CN112659921B - 一种基于遗传算法的独立驱动电动车优化控制器设计方法 - Google Patents
一种基于遗传算法的独立驱动电动车优化控制器设计方法 Download PDFInfo
- Publication number
- CN112659921B CN112659921B CN202011470949.XA CN202011470949A CN112659921B CN 112659921 B CN112659921 B CN 112659921B CN 202011470949 A CN202011470949 A CN 202011470949A CN 112659921 B CN112659921 B CN 112659921B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- optimization
- longitudinal
- drive electric
- yaw
- 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
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于遗传算法的独立驱动电动车优化控制器设计方法,属于汽车控制领域;具体为:首先,根据四轮独立驱动电动汽车的运动学特性,搭建二自由度车辆模型针对四轮独立驱动电动汽车,然后针对操纵稳定性、乘坐舒适性和经济性的不同优化目的,设计三性各自对应的优化指标以及驾驶意图的优化指标;进而确定决策变量;最后设计约束函数,得到多目标优化模型,并采用改进的遗传算法对多目标优化问题进行求解,将最终结果反馈给四轮独立驱动电动汽车,进行实时控制优化;本发明能同时满足四轮独立驱动电动汽车操纵稳定性、乘坐舒适性和经济性的综合优化控制。
Description
技术领域
本发明属于汽车控制领域,涉及一种基于遗传算法的独立驱动电动车优化控制器设计方 法。
背景技术
近年来,随着能源危机与污染问题的日益加重,电动汽车作为一项有效的解决手段,越 来越受到市场的青睐。
电动汽车不但在节约能源和环境保护方面显示出了极大的优越性和竞争力,同时车辆的 各方面性能也得到了极大地提高。电动汽车比普通的燃油汽车转矩响应灵敏、加速时间短, 而且不同于燃油汽车,电动汽车由电机驱动,电机的摆放具有灵活性,可以更合理有效的利 用和节约车内的空间。
四轮独立驱动的电动汽车作为代表,与传统的集中驱动的电动汽车相比,具有更好的控 制性能。由于省去了传动轴,四轮驱动电动汽车的动力输出更加平稳和高效。采用轮毂电机 独立驱动,具备电机快速响应的特点,又能充分实现驱动力和制动力的精确控制。
但是,目前四轮独立驱动电动汽车控制问题的研究主要集中于其稳定性安全性与乘坐舒 适性。虽然四轮独立驱动电动汽车由于独立控制的特征,在经济性方面有很大的发展潜力。 但是仍然缺乏研究:综合考虑操纵稳定性、乘坐舒适性和经济性的多目标优化控制方案。另 外,现有的多目标优化控制解决方案大多仅使用一套优化函数,没有很好地应用多目标优化 的理论,实现车辆的综合优化控制。
发明内容
为了实现操纵稳定性、乘坐舒适性和经济性的综合优化控制,本发明采用基于遗传算法 的多目标优化算法,设计了车辆控制器,具体是一种基于遗传算法的独立驱动电动车优化控 制器设计方法。
具体步骤如下:
步骤一、根据四轮独立驱动电动汽车的运动学特性,搭建二自由度车辆模型;
模型包括车辆偏航、横摆与纵向的特性,具体为:
其中,I是车辆的偏航惯性矩;是车辆所受到的横摆角加速度;c1是车辆前轮的横向 刚度、c2是车辆后轮的横向刚度;l1是车辆质心到前轮的距离、l2是车辆质心到后轮的距离; α1是车辆前轮的侧偏角;α2是车辆后轮的侧偏角;Mz表示车辆所受的横摆力矩;z代表垂向;m是车辆的质量;ξ是车辆纵向位移,是车辆的纵向速度;是车辆所受的横摆角速度;表示车辆质心侧偏角加速度;是车辆的纵向加速度;Fl是车辆纵向的牵引力,Fd是车辆纵向的阻力;
前轮与后轮的侧偏角由以下公式给出:
步骤三、针对操纵稳定性、乘坐舒适性和经济性的不同优化目的,利用横摆力矩、纵向 力、质心侧偏角与横摆角速度设计三性各自对应的优化指标以及驾驶意图的优化指标;
具体为:
首先,利用质心侧偏角和横摆角速度,计算车辆操纵稳定性的优化指标J1为:
经济性主要是针对车辆四个车轮不同的纵向滑移能耗,纵向滑移能耗优化指标J2为:
其中,Fxi为四轮各自的纵向力,κi为四轮各自的滑移率,计算公式如下:
其中,Vi为四轮各自的纵向速度,计算公式分别为:
其中,tw为车轮轮距。
最后,利用横摆角速度与横向加速度计算乘坐舒适性:
车辆舒适性的优化指标J3为:
针对驾驶员的驾驶意图,优化指标为
步骤四、利用三性各自对应的优化指标,确定与车辆三性直接相关的决策变量;
决策变量X为:
X=[T1 T2 T3 T4]T
其中,Ti为分配给四轮各自的转矩。
步骤五、考虑车辆动力性与动力电池性能设计约束函数。
车辆动力性包括最高车速约束条件和最大爬坡度约束条件;动力电池性能包括动力电池 组的容量限制约束条件。
具体如下:
最高车速约束条件g1(x)为:
最大爬坡度约束条件g2(x)为:
动力电池组容量约束条件g3(x)为:
步骤六、建立以操纵稳定性、乘坐舒适性和经济性为优化目标,以最高车速约束条件、 最大爬坡度约束条件和动力电池组的容量约束条件为整个优化模型的约束条件,搭建多目标 优化模型;
多目标优化模型具体为:
状态:X=[T1 T2 T3 T4]T
f1(x)=J1(x)
f2(x)=J2(x)
f3(x)=J3(x)
f4(x)=J4(x)
约束条件为:s.t.gj(x),j=1,2,3
其中,y表示权衡Pareto解集。
步骤七、采用改进的遗传算法对多目标优化模型进行求解,得到独立驱动电动车的优化 量,即求出每个时刻的决策变量X=[T1 T2 T3 T4]T,即四轮的转矩。
具体过程如下:
步骤701、设定四个决策变量的初始化参数:种群个体数目,遗传代数,交叉概率和变 异概率范围。
步骤702、确定编码方法:将各决策变量离散为1023个区间,得到各决策变量取值范围 内不同的1024个离散点,即为初始父代种群;
步骤703、确定解码方法:将40位长的二进制编码串还原为4个10位长二进制编码串, 再转换为四个十进制的整数,根据编码方法中的离散化方法解码得到4个决策变量的实际值。
步骤704、将4个决策变量的实际值带入目标函数,计算出的目标函数值作为个体基因 型的适应度。
步骤705、利用个体基因型的适应度设计遗传因子,运行遗传算法的基本操作:复制, 交叉和变异;
复制过程中的选择运算采用适应度比例法,交叉运算采用一点交叉法,变异运算采用基 本位变异法。
步骤八、将每个时刻车轮的转矩反馈给四轮驱动电车,实现实时优化控制。
本发明的优点在于:
本发明一种基于遗传算法的四轮独立驱动电动汽车多目标优化控制器设计方法,综合考 虑了四轮独立驱动电动汽车操纵稳定性、乘坐舒适性和经济性多目标优化控制的难题,搭建 了多目标优化模型,设计了基于遗传算法的多目标优化控制器,可以有效解决控制问题,提 高四轮独立驱动电动汽车的操纵稳定性、乘坐舒适性和经济性。
附图说明
图1为本发明基于遗传算法的独立驱动电动车优化控制器设计方法的原理图;
图2为本发明基于遗传算法的独立驱动电动车优化控制器设计方法的流程图;
图3为本发明搭建的二自由度车辆模型示意图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
本发明一种基于遗传算法的独立驱动电动车优化控制器设计方法,如图1所示,针对四 轮独立驱动电动汽车,首先根据操纵稳定性、乘坐舒适性和经济性的不同优化目的,设计各 自的目标函数;结合驾驶员意图的目标函数,进而确定与四轮独立驱动电动汽车操纵稳定性、 乘坐舒适性和经济性直接相关的决策变量;最后设计约束函数,得到多目标优化模型。采用 改进的遗传算法对多目标优化问题进行求解,并将最终结果反馈给四轮独立驱动电动汽车, 能同时满足四轮独立驱动电动汽车操纵稳定性、乘坐舒适性和经济性;
如图2所示,具体步骤如下:
步骤一、根据四轮独立驱动电动汽车的运动学特性,搭建二自由度车辆模型;
要进行四轮独立驱动电动汽车的控制,必须要考虑车辆的横向和纵向动态特性。所以, 为了对四轮独立驱动电动汽车进行建模,使用经典的二自由度车辆模型,如图3所示,模型 包括车辆偏航、横摆与纵向的特性,具体为:
其中,三个方程分别表示车辆偏航、横摆与纵向的特性;I是车辆的偏航惯性矩;是 车辆所受到的横摆角加速度;c1是车辆前轮的横向刚度、c2是车辆后轮的横向刚度;l1是车 辆质心到前轮的距离、l2是车辆质心到后轮的距离;α1是车辆前轮的侧偏角;α2是车辆后轮 的侧偏角;Mz表示车辆所受的横摆力矩;z代表垂向;m是车辆的质量;ξ是车辆纵向位移,是车辆的纵向速度;是车辆所受的横摆角速度;表示车辆质心侧偏角加速度;是车辆的纵向加速度;Fl是车辆纵向的牵引力,Fd是车辆纵向的阻力;
前轮与后轮的侧偏角由以下公式给出:
步骤三、针对操纵稳定性、乘坐舒适性和经济性的不同优化目的,利用横摆力矩、纵向 力、质心侧偏角与横摆角速度建立多目标优化模型;
多目标优化模型是指:设计三性各自对应的优化指标以及驾驶意图的优化指标;
首先,针对车辆操纵稳定性。车辆在高速运行时转向、转向时制动或是在附着率低的路 面上转向时,转向角同车辆的质心侧偏角、侧向加速度和横摆角速度存在很大的非线性,因 此在一定程度上车辆的这三个状态变量可以反映其行驶稳定性。由定义可知,车辆按规定道 路行驶是由质心侧偏角来表述的,稳定性是由横摆角速度来表述的。车辆的操纵稳定性跟车 辆的质心侧偏角和横摆角速度有密切关系。质心侧偏角较小时,用横摆角速度来描述车辆的 转向特性,并可以很好的反映出驾驶员的驾驶意图;但是当质心侧偏角的值比较大时,横摆 角速度不再能很好的反应出车辆的转向特性,车辆质心侧偏角越大,驾驶员对车辆侧向运动 的控制能力也越低,自然通过方向来改变横摆力矩的控制能力也随之变小。轮胎侧偏特性表 述了随着路面附着系数的降低,质心侧偏角对车辆侧向稳定性的影响也将越敏感,此时车辆 允许的最大质心侧偏角也越小。所以描述车辆操纵稳定性的两个最主要的参变量分别为质心 侧偏角和横摆角速度。于是:利用质心侧偏角和横摆角速度,计算车辆操纵稳定性的优化指 标J1为:
然后,针对车辆能耗,针对四轮独立驱动电动汽车,主要优化的是四个车轮不同的纵向 滑移能耗。最近的研究表明轮胎纵向滑动会导致动力传动系统的动力损失,同时也会影响车 辆的经济性。考虑这种功率损失对于对车辆纵向运动进行准确分析是必要的。然而,大多数 研究都忽略了滑移的影响,而是假设车轮纯粹滚动而没有任何滑动。这种假设在现实情况中 并不成立,因为每当驱动或制动扭矩施加到车轮时,轮胎纵向滑动就会不可避免地产生。于 是,车轮纵向滑移能耗与滑移率相关,可以计算得到纵向滑移能耗优化指标J2为:
其中,Fxi为四轮各自的纵向力,κi为四轮各自的滑移率,计算公式如下:
其中,Vi为四轮各自的纵向速度,计算公式分别为:
其中,tw为车轮轮距。
最后,针对乘坐舒适性,需要考虑横摆角速度与侧向加速度,这是两个主要影响乘坐舒 适性的变量。由于横摆角速度已经在考虑稳定性时进行优化,且优化目标相同。所以在舒适 性方面仅仅考虑侧向加速度。于是,车辆舒适性的优化指标J3为:
针对驾驶员的驾驶意图,通过搭建的二自由度模型计算上层横摆力矩与纵向力需求。需 要将这一部分同样纳入优化的范围内。于是,优化指标为
需要注意的是,质心侧偏角、横摆角速度等变量,无法通过比较经济的方式测量得到, 故而采用步骤一中搭建的模型进行计算。
步骤四、利用三性各自对应的优化指标,确定与车辆三性直接相关的决策变量;
通过分析可知,四轮独立驱动电动汽车的操纵稳定性、乘坐舒适性和经济性主要与四轮 所分配的不同转矩有关。要想同时保证操纵稳定性、乘坐舒适性和经济性,显然需要对四轮 转矩进行优化匹配。
于是,定义决策变量X为:
X=[T1 T2 T3 T4]T
其中,Ti为分配给四轮各自的转矩。
步骤五、考虑车辆动力性与动力电池性能设计约束函数。
车辆动力性包括最高车速约束条件和最大爬坡度约束条件;动力电池性能包括动力电池 组的容量限制约束条件。
具体如下:
最高车速约束条件g1(x)为:
最大爬坡度约束条件g2(x)为:
动力电池组容量约束条件g3(x)为:
步骤六、建立以操纵稳定性、乘坐舒适性和经济性为优化目标,以最高车速约束条件、 最大爬坡度约束条件和动力电池组的容量约束条件为整个优化模型的约束条件,搭建多目标 优化模型;
多目标优化模型具体为:
状态:X=[T1 T2 T3 T4]T
f1(x)=J1(x)
f2(x)=J2(x)
f3(x)=J3(x)
f4(x)=J4(x)
约束条件为:s.t.gj(x),j=1,2,3
其中,y表示权衡Pareto解集。
步骤七、采用改进的遗传算法对多目标优化模型进行求解,得到独立驱动电动车的优化 量,即求出每个时刻的决策变量X=[T1 T2 T3 T4]T,即四轮的转矩。
综合常用的基于遗传算法的多目标优化算法NSGA-II能够采用快速非支配排序与计算拥 挤距离的方法构建非支配解决的优点,以及差分进化算法操作简单、易于实现、性能优越的 优点,采用结合非支配排序与差分进化算法的NSDEA算法对多目标优化问题进行求解。流 程简述如下:
具体过程如下:
步骤701、种群初始化和参数初始化;
种群初始化是指:在Pareto可行域内随机产生种群规模为定值的初始父代种群;
参数初始化是指:设置种群中个体数目,遗传代数,目标函数的个数和变量的范围。
四个决策变量的种群个体代数设为40,终止遗传代数为50,交叉概率为0.5,变异概率 设置为0.01。
步骤702、确定编码方法,将各决策变量离散为1023个区间,得到各决策变量取值范围 内不同的1024个离散点。
这里的决策变量为电机转矩,取电机转矩的范围为[-250N·m 250N·m]。用长度为10位 的二进制编码串分别表示各决策变量取值范围内的离散点,二进制的第一位表示单位。如对 于左前轮转矩,0000000001表示-150N·m。得到的1024个点即初始种群。
步骤703、确定解码方法,解码是需要将40位长的二进制编码串还原为4个10位长二 进制编码串,再将这四个二进制编码串转换为十进制的整数(-512到+512),再根据编码方法 中的离散化方法最终解码得到4个决策变量的实际值。
步骤704、确定个体基因的评价方法,计算适应度。将决策变量X带入目标函数,每一 步计算出的目标函数值作为个体基因型的适应度。
步骤705、设计遗传因子,运行遗传算法的基本操作。复制过程中的选择运算采用适应 度比例法,交叉运算采用一点交叉法,变异运算采用基本位变异法。
步骤八、将每个时刻车轮的转矩反馈给四轮驱动电车,实现实时优化控制。
Claims (4)
1.一种基于遗传算法的独立驱动电动车优化控制器设计方法,其特征在于,具体步骤如下:
步骤一、根据四轮独立驱动电动汽车的运动学特性,搭建二自由度车辆模型;
模型包括车辆偏航、横摆与纵向的特性,具体为:
其中,I是车辆的偏航惯性矩;是车辆所受到的横摆角加速度;c1是车辆前轮的横向刚度、c2是车辆后轮的横向刚度;l1是车辆质心到前轮的距离、l2是车辆质心到后轮的距离;α1是车辆前轮的侧偏角;α2是车辆后轮的侧偏角;Mz表示车辆所受的横摆力矩;z代表垂向;m是车辆的质量;ξ是车辆纵向位移,是车辆的纵向速度;是车辆所受的横摆角速度;表示车辆质心侧偏角速度;是车辆的纵向加速度;Fl是车辆纵向的牵引力,Fd是车辆纵向的阻力;
步骤三、针对操纵稳定性、乘坐舒适性和经济性的不同优化目的,利用横摆力矩、纵向力、质心侧偏角与横摆角速度设计操纵稳定性、乘坐舒适性和经济性各自对应的优化指标以及驾驶意图的优化指标;
具体为:
首先,利用质心侧偏角和横摆角速度,计算车辆操纵稳定性的优化指标J1为:
经济性主要是针对车辆四个车轮不同的纵向滑移能耗,纵向滑移能耗优化指标J2为:
其中,Fxi为四轮各自的纵向力,κi为四轮各自的滑移率,计算公式如下:
其中,Vi为四轮各自的纵向速度,计算公式分别为:
其中,tw为车轮轮距;
最后,利用横摆角速度与横向加速度计算乘坐舒适性:
车辆舒适性的优化指标J3为:
针对驾驶员的驾驶意图,优化指标为
步骤四、利用操纵稳定性、乘坐舒适性和经济性各自对应的优化指标,确定与车辆操纵稳定性、乘坐舒适性和经济性直接相关的决策变量;
决策变量X为:
X=[T1 T2 T3 T4]T
其中,Ti为分配给四轮各自的转矩;
步骤五、考虑车辆动力性与动力电池性能设计约束函数;
车辆动力性包括最高车速约束条件和最大爬坡度约束条件;动力电池性能包括动力电池组的容量限制约束条件;
步骤六、建立以操纵稳定性、乘坐舒适性和经济性为优化目标,以最高车速约束条件、最大爬坡度约束条件和动力电池组的容量约束条件为整个优化模型的约束条件,搭建多目标优化模型;
多目标优化模型具体为:
状态:X=[T1 T2 T3 T4]T
f1(x)=J1(x)
f2(x)=J2(x)
f3(x)=J3(x)
f4(x)=J4(x)
约束条件为:s.t.gj(x),j=1,2,3
其中,y表示权衡Pareto解集;
步骤七、采用改进的遗传算法对多目标优化模型进行求解,得到独立驱动电动车的优化量,即求出每个时刻的决策变量X=[T1 T2 T3 T4]T,即四轮的转矩;
步骤八、将每个时刻车轮的转矩反馈给四轮驱动电车,实现实时优化控制。
4.如权利要求1所述的一种基于遗传算法的独立驱动电动车优化控制器设计方法,其特征在于,所述步骤七具体过程如下:
步骤701、设定四个决策变量的初始化参数:种群个体数目,遗传代数,交叉概率和变异概率范围;
步骤702、确定编码方法:将各决策变量离散为1023个区间,得到各决策变量取值范围内不同的1024个离散点,即为初始父代种群;
步骤703、确定解码方法:将40位长的二进制编码串还原为4个10位长二进制编码串,再转换为四个十进制的整数,根据编码方法中的离散化方法解码得到4个决策变量的实际值;
步骤704、将4个决策变量的实际值带入目标函数,计算出的目标函数值作为个体基因型的适应度;
步骤705、利用个体基因型的适应度设计遗传因子,运行遗传算法的基本操作:复制,交叉和变异;
复制过程中的选择运算采用适应度比例法,交叉运算采用一点交叉法,变异运算采用基本位变异法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011470949.XA CN112659921B (zh) | 2020-12-14 | 2020-12-14 | 一种基于遗传算法的独立驱动电动车优化控制器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011470949.XA CN112659921B (zh) | 2020-12-14 | 2020-12-14 | 一种基于遗传算法的独立驱动电动车优化控制器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112659921A CN112659921A (zh) | 2021-04-16 |
CN112659921B true CN112659921B (zh) | 2022-11-22 |
Family
ID=75405971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011470949.XA Active CN112659921B (zh) | 2020-12-14 | 2020-12-14 | 一种基于遗传算法的独立驱动电动车优化控制器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112659921B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113246749B (zh) * | 2021-07-14 | 2021-11-05 | 北京理工大学 | 一种多轮/多轴独立驱动电动汽车多目标动力学控制方法 |
CN115935524B (zh) * | 2023-03-03 | 2023-05-02 | 北京航空航天大学 | 一种不同构型混动传动系统参数匹配的寻优方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003159966A (ja) * | 2001-11-27 | 2003-06-03 | Toyota Motor Corp | 車輌の走行制御装置 |
CN103448716A (zh) * | 2013-09-12 | 2013-12-18 | 清华大学 | 分布式电驱动车辆纵-横-垂向力协同控制方法 |
CN105946858A (zh) * | 2016-06-08 | 2016-09-21 | 吉林大学 | 基于遗传算法的四驱电动汽车状态观测器参数优化方法 |
CN108422901A (zh) * | 2018-05-10 | 2018-08-21 | 吉林大学 | 一种基于整车综合性能最优的电动轮驱动车辆车轮转矩多目标优化方法 |
CN109849898A (zh) * | 2018-12-27 | 2019-06-07 | 合肥工业大学 | 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法 |
CN110837679A (zh) * | 2019-11-11 | 2020-02-25 | 常熟理工学院 | 一种基于自适应遗传算法的分布式驱动汽车能效优化方法 |
CN111873985A (zh) * | 2019-05-29 | 2020-11-03 | 长春工业大学 | 一种四轮驱动电动汽车的集成底盘控制方法 |
-
2020
- 2020-12-14 CN CN202011470949.XA patent/CN112659921B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003159966A (ja) * | 2001-11-27 | 2003-06-03 | Toyota Motor Corp | 車輌の走行制御装置 |
CN103448716A (zh) * | 2013-09-12 | 2013-12-18 | 清华大学 | 分布式电驱动车辆纵-横-垂向力协同控制方法 |
CN105946858A (zh) * | 2016-06-08 | 2016-09-21 | 吉林大学 | 基于遗传算法的四驱电动汽车状态观测器参数优化方法 |
CN108422901A (zh) * | 2018-05-10 | 2018-08-21 | 吉林大学 | 一种基于整车综合性能最优的电动轮驱动车辆车轮转矩多目标优化方法 |
CN109849898A (zh) * | 2018-12-27 | 2019-06-07 | 合肥工业大学 | 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法 |
CN111873985A (zh) * | 2019-05-29 | 2020-11-03 | 长春工业大学 | 一种四轮驱动电动汽车的集成底盘控制方法 |
CN110837679A (zh) * | 2019-11-11 | 2020-02-25 | 常熟理工学院 | 一种基于自适应遗传算法的分布式驱动汽车能效优化方法 |
Non-Patent Citations (1)
Title |
---|
针对多个动力学性能的整车多目标优化;余家皓 等;《计算机辅助工程》;20131031;第22卷(第5期);第31-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112659921A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
CN107253453B (zh) | 一种分布式电动汽车横向稳定性自适应控制系统及方法 | |
CN112659921B (zh) | 一种基于遗传算法的独立驱动电动车优化控制器设计方法 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN104786804B (zh) | 一种车辆及其轮边驱动系统和轮边驱动扭矩分配方法 | |
CN111152834B (zh) | 一种基于阿克曼转向修正的电动汽车电子差速控制方法 | |
CN101574979B (zh) | 基于滑移率控制的电动车差速转向控制方法 | |
CN110509915B (zh) | 一种基于时变速度的四轮驱动汽车横向稳定性控制方法 | |
CN107117073A (zh) | 一种四轮轮毂电动汽车牵引力控制方法 | |
CN110816282A (zh) | 一种电动汽车再生制动控制方法 | |
CN113635879B (zh) | 一种车辆制动力分配方法 | |
CN109130888B (zh) | 一种双电机分布式四驱系统控制方法 | |
CN112896161B (zh) | 一种基于强化学习的电动汽车生态自适应巡航控制系统 | |
CN111452781B (zh) | 一种改善加速舒适性的轮毂电机驱动电动汽车强鲁棒自适应驱动防滑控制方法 | |
CN113221257B (zh) | 考虑控制区域的极限工况下车辆横纵向稳定控制方法 | |
CN105667343A (zh) | 电动汽车牵引力控制方法 | |
CN111746305A (zh) | 线控四轮驱动轮毂电机电动汽车节能控制方法及系统 | |
CN109624732A (zh) | 一种适用于电动轮驱动车辆的多层驱动防滑控制方法 | |
Wang et al. | Dual-mode adaptive cruise control strategy based on model predictive control and neural network for pure electric vehicles | |
CN109878347B (zh) | 一种多轴驱动分布式车辆的车轮扭矩分配方法 | |
CN110667393A (zh) | 一种纯电动物流车滑行能量的回收控制方法 | |
CN110837679A (zh) | 一种基于自适应遗传算法的分布式驱动汽车能效优化方法 | |
Wu et al. | Distribution method of automotive torque for hub motor considering energy consumption optimization | |
CN111196163A (zh) | 一种智能网联电动汽车能量最优制动速度优化方法 | |
CN117962635A (zh) | 用于四轴电动矿车工况的能量循环力矩控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |