CN111422192B - 智能网联商用车跟车行为下的排放与油耗协调控制方法 - Google Patents

Abstract

一种智能网联商用车跟车行为下的排放与油耗协调控制系统，属于智能交通领域。本发明的目的是通过智能交通信息，对在跟车行驶时的本车车速与对应的驱动力/制动力进行规划，获得排放与油耗综合最优的车速。本发明首先建立起基于车辆车速与加速的排放与油耗模型，其次根据智能交通信息中获得的本车与前车的相对车距，相对车速以及距离前方交通灯的距离与交通灯相位序列，对本车的车速进行了规划，获得了油耗与排放综合最优的车速以及对应该车速的控制输入(车辆驱动力与制动力)。最后为了验证本方法的有效性，在MATLAB中进行了仿真验证。

Description

智能网联商用车跟车行为下的排放与油耗协调控制方法

技术领域

本发明属于智能交通控制技术领域。

背景技术

车辆智能网联(车联网)是由车辆位置、速度和路线等信息构成的巨大交互网络，车辆可以通过车联网完成自身环境和状态信息的采集以及自身信息的上传。这些广泛超前的车辆信息可以被分析和处理，及时汇报路况、安排信号灯周期，从而计算出车辆在不同需求下的最佳路线。自适应巡航控制(ACC)系统是最有收益的智能交通系统之一，现有的研究也表明，使用ACC系统可以提高道路交通效率、燃油经济性和交通流排放性能。然而，很少有方法根据车联网信息进行环境友好自适应巡航控制(Eco-friendly-ACC)的开发和评估。EACC通常根据智能网联信息获取前方道路，交通信息，从而对车辆的行驶提供实时建议(有人驾驶时)或者控制(无人驾驶时)，例如缓慢加速、平稳驾驶、降低车速等，从而更大程度地节省燃油的同时降低排放。

发明内容

本发明的目的是通过前车行驶以及交通信号存在道路上的EACC，使车辆满足在安全跟车的前提下，以最优的速度通过交通信号灯，整体上减少了车辆运行时排放与油耗的智能网联商用车跟车行为下的排放与油耗协调控制系统。

本发明步骤是：

其步骤是：

①车速模型搭建：

v_s(t+1)＝v_s(t)+Δt·(F_t(t)/Ma-R_f(t)-R_g(t)-R_r(t)) (1)

其中，

为风阻力项，

为坡度阻力项，

为滚动阻力项，v_s(t+1)为下一时刻本车车速，v_s(t)为当前时刻本车车速，t为时刻，Δt为采样时间步长，F_t(t)为当前时刻车辆输入力矩，为驱动力和制动力的合力矩，Ma为车辆质量，D_w为风阻系数，Ar为车辆迎风面积，ρ为空气密度，g为重力加速度，ω(t)为当前时刻道路坡度，D_r为滚动阻力系数；

②基于车速的车辆排放与油耗的模型搭建：

⑴发动机转速模块

根据公式(2)得出当前发动机转速

其中，V_eng(t)为当前时刻发动机转速，r_tire为车辆轮胎半径，I_g(t)为当前时刻车辆档位变速比，I₀为差速器放大比；

⑵车辆功率模块

车辆当前时刻驱动功率公式：

其中Ac(t)是当前时刻车辆加速度；

获得最终的发动机需求功率：

其中，W(t)是当前时刻发动机功率，ε为传动效率，W_acc(t)为当前时刻驱动附件；

⑶燃油消耗率模块

发动机当前时刻的理论燃油消耗率

其中，G(t)＝G₀·[1+C·(V_eng(t)-V₀)]，

FR(t)为理论燃油消耗率，G(t)为当前时刻发动机摩擦系数，G₀为发动机初始摩擦系数，Di为发动机排量；ψ为发动机指示效率，b₁与C为经验系数，通过辨识得到；

使用一次线型拟合对FR(t)进行修正：

Efuel(t)＝a_fuel·FR(t)+b_fuel (6)

其中Efuel(t)为当前时刻真实燃油消耗率，a_fuel与b_fuel为拟合参数；

⑷排放模块

NO_x排放计算公式为：

ENO_x(t)＝a_NOx·FR(t)+b_NOx (7)

ENO_x(t)为当前时刻NO_x的排放量，a_NOx与b_NOx为线性拟合辨识参数；

⑸排气温度模块

排气温度公式为：

ETemp(t)＝a_Temp·FR(t)+b_Temp (8)

ETemp(t)为当前时刻排气温度，a_Temp与b_Temp为线性拟合辨识参数；

③控制的描述

⑴控制目标的确定：

优化后的控制目标为：

其中，J_opt为预测时域内的优化目标，N_c为预测时域，Temp_lo为排气温度下限，Temp_up为排气温度上限，σ₁与σ₂为控制器调参参数；

⑵车速约束的确定：

车辆速度应该在

区间内，

l表示本车规划开始时距离前方红绿灯的距离，l的下标表示距离第几个红绿灯，r表示红灯，g表示绿灯，r与g的下标表示交通灯的序号，上标表示其红绿灯相位的序号；

给出当前时刻速度约束为：

v_safe,max(t)＝min{v_lim,1(t),v_lim,2(t),v_lim,3(t)} (10)

其中，

T_react为驾驶员应急反应时间，A_s,bmax为本车最大制动减速度，A_m,bmax为前车最大减速度，这两个减速度均设定为g，c为驾驶员反应过程中的行驶距离，当前时刻c的公式为：c(t)＝s_m(t)-s_s(t-1)-v_s(t-1)·Δt，其中s_m(t)为前车的当前时刻位移，s_s(t-1)为本车的上一时刻位移，v_s(t-1)为本车上一时刻速度，v_m(t)为前车当前时刻车速；

其中，T_t,max为最大轮胎力矩，ψ_m为机械传动效率；v_lim，3(t)＝v_reg，v_reg则为道路法规限速，当前时刻安全速度约束为[v_safe,min(t),v_safe,max(t)]，v_safe,min为车辆允许的最低速度，设定为0m/s；综合交通信息速度约束与安全速度约束，得到最终的速度约束区间，在第一次绿灯时间通过，其速度应在安全速度区间与智能信息允许速度区间的交集内：

v_s，min(t)，v_s，max(t)分别为本车当前时刻最小速度与本车当前时刻最大速度；如果没有交集，则对第二次，第三次等时间靠后的绿灯窗口的速度区间进行检查，直到出现交集为止；

⑶车距约束的确定：

当前时刻安全车距s_safe(t)公式为：

s_safe(t)＝max(v_s(t)T_react,s_s,br(t)-s_m,br(t)) (13)

其中

为本车当前时刻紧集刹车时车辆行驶距离，

为前车当前时刻紧集刹车时车辆行驶距离；

⑷控制器量的确定：

选择车辆的驱动力与制动力为控制输入量；

⑸优化与结果处理

利用常用的内点法对优化问题求解，得到可以驱动车辆获得最优的速度轨迹的力矩，驱动力与制动力不可能同时作用，故合力矩中，正值为驱动力矩，负值为制动力矩，制动力可以由刹车器直接提供给车辆，驱动力则需要通过不同档位的变速比转化后作为需求力矩提供给下层发动机控制器。

本发明考虑了在有前车行驶以及交通信号存在道路上的EACC，将前车信息以及干道上交通信号灯信息通车联网提供给车辆，规划出车辆的行驶速度及所需的驱动力与制动力，使车辆满足在安全跟车的前提下，以最优的速度通过交通信号灯，避免了急加速、怠速以及启动等油耗与排放均增加的恶劣工况，从而整体上减少了车辆运行时的排放与油耗。

附图说明

图1是燃油模型相关性分析图；

图2是NO_x排放模型相关性分析图；

图3是温度模型相关性分析图；

图4是速度对比曲线图；

图5是位移对比曲线图；

图6是油耗对比曲线图；

图7是油耗对比柱状图；

图8是NO_x对比曲线图；

图9是NO_x排放柱状图；

图10是排气温度曲线图；

图11是车辆输入合力矩图。

具体实施方式

本发明利用智能网联信息的排放与油耗一体化跟车控制：

1.车速模型搭建：

v_s(t+1)＝v_s(t)+Δt·(F_t(t)/Ma-R_f(t)-R_g(t)-R_r(t)) (1)

其中，

为风阻力项，

为坡度阻力项，

为滚动阻力项，v_s(t+1)为下一时刻本车车速，v_s(t)为当前时刻本车车速，t为时刻，Δt为采样时间步长，F_t(t)为当前时刻车辆输入力矩，为驱动力和制动力的合力矩，Ma为车辆质量，D_w为风阻系数，Ar为车辆迎风面积，ρ为空气密度，g为重力加速度，ω(t)为当前时刻道路坡度，D_r为滚动阻力系数。

2.基于车速的车辆排放与油耗的模型搭建：

2.1.发动机转速计算模块

实时获得本车车辆档位信息，根据当前档位获得该档位下的变速比，然后根据公式(2)算出当前发动机转速。

其中，V_eng(t)为当前时刻发动机转速，r_tire为车辆轮胎半径，I_g(t)为当前时刻车辆档位变速比，I₀为差速器放大比。

2.2.车辆功率计算模块

得到发动机转速后，根据公式(3)计算出车辆驱动需求功率，其中，当前时刻加速度需求的力为Ma·Ar，当前时刻驱动车辆克服道路坡度需求的力为Ma·g·sinω(t)，当前时刻驱动车辆克服风阻需求的力为

当前时刻驱动车辆克服滚动阻力需求的力为Ma·g·D_r·cosω(t)，根据力与功率的关系：功率＝力/速度，得到需求功率，单位为W，转化单位为kW，便可得到如(3)所示车辆当前时刻驱动功率计算公式：

其中Ac(t)是当前时刻车辆加速度。得到车辆需求的驱动功率后，由于发动机功率传递到车辆本身会存在传动效率，以及车辆在运行过程中发动机做的功会同时驱动空调等附件，所以根据如下公式获得最终的发动机需求功率：

其中，W(t)是当前时刻发动机功率，ε为传动效率，W_acc(t)为当前时刻驱动附件如空调等需求的功率。

2.3.燃油消耗率计算模块

在获得发动机转速与发动机功率后，可根据如下经验公式计算得到发动机当前时刻的理论燃油消耗率

其中，G(t)＝G₀·[1+C·(V_eng(t)-V₀)]，

FR(t)为理论燃油消耗率，G(t)为当前时刻发动机摩擦系数，G₀为发动机初始摩擦系数，Di为发动机排量。ψ为发动机指示效率，b₁与C为经验系数，通过辨识得到。由于GT模型中的传动效率无法获得，所以通过公式(5)计算得到的FR(t)与真实的燃油消耗率存在偏差，所以使用一次线型拟合对FR(t)进行修正：

Efuel(t)＝a_fuel·FR(t)+b_fuel (6)

其中Efuel(t)为当前时刻真实燃油消耗率，a_fuel与b_fuel为拟合参数。

2.4.排放计算模块

NO_x排放计算公式为：

ENO_x(t)＝a_NOx·FR(t)+b_NOx (7)

ENO_x(t)为当前时刻NO_x的排放量，a_NOx与b_NOx为线性拟合辨识参数。

2.5.排气温度计算模块

排气温度计算公式为：

ETemp(t)＝a_Temp·FR(t)+b_Temp (8)

ETemp(t)当前时刻为排气温度，a_Temp与b_Temp为线性拟合辨识参数。

3.控制问题描述

3.1控制目标的确定：

如前所述，环境友好的车速规划的本质是带有约束的非线性优化问题。目标是在整个规划区间中使得燃油消耗最小，由于第二章中建模可知，NO_x排放与油耗成正比关系，故降低油耗自然就能降低NO_x排放，所以为了简化目标函数，就不在其中加入NO_x项。由于国家法规越来越严格，单纯地机内减排措施已经不能满足排放法规，因此车辆往往通过后处理技术降低最终排放，这就需要对原排气体的温度进行控制使其满足后处理系统的最佳工作温度区间，所以优化目标为：

其中，J_opt为预测时域内的优化目标，N_c为预测时域，Temp_lo为排气温度下限，Temp_up为排气温度上限，σ₁与σ₂为控制器调参参数。

3.2车速约束的确定：

通过智能交通信息，可以获得本车前方的交通灯序列、距离以及红绿灯相位。在本专利中，l表示本车规划开始时举例前方红绿灯的距离，l的下标表示距离第几个红绿灯，比如，l₁表示距离第一个红绿灯的距离，l₂表示距离第二个红绿灯的距离，余此同理。r表示红灯，g表示绿灯，r与g的下标表示交通灯的序号，上标表示其红绿灯相位的序号，例如

则为第一个交通灯的第一次绿灯，r₁ ¹为第一个交通灯的第一次红灯。为了简化处理，将黄灯相位归于红灯相位中。例如

则表示，第一个交通灯50s后第一次绿灯，100s后第一次红灯，150s后第二次绿灯，200s后第二次红灯，250s后第三次绿灯，余此同理。车辆如果要在绿灯时间内通过第一个交通灯，那么车辆速度应该在

区间内。

除了智能交通信息给出的速度约束，车辆在运行过程中需要根据自身状态与外界信息给出安全的速度约束与距离约束以保证安全行驶。从安全方面给出当前时刻速度约束为：

v_safe,max(t)＝min{v_lim,1(t),v_lim,2(t),v_lim,3(t)} (10)

其中

T_react为驾驶员应急反应时间，A_s,bmax为本车最大制动减速度，A_m,bmax为前车最大减速度，这两个减速度均设定为g，c为驾驶员反应过程中的行驶距离，当前时刻c的公式为：c(t)＝s_m(t)-s_s(t-1)-v_s(t-1)·Δt，其中s_m(t)为前车的当前时刻位移，s_s(t-1)为本车的上一时刻位移，v_s(t-1)为本车上一时刻速度，v_m(t)为前车当前时刻车速；

其中，T_t,max为最大轮胎力矩，ψ_m为机械传动效率；v_lim，3(t)＝v_reg，v_reg则为道路法规限速，当前时刻安全速度约束为[v_safe,min(t),v_safe,max(t)]，v_safe,min为车辆允许的最低速度，设定为0m/s；综合交通信息速度约束与安全速度约束，得到最终的速度约束区间，在第一次绿灯时间通过，其速度应在安全速度区间与智能信息允许速度区间的交集内：

v_s，min(t)，v_s，max(t)分别为本车当前时刻最小速度与本车当前时刻最大速度；如果没有交集，则对第二次，第三次等时间靠后的绿灯窗口的速度区间进行检查，直到出现交集为止；所以，最终得到的当前时刻安全速度约束为[v_safe,min(t),v_safe,max(t)]，v_safe,min为车辆允许的最低速度，本专利设定其为0m/s。

综合交通信息速度约束与安全速度约束，得到最终的速度约束区间。以车辆前方第一个交通灯为例，车辆如果想在第一次绿灯时间通过，其速度应在安全速度区间与智能信息允许速度区间的交集内：

v_s，min(t)，v_s，max(t)分别为本车当前时刻最小速度与本车当前时刻最大速度；如果没有交集，则对第二次，第三次等时间靠后的绿灯窗口的速度区间进行检查，直到出现交集为止。

3.3车距约束的确定：

通过智能交通网，车车之间信息传递，实时获得前车的相对距离，计算出车辆行驶过程中的安全车距约束。安全车距定义为在前车紧集制动时，本车也相应进行紧集刹车时不会与前车发生碰撞的距离。当前时刻安全车距s_safe(t)计算公式为：

s_safe(t)＝max(v_s(t)T_react,s_s,br(t)-s_m,br(t)) (13)

其中

为本车当前时刻紧集刹车时车辆行驶距离，

为前车当前时刻紧集刹车时车辆行驶距离。

3.4控制器量的确定：

由于车辆在路上形式过程中，直接表现的状态为位移，速度，加速度。而位移为速度的积分，加速度为速度的微分，所以选取车辆的状态速度，根据公式(1)可知，对车速的影响为驱动力制动力，所以选择车辆的驱动力与制动力为控制输入量。

3.5优化问题求解与求解结果处理

利用优化问题求解中常用的内点法对本优化问题求解，得到可以驱动车辆获得最优的速度轨迹的力矩，如图11所示，因为车辆运行过程中，驱动力与制动力不可能同时作用，故合力矩中，正值为驱动力矩，负值为制动力矩。制动力可以由刹车器直接提供给车辆，驱动力则需要通过不同档位的变速比转化后作为需求力矩提供给下层发动机控制器。

本专利选用简单的车辆档位模型，基于车速选取档位，具体选取规则及对应变速比如表3所示。

表1模型参数

表2控制器参数范围

参数	σ<sub>1</sub>	σ<sub>2</sub>
			范围	1—353524	1—4343

表3档位及对应比变速比

4.仿真验证及分析

从GT-Power中采集初来车辆实际运行时的数据，根据第2章建模方法，搭建了车辆排放面向控制的模型，根据GT的数据辨识得到模型参数，获得最终的在智能网联环境下的车辆油耗与排放控制模型，在相同的车辆工况下，对GT数据与建立的模型的输出数据进行相关分析，如图1，2，3所示，可以看到表征相关性的R²均大于0.8，表明模型可以较好地描述车辆的动态，可以作为车辆面向控制的模型进行下一步的优化规划。

在智能网联环境下，可以实时获得前车距离本车的车距，以及前车的车速，本车距离前方路口信号灯的距离，前方路口信号灯的相位。获得这些信息后，可以对本车的车速进行规划，使其在安全跟车行驶的同时，在前方路口交通灯的绿灯相位通过路口，避免了停车怠速，启动，急加速等排放油耗恶化的工况。仿真结果如图4-11所示。由图4图5可以看出，没有利用智能交通信息的普通自动巡航车辆，仅仅根据相对车距与相对车速规划本车的车速，这样，在前车遇到红灯窗口停车等待时，本车也会跟随前车停车，进入怠速状态等待红灯结束，而红灯结束后则会经过启动，加速的工况继续行驶。而利用智能交通信息的排放友好巡航跟车，则会兼顾与前车之间的安全因素以及前方路口红绿灯信息，规划车速，使车辆在绿灯窗口内经过交通路口，避免了启动，加速等排放以及油耗恶化的工况。由图6图7可以看出，在相同规划时域(100s)内，排放友好巡航跟车的车辆会比普通的自动巡航车辆油耗减小47.4272g。由图8图9可以看出，NO_x总排放减小了0.4576g。有利于后处理系统工作的最佳排期温度范围为473K-673K，根据图10可以看出，本专利提出的方法，在整个工作区间内，排气温度均处于这个最佳气温范围内，有利于后处理系统的工作，为下层后处理控制系统降低了负担。

利用MATLAB中的fmincon函数，选用内点法对本优化问题求解，fmincon函数的语句表达为：

①options＝optimset('Algorithm','interior-point','TolFun',1e-6,'LargeScale','on','MaxFunEvals',30000,'MaxIter',30000)；

②u＝fmincon(@Jopt_test,u_0,A,b,Aeq,beq，lb,ub,@con_test,options)；

其中语句①中，“options”为求解器与求解过程的设置，'Algorithm'为设置优化问题的算法；'interior-point'含义为选取内点法求解优化问题；'TolFun'为迭代求解的终止误差，本问题求解设置为’1e-6’；当求解的误差小于等于这个值时停止求解运算。'LargeScale'为是否使用大规模算法选项，本问题使用了大规模算法，故设置为'on'；'MaxFunEvals'为求解的最高运算次数，本问题求解设置在这个次数内求解得到最优解时停止运算，如果在这个次数内没有得到最优解，则停止运算并报错。本问题设置'MaxFunEvals'的数值为’30000’；'MaxIter'为最大迭代次数，每次求解时迭代计算的最大次数不超过这个数值，本问题设置'MaxIter'为30000。

语句②中，u为最终求解出的车辆合力矩，@Jopt_test为目标函数文件。u_0为u运算开始时人为设置的初始值。A,b,Aeq,beq，定义了线型约束，因为本问题中不存在线型约束，所以均设置为空集’A＝[],b＝[],Aeq＝[],beq＝[]’。lb,ub,为u的上界与下界。@con_test为约束函数文件。options则为语句①中的求解器与求解过程设置。

Claims (1)

1.一种智能网联商用车跟车行为下的排放与油耗协调控制方法，其特征在于：其步骤是：

①车速模型搭建：

v_s(t+1)＝v_s(t)+Δt·(F_t(t)/Ma-R_f(t)-R_g(t)-R_r(t)) (1)

其中，

为风阻力项，

为坡度阻力项，

为滚动阻力项，v_s(t+1)为下一时刻本车车速，v_s(t)为当前时刻本车车速，t为时刻，Δt为采样时间步长，F_t(t)为当前时刻车辆输入力矩，为驱动力和制动力的合力矩，Ma为车辆质量，D_w为风阻系数，Ar为车辆迎风面积，ρ为空气密度，g为重力加速度，ω(t)为当前时刻道路坡度，D_r为滚动阻力系数；

②基于车速的车辆排放与油耗的模型搭建：

⑴发动机转速模块

根据公式(2)得出当前发动机转速

其中，V_eng(t)为当前时刻发动机转速，r_tire为车辆轮胎半径，I_g(t)为当前时刻车辆档位变速比，I₀为差速器放大比；

⑵车辆功率模块

车辆当前时刻驱动功率公式：

其中Ac(t)是当前时刻车辆加速度；

获得最终的发动机需求功率：

其中，W(t)是当前时刻发动机功率，ε为传动效率，W_acc(t)为当前时刻驱动附件；

⑶燃油消耗率模块

发动机当前时刻的理论燃油消耗率

其中，G(t)＝G₀·[1+C·(V_eng(t)-V₀)]，

FR(t)为理论燃油消耗率，G(t)为当

前时刻发动机摩擦系数，G₀为发动机初始摩擦系数，Di为发动机排量；ψ为发动机指示效率，b₁与C为经验系数，通过辨识得到；

使用一次线型拟合对FR(t)进行修正：

Efuel(t)＝a_fuel·FR(t)+b_fuel (6)

其中Efuel(t)为当前时刻真实燃油消耗率，a_fuel与b_fuel为拟合参数；

⑷排放模块

NO_x排放计算公式为：

ENO_x(t)＝a_NOx·FR(t)+b_NOx (7)

ENO_x(t)为当前时刻NO_x的排放量，a_NOx与b_NOx为线性拟合辨识参数；

⑸排气温度模块

排气温度公式为：

ETemp(t)＝a_Temp·FR(t)+b_Temp (8)

ETemp(t)为当前时刻排气温度，a_Temp与b_Temp为线性拟合辨识参数；

③控制的描述

⑴控制目标的确定：

优化后的控制目标为：

其中，J_opt为预测时域内的优化目标，N_c为预测时域，Temp_lo为排气温度下限，Temp_up为排气温度上限，σ₁与σ₂为控制器调参参数；

⑵车速约束的确定：

车辆速度应该在

区间内，

l表示本车规划开始时距离前方红绿灯的距离，l的下标表示距离第几个红绿灯，r表示红灯，g表示绿灯，r与g的下标表示交通灯的序号，上标表示其红绿灯相位的序号；

给出当前时刻速度约束为：

v_safe,max(t)＝min{v_lim,1(t),v_lim,2(t),v_lim,3(t)} (10)

其中，

T_react为驾驶员应急反应时间，A_s,bmax为本车最大制动减速度，A_m,bmax为前车最大减速度，这两个减速度均设定为g，c为驾驶员反应过程中的行驶距离，当前时刻c的公式为：c(t)＝s_m(t)-s_s(t-1)-v_s(t-1)·Δt，其中s_m(t)为前车的当前时刻位移，s_s(t-1)为本车的上一时刻位移，v_s(t-1)为本车上一时刻速度，v_m(t)为前车当前时刻车速；

其中，T_t,max为最大轮胎力矩，ψ_m为机械传动效率；v_lim，3(t)＝v_reg，v_reg则为道路法规限速，当前时刻安全速度约束为[v_safe,min(t),v_safe,max(t)]，v_safe,min为车辆允许的最低速度，设定为0m/s；综合交通信息速度约束与安全速度约束，得到最终的速度约束区间，在第一次绿灯时间通过，其速度应在安全速度区间与智能信息允许速度区间的交集内：

v_s，min(t)，v_s，max(t)分别为本车当前时刻最小速度与本车当前时刻最大速度；如果没有交集，则对第二次，第三次等时间靠后的绿灯窗口的速度区间进行检查，直到出现交集为止；

⑶车距约束的确定：

当前时刻安全车距s_safe(t)公式为：

s_safe(t)＝max(v_s(t)T_react,s_s,br(t)-s_m,br(t)) (13)

其中

为本车当前时刻紧集刹车时车辆行驶距离，

为前车当前时刻紧集刹车时车辆行驶距离；

⑷控制器量的确定：

选择车辆的驱动力与制动力为控制输入量；

⑸优化与结果处理

利用常用的内点法对优化问题求解，得到可以驱动车辆获得最优的速度轨迹的力矩，驱动力与制动力不可能同时作用，故合力矩中，正值为驱动力矩，负值为制动力矩，制动力可以由刹车器直接提供给车辆，驱动力则需要通过不同档位的变速比转化后作为需求力矩提供给下层发动机控制器。

Images