采用每輪電機(jī)的電動(dòng)汽車的智能扭矩矢量方法

交通電氣化目前是世界各地當(dāng)局、制造商和研究中心的首要任務(wù)。電動(dòng)汽車的開發(fā)及其功能的改進(jìn)是該戰(zhàn)略的關(guān)鍵要素。因此，需要進(jìn)一步研究減排、提高效率或動(dòng)態(tài)處理方法。為了實(shí)現(xiàn)這些目標(biāo)，需要開發(fā)合適的高級(jí)駕駛輔助系統(tǒng) （ADAS）。盡管傳統(tǒng)的控制技術(shù)已廣泛用于 ADAS 實(shí)施，但電動(dòng)多電機(jī)動(dòng)力總成的復(fù)雜性使得智能控制方法適用于這些情況。在這項(xiàng)工作中，提出了一種新穎的智能扭矩矢量 （TV） 系統(tǒng)，該系統(tǒng)由神經(jīng)模糊垂直輪胎力估計(jì)器和模糊偏航力矩控制器組成，可以增強(qiáng)電動(dòng)多電機(jī)汽車的動(dòng)態(tài)行為。將所提出的方法與使用高保真車輛動(dòng)力學(xué)模擬器 Dynacar 的傳統(tǒng)策略進(jìn)行了比較。結(jié)果表明，所提出的智能扭矩矢量系統(tǒng)能夠?qū)④囕v的效率提高 10%，這要?dú)w功于最佳扭矩分配和使用神經(jīng)模糊垂直輪胎力估計(jì)器，該估計(jì)的準(zhǔn)確度是分析方法的 3 倍。

1. 引言

減少全球變暖、空氣污染和對(duì)石油依賴的需求不僅推動(dòng)了可再生能源的使用，還推動(dòng)了其他領(lǐng)域的一些范式變化，例如交通系統(tǒng)，其中電動(dòng)汽車 （EV） 的發(fā)展已成為一項(xiàng)關(guān)鍵戰(zhàn)略 [1]。近年來，人們對(duì)配備電動(dòng)動(dòng)力總成（全電動(dòng)和混合動(dòng)力）的車輛的興趣有所增加，成為汽車行業(yè)的主要研究領(lǐng)域之一 [2]。

將電動(dòng)機(jī)集成到推進(jìn)系統(tǒng)中不僅提供了更好的能源效率和更低的污染，而且還提供了更高的可控性，因?yàn)殡妱?dòng)機(jī)提供了更好的響應(yīng)時(shí)間 [3]。這些功能激發(fā)了人們對(duì)高級(jí)駕駛輔助系統(tǒng) （ADAS） 開發(fā)的濃厚興趣，該系統(tǒng)不僅增強(qiáng)了車輛的動(dòng)態(tài)行為，還增強(qiáng)了車輛的效率和能耗 [4]。

在過去的幾十年里，傳統(tǒng)的控制方法已被廣泛用于實(shí)施 ADAS。然而，與內(nèi)燃機(jī)推進(jìn)系統(tǒng)相比，電氣化推進(jìn)系統(tǒng)提供了更廣泛的復(fù)雜性（和多種拓?fù)浣Y(jié)構(gòu)）。因此，智能控制方法已成為最近的主要研究興趣之一，因?yàn)樗鼈儽葌鹘y(tǒng)方法更容易管理復(fù)雜的系統(tǒng)。

扭矩矢量分配 （TV） [5] 是增強(qiáng)每輪電機(jī)電動(dòng)汽車動(dòng)態(tài)行為和穩(wěn)定性的最完整的 ADAS 之一，它側(cè)重于最佳驅(qū)動(dòng)扭矩分配。在 TV 方法中，可以使用多種策略來控制扭矩分配，其中大多數(shù)策略基于控制沿車輛垂直軸的力矩（偏航力矩）[6]。為此，使用了三種主要策略 [7]：第一種是基于扭矩在驅(qū)動(dòng)輪之間的分布 [6， 8–12];第二種是基于使用主動(dòng)車輛側(cè)傾控制系統(tǒng)來改變橫向載荷分布 [13， 14];最后，第三種策略包括在兩個(gè)車軸中實(shí)施轉(zhuǎn)向系統(tǒng) [15， 16]。這項(xiàng)工作的重點(diǎn)是扭矩分配策略，因?yàn)槿嗱?qū)動(dòng)車輛已被選為案例研究。

扭矩分配方法通常使用各種控制算法實(shí)現(xiàn)。在傳統(tǒng)方法中，已經(jīng)提出了更簡(jiǎn)單的方法，如基于比例-積分-微分控制（PID）的方法[6]，或更先進(jìn)的算法，如模型預(yù)測(cè)控制（MPC）[17]或滑?？刂疲⊿MC）[9]。后者提供了增強(qiáng)的結(jié)果，盡管它們的計(jì)算成本高于基于 PID 的方法。另一方面，神經(jīng)網(wǎng)絡(luò) [10] 或模糊邏輯系統(tǒng) [11] 等智能方法已被證明能夠以較低的計(jì)算成本提供良好的結(jié)果，使其成為實(shí)現(xiàn)扭矩分配方法的良好替代方案。

為了實(shí)現(xiàn)有效的驅(qū)動(dòng)扭矩分配，了解輪胎力至關(guān)重要 [18]。然而，直接測(cè)量這些力是一項(xiàng)復(fù)雜而艱巨的任務(wù)，因此需要設(shè)計(jì)適當(dāng)?shù)墓烙?jì)器。然而，在文獻(xiàn)中提出的工作中并不總是考慮這個(gè)問題，這些工作是基于對(duì)這些力的完美估計(jì)，這不是一個(gè)真實(shí)的情況。

在提出的估計(jì)車輛輪胎力的方法中，最常見的是使用基于輪胎模型的估計(jì)器，如線性輪胎模型 [19]、Dugoff 模型 [20]或半經(jīng)驗(yàn)?zāi)Ｐ?，?Pacejka 輪胎模型 [18]。其他工作沒有考慮輪胎模型，而是根據(jù)縱向和橫向載荷傳遞以及每個(gè)車輪上的靜態(tài)載荷來估計(jì)輪胎的垂直力[21–25]。還使用了智能建模方法，這減少了了解復(fù)雜輪胎動(dòng)力學(xué)的需要，甚至允許模型調(diào)整。例如，神經(jīng)網(wǎng)絡(luò)、擴(kuò)展卡爾曼濾波器和遞歸最小二乘法在 [26] 中被結(jié)合起來，以估計(jì)輪胎橫向力和抓地力電位識(shí)別，即使在激進(jìn)的動(dòng)作中也是如此。在 [27] 中，使用了基于模糊邏輯的縱向、橫向和垂直輪胎力估計(jì)器，這需要滑移角估計(jì)進(jìn)行作并提供高度相關(guān)性。與傳統(tǒng)方法相比，這兩種方法都提供了更準(zhǔn)確的估計(jì)，盡管它們的適用性帶來了一些不便，因?yàn)樗鼈冃枰y以測(cè)量的變量。

總之，智能方法已被證明是 ADAS 開發(fā)的合適替代方案，可提供平衡的性能與計(jì)算成本。然而，需要適當(dāng)?shù)妮喬チ烙?jì)來保證在實(shí)際場(chǎng)景中的理論性能。在文獻(xiàn)中，大多數(shù)作品都考慮了完美的估計(jì)或使用基于難以測(cè)量的物理變量的估計(jì)器，這需要昂貴的傳感器，或者使用參數(shù)難以識(shí)別的復(fù)雜模型。這個(gè)問題降低了大多數(shù)作品在實(shí)際場(chǎng)景中提出的方法的可實(shí)施性和性能。

為了解決這些問題，這項(xiàng)工作提出了一種新穎的智能扭矩矢量方法，該方法由兩種智能算法組成：首先，基于完全可測(cè)量變量的輪胎垂直力的自適應(yīng)神經(jīng)模糊推理系統(tǒng) （ANFIS） 估計(jì)器;第二種是模糊偏航力矩控制器，它控制無人機(jī)的偏航率和側(cè)滑角，因?yàn)樗鼈兪亲罹叽硇缘臒o人機(jī)動(dòng)力學(xué)變量。所提出的方法能夠增強(qiáng)電動(dòng)汽車的動(dòng)力學(xué)及其效率。為了證明其有效性，ANFIS 估計(jì)器和由此產(chǎn)生的智能電視系統(tǒng)已經(jīng)在 Dynacar 高保真動(dòng)態(tài)模擬器中的幾個(gè)場(chǎng)景中進(jìn)行了驗(yàn)證，使用 E 級(jí)車輛將獲得的結(jié)果與以前的文獻(xiàn)中的其他工作進(jìn)行比較。

本文的其余部分分為以下幾部分：在第 2 節(jié)中，詳細(xì)介紹了所提出的智能扭矩矢量方法。在第 3 節(jié)中，介紹了仿真框架和實(shí)驗(yàn)設(shè)置。在第 4 節(jié)中，解釋了執(zhí)行驗(yàn)證的結(jié)果。最后，在第 5 節(jié)中，提出了主要結(jié)論。

2. 智能扭矩矢量系統(tǒng)

在本節(jié)中，詳細(xì)介紹了所提出的智能扭矩矢量系統(tǒng)。其主要目的是在不同的驅(qū)動(dòng)車輪之間分配驅(qū)動(dòng)扭矩，從而提高車輛的控性和穩(wěn)定性。它可以分為 5 個(gè)子系統(tǒng)（圖 1）：橫向扭矩分配使用模糊偏航力矩控制器進(jìn)行，其參考是使用偏航率參考生成器計(jì)算的;縱向扭矩分布由自定義扭矩分配算法給出，該算法使用 ANFIS 垂直輪胎力估計(jì)器;縱向和橫向分布提供的數(shù)據(jù)用于計(jì)算最終的扭矩分布。

圖 1提出的智能扭矩矢量系統(tǒng)。

2.1. 偏航角速率參考生成器

開發(fā)的智能電視系統(tǒng)方法由橫向扭矩分配方法和縱向扭矩分配方法組成。第一個(gè)是基于對(duì)車輛偏航力矩的控制;也就是說，它需要適當(dāng)?shù)钠剿俾蕝⒖疾拍馨l(fā)揮其適當(dāng)?shù)男阅堋?/p>

為了計(jì)算所需的偏航角速率參考，使用了著名的自行車模型，因?yàn)樗诰群陀?jì)算成本之間提供了良好的平衡[28]。為了進(jìn)一步提高計(jì)算性能，進(jìn)行了以下假設(shè)和簡(jiǎn)化：假設(shè)重心為零;每個(gè)輪胎的垂直力的變化將不被考慮在內(nèi);將考慮小滑移角假設(shè)，因此 sin（β） = β 且 cos（β） = 1（線性區(qū)域）;輪胎的橫向剛度系數(shù)將是恒定的，由橫向力與滑移角的比率定義。

必須注意的是，這種降低復(fù)雜性的模型專門用于控制器中的實(shí)時(shí)執(zhí)行。此外，其中一些簡(jiǎn)化對(duì)于乘用車來說是合理的，因?yàn)樗鼈冎钡捷喬サ臉O限才會(huì)被驅(qū)動(dòng)。

這樣，偏航角速率參考方程為 [28](1)其中 m 是位于重心處的車輛的總質(zhì)量，a 和 b 分別是到前軸和后軸重心的距離，L 是車軸之間的距離，δ 是前輪的旋轉(zhuǎn)角度，C_αF和 C_αR分別是前輪和后輪的橫向剛度系數(shù)，V 是車速。但是，出于安全原因，有必要限制生成的偏航速率參考的值。在這種情況下，限制設(shè)置如下 [6]：(2)其中 a_y是車輛的橫向加速度。

2.2. 模糊偏轉(zhuǎn)矩控制器

模糊偏航力矩控制器處理橫向扭矩分布 （τ_緯度） 的車輛。因此，考慮到車輛的偏航率和滑移角，該系統(tǒng)計(jì)算要應(yīng)用于車輛兩側(cè)的扭矩百分比。這樣，如果 τ_緯度= 0，所有扭矩都將施加到右側(cè)的車輪上;如果 τ_緯度= 1，則所有扭矩都施加到左側(cè)的車輪上。

該子系統(tǒng)基于模糊邏輯，模糊邏輯是 Zadeh 于 1965 年 [29] 基于模糊集的數(shù)學(xué)理論對(duì)布爾邏輯的擴(kuò)展。它通過將專業(yè)知識(shí)轉(zhuǎn)化為規(guī)則，實(shí)現(xiàn)了從模型和數(shù)學(xué)公式中抽象出來，而無需放棄顯著的微調(diào)功能。

最常見的 fuzzy logic system 結(jié)構(gòu)如圖 2 所示。首先，必須執(zhí)行模糊化過程，將輸入數(shù)據(jù)轉(zhuǎn)換為模糊集，以便根據(jù)開發(fā)的規(guī)則繼續(xù)推理系統(tǒng)。最后，為了將推理系統(tǒng)給出的結(jié)果轉(zhuǎn)換為確切的值，在這種特殊情況下，確保適當(dāng)?shù)目刂?，因此需要一種去模糊化方法。

圖 2表示模糊邏輯的方法

所提出的模糊邏輯控制器基于 Mamdani 模糊模型，因?yàn)樗峁┝烁庇^的調(diào)整 [30]。為了計(jì)算施加到車輛每一側(cè)的扭矩百分比，τ_緯度，控制器需要三個(gè)輸入：偏航角速率誤差、其導(dǎo)數(shù)和側(cè)滑角誤差。偏航角速率誤差及其導(dǎo)數(shù)的計(jì)算考慮了上一小節(jié)中詳述的參考。計(jì)算滑移角誤差時(shí)，考慮到車輛的參考側(cè)滑角將為零，以減少滑移的實(shí)際值并實(shí)現(xiàn)中性控。

實(shí)際車輛側(cè)滑角值使用以下公式 [31] 計(jì)算：(3)其中 V_y和 V_x是縱向 （x） 和橫向 （y） 本地軸的車速。

對(duì)于模糊系統(tǒng)的設(shè)計(jì)，已實(shí)現(xiàn)以下結(jié)構(gòu)。首先，為偏航率誤差 e（ψ） 及其導(dǎo)數(shù)選擇了 5 個(gè)隸屬函數(shù)的分布，為橫向滑移角 e（β） 的輸入選擇了 3 個(gè)隸屬函數(shù)。考慮到乘用車實(shí)現(xiàn)的典型側(cè)滑角和偏航角速率值，已經(jīng)認(rèn)為五個(gè)隸屬函數(shù)覆蓋了前兩個(gè)變量的整個(gè)范圍，具有良好的準(zhǔn)確性。此外，側(cè)滑角的標(biāo)志決定了車輛是否具有空檔、轉(zhuǎn)向不足或轉(zhuǎn)向過度行為。因此，已經(jīng)考慮到最后一個(gè)變量只需要 3 個(gè)隸屬函數(shù)。它們都被選為梯形和三角形。已為每個(gè)變量的邊界和側(cè)滑角的隸屬函數(shù)選擇了梯形，因?yàn)榻ㄗh的控制器試圖最小化該變量，因此精度不是最高優(yōu)先級(jí)。三角形的變量已被用于其余變量，因?yàn)樗鼈兲峁┝烁咝У挠?jì)算[32]，保持了可接受的響應(yīng)平滑度，適合在傳統(tǒng)的汽車電子控制單元（ECU）中實(shí)現(xiàn)。

最后，對(duì)于輸出，施加到車輛兩側(cè)的扭矩百分比 τ_緯度，選擇了更復(fù)雜的成員函數(shù)分布，在本例中為 9，旨在實(shí)現(xiàn)盡可能準(zhǔn)確和平滑的響應(yīng)。

開發(fā)的模糊控制器的結(jié)構(gòu)如圖 3 所示，包括隸屬函數(shù)。

圖 3 Fuzzy logic controller 提出

隨后，根據(jù)有關(guān)系統(tǒng)和人類駕駛數(shù)據(jù)集的知識(shí)實(shí)施了相應(yīng)的規(guī)則。表 1 顯示了成員資格函數(shù)的名稱和描述，而表 2-4 顯示了實(shí)現(xiàn)的規(guī)則。

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	ZE	ZE	NS	NM	NL
	ZE	ZE	ZE	ZE	NS	NL
	PS	PM	PS	ZE	ZE	NS
	PL	PL	PM	PS	ZE	ZE

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	PS	ZE	NS	NM	NL
	ZE	PM	PS	ZE	NS	NM
	PS	PL	PM	PS	ZE	NS
	PL	PVL	PL	PM	ZE	ZE

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	ZE	NS	NS	NM
	NS	PS	ZE	ZE	NS	NS
	ZE	PM	PS	ZE	ZE	ZE
	PS	PL	PM	PS	ZE	ZE
	PL	PVL	PL	PM	PS	ZE

2.3. ANFIS 垂直輪胎力估計(jì)器

車輛的動(dòng)態(tài)特性在很大程度上取決于輪胎力，因?yàn)檩喬チδM車輪與路面之間的接觸力。然而，它們的估計(jì)是車輛動(dòng)力學(xué)中最復(fù)雜的問題之一，因?yàn)檩喬?道路接觸動(dòng)力學(xué)取決于許多不同的變量。直接測(cè)量這些力也并不總是一個(gè)解決方案，因?yàn)檫@些力很難測(cè)量。

在本節(jié)中，提出了一種新穎的 ANFIS 垂直輪胎力估計(jì)器。所提出的估計(jì)器提供了實(shí)時(shí)和準(zhǔn)確的輪胎力估計(jì)，ADAS 可以利用這些估計(jì)來提高車輛的安全性、穩(wěn)定性和效率。因此，此估計(jì)器將用于執(zhí)行縱向動(dòng)力學(xué)扭矩分布。

所提出的估計(jì)器基于一個(gè)基于模糊系統(tǒng)的ANFIS，該系統(tǒng)使用源自神經(jīng)網(wǎng)絡(luò)理論的學(xué)習(xí)算法，通過處理數(shù)據(jù)樣本來確定其參數(shù)（模糊集和模糊規(guī)則）[33]。為此，使用了 Takagi-Sugeno 模型，因?yàn)樗挠?jì)算效率很高 [34]，并且已被證明適用于建模應(yīng)用。這種方法在利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力解決隸屬函數(shù)迭代調(diào)優(yōu)過程問題的同時(shí)，保持了將人類知識(shí)轉(zhuǎn)化為定量過程和規(guī)則的模糊邏輯能力。ANFIS 結(jié)構(gòu)的簡(jiǎn)化圖如圖 4 所示。

圖 4ANFIS 結(jié)構(gòu) [2]。

所提出的估計(jì)器使用可測(cè)量的變量來作，與參考書目中分析的變量相比，這是這項(xiàng)工作的主要貢獻(xiàn)之一。輸入數(shù)據(jù)由 10 個(gè)變量組成：轉(zhuǎn)向角;車輛重心 （CoG） 的 x、y 和 z 線性加速度和速度分量;以及與局部軸關(guān)聯(lián)的 3 個(gè)角速度。所有這些都可以使用市售傳感器輕松測(cè)量，例如慣性測(cè)量單元 （IMU）、全球定位系統(tǒng) （GPS） 和轉(zhuǎn)向角傳感器。輸出數(shù)據(jù)由所選輪胎的垂直力組成。為每個(gè)車輪設(shè)計(jì)的 ANFIS 結(jié)構(gòu)如圖 5 所示。

圖 5ANFIS 估算器結(jié)構(gòu)。

提出的 ANFIS 估計(jì)器由 4 層組成。在第一個(gè)函數(shù)中，為每個(gè)輸入開發(fā)了 7 個(gè)隸屬函數(shù)。這些隸屬函數(shù)是高斯類型的，因?yàn)樗鼈儽热切魏瘮?shù)提供更高的精度 [32， 35]。在第二個(gè)中，出現(xiàn)學(xué)習(xí)過程建立的規(guī)則。在第三層中，進(jìn)行比率計(jì)算和歸一化，最后在第四層添加所有信號(hào)。

由于輸入數(shù)量眾多，因此選擇用于生成模糊推理系統(tǒng)的方法是 Subclustering。選擇的訓(xùn)練方法是混合方法，它是最小二乘法和反向傳播梯度下降法的組合。表 5 中詳細(xì)介紹了此過程的參數(shù)。

用于訓(xùn)練和測(cè)試所提出的 ANFIS 結(jié)構(gòu)的數(shù)據(jù)是從一圈在紐博格林賽道上運(yùn)行的車輛的模擬中獲得的（模擬時(shí)間為 800 秒，采樣時(shí)間為 50 毫秒）。該仿真是從高保真車輛動(dòng)力學(xué)模擬器Dynacar [36]獲得的，其中，對(duì)于每個(gè)垂直輪胎力估計(jì)，已經(jīng)捕獲了上述10個(gè)變量。

2.4. 縱向扭矩分配算法

提出的縱向扭矩分配方法計(jì)算縱向扭矩分配百分比 τ_長(zhǎng)應(yīng)用于每個(gè)軸（前和后）的車輪，考慮車輪在每個(gè)軸 f 處產(chǎn)生的垂直法向力_車輪.這樣，如果 τ_長(zhǎng)= 0，則所有扭矩都將由后橋的車輪提供，如果 τ_長(zhǎng)= 1，所有扭矩都將由前橋的車輪提供。

這樣，該子系統(tǒng)允許向車輪具有更大抓地力的電機(jī)發(fā)送更大的扭矩命令。為此，提出了一種簡(jiǎn)單但有效的扭矩分配算法，該算法基于可以施加在車軸上的最大法向力（前一個(gè)已作為參考）。這邊(4)其中 f_車輪是車軸上每個(gè)車輪（左和右）的垂直力之和，由輪胎垂直力估計(jì)器給出，f_麥克斯是可在前軸上施加的最大法向力（考慮到整個(gè)質(zhì)量?jī)H在一個(gè)軸中驅(qū)動(dòng)）。對(duì)于所選的研究案例，此最終值為 20208 N。

2.5. 電機(jī)扭矩計(jì)算

該子系統(tǒng)計(jì)算要應(yīng)用于每個(gè)車輪的精確電機(jī)扭矩命令 τ_我J，基于駕駛員使用油門 τ 請(qǐng)求的扭矩和縱向 τ_長(zhǎng)和橫向 τ_緯度扭矩分配百分比：(5)3. 驗(yàn)證框架

本節(jié)解釋了所使用的驗(yàn)證方法，包括所選車輛、仿真環(huán)境以及建議的機(jī)動(dòng)和測(cè)試場(chǎng)景。

圖 6 顯示了已實(shí)現(xiàn)的控制概念的一般概述?？梢钥紤]三個(gè)主要模塊：首先，駕駛員命令，它由自動(dòng)駕駛算法生成，模擬標(biāo)準(zhǔn)駕駛員的行為，保證每次測(cè)試的性能不依賴于駕駛員;第二種是控制模塊，包括上一節(jié)中詳述的智能扭矩矢量方法，以及所有子系統(tǒng);最后是車輛模型，它使用 Dynacar 軟件 [36] 模擬車輛的高度非線性動(dòng)力學(xué)，并提供可測(cè)量變量的時(shí)間演變。

圖 6基于 Dynacar 的通用測(cè)試框架 [36， 37]。

3.1. Dynacar 高保真動(dòng)態(tài)模擬器

車輛模型是在Dynacar中實(shí)現(xiàn)的，這是一個(gè)由Tecnalia Research & Innovation開發(fā)的高保真車輛動(dòng)力學(xué)模擬平臺(tái)[36]。該車輛仿真軟件已通過多次賽道測(cè)試[37,38]進(jìn)行驗(yàn)證，可用于模型在環(huán)框架中，以測(cè)試不同汽車目標(biāo)控制系統(tǒng)的性能。

Dynacar 的功能之一是可以激活模擬標(biāo)準(zhǔn)駕駛員的自動(dòng)駕駛模式。這允許在分析開發(fā)的 ADAS 的結(jié)果時(shí)減少駕駛員能力的影響，從而允許更好的比較。

Dynacar 的車輛物理模型仿真引擎基于多體模型并集成在 C 代碼中 [39]。此 C 代碼也已在 Simulink 中實(shí)現(xiàn)。求解器以 1 ms 的采樣時(shí)間運(yùn)行。輪胎使用 Pacejka “魔術(shù)公式” 模型的實(shí)現(xiàn)進(jìn)行建模，該模型被大多數(shù)汽車制造商廣泛用作車輛模型模擬的行業(yè)標(biāo)準(zhǔn) [18]。

表 6 顯示了該車輛的主要特性，該車輛是 E 級(jí)車輛。

表 6. 車輛主要特征

3.2. 控制器實(shí)現(xiàn)

控制模塊在 Xilinx Zynq XC7Z020 SoC 中實(shí)現(xiàn)，其輸入和輸出連接到 Dynacar。這允許測(cè)試擬議的智能電視控制方法的實(shí)時(shí)性能，并且由于 Dynacar 的模型在環(huán)方法，不需要使用整車。

所選硬件由兩部分組成。第一個(gè)是 programmable logic 部分，它是一個(gè)完整的 FPGA。另一部分是處理系統(tǒng)，它由一個(gè)雙核 ARM CPU 和 800 MHz 時(shí)鐘頻率組成。此外，該板還具有多個(gè) I/O 外設(shè)，例如數(shù)字和模擬輸入/輸出端口以及通信總線。

ARM 內(nèi)核已用于實(shí)現(xiàn)上一節(jié)中提出的智能電視方法（圖 2）的不同子系統(tǒng)。為此，開發(fā)的方法首先在 Matlab Simulink 中實(shí)現(xiàn)，然后編譯為在 ARM 處理器中運(yùn)行的 C 代碼。

3.3.作和場(chǎng)景

Dynacar 的框架允許在不同的場(chǎng)景中模擬和測(cè)試開發(fā)的智能電視控制器，并使用一組不同的標(biāo)準(zhǔn)化作：防滑墊 [40]（圖 7）和雙變道作 [41]（圖 8）。

圖 7防滑墊試驗(yàn) [40]。圖 8雙變道試驗(yàn) [41]。

一方面，防滑墊測(cè)試的目的是測(cè)量汽車在進(jìn)行恒定半徑轉(zhuǎn)彎時(shí)在平坦表面上的轉(zhuǎn)彎能力。該測(cè)試是 FSAE 動(dòng)力學(xué)事件 [40] 之一，但由于它是為公式型車輛設(shè)計(jì)的，因此有必要將其應(yīng)用于乘用車。從這個(gè)意義上說，考慮到道路設(shè)計(jì)的規(guī)則，圓的直徑已經(jīng)被修改了[42]。這些規(guī)則規(guī)定，對(duì)于 40 公里/小時(shí)的限速，彎道的最小半徑必須為 60 米。然而，由于定義這個(gè)半徑是為了確保汽車在該速度下的穩(wěn)定性，因此在這項(xiàng)工作中，半徑已經(jīng)減小，以便將車輛發(fā)揮到極限，然后能夠評(píng)估開發(fā)的控制器的正確性能。因此，它已減少到 20 米，將測(cè)試轉(zhuǎn)變?yōu)?E 級(jí)車輛的具有挑戰(zhàn)性的場(chǎng)景。

另一方面，ISO 3888 規(guī)范 [41] 中詳細(xì)介紹了雙車道變換作（圖 8）。在此測(cè)試中，車輛以特定速度進(jìn)入賽道并松開油門。然后，駕駛員嘗試在不撞擊錐體的情況下通過賽道。測(cè)試速度逐漸提高，直到出現(xiàn)不穩(wěn)定或無法再成功協(xié)商路線。如此嚴(yán)酷的機(jī)動(dòng)有效地證明了車輛在兩個(gè)方向的摩擦極限下行駛時(shí)的轉(zhuǎn)彎能力，因此，許多汽車制造商和研究機(jī)構(gòu)認(rèn)為該測(cè)試是評(píng)估先進(jìn)車輛動(dòng)力學(xué)控制系統(tǒng)的合適機(jī)動(dòng)。這種作通常作為閉環(huán)駕駛測(cè)試進(jìn)行，用于根據(jù)專業(yè)駕駛員的主觀評(píng)估調(diào)整車輛的動(dòng)態(tài)。

4. 結(jié)果

在本節(jié)中，分析了在驗(yàn)證開發(fā)的智能電視控制方法期間獲得的結(jié)果。為此，首先用 Dynacar 和 [43] 中提出的解析估計(jì)器獲得的結(jié)果驗(yàn)證了所提出的 ANFIS 垂直力估計(jì)器，以證明其準(zhǔn)確性。然后，驗(yàn)證包括所有子系統(tǒng)的整體智能電視方法（圖 2），將其結(jié)果與更傳統(tǒng)的解決方案進(jìn)行比較。在智能電視算法的情況下，將其性能與基于 [6] 且縱向扭矩分布恒定的 PID 電視控制器進(jìn)行了比較，而 ANFIS 估計(jì)器的性能與 [43] 中提出的解析估計(jì)器進(jìn)行了比較。

4.1. 基于 ANFIS 的垂直輪胎力估計(jì)

為了測(cè)試該方法的有效性，將從所提出的估計(jì)器獲得的數(shù)據(jù)與 （a） Dynacar 的內(nèi)部高保真輪胎模型和 （b） [43] 中提出的基于模型的分析估計(jì)器進(jìn)行比較，其結(jié)果已在引用的工作中得到驗(yàn)證，但它需要來自難以測(cè)量的變量的數(shù)據(jù)。上述兩個(gè)作已用于驗(yàn)證力估計(jì)器。

圖 9 和圖 10 以及表 7 和表 8 顯示了每個(gè)作和每個(gè)車輪獲得的結(jié)果。它們表明，與解析方法相比，ANFIS 估計(jì)器能夠?qū)⒄`差降低 38% 到 79%（取決于車輪和作），并且能夠消除解析估計(jì)器由于瞬態(tài)條件而獲得的峰值。必須注意的是，解析模型獲得的誤差對(duì)應(yīng)于 [43] 中獲得的誤差。

圖 9Fz 估計(jì)，防滑墊。圖 10Fz 估計(jì)，雙車道變化。

此外，還分析了所提出的估計(jì)器的實(shí)時(shí)性能，需要 0.9 ms 才能運(yùn)行，這適用于汽車應(yīng)用。

4.2. 智能扭矩矢量系統(tǒng)

為了驗(yàn)證所提出的智能電視方法增強(qiáng)動(dòng)態(tài)處理的能力，首先，將分析與防滑墊測(cè)試相關(guān)的結(jié)果。

為了確定該方法的有效性，必須首先定義車輛的臨界速度。該臨界速度是允許車輛在沒有電視控制的情況下正確執(zhí)行防滑墊測(cè)試的最大速度。為此，沒有啟動(dòng)電視系統(tǒng)，并且進(jìn)行了防滑墊測(cè)試，在每次測(cè)試中提高速度，直到車輛無法遵循參考軌跡。這個(gè)臨界速度被實(shí)驗(yàn)定義為 47 公里/小時(shí)，理論橫向加速度為 0.86 g。

一旦檢測(cè)到這個(gè)臨界速度限制，就會(huì)執(zhí)行防滑板測(cè)試，激活擬議的智能電視方法和基于 PID 的電視方法。結(jié)果如圖 11 所示?？梢岳斫獾氖牵?dāng)沒有 TV 控制器處于活動(dòng)狀態(tài)時(shí)，由于轉(zhuǎn)向不足，車輛無法跟蹤所需的軌跡，但 TV 方法允許即使在臨界速度下執(zhí)行此測(cè)試。

圖 11防滑板軌跡。

圖 12 和圖 13 顯示了前輪的滑移比和滑移角，可以在沒有激活電視的情況下在臨界速度下的不良行為得到進(jìn)一步理解?？梢钥闯觯@些車輪無法將請(qǐng)求的力傳遞到道路上，并且它們會(huì)打滑，這可以通過 TV off 外殼中的高打滑比和角度值來檢測(cè)。此外，當(dāng)任一 TV 控制處于活動(dòng)狀態(tài)（模糊 TV 和 PID TV）時(shí)，滑移比和滑移角分別降低到 19% 和 23°，這意味著輪胎上的牽引力更高。這意味著防滑板測(cè)試的速度更高，如圖 14 所示。此外，即使在不失去穩(wěn)定性的情況下，還可以實(shí)現(xiàn)更高的橫向加速度和偏航角速率值，如圖 15 和 16 所示。

圖 12車輪滑移比。圖 13車輪滑動(dòng)角度。圖 14車速。圖 15車輛橫向加速度。圖 16偏航率跟蹤。

圖 16 說明了飛行器的偏航角速率演變?？梢钥闯觯岢龅闹悄?Torque Vectoring 方法提供了對(duì)參考的正確跟蹤，同時(shí)減少了過沖。這可以提高車輛的轉(zhuǎn)彎能力，降低轉(zhuǎn)向不足和過度轉(zhuǎn)向的風(fēng)險(xiǎn)。事實(shí)上，如前所述，在停用 TV 的情況下，偏航角速率參考與獲得的值之間的差異顯示了轉(zhuǎn)向不足的行為。

此外，如果進(jìn)行機(jī)械能耗分析，所提出的智能扭矩矢量方法不僅可以實(shí)現(xiàn)正確的偏航角速率跟蹤、提高轉(zhuǎn)彎能力和降低滑移比，還可以提高車輛的效率。效率結(jié)果如表 9 所示，其中將所提出的方法與基于 PID 的 TV 和 no TV 情況進(jìn)行了比較?？梢钥闯?，可以實(shí)現(xiàn) 10% 的增幅。

在分析了防滑墊的性能后，將研究雙變道場(chǎng)景。為了執(zhí)行此測(cè)試，選擇了 50 km/h 的初始速度，并對(duì)電機(jī)施加了恒定扭矩參考（2300 Nm 總扭矩）。這提供了大約 0.35 g 的縱向加速度，從而獲得近 90 公里/小時(shí)的最終速度，涵蓋了中速道路上乘用車最常見的速度范圍。

此方案的仿真結(jié)果如圖 17-20 所示。圖 17 顯示了每種情況下車輛所遵循的軌跡。從該圖中可以看出，當(dāng)建議的 TV 方法被激活時(shí)，軌跡更接近橫向雙車道變道機(jī)動(dòng)參考，這表明在如此具有挑戰(zhàn)性的機(jī)動(dòng)中車輛控性得到了改善。此外，圖 18 顯示，這種更好的跟蹤是通過較低的轉(zhuǎn)向角值實(shí)現(xiàn)的，這意味著滑移角減少了約 1.5°，如圖 19 所示。該值的最大降低是通過擬議的智能電視控制器實(shí)現(xiàn)的，它可以最大化傳遞到道路的力。最后，車輪扭矩如圖 20 所示，顯示了設(shè)計(jì)控制器的正確扭矩分布。

圖 17雙變道軌跡。圖 18轉(zhuǎn)向角。圖 19車輪滑動(dòng)角度。圖 20車輪扭矩。
5. 結(jié)論

開發(fā)實(shí)時(shí)、準(zhǔn)確、高效的 ADAS 是開發(fā)具有獨(dú)立輪轂電機(jī)的車輛的關(guān)鍵問題。在這項(xiàng)工作中，提出了一種新穎的智能扭矩矢量 （TV） 系統(tǒng)，該系統(tǒng)由神經(jīng)模糊垂直輪胎力估計(jì)器和模糊偏航力矩控制器組成。

所提出的方法考慮了橫向和縱向扭矩分布?？v向分布基于神經(jīng)模糊垂直輪胎力估計(jì)器，該估計(jì)器完全基于可測(cè)量的變量，與現(xiàn)有估計(jì)器相比，這是一個(gè)重要的貢獻(xiàn)。估計(jì)的力用于確定施加到后軸和前橋車輪的扭矩百分比，以實(shí)現(xiàn)最大的抓地力。

另一方面，橫向扭矩分配是使用模糊偏航力矩控制器實(shí)現(xiàn)的。該控制器允許橫向（左右車輪）分配扭矩，以最大限度地減少車輪打滑并提高轉(zhuǎn)彎能力。總扭矩分布是通過考慮兩種分布來計(jì)算的。

結(jié)果表明，智能扭矩矢量系統(tǒng)能夠在各種場(chǎng)景中增強(qiáng)車輛動(dòng)力學(xué)。一方面，它能夠提高規(guī)避機(jī)動(dòng)（例如雙車道變換）的穩(wěn)定性，使車輛能夠更好地遵循所需的軌跡，這是此類機(jī)動(dòng)中的關(guān)鍵安全問題。另一方面，在防滑墊測(cè)試中，車輪滑移率和滑移角顯著減少（分別減少 19% 和 23°），導(dǎo)致轉(zhuǎn)向不足行為減少。這使車輛能夠更好地匹配偏航角速率參考（誤差減少 33%），然后能夠遵循所需的軌跡，從而證明正確的扭矩分配提供了轉(zhuǎn)彎改進(jìn)。此外，所提出的智能電視算法對(duì)最先進(jìn)的更傳統(tǒng)方法進(jìn)行了改進(jìn)，提供了更高效的駕駛（機(jī)械能耗降低 10%）。

未來的工作將包括更復(fù)雜的設(shè)計(jì)，以便在智能扭矩矢量控制器中使用估計(jì)的輪胎垂直力，從而產(chǎn)生更復(fù)雜的控制器，以提高其性能。此外，將考慮在 SoC 的邏輯部分實(shí)現(xiàn) TV System，以縮短其周期時(shí)間。