貨運(yùn)車隊(duì)?wèi)壹艹S距車聯(lián)預(yù)瞄控制系統(tǒng)

袁策， 柳江， 趙健， 李明星

(青島理工大學(xué) 機(jī)械與汽車工程學(xué)院， 山東 青島 266520)

近年來，車聯(lián)網(wǎng)(internet of vehicles，IoV)的研究引起了國內(nèi)外眾多學(xué)者的廣泛關(guān)注，尤其是車聯(lián)網(wǎng)在貨運(yùn)車隊(duì)工程運(yùn)輸方面的應(yīng)用.懸架系統(tǒng)作為車輛的重要組成部分，對改善運(yùn)輸過程中的平順性、操縱穩(wěn)定性和安全性起到關(guān)鍵作用.車聯(lián)網(wǎng)由于具有龐大的網(wǎng)絡(luò)規(guī)模、可靠的互聯(lián)網(wǎng)連接、與個(gè)人設(shè)備的兼容性及較高的處理能力等特性，在運(yùn)輸系統(tǒng)中占據(jù)了主導(dǎo)地位[1-3].重型貨車可以提供有效的貨運(yùn)方式，在國家經(jīng)濟(jì)中發(fā)揮著重要的作用[4].對于貨運(yùn)車隊(duì)的貨車作業(yè)而言，在車隊(duì)的實(shí)際工程運(yùn)輸中，由于運(yùn)輸路線較長，貨車數(shù)量較多，數(shù)據(jù)交互量極大，從而導(dǎo)致交互效率降低，成本提高.將車聯(lián)技術(shù)應(yīng)用于貨運(yùn)車隊(duì)是運(yùn)輸業(yè)關(guān)注的熱點(diǎn)[5-6].

為了使貨運(yùn)車隊(duì)盡可能提高懸架的控制效率，學(xué)者將預(yù)瞄控制方法引入車隊(duì)貨車的運(yùn)輸中，試圖在長軸距貨車上實(shí)施全局車輛控制策略.Sharp等[7]針對單車的緊急制動(dòng)，應(yīng)用線性最優(yōu)預(yù)瞄控制理論建立線性化的小擾動(dòng)模型，根據(jù)車速進(jìn)行線性插值，通過仿真使其達(dá)到很好的控制效果，并將該理論應(yīng)用于一個(gè)簡單的非線性重型汽車模型中.Krtolica等[8]在主動(dòng)懸架預(yù)瞄控制的基礎(chǔ)上，通過預(yù)瞄前方道路的輪廓信息，提出一種新型控制算法，可改善乘坐舒適性[9].對車隊(duì)整體作業(yè)而言，龐大的信息量會影響軸距預(yù)瞄的控制效果，因此，研究的重要思路是將軸距預(yù)瞄控制算法有效地應(yīng)用于車隊(duì)?wèi)壹苤?，并結(jié)合車聯(lián)技術(shù)，優(yōu)化系統(tǒng)構(gòu)架，減少數(shù)據(jù)交互量，從而保證車隊(duì)高效地完成作業(yè).基于此，本文提出一種貨運(yùn)車隊(duì)?wèi)壹艹S距車聯(lián)預(yù)瞄控制系統(tǒng).

1 超軸距車聯(lián)預(yù)瞄的控制方案

車輛間距遠(yuǎn)大于貨車的軸距，稱為超軸距.為了減少安全隱患，提高經(jīng)濟(jì)效益，車隊(duì)貨車運(yùn)輸具有典型的重復(fù)性特征，即相同車型、固定線路完成相同作業(yè)，這是超軸距預(yù)瞄的前提之一.超軸距車聯(lián)預(yù)瞄方法(簡稱超軸距預(yù)瞄)的基本原理是前車的路面輸入及懸架響應(yīng)類比于軸距預(yù)瞄的前軸數(shù)據(jù)，通過Wi-Fi或其他無線傳輸方法傳遞給后續(xù)車輛，而后續(xù)車輛類比于后軸進(jìn)行相應(yīng)的懸架控制.與傳統(tǒng)車間互聯(lián)形式不同，超軸距車聯(lián)預(yù)瞄方法采用兩車之間優(yōu)先結(jié)對，而對與對之間再采用車間互聯(lián)的形式，從而降低近一半的數(shù)據(jù)交互量.

超軸距預(yù)瞄示意圖，如圖1所示.圖1中：A車與B車兩兩結(jié)對，A車采用和C車相同的軸距預(yù)瞄，將前軸的懸架控制參數(shù)傳遞給后軸，實(shí)現(xiàn)對懸架控制參數(shù)的控制；A車與B車之間采用超軸距預(yù)瞄，將A車后軸的懸架控制參數(shù)傳遞給B車的前軸.考慮到增加的軸距遠(yuǎn)小于車間的超軸距，故B車的后軸與前軸直接采用相同的懸架控制參數(shù)，B車的懸架控制參數(shù)繼續(xù)向后傳遞并進(jìn)行尋優(yōu).

超軸距懸架控制的車聯(lián)網(wǎng)數(shù)據(jù)交互系統(tǒng)，如圖2所示.以聯(lián)網(wǎng)貨車為載體，采集、篩選監(jiān)測到的路況信息，實(shí)現(xiàn)對車隊(duì)運(yùn)輸?shù)缆沸畔⒌母咝Ю?由于結(jié)對車輛及對間車輛的數(shù)據(jù)通訊方式采用Wi-Fi或藍(lán)牙模式，通訊有效距離較短[10]，當(dāng)交互車輛之間的距離大于200 m時(shí)，需利用基站進(jìn)行轉(zhuǎn)接，因此，需要建立車隊(duì)地理信息監(jiān)測系統(tǒng).

圖1 超軸距預(yù)瞄示意圖 圖2 車聯(lián)網(wǎng)數(shù)據(jù)交互系統(tǒng) Fig.1 Schematic diagram of super wheelbase preview Fig.2 Data interaction system of IoV

車聯(lián)網(wǎng)數(shù)據(jù)交互系統(tǒng)采用GPS和無線通信技術(shù)建立GPS監(jiān)控中心，對車隊(duì)貨車進(jìn)行準(zhǔn)確的定位.前3輛貨車的地理位置信息，如圖3所示.在電子地圖中，車隊(duì)前3輛貨車經(jīng)過的某一路段，后車獲取前車的地理位置坐標(biāo)，通過傳輸控制協(xié)議/網(wǎng)際協(xié)議(TCP/IP)進(jìn)行通訊，當(dāng)交通流路況發(fā)生變化時(shí)，前車向后車發(fā)起一個(gè)建立連接的同步(SYN)請求，后車主機(jī)收到請求后，向前車主機(jī)回復(fù)一個(gè)同步/確認(rèn)(SYN/ACK)應(yīng)答，前車主機(jī)收到應(yīng)答后，再向后車主機(jī)發(fā)送ACK.此時(shí)，TCP連接成功建立，前車將地理位置坐標(biāo)、懸架控制參數(shù)、控制狀態(tài)載入數(shù)據(jù)包發(fā)送給后車，前、后貨車建立TCP連接，并進(jìn)行數(shù)據(jù)包傳輸，同時(shí)，車隊(duì)還與云端服務(wù)器建立TCP連接，實(shí)時(shí)更新數(shù)據(jù)包(圖4).GPS監(jiān)控中心通過云端服務(wù)器分析和處理車輛數(shù)據(jù)信息，計(jì)算車隊(duì)貨車的最優(yōu)懸架參數(shù)，及時(shí)發(fā)送給后面跟隨的貨車，實(shí)現(xiàn)對貨車、道路的智能監(jiān)控、調(diào)度和管理.

圖3 前3輛貨車的地理位置信息 圖4 TCP連接的建立 Fig.3 Geographic location information of first three trucks Fig.4 Establishment of TCP connection

2 軸距預(yù)瞄的優(yōu)化設(shè)計(jì)

對軸距預(yù)瞄進(jìn)行優(yōu)化設(shè)計(jì)，由于基于車聯(lián)網(wǎng)的超軸距預(yù)瞄必須先確定最優(yōu)車距，故采用粒子群優(yōu)化算法對前、后兩車的車距進(jìn)行優(yōu)化.

2.1 基于粒子群優(yōu)化算法的車距優(yōu)化

粒子群優(yōu)化(PSO)算法起源于對鳥類捕食行為的研究[11]，假設(shè)在一個(gè)N維的搜索空間，種群由M個(gè)粒子構(gòu)成，第i個(gè)粒子的速度Vi和位置Xi分別為

(1)

在每次迭代過程中，粒子速度與位置的更新公式為

(2)

式(2)中：k為當(dāng)前迭代次數(shù)；i=[1，M]；j=[1，N]；ω為慣性因子；rand1，rand2為[0，1]的隨機(jī)數(shù)；c1，c2為學(xué)習(xí)因子；pi，j，pg，j均為更新后粒子的位置.

建立車隊(duì)第λ輛和第λ+1輛貨車結(jié)對，貨運(yùn)車隊(duì)所有貨車在t時(shí)刻的速度集合為v(t)，加速度集合為a(t)，有

v(t)={v1，v2，…，vλ}，

(3)

a(t)={a1，a2，…，aλ}.

(4)

采用文獻(xiàn)[12]提出的安全距離為最優(yōu)車距Sm，n，有

(5)

式(5)中：S0為靜態(tài)安全距離；tn為車頭時(shí)距；vm(t)，vn(t)分別為前、后兩輛結(jié)對貨車在t時(shí)刻的速度；aint，m，bint，m分別為第m輛車的期望加速度和期望減速度.

文中僅考慮駕駛適應(yīng)性[13]，建立車隊(duì)第λ輛和第λ+1輛貨車結(jié)對時(shí)的目標(biāo)函數(shù)，有

(6)

式(6)中：T為貨車在整段道路上的通行時(shí)間；Δt為0.5 s；aλ(t)為第λ輛車在t時(shí)刻的加速度；aλ，a(t)為第λ輛車在t時(shí)刻的期望加速度；aλ+1(t)為第λ+1輛車在t時(shí)刻的加速度；a(λ+1)，a(t)為第λ+1輛車在t時(shí)刻的期望加速度；L為駕駛風(fēng)格系數(shù)；Rλ，(λ+1)(t)為t時(shí)刻兩輛貨車實(shí)際距離與最佳距離之差；vλ(t)，vλ+1(t)分別為第λ和λ+1輛車在t時(shí)刻的速度；Sλ(t)，Sλ+1(t)分別為t時(shí)刻前、后兩輛貨車的位置；Sλ，(λ+1)(t)為t時(shí)刻的最優(yōu)車距；S(t)為前、后兩車距離的函數(shù)，有

S(t)=α·exp(-β(Sλ+1(t)-Sλ(t)-S0))

.

(7)

式(7)中：α，β均為距離函數(shù)的當(dāng)量系數(shù).

因此，基于車用無線通信技術(shù)，對車隊(duì)成對的貨車建立約束方程，有

(8)

貨運(yùn)車隊(duì)在進(jìn)行作業(yè)時(shí)，行車距離隨著路況信息的變化而變化，由算法性能可知，慣性因子ω對獲得最優(yōu)車距具有關(guān)鍵作用，較大的ω值可以提高全局的搜索能力，較小的ω值有利于算法的收斂.合理設(shè)置參數(shù)值對優(yōu)化結(jié)果具有積極的意義.

采用慣性因子遞減的策略對ω進(jìn)行優(yōu)化，以獲得最佳車距.根據(jù)迭代次數(shù)調(diào)整ω，有

(9)

式(9)中：ωmax，ωmin分別為慣性因子的最大值和最小值；l，lmax分別為比例系數(shù)和比例系數(shù)的最大值.

考慮到算法的運(yùn)算能力和運(yùn)算速度，采用局部優(yōu)化方法，令運(yùn)行步長TA=5 s，每5 s調(diào)用一次PSO算法，求出5 s內(nèi)車隊(duì)所有貨車的加速度，而貨車速度可以根據(jù)運(yùn)動(dòng)學(xué)關(guān)系得到.

若c1，c2較大，粒子會過早地收斂于局部最優(yōu)[14]；若c1，c2都為零，則粒子的速度為常數(shù)，從而導(dǎo)致搜索失敗.若M較小，算法收斂速度較快，但容易陷入局部最優(yōu)；若M較大，算法的優(yōu)化能力較強(qiáng)，但收斂速度慢.因此，定義M，N，c1，c2等參數(shù)，隨機(jī)生成各粒子的初始位置和速度.算法有以下6個(gè)步驟.

步驟1初始化種群，取M=30，c1=0.5，c2=1.因?yàn)門A=5 s，取前3隊(duì)貨車進(jìn)行優(yōu)化，故N=60.

步驟2計(jì)算各粒子的適應(yīng)度，以此為評價(jià)標(biāo)準(zhǔn).對各約束建立相應(yīng)的函數(shù)，安全距離約束項(xiàng)為

(10)

式(10)中：Dλ，s為第λ輛車安全距離適應(yīng)度；σs為安全距離系數(shù)；Ds為6輛車的安全距離適應(yīng)度.

圖5 最優(yōu)車距的仿真結(jié)果Fig.5 Simulation results of optimal distance

步驟3求出個(gè)體最優(yōu)值和全局最優(yōu)值.

步驟4根據(jù)式(9)計(jì)算ω.

步驟5根據(jù)式(1)，(2)更新粒子的速度、位置.

步驟6若達(dá)到迭代終止的條件，則停止；否則，返回步驟2.

通過Matlab軟件進(jìn)行最優(yōu)車距的仿真，結(jié)果如圖5所示.圖5中：S為前后兩車的車距.

車隊(duì)的前兩輛貨車發(fā)車時(shí)受路況、天氣、交通流的影響，車距也隨之發(fā)生變化.由圖5可知：通過粒子群優(yōu)化算法建立安全距離約束模型，當(dāng)車距S為2.27 km時(shí)，可達(dá)到最優(yōu)解.

圖6 超軸距預(yù)瞄的主動(dòng)懸架模型 Fig.6 Active suspension model with super wheelbase preview

2.2 超軸距預(yù)瞄系統(tǒng)模型

以解放J6型載重貨車為研究對象，滿載時(shí)，設(shè)貨車承受載荷為F，貨車前軸承受載荷為Ff，貨車后軸承受載荷為Fr，簧載總質(zhì)量為mt.超軸距預(yù)瞄的主動(dòng)懸架模型，如圖6所示.圖6中：O為質(zhì)心點(diǎn)；Sa為前車到質(zhì)心點(diǎn)的距離；Sb為后車到質(zhì)心點(diǎn)的距離；Z01，Z02均為路面輸入；Z1，Z2均為前車后輪的垂直位移；Z3，Z4均為后車前輪的垂直位移；Kt，r為前車的后輪剛度系數(shù)；Ks，r為前車的后懸架剛度系數(shù)；Kt，f為后車的前輪剛度系數(shù)；Ks，f為后車的前懸架剛度系數(shù)；mu，f，mu，r分別為前、后兩車非簧載質(zhì)量；Ur為前車后懸架作動(dòng)器產(chǎn)生的作用力；Uf為后車前懸架作動(dòng)器產(chǎn)生的作用力；m1，m2分別為前、后車的質(zhì)量.

由此可得力學(xué)方程式為

(11)

上文已優(yōu)化得到兩輛貨車的最優(yōu)車距，進(jìn)而可得Sa，Sb.

汽車主動(dòng)懸架系統(tǒng)數(shù)學(xué)模型動(dòng)力學(xué)方程為

(12)

系統(tǒng)動(dòng)力學(xué)微分方程可寫成狀態(tài)空間方程的形式，即

(13)

系統(tǒng)矩陣A為

(14)

控制矩陣B，輸入矩陣F分別為

(15)

(16)

采用超軸距預(yù)瞄系統(tǒng)，通過車與車之間的信息交互，懸架控制器能提前得出經(jīng)過前方路面時(shí)的最佳控制力，及時(shí)傳達(dá)給后車，使其提前做出應(yīng)對，通過車身加速度、懸架動(dòng)撓度、輪胎動(dòng)載荷3個(gè)性能指標(biāo)評價(jià)乘坐的舒適性[15]，將各項(xiàng)指標(biāo)加權(quán)系數(shù)寫成矩陣J的形式，可得

.

(17)

在矩陣J形式中，N，R，Q的計(jì)算式分別為

(18)

(19)

(20)

由黎卡提方程求出最優(yōu)控制反饋增益矩陣K，K由車輛參數(shù)及加權(quán)系數(shù)決定，有

PA+ATP-(PB+N)R-1(BTP+NT)+Q=0，

(21)

K=R-1·(BT·P+NT).

(22)

式(21)，(22)中:P為黎卡提方程中的解.

由X(t)可得t時(shí)刻前、后作動(dòng)器的最優(yōu)控制矩陣為

U(t)=-KX(t)

.

(23)

采用二階帕德(Pade)近似法將最優(yōu)控制矩陣轉(zhuǎn)換為狀態(tài)空間的形式，有

(24)

式(24)中：a0=12/τ2，τ為前、后輪激勵(lì)之間的時(shí)間延遲；a1=6/τ；a2=1.

系統(tǒng)的輸入方程為

w2(t)=w1(t-τ)=Cηη(t)+w1(t)=η1(t)+w1(t)

.

(25)

式(25)中：Cη=[1 0].得到具有軸距預(yù)瞄信息并帶有附加狀態(tài)矢量η的系統(tǒng)狀態(tài)方程為

(26)

2.3 仿真分析

采用濾波白噪聲的時(shí)域表達(dá)式作為路面輸入模型，前車后輪處路面輸入方程為

(27)

式(27)中：G0為路面不平度系數(shù)；uc為后車前進(jìn)速度；f0為下截止頻率.

由于時(shí)間的滯后，后車前輪處路面輸入方程可寫為

(28)

式(28)中：τ=(Sa+Sb)/uc.

以解放J6型載重貨車為研究對象，設(shè)車輛行駛的速度(即后車前進(jìn)速度)uc=20 km·h-1，系統(tǒng)采樣時(shí)間段Ts=0.002 5 s，在Matlab/Simulink平臺建立半車模型，仿真參數(shù)，如表1所示.

表1 仿真參數(shù)的取值Tab.1 Value of simulation parameters

圖7 車身加速度仿真圖 Fig.7 Simulation diagram of car body acceleration

圖8 輪胎動(dòng)位移仿真圖 圖9 懸架動(dòng)行程仿真圖 Fig.8 Simulation diagram of Fig.9 Simulation diagram of tire dynamic displacement suspension dynamic travel

在B級路面上，采用超軸距預(yù)瞄控制方法對懸架性能參數(shù)(車身加速度、輪胎動(dòng)位移和懸架動(dòng)行程)進(jìn)行仿真分析，結(jié)果如圖7～9所示.圖7～9中：BA為車身加速度；DTD為輪胎動(dòng)位移；SWS為懸架動(dòng)行程(下同略).由圖7～9可知：超軸距預(yù)瞄與軸距預(yù)瞄具有相近的響應(yīng)特性；車身加速度的軸距預(yù)瞄為0.381 m·s-2，超軸距預(yù)瞄為0.288 m·s-2，下降幅度為24.5%；輪胎動(dòng)位移的軸距預(yù)瞄為5.853 mm，超軸距預(yù)瞄為4.186 mm，下降幅度為28.5%；而懸架動(dòng)行程的軸距預(yù)瞄為16.836 mm，超軸距預(yù)瞄為15.769 mm，其下降幅度為6.9%.

3 車身加速度的單目標(biāo)尋優(yōu)算法

在超軸距預(yù)瞄的主動(dòng)懸架模型中，套用了軸距預(yù)瞄計(jì)算方法，由于簧載總質(zhì)量等參數(shù)采用當(dāng)量參數(shù)進(jìn)行替代，車速穩(wěn)定性條件難以達(dá)成，可能會造成計(jì)算及控制中的偏差.此外，始發(fā)車的控制效果對車隊(duì)整體的影響較大，而遺傳算法是一種以群體和遺傳操作為基礎(chǔ)進(jìn)行監(jiān)測和評價(jià)的迭代優(yōu)化算法，新生代比前代更加適應(yīng)環(huán)境[16]，可獲得更好的個(gè)體和最優(yōu)解.因此，進(jìn)一步采用懸架參數(shù)單目標(biāo)優(yōu)化的遺傳算法對車身加速度進(jìn)行仿真分析，以實(shí)現(xiàn)貨車懸架控制效果的優(yōu)化.

遺傳算法的求解問題機(jī)制描述為

(29)

式(29)中:x為車隊(duì)中某一輛貨車；f(x)為目標(biāo)函數(shù)；gh(x)為約束條件；z為約束條件的個(gè)數(shù)；Umin為算法中變量的下限；Umax為算法中變量的上限.

3.1 設(shè)計(jì)變量

設(shè)計(jì)變量Y=[Ks，f，Ks，r，Cf，Cr]，Ks，f取126.47～319.20 Mg·m-1；Ks，r取893.62～993.50 Mg·m-1；Cf為后車前懸架的阻尼，取0～20 kN·s·m-1；Cr為前車后懸架的阻尼，取0～30 kN·s·m-1.

3.2 約束條件與目標(biāo)函數(shù)

由于受碰撞器的限制，懸架動(dòng)撓度必須限制在一個(gè)安全的范圍內(nèi)，以保證貨車行駛的安全性，有

D1(Y)=Z1-Z3≤Dmax，D2(Y)=Z2-Z4≤Dmax.

(30)

式(30)中：D1(Y)為前車后軸的動(dòng)撓度；D2(Y)為后車前軸的動(dòng)撓度；Dmax為允許最大動(dòng)撓度，取80 mm.

車隊(duì)貨車作業(yè)任務(wù)主要是以運(yùn)輸玻璃為主，為了提高汽車平順性和貨物的完好性，以車身加速度均方根值a(Y)為優(yōu)化指標(biāo).

車身加速度的均方根值為

.

(31)

式(31)中：d為貨車結(jié)對對數(shù)；te為第e組車經(jīng)過此路段的某一時(shí)刻.

為了對車隊(duì)貨車不同車速行駛時(shí)的車身加速度進(jìn)行優(yōu)化，選擇3種車速(uc=20，40，60 km·h-1)進(jìn)行分析，以貨車經(jīng)常行駛的B級路面為路面輸入.

3.3 仿真與分析結(jié)果

采用標(biāo)準(zhǔn)遺傳算法(SGA)處理單目標(biāo)優(yōu)化問題，對車隊(duì)運(yùn)輸重復(fù)性特征、相同車型及固定線路而言，該方法簡單實(shí)用，可以高效地完成迭代尋優(yōu).

在Matlab環(huán)境下進(jìn)行仿真，B級路面上車隊(duì)貨車車速分別為20，40，60 km·h-1，優(yōu)化前、后車身加速度仿真圖，如圖10～12所示.

(a) 優(yōu)化前 (b) 優(yōu)化后圖10 優(yōu)化前、后車身加速度仿真圖(uc=20 km·h-1) Fig.10 Simulation diagram of car body acceleration before and after optimization (uc=20 km·h-1)

(a) 優(yōu)化前 (b) 優(yōu)化后圖11 優(yōu)化前、后車身加速度仿真圖(uc=40 km·h-1) Fig.11 Simulation diagram of car body acceleration before and after optimization (uc=40 km·h-1)

(a) 優(yōu)化前 (b) 優(yōu)化后圖12 優(yōu)化前、后車身加速度仿真圖(uc=60 km·h-1) Fig.12 Simulation diagram of car body acceleration before and after optimization (uc=60 km·h-1)

經(jīng)過相關(guān)的計(jì)算可知：當(dāng)uc=20 km·h-1時(shí)，優(yōu)化前、后車身加速度均方根值從0.381 m·s-2下降至0.288 m·s-2，下降幅度約為24%；當(dāng)uc=40 km·h-1時(shí)，優(yōu)化前、后車身加速度均方根值從0.721 m·s-2下降至0.387 m·s-2，下降幅度約為46%；當(dāng)uc=60 km·h-1時(shí)，優(yōu)化前、后車身加速度均方根值從0.942 m·s-2下降至0.422 m·s-2，下降幅度約為56%.

需要指出的是，超軸距預(yù)瞄的尋優(yōu)是整個(gè)車隊(duì)的車輛按照發(fā)車順序進(jìn)行尋優(yōu)迭代，不需要每輛車都進(jìn)行相同的尋優(yōu)過程，或等待某車輛完成尋優(yōu)后復(fù)制到其他車輛.因此，該優(yōu)化方法的迭代整體效率更高，更適合工程實(shí)際應(yīng)用.

4 結(jié)論

1) 提出結(jié)對交互輔以地理信息監(jiān)測的網(wǎng)絡(luò)構(gòu)架，降低了數(shù)據(jù)交互量，確保了短車距和長車距兩種模式下通訊的穩(wěn)定性.

2) 通過對車身加速度、輪胎動(dòng)位移和懸架動(dòng)行程3個(gè)懸架性能指標(biāo)的分析可知，在軸距預(yù)瞄基礎(chǔ)上發(fā)展而來的超軸距預(yù)瞄具備相似的控制響應(yīng)特性.

3) 基于車身加速度，采用標(biāo)準(zhǔn)遺傳算法處理單目標(biāo)優(yōu)化問題，可實(shí)現(xiàn)貨車的迭代優(yōu)化、超軸距預(yù)瞄的尋優(yōu)，具有更高效率的迭代過程.