CN105480230A - 用于车辆路线规划的自适应模型预测控制 - Google Patents

Abstract

本发明涉及用于车辆路线规划的自适应模型预测控制。为基于自适应模型预测控制的车辆路线规划提供了方法和系统。在一个示例中，方法包括：基于车辆输入和输出的车辆模型的实时在线识别；压缩输入空间以增加优化效率；以及基于车辆的模型参数和已知的道路坡度对路线规划的优化。

Description

用于车辆路线规划的自适应模型预测控制

相关申请的交叉引用

本申请要求于2014年10月2日提交的、标题为“用于最优车辆路线规划的高效自适应模型预测控制(EFFICIENTADAPTIVEMODELPREDICATIVECONTROLFOROPTIMALVEHICLEROUTEPLANNING)”美国临时专利申请号62/058,851的优先权，为了全部目的通过引用将其全部内容结合在此。

技术领域

本说明书一般涉及用于车辆路线规划的方法以及系统。

背景技术

在先进的路线规划中，给定的沿着路线的已知扰动量，例如道路坡度、交通等，可以计算车辆的最优速度分布。对最优速度分布的计算可以被制定为模型预测控制(MPC)问题，其中，不是对总路线计算整体速度分布，而是可以将该路线分解为若干秒或若干分钟的时域。在MPC问题中，对于一个给定域计算实现所希望的系统输出的最优输入。第一计算输入由车辆系统实施。然后，整个时域向前移动一个步骤，并且重新计算最优输入。

MPC中的一个挑战是减少了计算时间。对于MPC的计算时间与时域的长度密切相关。随着时域的长度增加，经计算的输入越接近最优解。然而，长的时域可能导致不可接受的长的计算时间。例如，以很长的时域用于输入优化时，在线性和非线性的情况中解决MPC问题在计算观感(computationalsense)中可能会变得棘手。

解决MPC中计算时间长的问题的其他尝试包括用于提高在MPC中的优化速度的方法。一种示例方法由Pekar等人在美国US8504175中示出。其中，使操纵变量的轨线最小化的成本函数以对于在未来中相对较短的时域的一个MPC模型来计算。该MPC使用二次规划(QP)算法以找到最优解，其中，该QP算法使用带有基于梯度投影的简单约束的有效集合解算器(AS)类算法、并且使用一个牛顿分步投影法来求解。

然而，发明人在此已经认识到利用这类系统的潜在问题。作为一个示例，对于给定的车辆系统而言，为了获得充分的近似最优解，一个长的时域长度可能是必要的。为了解决MPC问题，对车辆系统的模型的输入以及输出采样。时域的长度由预览到未来的持续时间以及采样频率来确定。较高的采样频率导致较长的时域长度。为了保持车辆模型以及模型输入的动态变化(例如扰动量)，适当的采样频率是必需的。因此，尽管具有低采样频率的短时域可能降低输入的数量从而优化，但在此过程中可能会损失模型分辨率以及干扰量分辨率。

发明内容

在一个示例中，上述问题可以通过响应于确定的规划路线而运转车辆的方法来解决，该规划路线对于一个用于使燃料消耗最小化的给定时域并且进一步基于沿所规划的路线的扰动量并且根据在给定时域上发动机转矩的参数的经压缩的总数来确定。以此方式，给定的沿路线的已知扰动量可以有效地确定最优规划路线。

作为一个示例，在车辆运转期间，可以基于发动机转矩、沿路线的一个或多个扰动量、燃料消耗、以及车辆的加速度在线估算车辆参数。可以在给定的时域上构建未来发动机转矩，其中，该未来发动机转矩经压缩以具有小于该时域的长度的参数的数目。然后，未来发动机转矩的每个参数可以通过使未来燃料消耗最小化被确定。未来发动机转矩的参数的减少的数目可以允许更快地收敛到最优结果，而不牺牲模型分辨率。此外，可以实施在线液力变矩器建模以允许包括需要液力变矩器解锁(例如在燃料切断和空档变速器运转期间)的离散事件的最优路线规划。

在线估算车辆参数的技术效果是为了实现车辆模型的实时在线调整以便考虑改变的环境因素，例如风、车辆质量、摩擦力、老化等。压缩未来发动机转矩的参数的数目的技术效果是为了实现提高优化效率，而不牺牲模型分辨率以及扰动量分辨率。此外，该压缩可以显著减少所需要的计算资源并且使该算法的车载实施成为可能。

应理解的是，提供上述概述以简化形式来介绍在具体实施方式中被进一步描述的概念的选择。它不意在确定要求保护的主题的关键特征或必要特征，其范围由随附于具体实施方式的权利要求书唯一地限定。此外，要求保护的主题并不限于解决以上或在本公开的任何部分中指出的任何缺点的实施方式。

附图说明

图1示意性地示出了车辆的示例发动机系统的多个方面；

图2示出了示例车辆传动系配置；

图3示出了示例车辆模型的框图；

图4示出了用于对于给定路线确定最优路线规划的示例方法；

图5A和图5B展示了以不同时域长度计算的模型预测控制问题的结果。

具体实施方式

以下描述涉及对于给定的沿路线的已知扰动量的车辆，用于确定最优转矩分布的系统以及方法。通过使一个时域上的车辆燃料消耗最小化来构建模型预测控制问题以确定最优发动机转矩。图1示出了车辆的示例发动机系统。图2展示了车辆传动系的示例配置。在图3中所示的框图中展示基于示例车辆模型的输入以及输出构建的MPC问题。图4示出了用于确定最优发动机转矩以实现最小化燃料消耗的示例方法。图5A和图5B展示了时域的长度在MPC解至最优解的收敛性上的影响。

图1图示说明了多缸发动机10的一个汽缸的示意图，多缸发动机10可以被包括在汽车的推进系统中。可以由包括控制器12的控制系统以及由来自车辆操作者132经由输入装置130的输入至少部分地控制发动机10。在这个示例中，输入装置130包括加速器踏板以及用于产生成比例的踏板位置信号PP的踏板位置传感器134。发动机10的燃烧室(即汽缸)30可以包括多个燃烧室壁32，其中活塞36被定位在燃烧室壁32中。活塞36可以被联接到曲轴40，使得该活塞的往复运动被转变为该曲轴的旋转运动。曲轴40可以经由中间变速器系统被联接到车辆的至少一个驱动车轮上。此外，起动马达可以经由飞轮被联接到曲轴40，从而使发动机10能够启动运转。

燃烧室30可以从进气歧管44经由进气通道42接收进气空气并且可以经由排气通道48排出燃烧气体。进气歧管44以及排气通道48能够选择性地经由各自的进气门52和排气门54与燃烧室30相连通。在一些实施例中，燃烧室30可以包括两个或更多个进气门和/或两个或更多个排气门。在这个示例中，进气门52以及排气门54可以经由一个或多个凸轮通过凸轮致动来控制，并且可以利用可以由控制器12运转的凸轮廓线变换系统(CPS)、可变凸轮正时(VCT)、可变气门正时(VVT)、和/或可变气门升程(VVL)系统中的一个或多个以改变气门运转。进气门52和排气门54的位置可以分别由位置传感器55和57确定。在替代实施例中，进气门52和/或排气门54可以由电动气门致动来控制。例如，汽缸30可以替代地包括经由电动气门致动来控制的进气门、以及经由包括CPS和/或VCT系统的凸轮致动来控制的排气门。

在一些实施例中，发动机10的每个汽缸可以配置有用于将燃料提供到其中的一个或多个燃料喷射器。作为一个非限制性示例，所示的汽缸30包括被从燃料系统172供给燃料的一个燃料喷射器66。所示的燃料喷射器66被直接联接到汽缸30以便将燃料与从控制器12经由电子驱动器68接收的信号FPW的脉冲宽度成比例地直接喷射到该汽缸中。以此方式，燃料喷射器66提供所谓的燃料到燃烧汽缸30中的直接喷射(以下也称为“DI”)。

将了解的是，在替代实施例中，喷射器66可以是将燃料提供到汽缸30的上游的进气道的进气道喷射器。还将了解的是，汽缸30可以从多个喷射器，例如多个进气道喷射器、多个直接喷射器、或其组合接收燃料。

继续图1，进气通道42可以包括具有节流板64的节气门62。在这个特定示例中，节流板64的位置可以由控制器12经由提供到电动马达或包括有节气门62的致动器的信号来改变，其配置通常被称为电子节气门控制(ETC)。以此方式，节气门62可被操作以改变提供到在其他发动机汽缸当中的燃烧室30的进气空气。节流板64的位置可以由节气门位置信号TP提供给控制器12。进气通道42可以包括质量空气流量传感器120和歧管空气压力传感器122，用于将各自的信号MAF和MAP提供给控制器12。

在选定运转模式下，点火系统88能够响应于来自控制器12的火花提前信号SA经由火花塞92将点火火花提供到燃烧室30中。尽管示出了多个火花点火部件，在一些实施例中，燃烧室30或者发动机10的一个或多个其他燃烧室可以在压缩点火模式中带有或不带点火火花的被运转。

上游排气传感器126被示出联接到排放控制装置70的上游的排气通道48。上游传感器126可以是用于提供排气空燃比指示的任何合适的传感器，例如线性宽带氧气传感器或UEGO(通用或宽域排气氧传感器)；双态窄带氧气传感器或EGO、HEGO(加热型EGO)；NOx、HC、或CO传感器。在一个实施例中，上游排气传感器126是被配置为提供与排气中存在的氧气量成比例的输出(例如电压信号)的UEGO。控制器12使用该输出以确定排气空燃比。

所示的排放控制装置70沿排气传感器126的下游的排气通道48布置。装置70可以是被配置为还原NOx并且氧化CO以及未燃烧的碳氢化合物的三元催化剂(TWC)。在一些实施例中，装置70可以是NOx捕集器、多种其他排放控制装置、或其组合。

第二、下游排气传感器128被示出联接到排放控制装置70下游的排气通道48。下游传感器128可以是用于提供排气空燃比的指示的任何合适的传感器，例如UEGO、EGO、HEGO等。在一个实施例中，下游传感器128是被配置为指示排气在穿过催化剂之后的相对变浓或变稀的HEGO。这样，该HEGO可以提供呈切换点形式的输出、或在排气从稀变浓的点处的电压信号。

此外，在所公开的实施例中，排气再循环(EGR)系统可以将排气的所希望的一部分从排气通道48经由EGR通道140传送到进气通道42。被提供到进气通道42的EGR的量可以由控制器12经由EGR阀142来改变。此外，EGR传感器144可以被布置在EGR通道里面并且可以提供排气的压力、温度、以及浓度中的一个或多个的指示。在一些条件下，EGR系统可以被用于调整在该燃烧室里面的空气燃料混合物的温度。

控制器12在图1中被示为微型计算机，其包括微处理器单元(CPU)102、输入/输出端口(I/O)104、在这个特定示例中被示为只读存储器芯片(ROM)106的用于可执行程序和校正值的电子存储介质、随机存取存储器(RAM)108、保活存储器(KAM)110、以及数据总线。控制器12可以接收来自联接到发动机10的多个传感器的不同信号，除了先前讨论的那些信号之外，还包括：来自质量空气流量传感器120感测的质量空气流量(MAF)的测量值；来自联接到冷却套筒114的温度传感器112的发动机冷却液温度(ECT)；来自联接到曲轴40的霍尔效应传感器118(或其他类型)的表面点火感测信号(PIP)；来自节气门位置传感器的节气门位置(TP)；以及来自传感器122的绝对歧管压力(MAP)信号。发动机转速信号RPM可以由控制器12从信号PIP产生。控制器12还采用图1的各种致动器，从而基于所接收的信号以及存储在该控制器的存储器上的多个指令来调整发动机运转。

存储介质只读存储器106能够被用代表由处理器102可执行的非易失性指令的计算机可读数据编程，该处理器102用于执行下面描述的方法、以及可以预见但是没有具体列出的其他变体。

如以上所描述的，图1仅示出了多缸发动机的一个汽缸，并且每个汽缸可以类似地包括其自组的进气/排气门、燃料喷射器、火花塞等。

图2是车辆201和车辆传动系200的框图。传动系200可以由发动机10提供动力。发动机10可以经由转矩致动器204(例如燃料喷射器、节气门等)产生或调整转矩。

发动机输出转矩可以被传递到双质量飞轮(DMF)232的输入侧。发动机转速以及双质量飞轮输入侧的位置与速度可以经由发动机位置传感器118确定。双质量飞轮232可以包括弹簧253以及用于抑制传动系转矩扰动量的分离质量体254。所示的双质量飞轮232的输出侧被机械地联接到分离式离合器236的输入侧。分离式离合器236可以被电动地或液压地致动。位置传感器234被定位在双质量飞轮232的分离式离合器一侧上，以便感测双质量飞轮232的输出位置和速度。

分离式离合器236的下游侧经由轴241被机械地联接到液力变矩器206的叶轮285。位置传感器238被联接到轴241。液力变矩器206包括涡轮286，以将转矩输出到变速器输入轴270。变速器输入轴270将液力变矩器206机械地联接到自动变速器208。液力变矩器206还包括液力变矩器旁通锁止离合器212(TCC)。当TCC被锁定时，转矩从叶轮285直接传递到涡轮286。TCC由控制器12电操作。可替代的，TCC可以被液压锁定。在一个示例中，该液力变矩器可以被称为该变速器的部件。液力变矩器涡轮速度和位置可以经由位置传感器239确定。在一些示例中，238和/或239可以是转矩传感器或可以是组合式位置和转矩传感器。

当液力变矩器锁止离合器212被完全脱离时，液力变矩器206经由在液力变矩器涡轮286与液力变矩器叶轮285之间的流体输送将发动机转矩传递到自动变速器208，由此实现转矩倍增。与之相反，当液力变矩器锁止离合器212被完全接合时，该发动机输出转矩经由该液力变矩器离合器被直接传递到变速器208的输入轴(未示出)。可替代地，液力变矩器锁止离合器212可以被部分地接合，由此能够调整被直接传送到变速器的转矩量。控制器12可以被配置为通过响应于不同的发动机工况、或基于驾驶员的发动机操作请求调整液力变矩器锁止离合器来调整由液力变矩器212传递的转矩量。

自动变速器208包括齿轮离合器211(例如齿轮1至齿轮6)以及前进离合器210。齿轮离合器211以及前进离合器210可以被选择性地接合从而推动车辆。来自自动变速器208的转矩输出可以进而被传送到后轮216，从而经由输出轴260推进车辆。确切地讲，自动变速器208可以响应于车辆行进状况在将输出驱动转矩传递到后轮216之前在输入轴270处传送输入驱动转矩。

此外，可以通过接合车轮制动器218将摩擦力施加到车轮216。在一个示例中，响应于驾驶员将他的脚踩压在制动器踏板(未示出)上，车轮制动器218可以被接合。在另一些示例中，控制器12或链接至控制器12的控制器可以应用或接合车轮制动器。以相同方式，可以由响应于驾驶者将他的脚从制动器踏板上释放而使车轮制动器218脱离来减少到车轮216的摩擦力。此外，作为自动发动机停止步骤的部分，车辆制动器可以经由控制器12将摩擦力施加到车轮216。

机械油泵214可以与自动变速器208流体连通，从而提供液压压力以接合不同的离合器，例如前进离合器210、齿轮离合器211、和/或液力变矩器锁止离合器212。机械油泵214可以根据液力变矩器206运转并且可以例如经由输入轴241通过发动机或DISG的旋转来驱动。因此，当发动机转速和/或DISG速度增加时在机械油泵214中产生的液压压力可以增加，并且当发动机转速和/或DISG速度减小时该液压压力可以减小。

控制器12可以被配置为从发动机10接收输入，如在图1中以更多细节示出的，并且因此控制该发动机的转矩输出和/或液力变矩器、变速器、离合器、和/或制动器的运转。作为一个示例，发动机转矩输出可以通过控制节气门开度和/或气门正时、气门升程和用于涡轮增压发动机或机械增压发动机的增压经由调整点火正时、燃料脉冲宽度、燃料脉冲正时、和/或空气充气的组合来被控制。在柴油发动机的情况中，控制器12可以通过控制燃料脉冲宽度、燃料脉冲正时、以及空气充气的组合来控制发动机转矩输出。在所有情况中，发动机控制可以在逐缸(cylinder-by-cylinder)基础上执行，从而控制发动机转矩输出。控制器12还可以从传感器281接收外部扰动量信息。该外部扰动量信息可以包括沿路线的道路坡度和交通状况。

图3至图4涉及通过给定的沿路线的已知扰动量的MPC通过使燃料消耗最小化来确定规划路线的示例方法。在图3中示出的MPC问题基于具有输入和输出的车辆模型来构建。在图4中的流程图示出了确定最优发动机转矩输入以实现所希望的燃料消耗的方法400。实施方法400以及在此包括的其余方法的指令可以通过控制器基于存储在该控制器的存储器上的指令以及与从该发动机系统的传感器(例如以上参考图1和图2描述的传感器)接收的信号的结合来执行。根据以下描述的方法，控制器可以采用发动机系统的发动机致动器来调整发动机运转。

转到图3，图3示出在本说明书的考虑下车辆模型301的输入以及输出的框图，其中，输入u(k)是转矩302，d(k)是扰动量303，并且输出y(k)是燃料304以及车辆的加速度305。作为一个示例，扰动量可以是道路坡度。考虑非线性车辆模型由下式给出

$\left[\begin{array}{c}a\left(k\right)\\ f_u\left(k\right)\end{array}\right]=f\left(T\right(k-1),d(k-1\left)\right),---\left(1\right)$

其中，a(k)是车辆加速度，f_u(k)是燃料消耗，T(k)是发动机转矩，并且d(k)是道路坡度。f(·)是在输入与输出之间的非线性映射，并且考虑了包括质量、逆风、摩擦等车辆物理量。

以未知车辆模型参数使用(1)的线性化由下式给出

$\left[\begin{array}{c}a\left(k\right)\\ f_u\left(k\right)\end{array}\right]=\mathrm{\θ}\left[\begin{array}{c}T(k-1)\\ d\left(k\right|-1)\end{array}\right],$

其中，是线性车辆模型参数。

考虑带有以下输入以及输出关系式的线性时不变系统

y(k)＝[θ₁θ₂θ₃]φ(k-1)，(2)

其中，是输出，是模型参数。

是控制输入，是已知的扰动量，并且

θ＝[θ₁θ₂θ₃]。

可以建立MPC问题来确定用于使燃料消耗f_u(k)最小化的最优发动机转矩。MPC问题的目标是确定转矩输出(k),…,T(k+r)，其中，r是到未来的时域，使得存在道路坡度d(k),…,d(k+r)、以及车辆物理量f(·)时f_u(k+r)为最小。此处，输入以及输出使用标准符号来表示，具体地，输出a(k)以及f_u(k)共同由y(k)来表示，输入T(k)是u(k)，并且已知扰动量d(k)是道路坡度。

首先，考虑(2)的状态空间实现，

x(k+1)＝Ax(k)+B₁u(k)+B₂d(k),

y(k)＝Cx(k),

其中

$A=\left[\begin{array}{c}{\mathrm{\θ}}_3\\ 0_{l_u+l_d\×n\left(l_y+l_u+l_d\right)-l_u-l_d}\\ \begin{array}{cc}{I}_{n\left(l_u+l_y+l_d\right)-l_y}& 0_{n\left(l_u+l_y+l_d\right)-l_y\×l_y+l_u+l_d}\end{array}\end{array}\right],B_1\left[\begin{array}{c}{\mathrm{\θ}}_1\\ I_{l_u}\\ 0_{n\left(l_u+l_y+l_d\right)-l_y\×l_u}\end{array}\right],$

$B_2=\left[\begin{array}{c}{\mathrm{\θ}}_2\\ I_{l_u\×l_d}\\ I_{l_d}\\ 0_{n\left(l_u+l_y\right)-l_y\×l_d}\end{array}\right],C=\left[\begin{array}{cc}{I}_{l_y}& 0_{l_y\×\left(n\right(l_u+l_y+l_d)-l_u-l_d)}\end{array}\right].$

接下来，从线性系统的解能够写出到未来的系统输出r数据步长为

y(k+r+1)＝CA^rx(k)+HU(k+r)+H₂D(k+r)

其中

$U(k+r)=\left[\begin{array}{c}u\left(k\right)\\ .\\ .\\ .\\ u(k+1)\end{array}\right],$ H₁＝[CA^rB₁…CAB₁CB₁],

并且

$D(k+r)=\left[\begin{array}{c}d\left(k\right)\\ .\\ .\\ .\\ d(k+r)\end{array}\right],$ H₂＝[CA^rB₂…CAB₂CB₂]。

在k与k+r之间的每个中间步骤的系统输出能够被写为

$Y(k+r+1)=\stackrel{\‾}{A}x\left(k\right)+{\stackrel{\‾}{H}}_{1}U(k+r)+{\stackrel{\‾}{H}}_{2}D(k+r),$

其中

最后，假设系统所希望的输出为提供理想输出的控制条件是并且u^*(k)可以通过求解关于U^*(k+r)的线性程序被计算

$\begin{array}{c}\min \left|\right|Y^{*}\left(k+r+1\right)-\stackrel{\&OverBar;}{A}x\left(k\right)-{\stackrel{\&OverBar;}{H}}_{2}D\left(k+r\right)-{\stackrel{\&OverBar;}{H}}_1{U}^{*}\left(k+r\right)\left|\right|\\ \begin{array}{cc}s.j.& {\mathrm{EU}}^{*}\left(k+r\right)=G\end{array}\\ {\mathrm{LU}}^{*}\left(k+r\right)<F,\end{array}---\left(3\right)$

其中以及是约束矩阵。优化问题(3)能够使用拉格朗日(Lagrangian)方法在没有L以及F的情况下被分析地求解。此外，一些软件解算器和软件包是商购可得的，例如，MATLAB函数fmincon、lsqlin等。

注意，忽略用于给定时域r的优化包，最优参数的数目是rl_u。给定长的时域时，用于解决优化问题(3)的计算时间可能非常长。

图4是图示说明方法400的流程图，该方法用于以沿路线已知的扰动量实时确定规划路线。方法400通过压缩优化问题(3)的输入空间加快了用于规划路线的计算时间。

在步骤401处，确定了用于MPC问题的时域。该时域基于预览到未来的持续时间以及在车辆模型的输入以及输出上的采样频率来确定。例如，考虑一种情况，其中使用了0.5秒的采样时间。如果所需要的预览到未来的持续时间是80秒，则需要长度为160秒的时域。预览持续时间以及采样频率可以基于所需要的近似精度以及优化的分辨率来预定义。采样频率可以进一步由车辆系统的传感器限制。总体上而言，较好的近似精度需要更长的时域。例如，图5A以及图5B展示了以最小化和最大化车辆速度的约束通过MPC问题由使燃料消耗最小化计算得到的发动机转矩和车辆速度。转矩以及车辆速度在5k、20k、40k、以及75k的时域长度上计算。随着时域长度的增加，转矩以及车辆速度二者都收敛于在整个数据长度(400k个数据点)上计算的最优解。

在步骤402处，可以确定沿路线的扰动量，并且可以将该扰动量存储在控制器的非易失性存储器里。该扰动量可以包括沿路线的道路坡度和交通状况。该扰动量信息可以被预确定和从数据库中获得。该扰动量还可以基于从传感器(例如图2中的传感器281)实时获得的所感测的信息来更新。

在步骤403处，车辆工况被估算并且被存储在控制器的非易失性存储器内。这些车辆工况可以包括车辆转矩、燃料消耗、以及车辆加速度。这些车辆工况可以进一步包括但不限于液力变矩器锁止离合器的状况、环境温度和压力、发动机转速及负载、车辆速度、制动器踏板位置、加速器踏板位置、发动机温度、以及类似情况。

在步骤404处，基于图3中所示的车辆模型的输入和输出估算车辆模型参数。确切地讲，基于在控制器的非易失性存储器中存储的当前及过去的发动机转矩、扰动量、燃料消耗、以及加速度来估算车辆模型参数。

作为一个示例，假设输入u(k)、以及输出y(k)能够被测量，并且扰动量d(k)是已知的，那么模型参数θ能够使用以下修正方程递归地估算

$\mathrm{\&lambda;}-1\begin{array}{c}\widehat{\mathrm{\&theta;}}\left(k\right)\stackrel{\mathrm{\&Delta;}}{=}\widehat{\mathrm{\&theta;}}\left(k-1\right)+\&lsqb;\widehat{\mathrm{\&theta;}}\left(k-1\right)\mathrm{\&phi;}\left(k-1\right)-\mathrm{\&gamma;}\left(k-1\right)\&rsqb;\&lsqb;{\mathrm{\&phi;}}^T\left(K-1\right)P\left(k-1\right)\mathrm{\&phi;}\left(k-1\right)+\&rsqb;+\\ \&CenterDot;{\mathrm{\&phi;}}^T\left(k-1\right)P\left(k-1\right),\end{array}$

其中，是θ的估算值，λ∈(0,1]是遗忘因子，并且由以下公式更新

$\begin{array}{c}P\left(k\right)\stackrel{\mathrm{\&Delta;}}{=}{\mathrm{\&lambda;}}^{-1}P\left(k-1\right)\\ -{\mathrm{\&lambda;}}^{-1}P\left(k-1\right)\mathrm{\&phi;}\left(k-1\right){\&lsqb;{\mathrm{\&phi;}}^T\left(k-1\right)P\left(k-1\right)\mathrm{\&phi;}\left(k-1\right)+\mathrm{\&lambda;}\&rsqb;}^{-1}{\mathrm{\&phi;}}^T\left(k-1\right)P\left(k-1\right).\end{array}$

协方差能够被初始化为P(0)＝δI，其中δ＞0。

注意，能够使用多种识别技术来估算模型参数θ，包括批处理最小二乘，其可以在牺牲增加内存使用的非线性存在时提供更好的估算。

在最优轨迹规划中，进入燃料切断的状态(DFSO)、或将动力传动系统脱接合(空档)有时是有利的。虽然车辆模型对这些离散事件都有效，当退出这些模式时，该液力变矩器可能被解锁。在这种工作状态中，该车辆模型不再有效，也就是说转矩必须与小于1的正数相乘，从而代表到液力变矩器的能量的损失。

对于这些情况，建立了捕获液力变矩器解锁的动态的增强车辆模型。该增强车辆模型可以保持在这些参数中是线性的模型结构并且因此能够被容易地在线识别。

作为一个示例，考虑代表其中液力变矩器在锁定状态中的车辆动态的可能非线性模型结构，

a(k)＝Θ₁(T(k-1),δ(k-1)),

其中，a(k)是车辆加速度，并且Θ₁是线性的或在参数中是线性的。接下来，考虑第二模型

a(k)＝Θ₂(εT(k-1),δ(k-1)),

该模型以具有处于最大滑动的液力变矩器的车辆动态为模型，其中0≤ε<1是最小液力变矩器滑转率。该增强模型结构变为加权和

$a\left(k\right)=e^{{\mathrm{\&tau;}}_1\left|\right|n\left(k\right)\left|\right|}{\mathrm{\&Theta;}}_1\left(T\right(k-1),\mathrm{\&delta;}(k-1\left)\right)+e^{{\mathrm{\&tau;}}_2\left|\right|1-n\left(k\right)\left|\right|}{\mathrm{\&Theta;}}_2\left(\mathrm{\&epsiv;}T\right(k-1),\mathrm{\&delta;}(k-1\left)\right),---\left(4\right)$

其中，τ₁和τ₂是分布参数并且n(k)是液力变矩器锁止响应的输出，具体而言

n(k)＝G(z)[V(k)-ψRPM(k)],(5)

其中，G(z)是有限脉冲响应理想情况下的渐近稳定传递函数。ψ是最终传动比并且RPM(k)是发动机转速。应注意的是当变矩器锁定时，V(k)-ψRPM(k)→0、以及Θ₁主导加速度模型。可替代地，n(k)可以被定义为

n(k)＝G(z)v(k)，(6)

其中，G(z)是有限脉冲响应理想情况下的渐近稳定传递函数。ν(k)∈{0，1}是一个脉冲信号，对于当存在离散事件时的单一时间步长k，ν(k)＝1，对于所有其他情况，ν(k)＝0。

在步骤405处，在时域上的未来发动机转矩被构建有小于该时域长度的参数的数目。换言之，输入空间被压缩，从而实现改善的优化效率。经压缩的输入空间基于由基本向量库产生的核因子。为了在激发MPC控制或执行协方差重置时初始化该算法，该基本向量库自动概括了由MPC算法计算出的最优控制分布。这样，MPC问题可以被高效且稳健地求解。

在一个示例中，考虑输入u(k)的函数形式。具体而言，使

$u\left(k\right)=\left[\begin{array}{ccc}{\mathrm{\&gamma;}}_1\left(k\right)& \mathrm{...}& {\mathrm{\&gamma;}}_p\left(k\right)\end{array}\right]\stackrel{\&OverBar;}{\mathrm{\&alpha;}},---\left(7\right)$

其中

$\stackrel{\&OverBar;}{\mathrm{\&alpha;}}=\left[\begin{array}{c}{\mathrm{\&alpha;}}_1\\ .\\ .\\ .\\ {\mathrm{\&alpha;}}_p\end{array}\right],$

对于i＝1,…,p，

其中，ρ是核分布并且c是核心，并且对于i＝1,…,p,α_i是核系数。接下来使用(7)，到未来U^*(k+r)的转矩r数据步长能够由下式逼近

$U^{*}(k+r)=\mathrm{\&Gamma;}(k+r)\stackrel{\&OverBar;}{\mathrm{\&alpha;}},---\left(8\right)$

其中

$\mathrm{\&Gamma;}(k+r)=\left[\begin{array}{ccc}{\mathrm{\&gamma;}}_1\left(k\right)& \mathrm{...}& {\mathrm{\&gamma;}}_p\left(k\right)\\ .& .& .\\ .& .& .\\ .& .& .\\ {\mathrm{\&gamma;}}_1(k+r)& \mathrm{...}& {\mathrm{\&gamma;}}_p(k+r)\end{array}\right].$

假设p<r，用于优化的参数的最终数目减少到p，其结果为改善的优化效率。

作为另一示例，可以使用傅里叶级数逼近用于压缩输入空间。具体而言，u(k)可以在傅立叶级数中逼近，例如

$u\left(k\right)={\mathrm{\&alpha;}}_1+\underset{i=2}{\overset{2p+1}{\&Sigma;}}\&lsqb;{\mathrm{\&alpha;}}_{i}sin\left({\mathrm{\&omega;}}_{i}k\right)+{\mathrm{\&alpha;}}_{i+1}cos\left({\mathrm{\&omega;}}_{i}k\right)\&rsqb;,$

其中，对于i＝1，...，p，ω_i是预选的频率。输入序列U^*(k+r)随后由下式逼近

$U^{*}(k+r)=\mathrm{\&Gamma;}(k+r)\stackrel{\&OverBar;}{\mathrm{\&alpha;}},$

其中

$\mathrm{\&Gamma;}\left(k+r\right)=\left[\begin{array}{cccccc}1& \sin \left({\mathrm{\&omega;}}_{1}k\right)& \cos \left({\mathrm{\&omega;}}_{1}k\right)& \mathrm{...}& \sin \left({\mathrm{\&omega;}}_{p}k\right)& \cos \left({\mathrm{\&omega;}}_{p}k\right)\\ 1& \sin \left({\mathrm{\&omega;}}_1\left(k+1\right)\right)& \cos \left({\mathrm{\&omega;}}_1\left(k+1\right)\right)& \mathrm{...}& \sin \left({\mathrm{\&omega;}}_p\left(k+1\right)\right)& \cos \left({\mathrm{\&omega;}}_p\left(k+1\right)\right)\\ .& & & & & .\\ .& & & \mathrm{...}& & .\\ .& & & & & .\\ 1& \sin \left({\mathrm{\&omega;}}_1\left(k+1\right)\right)& \cos \left({\mathrm{\&omega;}}_1\left(k+r\right)\right)& \mathrm{...}& \sin \left({\mathrm{\&omega;}}_p\left(k+r\right)\right)& \cos \left({\mathrm{\&omega;}}_p\left(k+r\right)\right)\end{array}\right]---\left(9\right)$

并且

$\stackrel{\&OverBar;}{\mathrm{\&alpha;}}=\left[\begin{array}{c}{\mathrm{\&alpha;}}_1\\ .\\ .\\ .\\ {\mathrm{\&alpha;}}_{2p+1}\end{array}\right].---\left(10\right)$

其中，输入的维数可以从r减少到2p+1。

在以上示例中的核系数α_i能够基于基础向量库来初始化并且进一步地随更新的扰动量进一步更新。该库由一组核系数α的连接向量以及所测量的扰动量(道路坡度)D的对应向量组成。

该库由核系数α(k)的瞬时向量和预览测量的扰动量(道路坡度)的对应向量D(k+r)的实时簇不断更新。这通过采用一个从k-近邻算法导出的聚合算法来实现：

1.核系数α(k)的最初向量以及预览道路坡度D(k)＝[d(k+1)…d(k+r)]^T的对应向量建立了该库的第一基本向量，即第一簇中心：

m＝1,[(α^m)^T(d^m)^T]^T＝[α(k)^TD(k)^T]^T。

2.假设已经建立了m个簇中心[(αⁱ)^T(Dⁱ)^T]^T,i＝[1,m]，并且α(k+p)是在(k+p)处获悉的核系数的向量。让

j＝argmin_i||α(k+p)-αⁱ||,i＝[1,m]。

i.如果||α(k+p)-αⁱ||＜ε_R，则向量α(k+p)以及D(k+p)由以下公式更新最靠近的j-th簇中心：

α^j：＝(1-κ)α^j+κα(k+p),

D^j：＝(1-κ)D^j+κD(k+p)。

ii.如果min||α(k+p)-αⁱ||≥ε_R，则向量α(k+p)以及D(k+p)由以下公式创建新的(m+1)-th簇中心：

m：＝m+1,[(α^m)^T(d^m)^T]^T＝[α(k+p)^TD(k+p)^T]^T。

在算法的开始或在用于获悉模型的RLS算法中重置协方差之后，这些簇中心能够被用来对特定坡度初始化核系数的向量。成比例地完成了对在当前坡度预览向量与库中的基础坡度向量之间的距离倒数的插入。

$\mathrm{\&alpha;}\left(k\right)=\frac{{\&Sigma;}_{i=1}^m{\mathrm{\&tau;}}_i\left(k\right){\mathrm{\&alpha;}}^i}{{\&Sigma;}_{i=1}^m{\mathrm{\&tau;}}_i\left(k\right)},$

其中

${\mathrm{\&tau;}}_i\left(k\right)=\exp \left(-\frac{\left|\right|D\left(k\right)-D^i\left|\right|}{{\mathrm{\&sigma;}}^2}\right),i=\&lsqb;1,m\&rsqb;.$

常量∈_R、σ、以及κ定义了簇的粒度(granularity)以及更新簇中心的速率。

在步骤506处，未来发动机转矩的每个参数都可以通过将来自步骤505的经压缩的输入应用到MPC的优化中来确定。

作为一个示例，对于线性系统而言，将(8)代入到(3)中将得到增强的优化问题

$\begin{array}{c}\min \left|\right|Y^{*}\left(k+r+1\right)-\stackrel{\&OverBar;}{A}x\left(k\right)-{\stackrel{\&OverBar;}{H}}_{1}D\left(k+r\right)-{\stackrel{\&OverBar;}{H}}_1\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}\left|\right|\\ \begin{array}{cc}s.j.& E\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}=G\end{array}\\ L\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}<F.\end{array}---\left(11\right)$

假设p<r，通过将(8)代入到(3)中，用于优化的参数的最终数目减少到p，其结果为改善的优化效率。

作为另一个示例，对于非线性系统的时域轨迹的优化，即考虑非线性系统表示

Y(k+r)＝f(D(k+r),U(k+r)),(12)

其中，优化目标被类似于(3)建立为

min||Y^*(k+r+1)-f(D(k+r),U^*(k+r))||

s.j.EU^*(k+r)＝G

(13)

LU^*(k+r)＜F,

然后，使用输入压缩，(13)变为

$\begin{array}{c}\min \left|\right|Y^{*}\left(k+r+1\right)-f\left(D\left(k+1\right),{\stackrel{\&OverBar;}{H}}_1\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}\right)\left|\right|\\ \begin{array}{cc}s.j.& E\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}=G\end{array}\\ L\mathrm{\&Gamma;}\left(k+r\right)\stackrel{\&OverBar;}{\mathrm{\&alpha;}}<F.\end{array}---\left(14\right)$

在步骤407处，车辆参数基于在步骤406中确定的未来发动机转矩的第一参数来确定。换言之，通过以经确定的车辆参数来运转车辆，车辆的转矩输出可以与在步骤406中确定的未来发动机转矩的第一参数相同。然后，车辆根据在步骤408中确定的车辆参数被运转。车辆参数可以包括火花正时、燃料脉冲宽度、燃料脉冲正时、空气充气、节气门开度、气门正时、气门升程、以及用于涡轮增压发动机或机械增压发动机的增压的组合。

在步骤408之后，方法400在步骤409处确定是否停止路径规划。作为一个示例，如果车辆停驶则可以停止路径规划。作为另一个示例，车辆的操作者可以停止路径规划。如果控制器确定应该停止路径规划，方法400结束。否则，方法400移至步骤410以将时域向前移动一步。

在步骤410处，控制器确定在车辆模型中是否有任何变化。作为一个示例，控制器确定在外部环境因素(例如车辆质量、风或摩擦力)中是否有变化。作为另一个示例，控制器确定在液力变矩器的运转中是否有变化。如果在车辆模型中有变化，方法400移至步骤403，其中车辆模型参数被估算。如果在环境因素中没有变化，方法400移至步骤412以更新沿路线的扰动量。

在步骤412处，沿路线的扰动量可以基于传感器输入被实时更新。然后，方法400移至步骤405，步骤405用于更新基本向量库并且对未来发动机转矩进行重新计算。

以这种方式，在这个说明书中描述的方法提供了优于用于路线规划优化的已存在技术的若干优点。具体而言，输入空间的压缩允许用户利用很大的时域而不用牺牲扰动量或模型分辨率。相对于给定的坡度曲线以及模型的最优轨迹的聚合(Summarization)允许优化算法的初始化以及快速收敛。此外，基于模型的物理的适应允许优化算法实现改变车辆质量、比例以及在坡度估算、风、摩擦阻力、以及车辆老化中的偏置。

一种方法，包括响应于确定的规划路线操控车辆参数，该规划路线对于一个用于使燃料消耗最小化的给定时域并且进一步基于沿所规划的路线的扰动量并且根据在给定时域上发动机转矩的参数的经压缩的总数来确定。在该方法的第一示例中，发动机转矩的参数的总数小于给定的时域的长度。该方法的第二示例任选地包括该第一示例并且进一步包括：规划路线进一步基于当运转车辆时建立的车辆模型被确定。该方法的第三示例任选地包括该第一示例与该第二示例中的一个或多个或每个，并且进一步包括其中：车辆模型通过基于发动机转矩、扰动量、燃料消耗、以及车辆的加速度的递归最小二乘估算来估算。该方法的第四示例任选地包括该第一到第三示例中的一个或多个或每个，并且进一步包括其中：当液力变矩器解锁时车辆模型基于在离散事件的过程中液力变矩器锁止响应的输出来修正。该方法的第五示例任选地包括该第一到第四示例中的一个或多个或每个，并且进一步包括其中：发动机转矩的参数的总数基于从基本向量库导出的多个核向量系数(kernelvectorcoefficient)来压缩。该方法的第六示例任选地包括该第一到第五示例中的一个或多个或每个，并且进一步包括其中：基本向量库基于当前核向量系数以及未来扰动量来实时更新。该方法的第七示例任选地包括该第一到第六示例中的一个或多个或每个，并且进一步包括其中：核向量系数基于在使燃料消耗最小化之前的基础向量库来初始化。该方法的第八示例任选地包括该第一到第七示例中的一个或多个或每个，并且进一步包括其中：当估算模型参数时，核向量系数基于在重置协方差之后的基础向量库来初始化。该方法的第九示例任选地包括该第一到第八示例中的一个或多个或每个，并且进一步包括其中：规划路线基于在发动机转矩上的约束来确定。

一种用于车辆的方法，包括：在车辆的运转过程中，基于发动机转矩、沿路线的扰动量、燃料消耗、以及车辆加速度来估算多个车辆模型参数；确定时域；构建在该时域上的未来发动机转矩，其中，该未来发动机转矩具有小于该时域长度的参数的数目；确定该未来发动机转矩的每个参数以提供希望的燃料消耗；基于该未来发动机转矩来运转该车辆；并且将该时域向前移动。在该方法的第一示例中未来发动机转矩的每个参数基于在未来发动机转矩上的约束来确定。该方法的第二示例任选地包括该第一示例并且进一步包括其中：未来发动机转矩基于从扰动量产生的核向量系数来构建。该方法的第三示例任选地包括该第一到第二示例中的一个或多个或每个，并且进一步包括其中：核向量系数基于从扰动量导出的基本向量库来产生。该方法的第四示例任选地包括该第一到第三示例中的一个或多个或每个，并且进一步包括其中：基本向量库基于当前核向量系数以及未来扰动量来更新。该方法的第五示例任选地包括该第一到第四示例中的一个或多个或每个，并且进一步包括其中：车辆的加速度基于带有锁定的液力变矩器的第一模型以及带有解锁的液力变矩器的第二模型建模。该方法的第六示例任选地包括该第一到第五示例中的一个或多个或每个，并且进一步包括其中：扰动量是道路坡度。

一种车辆系统，包括：用于将发动机转矩传递到传动系的液力变矩器；用于感测沿路线的扰动量的传感器；以及配置有在非易失性存储器上存储的计算机可读指令的控制器，该控制器用于：估算发动机转矩；估算燃料消耗；估算车辆系统的加速度；确定时域；基于所感测的扰动量在该时域上减少该发动机转矩的参数的总数，其中，该参数的总数小于所确定的时域的长度；基于该发动机转矩、所估算的燃料消耗、所估算的车辆的加速度、以及所感测的扰动量来估算车辆模型参数；通过使未来燃料消耗最小化以经减少的参数的总数来确定未来发动机转矩的每个参数；基于该未来发动机转矩的第一参数来运转该车辆；并且将该时域向前移动。在该方法的第一示例中，其中，该压缩基于从基础向量库导出的核向量系数，并且该基础向量库响应于所感测的扰动量来更新。该方法的第二示例任选地包括该第一示例并且进一步包括其中：该车辆的加速度基于所估算的发动机转矩来估算，并且当该液力变矩器解锁时被修正。

应注意本文中包括的示例控制和估算例程能够与各种发动机和/或车辆系统配置一起使用。在此公开的控制方法以及例程可以作为可执行指令被存储在非易失性存储器中并且可以由包括控制器与各种传感器、致动器、和其他发动机硬件的组合的控制系统来实施。本文所述的具体例程可以表示任何数量的处理策略中的一种或多种，如事件驱动、中断驱动、多任务、多线程等。因此，所示的各种步骤、操作、和/或功能可以按所示的顺序执行、并行执行，或者在一些情况下略去。类似地，处理的顺序不是实现本文中所述的示例实施例的特征和优点所必需的，而是为便于演示和说明而提供。取决于所使用的具体策略，可以重复执行所示动作、操作和/或功能中的一个或多个。此外，所述的动作、操作、和/或功能可以以图形地表示要被编入发动机控制系统中的计算机可读存储介质的永久性存储器内的代码，其中，所述动作通过执行在包括与电动控制器结合的各种发动机硬件部件的系统中的指令来实施。

应理解，本文中公开的配置和例程本质上是示例性的，且这些具体实施例不应被视为具有限制意义，因为大量的变体是可能的。例如，上述技术能够应用于V-6、I-4、I-6、V-12、对置4缸、及其他的发动机类型。本公开的主题包括在本文中公开的各种系统和配置，及其他特征、功能、和/或属性的所有新颖和非显而易见的组合及子组合。

下述权利要求特别指出被视为新颖和非显而易见的某些组合和子组合。这些权利要求可以涉及“一个”元件或“第一”元件或其等同元件。这样的权利要求应被理解为包括一个或多个这样的元件的结合，而不是要求或排除两个或两个以上这样的元件。所公开的特征、功能、元件、和/或属性的其他组合以及子组合可以通过本发明权利要求的修改或通过在本申请或相关申请中提供新的权利要求来请求保护。这样的权利要求，无论是在范围上比原始权利要求更宽、更窄、等价或不同，都应被视为包括在本公开的主题之内。

Claims (20)

1.一种方法，包括：

响应于确定的规划路线调整车辆参数，所述规划路线对于用于减少燃料消耗的给定时域并且进一步基于沿所述规划路线的扰动量并且根据在所述给定时域上发动机转矩的参数的经压缩的总数来确定。

2.如权利要求1所述的方法，其中，所述发动机转矩的参数的所述总数小于所述给定时域的长度。

3.如权利要求1所述的方法，其中，所述规划路线进一步基于当运转所述车辆时估算的车辆模型被确定。

4.如权利要求3所述的方法，其中，通过基于所述发动机转矩、所述扰动量、所述燃料消耗和所述车辆的加速度的递归最小二乘估算估算所述车辆模型。

5.如权利要求3所述的方法，其中，当液力变矩器解锁时，基于在离散事件期间液力变矩器锁止响应的输出来修正所述车辆模型。

6.如权利要求1所述的方法，其中，基于从基本向量库导出的核向量系数，压缩所述发动机转矩的参数的所述总数。

7.如权利要求6所述的方法，其中，基于当前核向量系数和未来扰动量，实时更新所述基本向量库。

8.如权利要求6所述的方法，其中，基于在使所述燃料消耗最小化之前的所述基础向量库，初始化所述核向量系数。

9.如权利要求6所述的方法，其中，当估算所述模型参数时，基于在重置协方差之后的所述基础向量库，初始化所述核向量系数。

10.如权利要求1所述的方法，其中，基于在所述发动机转矩上的约束，确定所述规划路线。

11.一种用于车辆的方法，包括：

在车辆运转期间，基于发动机转矩、沿路线的扰动量、燃料消耗和车辆加速度估算车辆模型参数；

确定时域；

构建在所述时域上的未来发动机转矩，其中，所述未来发动机转矩具有小于所述时域长度的参数的数目；

确定所述未来发动机转矩的每个参数以提供希望的燃料消耗；

基于所述未来发动机转矩，运转所述车辆；并且

将所述时域向前移动。

12.如权利要求11所述的方法，其中，基于在所述未来发动机转矩上的约束，确定所述未来发动机转矩的所述每个参数。

13.如权利要求11所述的方法，其中，基于从所述扰动量产生的核向量系数，构建所述未来发动机转矩。

14.如权利要求13所述的方法，其中，基于从所述扰动量导出的基本向量库，产生所述核向量系数。

15.如权利要求14所述的方法，其中，基于当前核向量系数和未来扰动量，更新所述基本向量库。

16.如权利要求15所述的方法，其中，所述车辆的加速度基于带有锁定的液力变矩器的第一模型和带有解锁的液力变矩器的第二模型被建模。

17.如权利要求11所述的方法，其中，所述扰动量是道路坡度。

18.一种车辆系统，包括：

用于将发动机转矩传递到传动系的液力变矩器；

用于感测沿路线的扰动量的传感器；和

配置有在非易失性存储器上存储的多个计算机可读指令的控制器，所述控制器用于：

估算发动机转矩；

估算燃料消耗；

估算所述车辆系统的加速度；

确定时域；

基于感测的扰动量，在所述时域上减小所述发动机转矩的参数的总数，其中，参数的所述总数小于所述确定的时域的长度；

基于所述发动机转矩、所述估算的燃料消耗、所述估算的所述车辆的加速度、以及所述感测的扰动量，估算车辆模型参数；

通过使未来燃料消耗最小化以经减少的参数的总数来确定未来发动机转矩的每个参数；

基于所述未来发动机转矩的第一参数，运转所述车辆；并且

将所述时域向前移动。

19.如权利要求18所述的方法，其中，所述压缩基于从基础向量库导出的核向量系数，并且响应于所述感测的扰动量，所述基础向量库被更新。

20.如权利要求18所述的方法，其中，所述车辆的所述加速度基于所述估算的发动机转矩而被估算，并且当所述液力变矩器解锁时，所述车辆的所述加速度被修正。