CN117270386A - 基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 - Google Patents
基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 Download PDFInfo
- Publication number
- CN117270386A CN117270386A CN202310646760.9A CN202310646760A CN117270386A CN 117270386 A CN117270386 A CN 117270386A CN 202310646760 A CN202310646760 A CN 202310646760A CN 117270386 A CN117270386 A CN 117270386A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- disturbance
- state
- steering
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008878 coupling Effects 0.000 title claims abstract description 16
- 238000010168 coupling process Methods 0.000 title claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005784 autoimmunity Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 101150036841 minJ gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器，利用Fhan()函数对状态量进行柔化处理，实现一阶导数的光滑逼近，克服路径预瞄传感器和状态观测传感器噪声，弱化控制理论超调性和快速性的矛盾，基于优化后的期望路径轨迹，利用扩张状态观测器对模型高度非线性不确定因素和外部环境引起的未知扰动进行估计，对转向角进行控制补偿，建立具有自抗扰性能的模型预测控制算法，完成分布式驱动六轮转向商用车的同相位转向路径跟踪控制。将扩张状态感测器的状态估计值与扰动估计值集成到非奇异快速终端滑模控制中，使附加横摆力矩的控制律具有对横摆稳定性的实时自适应能力，全面提升分布式驱动六轮转向商用车的稳定性。
Description
技术领域
本发明涉及商用车动力学控制领域，尤其涉及一种应对极限避障工况的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器。
背景技术
随着道路载运设备数量的激增，城市交通在道路拥堵与行驶安全等方面面临严峻挑战。为此，有效提升多轴重载车辆在狭窄地段的操稳性成为高性能底盘的发展定势，底盘布局、控制与执行均发生跨越式变革，多轴转向与多轴驱动技术逐步成为主流解决方案，具有更多的可控自由度，车辆动力学性能可延伸空间得以大幅提升。相较于传统商用运输车辆，先进的X-by-Wire系统，可以进一步实现底盘协调控制来改善人车闭环系统的运动学特性，从而提升紧急工况下的主动安全性。由于行驶条件的复杂多变性，车辆机构的高度动态非线性、子系统的高耦合性以及对外部干扰的敏感性，如何针对高速动态场景，设计综合考虑模型不确定性、泛化性与工况自适应性的控制算法，是目前实现全工况轨迹精确跟踪控制的主要研究方向。
为提升智能车辆的路径跟踪与横摆稳定性能，诸多先进控制算法被广泛应用，包括以非侵入式为特征的前馈控制，以模型预测控制、滑模控制、PID控制、H∞控制等为代表的反馈控制和涵盖强化学习、深度学习的智能控制算法。尽管如此，仅有少数专利围绕多驱动多转向底盘的动力学控制问题，针对特殊工况与多子系统协同展开应用。与此同时，部分研究能在设计工况下稳定运行，但其对工况与模型参数变化较为敏感，难以主动适应动态变化的环境和运载平台非线性特性，不能完全满足分布式驱动六轮转向底盘运行需求。多驱动多转向底盘是多变量、非线性、多扰动的复杂系统，对于该类大系统的鲁棒性控制引发了众多学者的广泛重视。有模型算法通过简化和近似线性的动力学模型得到的控制结果并不理想。无模型的控制方法在实际系统中得到广泛应用，具有基于误差而不是模型生成控制策略的优势，但对于外界扰动的抗扰能力较差。同时，复杂控制算法和结构的实际应用存在很大挑战，车辆实际行驶过程，除数学模型存在高度的非线性和未建模因素外，仍存在控制扰动和外界环境的未知扰动。实际交通行驶存在较多的紧急避障工况，对于分布式驱动六轴转向车辆而言，同相位转向为可以使车辆在不发生横摆的情况下进行横向行驶避障。
为此，针对同相位转向路径跟踪抗扰动问题，充分利用分布式驱动与六轮转向的多子系统冗余优势，提出了一种兼顾路径跟踪精度和自适应横摆稳定性的高鲁棒性控制策略具有实际意义，以解决重载商用车高动态、高复杂交通环境下安全稳定运行等瓶颈难题。
发明内容
本发明的目的在于提出一种基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器，兼顾路径跟踪精度和自适应横摆稳定性的高鲁棒性，来应对多轴商用车城市交通行驶过程中出现的极限紧急避障工况。为实现上述目的，该方法主要包括如下步骤：
S1：根据分布式驱动六轮转向车辆架构搭建了包含非线性轮胎的双轨三轴车辆同相位转向路径跟踪模型。
S2：设计自抗扰控制算法，利用跟踪微分器解决积分提取差分信号的问题，跟踪目标的瞬态过程快速无超调地跟踪并柔化期望信号值，实现一阶导数的光滑逼近。利用扩张状态观测器根据系统状态量与控制量重构系统的状态及其扰动的所有组成。
S3：经跟踪微分器优化预瞄路径信息，基于模型预测控制计算六轮转向控制量，融入自抗扰控制算法，通过扩张状态观测器估计横向总扰动并进行控制补偿。
S4：将基于自抗扰算法估计的车辆航向状态量及扰动估计值集成到非奇异快速终端滑模控制律中，使附加横摆力矩的控制律具有对横摆稳定性的实时自适应能力。
S5：以分布式驱动轮轮胎负荷率的加权平方和最小为优化目标，并通过消元代换法求解目标函数的极值，完成对分布式驱动轮的驱动力分配。
S6：基于李雅普诺夫第一法验证扩张状态观测器的收敛性，基于李雅普诺夫第二法验证非奇异快速终端滑模控制律的闭环控制系统的渐近稳定性。
优选的，所述S1中搭建包含非线性轮胎的双轨三轴车辆同相位转向路径跟踪模型，具体如下：
单独控制六个驱动电机的扭矩，产生纵向驱动力矩跟踪期望车速，协同三个转向装置控制车轮转角，产生横摆力矩跟踪期望的车辆横摆角速度，产生侧向力跟踪期望的车辆横向速度，表示如下，
其中，vx,vy,γ分别表示纵向速度、横向速度和车辆横摆角速度；Fxij,Fyij分别表示各车轮的横向力、纵向力，下标ij(i＝f,m,r(前,中,后)，j＝l,r(左,右))表示轮胎序号；a、b、c分别表示前轴、中轴、后轴到质心的最短距离，ΔMz表示由轮胎纵向驱动力产生的附加横摆力矩。车辆质心位置(X,Y)可通过车速与航向角Ψ的关系获得。
中、后轴承载采用了平衡悬架，进一步对具备非承载式车身的商用车底盘载荷转移情况进行建模，
其中，ms是整车簧载质量，mui(i＝f,m,r)分别是前、中、后轴的非簧载质量，且满足m＝ms+muf+mum+mur。hg是车辆质心到侧倾中心的高度，Pf，Pr，Pm分别是前、中、后轴上发生的横向重量转移的比例，L为最大轴距，ax,ay分别是纵向加速度和侧向加速度，因同相位转向横摆角速度很小，可进行化简，
采用Dugoff非线性轮胎模型通过较少的未知参数准确地描述轮胎-道路接触力，
Fyij＝-kijtanαijf(λij)
kij为对应轮胎侧偏刚度，f(λij)为非线性函数，αij表示对应轮胎的侧偏角，可表示为，
在轮胎侧偏角较小时，假设轮胎侧向力与侧偏角呈线性关系，同时，将双轨模型简化为单轨模型，并作如下假设，单轨等效侧偏角αi(i＝f,m,r)为两侧车轮侧偏角平均值，等效转向角δi(i＝f,m,r)为两侧车轮转向角平均值，等效侧偏刚度ki(i＝f,m,r)为两侧车轮侧偏刚度和，建立线性化单轨模型：
其中，ωdy,为扰动部分，包括控制扰动、外界扰动与未建模部分。
优选的，所述S2中设计跟踪微分器通过积分提取差分信号，跟踪目标的瞬态过程，快速无超调地跟踪期望信号值，柔化期望信号值，以提高系统的鲁棒性和抗噪性。
进一步，设计扩张状态观测器，无需车辆模型的准确参数，根据系统状态量与控制量较好地重构系统的状态量z1,z2及其扰动z3的所有状态。使用的三阶扩张状态观测器的数学表达式为:
其中，α1,α2,β01,β02,β03为观测器参量，ee为状态量误差，ucom为系统等效控制量，f0(z2)为已建模的确知部分。非线性反馈结构的fal函数具有快速收敛的特性，δe为误差量阈值，其表达式如下，
其中，αe＝α1或α2。
优选的，S3的根据跟踪微分器优化的预瞄路径信息，基于模型预测控制计算六轮转向控制量，具体实现如下：
设定控制的状态向量为x＝[vyγX Y]T，控制向量为u＝[δf0δmδr]T，其中，δf0为前轴转角控制量初值。建立路径跟踪状态方程，
y(t)＝Cx(t)
其中，
使用公式法获取动力学离散模型。令ys为实时车辆横向位置Y，系统等效控制量ucom可由下式计算，
其中，δass为扰动补偿控制量，计算公式为，
其中，z3fvy为扰动观测量，b01为补偿因子。由三阶扩张状态观测器估算出车辆纵向坐标z1Y与车辆横向速度z2vy，其中f0(z2)可由下式计算，
其中，z2γ为横摆角速度γ的估计值，求解过程于下文提及。预测控制的状态向量优化为y＝[vy γ Y]T＝[z2vy γ z1Y]T，经S2提及的跟踪微分器对预瞄道路横向位置Yref进行柔化处理，可计算获得柔化后的期望状态量，yref＝[v2vy,0,v1Y]，其中v2vy为期望横向速度，v1Y为期望横向坐标。
经滚动优化，可以得到一个最优控制序列U(k)，选择第一个控制向量作为反馈量u(k)，即
其中，δf0为前轴初始转角，δm为中轴转角，δr为后轴转角，将扰动补偿控制量反馈到前轮转角上进行补偿，可得最终控制量utt为
优选的，S4中基于一种控制量非奇异且收敛快速的实时切换横摆稳定性滑模控制律，并配置扩张状态观测器补偿复杂不确定性和非线性未知扰动，从而提升车身稳定性能，实现车辆同相位转向。具体实现如下：
建立非奇异快速终端滑模面，
设定一种带状态负指数项的终端吸引子设计趋近律:
其中，σ,θ,τ,p,q,ε,ζ,ρ,/>为奇数(不能被2整除)。保障滑模面的非奇异性，应满足1<p/q<2,ε/ζ>p/q,0<ρ/n<1。/>e2γ为状态量误差，结合扩张状态观测器公式，经S2提及的跟踪微分器对期望车辆横摆角/>进行柔化处理，令ys等于车辆横摆角/>进行状态观测，f0(z2)等于0得，
进一步求解滑模面导数，
式中，b02为补偿因子，v2γ为横摆角速度的期望值，z2γ为横摆角速度的观测值，为航向角的观测值，z3fγ为横摆扰动的观测值，化简式可得期望的附加横摆力矩值ΔMz，
其中，fal(ee,α1,δe)为分段函数，为过程参量，表达如下。
优选的，对期望的附加横摆力矩值ΔMz进行驱动力力矩分配，以6个轮胎负荷率的加权平方和最小为优化目标，提升车辆稳定性，并通过消元代换法求解目标函数的极值。
优选的，S6中基于李雅普诺夫第一法验证扩张状态观测器的收敛性，具体方法如下：
对扩张状态观测器方程进行误差线性化表达，
其中，e2为二阶状态量导数的差值，e3为实际扰动与观测扰动的差值，ω(t)为实际扰动组成，kl为f0(z2)的线性化系数，进一步求得状态方程的特征多项式，
特征值应全部位于左半复平面以保证观测器误差收敛，则假设理想的特征多项式为，
可以得到观测器参量和带宽ω0的对应关系，即：
观测器参量设定满足上述关系，即可确保观测器的收敛性。
S6中，基于李雅普诺夫第二法验证非奇异快速终端滑模控制律的闭环控制系统的渐近稳定性，具体方法如下：
定义Lyapunov函数为V＝1/2s2，其导数为
其中，|z3fγ|max为横摆扰动的估计极值。当s＜0时，则控制系统在滑模切换平面稳定。当s＞0时，当满足以下条件时，满足/>
即，|z3fγ|max有界，稳态跟踪误差会渐进稳定于平衡点附近某一范围。
本发明设计合理，设计的自抗扰控制算法，相对于现有控制算法大大简化、易于实现、精度高、速度快、抗扰能力强，具有很好的工程应用前景与推广价值。
本发明还提出一种控制器，该控制器能够实现上述方法。
本发明的有益效果：
(1)利用Fhan()函数对状态量进行柔化处理，实现一阶导数的光滑逼近，克服路径预瞄传感器和状态观测传感器噪声，弱化控制理论超调性和快速性之间的矛盾。
(2)基于优化后的期望路径轨迹，利用扩张状态观测器对模型高度非线性不确定因素和外部环境引起的未知扰动进行估计，对转向角进行控制补偿，建立具有自抗扰性能的模型预测控制算法，完成分布式驱动六轮转向商用车的同相位转向路径跟踪控制。
(3)将扩张状态感测器的状态估计值与扰动估计值集成到非奇异快速终端滑模控制中，使附加横摆力矩的控制律具有对横摆稳定性的实时自适应能力，全面提升分布式驱动六轮转向商用车的航向稳定性。
(4)全面考量分布式六轮转向商用车在模型扰动、控制扰动及侧向风扰动等多种典型扰动下的紧急避障能力，实现了兼顾稳定性与鲁棒性的分布式驱动六轮转向商用车同相位转向路径跟踪控制。
附图说明
图1基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方案。
图2分布式驱动六轮转向商用车底盘驱动器架构。
图3应对极限避障工况的分布式驱动六轮转向车辆同相位转向应用场景。
图4分布式驱动六轮转向车辆同相位转向路径跟踪鸟瞰图。
具体实施方式
本发明提供了一种基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图说明及实施方式具体对本发明作进一步的说明，但本发明的保护范围并不仅限于此。本发明依据图1所示的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方案架构展开实施，其中，分布式驱动六轮转向商用车底盘驱动器架构见图2所示，应对极限避障工况的分布式驱动六轮转向车辆同相位转向应用场景见图3所示。
步骤1：充分考虑分布式驱动六轮转向车辆的横向动力学特性，并降低模型复杂度，建立由纵向运动、横向运动、横摆运动和六轮旋转运动组成的9自由度汽车动力学双轨模型。基于动力学模型，设计图4所示分布式驱动六轮转向车辆同相位转向路径跟踪鸟瞰图。单独控制六个驱动电机的扭矩，产生纵向驱动力矩跟踪期望车速，协同三个转向装置控制车轮转角，产生横摆力矩跟踪期望的车辆横摆角速度，产生侧向力跟踪期望的车辆横向速度，表示如下，
其中，vx,vy,γ分别表示纵向速度、横向速度和车辆横摆角速度；Fxij,Fyij,分别表示各车轮的横向力、纵向力，下标ij(i＝f,m,r(前,中,后),j＝l,r(左,右))表示轮胎序号；a、b、c分别表示前轴、中轴、后轴到质心的最短距离。因轮胎转向角较小，上式存在三角函数小角度近似。ΔMz表示由轮胎纵向驱动力产生的附加横摆力矩，可表示为
ΔMz＝Fxfl(-tfcosδfl/2+asinδfl)+Fxfr(tfcosδfr/2+asinδfr)+Fxml(-tmcosδml/2-bsinδml)+Fxmr(tmcosδmr/2-bsinδmr)+Fxrl(-trcosδrl/2-csinδrl)+Fxrr(trcosδrr/2-csinδrr)
其中，Iz表示车辆转动惯量，m为车辆总质量，δij表示各车轮转向角，下标ij表示轮胎序号，ti(i＝f,m,r)分别表示前轴、中轴、后轴的轮距。
图4鸟瞰图中所示车辆共包含大地坐标系XOY、车身坐标系xoy以及相对于所需参考路径位置定义的曲线坐标系S。图中e表示横向误差，为路径上最近点到车辆质心的距离，Ψ表示速度航向角，ΔΨ表示速度航向角误差，即车辆速度航向与最近点路径切线之间的角度差值，Δψ＝ψ-ψref，表示车辆横摆角，γ表示车辆横摆角速度，β表示车辆质心侧偏角，其关系表示为
根据图3同相位转的场景所示，其理想状态为γ≈0，使得ψ≈β，即
车辆质心位置可通过车速与航向角的关系获得
在某种程度上，轮胎的侧偏刚度与垂向载荷呈线性关系。在分布式驱动六轮转向车辆进行同相位转向过程中，会产生较大的横向速度与横向加速度，使得同轴轮胎载荷转移较大。进一步，对具备非承载式车身的商用车底盘载荷转移情况进行建模，
其中，ms是整车簧载质量，mui(i＝f,m,r)分别是前、中、后轴的非簧载质量，且满足m＝ms+muf+mum+mur。hg是车辆质心到侧倾中心的高度，Pf，Pr，Pm分别是前、中、后轴上发生的横向重量转移的比例，L为最大轴距，ax，ay分别是纵向加速度和侧向加速度，可由下式计算，因本文行驶工况与转向方式的特殊性，使得γ≈0，可做进一步化简。
轮胎-道路接触力的数学关系较为复杂，Dugoff轮胎模型可以通过较少的未知参数相对准确地描述轮胎-道路接触力，轮胎侧向力可表示如下，
Fyij＝-kijtanαijf(λij)
αij表示对应轮胎的侧偏角，可表示为，
f(λij)为非线性函数，可表示为，
其中，λij为非线性因子
其中，μ表示轮地间摩擦系数，Fzij表示对应轮胎上的垂向载荷。
因所设计控制算法无需准确估计轮胎侧偏刚度，为了简化动态控制算法的设计，在轮胎侧偏角较小时，假设轮胎侧向力与侧偏角呈线性关系。因此，可做如下分段化简：
其中，α1ij、α2ij为分段仿射轮胎模型的分段点；αmax为侧偏角约束的上界；kij为第1段线性区域的侧偏刚度；k1ij、k2ij与分别是第2、3段分段函数的斜率与截距。同时，将双轨模型简化为单轨模型，并作如下假设，单轨等效侧偏角αi(i＝f,m,r)为两侧车轮侧偏角平均值，等效转向角δi(i＝f,m,r)为两侧车轮转向角平均值，等效侧偏刚度ki(i＝f,m,r)为两侧车轮侧偏刚度和，
进一步可得线性化的二自由度车辆模型，
其中，ωdy,为扰动部分，包括控制扰动、外界扰动与未建模部分。
步骤2：首先，根据V2X车路协同系统，获取预瞄路径的横坐标信息，改善横向速度的不连续突变。跟踪微分器用于解决积分提取差分信号的问题，跟踪目标的瞬态过程可以快速无超调地跟踪期望信号值，柔化期望信号值，以提高系统的鲁棒性和抗噪性。离散化二阶跟踪微分器可设计如下，
其中，vref为期望系统状态,v1,v2为系统状态，r0,h0为控制参量，r0越大，快速性越好，但易引发超调和振荡，h0越大，静态误差越小，但快速性越差。fh是最速综合控制函数fhan()，可表示如下，
其中，d、yv、a0、a1、a2、a3、sy、sa均为过程变量。
扩张状态观测器无需车辆模型的准确参数，仅根据系统状态量与控制量即可较好地重构系统的状态量z1,z2及其扰动z3的所有组成。据此，未建模因素与不确定外部扰动可通过附加控制量进行补偿。对二自由度二阶车辆模型，使用三阶扩张状态观测器:
其中，α1,α2,β01,β02,β03为观测器参量，ee为状态量误差，ucom为系统等效控制量，f0(z2)为已建模的确知部分。用于非线性反馈结构的fal函数实际上是对控制工程界的一个经验知识:“大误差，小增益；小误差，大增益”的数学拟合，具有快速收敛的特性，δe为误差量阈值，其表达式如下，
步骤3：设计了基于自抗扰控制的路径跟踪模型预测控制策略，改善系统鲁棒性。设定控制的状态向量为x＝[vyγX Y]T，控制向量为u＝[δf0δmδr]T，进一步建立路径跟踪状态方程，
y(t)＝Cx(t)
其中，
使用公式法获取动力学离散模型，
其中，Ad为离散化后的状态矩阵、Bd为离散化后的控制矩阵、hpfd为离散化后的附加矩阵。
其中，Ts为采样周期。
进一步，令ys为实时车辆横向位置Y进行状态观测，系统等效控制量ucom可由下式计算
其中，δass为扰动补偿控制量，计算公式为，
其中，z3fvy为扰动观测量，b01为补偿因子，即b0＝b01。
进一步，可估算出z1Y与z2vy，其中f0(z2)可由下式计算
其中，z2γ为横摆角速度γ的估计值，计算过程在下文推演。式中的轮胎刚度为估计值，但不准确因素可被视为扰动进行补偿。
进一步，预测控制的状态向量优化为y＝[vy γ Y]T＝[z2vy γ z1Y]T。令vref为预瞄道路横向位置Yref，可计算获得柔化后的期望状态量，yref＝[v2vy 0v1Y]。
进一步，通过迭代状态方程以预测系统未来的输出，对下述代价函数J(x,u)进行滚动优化，
s.t.y(k+1)＝C(Adx(k)+Bdu(k)+hpfd),-umax(k+i)≤u(k+i)≤umax(k+i)
其中，Q，R为权重矩阵，umax(k+i)为控制量限值，预测步长Np与控制步长Nc等于N，ydes(k+i)为第k+i步的期望状态量，y(k+i)为第k+i步的实际状态量，u(k+i)为第k+i步的控制量。通过求解公式中的优化问题，可以得到一个最优控制序列，即U(k)，选择第一个控制向量作为反馈量u(k)，即
其中，δf0为前轴初始转角，δm为中轴转角，δr为后轴转角，将扰动补偿控制量反馈到前轮初始转角上进行补偿，可得最终控制量utt为，
步骤4：基于一种控制量非奇异且收敛快速的实时切换横摆稳定性滑模控制律,并配置扩张状态观测器补偿复杂不确定性和非线性未知扰动，从而提升车身稳定性能，实现车辆同相位转向。
建立非奇异快速终端滑模面，
设定一种带状态负指数项的终端吸引子设计趋近律，
其中，σ,θ,τ,p,q,ε,ζ,ρ,/>为奇数(不能被2整除)。以保障滑模面的非奇异性，应满足1<p/q<2,ε/ζ>p/q,0<ρ/n<1。/>e2γ为状态量误。令vref为期望车辆横摆角进行状态观测，ys为实时车辆横摆角/>f0(z2)等于0得，
其中，与z2γ可由扩张状态观测器离散化后求得，ucom＝uM，求解滑模面导数，
式中，b02为补偿因子，化简可得期望的附加横摆力矩值ΔMz，
其中，fal(ee,α1,δe)为分段函数。为过程参量，表达如下，
步骤5：以6个轮胎负荷率的加权平方和最小为优化目标，提升车辆稳定性，并通过消元代换法求解目标函数的极值，
minJ＝uTΦu+(χu-uref)TΘ(χu-uref)
s.t.umin≤u≤umax
式中，u＝(Tfl,Tfr,Tml,Tmr,Trl,Trr)T为待优化向量，Ti为第i个轮胎的力矩命令；umin，umax分别为由各电机力矩上、下限组成的向量；uref＝(TFx，ΔMz)为虚拟控制参考向量；TFx为纵向总驱动力矩，可表达为，
式中，axdes为目标纵向加速度，vxref为期望速度，Rtire为轮胎半径，增益足以实现速度稳定。Φ,Θ为对角权重矩阵；χ为效力矩阵。Φ,Θ,χ可表示如下
其中，μ为路面附着系数，a11…a32为过程参量，可表示如下，
a11＝-tfcosδfl/2+asinδfl，a12＝tfcosδfr/2+asinδfr，a21＝-tmcosδml/2-bsinδml
a22＝tmcosδmr/2-bsinδmr，a31＝-trcosδrl/2-csinδrl，a32＝tr cosδrr/2-csinδrr
步骤6：完成系统稳定性分析。扩张状态观测器作为自抗扰控制的核心部分，其收敛性对于真值估计至关重要，对扩张状态观测器进行误差线性化表达，
kl为f0(z2)的线性化系数，因满足李雅普诺夫稳定性原理的基本要求，
为此线性化不影响收敛性的证明，进一步求得状态方程的特征多项式，
特征值应全部位于左半复平面以保证观测器误差收敛，则假设理想的特征多项式为，
可以得到观测器参量和带宽ω0的对应关系，即：
观测器参量设定满足上述关系，即可确保观测器的收敛性。
其次，将证明非奇异快速终端滑膜闭环控制系统的渐近稳定性。由于1<p/q<2,ε/ζ>1，所以状态量e2γ的指数皆大于零，无负指数项,这说明基于滑模面和趋近律设计的控制方法完全避免奇异问题，且控制律时间连续，无抖振。定义Lyapunov函数为V＝1/2s2，其导数为，/>
其中，|z3fγ|max为横摆扰动的估计极值。当s＜0时，则控制系统在滑模切换平面稳定。当s＞0时，当满足以下条件时，满足/>
即，|z3fγ|max有界，稳态跟踪误差会渐进稳定于平衡点附近某一范围。
本发明控制器的实施例可以是车辆的中央控制器。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，包括如下步骤：
S1：根据布式驱动六轮转向车辆架构搭建包含非线性轮胎的双轨三轴车辆同相位转向路径跟踪模型；
S2：设计自抗扰算法，利用跟踪微分器解决积分提取差分信号的问题，跟踪目标的瞬态过程快速无超调地跟踪并柔化期望信号值，实现一介导数的光滑逼近，利用扩张状态观测器根据系统状态量与控制量重构系统的状态及其扰动的所有组成；
S3：经跟踪微分器优化预瞄路径信息，基于模型预测控制计算六轮转向控制量，融入自抗扰控制算法，通过扩张状态观测器估计横向总扰动并进行控制补偿；
S4：将基于自抗扰算法估计的车辆航向状态量及扰动估计值集成到非奇异快速终端滑模控制律中，使附加横摆力矩的控制律具有对横摆稳定性的实时自适应能力；
S5：以分布式驱动轮轮胎负荷率的加权平方和最小为优化目标，并通过消元代换法求解目标函数的极值，完成对分布式驱动轮的驱动力分配。
2.根据权利要求1所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S1中的模型包括：
其中，vx,vy,γ分别表示纵向速度、横向速度和车辆横摆角速度；Fxij,Fyij分别表示各车轮的横向力、纵向力，下标ij(i＝f,m,r(前,中,后)，j＝l,r(左,右))表示轮胎序号；a、b、c分别表示前轴、中轴、后轴到质心的最短距离，ΔMz表示由轮胎纵向驱动力产生的附加横摆力矩；车辆质心位置(X,Y)可通过车速与航向角Ψ的关系获得
3.根据权利要求2所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S1中的模型还包括：
对具备非承载式车身的商用车底盘载荷转移情况进行建模：
其中，ms是整车簧载质量，mui(i＝f,m,r)分别是前、中、后轴的非簧载质量，且满足m＝ms+muf+mum+mur，hg是车辆质心到侧倾中心的高度，Pf，Pr，Pm分别是前、中、后轴上发生的横向重量转移的比例，L为最大轴距，ax,ay分别是纵向加速度和侧向加速度，因同相位转向横摆角速度很小，可进行化简
4.根据权利要求3所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S1中的模型还包括：
采用Dugoff非线性轮胎模型通过较少的未知参数准确地描述轮胎-道路接触力
Fyij＝-kijtanαijf(λij)
kij为对应轮胎侧偏刚度，f(λij)为非线性函数，αij表示对应轮胎的侧偏角，可表示为，
在轮胎侧偏角较小时，假设轮胎侧向力与侧偏角呈线性关系，同时，将双轨模型简化为单轨模型，并作如下假设，单轨等效侧偏角αi(i＝f,m,r)为两侧车轮侧偏角平均值，等效转向角δi(i＝f,m,r)为两侧车轮转向角平均值，等效侧偏刚度ki(i＝f,m,r)为两侧车轮侧偏刚度和，建立线性化单轨模型：
其中，ωdy,为扰动部分，包括控制扰动、外界扰动与未建模部分。
5.根据权利要求1所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S2中，扩张状态观测器为三阶扩张状态观测器，表达式如下：
其中，α1,α2,β01,β02,β03为观测器参量，ee为状态量误差，ucom为系统等效控制量，f0(z2)为已建模的确知部分，δe为误差量阈值，非线性反馈结构的fal函数表达式如下，
6.根据权利要求1所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S3的具体实现包括如下：
设定控制的状态向量为x＝[vyγX Y]T，控制向量为u＝[δf0δmδr]T，其中，δf0为前轴转角控制量初值；建立路径跟踪状态方程
y(t)＝Cx(t)
其中，
使用公式法获取动力学离散模型
其中，
其中，Ts为采样周期；
令ys为实时车辆横向位置Y，系统等效控制量ucom可由下式计算
其中，δass为扰动补偿控制量，计算公式为
其中，z3fvy为扰动观测量，b01为补偿因子。由三阶扩张状态观测器估算出车辆纵向坐标z1Y与车辆横向速度z2vy，其中f0(z2)可由下式计算，估算出z1Y与z2vy，其中f0(z2)可由下式计算
其中，z2γ为横摆角速度γ的估计值，预测控制的状态向量优化为y＝[vyγY]T＝[z2vyγz1Y]T，经S2提及的跟踪微分器对预瞄道路横向位置Yref进行柔化处理，可计算获得柔化后的期望状态量，yref＝[v2vy,0,v1Y]，其中v2vy为期望横向速度，v1Y为期望横向坐标；
经滚动优化，可以得到一个最优控制序列U(k)，选择第一个控制向量作为反馈量u(k)，即
其中，δf0为前轴初始转角，δm为中轴转角，δr为后轴转角，将扰动补偿控制量反馈到前轮转角上进行补偿，可得最终控制量utt为
7.根据权利要求1所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S4的实现包括如下：
建立非奇异快速终端滑模面，
设定一种带状态负指数项的终端吸引子设计趋近律:
其中，为奇数，应满足1<p/q<2,ε/ζ>p/q,0<ρ/n<1，/>e2γ为状态量误差，结合扩张状态观测器公式，经S2的跟踪微分器对期望车辆横摆角/>进行柔化处理，令ys等于实时车辆横摆角/>进行状态观测，f0(z2)等于0得，
e2γ＝v2γ-z2γ
进一步求解滑模面导数，
式中，b02为补偿因子，v2γ为横摆角速度的期望值，z2γ为横摆角速度的观测值，为航向角的观测值，z3fγ为横摆扰动的观测值，化简式可得期望的附加横摆力矩值ΔMz，
其中，fal(ee,α1,δe)为分段函数，为过程参量，表达式如下：
8.根据权利要求1所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，还包括S6，基于李雅普诺夫第一法验证扩张状态观测器的收敛性，具体方法如下：
对扩张状态观测器方程进行误差线性化表达，
其中，e2为二阶状态量导数的差值，e3为实际扰动与观测扰动的差值，ω(t)为实际扰动组成，kl为f0(z2)的线性化系数，进一步求得状态方程的特征多项式，进一步求得状态方程的特征多项式
特征值应全部位于左半复平面以保证观测器误差收敛，则假设理想的特征多项式为
可以得到观测器参量和带宽ω0的对应关系，即：
β01＝3ω0+kl,
观测器参量设定满足上述关系，即可确保观测器的收敛性。
9.根据权利要求8所述的基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法，其特征在于，所述S6还包括，基于李雅普诺夫第二法验证非奇异快速终端滑模控制律的闭环控制系统的渐近稳定性，具体方法如下：
定义Lyapunov函数为V＝1/2s2，其导数为
其中，|z3fγ|max为横摆扰动的估计极值，当s＜0时，则控制系统在滑模切换平面稳定，当s＞0时，当满足以下条件时，满足/>
即，|z3fγ|max有界，稳态跟踪误差会渐进稳定于平衡点附近某一范围。
10.一种控制器，其特征在于，该控制器能够实现包含权利要求1-9任一项所述的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646760.9A CN117270386A (zh) | 2023-06-01 | 2023-06-01 | 基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646760.9A CN117270386A (zh) | 2023-06-01 | 2023-06-01 | 基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117270386A true CN117270386A (zh) | 2023-12-22 |
Family
ID=89213096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646760.9A Pending CN117270386A (zh) | 2023-06-01 | 2023-06-01 | 基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872710A (zh) * | 2024-03-11 | 2024-04-12 | 天津森普捷电子有限公司 | 一种智能底盘及其控制方法、装置、系统、介质及设备 |
-
2023
- 2023-06-01 CN CN202310646760.9A patent/CN117270386A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872710A (zh) * | 2024-03-11 | 2024-04-12 | 天津森普捷电子有限公司 | 一种智能底盘及其控制方法、装置、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Lane keeping control of autonomous vehicles with prescribed performance considering the rollover prevention and input saturation | |
| Ji et al. | Adaptive-neural-network-based robust lateral motion control for autonomous vehicle at driving limits | |
| Hang et al. | Active safety control of automated electric vehicles at driving limits: A tube-based MPC approach | |
| Chen et al. | Path tracking and handling stability control strategy with collision avoidance for the autonomous vehicle under extreme conditions | |
| CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
| He et al. | Integrated active steering and variable torque distribution control for improving vehicle handling and stability | |
| CN109969183A (zh) | 基于安全可控域的弯道跟车控制方法 | |
| Chen et al. | Hierarchical adaptive path-tracking control for autonomous vehicles | |
| Hashemi et al. | Vehicle stability control: Model predictive approach and combined-slip effect | |
| Pang et al. | Adaptive backstepping robust tracking control for stabilizing lateral dynamics of electric vehicles with uncertain parameters and external disturbances | |
| WO2022266824A1 (zh) | 一种转向控制方法及装置 | |
| Vignati et al. | Torque vectoring control for IWM vehicles | |
| CN113978450B (zh) | 一种抗侧倾的商用车路径跟踪博弈控制方法 | |
| Németh et al. | Nonlinear analysis and control of a variable-geometry suspension system | |
| Wang et al. | Trajectory tracking of autonomous vehicle: A differential flatness approach with disturbance-observer-based control | |
| CN117270386A (zh) | 基于耦合自抗扰的分布式驱动六轮转向车辆同相位转向控制方法及控制器 | |
| Chen et al. | Dynamics integrated control for four-wheel independent control electric vehicle | |
| Liang et al. | Integration of active tilting control and full-wheel steering control system on vehicle lateral performance | |
| Wang et al. | Robust trajectory tracking control for autonomous vehicle subject to velocity-varying and uncertain lateral disturbance | |
| Dong et al. | Real-time model predictive control for simultaneous drift and trajectory tracking of autonomous vehicles | |
| Li et al. | Longitudinal and lateral control for four wheel steering vehicles | |
| Jan et al. | Decoupling of vehicle lateral dynamics using four-wheel steering system | |
| CN114044003B (zh) | 前后双轴转向车辆的循迹控制方法 | |
| CN112590774A (zh) | 一种基于深度强化学习的智能电动汽车漂移入库控制方法 | |
| Shi et al. | Robust Path Tracking Control of Distributed Driving Six-Wheel Steering Commercial Vehicle Based on Coupled Active Disturbance Rejection |
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 |