CN111559361A - 一种四轮独立驱动车辆转向制动协同控制方法 - Google Patents

Abstract

本发明公开了一种四轮独立驱动车辆转向制动协同控制方法，包括：车辆转向时，采集理想转向角后根据参考模型得到期望车身侧偏角，期望横摆角速度和期望横摆角；通过滑模变结构控制模型，根据所述期望车身侧偏角、所述期望横摆角速度和所述期望横摆角得到前轮转向角、后轮转向角和横摆力矩后，计算得到车辆的实际车身侧偏角、实际横摆角速度和实际横摆角；车辆制动时，基于BP神经网络PID控制模型对误差进行控制，进而对所述车辆进行转向制动协同控制；在车辆转向制动时，基于BP神经网络PID控制模型同时对实际和理想的车身侧偏角、横摆角速度和横摆角误差、实际和理想滑移率进行控制，进而对所述车辆进行转向制动协同控制。

Description

一种四轮独立驱动车辆转向制动协同控制方法

技术领域

本发明涉及转向制动协同控制技术领域，尤其涉及一种四轮独立驱动车辆转向制动协同控制方法。

背景技术

面对日益紧张的能源和环保压力，各国政府先后出台大量政策措施，鼓励各种类型的新能源车辆的发展(纯电动汽车、混合动力汽车等)。四轮独立驱动车辆又称轮毂电机驱动车辆或分布式驱动车辆，是一种特殊的纯电动车辆。其相比于传统车辆省去了大量中间环节的传动部件，且以4个轮毂中的电机作为动力源，具有更高的传动效率、更紧凑的结构、更多的利用空间。此外，其安装有四轮独立驱动、制动和主动转向等多个分布式执行机构，具有多个控制自由度，操纵灵活，具有超高的机动性。

四轮独立驱动车辆除了具有以上优势，凭借其操纵灵活的优点，极其适合作为智能运载平台。在智能车相关技术大发展的背景下，环境感知技术、路径规划及轨迹跟踪技术、智能决策技术等智能技术已经比较成熟，且市场上也不乏成熟成品的情形下，底层平台的好坏往往对于智能车的整体性能起到决定作用。四轮独立驱动车辆控制自由度多，操纵灵活的特点，对于充分发挥智能车的优异性能具有巨大优势，对于实现智能车辆的跨越式发展具有重大意义。

然而，四轮独立驱动车辆过多的自由度，使其成为了一个过耦合、强非线性的的系统，各个分布式执行机构之间极其容易相互干扰、相互冲突，从而造成车辆整体性能的下降。

发明内容

基于上述技术问题，本发明设计开发了一种四轮独立驱动车辆转向制动协同控制方法，解决了四轮独立驱动车辆各个执行机构之间存在干扰和运动冲突，对各个分布式执行机构进行协调管理，以实现较好的操纵稳定性和轨迹跟踪性能。

本发明提供的技术方案为：

一种四轮独立驱动车辆转向制动协同控制方法，包括如下步骤：

车辆转向时，采集理想转向角后根据参考模型得到期望车身侧偏角，期望横摆角速度和期望横摆角；

通过滑模变结构控制模型，根据所述期望车身侧偏角、所述期望横摆角速度和所述期望横摆角得到前轮转向角、后轮转向角和横摆力矩后，计算得到车辆的实际车身侧偏角、实际横摆角速度和实际横摆角；

车辆制动时，基于BP神经网络PID控制模型对误差进行控制，进而对所述车辆进行转向制动协同控制；

其中，所述误差包括期望滑移率和实际滑移率的偏差，期望车身侧偏角和实际车身侧偏角的偏差和期望横摆角速度和实际横摆角速度的偏差；

所述误差为e^BPpid＝λ_d-λ+M·E；式中，M＝[0.005 0.005 0.005]，

β_d为期望车身侧偏角，β为实际车身侧偏角，γ_d为期望横摆角速度，γ为实际横摆角速度，ψ_d为期望横摆角，ψ为横摆角，λ_d为期望滑移率，λ为实际滑移率。

优选的是，所述参考模型为

式中，

W_d＝[δ_d]，

优选的是，所述滑模变控制结构模型为

其中，

式中，δ_f为前轮转向角，δ_r为后轮转向角，M_z为横摆力矩。

优选的是，η₁＝0.04，η₂＝0.8。

优选的是，计算得到车辆的实际车身侧偏角、实际横摆角速度和实际横摆角过程包括：

其中，

式中，k_f为前轴侧偏刚度，单位为N/rad，k_r为后轴侧偏刚度，单位为N/rad，l_f为车辆质心到前轴的距离，单位为m，l_r为车辆质心到后轴的距离，单位为m，I_z为车辆横摆转动惯量，单位为kg·m²，m为车辆质量，单位为kg，v_x为车辆纵向速度，单位为m/s。

优选的是，基于BP神经网络PID控制模型对误差进行控制过程包括：

按照采样周期，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃}，x₁为期望滑移率和实际滑移率的偏差及偏差变化率、x₂为期望车身侧偏角和实际车身侧偏角的偏差及偏差变化率、x₃为期望横摆角速度和实际横摆角速度的偏差和偏差变化率；

将所述输入层映射到隐含层，所述隐含层向量h＝{h₁,h₂,…,h_i}；i为隐含层节点个数；

得到输出层向量o＝{o₁,o₂,o₃}，o₁为PID控制器参数的K_p，o₂为PID控制器参数的K_i，o₃为PID控制器参数的K_d。

优选的是，所述隐含层的激励函数为

所述输出层的激励函数为

优选的是，在所述BP神经网络PID控制模型中，所述误差进行反向传播过程中，误差函数为：

总误差函数为：

优选的是，在所述BP神经网络PID控制模型中，对输出层权系数进行修正如下：

式中，ξ₁为第一修正系数，取值为0.75；以及

对隐含层权系数进行修正如下：

式中，ξ₂为第二修正系数，取值为0.9。

优选的是，在所述BP神经网络PID控制模型中，训练循环中，每次产生的新的权系数为：

其中，ε₁、ε₂为调节系，取值为ε₁＝0.75、ε₂＝0.9。

本发明与现有技术相比较所具有的有益效果：本发明运用滑模变结构控制模型和神经网络PID控制模型，相比较于传统的PID控制等方法，实现了对于期望车身侧偏角β_d、期望横摆角速度γ_d和期望横摆角ψ_d的更为精确的跟踪，基于此提出的控制策略具有更强的鲁棒性，能够有效地消除转向系统与制动系统之间的动力学耦合，实现更优的整车性能。

附图说明

图1为本发明所述的四轮独立驱动车辆转向制动协同控制方法的总体框架示意图。

图2为本发明所述的BP神经网络结构示意图。

图3为本发明所述的BP神经网络PID模型的控制流程图。

图4为本发明所述的理想转向角的输入信号示意图。

图5a为本发明所述的控制方法进行控制后期望车身侧偏角和实际车身侧偏角的示意图。

图5b为本发明所述的控制方法进行控制后期望横摆角速度和实际横摆角速度的示意图。

图6a为通过传统的普通PID控制方法控制后期望车身侧偏角和实际车身侧偏角的示意图。

图6b为通过传统的普通PID控制方法控制后期望横摆角速度和实际横摆角速度的示意图。

图7a为本发明所述的控制方法进行控制后实际车身侧偏角和期望车身侧偏角之差的示意图。

图7b为本发明所述的控制方法进行控制后实际横摆角速度和期望横摆角速度之差的示意图。

图8a为通过传统的普通PID控制方法控制后实际车身侧偏角和期望车身侧偏角之差的示意图。

图8b为通过传统的普通PID控制方法控制后实际横摆角速度和期望横摆角速度之差的示意图。

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。

本发明提供了一种四轮独立驱动车辆转向制动协同控制方法，本发明包括2个部分：(1)以线性二自由度转向模型作为参考模型，并设计滑模变结构转向控制器，控制四轮独立驱动车辆实现良好的转向跟踪性能；(2)以ABS系统为基础，设计神经网络PID协同控制器，在保证转向跟踪性能的基础上维持制动稳定性，最终实现转向/制动协调控制；

本发明的具体步骤包括：

首先，车辆转向时，采集理想转向角后根据参考模型得到四轮独立驱动车辆的期望车身侧偏角，期望横摆角速度和期望横摆角；然后，通过滑模变结构控制模型，根据所述期望车身侧偏角、所述期望横摆角速度和所述期望横摆角产生前轮转向角、后轮转向角和横摆力矩后，控制车辆产生车辆的实际车身侧偏角、实际横摆角速度和实际横摆角；

车辆制动时，基于BP神经网络PID控制模型对误差进行控制，进而对所述车辆进行转向制动协同控制。

其中，在车辆转向时，容易受到各种因素的干扰，为保持其跟踪性能，需要使控制器具有较强的鲁棒性和稳定性，因此使用滑模变结构方法对控制器进行设计，依据参考模型首先列出期望状态空间方程：

其中，

W_d＝[δ_d]，

而对于实际车辆，将其简化为如下状态空间方程：

其中，

式中，δ_f为前轮转向角，δ_r为后轮转向角，M_z为横摆力矩；

而对于状态变量之差，我们可以定义为：

式中，β_d为期望车身侧偏角，β为实际车身侧偏角，γ_d为期望横摆角速度，γ为实际横摆角速度，ψ_d为期望横摆角，ψ为横摆角，λ_d为期望滑移率，λ为实际滑移率；

则对于滑模变结构控制器，我们令其切换函数为：

s＝C·E； (4)

其中，C为切换函数系数，C＝[101]；

令

其中，η₁＝0.04，η₂＝0.8；

式中，k_f为前轴侧偏刚度，单位为N/rad，k_r为后轴侧偏刚度，单位为N/rad，l_f为车辆质心到前轴的距离，单位为m，l_r为车辆质心到后轴的距离，单位为m，I_z为车辆横摆转动惯量，单位为kg·m²，m为车辆质量，单位为kg，v_x为车辆纵向速度；作为一种优选，对参数进行取值包括k_f为9500N/rad，k_r为14000N/rad，l_f为1.864m，l_r为1.672m，I_z为178kg·m²，m为528kg。

在车辆制动时，ABS可以使车辆保持制动稳定性，本发明设计了BP神经网络PID控制模型以同时满足转向轨迹跟踪性能及制动稳定性，所控制的误差为：

e^BPpid＝λ_d-λ+M·E； (6)

其中，M＝[0.005 0.005 0.005]，为常系数矩阵；e^BPpid除了包含期望滑移率和实际滑移率之差，还有涉及转向跟踪性能的3项误差，通过BP神经网络PID调节使之趋近于0，可以同时满足转向和制动的性能要求；

作为一种优选，在本发明中，将期望横摆角进行置零操作(因为C＝[1 0 1]，通过公式(4)，s＝C·E置零)，e^BPpid包含期望滑移率和实际滑移率的偏差，期望车身侧偏角和实际车身侧偏角的偏差和期望横摆角速度和实际横摆角速度的偏差；

如图2所示，BP神经网络由输入层、隐含层和输出层组成，本发明利用此种网络对PID控制模型的比例系数、积分系数和微分系数进行调节，以不断适应工况变化，始终使e^BPpid趋近于0，具体包括：

按照采样周期，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃}，x₁为期望滑移率和实际滑移率的偏差及偏差变化率、x₂为期望车身侧偏角和实际车身侧偏角的偏差及偏差变化率、x₃为期望横摆角速度和实际横摆角速度的偏差和偏差变化率；

将所述输入层映射到隐含层，隐含层向量h＝{h₁,h₂,…,h_i}；i为隐含层节点个数；在本实施例中，隐含层包括3个节点，i＝3。

得到输出层向量o＝{o₁,o₂,o₃}，o₁为PID控制器参数的K_p，o₂为PID控制器参数的K_i，o₃为PID控制器参数的K_d；

其中，隐含层的激励函数为

输出层的激励函数

隐含层和输入层之间的权系数为w₁₁,w₁₂,w₁₃,w₂₁,w₂₂,w₂₃,w₃₁,w₃₂,w₃₃；

输出层和隐含层之间的权系数为j₁₁,j₁₂,j₁₃,j₂₁,j₂₂,j₂₃,j₃₁,j₃₂,j₃₃；

在信号前向传播过程中，隐含层节点输入为：

隐含层节点输出为：

输出层节点输入为：

输出层节点输出为：

而在误差的反向传播过程中，对于每一个样本，为样本总数，令其误差函数为：

其中，N为训练次数，则总误差函数为：

然后，对输出层权系数进行修正：

其中，ξ₁为第一修正系数，取值为0.75；

再次，为隐含层权系数进行修正：

其中，ξ₂为第二修正系数，取值为0.9；

训练循环中，每次产生的新的权系数为：

其中，ε₁＝0.75、ε₂＝0.9为调节系数。

实施例

如图4所示，输入信号为梯形信号，在此输入信号下，如图5a、5b、6a、6b所示，这两个图表示用本专利所述的控制方法的情形，在整个仿真过程中，尽管车身侧偏角和横摆角速度的实际值和期望值之间的误差最终并未收敛为0，但小于图6a、6b中的数值，显示了良好的抗干扰性。

图7a、7b、8a、8b所示，尽管两个图所显示的理想值和实际值误差在部分仿真时间内显示出振荡，但图7a、7b的振荡小于图8a、8b的振荡，而且在大部分仿真时间内它们均接近于0，整体上显示出了良好的跟踪性能。

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 (10)

1.一种四轮独立驱动车辆转向制动协同控制方法，其特征在于，包括如下步骤：

车辆转向时，采集理想转向角后根据参考模型得到期望车身侧偏角，期望横摆角速度和期望横摆角；

通过滑模变结构控制模型，根据所述期望车身侧偏角、所述期望横摆角速度和所述期望横摆角得到前轮转向角、后轮转向角和横摆力矩后，计算得到车辆的实际车身侧偏角、实际横摆角速度和实际横摆角；

车辆制动时，基于BP神经网络PID控制模型对误差进行控制，进而对所述车辆进行转向制动协同控制；

其中，所述误差包括期望滑移率和实际滑移率的偏差，期望车身侧偏角和实际车身侧偏角的偏差和期望横摆角速度和实际横摆角速度的偏差；

所述误差为e^BPpid＝λ_d-λ+M·E；式中，M＝[0.005 0.005 0.005]，

β_d为期望车身侧偏角，β为实际车身侧偏角，γ_d为期望横摆角速度，γ为实际横摆角速度，ψ_d为期望横摆角，ψ为横摆角，λ_d为期望滑移率，λ为实际滑移率。

2.如权利要求1所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，所述参考模型为

式中，

W_d＝[δ_d]，

3.如权利要求1所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，所述滑模变控制结构模型为

其中，

式中，δ_f为前轮转向角，δ_r为后轮转向角，M_z为横摆力矩。

4.如权利要求3所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，η₁＝0.04，η₂＝0.8。

5.如权利要求1所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，计算得到车辆的实际车身侧偏角、实际横摆角速度和实际横摆角过程包括：

其中，

式中，k_f为前轴侧偏刚度，单位为N/rad，k_r为后轴侧偏刚度，单位为N/rad，l_f为车辆质心到前轴的距离，单位为m，l_r为车辆质心到后轴的距离，单位为m，I_z为车辆横摆转动惯量，单位为kg·m²，m为车辆质量，单位为kg，v_x为车辆纵向速度，单位为m/s。

6.如权利要求1所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，基于BP神经网络PID控制模型对误差进行控制过程包括：

按照采样周期，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃}，x₁为期望滑移率和实际滑移率的偏差及偏差变化率、x₂为期望车身侧偏角和实际车身侧偏角的偏差及偏差变化率、x₃为期望横摆角速度和实际横摆角速度的偏差和偏差变化率；

将所述输入层映射到隐含层，所述隐含层向量h＝{h₁,h₂,…,h_i}；i为隐含层节点个数；

得到输出层向量o＝{o₁,o₂,o₃}，o₁为PID控制器参数的K_p，o₂为PID控制器参数的K_i，o₃为PID控制器参数的K_d。

7.如权利要求6所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，所述隐含层的激励函数为

所述输出层的激励函数为

8.如权利要求7所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，在所述BP神经网络PID控制模型中，所述误差进行反向传播过程中，误差函数为：

总误差函数为：

9.如权利要求8所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，在所述BP神经网络PID控制模型中，对输出层权系数进行修正如下：

式中，ξ₁为第一修正系数，取值为0.75；以及

对隐含层权系数进行修正如下：

式中，ξ₂为第二修正系数，取值为0.9。

10.如权利要求9所述的四轮独立驱动车辆转向制动协同控制方法，其特征在于，在所述BP神经网络PID控制模型中，训练循环中，每次产生的新的权系数为：

其中，ε₁、ε₂为调节系，取值为ε₁＝0.75、ε₂＝0.9。

Images