CN109522666B - 一种分布式电动汽车稳定性控制方法 - Google Patents
一种分布式电动汽车稳定性控制方法 Download PDFInfo
- Publication number
- CN109522666B CN109522666B CN201811426444.6A CN201811426444A CN109522666B CN 109522666 B CN109522666 B CN 109522666B CN 201811426444 A CN201811426444 A CN 201811426444A CN 109522666 B CN109522666 B CN 109522666B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- wheels
- moment
- yaw rate
- tire
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- B60W2050/0037—Mathematical models of vehicle sub-units
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Abstract
本发明公开了一种分布式电动汽车稳定性控制方法,步骤一、建立电动汽车模型;步骤二、计算出车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd;步骤三、根据传感器和状态观测器得到车辆实际运行横摆角速度γ和实际质心侧偏角β;步骤四、将侧偏角差值Δβ、横摆角速度差值Δγ作为二型模糊神经网络控制器的输入信号,用BP学习算法修整二型模糊神经网络的参数,计算得到控制器输出横摆力矩Mz;步骤五、由力矩分配模块对控制器输出的横摆力矩Mz进行力矩分配得到四个车轮的驱动或制动力矩Trl、Trf、Tfl、Tff,根据四个车轮的驱动或制动力矩Trl、Trr、Tfl、Tff对四个车轮进行分别控制。本发明提高了电动汽车在不同工况和突发干扰下的操纵稳定性。
Description
技术领域
本发明涉及分布式驱动电动汽车的稳定性控制领域,特别涉及一种基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法。
背景技术
由于社会的快速发展,环境和能源问题受到越来越多的关注,在此背景下,电动汽车工业的发展俨然成为未来汽车工业的必然趋势。在电动汽车的市场上出现了许多新结构形式的电力驱动车辆平台,其中,分布式驱动电动汽车作为一个新颖的电动汽车研究方向,受到了越来越多的研究者的关注。分布式驱动电动汽车分为轮边减速型和轮毂电机型,轮毂电机型,顾名思义,即将置于电动汽车的四个车轮内的轮毂电机作为电动汽车的动力驱动源,实现电动汽车四个车轮的独立控制,具有传动链短、传动效率高、控制灵活、相应速度快的优点。
直接横摆力矩控制主要通过对车轮施加驱动力矩或制动力矩,提高车轮对地面的附着能力,实现车辆的横摆控制,从而提高车辆的行驶稳定性,并避免了车辆出现不足转向或转向过度的情况。
目前,直接横摆力矩控制主要采用的控制方法有PID、最优控制、滑模控制、模糊控制等控制方法,这些控制方法对对象模型参数依赖较大,自适应能力较差,然而电动汽车在实际行驶过程中的相应的环境参数具备极大地不确定性,上诉控制方法均很难适应工况的变化,区间二型模糊神经网络可以处理具有不确定的参数、对象等,具备较强的鲁棒性,该控制方法对对象依赖程度小,控制精度大,并且避免了制定模糊规则的复杂性,使用该方法控制电动汽车能够达到较好的控制效果。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本申请的目的在于提供一种基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法,提高了电动汽车在不同工况和突发干扰下的操纵稳定性。
包括以下步骤:
步骤一、建立电动汽车的二自由度车辆模型、七自由度车辆模型和轮胎模型;
步骤二、根据输入转角σ和当前车速υx,由二自由度车辆模型计算出车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd;
步骤三、根据传感器和状态观测器得到车辆实际运行横摆角速度γ和实际质心侧偏角β;
步骤四、将理想质心侧偏角βd与实际质心侧偏角β的差值Δβ、理想横摆角速度γd与实际横摆角速度γ的差值Δγ作为二型模糊神经网络控制器的输入信号,用BP学习算法修整二型模糊神经网络的参数,计算得到控制器输出横摆力矩Mz;
步骤五、由力矩分配模块对控制器输出的横摆力矩Mz进行力矩分配得到四个车轮的驱动或制动力矩Trl、Trf、Tfl、Tff,根据四个车轮的驱动或制动力矩Trl、Trf、Tfl、Tff对四个车轮进行分别控制。
优选的,电动汽车线性二自由度车辆模型如下:
横摆运动微分方程:
侧向运动微分方程:
其中,m为整车质量,a、b为质心到前、后轴的长度,Cf、Cr为前、后车轴的侧偏刚度,υx为纵向速度、υy为侧向速度,β为质心侧偏角,γ为横摆角速度。
优选的,电动汽车的七自由度数学模型如下:
纵向运动:
侧向运动:
横摆运动:
四个车轮的旋转运动:
其中,Fxfr、Fxfl、Fyfr、Fyfl、Fxrr、Fxrl、Fyrr、Fyrl分别为沿纵向、侧向的前右、前左、后右、后左轮胎的分量,a、b、d分别为质心到前轴的距离、质心到后轴的距离、前后轴间的距离,J为车轮的滚动惯量,ωij为车轮角速度,其中,i=f,r表示前后轮,j=r,l表示为右、左轮,Tdij、Tbij分别为车轮的驱动转矩和制动转矩,Fxij为车轮的纵向力矩,R为车轮的滚动半径。
优选的,轮胎模型如下:
轮胎模型采用Dugoff轮胎模型,轮胎所受纵向力和侧向力分别为:
其中,Fx、Fy为轮胎的纵向力和侧向力,Cx、Cy为轮胎的纵向和侧向刚度,μ为路面附着系数,Fz为轮胎垂直载荷,λ为轮胎纵向滑移率。
优选的,所述步骤二中,理想质心侧偏角βd和理想横摆角速度γd的计算方法为:
其中,k为车辆不足转向系数,βmax为质心侧偏角的极限值。
优选的,所述步骤三中,车辆实际运行横摆角速度γ可以由传感器测得,质心侧偏角β采用状态观测器得到。
优选的,所述步骤四中,所述控制器的设计步骤如下:
步骤A、设定参数初值:
步骤B、运行控制器,得到初始控制量u,运行整个车辆系统,更新汽车状态;
步骤C、利用BP算法,根据误差函数E修正网络参数,得到调整参数为:
优选的,所述步骤五中,采用平均分配转矩方式进行力矩分配,计算公式如下:
其中,Fzfl、Fzfr、Fzrl、Fzrr表示左前、右前、左后、右后轮胎的垂向力,Tfl、Tfr、Trl、Trr表示左前、右前、左后、右后轮胎的分配力矩。
本发明至少包括以下有益效果:
1、本发明的基于二型模糊神经网络的电动汽车稳定性控制方法对对象依赖性小,鲁棒性强,可以在突发干扰和不同工况甚至极限工况下保持电动汽车的稳定运行,避免发生侧滑、转向不足或转向过度等现象;
2、基于二型模糊神经网络的电动汽车稳定性控制器控制精度高,可以更好的跟踪理想质心侧偏角和理想横摆角速度,使得电动汽车具备更好的稳定性能;
3、采用轮毂电机对电动汽车进行控制,避免了传统汽车的机械传动结构,减少了不必要的机械损耗。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明控制结构框图;
图2为分布式驱动电动汽车七自由度车辆模型;
图3为二型模糊神经网络控制器结构图;
图4为二型模糊神经网络控制器设计流程图。
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。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1-4所示,一种分布式电动汽车稳定性控制方法,在工况变化和不确定干扰下,可使电动汽车工作于稳定状态下,避免产生转向不足或是转向过度等情况,从而提高电动汽车在不同工况和突发干扰下的操纵稳定性。
设定基本参数:设定采用车辆基本参数如下表1:
表1:车辆基本参数
根据驾驶员意图得到输入方向盘转角σ信号为正弦信号和当前车速vx为65km/h。初始设定地面附着系数μ=0.65。
建立线性二自由度车辆模型,并根据此模型得到车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd。线性二自由度车辆模型,即不考虑轮胎的非线性特性及轮胎的侧偏特性,只有绕轴的横摆运动和侧向运动。根据牛顿动力学定律得到线性二自由度车辆模型如下:
横摆运动微分方程:
侧向运动微分方程:
其中,m为整车质量,a、b为质心到前、后轴的长度,Cf、Cr为前、后车轴的侧偏刚度,vx为纵向速度、vy为侧向速度,β为质心侧偏角,γ为横摆角速度。
由上式可以计算得到理想质心侧偏角βd和理想横摆角速度γd为:
其中,k为车辆不足转向系数,βmax为质心侧偏角的极限值。
建立七自由度车辆模型,控制器设计阶段,可以直接由七自由度模型观测电动汽车实际质心侧偏角β和实际横摆角速度γ。
附图2为汽车的七自由度车辆模型,前轮转角,四轮驱动,根据模型可以得到汽车包括纵向运动、侧向运动、横摆运动和四个车轮的旋转运动的七自由度数学模型如下:
纵向运动:
侧向运动:
横摆运动:
四个车轮的旋转运动:
其中,Fxfr、Fxfl、Fyfr、Fyfl、Fxrr、Fxrl、Fyrr、Fyrl分别为沿纵向、侧向的前右、前左、后右、后左轮胎的分量,a、b、d分别为质心到前轴的距离、质心到后轴的距离、前后轴间的距离,J为车轮的滚动惯量,ωij为车轮角速度(i=f,r为前后轮j=r,为右、左轮),Tdij、Tbij分别为车轮的驱动转矩和制动转矩,Fxij为车轮的纵向力矩,R为车轮的滚动半径。
建立轮胎模型:
轮胎模型采用Dugoff轮胎模型,轮胎所受纵向力和侧向力分别为:
其中,Fx、Fy为轮胎的纵向力和侧向力,Cx、Cy为轮胎的纵向和侧向刚度,μ为路面附着系数,Fz为轮胎垂直载荷,λ为轮胎纵向滑移率。
轮胎垂直载荷随着工况变化而变化,其具体计算公式如下所示:
其中,hc为质心到地面的高度,lrs、lfs为簧载质量质心到前、后轴距离,muf、mur为前、后轴非簧载质量,huf、hur为前、后轴非簧载质量质心高度,hf、hr为前、后轴侧倾中心到地面的距离,ax、ay为汽车纵向、侧向加速度,为汽车车身侧倾角。
车辆运动过程中的轮胎侧偏角如下:
由于实验结果要观察轮胎滑移率是否正常,首先要计算轮胎的轮心速度如下:
轮胎滑移率计算公式为:
其中,vij为轮胎轮心速度(i=f,l表示前、后轮j=l,r表示左右轮),ωij轮胎角速度,R为轮胎半径。
控制器设计
二型模糊神经网络控制器的结构图如附图3所示,第一层为输入层,本控制器输入为X1=Δβ和X2=Δγ;第二层为节点隶属度层,选取中心、跨度均不确定的高斯型隶属函数:
第三层计算每条规则的激发强度:
第四层为计算每条规则的激发强度百分比:
第五层为计算输出的左、右边界,此处采用简化降阶算法即:
R、L分别为左右边界的质点中心,其计算步骤如下:
2)寻找R(1≤R≤M-1)使得y R≤y′≤y R+1
L的寻找方法与上类似。
第六层为输出层:
具体控制器运行步骤如下:
步骤A、设定参数初值:
步骤B、运行控制器:
得到初始系统控制量M=y,运行整个车辆系统,更新汽车状态;
计算过程如下:
求得一阶梯度后,得到调整参数为:
更新车辆的状态参数,得到新的Δβ、Δγ。
p=1,…,5000反复执行步骤027-045,更新控制器状态,修正网络参数。
转矩分配:采用转矩平均分配原则计算得到电动汽车四个车轮的转矩,其具体计算公式如下:
其中,Fzfl、Fzfr、Fzrl、Fzrr表示左前、右前、左后、右后轮胎的垂向力,Tfl、Tfr、Trl、Trr表示左前、右前、左后、右后轮胎的分配力矩。
在下面表2所示几种工况下,测试控制器的控制效果。
表2:测试工况
增加横向风阻,测试测试控制器的控制效果。在横向风阻影响下车辆的侧向运动和横摆运动受到影响,其动力学方程变为:
侧向运动:
横摆运动:
由上所述,本发明的基于二型模糊神经网络的电动汽车稳定性控制方法对对象依赖性小,鲁棒性强,可以在突发干扰和不同工况甚至极限工况下保持电动汽车的稳定运行,避免发生侧滑、转向不足或转向过度等现象;同时,控制精度更高,可以更好的跟踪理想质心侧偏角和理想横摆角速度,使得电动汽车具备更好的稳定性能;进一步的,采用轮毂电机对电动汽车进行控制,避免了传统汽车的机械传动结构,减少了不必要的机械损耗。
以上对本发明所提供的基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种分布式电动汽车稳定性控制方法,其特征在于,包括以下步骤:
步骤一、建立电动汽车的二自由度车辆模型、七自由度车辆模型和轮胎模型;
步骤二、根据输入转角σ和当前车速υx,由二自由度车辆模型计算出车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd;
步骤三、根据传感器和状态观测器得到车辆实际运行横摆角速度γ和实际质心侧偏角β;
步骤四、将理想质心侧偏角βd与实际质心侧偏角β的差值Δβ、理想横摆角速度γd与实际横摆角速度γ的差值Δγ作为二型模糊神经网络控制器的输入信号,用BP学习算法修整二型模糊神经网络的参数,计算得到控制器输出横摆力矩Mz;
步骤五、由力矩分配模块对控制器输出的横摆力矩Mz进行力矩分配得到四个车轮的驱动或制动力矩Trl、Trf、Tfl、Tff,根据四个车轮的驱动或制动力矩Trl、Trf、Tfl、Tff对四个车轮进行分别控制。
6.如权利要求5所述的分布式电动汽车稳定性控制方法,其特征在于,所述步骤三中,车辆实际运行横摆角速度γ可以由传感器测得,质心侧偏角β采用状态观测器得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426444.6A CN109522666B (zh) | 2018-11-27 | 2018-11-27 | 一种分布式电动汽车稳定性控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426444.6A CN109522666B (zh) | 2018-11-27 | 2018-11-27 | 一种分布式电动汽车稳定性控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522666A CN109522666A (zh) | 2019-03-26 |
CN109522666B true CN109522666B (zh) | 2023-07-14 |
Family
ID=65794335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811426444.6A Active CN109522666B (zh) | 2018-11-27 | 2018-11-27 | 一种分布式电动汽车稳定性控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522666B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308718A (zh) * | 2019-04-11 | 2019-10-08 | 长沙理工大学 | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 |
CN109991856B (zh) * | 2019-04-25 | 2022-04-08 | 南京理工大学 | 一种机器人驾驶车辆集成协调控制方法 |
CN110175428B (zh) * | 2019-06-03 | 2020-11-10 | 北京理工大学 | 基于车辆动力学模型的车辆运动特性仿真方法及系统 |
CN110275439B (zh) * | 2019-06-28 | 2020-05-26 | 四川大学 | 自平衡小车的控制方法、控制器的设计方法及装置 |
CN110497916B (zh) * | 2019-08-15 | 2021-03-05 | 太原科技大学 | 基于bp神经网络的汽车行驶状态估计方法 |
CN110509916B (zh) * | 2019-08-30 | 2021-06-29 | 的卢技术有限公司 | 一种基于深度神经网络的车身姿态稳定方法和系统 |
CN110723207B (zh) * | 2019-09-23 | 2021-08-03 | 江苏大学 | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 |
CN110803172B (zh) * | 2019-12-04 | 2020-12-01 | 苏州智加科技有限公司 | 自动驾驶车辆制动系统的建模方法和车辆制动系统 |
CN111746633B (zh) * | 2020-07-02 | 2022-06-17 | 南京航空航天大学 | 一种基于强化学习的车辆分布式转向驱动系统控制方法 |
CN111976504B (zh) * | 2020-08-26 | 2023-10-31 | 合肥工业大学 | 四电机驱动汽车扭矩分配控制器、控制方法、设备及存储介质 |
CN112046468B (zh) * | 2020-09-16 | 2021-02-26 | 吉林大学 | 一种基于t-s模糊的车辆横纵向耦合稳定性控制方法 |
CN112319231B (zh) * | 2020-10-27 | 2022-08-30 | 东风汽车有限公司 | 再生制动系统控制方法、存储介质及电子设备 |
CN112644455B (zh) * | 2021-01-08 | 2022-04-12 | 福州大学 | 一种分布式驱动车辆行驶稳定性控制方法 |
CN112977413A (zh) * | 2021-03-03 | 2021-06-18 | 重庆邮电大学 | 一种分布式驱动电动汽车稳定性控制方法 |
CN113460007B (zh) * | 2021-06-25 | 2022-07-15 | 浙江理工大学 | 基于区间二型模糊逻辑的汽车制动防抱死控制系统及方法 |
CN113682282A (zh) * | 2021-09-10 | 2021-11-23 | 中国第一汽车股份有限公司 | 一种车辆稳定性控制方法、系统、车辆和存储介质 |
CN114670672A (zh) * | 2022-02-21 | 2022-06-28 | 北京新能源汽车股份有限公司 | 一种轮边驱动电动汽车稳定性综合控制方法及系统 |
CN114851857A (zh) * | 2022-04-28 | 2022-08-05 | 华侨大学 | 一种分布式驱动电动客车转矩控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3268124B2 (ja) * | 1994-06-27 | 2002-03-25 | 富士重工業株式会社 | 車両のトルク配分制御装置 |
DE112005001350A5 (de) * | 2004-06-25 | 2008-07-03 | Continental Teves Ag & Co. Ohg | Verfahren und Einrichtung zum Stabilisieren eines Fahrzeugs |
CN105416276B (zh) * | 2015-12-14 | 2017-09-22 | 长春工业大学 | 基于高阶滑模的电动汽车稳定性直接横摆力矩控制方法 |
CN107415939B (zh) * | 2017-03-17 | 2020-01-24 | 江苏大学 | 一种分布式驱动电动汽车转向稳定性控制方法 |
-
2018
- 2018-11-27 CN CN201811426444.6A patent/CN109522666B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109522666A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522666B (zh) | 一种分布式电动汽车稳定性控制方法 | |
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
Ni et al. | Dynamics control of autonomous vehicle at driving limits and experiment on an autonomous formula racing car | |
CN103448716B (zh) | 分布式电驱动车辆纵-横-垂向力协同控制方法 | |
US9950703B2 (en) | Vehicle with independently driven multiple axes, and controller which independently drives multiple axles | |
CN105936273B (zh) | 车用主动转矩轮间、轴间分配方法 | |
CN109606352A (zh) | 一种车辆路径跟踪与稳定性协调控制方法 | |
CN108859862B (zh) | 一种分布式驱动越野车辆的自适应驱动控制系统 | |
CN110606079B (zh) | 一种分层控制的车辆防侧翻方法及多轴分布式驱动车辆 | |
CN109606133A (zh) | 基于双层控制的分布式驱动电动汽车转矩矢量控制方法 | |
CN108216363B (zh) | 一种电动轮汽车底盘集成系统的多学科优化方法 | |
CN112224036B (zh) | 分布式驱动电动车四轮驱动力矩分配方法及系统 | |
Mashadi et al. | Integrated AFS/DYC sliding mode controller for a hybrid electric vehicle | |
CN111891118A (zh) | 基于模型预测控制算法的电动汽车防侧翻控制方法 | |
CN111731267B (zh) | 一种装备非充气弹性车轮的分布式电动汽车稳定性控制系统及方法 | |
CN113147420A (zh) | 一种基于路面附着系数识别的目标优化转矩分配方法 | |
Xu et al. | Integrated control of active front wheel steering and active suspension based on differential flatness and nonlinear disturbance observer | |
CN113665669B (zh) | 车辆稳定性控制系统及方法 | |
Li et al. | Adaptive sliding mode control of lateral stability of four wheel hub electric vehicles | |
Reinold et al. | An advanced electric vehicle for development and test of new vehicle-dynamics control strategies | |
CN109849898A (zh) | 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法 | |
Wang et al. | Stability control of electric vehicles with four independently actuated wheels | |
CN116620046A (zh) | 一种用于四轮独立分布式驱动车辆的稳定性驱动控制方法 | |
CN112346337A (zh) | 极限工况下基于后轮主动转向的车辆稳定性控制方法 | |
CN113044047B (zh) | 一种基于类pid-stsm的afs/dyc集成控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230608 Address after: Zone A, Floor 1, Building 5, No. 350, Yuanyuan Road, Jiading District, Shanghai, 200000 Applicant after: SHANGHAI IVY AUTO TECHNOLOGY CO.,LTD. Address before: 410082 Hunan province Changsha Lushan Road No. 2 Applicant before: Yuan Xiaofang |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |