分布式電驅(qū)動(dòng)車輛的ACC協(xié)同控制?

解來(lái)卿,羅禹貢,李升波,李克強(qiáng)

(1.清華大學(xué),汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100084； 2.中國(guó)人民解放軍陸軍研究院通用裝備研究所,北京 102202)

前言

集成智能汽車技術(shù)和新能源汽車技術(shù)的智能環(huán)境友好型車輛，是針對(duì)汽車安全、節(jié)能、環(huán)保和舒適的綜合需求提出的新概念車輛，它兼?zhèn)渲悄芑?、電?dòng)化和網(wǎng)聯(lián)化汽車特征，代表了新一代汽車發(fā)展的一個(gè)主要方向[1-2]。搭載了自適應(yīng)巡航控制(adaptive cruise control，ACC)系統(tǒng)的智能分布式電驅(qū)動(dòng)車輛正是這一技術(shù)概念的典型應(yīng)用。

近年來(lái)，針對(duì)電動(dòng)車的ACC系統(tǒng)研究受到越來(lái)越多的關(guān)注。文獻(xiàn)[3]中研究了插電式混合動(dòng)力電動(dòng)汽車的節(jié)能型ACC系統(tǒng)，采用非線性模型預(yù)測(cè)控制的方法，特定工況下節(jié)能最高可達(dá)15%。文獻(xiàn)[4]中提出了基于雷達(dá)、機(jī)器視覺信息的混合動(dòng)力系統(tǒng)分層預(yù)測(cè)控制方法，基于制定的最優(yōu)巡航軌跡，采用模型預(yù)測(cè)控制(model predictive control，MPC)，可降低能耗5%。文獻(xiàn)[5]中研究了自主電動(dòng)汽車的ACC優(yōu)化策略，采用基于動(dòng)態(tài)規(guī)劃的算法，兼顧了安全與節(jié)能。文獻(xiàn)[6]～文獻(xiàn)[8]中在對(duì)傳統(tǒng)車輛自適應(yīng)巡航控制方法大量研究的基礎(chǔ)上，對(duì)混合動(dòng)力車輛和電動(dòng)車輛的自適應(yīng)巡航控制方法進(jìn)行了研究，設(shè)計(jì)了安全、經(jīng)濟(jì)與舒適的多目標(biāo)優(yōu)化算法，并針對(duì)控制實(shí)時(shí)性問(wèn)題，提出了基于分步動(dòng)態(tài)規(guī)劃的離線優(yōu)化、在線查表的方法，實(shí)現(xiàn)了多目標(biāo)的協(xié)同優(yōu)化[9-10]。綜上所述，電動(dòng)車的ACC研究日益得到重視，而針對(duì)分布式電驅(qū)動(dòng)車輛的ACC研究相對(duì)較少。如何基于分布式電驅(qū)動(dòng)車輛的動(dòng)力響應(yīng)特性，實(shí)現(xiàn)安全與節(jié)能等多目標(biāo)的協(xié)同控制，并兼顧控制的最優(yōu)性和實(shí)時(shí)性，還有待進(jìn)一步探討。

為此，本文中以智能分布式電驅(qū)動(dòng)車輛(intelligent-distributed electric vehicle，i-DEV)為研究對(duì)象，在分析其結(jié)構(gòu)與特性的基礎(chǔ)上，提出一種基于MPC理論的ACC算法，并對(duì)其實(shí)時(shí)性進(jìn)行改進(jìn)。首先分析i-DEV系統(tǒng)結(jié)構(gòu)組成及其特點(diǎn)，并采用頻率響應(yīng)法辨識(shí)其縱向動(dòng)力學(xué)特性；接著建立跟車系統(tǒng)廣義縱向動(dòng)力學(xué)模型，設(shè)計(jì)綜合安全、節(jié)能和舒適的性能指標(biāo)，采用模型預(yù)測(cè)控制算法，解決多目標(biāo)協(xié)同優(yōu)化問(wèn)題；隨后采用縮減優(yōu)化問(wèn)題規(guī)模的方法，縮短單步求解的計(jì)算時(shí)間，提升在線優(yōu)化運(yùn)算效率，解決控制實(shí)時(shí)性問(wèn)題；最后搭建基于CarSim與Simulink的聯(lián)合仿真平臺(tái)，分別采用計(jì)算機(jī)仿真和硬件在環(huán)試驗(yàn)，驗(yàn)證了系統(tǒng)性能和控制的實(shí)時(shí)性。

1 i-DEV結(jié)構(gòu)與特性分析

1.1 i-DEV系統(tǒng)結(jié)構(gòu)組成

i-DEV系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖如圖1所示，它包含有智能信息交互、清潔能源動(dòng)力與四輪獨(dú)立驅(qū)動(dòng)電控底盤3大系統(tǒng)。其中，智能信息交互系統(tǒng)包含雷達(dá)、攝像頭、通信設(shè)備、衛(wèi)星定位導(dǎo)航設(shè)備和車輛狀態(tài)傳感器等，清潔能源動(dòng)力主要包括電池組和輪轂電機(jī)。與傳統(tǒng)集中驅(qū)動(dòng)車輛相比，分布式驅(qū)動(dòng)車輛采用輪轂電機(jī)直接驅(qū)動(dòng)車輛，省去了變速器、傳動(dòng)軸和差速器等機(jī)械部件，減小了整備質(zhì)量，提高了傳動(dòng)效率。輪轂電機(jī)既是執(zhí)行器又是信息單元，4個(gè)車輪的轉(zhuǎn)矩可通過(guò)監(jiān)測(cè)電壓或電流等參數(shù)實(shí)時(shí)獲取，能夠?yàn)橄冗M(jìn)的動(dòng)力學(xué)控制反饋系統(tǒng)提供精確的信息，是多執(zhí)行器協(xié)調(diào)控制的基礎(chǔ)。4個(gè)車輪的驅(qū)動(dòng)和制動(dòng)轉(zhuǎn)矩獨(dú)立可控，可在不影響縱向性能的條件下通過(guò)分配四輪縱向力產(chǎn)生期望橫擺力矩，在執(zhí)行器層面保證了協(xié)調(diào)控制的靈活性。在進(jìn)行驅(qū)動(dòng)/制動(dòng)控制切換時(shí)，將機(jī)械沖擊轉(zhuǎn)化為電磁沖擊，提高系統(tǒng)壽命。另外，4個(gè)輪轂電機(jī)構(gòu)成動(dòng)力系統(tǒng)冗余配置，執(zhí)行器故障時(shí)，通過(guò)重新分配非故障電機(jī)的轉(zhuǎn)矩，可實(shí)現(xiàn)容錯(cuò)控制，提高了系統(tǒng)的可靠性[11]。

圖1 智能分布式電驅(qū)動(dòng)車輛結(jié)構(gòu)簡(jiǎn)圖

1.2 i-DEV縱向動(dòng)力學(xué)特性

為分析車輛縱向動(dòng)力學(xué)特性，建立車輛縱向動(dòng)力學(xué)仿真系統(tǒng)。首先在Carsim平臺(tái)上按照車輛的結(jié)構(gòu)參數(shù)建立模型，對(duì)于無(wú)法在Carsim中定義的電機(jī)等部件在Simulink中建模，通過(guò)Carsim與Simulink聯(lián)合仿真實(shí)現(xiàn)電機(jī)與整車模型的連接，如圖2所示。圖中，afdes為車輛的期望加速度，Tfdes為電機(jī)期望轉(zhuǎn)矩，Tf為電機(jī)實(shí)際轉(zhuǎn)矩，vf和af分別為車輛實(shí)際速度和加速度。

圖2 車輛縱向動(dòng)力學(xué)仿真系統(tǒng)

采用頻率響應(yīng)法辨識(shí)其輸入輸出特性，得到傳遞函數(shù)為

式中：af為車輛的實(shí)際加速度；afdes為車輛的期望加速度；Kg為系統(tǒng)增益，Kg＝1.05；Tg為系統(tǒng)延遲，Tg＝0.07s，系統(tǒng)延遲比傳統(tǒng)車輛小。

由此可見，智能分布式電驅(qū)動(dòng)車輛由于取消了變速器、差速器等傳動(dòng)系，加之電機(jī)自身高動(dòng)態(tài)響應(yīng)特性，控制實(shí)時(shí)性較好；而這對(duì)其ACC算法的實(shí)時(shí)性也提出了更高的要求。

2 基于MPC的ACC控制算法設(shè)計(jì)

2.1 設(shè)計(jì)目標(biāo)與系統(tǒng)結(jié)構(gòu)

ACC算法的設(shè)計(jì)目標(biāo)是安全、節(jié)能和舒適。節(jié)能和舒適性目標(biāo)要求車輛加速度及其變化率都盡可能低，而安全性目標(biāo)則期望車輛加速度能及時(shí)響應(yīng)前車工況的變化[11]。為解決多目標(biāo)之間的矛盾，選用具有多目標(biāo)協(xié)調(diào)優(yōu)化、可在線處理約束等優(yōu)點(diǎn)的MPC理論來(lái)設(shè)計(jì)控制器。MPC的機(jī)理可以描述為：在每一采樣時(shí)刻，根據(jù)獲得的當(dāng)前測(cè)量信息，在線求解一個(gè)有限時(shí)域開環(huán)優(yōu)化問(wèn)題，并將得到的控制序列的第一個(gè)元素作用于被控對(duì)象，在下一個(gè)采樣時(shí)刻，重復(fù)上述過(guò)程，即用新的測(cè)量值刷新優(yōu)化問(wèn)題并重新求解。

基于MPC的ACC系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 基于MPC的ACC系統(tǒng)結(jié)構(gòu)

圖中，k為當(dāng)前采樣時(shí)刻，i為預(yù)測(cè)時(shí)間增量。系統(tǒng)廣義縱向動(dòng)力學(xué)模型輸出系統(tǒng)當(dāng)前狀態(tài)y(k)；基于預(yù)測(cè)模型，輸出未來(lái)時(shí)刻狀態(tài)y(k+i｜k)和控制量u(k+i｜k)，設(shè)計(jì)綜合安全性、經(jīng)濟(jì)性、舒適性指標(biāo)的代價(jià)函數(shù)J和約束條件，求解預(yù)測(cè)時(shí)域內(nèi)開環(huán)優(yōu)化問(wèn)題，將所求控制序列的第一個(gè)元素作為控制量輸入車輛動(dòng)力學(xué)模型，在下一個(gè)采樣時(shí)刻，重復(fù)上述過(guò)程。

2.2 系統(tǒng)廣義縱向動(dòng)力學(xué)建模

跟車系統(tǒng)廣義縱向動(dòng)力學(xué)模型耦合了車輛動(dòng)力學(xué)與車間運(yùn)動(dòng)學(xué)關(guān)系，將車間運(yùn)動(dòng)學(xué)模型與車輛縱向動(dòng)力學(xué)模型集成，即可建立統(tǒng)一的跟車系統(tǒng)廣義縱向動(dòng)力學(xué)模型。

車間運(yùn)動(dòng)學(xué)關(guān)系為

式中：dr和vr分別為兩車的相對(duì)距離和相對(duì)車速；sp和vp分別為前車的位移和速度；sf和vf分別為后車的位移和速度。

綜合式(1)和式(2)，可得

式中：ap和af分別為兩車加速度；T為采樣步長(zhǎng)。

取系統(tǒng)狀態(tài)變量 x＝[dr，vr，af]T，控制變量 u＝afdes，建立廣義縱向動(dòng)力學(xué)模型：

式中：A0，B0和 G0為系數(shù)矩陣；η＝ap為輸入干擾量。

進(jìn)一步，將式(4)離散化，可得離散化的系統(tǒng)狀態(tài)空間方程為

其中：A＝I+T·A0；B＝T·B0；G＝T·G0

式中：A，B和G為離散狀態(tài)方程的系數(shù)矩陣；η(k)為當(dāng)前時(shí)刻的輸入干擾量。

假定忽略輸出干擾，則系統(tǒng)輸出為

式中C為輸出系數(shù)矩陣。

2.3 性能指標(biāo)的代價(jià)函數(shù)與約束條件設(shè)計(jì)

如前所述，ACC算法的設(shè)計(jì)目標(biāo)是安全、節(jié)能和舒適。實(shí)際跟車過(guò)程中，駕駛員僅響應(yīng)較大的跟蹤誤差，因此采用2范數(shù)來(lái)量化各指標(biāo)。安全性指標(biāo)采用車輛間相對(duì)距離誤差和速度誤差。設(shè)wd和wv分別為距離與速度誤差的權(quán)重系數(shù)，則安全性指標(biāo)為

式中：ddes為期望的安全距離，ddes＝τ·vf+d0，τ為安全時(shí)距，d0為停車距離。

電動(dòng)車能耗隨加速度增大而增大[6]，因此采用加速度量化電動(dòng)車節(jié)能指標(biāo)。由于ACC系統(tǒng)中自車實(shí)際加速度依賴于期望加速度，因此設(shè)計(jì)節(jié)能指標(biāo)為

舒適性依賴于駕駛員的感受，通常既要符合駕駛員期望車距，也要滿足縱向加速度在駕駛員容許范圍內(nèi)，采用對(duì)加速度和狀態(tài)變量設(shè)計(jì)約束條件的方法：

式中xmin和xmax分別為各參數(shù)的最小值和最大值。

綜合指標(biāo)采用線性加權(quán)的方法，對(duì)各量化的指標(biāo)求和，得代價(jià)函數(shù)：

式中：wx2為二次項(xiàng)權(quán)重系數(shù)；wx1為一次項(xiàng)權(quán)重系數(shù)；c為常數(shù)。

2.4 系統(tǒng)預(yù)測(cè)問(wèn)題的優(yōu)化求解

首先，建立跟車運(yùn)動(dòng)的預(yù)測(cè)模型，假定當(dāng)前時(shí)刻為k，預(yù)測(cè)時(shí)間增量為i，則有

不失一般性，設(shè)預(yù)測(cè)時(shí)域長(zhǎng)度為P，則

其中：

其次，將預(yù)測(cè)時(shí)域內(nèi)的代價(jià)函數(shù)線性加權(quán)，轉(zhuǎn)化為預(yù)測(cè)型，得到

其中：

最后，將式(12)代入式(13)，建立預(yù)測(cè)優(yōu)化問(wèn)題的二次規(guī)劃型，并選用有效集法求解。

其中：φ＝2(BPT·WX2·BP+R)

式中Cfinal為常數(shù)。

3 控制算法實(shí)時(shí)性的提升

模型預(yù)測(cè)控制中，預(yù)測(cè)時(shí)域長(zhǎng)度的設(shè)置與MPC計(jì)算效率和控制最優(yōu)性相關(guān)。分布式電動(dòng)車輛動(dòng)態(tài)響應(yīng)較快，仿真步長(zhǎng)設(shè)置較短，為獲得更接近整個(gè)時(shí)間域的全局最優(yōu)，須增加預(yù)測(cè)時(shí)域長(zhǎng)度。根據(jù)式(12)～式(14)可知，預(yù)測(cè)時(shí)域長(zhǎng)度P越大，矩陣規(guī)模越大，優(yōu)化求解時(shí)的計(jì)算復(fù)雜度也越大，控制實(shí)時(shí)性難以保證。為兼顧控制的最優(yōu)性和實(shí)時(shí)性，須縮減優(yōu)化問(wèn)題規(guī)模。

優(yōu)化問(wèn)題規(guī)?？s減法包括變量集結(jié)策略和約束集壓縮策略。前者用于減少待優(yōu)化變量的維數(shù)，后者用于減少約束集合的維數(shù)。

3.1 變量集結(jié)策略

模型預(yù)測(cè)控制過(guò)程中，只有預(yù)測(cè)時(shí)域開環(huán)最優(yōu)序列的首元素作用于被控對(duì)象，因此，滾動(dòng)時(shí)域優(yōu)化求解中，只須保證待優(yōu)化變量的首元素最優(yōu)，不求解或少求解其他待優(yōu)化變量是可行的。這是變量集結(jié)策略的基本思路。在本文中的跟車運(yùn)動(dòng)預(yù)測(cè)優(yōu)化中，假設(shè)預(yù)測(cè)時(shí)域長(zhǎng)度為P，期望壓縮至Q維，則定義一集結(jié)變換：

式中：U∈RP為預(yù)測(cè)控制量；Z∈RQ為集結(jié)變量；MT為集結(jié)矩陣。MT維數(shù)為P×Q，列滿秩且矩陣結(jié)構(gòu)滿足：

式中：Mj為 qj×1維矩陣，稱為第j段列矩陣，＝[I … I]；qj為各段的長(zhǎng)度，滿足

由式(16)可知，變量Z的首元素與U首元素相同，利用所求得的Z?首元素代替U?首元素進(jìn)行反饋，同樣可獲得最優(yōu)控制輸入量。從控制過(guò)程看，集結(jié)變換前后的最優(yōu)開環(huán)序列是階梯近似的關(guān)系，近似程度取決于各段長(zhǎng)度qj，它越小近似程度越高，集結(jié)維數(shù)Q也越大，根據(jù)實(shí)際需要合理選擇qj值，能夠兼顧控制最優(yōu)性和實(shí)時(shí)性。

采用套袋法，貯藏前稱取肉樣的質(zhì)量為M1，用細(xì)線吊起，外面加套一個(gè)食品級(jí)保鮮袋并封好袋口，肉樣不得與保鮮袋內(nèi)壁接觸，于貯藏條件下懸掛24h后，用濾紙吸取肉樣表面的水分后，稱重肉樣的質(zhì)量為M2，按照以下公式計(jì)算貯藏過(guò)程中的汁液損失率，每個(gè)處理測(cè)定3個(gè)平行樣品。

3.2 約束集壓縮策略

模型預(yù)測(cè)控制過(guò)程中，靜態(tài)優(yōu)化問(wèn)題的約束集合也只有首約束對(duì)被控對(duì)象起限制作用。僅選擇部分預(yù)測(cè)點(diǎn)的控制輸入和系統(tǒng)輸出進(jìn)行約束，令其他預(yù)測(cè)點(diǎn)自由，則可縮減約束集的維數(shù)，降低靜態(tài)優(yōu)化問(wèn)題的規(guī)模，這是約束集壓縮策略的基本思路[12]。在本文中的跟車運(yùn)動(dòng)預(yù)測(cè)優(yōu)化中，假設(shè)預(yù)測(cè)時(shí)域長(zhǎng)度為P，期望壓縮至Ω維，采用分段選點(diǎn)的方法，構(gòu)造壓縮矩陣：

式中：MUj為1×ωj維矩陣，稱為第j段行矩陣，＝[I，0， …， 0]，ωj為各段的長(zhǎng)度，滿足

壓縮矩陣MU中，第j段行矩陣的第一個(gè)元素為單位矩陣，其他元素為零。說(shuō)明經(jīng)該矩陣映射后，壓縮集合第j段的第一個(gè)不等式保持原樣，其他不等式均變?yōu)榱悴坏仁?，相?dāng)于無(wú)約束。當(dāng)然，無(wú)約束后可能會(huì)影響U首元素求解的最優(yōu)性，解決該問(wèn)題的措施就是減小各段的長(zhǎng)度ωj，與變量集結(jié)策略類似，合理選擇 ωj的大小，能夠兼顧控制最優(yōu)性和實(shí)時(shí)性。

4 系統(tǒng)性能驗(yàn)證

4.1 基于CarSim/Simulink聯(lián)合仿真試驗(yàn)

搭建基于CarSim/Simulink的聯(lián)合仿真平臺(tái)見圖4。車輛主要參數(shù)見表1，電機(jī)功率分布見圖5。

圖4 Simulink/CarSim聯(lián)合仿真平臺(tái)框架

對(duì)比算法選用工程中常用的經(jīng)典PID算法，以距離誤差為反饋輸入，通過(guò)調(diào)整PID參數(shù)，獲得較好的性能。前車工況采用ISUZU ACC城市循環(huán)工況，由于原ISUZU城市循環(huán)工況包含車速為0的車輛起停過(guò)程，而一般ACC要求車速在20km/h以上，基于原循環(huán)工況特征，將最低車速提高，重新設(shè)計(jì)城市循環(huán)工況，如圖6所示。

表1 車輛主要參數(shù)

圖5 電機(jī)功率分布圖

圖6 前車工況

初始時(shí)刻自車車速為18km/h，兩車相對(duì)距離18m，以最大距離誤差Δd、最大速度誤差Δv和總能耗E為指標(biāo)，MPC算法采用平均分段壓縮優(yōu)化變量和約束集的規(guī)?？s減策略，取縮減維數(shù)Q＝Ω，預(yù)測(cè)時(shí)域P＝200。取不同的Q，縮減前后的對(duì)比結(jié)果見表2。

表2 規(guī)?？s減前后的對(duì)比結(jié)果

由表2可以看出，單步運(yùn)算耗時(shí)跟縮減維數(shù)Q密切相關(guān)，但Q＜20時(shí)，控制性能下降較多，而運(yùn)算效率提高并不明顯。因此，合理選擇Q能使規(guī)?？s減后的MPC運(yùn)算效率提高，控制最優(yōu)性幾乎不受影響。根據(jù)實(shí)時(shí)性要求，并兼顧控制最優(yōu)性，選擇Q＝20為最終的縮減維數(shù)。

MPC控制器與PID控制器對(duì)比結(jié)果見圖7和表3。

表3 MPC與PID的仿真結(jié)果對(duì)比

由圖7和表3可見：PID控制器由于采用了距離誤差為反饋輸入，跟車距離誤差較小。MPC控制器因在滾動(dòng)優(yōu)化求解時(shí)協(xié)同優(yōu)化了加速度的大小，加速時(shí)功率相對(duì)較小，因此在保持安全距離的同時(shí)，能耗更小。

仿真結(jié)果表明：相對(duì)于PID控制器，MPC控制器因設(shè)計(jì)控制目標(biāo)時(shí)考慮了節(jié)能指標(biāo)，故在保證安全跟車的同時(shí)，表現(xiàn)出更加節(jié)能，整個(gè)工況下節(jié)能3.2%。

4.2 基于駕駛模擬器的硬件在環(huán)試驗(yàn)

在仿真驗(yàn)證基礎(chǔ)上，采用動(dòng)態(tài)模擬駕駛器作為試驗(yàn)平臺(tái)，如圖8所示。以動(dòng)態(tài)駕駛艙模擬實(shí)際車輛，以場(chǎng)景模擬系統(tǒng)模擬真實(shí)道路行駛環(huán)境，以Car-Sim/Simulink作為動(dòng)力學(xué)控制平臺(tái)，驗(yàn)證控制效果。

圖7 仿真試驗(yàn)對(duì)比結(jié)果

圖8 動(dòng)態(tài)模擬駕駛試驗(yàn)臺(tái)

前車工況與仿真時(shí)所采用的工況一致，初始時(shí)刻自車車速為18km/h，兩車相對(duì)距離18m。MPC控制器與PID控制器試驗(yàn)對(duì)比結(jié)果見圖9和表4。

圖9 硬件在環(huán)試驗(yàn)結(jié)果對(duì)比

由圖9和表4可見：MPC控制器和PID控制器均能使跟車的距離誤差和速度誤差保持在較小范圍內(nèi)，其中MPC控制器的能耗較小。兩者相比，在整個(gè)循環(huán)工況下，MPC控制器節(jié)能2.7%。

表4 MPC與PID的試驗(yàn)結(jié)果對(duì)比

試驗(yàn)結(jié)果同樣表明，所設(shè)計(jì)的控制器能通過(guò)優(yōu)化加速度的變化，達(dá)到節(jié)能效果，同時(shí)保證了安全跟車，實(shí)現(xiàn)整車安全與節(jié)能的協(xié)同優(yōu)化。

5 結(jié)論

基于智能分布式電驅(qū)動(dòng)車輛縱向動(dòng)力學(xué)特性分析與辨識(shí)，采用模型預(yù)測(cè)控制的方法，設(shè)計(jì)了一種能兼顧安全和節(jié)能等多目標(biāo)的車輛自適應(yīng)巡航控制算法。針對(duì)控制實(shí)時(shí)性的需要，采用縮減優(yōu)化問(wèn)題規(guī)模的方法對(duì)算法進(jìn)行了改進(jìn)。設(shè)計(jì)對(duì)比控制器，分別采用聯(lián)合仿真和硬件在環(huán)試驗(yàn)，驗(yàn)證了系統(tǒng)性能，得出如下結(jié)論。

(1)基于MPC理論設(shè)計(jì)的分布式電動(dòng)車ACC算法，能在保證安全跟車的前提下，通過(guò)優(yōu)化加速度的變化，達(dá)到節(jié)能效果。仿真和試驗(yàn)結(jié)果均表明，算法實(shí)現(xiàn)了分布式電驅(qū)動(dòng)車輛安全和節(jié)能的協(xié)同優(yōu)化。

(2)基于規(guī)?？s減法的MPC快速算法，能通過(guò)壓縮矩陣規(guī)?？s短優(yōu)化問(wèn)題單步計(jì)算時(shí)間，提升計(jì)算效率，在兼顧最優(yōu)性的同時(shí)，保證了控制的實(shí)時(shí)性。