典型路面的車輛懸架預瞄控制系統(tǒng)研究

秦東晨，黃一鳴，朱玉剛，王婷婷

（1.鄭州大學機械工程學院，河南 鄭州 450001；2.中國汽車技術研究中心有限公司，天津300300）

1 引言

懸架是車輛的重要組成部分，它對車輛的駕駛舒適性和安全穩(wěn)定性均有較大的影響。而根據(jù)不同路面激勵及時調(diào)整懸架狀態(tài)可以使懸架起到更有效的減振效果，因此相關學者在車輛懸架控制系統(tǒng)領域做出來很多研究并且成果顯著[1-3]。

Mark R.Jolly 和Lane R.Miller 應用了相關控制方法，將從半主動懸架阻尼器上測得的位移和速度作為反饋信號，以此對阻尼器加以控制。文獻[4]提出了一種基于軸間預瞄的模糊控制，相比傳統(tǒng)模糊控制能更有效降低車輛振動。這些研究結(jié)果已經(jīng)在不同條件下得到了驗證，但是均存在不可避免的缺陷，即系統(tǒng)具有延遲效應。懸架需要首先感知路面激勵，再由控制器驅(qū)動執(zhí)行元件來衰減路面激勵。車輛在道路行駛過程中通過典型路面（如減速帶或井蓋等）時，延遲問題會嚴重影響到懸架的減振效果。當車輛通過一些瞬時典型路面時，執(zhí)行機構(gòu)開始反應時，車輪已經(jīng)越過路面的起伏處。在這類情況下，懸架無法完全發(fā)揮其減振性能。

根據(jù)上述問題，以機器視覺為基礎，將完全預瞄方法應用于懸架控制系統(tǒng)的研究中，提出了一種針對典型工況的懸架預瞄控制系統(tǒng)。首先基于OpenCV 對前方路面信息進行檢測，通過對路面特征的識別、跟蹤和測距完成預瞄操作，并融合車輛實時信息及時調(diào)整懸架狀態(tài)。通過預瞄試驗驗證新型懸架預瞄方法的準確性和穩(wěn)定性，并采用實車試驗驗證新型懸架預瞄控制系統(tǒng)的可行性和有效性。

2 系統(tǒng)建模與結(jié)構(gòu)

2.1 模型建模

為了便于對懸架控制系統(tǒng)響應時間延遲問題的研究，建立1/4 車懸架模型，如圖1 所示。

如圖1 所示，懸架模型的動力學方程：

圖1 1/4 車懸架模型Fig.1 1/4 Vehicle Suspension Model

式中：Xi、X˙i、X¨i—垂直位移、垂直速度、垂直加速度，m、m/s、m/s2；ms、mu—模型簧載和非簧載質(zhì)量，kg；cs—懸架系統(tǒng)阻尼系數(shù)，N/（m/s）；ks、ku—懸架系統(tǒng)和輪胎剛度，N/m；u—懸架主動控制力，N。由此看出，實時調(diào)整懸架狀態(tài)可以有效衰減路面激勵。

車輛的前進速度v 實時可測量。定義典型路面的縱向長度為S0，在不考慮輪胎彈性的情況下，車輛通過目標典型路面的時間t0可表示為：

式中：θ—車輛通過典型路面時速度方向與水平方向的夾角，該夾角大小取決于典型路面的不平度。

定義X4為預瞄系統(tǒng)感知的路面信息；X5為預瞄前懸架控制系統(tǒng)感知的路面信息。由于通過減速帶、井蓋等典型路面時在短時間內(nèi)會產(chǎn)生明顯的瞬時激勵，故將預瞄前后系統(tǒng)感知的時滯量計算在內(nèi)，分別表示ε1，ε2則：

式中：d=S/v，S—預瞄距離。聯(lián)立式（2）、式（3），當t0＞ε2時，懸架響應會產(chǎn)生一定程度的延遲；當t0＜ε2時，懸架不能發(fā)揮性能優(yōu)勢。采取完全預瞄后，當d＞ε1-ε2時，理論上可降低懸架控制系統(tǒng)的延遲效應；當d＞ε1時，理論上可從根本上解決延遲問題。其中d 的大小取決于預瞄傳感器的性能，而ε1的大小取決于預瞄方法。因而，在考慮視覺傳感器成本的前提下，預瞄方法的優(yōu)劣直接決定了懸架系統(tǒng)的控制效果。

2.2 系統(tǒng)結(jié)構(gòu)

懸架預瞄控制系統(tǒng)基于預瞄跟隨理論[5]，包括信息感知、決策調(diào)整、操作控制和校正控制四個部分。感知系統(tǒng)和決策系統(tǒng)組成了懸架控制系統(tǒng)的預瞄器，即包含了未來的路面信息，如圖2所示。完全預瞄通過車前視覺傳感器采集路面信息，OpenCV 作為計算機視覺開源庫可以對采集的路面圖像進行處理。決策調(diào)整部分是時刻根據(jù)感知部分預瞄的前方路面信息和汽車的狀態(tài)，分析并決策出懸架通過該路段的理想模式。操作系統(tǒng)相當于跟隨器，它根據(jù)前面決策出的理想懸架模式產(chǎn)生實際的操作動作。校正系統(tǒng)為自適應系統(tǒng)，提高了預瞄控制對懸架操控的準確度。

圖2 系統(tǒng)結(jié)構(gòu)Fig.2 System Structure

3 預瞄過程

基于OpenCV 的完全預瞄分為對前方路面特征的識別、跟蹤和測距三個過程，這里選取的典型路面特征為減速帶和井蓋。其中識別路面特征的方法以機器學習為基礎，故可以根據(jù)實際情況識別更多不同路面特征，提升路面預瞄的多樣性。

3.1 基于Gentle Adaboost 的路面特征識別

采用Gentle Adaboost 算法完成對典型路面的識別。首先根據(jù)不同的路面特征分別訓練得到級聯(lián)分類器，然后通過程序加載分類器實現(xiàn)識別過程。這種方法的檢測準確率高、檢測速度快，且在道路車輛檢測[6]和行人檢測[7]等方面的可行性已經(jīng)得到驗證。

以Gentle Adaboost 級聯(lián)分類器可以訓練不同典型路面特征的分類器。通過試驗證明，當幾種路面特征的差異性較大時，分別采用單獨的分類器訓練的效果要明顯優(yōu)于只采用一個分類器訓練出來的效果。通過pyCharm5.0 開發(fā)平臺上加載分類器并使用python 編程語言完成對路面的識別，步驟如下：

（1）預瞄區(qū)域的劃分。根據(jù)車輛結(jié)構(gòu)參數(shù)和攝像頭具體安裝位置對預瞄圖像設置感興趣區(qū)域（ROI），即車輪將通過的路面范圍。同時對圖像去噪和灰度處理，提高運行效率。

（2）加載不同路面特征的分類器。分類器以上述方法得到，通過casecade.detectMultiScale（）函數(shù)識別預瞄圖像。

（3）利用list.append（）函數(shù)將不同路面特征的檢測效果疊加，并通過cv.rectangle（）函數(shù)框選出來，完成路面識別。

3.2 基于Kalman 濾波的路面特征跟蹤

Kalman 濾波器在計算機視覺領域應用廣泛，尤其在實時跟蹤的應用中。這種方法提供了一種反饋機制，包括了對目標檢測的預測和測量兩個過程。預測過程對實時位置進行估計，而測量過程修正了預測的估計，并相應地更新檢測目標的位置。該算法是一個迭代循環(huán)的過程，且適用于實時數(shù)據(jù)。只對直線段道路的特征進行檢測，故將車輛的運動狀態(tài)簡化為勻速直線運動，步驟如下：

（1）預測過程。通過KalmanPredict（）函數(shù)完成，預測由上述操作框選出的路面特征被連續(xù)識別出后下一幀可能出現(xiàn)的位置。

（2）測量過程。通過KalmanCorrect（）函數(shù)完成過程，修正上一步的預測結(jié)果，并更新當前幀框選特征的位置。

3.3 基于視覺定位模型的路面特征測距

預瞄過程中對典型路面的測距是指通過建立視覺定位模型[8]測量輪胎到典型路面的距離。由于路面的特征已經(jīng)通過前述步驟完成識別和跟蹤，并且在圖像中被框選出來。因此，這里只需要對框選目標進行縱向測距即可獲取預瞄距離。建立視覺定位模型，如圖3 所示。

圖3 視覺定位模型Fig.3 Vision Position Determination Model

圖中：XROYR—路面坐標系，以視覺傳感器所在位置在路面上的垂向投影為原點OR，以傳感器朝向ORYR為縱軸；uO″v—幀存像坐標系，以圖像平面的左上角為原點，以像素數(shù)為長度度量單位，故u、v 在坐標系上的最大值分別為圖像在x、y 方向最大像素數(shù)；xO′y—像平面坐標系，原點在圖像平面上，其像素坐標為（u0，v0）。xO′y 與uO″v 的坐標變換關系為：

式中：dx、dy—攝像機參數(shù)，分別表示相鄰感光點x 方向和y 方向的距離。dv—焦距f 和幀存像平面中的一個像素對應于像平面在y 軸方向的物理尺寸。α、h—攝像機安裝參數(shù)，分別代表安裝傾斜角和高度，P′（0，y）—P 投影在像平面的坐標，其中P 點—前述步驟中框選特征的底線中點?；趲缀侮P系計算得到傳感器透鏡到P 點的距離D：

測量得到視覺傳感器到車體前端的距離為d1，前軸中心到車體前段的距離為d2，則預瞄距離S 為：

4 系統(tǒng)控制流程

根據(jù)上述的系統(tǒng)結(jié)構(gòu)設計懸架控制流程，并在電磁閥式阻尼連續(xù)可調(diào)減振器上對懸架預瞄控制方法進行驗證。該減振器是通過電磁閥的電流控制調(diào)整阻尼，以此調(diào)整懸架狀態(tài)。系統(tǒng)控制流程，如圖4 所示。

圖4 系統(tǒng)流程圖Fig.4 System Flowchart

控制系統(tǒng)包括路面信息和車身信息兩個采集系統(tǒng)，視覺傳感器采用的是CCD 攝像頭，將前方路面信息傳輸?shù)缴衔粰C。PC機作為上位機負責處理采集的路面信息并使用CAN 通信提取的實時車輛數(shù)據(jù)，根據(jù)上述預瞄算法檢測路面特征，通過編程器與下位機ECU 通信。下位機根據(jù)多信息融合的控制策略在懸架通過典型路面之前對懸架進行理想化調(diào)節(jié)。

5 試驗

5.1 預瞄試驗

預瞄試驗的硬件平臺為Intel（R）Core（TM）i5-6300HQ CPU@2.30GHz，8GB RAM 的計算機，軟件環(huán)境為PyCharm5.0 開發(fā)平臺下OprnCV3.4.0。

5.1.1 預瞄效果

選擇在白天正常光照條件下的城市道路上進行預瞄檢測試驗，效果，如圖5 所示。其中圖5（a）為檢測出出現(xiàn)在車輛前方的減速帶特征并框選出來，圖5（b）中檢測出路面的井蓋特征。兩個特征均為上述級聯(lián)分級器訓練識別的典型路面特征。

圖5 預瞄效果圖Fig.5 Preview Rendering

5.1.2 檢測試驗

從采集的預瞄視頻中截取1 000 幀圖像數(shù)據(jù)作為檢測樣本。以減速帶和井蓋作為目標特征，將對目標特征的檢測率DR 和誤檢率MDR 作為評價典型路面預瞄方法的標準。

式中：TD—被檢測出的目標特征數(shù)量；FD—未被檢測出的目標特征數(shù)量；MD—被誤檢的目標特征數(shù)量。

檢測結(jié)果，如表1 所示。表中：GT—樣本中出現(xiàn)的特征總數(shù)；GDR、GMR—綜合檢測率和綜合誤檢率；ε—檢測的平均處理時間。

表1 預瞄檢測結(jié)果Tab.1 Results of Preview Detection

經(jīng)試驗證明，該預瞄方法對典型路面特征的檢測準確率高、檢測速度快，并且可以在不影響檢測準確率的前提下同時檢測不同的路面特征。

5.2 實車試驗

試驗路段為直線段，以法式橫向帶作為試驗工況。在車速為60km/h 時懸架控制系統(tǒng)預瞄前和預瞄后的車身性能比較，如圖6所示。在不同車速下預瞄前后懸架系統(tǒng)實車道路試驗結(jié)果，即頻域范圍內(nèi)的峰值和有效值的比較，如表2 所示。

圖6 預瞄前/后的懸架系統(tǒng)車身性能比較（60km/h）Fig.6 Comparison of Vehicle Performance of Suspension System before and after Preview

表2 預瞄前/后的懸架系統(tǒng)實車道路試驗結(jié)果Tab.2 Results of Road Test for Suspension System before and after Preview

6 結(jié)論

在車輛行駛在典型路面的過程中，采用上述預瞄方法后駕駛員座椅和懸架簧上垂直加速度均有所降低，故在一定程度上提高了車輛的乘坐舒適性和操縱穩(wěn)定性。在不同車速下的懸架性能均有提升，車速越高提升的效果越明顯。這主要是由于車速的改變影響了典型路面的通過時間與懸架控制處理時間之間的差距。因此，預瞄后的懸架控制系統(tǒng)能夠在特定情況下有效地解決懸架控制系統(tǒng)的響應時間滯后問題，同時也驗證了基于機器視覺的預瞄方法的可行性和有效性。