CN109435961B - 一种基于驾驶人特性的全线控电动汽车底盘协调控制方法 - Google Patents

Abstract

本发明公开了一种基于驾驶人特性的全线控电动汽车底盘协调控制方法，包括步骤：采集并处理驾驶行为参数和车辆状态直接参数；估算车辆状态间接参数及道路环境参数；辨识分类驾驶人的个性特征；计算纵向理想状态参数和横向理想状态参数并对理想状态参数进行个性化修正；分配个性化理想横摆角速度；根据个性化纵向理想状态参数和分配得到的个性化理想横摆角速度计算车轮转矩；根据个性化质心侧偏角参数和分配得到的个性化理想横摆角速度计算车轮转角；本发明方法保证了纵向动力学系统在必要的时刻辅助横向动力学系统进行转向，提高车辆转向安全，又避免了纵向动力学系统在不必要时刻的频繁动作，同时实现底盘动力学控制系统的个性化。

Description

一种基于驾驶人特性的全线控电动汽车底盘协调控制方法

技术领域

本发明涉及一种线控汽车底盘协调控制方法，特别是涉及一种基于驾驶人特性的全线控电动汽车底盘协调控制方法。

背景技术

随着线控技术的出现和电动汽车的飞速发展，可进行独立驱动、制动以及转向的全线控电动汽车应运而生。全线控电动汽车具有更多的可控自由度，能够实现多种驱动、制动、转向行驶模式，且具备更好的容错控制基础，是未来汽车行业的发展趋势之一。

全线控电动汽车底盘集成或协调控制方法作为底盘系统的核心部分，对整车动力性、稳定性、舒适性等会产生决定性的影响。目前，已有不少关于全线控电动汽车底盘集成或协调控制方法方面的研究成果，如文献《四轮独立线控电动汽车试验平台搭建与集成控制策略研究》、《线控四轮独立驱动轮毂电机电动汽车稳定性与节能控制研究》、《基于轮胎力最优分配的车辆动力学集成控制研究》、公开号为CN103434506A的中国专利《一种四轮独立驱动、独立转向电动汽车协调控制系统》、公开号为CN105501078A的中国专利《一种四轮独立驱动电动汽车协同控制方法》等。

就现有研究成果而言，针对全线控电动汽车底盘控制方法的研究大多将在设计之初便将四轮驱动力矩、制动力矩和四轮转向角视为整体，利用先进优化算法对其进行分配。这种方法虽然可以获得较好的系统性能，但其却降低了系统的灵活性，尤其是在转向工况下，由于四轮力矩和四轮转向角被视为整体统一进行分配，这就决定了转向工况下驱动/制动系统也会同时频繁动作，从而导致了轮胎磨损的加剧和能源的浪费。此外，也鲜有针对驾驶人个性特性进行考虑，将驾驶人特性与全线控电动汽车底盘控制方法相结合的相关成果。

发明内容

针对上述现有技术的缺陷，本发明提供了一种基于驾驶人特性的全线控电动汽车底盘协调控制方法，将底盘纵向动力学控制系统与横向动力学控制系统分开，并设计了一种汽车横向动力学目标的分配机制，既保证纵向动力学系统在必要时对车辆转向运行进行辅助，也避免了纵向动力学系统的频繁不必要动作。同时考虑驾驶人个体性格差异，解决全线控电动汽车底盘动力学控制问题的同时，实现底盘个性化协调控制。

本发明的技术方案为，一种基于驾驶人特性的全线控电动汽车底盘协调控制方法，包括以下步骤：

步骤1、数据采集处理单元实时采集并处理驾驶行为参数和车辆状态直接参数；

步骤2、根据步骤1获取的驾驶行为参数和车辆状态直接参数计算车辆状态间接参数及道路环境参数；

步骤3、根据步骤1获得的驾驶行为参数和车辆状态直接参数将驾驶人的个性特征进行辨识并分为若干类型；

步骤4、根据驾驶行为参数、车辆状态直接参数车辆状态间接参数及道路环境参数计算下一时刻汽车的纵向理想状态参数和横向理想状态参数，所述纵向理想状态参数为期望车速，所述横向理想状态参数为期望质心侧偏角和期望横摆角速度；

步骤5、根据步骤3得到的驾驶人的个性特征类型将期望车速修正为个性化期望车速，将期望质心侧偏角修正为个性化期望质心侧偏角，将期望横摆角速度修正为个性化理想横摆角速度；

步骤6、将个性化理想横摆角速度分配至纵向动力学控制单元和横向动力学控制单元；

步骤7、所述纵向动力学控制单元根据个性化期望车速和步骤6分配得到的个性化理想横摆角速度计算四个车轮的驱动力矩或制动力矩，并将计算结果传递至纵向动力学执行单元执行；所述横向动力学控制单元根据个性化期望质心侧偏角和步骤6分配得到的个性化理想横摆角速度计算四个车轮的转角，并将计算结果传递至横向动力学执行单元执行。

进一步的，所述步骤2中计算车辆状态间接参数及道路环境参数包括以下步骤：

步骤201、建立基于GIM轮胎模型的非线性车辆动力学模型，构造状态方程和观测方程；利用泰勒公式展开式，对非线性模型线性化；

步骤202、依据扩展卡尔曼滤波算法流程进行迭代计算，估算车辆的质心侧偏角；

步骤203、依据扩展卡尔曼滤波算法流程进行迭代计算，估算路面附着系数；

步骤204、根据车辆质心侧偏角和路面附着系数的内在联系，对步骤202中的估算结果和步骤203中的估算结果交叉迭代直至收敛，得到最终的质心侧偏角和路面附着系数的估算结果。

进一步的，所述步骤3中将驾驶人的个性特征进行辨识并分为若干类型包括以下步骤：

步骤301、将加速踏板开度转换为加速踏板开度变化率，将制动踏板开度转换为制动踏板开度变化率，将纵向加速度转换为纵向加速度变化率，将方向盘转角转换为方向盘转角加速度；

步骤302、根据加速踏板开度变化率由上层RBF神经网络模型中的第一模型得到第一单因素识别结果；根据制动踏板开度变化率由上层RBF神经网络模型中的第二模型得到第二单因素识别结果；根据纵向加速度变化率由上层RBF神经网络模型中的第三模型得到第三单因素识别结果；根据方向盘转角加速度由上层RBF神经网络模型中的第四模型得到第四单因素识别结果；

步骤303、由第一单因素识别结果、第二单因素识别结果、第三单因素识别结果和第四单因素识别结果作为输入信息，下层RBF神经网络模型输出驾驶人的个性特征的类型。

进一步的，所述步骤4中期望车速通过以下公式计算，

其中V_des表示期望车速，t表示当前时刻，t+1表示下一时刻，a_des表示期望加速度，V_x表示当前时刻车速，所述期望加速度由以下方法计算：

如果O_b＜O_{b_l}，且O_d＜O_{d_l}，则a_des＝a_min；如果O_b＜O_{b_l}，且O_{d_l}≤O_d＜O_{d_h}，则

如果O_b＜O_{b_l}，且O_d≥O_{d_h}，则a_des＝a_max；如果O_{b_l}≤O_b＜O_{b_h}，则

如果O_b≥O_{b_h}，则a_des＝-a_max，

其中a_des表示期望加速度，a_max表示加速度上限值，a_min表示加速度下限值，O_b表示制动踏板开度，O_{b_l}表示制动踏板开度低阈值，O_{b_h}表示制动踏板开度高阈值，O_{b_l}＜O_{b_h}，O_d≥O_{d_h}表示加速踏板开度，O_{d_l}表示加速踏板开度低阈值，O_{d_h}表示加速踏板开度高阈值，O_{d_l}＜O_{d_h}。

进一步的，所述步骤4中期望质心侧偏角和期望横摆角速度通过以下公式计算，

其中，ω_des表示期望质心侧偏角，β_des表示期望横摆角速度，

表示方向盘转角，μ表示路面附着系数，g表示重力加速度，G_ω表示横摆角速度稳态增益，

其中，a表示汽车前轴到质心的距离，b表示汽车后轴到质心的距离，K表示汽车稳定性因数。

进一步的，所述步骤5对纵向、横向理想状态参数进行个性化修正，纵向个性化理想状态参数可按如下公式计算，

V_des ^*＝k_x·V_des

其中，k_x表示不同类型驾驶人纵向修正系数，其数值根据步骤3的驾驶人个性特征类型确定；

横向个性化理想状态参数可按如下公式计算，

其中，k_y表示不同类型驾驶人横向修正系数，其数值根据步骤3的驾驶人个性特征类型确定；

进一步的，所述步骤6将个性化理想横摆角速度分配至纵向动力学控制单元和横向动力学控制单元是根据个性化理想横摆角速度ω_des ^*和汽车当前时刻的实际横摆角速度ω，计算当前时刻横摆角速度误差e_ω和横摆角速度误差变化率

并进行以下处理：设定横摆角速度误差阈值e_{ω_T}和横摆角速度误差变化率阈值

如果e_ω≤e_{ω_T}，则ω_des ^*将全部分配给横向动力学控制单元；如果e_ω＞e_{ω_T}，且

则ω_des ^*将全部分配给横向动力学控制单元；如果e_ω＞e_{ω_T}，且

则ω_des ^*将按照1:k_ω的比例分别分配给纵向动力学控制单元与横向动力学控制单元，k_ω表示分配比例系数。

优选的，所述纵向动力学控制单元根据个性化期望车速和步骤6分配得到的个性化理想横摆角速度采用滑模控制的方法计算四个车轮的驱动力矩或制动力矩。

优选的，所述横向动力学控制单元根据个性化期望质心侧偏角和步骤6分配得到的个性化理想横摆角速度采用最优控制的方法计算四个车轮的转角。

本发明所提供的技术方案的优点在于：通过车辆横向动力学目标分配机制，既保证了纵向动力学系统在必要的时刻辅助横向动力学系统进行转向，提高车辆转向安全，又避免了纵向动力学系统在不必要时刻的频繁动作。本发明还进一步针对驾驶人的个性化特性加以考虑，并将其引入全线控电动汽车底盘动力学控制系统的设计中，实现底盘动力学控制系统的个性化。

附图说明

图1为基于驾驶人特性的全线控电动汽车底盘协调控制方法流程示意图。

图2为基于驾驶人特性的全线控电动汽车底盘协调控制系统模块示意图。

图3为期望车速计算方法示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围内。

请结合图1及图2所示，基于驾驶风格的线控转向系统传动比控制系统包括数据采集处理单元1、状态观测单元2、理想状态计算单元3、驾驶人特性辨识单元4、个性化理想状态计算单元5、横向动力学目标分配单元6、纵向动力学控制单元7、纵向动力学执行单元8、横向动力学控制单元9和横向动力学执行单元10。数据采集处理单元分别连接至状态观测单元、理想状态计算单元和驾驶人特性辨识单元；状态观测单元连接至理想状态计算单元；理想状态计算单元和驾驶人特性辨识单元连接至个性化理想状态计算单元；个性化理想状态计算单元分别连接至横向动力学目标分配单元、纵向动力学控制单元和横向动力学控制单元；纵向动力学控制单元连接至纵向动力学执行单元；横向动力学控制单元连接至横向动力学执行单元。

基于驾驶人特性的全线控电动汽车底盘协调控制方法具体实施如下：

步骤1、数据采集处理单元实时采集并处理驾驶行为参数和车辆状态直接参数，采集的参数包括：汽车纵向车速、纵向加速度、横摆角速度、加速踏板开度、制动踏板开度以及方向盘转角；处理驾驶行为参数和车辆状态直接参数是指对上述参数进行单位的转换；

步骤2、由状态观测单元根据步骤1获取的驾驶行为参数和车辆状态直接参数计算一些不便由传感器直接采集的车辆状态间接参数及道路环境参数；

具体步骤包括：

步骤201、建立基于GIM轮胎模型的非线性车辆动力学模型，构造状态方程和观测方程；利用泰勒公式展开式，对非线性模型线性化；

步骤202、依据扩展卡尔曼滤波算法流程进行迭代计算，估算车辆的质心侧偏角；

步骤203、依据扩展卡尔曼滤波算法流程进行迭代计算，估算路面附着系数；

步骤204、根据车辆质心侧偏角和路面附着系数的内在联系，对步骤202中的估算结果和步骤203中的估算结果交叉迭代直至收敛，得到最终的质心侧偏角和路面附着系数的估算结果。

步骤3、根据步骤1获得的驾驶行为参数和车辆状态直接参数将驾驶人的个性特征进行辨识并分为保守型、正常型、一般激进型和特别激进型中的一种；

具体步骤包括：

步骤301、将加速踏板开度转换为加速踏板开度变化率，将制动踏板开度转换为制动踏板开度变化率，将纵向加速度转换为纵向加速度变化率，将方向盘转角转换为方向盘转角加速度；

步骤302、根据加速踏板开度变化率，上层RBF神经网络模型中的加速踏板开度变化率RBF神经网络模型输出第一单因素辨识结果I；根据制动踏板开度变化率，上层RBF神经网络模型中的制动踏板开度变化率RBF神经网络模型输出第二单因素辨识结果II；根据纵向加速度变化率，上层RBF神经网络模型中的纵向加速度变化率RBF神经网络模型输出第三单因素辨识结果III；根据方向盘转角加速度，上层RBF神经网络模型中的方向盘转角加速度RBF神经网络模型输出第四单因素辨识结果IV；

步骤303、由第一单因素识别结果I、第二单因素识别结果II、第三单因素识别结果III和第四单因素识别结果IV作为输入信息，下层RBF神经网络模型输出驾驶人的个性特征的类型。

步骤4、根据驾驶行为参数、车辆状态直接参数车辆状态间接参数及道路环境参数计算下一时刻汽车的纵向理想状态参数和横向理想状态参数，所述纵向理想状态参数为期望车速，所述横向理想状态参数为期望质心侧偏角和期望横摆角速度；请结合图3所示，具体的计算如下：

其中V_des表示期望车速，t表示当前时刻，t+1表示下一时刻，a_des为期望加速度，所述期望加速度由以下方法计算：

如果制动踏板开度O_b＜5％，且加速踏板开度O_d＜5％，则期望加速度a_des＝0；

如果制动踏板开度O_b＜5％，且加速踏板开度5％≤O_d＜95％，则期望加速度

如果制动踏板开度O_b＜5％，且加速踏板开度O_d≥95％，则期望加速度a_des＝a_max；

如果制动踏板开度5％≤O_b＜95％，则期望加速度

如果制动踏板开度O_b≥95％，则期望加速度a_des＝-a_max；

其中，a_max表车辆的加速度上限值，a_min表示车辆的加速度下限值；

期望质心侧偏角和期望横摆角速度通过以下公式计算，

其中，ω_des表示期望质心侧偏角，β_des表示期望横摆角速度，

表示方向盘转角，μ表示路面附着系数，g表示重力加速度，G_ω表示横摆角速度稳态增益，

其中，a表示汽车前轴到质心的距离，b表示汽车后轴到质心的距离，K表示汽车稳定性因数。

步骤5、根据步骤3得到的驾驶人的个性特征类型将期望车速修正为个性化期望车速，V_des ^*＝k_x·V_des，其中，k_x表示不同类型驾驶人纵向修正系数，实施例中保守型驾驶人取1.1、正常型驾驶人取1.0、一般激进型驾驶人取0.9、特别激进型驾驶人取0.8；将期望质心侧偏角修正为个性化期望质心侧偏角，将期望横摆角速度修正为个性化理想横摆角速度，

其中，k_y表示不同类型驾驶人横向修正系数，实施例中保守型驾驶人取1.1、正常型驾驶人取1.0、一般激进型驾驶人取0.8、特别激进型驾驶人取0.7；

步骤6、将个性化理想横摆角速度分配至纵向动力学控制单元和横向动力学控制单元；具体分配步骤如下：

步骤601、根据个性化理想横摆角速度ω_des ^*和汽车当前时刻的实际横摆角速度ω，计算当前时刻横摆角速度误差e_ω和横摆角速度误差变化率

步骤602、如果当前时刻横摆角速度误差e_ω≤0.05rad/s，则个性化理想横摆角速度ω_des ^*将全部分配给横向动力学控制单元，并最终由横向动力学执行单元执行；

步骤603、如果当前时刻横摆角速度误差e_ω＞0.05rad/s，且

则个性化理想横摆角速度ω_des ^*将全部分配给横向动力学控制单元，并最终由横向动力学执行单元执行；

步骤604、如果当前时刻横摆角速度误差e_ω＞0.05rad/s，且

则个性化理想横摆角速度ω_des ^*将按照1:1的比例分别分配给纵向动力学控制单元与横向动力学控制单元，并最终由纵向动力学执行单元和横向动力学执行单元共同执行。

步骤7、所述纵向动力学控制单元根据个性化期望车速和步骤6分配得到的个性化理想横摆角速度采用滑模控制的方法计算四个车轮的驱动力矩或制动力矩，并将计算结果传递至纵向动力学执行单元执行；所述横向动力学控制单元根据个性化期望质心侧偏角和步骤6分配得到的个性化理想横摆角速度采用最优控制的方法计算四个车轮的转角，并将计算结果传递至横向动力学执行单元执行。

上述方法能够为不同特性驾驶人提供个性化的底盘动力学特征，提高汽车行驶安全以及改善驾驶体验，同时，设计中的横向动力学目标分配单元既保证了纵向动力学系统在必要的时刻辅助横向动力学系统进行转向，又避免了纵向动力学系统在不必要时刻的频繁动作，实现了底盘纵向、横向动力学系统间协调控制的同时，也提高了车辆转向时的安全性且降低了能力消耗。

Claims (9)

1.一种基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，包括以下步骤：

步骤1、数据采集处理单元实时采集并处理驾驶行为参数和车辆状态直接参数；

步骤2、根据步骤1获取的驾驶行为参数和车辆状态直接参数计算车辆状态间接参数及道路环境参数；

步骤3、根据步骤1获得的驾驶行为参数和车辆状态直接参数将驾驶人的个性特征进行辨识并分为若干类型；

步骤4、根据驾驶行为参数、车辆状态直接参数、车辆状态间接参数及道路环境参数计算下一时刻汽车的纵向理想状态参数和横向理想状态参数，所述纵向理想状态参数为期望车速，所述横向理想状态参数为期望质心侧偏角和期望横摆角速度；

步骤5、根据步骤3得到的驾驶人的个性特征类型将期望车速修正为个性化期望车速，将期望质心侧偏角修正为个性化期望质心侧偏角，将期望横摆角速度修正为个性化理想横摆角速度；

步骤6、将个性化理想横摆角速度分配至纵向动力学控制单元和横向动力学控制单元；

步骤7、所述纵向动力学控制单元根据个性化期望车速和步骤6分配得到的个性化理想横摆角速度计算四个车轮的驱动力矩或制动力矩，并将计算结果传递至纵向动力学执行单元执行；所述横向动力学控制单元根据个性化期望质心侧偏角和步骤6分配得到的个性化理想横摆角速度计算四个车轮的转角，并将计算结果传递至横向动力学执行单元执行。

2.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤2中计算车辆状态间接参数及道路环境参数包括以下步骤：

步骤201、建立基于GIM轮胎模型的非线性车辆动力学模型，构造状态方程和观测方程；利用泰勒公式展开式，对非线性模型线性化；

步骤202、依据扩展卡尔曼滤波算法流程进行迭代计算，估算车辆的质心侧偏角；

步骤203、依据扩展卡尔曼滤波算法流程进行迭代计算，估算路面附着系数；

步骤204、根据车辆质心侧偏角和路面附着系数的内在联系，对步骤202中的估算结果和步骤203中的估算结果交叉迭代直至收敛，得到最终的质心侧偏角和路面附着系数的估算结果。

3.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤3中将驾驶人的个性特征进行辨识并分为若干类型包括以下步骤：

步骤301、将加速踏板开度转换为加速踏板开度变化率，将制动踏板开度转换为制动踏板开度变化率，将纵向加速度转换为纵向加速度变化率，将方向盘转角转换为方向盘转角加速度；

步骤302、根据加速踏板开度变化率由上层RBF神经网络模型中的第一模型得到第一单因素识别结果；根据制动踏板开度变化率由上层RBF神经网络模型中的第二模型得到第二单因素识别结果；根据纵向加速度变化率由上层RBF神经网络模型中的第三模型得到第三单因素识别结果，根据方向盘转角加速度由上层RBF神经网络模型中的第四模型得到第四单因素识别结果；

步骤303、由第一单因素识别结果、第二单因素识别结果、第三单因素识别结果和第四单因素识别结果作为输入信息，下层RBF神经网络模型输出驾驶人的个性特征类型。

4.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤4中期望车速通过以下公式计算，

其中V_des表示期望车速，t表示当前时刻，t+1表示下一时刻，a_des表示期望加速度，V_x表示当前时刻车速，所述期望加速度由以下方法计算：

如果O_b＜O_{b_l}，且O_d＜O_{d_l}，则a_des＝a_min；如果O_b＜O_{b_l}，且O_{d_l}≤O_d＜O_{d_h}，则

如果O_b＜O_{b_l}，且O_d≥O_{d_h}，则a_des＝a_max；如果O_{b_l}≤O_b＜O_{b_h}，则

如果O_b≥O_{b_h}，则a_des＝-a_max；

其中a_des表示期望加速度，a_max表示加速度上限值，a_min表示加速度下限值，O_b表示制动踏板开度，O_{b_l}表示制动踏板开度低阈值，O_{b_h}表示制动踏板开度高阈值，O_{b_l}＜O_{b_h}，O_d表示加速踏板开度，O_{d_l}表示加速踏板开度低阈值，O_{d_h}表示加速踏板开度高阈值，O_{d_l}＜O_{d_h}。

5.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤4中期望质心侧偏角和期望横摆角速度通过以下公式计算，

其中，ω_des表示期望质心侧偏角，β_des表示期望横摆角速度，

表示方向盘转角，μ表示路面附着系数，g表示重力加速度，G_ω表示横摆角速度稳态增益，

其中，a表示汽车前轴到质心的距离，b表示汽车后轴到质心的距离，K表示汽车稳定性因数。

6.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤5对纵向、横向理想状态参数进行个性化修正，纵向个性化理想状态参数可按如下公式计算，

V_des ^*＝k_x·V_des

其中，k_x表示不同类型驾驶人纵向修正系数，其数值根据步骤3的驾驶人个性特征类型确定；

横向个性化理想状态参数可按如下公式计算，

其中，k_y表示不同类型驾驶人横向修正系数，其数值根据步骤3的驾驶人个性特征类型确定。

7.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述步骤6将个性化理想横摆角速度分配至纵向动力学控制单元和横向动力学控制单元是根据个性化理想横摆角速度ω_des ^*和汽车当前时刻的实际横摆角速度ω，计算当前时刻横摆角速度误差e_ω和横摆角速度误差变化率

并进行以下处理：设定横摆角速度误差阈值e_{ω_T}和横摆角速度误差变化率阈值

如果e_ω≤e_{ω_T}，则ω_des ^*将全部分配给横向动力学控制单元；如果e_ω＞e_{ω_T}，且

则ω_des ^*将全部分配给横向动力学控制单元；如果e_ω＞e_{ω_T}，且

则ω_des ^*将按照1∶k_ω的比例分别分配给纵向动力学控制单元与横向动力学控制单元，k_ω表示分配比例系数。

8.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述纵向动力学控制单元根据个性化期望车速和步骤6分配得到的个性化理想横摆角速度采用滑模控制的方法计算四个车轮的驱动力矩或制动力矩。

9.根据权利要求1所述的基于驾驶人特性的全线控电动汽车底盘协调控制方法，其特征在于，所述横向动力学控制单元根据个性化期望质心侧偏角和步骤6分配得到的个性化理想横摆角速度采用最优控制的方法计算四个车轮的转角。

Images