控制输入,方向盘转角与汽车前轮转角的关系为δd=λδ,其中λ为方向盘转角δd到车轮转角δ的转向系角传动比。选择汽车在大地坐标系下的侧向位移y=Posy作为系统的输出,可将车辆模型写成如公式(6)的状态空间形式。
其中,
将状态空间表达式(6)离散化可得:
xy(k+1)=Gxy(k)+Huy(k)
(8)
posy(k)=Cxy(k)A
在这里,G=eAT,
2)预瞄模块建模
为了模拟驾驶员的预瞄行为,这里采用搜索算法模拟驾驶员对路径的预瞄行为以获取期望路径信息。假设驾驶员期望跟随的道路信息是已知的,采用坐标为(Xi,Yi),i=1...n的离散数对形式记录车辆行驶路径信息。其中,n为道路终点,每一对X、Y坐标代表大地坐标系下一个路径点的横坐标、纵坐标,这些点按方向连起来可以描述一条完整的路径。图3中,期望路径被描述为离散数对(Xi,Yi),i=1...n的形式,在大地坐标系XOY下,假设汽车纵向速度Vx不变,S0为道路的起点,汽车的当前位置用坐标表示为(X0,Y0),驾驶员在汽车当前位置所看到的前方路径信息称为预瞄信息。
期望路径信息的获取分为三步:首先,计算车辆当前在大地坐标系下的横坐标;其次,根据期望跟随的道路信息寻找车辆位置,并将此位置存为下一次搜索的起点,以减少下一次搜索的时间;最后,根据第二步获得的车辆位置,在驾驶员的视觉范围内依次寻找路径点,采用多点预瞄以反映驾驶员向前预瞄一段距离的特点,其具体流程如图4所示。基于以上的搜索算法,可以获得驾驶员预瞄的期望路径信息r(k),如图4所示,以此模拟驾驶员的预瞄行为。
3)预测模块建模
由于模型预测的原理与驾驶员预测优化行为是一致的,因此本发明选择模型预测控制方法模拟驾驶员的预测和优化能力。
根据模型预测控制的基本思想,于当前k时刻预测[k,k+Np1]时域内的动态行为,本发明中选择预测时域为Np1,控制时域为Nu1,满足Nu1≤Np1,Nu1时刻以后,控制输入不变,uy(k+Nu1-1)=uy(k+Nu1)...=uy(k+Np1-1)定义k时刻的优化控制输入序列Uy(k)为:
同时,定义k时刻的预测输出方程为(10)式:
根据模型预测控制的基本原则和相关理论,可推导出k时刻Np1步被控输出的预测方程如下:
Posy(k+1|k)=Sxxy(k)+SuUy(k) (11)
其中,
在这里,Posy(k+1|k)反映了驾驶员对车辆未来输出的预测。同时,根据驾驶员预瞄到的期望路径信息r(k),定义如下的参考输入序列:
4)优化模块建模
对于转向行为,驾驶员的期望是:在转向盘动作不要太大的前提下,使车辆实际输出的侧向位移跟踪上预瞄得到的理想侧向位移,实现车辆侧向行驶轨迹的控制。为了反映驾驶员的期望,这里选择二次型性能指标J(Posy,U(k),Nu1,Np1)为目标函数:
J=||Γy1(Posy(k+1|k)-R(k+1))||2+||Γu1Uy(k)||2 (14)
将驾驶员的期望描述为(15)式的优化问题,即使目标函数J(yc(k),U(k),Nu,Np)值最小:
求解(15)式的优化问题,可得系统的控制输入序列:
其中Ep(k+1|k)=R(k+1)-Sxxy(k),Γy1和Γu1分别是输出序列和控制信号序列的权重因子。根据模型预测控制的机理,如公式(17),将得到的控制序列Uy(k)的第一个元素uy(k),即决策出的方向盘转角传递给神经肌肉系统。下一时刻,控制时域向前推进一步,上述预测优化过程重复进行,即可对车辆的转向进行闭环控制。
uy(k)=[1 0 … 0]Uy(k) (17)
综上所述,设计驾驶员决策模块的流程如图4所示。
2、设计非线性侧向稳定集成控制器,用以根据步骤1)输出的方向盘转角信息决策出使车辆保持横摆稳定状态的附加横摆力矩以及优化的方向盘转角信息:
在图2中,非线性侧向稳定集成控制器一共包含三个部分:驾驶意图判定模块、非线性控制器模块及制动力分配模块。首先将由步骤1建立的驾驶员决策模块获得的方向盘转角信息输入到驾驶员意图判定模块,从而得到期望的横摆角速度信息;其次,将期望横摆角速度信息输入到非线性控制器模块,根据期望横摆角速度的值以及实时反馈的车辆前后轮侧偏角及横摆角速度,利用模型预测控制方法预测系统的未来动态,同时考虑安全性及稳定性的因素,进行优化,决策出附加横摆力矩以及优化的方向盘转角信息,将优化后的方向盘转角信息输出至车辆系统;最后,制动力分配模块将决策出的附加横摆力矩转化为制动力分配到各个车轮。具体设计方法如下:
1)驾驶意图判定模块:
驾驶意图判定模块用于根据判断驾驶员的行驶意图进而获得期望的横摆角速度,即将由步骤1建立的驾驶员决策模块获得的方向盘转角信息输入驾驶意图判定模块,经驾驶意图判定模块获得期望的横摆角速度信息。当汽车等速行驶时,在前轮角阶跃输入下进入的稳态响应是等速圆周行驶,其中稳态的横摆角速度与前轮转角的比值,即稳态角速度增益可以用于评价车辆的稳态响应。当车辆达到稳定状态时,可通过求解二自由度车辆模型得到稳态横摆角速度增益的公式(18)。
其中,L为车辆的轮距,单位m;根据稳态横摆角速度增益的公式可知,期望的横摆角速度rref与前轮转角δ以及纵向速度vx相关。同时,公式中η代表稳定性因数,单位s2/m2;k是表征汽车稳态响应的一个重要参数,单位s2/m2,其值的试验方法有很多,通常情况下,η的值在0.0024s2/m2-0.0026s2/m2之间。
2)非线性控制器模块
非线性控制器模块主要是通过模型预测的方法通过输入期望的横摆角速度信息从而获得附加横摆力矩M及优化的方向盘转角δ*。
结合二自由度车辆动力学方程(1)和方程(2),可得到方程(19)。
其中,为车辆前轮转角的变化率。
由于轮胎的侧偏饱和特性对于车辆的侧向稳定性影响重大,因此,在建立非线性控制器模块时必须考虑轮胎的非线性特性。所以,本发明采用非线性的轮胎力模型进行研究。当只考虑车辆侧向运动和横摆运动时,非线性轮胎侧偏力可以用式(20)表示
其中,Fz[N]是轮胎纵向垂直载荷,单位N;Fz0[N]是标称轮胎载荷,单位N;μ是路面附着系数;μ0是标称路面附着系数;αi是轮胎侧偏角,单位rad;同时,γz和γα是模型参数,在这里通过辨识的方法得到。
为了获得简化的车辆动力学状态空间模型,将公式(20)的轮胎模型带入公式(19)中,选择x=[αf αf δ]作为状态变量,作为控制输入,选择输出为y=r。最后,可以得到连续时间的系统非线性状态空间方程(21)。
为进行非线性控制器的设计,选择采样时间为Ts,用欧拉方法将连续时间的系统状态空间方程(21)离散化为(22)。
根据模型预测控制的原理及规则,在时间k时刻,即将到来的k=Np2个时刻的车辆状态可以通过模型(22)获得,Np2时刻的状态可以表示为:
xr(k+Np2)=F(xr(k),ur(k),ur(k+1),...,ur(k+Nu2),...,ur(k+Np2-1))。这里定义,预测时域为Np2,控制时域为Nu2,同时满足Nu2≤Np2。当采样时间大于控制时域Nu2时,保持控制输入不变直到预测时域Np2,即ur(k+Nu2-1)=ur(k+Nu2)=ur(k+Nu2+1)=...=ur(k+Np2-1)。同样通过公式(22),Np2个时刻的横摆角速度输出也可以预测得到r(k+Np2)=Gxr(k+Np2)。因此可以定义优化控制输入系列为公式:
定义预测输出为公式(24),其中r(k+1|k),i=1,…Np2可通过公式(22)预测得到。
考虑到车辆的侧向稳定性,需要使车辆实际输出的横摆角速度r跟踪上期望的横摆角速度rref,因此定义参考输入序列
Rref(k+1)=[rref(k+1),rref(k+1),…rref(k+Np2)]T (25)
又由于附加横摆力矩M作为控制输出受制动执行机构的限制,因此,对横摆力矩M作如下约束:
Mmin≤M(k)≤Mmax (26)
由于机械设计及前轮转向执行机构的限制,控制输出前轮转角变化率也存在约束:
另外,考虑到车辆失稳的主要原因是由于轮胎的饱和特性,过大的轮胎侧偏角会引起车辆失稳,因此需要为车辆的前后侧偏角加一定的约束:
αf,min≤αf(k)≤αf,max (28a)
αr,min≤αr(k)≤αr,max (28b)
在上述约束的基础上,为了使车辆输出的横摆加速度尽快跟踪上期望值,并且考虑到实际的制动及转向执行机构,控制输出附加横摆力矩及前轮转角变化率都不能太大,因此,应该使公式(29)尽量的减小。
J(Ry(k),Ur(k),Nu1(k),Np1(k))=||Γy2Ry(k+1|k)-Ry(k+1)||2+||Γu2Uy(k)||2 (29)
其中,Γy2=diag(τy,1,τy,2,…τy,Np2),Γu2=diag(τst,1,τM,1,τst,2,τM,2,…τst,Nu,τM,Nu2)是权重矩阵。
为了获得最优控制输出M及以保证车辆的侧向稳定性,进一步对上述非线性规划问题进行求解,本发明在离线仿真阶段借助于MATLAB\NAG工具箱中的e04wd函数进行求解。使用NAG工具箱求解主要涉及目标函数与约束函数的编写,两个函数编写成功后,经过主函数的调用,即可求解得到优化的附加横摆力矩和车辆前轮转角变化率,经过转换即可得到车辆方向盘转角δ*。
3)制动力分配模块
制动力分配模块主要用于将附加横摆力矩M分配为制动力作用于车辆系统。本发明选择单侧轮制动的分配方案对附加横摆力矩进行分配。即当车辆存在过度转向时,对右侧的右前轮2和右后轮4施加制动力;当车辆存在不足转向时,对左侧的左前轮1和左后轮3施加制动力。如图5所示,规定逆时针方向为正,单侧车轮施加制动力的力学分析如下:
左前轮1和左后轮3施加制动力产生的横摆力矩:
右前轮2和右后轮4施加制动力产生的横摆力矩:
其中Lf和Lr分别为前后轮间距离,Fbi(i=1,2,3,4)为车轮制动力。根据上述的制动力学分析,可以的到如下的制动策略:
车辆进行左转弯操作,即δ>0,此时实际的车辆横摆角速度r>0及期望值rref>0,如果r>rref,则车辆存在过度转向,需要对右侧的右前轮2和右后轮4施加制动力;反之,如果r<rref,则车辆存在不足转向,需要对左侧的左前轮1和左后轮3施加制动力;
车辆进行右转弯操作,即δ<0,此时实际的车辆横摆角速度r<0及期望值rref<0,如果r<rref,则车辆存在过度转向,需要对右侧的右前轮2和右后轮4施加制动力;反之,如果r>rref,则车辆存在不足转向,需要对左侧的左前轮1和左后轮3施加制动力。
步骤三、基于步骤二设计的双闭环控制器进行车辆横摆稳定性控制:将道路信息输入双闭环控制器,驾驶决策模块根据输入的道路信息获得相应的方向盘转角信息,进而将获得的方向盘转角信息输入非线性侧向稳定集成控制器,决策出附加横摆力矩以及优化的方向盘转角信息并输出至车辆相应的执行机构,使车辆保持横摆稳定状态。
下面给出本发明所述的考虑驾驶员因素的多时间尺度车辆横摆稳定性滚动优化控制方法的离线仿真验证。
为验证基于多时间尺度的车辆横摆稳定控制器的有效性,在不同附着路面和不同工况下进行了仿真研究。由于整车模型和控制器的联合仿真实验可以节省研究和开发成本,缩短开发时间,因此,将基于HQ430型轿车参数的高保真车辆动力学仿真模型作为整车模型,与基于多时间尺度的车辆横摆稳定控制器进行联合离线仿真。另外,为模拟驾驶员行为与侧向主动安全控制的不同时间尺度,将驾驶决策模块的仿真步长设置为0.1,将非线性集成控制器模块的仿真步长设置为0.01,下面给出具体的实验结果与分析。
(1)低附着双移线实验结果
双移线工况的具体设置为:在路面摩擦系数μ=0.4的道路上,车辆由静止开始加速,当车辆速度加速到80km=h时,进行并线操作(即双移线操作),之后保持匀速直线运动。图6-11,为该工况下的仿真结果图,为使仿真结果更加清晰直观,我们只给出车辆进行双移线操作时的仿真曲线。其中,图6为经过驾驶员预瞄行为得到的理想侧向位移与HQ430车辆模型输出的实际侧向位移的对比曲线。图7为经过驾驶意图判定模块输出的理想横摆角速度与HQ430车辆模型输出的实际横摆角速度的对比曲线。图8为驾驶员通过道路信息决策出的方向盘转角与非线性集成控制器输出的优化后的方向盘转角对比图。从以上三个对比图可以看出,车辆的侧向位移与横摆角速度都可以实现较好的跟踪,而优化后的方向盘转角要略小于驾驶员决策出的方向盘转角,这也符合车辆稳定性的控制需求。图9-11,分别为该工况下的前后轮胎侧偏角、附加横摆力矩以及左右侧轮胎制动力的仿真结果曲线,并且都可以满足控制需求。
(2)高附着蛇形穿杆实验结果
蛇形穿杆操作具体设置为:在路面摩擦系数μ=0.8的道路上,车辆由静止开始加速,当车辆速度加速到50km=h时,进行蛇形穿杆操作,之后保持匀速直线运动。图12-17,为该工况下的仿真结果,由仿真结果可以得出与双移线工况相似的结论,即本发明所设计的基于多时间尺度的车辆横摆稳定控制器可以满足基本的控制需求。
Claims (2)
1.一种多时间尺度的车辆横摆稳定性滚动优化控制方法,其特征在于,包括以下步骤:
步骤一、建立简化的车辆动力学模型:用二自由度模型表征车辆的操纵稳定性与车辆的纵向运动和横摆运动之间的关系;
步骤二、根据步骤一建立的车辆动力学模型进行双闭环控制器的设计,双闭环控制器包括驾驶员决策模块和非线性侧向稳定集成控制模块,以驾驶员决策模块与非线性侧向稳定集成控制器构成的控制回路为控制外环,以非线性侧向稳定集成控制器构成的控制回路为控制内环,双闭环控制器的设计具体包括以下步骤:
1)建立驾驶员决策模块,用以模拟驾驶员根据前方道路信息作出的驾驶行为决策:首先根据所述步骤一建立的车辆动力学模型模拟驾驶员对车辆的了解,然后采用搜索算法模拟驾驶员对路径的预瞄行为以获取期望路径信息,最后选择模型预测控制方法模拟驾驶员的预测和优化能力,获得驾驶员方向盘转角信息;
2)设计非线性侧向稳定集成控制器,用以根据上述步骤1)输出的驾驶员方向盘转角信息决策出使车辆保持横摆稳定状态的附加横摆力矩以及优化的方向盘转角信息:非线性侧向稳定集成控制器包含驾驶意图判定模块、非线性控制器模块及制动力分配模块;首先将由上述步骤1)建立的驾驶员决策模块获得的驾驶员方向盘转角信息输入到驾驶员意图判定模块,得到期望的横摆角速度信息;其次,将期望横摆角速度信息输入到非线性控制器模块,根据期望横摆角速度的值以及实时反馈的车辆前后轮侧偏角及横摆角速度,利用模型预测控制方法预测系统的未来动态,同时进行优化,决策出附加横摆力矩以及优化的方向盘转角信息,将优化后的方向盘转角信息输出至车辆系统;制动力分配模块将决策出的附加横摆力矩转化为制动力分配到各个车轮;
步骤三、基于所述步骤二设计的双闭环控制器进行车辆横摆稳定性控制:将道路信息输入双闭环控制器,所述驾驶员决策模块根据输入的道路信息获得相应的驾驶员方向盘转角信息,进而将获得的驾驶员方向盘转角信息输入所述非线性侧向稳定集成控制器,决策出附加横摆力矩以及优化的方向盘转角信息并输出至车辆相应的执行机构,使车辆保持横摆稳定状态。
2.按照权利要求1所述的一种多时间尺度的车辆横摆稳定性滚动优化控制方法,其特征在于,所述步骤一建立的简化的车辆动力学模型用下式表示:
a和b分别为汽车质心到前后轴的距离,单位m;δ为前轮转角,单位rad;r为车辆的横摆角速度,单位m/s;vx和vy分别为车辆纵向速度和侧向速度,单位m/s;αf和αr分别为轮胎前后侧偏角,单位rad。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510287054.5A CN104859650B (zh) | 2015-05-28 | 2015-05-28 | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510287054.5A CN104859650B (zh) | 2015-05-28 | 2015-05-28 | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104859650A CN104859650A (zh) | 2015-08-26 |
CN104859650B true CN104859650B (zh) | 2017-04-05 |
Family
ID=53905952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510287054.5A Active CN104859650B (zh) | 2015-05-28 | 2015-05-28 | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104859650B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106985813B (zh) * | 2017-02-23 | 2019-05-31 | 南京航空航天大学 | 一种智能轮电驱动汽车的稳定性集成控制方法 |
CN106909153B (zh) * | 2017-03-21 | 2020-07-31 | 北京京东尚科信息技术有限公司 | 无人车横向控制方法和装置 |
CN107292048B (zh) * | 2017-07-05 | 2020-12-04 | 合肥工业大学 | 一种基于veDYNA车道保持方法及系统 |
CN108099901B (zh) * | 2017-12-18 | 2019-07-09 | 长春工业大学 | 一种提高极限工况下主动前轮转向控制精度的方法 |
CN108099876B (zh) * | 2017-12-18 | 2020-05-22 | 长春工业大学 | 一种基于模型预测的电动汽车防抱死控制方法 |
CN108099877B (zh) * | 2017-12-18 | 2020-05-22 | 长春工业大学 | 一种紧急制动工况下滑移率跟踪控制方法 |
CN108791301B (zh) * | 2018-05-31 | 2020-03-24 | 重庆大学 | 基于驾驶员特性的智能汽车驾驶过程横向动态控制方法 |
CN109137808A (zh) * | 2018-09-04 | 2019-01-04 | 广州市花林景观工程有限公司 | 一种智能洒水装置 |
CN109173122A (zh) * | 2018-09-04 | 2019-01-11 | 广州巨枫科技有限公司 | 一种全自动轮式灭火装置 |
CN109024406A (zh) * | 2018-09-04 | 2018-12-18 | 广州巨枫科技有限公司 | 一种道路清洁装置 |
CN109733474A (zh) * | 2019-01-21 | 2019-05-10 | 江苏大学 | 一种基于分段仿射分层控制的智能车转向控制系统及方法 |
CN110008600A (zh) * | 2019-04-09 | 2019-07-12 | 上海理工大学 | 车辆稳定性控制器性能保守性的设计方法 |
CN110481563B (zh) * | 2019-09-02 | 2020-08-11 | 上海智驾汽车科技有限公司 | 基于驾驶员神经肌肉模型的人机共驾共享控制算法 |
CN110901561B (zh) * | 2019-12-04 | 2021-07-23 | 清华大学 | 汽车的底盘域控制器、系统及方法 |
CN111703417B (zh) * | 2020-06-24 | 2023-09-05 | 湖北汽车工业学院 | 一种高低速统一预瞄滑膜驾驶控制方法及控制系统 |
CN111890951B (zh) * | 2020-08-07 | 2022-08-05 | 吉林大学 | 智能电动汽车轨迹跟踪与运动控制方法 |
CN112572410B (zh) * | 2020-12-15 | 2022-11-15 | 长春工业大学 | 一种基于稳定状态预测的汽车侧向稳定性提升方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101524994A (zh) * | 2008-03-04 | 2009-09-09 | 日产自动车株式会社 | 车辆驾驶辅助设备和车辆驾驶辅助方法 |
CN102248936A (zh) * | 2010-05-18 | 2011-11-23 | 福特全球技术公司 | 控制车辆的方法及车辆 |
CN103171623A (zh) * | 2011-12-23 | 2013-06-26 | 财团法人车辆研究测试中心 | 车辆横摆稳定控制方法及其系统 |
CN103448716A (zh) * | 2013-09-12 | 2013-12-18 | 清华大学 | 分布式电驱动车辆纵-横-垂向力协同控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4114657B2 (ja) * | 2004-10-25 | 2008-07-09 | 三菱自動車工業株式会社 | 車両の旋回挙動制御装置 |
JP5278378B2 (ja) * | 2009-07-30 | 2013-09-04 | 日産自動車株式会社 | 車両運転支援装置及び車両運転支援方法 |
-
2015
- 2015-05-28 CN CN201510287054.5A patent/CN104859650B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101524994A (zh) * | 2008-03-04 | 2009-09-09 | 日产自动车株式会社 | 车辆驾驶辅助设备和车辆驾驶辅助方法 |
CN102248936A (zh) * | 2010-05-18 | 2011-11-23 | 福特全球技术公司 | 控制车辆的方法及车辆 |
CN103171623A (zh) * | 2011-12-23 | 2013-06-26 | 财团法人车辆研究测试中心 | 车辆横摆稳定控制方法及其系统 |
CN103448716A (zh) * | 2013-09-12 | 2013-12-18 | 清华大学 | 分布式电驱动车辆纵-横-垂向力协同控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104859650A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
Cao et al. | Trajectory tracking control algorithm for autonomous vehicle considering cornering characteristics | |
CN104977933B (zh) | 一种自主驾驶车辆的区域型路径跟踪控制方法 | |
Villagra et al. | Flatness-based vehicle steering control strategy with SDRE feedback gains tuned via a sensitivity approach | |
CN108569336B (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN109684702B (zh) | 基于轨迹预测的行车风险辨识方法 | |
CN111775949A (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
CN108791491A (zh) | 一种基于自评价学习的车辆侧向跟踪控制方法 | |
Li et al. | Design of an improved predictive LTR for rollover warning systems | |
CN106740846A (zh) | 一种双模式切换的电动汽车自适应巡航控制方法 | |
CN114379583B (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
WO2014149043A1 (en) | Smart cruise control system | |
CN104462716B (zh) | 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法 | |
Hu et al. | Probabilistic lane-change decision-making and planning for autonomous heavy vehicles | |
CN109808707A (zh) | 一种基于随机模型预测的汽车转向控制方法及控制器 | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
CN109131351A (zh) | 基于随机时滞的车辆稳定性评价方法 | |
CN108829110A (zh) | 一种横/纵向运动统一框架的驾驶员模型建模方法 | |
CN110161865A (zh) | 一种基于非线性模型预测控制的智能车换道轨迹规划方法 | |
CN112578672A (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 | |
Santin et al. | Cruise controller with fuel optimization based on adaptive nonlinear predictive control | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
Shen et al. | Energy-efficient reactive and predictive connected cruise control | |
Lin et al. | Adaptive prediction-based control for an ecological cruise control system on curved and hilly roads |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |