CN108482481B - 四轮独立驱动与转向电动汽车的四轮转向控制方法 - Google Patents

Abstract

本发明公开四轮独立驱动与转向电动汽车的四轮转向控制方法，包括步骤1：当车辆转弯速度v≤40km/h时，控制器识别驾驶员特性，并且根据所述驾驶员特性并基于BP神经网络对参考横摆角速度进行调控；当车辆转弯速度v＞40km/h时，控制器根据二自由度调控模型控制输出参考横摆角速度；步骤2：控制器根据车辆实际横摆角速度和所述参考横摆角速度的差值向角度分配器输出附加转角，所述角度分配器将所述附加转角分配到四个车轮上。本发明所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，根据驾驶员特性和车辆实时行驶状态，在车辆转弯时控制产生附加转角并分配给四个车轮而改变汽车的转向行驶状态，提高驾驶舒适性和稳定性。

Description

四轮独立驱动与转向电动汽车的四轮转向控制方法

技术领域

本发明涉及电动汽车转向控制技术领域，更具体的是，本发明涉及四轮独立驱动与转向电动汽车的四轮转向控制方法。

背景技术

随着汽车保有量的增加，传统燃油车辆在使用过程中产生了大量的有害废气，并加剧了对不可再生石油资源的依赖。交通能源消耗也是造成局部环境污染和全球温室气体排放等环境问题的主要原因。石油资源的匮乏和人类保护环境的迫切性，以及随着人们生活水平的提高和汽车技术的进步，人们对于汽车的需求越来越精细，越来越复杂，这些因素都推动着汽车工业向电动化、智能化的方向发展。随着汽车电动化与智能化时代的到来，汽车上电控系统会越来越丰富，但是现阶段汽车电控技术是通用的，研发时没有考虑驾驶员的个体差异，即驾驶员特性，而不同驾驶员的驾驶习惯对于汽车的期望响应肯定是各不相同的，通用的电气电控系统会降低驾驶舒适性。

四轮独立驱动与转向电动汽车作为分布式驱动电动汽车的一种，每个车轮均由一个驱动电机进行驱动、一个转向电机控制转向，四轮驱动或制动转矩、四轮转角独立可控，相对于传统底盘分布式驱动电动汽车系统响应更快，不仅具有更多可控自由度，而且控制更为精准。为了能够充分发挥四轮独立驱动与转向电动汽车四轮转角独立可控的优势，在设计电控系统时应考虑驾驶员特性，提高驾驶舒适性。

发明内容

本发明设计开发了四轮独立驱动与转向电动汽车的四轮转向控制方法，根据驾驶员特性和车辆实时行驶状态，在车辆转弯时控制产生附加转角并分配给四个车轮而改变汽车的转向行驶状态，提高驾驶舒适性。

本发明提供的技术方案为：

四轮独立驱动与转向电动汽车的四轮转向控制方法，包括如下步骤：

步骤1：当车辆转弯速度v≤40km/h时，控制器识别驾驶员特性，并且根据所述驾驶员特性并基于BP神经网络对参考横摆角速度进行调控：

按照采样周期，通过传感器采集方向盘转角δ以及车速V；

依次将方向盘转角δ以及车速V进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂}；其中，x₁为方向盘转角系数，x₂为车速系数；

所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

得到输出层向量z＝{z₁}；其中，z₁为参考横摆角速度调节系数，使

ω_i＝z₁ ⁱω_max，

其中，z₁ ⁱ为第i个采样周期输出层向量参数，ω_max为设定的参考横摆角速度的最大角速度；

当车辆转弯速度v＞40km/h时，控制器输出参考横摆角速度为：

其中，ω为横摆角速度；u为纵向车速；l为前后轴轴距；a为汽车质心至前轴的距离；b为汽车质心至后轴的距离；δ为方向盘转角；k₁为汽车前轴的侧偏刚度，k₂为汽车后轴的侧偏刚度，M为汽车质量。

步骤2：控制器根据车辆实际横摆角速度和所述参考横摆角速度的差值向角度分配器输出附加转角，所述角度分配器将所述附加转角分配到四个车轮上。

优选的是，所述方向盘转角δ以及车速V进行规格化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数δ、V，j＝1,2；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述驾驶员特性采用k-means聚类算法分为谨慎型、一般型和激进型三类。

优选的是，在所述步骤1中，所述驾驶员特性识别采用BP神经网络识别模型，包括：

当车辆转弯时，通过传感器测量方向盘转角、车速、以及横摆角速度；

确定三层BP神经网络的输入层神经元向量h＝{g₁,g₂,g₃}；其中，g₁为方向盘转角，g₂为车速，g₃为横摆角速度；

所述输入层向量映射到隐o＝{o₁,o₂,o₃}层，隐层的神经元为N个；

得到输出层神经元向量；其中，o₁为谨慎型，o₂为一般型，o₃为激进型，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2,3}，ll为驾驶员特性值，ll＝{1,2,3}，当o_k为1时，此时驾驶员处于o_k对应的驾驶员特性；

车辆每经过一次转弯即对驾驶员特性进行一次识别，当识别次数大于等于设定识别次数时，根据概率最终确定驾驶员特性。

优选的是，所述中间层节点数m＝2，所述隐层神经元N＝15。

优选的是，当车辆转弯速度v＞40km/h且轮胎达到路面附着极限时，控制器输出参考横摆角速度为：

其中，μ为路面附着系数，g为重力加速度。

优选的是，所述角度分配器将所述附加转角分配到四个车轮上具体包括：

当附加转角Δδ＞0时，此时的四轮转角为：

当附加转角Δδ＜0时，此时的四轮转角为：

其中，δ_f1为左前轮的转角，δ_r1为右前轮的转角，δ_f2为左后轮的转角,δ_r2为右后轮的转角，

分别为左前轮、右前轮、左后轮和右后轮的调控前的初始车轮转角，Δδ为附加转角，K₁,K₂分别表示前轮和后轮的附加转角分配系数。

本发明所述的有益效果为：

本发明所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，根据驾驶员特性和车辆实时行驶状态，在车辆转弯时输出参考横摆角速度，根据车辆实际横摆角速度产生附加转角并分配给四个车轮而改变汽车的转向行驶状态，提高驾驶舒适性和稳定性。

附图说明

图1为本发明所述驾驶员特性分类方法流程图。

图2为本发明所述方向盘转角曲线及其特征值示意图。

图3为本发明所述横摆角速度曲线及其特征值示意图。

图4为本发明所述车速曲线及其特征值示意图。

图5为本发明所述驾驶员特性辨识原理示意图。

图6为本发明所述辨识模型建立过程示意图。

图7为本发明所述为BP网络训练误差性能曲线图。

图8为本发明所述BP网络预测输出示意图。

图9为本发明所述BP网络预测输出误差示意图。

图10为本发明所述驾驶员特性辨识原理示意图。

图11为本发明所述驾驶模拟器监控平台界面示意图。

图12为本发明所述四轮转向控制原理示意图。

图13为本发明所述一般型的BP神经网络调控模型的预测输出示意图。

图14为本发明所述一般型的BP神经网络调控模型的预测输出误差示意图。

图15为本发明所述三类BP神经网络调控模型在相同输入下的结果输出图。

图16为本发明所述附加转角控制原理示意图。

图17为本发明实验一所述方向盘转角变化曲线。

图18为本发明实验一所述四轮转角变化曲线。

图19为本发明实验一所述横摆角速度期望值与实际值对比曲线。

图20为本发明实验一所述附加转角变化曲线。

图21为本发明实验一所述车辆质心侧偏角变化曲线。

图22为本发明实验一所述车速变化曲线。

图23为本发明实验二所述方向盘转角变化曲线。

图24为本发明实验二所述四轮转角变化曲线。

图25为本发明实验二所述横摆角速度期望值与实际值对比曲线。

图26为本发明实验二所述附加转角变化曲线。

图27为本发明实验二所述车辆质心侧偏角变化曲线。

图28为本发明实验二所述车速变化曲线。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

(一)本发明首先对驾驶员特性进行分类，如图1所示，先进行实验数据采集，实验数据采集包括实验工况设计和驾驶模拟器实验，然后对采集的实验数据进行处理，提取实验数据特征值，最后对实验数据的特征值进行聚类分析，根据聚类结果对驾驶员特性进行分类。

(1)实验工况设计

实验工况设计是实验数据采集过程十分重要的一环，本文的研究对象为电动车，所以实验工况设计要考虑到电动车的实际使用场景。受当前的技术发展水平和交通规划所限，大多数电动车主要在城市道路上行驶，城市道路中最常见的使用场景是直线和直角弯道路工况。参考城市道路设计了实验工况。

(2)实验数据采集

基于驾驶模拟器进行实验数据采集，选取40名具有一定驾驶经验的人员在身体状况和精神状态良好时，进行驾驶模拟器实验并采集数据。进行实验数据采集之前，先让驾驶员熟悉驾驶模拟器的使用。在采集实验数据时，所有驾驶员的实验过程是完全相同的，以确保驾驶员之间的可对比性。实验数据采集过程如下：首先，驾驶员将车驾驶到直线道路上，踩死制动踏板并保持，使车辆处于完全停止状态；然后，数据采集人员打开数据采集开关，开始采集数据的同时向驾驶员发出指令，驾驶员正常起步加速；在速度达到80Km/h时，关闭数据采集开关，完成一次数据采集，采集的数据包括加速踏板行程变化率、加速踏板行程、纵向加速度、纵向速度四个指标。

(3)数据处理

实验数据处理包括实验数据预处理和特征值提取两部分。由于驾驶模拟器的限制，实验数据的采样间隔为0.001s，采样时间过短使采集到的数据量过大，冗余数据较多。实验数据预处理的目的是剔除异常值，对实验数据重采样增大实验数据采样间隔，消除噪声对提取特征值的影响。数据按一下步骤进行预处理，首先对实验数据进行重采样，重采样的采样时间为0.01s；然后进行均值滤波处理，滤除噪声(均为现有技术，具体方法在此不做赘述)，均值滤波的像素总个数设定为5。

预处理之后，提取实验数据特征值。驾驶员转向时的特征值数据为：每次转弯时的方向盘转角和横摆角速度的极值以及方向盘转角达到极值时刻对应的车速。转向实验数据曲线及其特征值图2-4所示。有效的转向实验特征值数据为1610组。

(4)驾驶员转向特性分类

k-means聚类算法是典型的采用距离作为相似性的评价指标的聚类算法。k-means算法是聚类分析中一种被广泛应用的启发式划分方法，具有简单、快速的优点。特征值提取完成后，采用K-means聚类算法对驾驶员转向特性进行分类。由于左、右转向时只是各个指标的符号不同，实验验证表明对一个人的特性影响并不是很大，因此为了提高实验数据样本量，提高分类准确性，将右转向数据加绝对值转换符号，然后将左右转向数据合在一起进行分类。为了消除实验数据单位不同对聚类结果造成的影响，在聚类之前采用min-max标准化方法对表征驾驶员转向特征的各个指标原始数据进行归一化处理，将数据归一化到[0，1]之间的无量纲的数。

聚类完成后的聚类中心如表1所示。

表1转向实验数据特征值聚类中心

从表1中可以看出，对于描述驾驶员转向特性的方向盘转角、车速与横摆角速度这三个指标的特征值，无论是哪一个特征值，分成三类后的聚类中心值均为A<B<C。根据实际驾驶经验中，谨慎类型驾驶员在转弯时车速较低，打出的方向盘转角也小，同时车的横摆角速度也小；激进类型驾驶员转向时则刚好与谨慎型相反，他们倾向于打出较大的方向盘转角，纵向车速也高，与之对应的车的响应横摆角速度也较大；而一般型的驾驶员的行为倾向则介于两者之间。因此可将A类数据对应的驾驶员归为谨慎型，B类数据对应的驾驶员归为一般型，C类数据对应的驾驶员归为激进型。根据分类结果谨慎型有527组数据、一般型有565组数据、激进型有518组数据。

(二)本发明对驾驶员特性进行在线识别：

(1)在线辨识模型建立

由于驾驶员的转向特性与汽车转向过程中驾驶员的操纵输入和车辆的响应状态有关，因此转向特性辨识模型的输入量与上文驾驶员转向特性分类数据选取应一致，即为转弯时驾驶员的方向盘转角、车速和车辆的横摆角速度特征值，辨识模型的输出为对应的驾驶员转向特性所属类型，即谨慎型、一般型或激进型，驾驶员特性辨识原理如图5所示。

基于BP神经网络建立辨识模型，辨识模型建立过程如图6所示。

将驾驶员转向特征值数据分类为谨慎型527组，一般型565组，激进型518组。每组打乱顺序后从中分别随机选出487组、525组和478组共1490组数据作为训练集建立辨识模型，其余的120组数据作为测试集对所建立的辨识模型进行验证。

由于BP神经网络的输入层和输出层的节点个数分别由输入量和输出量的维数决定，故建立的辨识模型的输入和输出层节点个数分别为3输入和1输出，以方向盘转角、车速和横摆角速度为输入，驾驶员特性为输出，具体BP神经网络辨识模型(参考模型2)为：

当车辆转弯时，通过传感器测量方向盘转角、车速、以及横摆角速度；

确定三层BP神经网络的输入层神经元向量h＝{g₁,g₂,g₃}；其中，g₁为方向盘转角，g₂为车速，g₃为横摆角速度；

所述输入层向量映射到隐层，隐层的神经元为N个；

得到输出层神经元向量o＝{o₁,o₂,o₃}；其中，o₁为谨慎型，o₂为一般型，o₃为激进型，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2,3}，ll为驾驶员特性值，ll＝{1,2,3}，当o_k为1时，此时驾驶员处于o_k对应的驾驶员特性，具体输出如表2所示；

表2驾驶员特性输出

为了提高模型训练效率和提高模型精度，经过大量试验确定选用三层BP神经网络，隐层阈值取为[15 6]，确定隐层节点数为15。隐层的传递函数选择BP神经网络普遍使用的S型函数tan-sigmoid，输出层的传递函数为purelin函数，设定最大迭代次数为1000，学习速率为0.01，误差性能为0.001。为了获得收敛速度比标准BP神经网络速度快而且模式识别效果几乎与标准BP神经网络相同的性能，选择变梯度算法中的SCG算法作为训练函数。BP神经网络的训练结果如图7-9所示。

(2)模型验证

辨识模型建立之后，需要对辨识模型的识别精度进行验证，使用辨识模型对测试集数据的类型标识进行识别，辨识出驾驶员特性类型，即辨识出驾驶员是激进型、一般型还是谨慎型，而所辨识的测试集数据所属的转向特性类别是已知的，用辨识模型识别出的特性类别与已知的特性类别对比，验证辨识模型的辨识精度。辨识模型的测试结果如表3所示，从表可知，辨识模型对测试集上每一类的辨识精度均为90％以上，精度较高，辨识模型可靠，可以用来对驾驶员转向特性进行识别。

表3辨识模型测试结果

类型	谨慎型	一般型	激进型
				测试集数目	40	40	40
误判数	0	3	1
				正确率	100％	92.5％	97.5％

(3)驾驶员特性在线辨识

在驾驶员特性在线辨识的基础上，基于Matlab/Simulink/stateflow软件编写在线辨识程序，进行驾驶员加速特性在线辨识。利用BP神经网络所建立的驾驶员转向特性辨识模型为离线辨识模型，而驾驶员特性在线辨识是在驾驶模拟器硬件在环实验台上进行的，需要将在线辨识程序嵌入到驾驶模拟器硬件在环实验平台整车控制程序中，使用Matlab中的gensim命令将辨识模型模块化，转化为dSPACE能够支持的Simulink模块。辨识模型的输入为驾驶员转向时方向盘转角、车速和横摆角速度的特征值，输出为驾驶员特性类型即谨慎型、一般型和激进型。

对于驾驶员特性的识别，只有在驾驶员转弯时才对驾驶员进行辨识，因此采用方向盘转角作为判断条件。当汽车在平直良好路面直线行驶时，方向盘的转角变化范围很小，一般在-45～45度之间，因此当方向盘转角度数大于45度时开始触发驾驶员转向特性辨识模块，采集驾驶员在转弯过程中的方向盘转角(根据方向盘转角确定方向盘转角速度)、车速和横摆角速度数据并提取特征值输入给辨识模型进行驾驶员转向特性辨识，输出类型标识。对驾驶员特性进行分类时，不能通过驾驶员一次转弯时的转向行为就确定其转向特性，需要若干次转向操作后根据概率来确定驾驶员的转向特性类型。对驾驶员转向特性进行辨识时，需要统计多次转向操作后的驾驶员特性辨识结果，程序设定转向特性辨识次数为10次，根据概率最终确定驾驶员的转向特性类型。驾驶员转向特性辨识原理如图10所示。

为了验证在线辨识结果的准确性，从已知驾驶员特性类型的三类驾驶员中各随机挑选出三名驾驶员在驾驶模拟器上实验，辨识出的驾驶员类型可以在驾驶模拟器监控平台上实时观测得到，驾驶模拟器监控平台界面如图11所示，驾驶员的方向盘转角、车速、油门踏板开度和制动踏板开度等均可在驾驶模拟器操纵平台上进行观测。

挑选出的九名驾驶员的驾驶员特性类型是已知的，将在线辨识出的驾驶员特性类别与驾驶员自身的特性类别比较，其结果如表4所示，从表中可以看出：驾驶员转向特性辨识程序能够实时的辨识出驾驶员特性类型，且准确性较好。

表4三种类型驾驶员特性辨识准确性

(三)本发明基于驾驶员特性输出参考横摆角速度，如图12所示：

(1)当车辆转弯速度v≤40km/h时，以转向轻便性控制为主，不太需要考虑操纵稳定性问题，提高驾驶舒适性：

控制器识别驾驶员特性，确定调控模型并基于BP神经网络对参考横摆角速度进行调控(参考模型1)：

建立BP神经网络模型：

根据驾驶员特性建立谨慎型、一般型和激进型的BP神经网络调控模型，当进行参考横摆角速度调控时，首先识别驾驶员特性并选择BP神经网络调控模型对参考横摆角速度进行调控：

本发明采用的三种调控模型的BP网络体系结构均由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为中间层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝2，输出层节点数为p＝1。中间层节点数m由下式估算得出：

按照采样周期，输入的2个参数为，x₁为方向盘转角系数，x₂为车速系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于方向盘转角δ，进行规格化后，得到方向盘转角系数x₁：

其中，δ_min和δ_max分别为方向盘最小转角和最大转角。

同样的，对车速V，进行规格化后，得到车速系数x₂：

其中，V_min和V_max分别为最小车速和最大车速。

输出信号的参数分别为：z₁为参考横摆角速度调节系数；

参考横摆角速度调节系数z₁表示为当前采样周期中的参考横摆角速度与当前采样周期中设定的最大参考横摆角速度之比，即在第i个采样周期中，通过BP神经网络输出第i个采样周期的参考横摆角速度调节系数z₁ ⁱ后，输出第i个采样周期中参考横摆角速度为ω_i，使其满足ω_i＝z₁ ⁱω_max；

进行BP神经网络的训练：

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本并分为谨慎型、一般型和激进型三类，并给定输入节点i和中间层节点j之间的连接权值w_ij，中间层节点j和输出层节点k之间的连接权值w_jk，中间层节点j的阈值θ_j，输出层节点k的阈值w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表5-7所示，给定了三组训练样本以及训练过程中各节点的值，分别代表谨慎型、一般型和激进型。

表5谨慎型训练过程各节点值

表6一般型训练过程各节点值

表7激进型训练过程各节点值

采集数据运行参数输入神经网络得到调控系数：

训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后，对参考横摆角速度进行调控，首先识别驾驶员特性确定神经网络调控模型，通过传感器获取第i个采样周期中的方向盘转角和车速，通过进行规格化得到第i个采样周期的输入向量xⁱ＝(x₁ ⁱ,x₂ ⁱ)，通过BP神经网络的运算得到第i个采样周期的输出向量zⁱ＝(z₁ ⁱ)，然后输出第i个采样周期的参考横摆角速度为：

ω_i＝z₁ ⁱω_max，

通过上述设置，通过传感器实时驾驶员的车辆操纵状态，通过采用BP神经网络算法，对参考横摆角速度进行调控。

驾驶员特性为一般型的BP神经网络调控模型的训练结果如图13-14所示，参考模型的预测输出能够很好地跟随期望输出。

为了验证各个类型的BP神经网络调控模型是否能够符合不同驾驶员特性，在驾驶模拟器实验平台上进行双移线工况实验，对所建立的三种BP神经网络调控模型(谨慎型、一般型、激进型)进行在线实验验证，三类驾驶员参考模型结果输出如图15所示。由相同输入情况得到的三种调控模型输出参考横摆角速度对比曲线图可知：图中谨慎型模型输出的横摆角速度的值是最小的，激进型模型输出的横摆角速度的值最大；而一般型模型输出的横摆角速度值则介于谨慎型和激进型二者之间。由于驾驶员特性不同，同样的操纵输入下调控模型输出的期望响应不同且与经验数据响应趋势一致，体现了不同驾驶员特性，符合客观事实。

(2)当车辆转弯速度v＞40km/h时，操纵稳定性才是控制的首要目标：

控制器输出参考横摆角速度为：

其中，ω为横摆角速度(deg/s)；u为纵向车速(Km/h)；l为前后轴轴距(m)；a为汽车质心至前轴的距离(m)；b为汽车质心至后轴的距离(m)；δ为方向盘转角；k₁为汽车前轴的侧偏刚度，k₂为汽车后轴的侧偏刚度，M为汽车质量(kg)。

当车辆转弯速度v＞40km/h且轮胎达到路面附着极限时，控制器输出参考横摆角速度为：

其中，μ为路面附着系数，g为重力加速度。

(四)本发明的控制器根据车辆实际横摆角速度和所述参考横摆角速度的差值向角度分配器输出附加转角，所述角度分配器将所述附加转角分配到四个车轮上，如图16所示，调节车辆的行驶状态，保证汽车稳定行驶，具体包括：

当附加转角Δδ＞0时，此时的四轮转角为：

当附加转角Δδ＜0时，此时的四轮转角为：

其中，δ_f1为左前轮的转角，δ_r1为右前轮的转角，δ_f2为左后轮的转角,δ_r2为右后轮的转角，

分别为左前轮、右前轮、左后轮和右后轮的调控前的初始车轮转角，Δδ为附加转角，K₁,K₂分别表示前轮和后轮的附加转角分配系数。

为了验证本文设计的四轮独立转向系统和考虑驾驶员特性的四轮转向控制方法是否能够实现驾驶员喜好转向特性，在驾驶模拟器的实时仿真软件CarSim RT中设置蛇形实验工况，选取驾驶员在驾驶模拟器上操纵车辆，对四轮独立转向系统和驾驶员转向特性辨识后并匹配调控模型后的四轮转向控制效果进行验证，两种工况下的实验验证结果如下：

实验一：低速蛇形实验

设置蛇形实验工况，车速30km/h，路面附着系数0.85。实验验证结果如图17-22所示：控制后的汽车实际横摆角速度值能较好的跟踪参考模型输出的期望横摆角速度值，四轮转角变化与附加转角变化趋势相同，汽车质心侧偏角较小，能保证汽车的操纵稳定性。从图17-22可以看出，在驾驶员驾驶车辆时，给驾驶员匹配的低速特性调控模型能够输出驾驶员期望的车辆响应，对汽车进行控制后能够满足驾驶员所期望的车辆响应，说明参调控型准确可靠，控制方法有效可行。

实验二：高速四轮转向蛇形实验

设置蛇形实验工况，车速50km/h，路面附着系数0.85。实验验证结果如图23-28所示：控制后的汽车实际横摆角速度值能较好的跟踪参考模型输出的期望横摆角速度值，四轮转角变化与附加转角变化趋势相同，汽车质心侧偏角较小，能保证汽车的操纵稳定性。从图23-28可以看出，在驾驶员驾驶车辆时，给驾驶员匹配的高速调控模型能够输出驾驶员期望的车辆响应，对汽车进行控制后能够满足驾驶员所期望的车辆响应，说明调控模型准确可靠，控制方法有效可行。

本发明所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，根据驾驶员特性和车辆实时行驶状态确定调控模型，在车辆转弯时输出参考横摆角速度，根据车辆实际横摆角速度产生附加转角并分配给四个车轮而改变汽车的转向行驶状态，提高驾驶舒适性和稳定性。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，包括如下步骤：

步骤1：当车辆转弯速度v≤40km/h时，控制器识别驾驶员特性，并且根据所述驾驶员特性并基于BP神经网络对参考横摆角速度进行调控：

按照采样周期，通过传感器采集方向盘转角δ以及转弯速度v；

依次将方向盘转角δ以及转弯速度v进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂}；其中，x₁为方向盘转角系数，x₂为转弯车速系数；

所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

得到输出层向量z＝{z₁}；其中，z₁为参考横摆角速度调节系数，使

ω_i＝z₁ ⁱω_max，

其中，z₁ ⁱ为第i个采样周期输出层向量参数，ω_max为设定的参考横摆角速度的最大角速度,ω_i为第i个采样周期的参考横摆角速度；

当车辆转弯速度v＞40km/h时，控制器输出参考横摆角速度为：

其中，ω为横摆角速度；u为纵向车速；l为前后轴轴距；a为汽车质心至前轴的距离；b为汽车质心至后轴的距离；δ为方向盘转角；k₁为汽车前轴的侧偏刚度，k₂为汽车后轴的侧偏刚度，M为汽车质量；

步骤2：控制器根据车辆实际横摆角速度和所述参考横摆角速度的差值向角度分配器输出附加转角，所述角度分配器将所述附加转角分配到四个车轮上。

2.如权利要求1所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，所述方向盘转角δ以及转弯速度v进行规格化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数δ、v ，j＝1,2；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

3.如权利要求1或2所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，所述驾驶员特性采用k-means聚类算法分为谨慎型、一般型和激进型三类。

4.如权利要求3所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，在所述步骤1中，所述驾驶员特性识别采用BP神经网络识别模型，包括：

当车辆转弯时，通过传感器测量方向盘转角、车速、以及横摆角速度；

确定三层BP神经网络的输入层神经元向量h＝{g₁,g₂,g₃}；其中，g₁为方向盘转角，g₂为车速，g₃为横摆角速度；

所述输入层向量映射到隐层，隐层的神经元为N个；

得到输出层神经元向量o＝{o₁,o₂,o₃}；其中，o₁为谨慎型，o₂为一般型，o₃为激进型，所述输出层神经元值为

k为输出层神经元序列号，k＝{1,2,3}，ll为驾驶员特性值，ll＝{1,2,3}，当o_k为1时，此时驾驶员处于o_k对应的驾驶员特性；

车辆每经过一次转弯即对驾驶员特性进行一次识别，当识别次数大于等于设定识别次数时，根据概率最终确定驾驶员特性。

5.如权利要求4所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，所述中间层节点数m＝2，所述隐层神经元N＝15。

6.如权利要求1所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，当车辆转弯速度v＞40km/h且轮胎达到路面附着极限时，控制器输出参考横摆角速度为：

其中，μ为路面附着系数，g为重力加速度。

7.如权利要求1、2、4-6中任一项所述的四轮独立驱动与转向电动汽车的四轮转向控制方法，其特征在于，所述角度分配器将所述附加转角分配到四个车轮上具体包括：

当附加转角Δδ＞0时，此时的四轮转角为：

当附加转角Δδ＜0时，此时的四轮转角为：

其中，δ_f1为左前轮的转角，δ_r1为右前轮的转角，δ_f2为左后轮的转角,δ_r2为右后轮的转角，

分别为左前轮、右前轮、左后轮和右后轮的调控前的初始车轮转角，Δδ为附加转角，K₁,K₂分别表示前轮和后轮的附加转角分配系数。

Images