基于視覺識別的線控制動壓力滑模控制*

邱明明，曹龍凱，黃 康，張義雷，劉 浩

（1.合肥工業(yè)大學機械工程學院，合肥 230009；2.汽車技術(shù)與裝備國家地方聯(lián)合工程研究中心，合肥 230009）

前言

隨著汽車智能化、網(wǎng)聯(lián)化和自動駕駛技術(shù)的不斷發(fā)展，對車輛安全性提出了更高的要求，制動系統(tǒng)的性能是衡量車輛安全性的重要指標［1］，受到汽車行業(yè)的廣泛重視。線控制動系統(tǒng)作為先進的控制執(zhí)行器，是制動系統(tǒng)的發(fā)展趨勢。制動決策和執(zhí)行器控制是線控制動系統(tǒng)關(guān)鍵技術(shù)，影響著制動效果。然而制動決策和執(zhí)行器控制分別受路面條件和控制器的控制精度影響，是制動系統(tǒng)的技術(shù)難題。針對以上兩個方面的問題，國內(nèi)外學者已做了大量研究，并取得了有價值的研究成果。

在制動決策方面，主要分為兩大類，一類是采用定滑移率進行制動，并將路面分為高、低附著路面［2］，如文獻［3］中提出一種改進線性二次型最優(yōu)控制算法，使車輛在不同路面行駛工況下獲得良好的滑移率控制效果；文獻［4］中設(shè)計了一套電磁-液壓復(fù)合制動系統(tǒng)，通過滑?？刂扑惴▽囕喼苿恿M行實時控制，提高了響應(yīng)速度和滑移率的控制精度；文獻［5］中提出了一種面向整車電子機械制動系統(tǒng)的滑模控制方法，并通過CarSim 與Simulink 進行制動防抱死聯(lián)合仿真，驗證了該控制方法的有效性和制動性能的優(yōu)越性。另一類是采用變滑移率進行制動，對路面類型進行辨識，獲取當前路面條件下的最佳滑移率，如文獻［6］中提出一種基于道路特征值的路面識別方法，設(shè)計了6 種典型路面特征值區(qū)間，識別精度高，實時性好；文獻［7］中在Burckhardt 模型的基礎(chǔ)上，提出一種基于類比特性的路面峰值系數(shù)辨識算法，準確性好，適用路面范圍廣；文獻［8］中采用帶工況參數(shù)的徑向基（RBF）神經(jīng)網(wǎng)絡(luò)來逼近Burckhardt模型中的非線性參數(shù)，用混合參數(shù)優(yōu)化方法辨識RBF 網(wǎng)絡(luò)工況參數(shù)，進而辨識路面類型。綜上所述，第1 類方法采用定滑移率進行制動，并未考慮路面類型對最佳滑移率的影響，因此制動系統(tǒng)的路面自適應(yīng)性差；第2 類方法采用變滑移率進行制動，這類方法雖然對路面類型進行了辨識，但大多根據(jù)系統(tǒng)的狀態(tài)參數(shù)進行辨識，受狀態(tài)參數(shù)不確定性影響大，影響辨識精度。因此，本文中提出一種基于計算機視覺的方法來直接對路面類型進行識別，獲取當前路面的最佳滑移率。

在執(zhí)行器控制方面，已有很多學者開展了大量研究，主要有PID控制、滑?？刂坪妥赃m應(yīng)控制等［9］，如文獻［10］中以集成式電液制動系統(tǒng)作為研究對象，設(shè)計了基于PID 控制的位置—壓力串級控制器，提高了I-EHB 系統(tǒng)的制動安全性和舒適性；文獻［11］中針對電液制動系統(tǒng)，設(shè)計了具有目標壓力跟蹤和強魯棒性的滑?？刂破鱽硖岣呦到y(tǒng)的制動性能和可靠性；文獻［12］中提出了一種針對混合線控制動系統(tǒng)的制動力精確調(diào)節(jié)PI 控制算法，實現(xiàn)前后車輪制動力的精確調(diào)節(jié)。

本文中以一種液壓調(diào)控的線控制動系統(tǒng)為基礎(chǔ)進行建模，考慮制動時電機參數(shù)和車速誤差等不確定性因素，在此基礎(chǔ)上提出一種雙層結(jié)構(gòu)的制動控制器，上層基于深度學習理論對路面類型進行辨識，進而得到不同路面條件下的最佳滑移率；下層采用滑?？刂评碚搶ψ罴鸦坡蔬M行跟蹤控制，以獲取當前路面條件下的最佳控制輸入，最后通過仿真和硬件在環(huán)實驗對控制器的控制效果和制動力進行驗證。

1 液壓調(diào)控的線控制動系統(tǒng)建模

1.1 制動器建模

制動系統(tǒng)簡圖如圖1所示。

圖1 制動系統(tǒng)簡圖

系統(tǒng)工作時通過控制電機動作，經(jīng)絲杠螺母推動活塞桿運動，產(chǎn)生液壓制動力，進而實現(xiàn)制動全過程。在制動過程中分為消隙和堵轉(zhuǎn)兩個階段，由于消隙時間很短，故只考慮接觸后的電機堵轉(zhuǎn)狀態(tài)，則電機模型［13］為

式中：u 為PWM 占空比；Ua為電壓；La為電樞電感；ia為電樞電流；Ra為電樞電阻；Ke為反電動勢系數(shù)；ωm為轉(zhuǎn)子角速度；Jm為轉(zhuǎn)子等效轉(zhuǎn)動慣量；ω?m為轉(zhuǎn)子角加速度；KT為轉(zhuǎn)矩系數(shù)；TL為負載轉(zhuǎn)矩。

電機進入堵轉(zhuǎn)狀態(tài)，ωm=0，ω?m=0，則轉(zhuǎn)矩和電流的關(guān)系為

則作用在制動盤上的力矩為

式中：μr為制動盤表面摩擦因數(shù)；r 為制動盤有效半徑；Fb為制動力；ηs為絲杠傳遞效率；ph為絲桿導程；A1為液壓主缸截面積；A2為制動缸截面積。

1.2 1/4車輛模型

為簡化模型，不考慮制動強度對前后輪胎法向作用力的影響，即4 個車輪的法向受力是相等的。受力分析如圖2所示［14］。

圖2 制動時車輪受力分析

1/4車輛動力學方程為

式中：m 為車輛質(zhì)量；v 為車速；Ff為路面對車輪的摩擦力；μs為輪胎與路面之間的摩擦因數(shù)；FH為路面對車輪的反向作用力；g為重力加速度。

車輪動力學方程為

式中：Jc為車輪轉(zhuǎn)動慣量；ω 為車輪角速度；R 為車輪半徑。

滑移率是指在車輪運動中滑動成分所占的比例，用λ表示：

1.3 輪胎模型

本文選用Burckhardt 輪胎模型［15］，則輪胎縱向附著系數(shù)為

式 中c1、c2、c3是 與 路 面 條 件 有 關(guān) 的 參 數(shù)，取 值見表1。

圖3 為滑移率和附著系數(shù)的關(guān)系圖。由圖可知，不同路面條件下最佳滑移率并不相同，峰值附著系數(shù)也不同，本文中通過計算機視覺確定路面類型后，利用Burckhardt 模型對最佳滑移率進行求解。因為該模型可很好地體現(xiàn)縱向附著系數(shù)和滑移率之間的關(guān)系，且擬合精度高［16］，只要識別了路面類型就可得到該路面下的最佳滑移率：

表1 不同路面下Burckhardt模型參數(shù)

圖3 滑移率和附著系數(shù)關(guān)系

1.4 基于深度學習的路面類型識別

針對目前路面類型的辨識算法存在數(shù)據(jù)計算量大，易受參數(shù)不確定性影響等問題，本文結(jié)合深度學習在圖像處理方面的優(yōu)勢，設(shè)計了一種基于深度學習的路面類型識別模型，通過視覺對路面類型進行直接識別，精度高、實時性好。識別模型框架如圖4所示。

圖4 路面識別過程

其中路面類型標識定義如表2所示。

表2 路面類型標識

將MatConvNet 工具箱作為卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具，建立路面識別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖5所示。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)算法的輸入為路面圖片。

卷積層對路面圖片進行特征提取，輸出的特征圖被傳遞至池化層進行特征選擇和信息過濾。全連接層對提取的特征進行非線性組合以得到輸出，完成學習目標。

輸出層利用Softmax 回歸分類器將路面類型分類結(jié)果輸出。

路面類型識別的步驟如下：

（1）收集6 種路面類型圖片各150 張，共900 張圖片，作為深度學習的訓練庫，然后對路面圖片進行編號；

（2）選取6 種路面類型圖片各20 張，共120 張圖片，作為測試庫，用來測試訓練精度，這部分圖片與訓練庫中圖片不同，同樣也須編號；

（3）新建標識定義文本、訓練標簽文本和測試標簽文本，分別用來定義路面類型、將訓練庫中6 種路面類型圖片與定義標識對應(yīng)和對路面類型圖片做編號排序；

（4）在MATLAB 中新建主函數(shù)、起始函數(shù)、訓練函數(shù)、預(yù)處理函數(shù)，其中主函數(shù)可以調(diào)用其他函數(shù)；

（5）在 MATLAB 中 通 過 C++ 編 譯 運 行MatConvNet 工具箱，在訓練函數(shù)中設(shè)定訓練迭代次數(shù)，運行訓練主函數(shù)，開始訓練，當?shù)螖?shù)達到設(shè)定值時，自動結(jié)束訓練，并生成訓練結(jié)果模型，迭代次數(shù)越多，則訓練結(jié)果模型的識別精度越高；

（6）運行路面類型測試函數(shù)，對訓練結(jié)果模型的識別精度進行測試；

（7）最后，將訓練結(jié)果模型放入識別模塊用于實時識別路面類型，從而實現(xiàn)深度學習在路面類型識別中的應(yīng)用。

訓練過程如圖6所示，其中objective為所有樣本的誤差，top1err 為模型輸出1 個預(yù)測結(jié)果的錯誤率，top5err 為模型輸出5 個預(yù)測結(jié)果的錯誤率，可知隨著迭代次數(shù)（epoch）增加，誤差和錯誤率在逐漸變小。

圖6 訓練過程

經(jīng)測試，模型的識別精度為96.7%，測試結(jié)果如圖7 所示，圖片上方括號內(nèi)數(shù)字為識別后輸出的路面類型標識。

2 滑移率跟蹤控制器設(shè)計

滑?？刂疲⊿MC）本質(zhì)上是一種特殊的非線性控制［17］，具有快速響應(yīng)、對應(yīng)參數(shù)變化和擾動不靈敏、無需系統(tǒng)在線辨識、魯棒性好等優(yōu)點，與傳統(tǒng)控制方法的區(qū)別表現(xiàn)為控制的不連續(xù)性?；坡实母櫩刂剖苘囁俸椭苿酉到y(tǒng)模型參數(shù)等不確定性因素的影響，對控制器的魯棒性要求較高，結(jié)合滑?？刂频膬?yōu)點，選用滑?？刂评碚搶坡矢櫩刂破鬟M行設(shè)計。

為使系統(tǒng)狀態(tài)能快速趨近于滑動模態(tài)并削弱抖振的影響，選用指數(shù)趨近律［18］。

對λ求導得

圖7 路面識別結(jié)果

聯(lián)立（3）、式（6）、式（8）和式（12）可得：

式中電流ia為控制輸入，用u（t）表示。

在制動時，電機處于堵轉(zhuǎn)狀態(tài)，此時輸出的堵轉(zhuǎn)力矩與轉(zhuǎn)子和定子間的位置有關(guān)，因此轉(zhuǎn)矩系數(shù)KT存在不確定性；另外，車速無法精確獲取，故針對以上不確定性引入綜合干擾項d（t），則有

設(shè)定切換函數(shù)

式中：λ*為理想滑移率，且隨著路面類型的變化而變化。則

(1) 本文通過單軸拉伸測試得到了0Cr18Ni9不銹鋼材料的應(yīng)力-應(yīng)變關(guān)系，該關(guān)系符合Ramberg-Osgood彈塑性本構(gòu)模型，利用全局優(yōu)化算法反演得到其彈塑性本構(gòu)參數(shù)：彈性模量和泊松比分別為203GPa和0.3，硬化指數(shù)和硬化系數(shù)分別為4.2和2.96。

將式（14）代入式（16）得

采用指數(shù)趨近律，有

聯(lián)立式（14）、式（18）得控制律為

由于干擾未知，上述控制律無法實現(xiàn)。為解決此問題，采用干擾的界來設(shè)計控制律。則

式中de為與干擾d的界相關(guān)的正實數(shù)。

將式（20）代入式（17）得

為滿足滑模到達條件，選取de值來保證控制系統(tǒng)穩(wěn)定。假設(shè)干擾項有界，則

式中dA和dB分別為干擾的下邊界和上邊界。

（1）當s(t) > 0時，

（2）當s(t) ＜0時，

則可得出滿足選取原則的de為

定義Lyapunov函數(shù)為

為進一步削弱系統(tǒng)的抖振，在控制器中用飽和函數(shù)sat（s）代替符號函數(shù)sgn（s），即

式中：k=1/Δ；Δ為邊界層。

3 仿真分析與實驗驗證

3.1 仿真分析

為驗證該控制方法的可行性，基于Simulink 建立雙層結(jié)構(gòu)的制動系統(tǒng)控制器仿真模型，如圖8 所示，其中：上層為路面類型識別層，包括視覺識別和最佳滑移率模型；下層為制動執(zhí)行系統(tǒng)，包括1/4 車輛模型、滑模控制器模型和執(zhí)行器模型。

圖8 雙層制動系統(tǒng)模型

在仿真中，首先針對不同路面，進行單路面條件仿真，取該路面條件下的最佳滑移率與定滑移率對比，附著系數(shù)取該路面下的峰值附著系數(shù)與高、低附著系數(shù)對比，再對變路面條件進行仿真，仿真參數(shù)如表3 所示。圖9～圖12 為單路面條件的仿真結(jié)果，圖13 為變路面條件的仿真結(jié)果，其中仿真工況為初速度80 km/h下的緊急制動工況，但雪地路面初速度設(shè)為60 km/h（定滑移率λd=0.2；高附著路面條件下μd=0.8，包括干瀝青路面、濕瀝青路面和水泥路面；低附著路面條件下μd=0.2，包括雪地路面）。

表3 仿真參數(shù)

圖9 干瀝青路面（λd = 0.2，μd = 0.8）

圖10 濕瀝青路面（λd = 0.2，μd = 0.8）

由圖3 可知，雪地路面條件下的峰值附著系數(shù)小于0.2，故實際在雪地路面制動時，取低附著系數(shù)為0.2 的制動控制策略在制動時間上會變長，制動距離也會增加。

綜合以上幾種路面仿真可知，取定滑移率λd=0.2，附著系數(shù)按高、低附著路面取0.8、0.2，并不適合所有路面條件下的制動，不能達到最優(yōu)的制動效果，采用最佳滑移率制動效果優(yōu)于定滑移率，并由圖3 可知，滑移率為0.2 對應(yīng)的并非峰值附著系數(shù)，通過視覺對路面條件進行識別，獲取最佳滑移率，進而得到峰值附著系數(shù)，可使制動減速度最大化，制動效果更好。

圖11 水泥路面（λd = 0.2，μd = 0.8）

3.2 硬件在環(huán)實驗

為驗證該方案的有效性和可行性，搭建了硬件在環(huán)試驗平臺，計算并輸出在制動過程中的制動力。

3.2.1 硬件在環(huán)實驗平臺

圖12 雪地路面（λd = 0.2，μd = 0.2）

硬件在環(huán)實驗平臺主要包括Simulink 仿真模型、控制平臺、硬件實物平臺和信號處理模塊，如圖14所示。

其中仿真模型為在Simulink 中搭建的控制算法模型、EHB 制動執(zhí)行器模型、車輛模型，運行仿真將模型中的控制量輸出；控制平臺主要包括上位機、下位機控制板，上位機負責將控制量輸入到下位機控制板，控制板與電機驅(qū)動器通過RS232 串口實現(xiàn)通信連接，并向驅(qū)動器發(fā)送PWM 控制信號；硬件實物平臺包括控制板、電機驅(qū)動器、電機、轉(zhuǎn)矩測試儀、傳動機構(gòu)、液壓主缸、制動輪缸、壓力傳感器、穩(wěn)壓電源等；信號處理模塊包括轉(zhuǎn)矩采集模塊、壓力采集模塊；穩(wěn)壓電源負責向?qū)嶒炁_供電。

圖13 變路面（濕瀝青→干瀝青→雪路）

3.2.2 結(jié)果分析

取干瀝青路面下的制動進行實驗驗證，實驗結(jié)果如圖15 所示。經(jīng)過硬件在環(huán)實驗，可以得出實驗臺滿足制動力的要求，該方案可行，并且在制動力穩(wěn)定后，與需求制動力之間的誤差在2%以內(nèi)。

圖14 硬件在環(huán)實驗平臺

圖15 實驗結(jié)果

4 結(jié)論

本文中針對液壓調(diào)控的線控制動系統(tǒng)，提出一種基于視覺識別的線控制動壓力滑?？刂品椒?，在緊急制動工況下，通過計算機視覺識別當前路面類型，在識別精度和實時性上更好，進而獲取該路面下的最佳滑移率作為控制對象，采用基于趨近率的滑模魯棒控制方法對最佳滑移率進行跟蹤控制，相較于傳統(tǒng)的定滑移率，可獲得更好的制動效果。最后，通過硬件在環(huán)實驗驗證了該方案的可行性。