CN114312750A - 一种主动转向和横摆力矩自学习协同控制方法 - Google Patents

Abstract

本发明公开了一种主动转向和横摆力矩自学习协同控制方法，第一步骤是构建储存于车载ECU中的基础方程，第二步骤是在车辆的行驶过程中，车载ECU按如下子步骤在线计算主动转向角δ_C和横摆力矩M_c的值，并根据δ_C和M_c的计算结果控制机动车的运行状态；第一子步骤是ECU采集原始实时参数值，第二子步骤是辨识器和控制目标参考模型计算步骤；第三子步骤是主动转向角δ_C和横摆力矩M_c计算步骤；重复第二步骤，本发明无须系统控制模型即可实现主动转向和横摆力矩自学习协同控制，修正驾驶员的转向操作，克服不当驾驶，使车拐弯时趋向于中性转向中性转向，机动车反馈的实际质心侧偏角和横摆角速度趋近于公式5计算得到的β_r值和γ_r值，避免不当驾驶引起的失稳等事故。

Description

一种主动转向和横摆力矩自学习协同控制方法

技术领域

本发明涉及属于自动控制、信息技术和先进制造领域，具体涉及针对具有未知模型的主动转向和横摆力矩协同控制问题。

背景技术

先进的主动底盘控制系统在实现追求更好的操纵性和稳定性、更安全汽车的目标方面起着关键作用。对于实际底盘系统来说，应具有更高的智能性，以适应各种路况。

主动转向控制系统可向驾驶员的转向指令施加额外的转向角，并通过调节轮胎横向力直接影响车辆横向动态行为。

然而，当轮胎进入非线性区域时，主动转向控制系统无法产生足够的轮胎侧向力，因此其在线性操纵区域的性能受到限制。而横摆力矩控制系统对于线性和非线性操纵区域的车辆稳定性非常有效，其通过车辆左右两侧的差速制动，产生适量的校正横摆力矩，以保持车辆稳定性。

但由于轮胎磨损和制动引起的显著减速，横摆力矩控制系统仅适用于有限的操纵。单独的主动转向控制系统和横摆力矩控制系统无法实现全面最优的安全性能。因此，需要集成主动转向控制系统和横摆力矩控制系统，通过两者之间的协同控制方法实现跟踪期望的横摆角速度和侧滑角，得到在不同驾驶动作下获得令人满意的车辆行驶稳定性性能。

轮胎转弯刚度参数、纵向车速、轮胎的非线性特性等参数所带来的模型不确定性给控制器的设计带来巨大困难。现有常用的控制方法是基于线性二次型调节方法(LQR)，其主要缺点在于必须事先精确地知道悬架系统模型才能找到最优控制律。此外，反馈控制增益是由离线求解黎卡提(Riccati)方程获得的，一旦获得控制器的反馈增益，它们就不能随着不同的路面外界输入及相关车辆不确定参数而改变。因此，需要一种更有效的控制策略来实时自适应地处理不同行驶工况下参数随时间变化的智能底盘控制问题。

发明内容

本发明的目的在于提供一种主动转向和横摆力矩自学习协同控制方法，事先不需要获知悬架系统模型，应对模型不确定性给控制器的设计带来巨大困难的问题，只需要传感器数据即可进行控制，用于实时自适应地处理不同行驶工况下参数随时间变化的智能底盘控制问题。

为实现上述目的，本发明的一种主动转向和横摆力矩自学习协同控制方法用于机动车，机动车具有车载ECU，车载ECU连接有用于获取车速v_x信息的车速传感器、用于获取驾驶员转向角信息δ_f的转角传感器，用于获取横摆角速度γ信息的横摆角速度传感器和用于获取质心侧偏角β信息的质心侧偏角传感器；

各传感器的设置位置为常规技术，如转角传感器设置于机动车的方向盘的转向轴处，横摆角速度传感器和质心侧偏角传感器设于机动车的质心处；

车载ECU内存储有表示辨识增益的常数K₁、表示在线学习增益的常数Γ、时间常数τ_r、时间常数τ_β、车辆质量m、质心到前轴的距离l_f、质心到后轴的距离l_r和表示控制增益的常数K₂；

第一步骤是构建储存于车载ECU中的基础方程，包括辨识器、控制目标参考模型和控制器；

基础方程包括公式1至公式15；

第一步骤第一子步骤是构建公式1和公式2；公式1是参数化神经网络：

公式1中，x＝[β,γ]^T∈R²为实数域R中的2维列向量，β为质心侧偏角，其单位为弧度rad，γ为横摆角速度，其单位为弧度每秒rad/s，a∈R^2×2为实数域R中的2×2矩阵，ω∈R^{2 ×2}为实数域R中的2×2矩阵，σ(x)为神经网络中的sigmoidal激励函数，σ(x)＝[σ(x₁),σ(x₂)]^T，λ∈R^2×2为实数域R中的2×2矩阵，u＝[δ_c,M_c]^T∈R²为实数域R中的2维列向量；δ_C为主动转向角，其单位为弧度rad，M_c为横摆力矩，其单位为N·m；δ_C和M_c是最终用于控制车辆的计算结果；

公式2为公式1的改写形式：

其中θ＝[a,w,λ]^T，ψ＝[x,σ(x),u]^T；

第一步骤第二子步骤是设计辨识器及在线自学习率，构建公式3和公式4；

公式3是用于实现系统辨识的辨识器：

公式3中，

表示辨识误差，

为辨识状态，

表示辨识参数，K₁＞0为试凑得到并存储于车载ECU内的常数，表示辨识增益；公式3的辨识结果是

并提供给公式7；

公式4是在线自学习率：

公式4中，Γ为试凑得到并存储于车载ECU内的常数，Γ＞0并表示在线学习增益；

第一步骤第三子步骤是构建公式5表达的控制目标参考模型，产生目标跟踪信号；

公式5是：

公式5中，x_r为参考状态，x_r＝[β_rγ_r]^T,β_r为目标质心侧偏角，γ_r为目标横摆角速度，β_r和γ_r均为公式5的计算结果并作为目标跟踪信号；

公式5中，

其中，

I_Z是机动车绕垂向的转动惯量，单位为kg·m²，由机动车厂家确定并存储在车载ECU中；

m为车辆质量，其单位为kg；l_f为质心到前轴的距离，其单位为米，l_r为质心到后轴的距离，其单位为米，v_x为由车速传感器获取的车速，其单位为米每秒，C_f为为前轮侧偏刚度，其单位为N/rad，C_r为后轮侧偏刚度，其单位为N/rad，；

第一步骤第四子步骤是基于近似动态规划理论构建公式6表达的控制器，以实现主动转向和横摆力矩自学习协同控制；

公式6是控制器：u＝u₁+u₂；

公式6中的u₁用来确保控制的稳态误差收敛到零，其表达式为公式7：

公式7中，

表示λ的广义逆，其中

表示跟踪误差，x_r来自公式5；

K₂为试凑得到并存储于车载ECU内的表示控制增益的常数，K₂＞0；

公式6中的u₂用来确保控制的性能最优，根据近似动态规划理论设计而来，具体通过公式8至公式15得到；

公式8是评价函数V如下：

公式8中，Q∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中跟踪误差e₂的权重，通过试凑得到并存储于车载ECU内；

P∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中u₂的权重，通过试凑得到并存储于车载ECU内；

公式9是哈密顿函数：

公式9中，

表示V关于e₂的偏导数，由于最优评价函数V是未知的，需通过公式10中的神经网络来逼近V，

公式10是：

公式10中，W_V为理想权值向量，σ(e₂)为神经网络中的sigmoidal激励函数；

由公式10推导得到

的表达式为公式11，

公式11是：

将公式11代入公式9中得哈密顿函数即公式12，

公式12是：

令公式(12)的等式左边等于零可得公式13，

公式13是：

公式13中，

由最小二乘法的原理可得公式14，

公式14是：W_V＝(N^TN)^-1N^TM；

由公式(12)通过求解

可得公式15，

公式15是：

第二步骤是在车辆的行驶过程中，车载ECU按如下子步骤在线计算主动转向角δ_C和横摆力矩M_c的值，并根据δ_C和M_c的计算结果控制机动车的运行状态。

第二步骤第一子步骤是ECU采集原始实时参数值，包括来自驾驶员操纵方向盘时转角传感器测得的转向角δ_f数值、来自车速传感器的车速v_x数值、来自质心侧偏角传感器的质心侧偏角β数值以及来自横摆角速度传感器的横摆角速度γ数值。

第二步骤第二子步骤是辨识器和控制目标参考模型计算步骤；

车载ECU将质心侧偏角β数值和横摆角速度γ数值提供给公式3所述的辨识器，计算得到

作为计算公式6中u₁数值的基础；

并提供给公式7从而计算得到公式6所需要的u₁数值；

同时车载ECU将转向角δ_f数值和车速v_x数值提供给公式5所述的控制目标参考模型，计算得到目标质心侧偏角β_r值和目标横摆角速度γ_r值，作为公式6中u₁和u₂所需要的参数e₂的计算基础。

第二步骤第三子步骤是车载ECU将β_r、γ_r和

提供给公式6所述的控制器，通过公式6至公式15计算得到主动转向角δ_C和横摆力矩M_c；

车载ECU按照实时计算得到的主动转向角δ_C控制机动车方向盘的转向动作，并按照实时计算得到的横摆力矩M_c控制机动车制动器的制动动作；

重复执行第二步骤，实现在线无模型主动转向和横摆力矩自学习协同控制。

本发明具有如下的优点：

本发明摆脱了以往必须事先精确地知道悬架系统模型才能找到最优控制律的约束，能够实时自适应地处理不同行驶工况下参数随时间变化的智能底盘控制问题。

采用本发明，无须系统控制模型，车载ECU就能够实现对主动转向和横摆力矩的自学习协同控制，计算出理想的主动转向角δ_C和横摆力矩M_c，对制动和转向进行调整和控制，修正驾驶员的转向操作，克服不当驾驶，使车拐弯时趋向于中性转向；车载ECU按照主动转向角δ_C和横摆力矩M_c控制机动车转向动作后，机动车反馈的实际质心侧偏角和横摆角速度趋近于公式5计算得到的β_r值和γ_r值，避免不当驾驶引起的失稳等事故。

附图说明

图1是本发明的原理示意图；

图2是车载ECU按主动转向角δ_C和横摆力矩M_c控制机动车在车速为28米/秒的情况下变道时的实测转向角－时间曲线图；

图3是车辆进行图2中的变道动作时，质心侧偏角的参考值(即公式5计算得到的β_r值)与控制结果实侧值的对比图；

图4是车辆进行图2中的变道动作时，横摆角速度的参考值(即公式5计算得到的γ_r值)与控制结果实侧值的对比图。

具体实施方式

如图1所示，本发明的一种主动转向和横摆力矩自学习协同控制方法用于机动车，机动车具有车载ECU，车载ECU连接有用于获取车速v_x信息的车速传感器、用于获取驾驶员转向角信息δ_f的转角传感器，用于获取横摆角速度γ信息的横摆角速度传感器和用于获取质心侧偏角β信息的质心侧偏角传感器；

各传感器的设置位置为常规技术，如转角传感器设置于机动车的方向盘的转向轴处，横摆角速度传感器和质心侧偏角传感器设于机动车的质心处；

车载ECU内存储有表示辨识增益的常数K₁、表示在线学习增益的常数Γ、时间常数τ_r、时间常数τ_β、车辆质量m、质心到前轴的距离l_f、质心到后轴的距离l_r和表示控制增益的常数K₂；

前轮侧偏刚度C_f、后轮侧偏刚度C_r、车辆质量m、质心到前轴的距离l_f、质心到后轴的距离l_r均由机动车厂家确定并存储在车载ECU中。I_Z是机动车绕垂向(竖向)的转动惯量，由机动车厂家确定并存储在车载ECU中；

第一步骤是构建储存于车载ECU中的基础方程；

基础方程包括公式1至公式15；

各公式中，x＝[β,γ]^T∈R²为实数域R中的2维列向量；β为质心侧偏角，其单位为弧度rad；γ为横摆角速度，其单位为弧度每秒rad/s；a∈R^2×2为实数域R中的2×2矩阵；ω∈R^{2 ×2}为实数域R中的2×2矩阵；σ(x)为神经网络中的sigmoidal激励函数；σ(x)＝[σ(x₁),σ(x₂)]^T；λ∈R^2×2为实数域R中的2×2矩阵；u＝[δ_c,M_c]^T∈R²为实数域R中的2维列向量；δ_C为主动转向角，其单位为弧度rad，M_c为横摆力矩，其单位为N·m(即牛顿×米)；θ＝[a,w,λ]^T，ψ＝[x,σ(x),u]^T；

表示辨识误差；

为辨识状态；

表示辨识参数；K₁为试凑得到并存储于车载ECU内的表示辨识增益的常数，K₁＞0；Γ为试凑得到并存储于车载ECU内的表示在线学习增益的常数，Γ＞0；β_r为目标质心侧偏角，γ_r为目标横摆角速度，m为车辆质量，l_f为质心到前轴的距离；l_r为质心到后轴的距离，v_x为由车速传感器获取的车速，C_f为前轮侧偏刚度，C_r为后轮侧偏刚度；x_r为参考状态，K₂为试凑得到并存储于车载ECU内的表示控制增益的常数；Q∈R^2×2为实数域R中的2×2对角矩阵并表示公式8中跟踪误差e₂的权重；P∈R^2×2为实数域R中的2×2对角矩阵并表示公式8中u₂的权重；P和Q分别通过试凑得到并存储于车载ECU内；V是评价函数；W_V为理想权值向量，σ(e₂)为神经网络中的sigmoidal激励函数；I_Z是机动车绕垂向(竖向)的转动惯量，单位为千克×米²；

第一子步骤是构建公式1和公式2；公式1是参数化神经网络：

公式1中，x＝[β,γ]^T∈R²为实数域R中的2维列向量，β为质心侧偏角，γ为横摆角速度，a∈R^2×2为实数域R中的2×2矩阵，ω∈R^2×2为实数域R中的2×2矩阵，σ(x)为神经网络中的sigmoidal激励函数，σ(x)＝[σ(x₁),σ(x₂)]^T，λ∈R^2×2为实数域R中的2×2矩阵，u＝[δ_c,M_c]^T∈R²为实数域R中的2维列向量；δ_C为主动转向角，M_c为横摆力矩；δ_C和M_c是最终用于控制车辆的计算结果；

公式2为公式1的改写形式：

其中θ＝[a,w,λ]^T，ψ＝[x,σ(x),u]^T；

第二子步骤是设计辨识器及在线自学习率，构建公式3和公式4；

公式3是用于实现系统辨识的辨识器：

公式3中，

表示辨识误差，

为辨识状态，

表示辨识参数，K₁＞0为试凑得到并存储于车载ECU内的常数，表示辨识增益；公式3的辨识结果是

并提供给公式7；

公式4是在线自学习率：

公式4中，Γ为试凑得到并存储于车载ECU内的常数，Γ＞0并表示在线学习增益；

第三子步骤是构建公式5表达的控制目标参考模型，产生目标跟踪信号；

公式5是：

公式5中，x_r为参考状态，x_r＝[β_rγ_r]^T,β_r为目标质心侧偏角，γ_r为目标横摆角速度，β_r和γ_r均为公式5的计算结果并作为目标跟踪信号；

公式5中，

其中，

I_Z是机动车绕垂向(竖向)的转动惯量，单位为kg·m²(即千克×米²)，由机动车厂家确定并存储在车载ECU中；

m为车辆质量，其单位为kg(千克)；l_f为质心到前轴的距离，其单位为米；l_r为质心到后轴的距离，其单位为米；v_x为由车速传感器获取的车速，其单位为m/s(即米每秒)；C_f为为前轮侧偏刚度，其单位为N/rad(即牛顿/弧度)；C_r为后轮侧偏刚度，其单位为N/rad；

第四子步骤是基于近似动态规划理论构建公式6表达的控制器，以实现主动转向和横摆力矩自学习协同控制；

公式6是控制器：u＝u₁+u₂；

公式6中的u₁用来确保控制的稳态误差收敛到零，其表达式为公式7：

公式7中，

表示λ的广义逆，其中

表示跟踪误差，x_r来自公式5；

K₂为试凑得到并存储于车载ECU内的表示控制增益的常数，K₂＞0；

公式6中的u₂用来确保控制的性能最优，根据近似动态规划理论设计而来，具体通过公式8至公式15得到；

公式8是评价函数V如下：

公式8中，Q∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中跟踪误差e₂的权重，通过试凑得到并存储于车载ECU内；

P∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中u₂的权重，通过试凑得到并存储于车载ECU内；

公式9是哈密顿函数：

公式9中，

表示V关于e₂的偏导数，由于最优评价函数V是未知的，需通过公式10中的神经网络来逼近V，

公式10是：

公式10中，W_V为理想权值向量，σ(e₂)为神经网络中的sigmoidal激励函数；

由公式10推导得到

的表达式为公式11，

公式11是：

将公式11代入公式9中得哈密顿函数即公式12，

公式12是：

令公式(12)的等式左边等于零可得公式13，

公式13是：

公式13中，

由最小二乘法的原理可得公式14，

公式14是：W_V＝(N^TN)^-1N^TM；

由公式(12)通过求解

可得公式15，

公式15是：

第二步骤是在车辆的行驶过程中，车载ECU按如下子步骤在线计算主动转向角δ_C和横摆力矩M_c的值，并根据δ_C和M_c的计算结果控制机动车的运行状态；

第一子步骤是ECU采集原始实时参数值，包括来自驾驶员操纵方向盘时转角传感器测得的转向角δ_f数值、来自车速传感器的车速v_x数值、来自质心侧偏角传感器的质心侧偏角β数值以及来自横摆角速度传感器的横摆角速度γ数值；

第二子步骤是辨识器和控制目标参考模型计算步骤；

车载ECU将质心侧偏角β数值和横摆角速度γ数值提供给公式3所述的辨识器，计算得到

作为计算公式6中u₁数值的基础；

并提供给公式7从而计算得到公式6所需要的u₁数值；

同时车载ECU将转向角δ_f数值和车速v_x数值提供给公式5所述的控制目标参考模型，计算得到目标质心侧偏角β_r值和目标横摆角速度γ_r值，作为公式6中u₁和u₂所需要的参数e₂的计算基础；

第三子步骤是车载ECU将β_r、γ_r和

提供给公式6所述的控制器，通过公式6至公式15计算得到主动转向角δ_C和横摆力矩M_c；

车载ECU按照实时计算得到的主动转向角δ_C控制机动车方向盘的转向动作，并按照实时计算得到的横摆力矩M_c控制机动车制动器的制动动作；

重复执行第二步骤，实现在线无模型主动转向和横摆力矩自学习协同控制。

如图2至图4所示，车载ECU按主动转向角δ_C和横摆力矩M_c控制机动车在车速为28米/秒的情况下变道，控制结果表明本发明所提出的方法可以在不需要模型信息的情况下实现对主动转向和横摆力矩的自学习协同控制，质心侧偏角和横摆角速度均趋近于参考值，机动车变道动作平滑稳定，远离侧翻风险。

以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种主动转向和横摆力矩自学习协同控制方法，用于机动车，机动车具有车载ECU，车载ECU连接有用于获取车速v_x信息的车速传感器、用于获取驾驶员转向角信息δ_f的转角传感器，用于获取横摆角速度γ信息的横摆角速度传感器和用于获取质心侧偏角β信息的质心侧偏角传感器；

各传感器的设置位置为常规技术，如转角传感器设置于机动车的方向盘的转向轴处，横摆角速度传感器和质心侧偏角传感器设于机动车的质心处；

车载ECU内存储有表示辨识增益的常数K₁、表示在线学习增益的常数Γ、时间常数τ_r、时间常数τ_β、车辆质量m、质心到前轴的距离l_f、质心到后轴的距离l_r和表示控制增益的常数K₂；

其特征在于：

第一步骤是构建储存于车载ECU中的基础方程，包括辨识器、控制目标参考模型和控制器；

基础方程包括公式1至公式15；

第一步骤第一子步骤是构建公式1和公式2；公式1是参数化神经网络：

公式1中，x＝[β,γ]^T∈R²为实数域R中的2维列向量，β为质心侧偏角，其单位为弧度rad，γ为横摆角速度，其单位为弧度每秒rad/s，a∈R^2×2为实数域R中的2×2矩阵，ω∈R^2×2为实数域R中的2×2矩阵，σ(x)为神经网络中的sigmoidal激励函数，σ(x)＝[σ(x₁),σ(x₂)]^T，λ∈R^2×2为实数域R中的2×2矩阵，u＝[δ_c,M_c]^T∈R²为实数域R中的2维列向量；δ_C为主动转向角，其单位为弧度rad，M_c为横摆力矩，其单位为N·m；δ_C和M_c是最终用于控制车辆的计算结果；

公式2为公式1的改写形式：

其中θ＝[a,w,λ]^T，ψ＝[x,σ(x),u]^T；

第一步骤第二子步骤是设计辨识器及在线自学习率，构建公式3和公式4；

公式3是用于实现系统辨识的辨识器：

公式3中，

表示辨识误差，

为辨识状态，

表示辨识参数，K₁＞0为试凑得到并存储于车载ECU内的常数，表示辨识增益；公式3的辨识结果是

并提供给公式7；

公式4是在线自学习率：

公式4中，Γ为试凑得到并存储于车载ECU内的常数，Γ＞0并表示在线学习增益；

第一步骤第三子步骤是构建公式5表达的控制目标参考模型，产生目标跟踪信号；

公式5是：

公式5中，x_r为参考状态，x_r＝[β_r γ_r]^T,β_r为目标质心侧偏角，γ_r为目标横摆角速度，β_r和γ_r均为公式5的计算结果并作为目标跟踪信号；

公式5中，

其中，

I_Z是机动车绕垂向的转动惯量，单位为kg·m²，由机动车厂家确定并存储在车载ECU中；

m为车辆质量，其单位为kg；l_f为质心到前轴的距离，其单位为米，l_r为质心到后轴的距离，其单位为米，v_x为由车速传感器获取的车速，其单位为米每秒，C_f为为前轮侧偏刚度，其单位为N/rad，C_r为后轮侧偏刚度，其单位为N/rad，；

第一步骤第四子步骤是基于近似动态规划理论构建公式6表达的控制器，以实现主动转向和横摆力矩自学习协同控制；

公式6是控制器：u＝u₁+u₂；

公式6中的u₁用来确保控制的稳态误差收敛到零，其表达式为公式7：

公式7中，

表示λ的广义逆，其中

表示跟踪误差，x_r来自公式5；

K₂为试凑得到并存储于车载ECU内的表示控制增益的常数，K₂＞0；

公式6中的u₂用来确保控制的性能最优，根据近似动态规划理论设计而来，具体通过公式8至公式15得到；

公式8是评价函数V如下：

公式8中，Q∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中跟踪误差e₂的权重，通过试凑得到并存储于车载ECU内；

P∈R^2×2为实数域R中的2×2对角矩阵，表示优化控制评价函数中u₂的权重，通过试凑得到并存储于车载ECU内；

公式9是哈密顿函数：

公式9中，

表示V关于e₂的偏导数，由于最优评价函数V是未知的，需通过公式10中的神经网络来逼近V，

公式10是：

公式10中，W_V为理想权值向量，σ(e₂)为神经网络中的sigmoidal激励函数；

由公式10推导得到

的表达式为公式11，

公式11是：

将公式11代入公式9中得哈密顿函数即公式12，

公式12是：

令公式(12)的等式左边等于零可得公式13，

公式13是：

公式13中，

由最小二乘法的原理可得公式14，

公式14是：W_V＝(N^TN)^-1N^TM；

由公式(12)通过求解

可得公式15，

公式15是：

第二步骤是在车辆的行驶过程中，车载ECU按如下子步骤在线计算主动转向角δ_C和横摆力矩M_c的值，并根据δ_C和M_c的计算结果控制机动车的运行状态。

2.根据权利要求1所述的一种主动转向和横摆力矩自学习协同控制方法，其特征在于：

第二步骤第一子步骤是ECU采集原始实时参数值，包括来自驾驶员操纵方向盘时转角传感器测得的转向角δ_f数值、来自车速传感器的车速v_x数值、来自质心侧偏角传感器的质心侧偏角β数值以及来自横摆角速度传感器的横摆角速度γ数值。

3.根据权利要求2所述的一种主动转向和横摆力矩自学习协同控制方法，其特征在于：

第二步骤第二子步骤是辨识器和控制目标参考模型计算步骤；

车载ECU将质心侧偏角β数值和横摆角速度γ数值提供给公式3所述的辨识器，计算得到

作为计算公式6中u₁数值的基础；

并提供给公式7从而计算得到公式6所需要的u₁数值；

同时车载ECU将转向角δ_f数值和车速v_x数值提供给公式5所述的控制目标参考模型，计算得到目标质心侧偏角β_r值和目标横摆角速度γ_r值，作为公式6中u₁和u₂所需要的参数e₂的计算基础。

4.根据权利要求3所述的一种主动转向和横摆力矩自学习协同控制方法，其特征在于：

第二步骤第三子步骤是车载ECU将β_r、γ_r和

提供给公式6所述的控制器，通过公式6至公式15计算得到主动转向角δ_C和横摆力矩M_c；

车载ECU按照实时计算得到的主动转向角δ_C控制机动车方向盘的转向动作，并按照实时计算得到的横摆力矩M_c控制机动车制动器的制动动作；

重复执行第二步骤，实现在线无模型主动转向和横摆力矩自学习协同控制。

Images