基于質(zhì)量估計(jì)的商用車線控制動(dòng)減速度控制

王光艷 楊傳雄 胡碧友 車美琳

摘 ?要：為了滿足無人駕駛商用車線控制動(dòng)系統(tǒng)的減速度控制需求，提出了一種基于質(zhì)量估計(jì)的減速度控制算法。根據(jù)車輛縱向動(dòng)力學(xué)模型得到估計(jì)質(zhì)量的初始值，利用模糊邏輯法獲取估計(jì)質(zhì)量的置信度從而改變?yōu)V波系數(shù)，既能使估算結(jié)果快速收斂，也能過濾掉噪聲信號(hào)，并且算法運(yùn)算量小可以降低計(jì)算負(fù)荷?；诠烙?jì)質(zhì)量信息，設(shè)計(jì)“前饋+反饋PID”控制器，控制車輛減速度達(dá)到上層決策系統(tǒng)的期望指令。實(shí)驗(yàn)結(jié)果驗(yàn)證了該控制方法具有較好的控制效果。

關(guān)鍵詞：商用車;線控制動(dòng);質(zhì)量估計(jì);減速度控制

中圖分類號(hào)：U461.1 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ?文章編號(hào)：1005-2550（2022）01-0054-08

Commercial Vehicle Brake by Wire Deceleration Control based on Mass Estimation

wang guang-yan1， yang chuan-xiong1， hu bi-you1， che mei-lin2

（1.Dongfeng Automobile Co.， Ltd. Wuhan 430056， China; 2.Dongfeng Yanfeng Automotive Trim Systems Co. ， Ltd. Wuhan 430056， China ）

Abstract： In order to meet the deceleration control requirements of driverless commercial vehicle line control system， a deceleration control algorithm based on mass estimation is proposed. According to the vehicle longitudinal dynamics model， the initial value of the estimated mass is obtained， and the confidence of the estimated mass is obtained by using the fuzzy logic method， so as to change the filtering coefficient， which can not only make the estimation result converge quickly， but also filter out the noise signal， and effectively reduce the calculation load of the controller. Based on the estimated mass information， a “feedforward + feedback PID” controller is designed to control the deceleration of the vehicle to achieve the desired command of the upper decision system. The experimental results show that the control method has good accuracy and robustness.

Key Words： Commercial Vehicle; Mass Estimation; Brake By Wire; Deceleration Control

1 ? ?前言

隨著無人駕駛技術(shù)的快速發(fā)展，汽車線控底盤技術(shù)受到了廣泛的關(guān)注。線控底盤能夠快速準(zhǔn)確地響應(yīng)上層主動(dòng)控制指令，保證車輛行駛的安全性。線控底盤主要包括線控制動(dòng)、線控轉(zhuǎn)向、線控驅(qū)動(dòng)以及線控懸架[1]。線控制動(dòng)系統(tǒng)能夠主動(dòng)調(diào)節(jié)制動(dòng)壓力，合理控制車輛減速度，保證車內(nèi)乘客的安全和舒適性。

商用車多行駛于固定線路，未來無人駕駛技術(shù)首先會(huì)在商用車中實(shí)現(xiàn)大規(guī)模應(yīng)用[2]。因?yàn)樯逃密囐|(zhì)量較大，所以目前商用車主要使用氣壓制動(dòng)系統(tǒng)[3]。商用車氣壓線控制動(dòng)系統(tǒng)通過控制前后橋比例閥的占空比實(shí)現(xiàn)制動(dòng)壓力的控制[4]。無人駕駛汽車上層決策模塊，可以根據(jù)車輛自身狀態(tài)和環(huán)境計(jì)算出車輛所需的制動(dòng)減速度，同時(shí)與駕駛員制動(dòng)意圖[5]進(jìn)行協(xié)調(diào)，響應(yīng)最大期望制動(dòng)減速度。

實(shí)現(xiàn)減速度控制首先需要設(shè)計(jì)車輛狀態(tài)觀測(cè)算法，獲得車輛質(zhì)量信息以及車輛減速度信息，再者需要設(shè)計(jì)控制器使車輛實(shí)際減速度趨近期望減速度。汽車整車質(zhì)量的估計(jì)是汽車狀態(tài)觀測(cè)中十分重要的內(nèi)容[6]，特別對(duì)于商用車而言，具有質(zhì)量多變的特點(diǎn)。胡滿江等[7]推導(dǎo)出加速度與輪速信號(hào)間的幅頻函數(shù)關(guān)系，提出了一種基于縱向頻響特性的整車質(zhì)量估計(jì)方法。Mcintyre等[8]基于車輛縱向動(dòng)力學(xué)模型，通過最小二乘參數(shù)辨識(shí)對(duì)質(zhì)量進(jìn)行估計(jì)。雷雨龍等[9]提出基于擴(kuò)展卡爾曼濾波的車輛質(zhì)量估計(jì)方法。任志英等[10]利用觀測(cè)數(shù)據(jù)提供的信息，提出了一種基于AEKF的車輛質(zhì)量估計(jì)算法。本文使用一種基于模糊邏輯的自適應(yīng)濾波系數(shù)質(zhì)量估計(jì)算法，在工程應(yīng)用中相較于往前學(xué)者的研究方法占用的計(jì)算資源更少，同時(shí)能夠達(dá)到準(zhǔn)確性要求。關(guān)于車輛速度以及減速度的估算，國(guó)內(nèi)外學(xué)者們已經(jīng)進(jìn)行了大量研究[11-14]，本文主要采用變斜率法[15]進(jìn)行車速估算，通過車速微分得到減速度信息，相關(guān)算法本文不再贅述。

2 ? ?商用車質(zhì)量估計(jì)

2.1 ? 整車動(dòng)力學(xué)模型

整車縱向動(dòng)力學(xué)模型如圖1所示，本文出現(xiàn)的相關(guān)參數(shù)的注釋由表1所示。根據(jù)縱向受力分析可得整車縱向動(dòng)力學(xué)方程[16]為：

（1）

（2）

式中，F(xiàn)t為驅(qū)動(dòng)力;Fb為制動(dòng)力;Fw為空氣阻力;Ff為滾動(dòng)阻力;Fi為坡道阻力;m為整車質(zhì)量;ax為車輛縱向加速度;Tt為發(fā)動(dòng)機(jī)扭矩;ig為變速器傳遞比;i0為主減速器傳遞比;ηT為機(jī)械傳動(dòng)效率;R為輪胎半徑。

由于商用車多采用氣壓制動(dòng)系統(tǒng)，故由制動(dòng)輪缸氣室壓力與制動(dòng)力矩的關(guān)系可得整車制動(dòng)力為：

（3）

考慮到目前大多數(shù)商用車搭配緩速器裝置，造成整車制動(dòng)力無法準(zhǔn)確計(jì)算，故本文僅考慮商用車在加速狀態(tài)下的車輛模型，消除整車制動(dòng)力計(jì)算不準(zhǔn)確的影響。

（4）

（5）

（6）

式中，Pi為制動(dòng)輪缸氣室壓力;Cbrki為制動(dòng)器系數(shù);CD為空氣阻力系數(shù);A為迎風(fēng)面積;Vx為汽車縱向速度;γ為道路坡度（本文作為已知數(shù)據(jù)）;g為重力加速度;f為滾動(dòng)阻力系數(shù)。

將式1整理，加速狀態(tài)不考慮制動(dòng)力，把含有質(zhì)量的分項(xiàng)移到同一側(cè)：

（7）

（8）

（9）

式中，F(xiàn)x為等效縱向力;aEff 為等效縱向加速度。

由此可得基于整車縱向動(dòng)力學(xué)模型的質(zhì)量估計(jì)初始值為：

（10）

上述基于整車縱向動(dòng)力學(xué)模型得到的質(zhì)量估計(jì)初始值，受公式中等效縱向力及等效縱向加速度的影響很大，初始估計(jì)結(jié)果容易產(chǎn)生較大波動(dòng)，故需要采用低通濾波器進(jìn)行濾波，遞推得到平穩(wěn)準(zhǔn)確的估計(jì)質(zhì)量值。

2.2 ? 基于模糊邏輯的質(zhì)量估計(jì)算法

因?yàn)檎囐|(zhì)量在車輛行駛過程變化較小或幾乎不變，對(duì)估計(jì)結(jié)果的實(shí)時(shí)性要求不高。同時(shí)由于汽車縱向力和縱向加速度只有在平穩(wěn)行駛工況下才能夠獲得較為平穩(wěn)的數(shù)據(jù)，從而計(jì)算得到穩(wěn)定的質(zhì)量估計(jì)值，所以需要對(duì)汽車實(shí)際行駛工況進(jìn)行篩選，選出適合進(jìn)行質(zhì)量估計(jì)的平穩(wěn)行駛工況，符合條件后再進(jìn)行質(zhì)量估計(jì)，根據(jù)以往仿真及實(shí)驗(yàn)的經(jīng)驗(yàn)，選取的具體條件如下：

先根據(jù)汽車整車相關(guān)狀態(tài)量的門限值進(jìn)行初步判斷，作為允許質(zhì)量估計(jì)的初步條件：

（1）等效縱向力的絕對(duì)值|Fx|大于最小縱向力Fxmin（1000N）。

（2）汽車制動(dòng)防抱死系統(tǒng)（ABS）沒有觸發(fā)。

（3）汽車主動(dòng)偏航控制系統(tǒng)（AYC）沒有觸發(fā)。

（4）汽車牽引力控制系統(tǒng)（TCS）沒有觸發(fā)。

（5）汽車不處于換擋狀態(tài)。

（6） 縱向車速Vx大于最小縱向車速Vxmin（5m/s）。

（7）側(cè)向加速度ay小于最大側(cè)向加速度aymax（1m/s2）。

（8）汽車不處于倒車狀態(tài)。

當(dāng)車輛當(dāng)前狀態(tài)滿足上述設(shè)置的基本條件后，需要進(jìn)一步篩選適合進(jìn)行質(zhì)量估計(jì)的工況。由于傳感器輸入信號(hào)波動(dòng)較大，單純通過傳感器輸入信號(hào)的門限值來判斷適合進(jìn)行質(zhì)量估計(jì)的條件，很容易出現(xiàn)誤判，所以本文選擇利用TSK模糊邏輯模型來進(jìn)行判斷。TSK模糊模型輸入量為與質(zhì)量估計(jì)相關(guān)的車輛狀態(tài)量，輸出量為經(jīng)過隸屬度函數(shù)得到的隸屬度。模糊模型中隸屬度函數(shù)對(duì)計(jì)算的結(jié)果有很大的影響，模糊模型中隸屬度的函數(shù)有很多種，考慮到工程應(yīng)用中對(duì)計(jì)算量和實(shí)時(shí)性等需求[17]，本文選擇梯形函數(shù)作為隸屬度函數(shù)（圖2），模糊邏輯得到的隸屬度越高說明越適合進(jìn)行質(zhì)量估計(jì)，隸屬度的取值范圍為（0～1）。基于車輛不同的動(dòng)力學(xué)狀態(tài)信息，選擇以下六種車輛狀態(tài)量作為模糊邏輯的輸入量，選擇不同的模糊邏輯子集，來反應(yīng)當(dāng)前狀態(tài)是否適合質(zhì)量估計(jì)，本文設(shè)計(jì)的模糊子集參數(shù)如表2所示。

（1）等效縱向力與等效縱向力低通濾波值的差值越小，說明等效縱向力的變化越小，故使用模糊S子集進(jìn)行隸屬度計(jì)算，輸入量為|Fx-Fxfilter|。

（2）當(dāng)前周期等效縱向力濾波值與上周期等效縱向力濾波值的差值越小，說明等效縱向力的變化越小，故使用模糊S子集進(jìn)行隸屬度計(jì)算，輸入量為|ΔFxfliter|。

（3）等效縱向力絕對(duì)值越大，等效縱向力受噪聲影響的相對(duì)程度越小，故使用模糊L子集進(jìn)行隸屬度計(jì)算，輸入量為|Fx|。

（4）當(dāng)?shù)刃Эv向加速度越大，等效縱向加速度受噪聲影響的相對(duì)程度越小，故使用模糊L子集進(jìn)行隸屬度計(jì)算，輸入量為|aEff|。

（5）當(dāng)側(cè)向加速度越小，說明汽車趨于穩(wěn)定直線行駛狀態(tài)，故使用模糊S子集進(jìn)行隸屬度計(jì)算，輸入量為|ay|。

（6）過小的車速會(huì)受到低檔位振動(dòng)的影響，過大的車速會(huì)造成空氣阻力過大，故選擇適中的車速，使用模糊M子集進(jìn)行隸屬度計(jì)算，輸入量為|Vx|。

相關(guān)的模糊邏輯表達(dá)式如下式所示：

（11）

如果上述得到的質(zhì)量估計(jì)隸屬度（Wem）大于允許質(zhì)量估計(jì)隸屬度的閾值（0.6），則允許進(jìn)行下述的質(zhì)量估計(jì)自適應(yīng)濾波策略。

由式（8）可以得到質(zhì)量估計(jì)的粗略值mrough 。由于初步得到的質(zhì)量估計(jì)粗略值波動(dòng)很大，所以需要選用低通濾波器進(jìn)行濾波，得到平穩(wěn)的質(zhì)量估計(jì)數(shù)值。本文主要采用兩次低通濾波，首次低通濾波根據(jù)質(zhì)量估計(jì)信息自適應(yīng)改變低通濾波系數(shù)，第二次低通濾波采用定值長(zhǎng)周期濾波系數(shù)，減少估算結(jié)果的突變，防止因估計(jì)質(zhì)量的突然變化對(duì)下述減速度控制造成不良影響。

上述得到的質(zhì)量估計(jì)隸屬度越高，說明質(zhì)量估計(jì)的粗略值的置信度越高，此時(shí)應(yīng)選取較大的濾波系數(shù)，根據(jù)上述得到的質(zhì)量估計(jì)隸屬度，可以得到首次低通濾波的初始濾波系數(shù)：

（12）

式中，Cfilterraw為首次低通濾波的初始濾波系數(shù)，C為隸屬度到濾波系數(shù)的轉(zhuǎn)換值。

在質(zhì)量估計(jì)的初期，為了使質(zhì)量估計(jì)結(jié)果進(jìn)行快速度收斂，此時(shí)應(yīng)該具有較大的首次低通濾波系數(shù)，隨著質(zhì)量估計(jì)的值逐漸接近真實(shí)的質(zhì)量值，此時(shí)應(yīng)該減小首次低通濾波系數(shù)，以此維持以往較為準(zhǔn)確的估計(jì)結(jié)果，減少估計(jì)噪聲信號(hào)帶來的影響。

為了使首次低通濾波系數(shù)隨著質(zhì)量估計(jì)周期的推移逐漸減小，考慮使用質(zhì)量估計(jì)隸屬度的積分值作為改變?yōu)V波系數(shù)的影響因子之一，隨著估計(jì)周期的推移，質(zhì)量估計(jì)隸屬度的積分值逐漸增大，首次低通濾波系數(shù)逐漸減小。質(zhì)量估計(jì)隸屬度的積分值為：

（13）

（14）

式中：MIN表示兩者取較小值，IWem為質(zhì)量估計(jì)隸屬度的積分值，IWemmax為質(zhì)量估計(jì)隸屬度積分值的閾值。

同時(shí)為了濾去估計(jì)噪聲信號(hào)，考慮使用估計(jì)質(zhì)量首次濾波結(jié)果與二次濾波結(jié)果的差值作為改變?yōu)V波系數(shù)的影響因子之一，兩者差值越大說明質(zhì)量估計(jì)結(jié)果波動(dòng)越大，此時(shí)應(yīng)減小首次低通濾波系數(shù)。估計(jì)質(zhì)量首次濾波結(jié)果與二次濾波結(jié)果差值的絕對(duì)值為：

（15）

將md作為輸入量，使用模糊S子集進(jìn)行隸屬度計(jì)算，輸出量為Id。

（16）

式中，Wuw為首次濾波系數(shù)的隸屬度。

如果首次濾波系數(shù)的隸屬度Wuw取值小于0.03，則濾波系數(shù)不變：

（17）

如果首次濾波系數(shù)的隸屬度Wuw取值在（0.03，0.125）之間，則濾波系數(shù)除以16;

（18）

如果首次濾波系數(shù)的隸屬度Wuw取值在（0.125，0.25）之間，則濾波系數(shù)除以64;

（19）

如果首次濾波系數(shù)的隸屬度Wuw取值大于0.25，則濾波系數(shù)除以128;

（20）

根據(jù)上述得到的首次低通濾波系數(shù)，可以得到首次濾波后的估計(jì)質(zhì)量：

（21）

將首次濾波后的估計(jì)質(zhì)量進(jìn)行二次定值長(zhǎng)周期低通濾波，長(zhǎng)周期低通濾波雖然降低了估計(jì)質(zhì)量的收斂速度，但是能夠?yàn)V除估計(jì)質(zhì)量原始值的大幅度波動(dòng)，估計(jì)質(zhì)量能夠相對(duì)平穩(wěn)地收斂到理想結(jié)果。

（22）

式中，m為最終估計(jì)質(zhì)量，ClongT為定值長(zhǎng)周期濾波系數(shù)。

如果經(jīng)過二次濾波后的估算質(zhì)量結(jié)果長(zhǎng)時(shí)間保持不變或變化幅度在很小的范圍內(nèi)，說明此時(shí)估算質(zhì)量已經(jīng)趨于收斂，此時(shí)記錄當(dāng)前估算質(zhì)量結(jié)果作為最終估計(jì)值，且估計(jì)算法終止運(yùn)行，從而能夠減少計(jì)算量，提高控制器運(yùn)算效率。待車速為0后，車輛重新行駛時(shí)，再進(jìn)行上述算法對(duì)質(zhì)量進(jìn)行重新估計(jì)。

3 ? ?基于“前饋+反饋PID”的減速度控制

為了實(shí)現(xiàn)線控制動(dòng)系統(tǒng)減速度控制功能，本文采用了工程中常用的“前饋+反饋PID”控制[18-19]，通過調(diào)節(jié)控制器參數(shù)控制實(shí)際減速度與期望減速度一致。該控制方式具有很強(qiáng)的魯棒性，更能適應(yīng)商用車質(zhì)量多變、響應(yīng)延遲大的特點(diǎn)。

本文設(shè)計(jì)的減速度控制流程如圖3所示，上層決策模塊下達(dá)車輛需求減速度指令，若同時(shí)存在多個(gè)上層控制指令則需要進(jìn)行減速度指令協(xié)調(diào)，取減速度絕對(duì)值的最大值作為協(xié)調(diào)減速度請(qǐng)求。

同時(shí)基于整車質(zhì)量估計(jì)與車輛減速度估計(jì)為線控制動(dòng)請(qǐng)求控制提供參考量。請(qǐng)求減速度與整車質(zhì)量乘積作為前饋制動(dòng)力，提供車輛達(dá)到期望減速度所需的基本制動(dòng)力。實(shí)際減速度與期望減速度的偏差通過PID反饋控制器得到反饋制動(dòng)力，提供車輛達(dá)到期望減速度所需的補(bǔ)償制動(dòng)力。

前饋制動(dòng)力與反饋制動(dòng)力相加得到總體需求制動(dòng)力，同時(shí)根據(jù)車輛穩(wěn)定性、前后橋摩擦片磨損狀態(tài)進(jìn)行前后橋需求制動(dòng)力分配。前后橋摩擦片的磨損狀態(tài)主要通過傳感器獲得磨損信息，若無搭載相關(guān)傳感器也可通過摩擦磨損試驗(yàn)建立摩擦片磨損特性模型[20]，進(jìn)而對(duì)摩擦片磨損信息進(jìn)行觀測(cè)，由于制動(dòng)力分配模塊不屬于本文研究?jī)?nèi)容的重點(diǎn)，故不再詳細(xì)描述。將前后橋需求制動(dòng)力除以相應(yīng)的制動(dòng)器系數(shù)得到前后橋輪缸氣室需求壓力，將控制信號(hào)反饋給比例閥從而進(jìn)行輪缸氣室壓力控制。

在向線控制動(dòng)系統(tǒng)下達(dá)期望減速度指令的初期，由于氣體管路較長(zhǎng)，氣體傳遞存在遲滯，導(dǎo)致制動(dòng)氣室輪缸壓力建壓時(shí)間略有延遲，輪缸壓力從0bar到10bar用時(shí)大約為600-800ms，如果此時(shí)介入反饋控制會(huì)使比例閥指令壓力過高，使得實(shí)際減速度出現(xiàn)過大的超調(diào)量，影響減速度控制效果，故建壓延遲初期僅需介入前饋控制而不介入反饋控制。當(dāng)制動(dòng)氣室輪缸壓力達(dá)到前饋控制的壓力指令時(shí)，此時(shí)再同時(shí)介入前饋控制與反饋控制。

4 ? ?實(shí)車測(cè)試結(jié)果

本文選取解放JH6牽引車為測(cè)試樣車，牽引車驅(qū)動(dòng)形式4×2，整車整備質(zhì)量為6900kg，同時(shí)以黑河市北安極地測(cè)試基地為實(shí)車試驗(yàn)路段。實(shí)車測(cè)試樣車如圖4所示。

4.1 ? 質(zhì)量估計(jì)算法實(shí)車驗(yàn)證

質(zhì)量估計(jì)算法的實(shí)車驗(yàn)證結(jié)果如圖5所示，設(shè)置初始默認(rèn)整車質(zhì)量為5800kg，而實(shí)際整車整備質(zhì)量為6900kg，車輛在符合質(zhì)量估計(jì)的工況下，大約15秒內(nèi)質(zhì)量估計(jì)結(jié)果趨于穩(wěn)定，相較于工程中常用的遞推最小二乘質(zhì)量估計(jì)方法，其收斂時(shí)間在25秒以上[21]，故該算法在收斂速度上有較大提升。收斂質(zhì)量為7520kg，誤差約為8.99%，該誤差在減速度PID反饋控制的補(bǔ)償范圍之內(nèi)，滿足減速度控制的要求，同時(shí)由于算法計(jì)算邏輯簡(jiǎn)單，沒有大量的數(shù)值計(jì)算，可以很大程度地節(jié)省控制器的計(jì)算空間，節(jié)約計(jì)算成本。

4.2 ? 減速度控制實(shí)車驗(yàn)證

商用車一般配備制動(dòng)防抱死系統(tǒng)（ABS），大力制動(dòng)導(dǎo)致ABS觸發(fā)時(shí)車輛減速度波動(dòng)較大，而輕微制動(dòng)ABS未觸發(fā)時(shí)車輛速度與輪速接近，減速度波動(dòng)也較小，故根據(jù)ABS是否觸發(fā)需要分別匹配PID參數(shù)，通過反復(fù)實(shí)車測(cè)試進(jìn)行PID參數(shù)調(diào)節(jié)，當(dāng)ABS沒有觸發(fā)時(shí)P=20，I=5，D=1，當(dāng)ABS觸發(fā)時(shí)P=5，I=15，D=0。在路面附著系數(shù)為0.75的混凝土路面上分別設(shè)置期望減速度為2m/s2、4m/s2、7m/s2，制動(dòng)初始速度為60m/s。

為了驗(yàn)證實(shí)際減速度與期望減速度是否一致，本文作者在解放JH6實(shí)驗(yàn)樣車中加入慣性傳感器（IMU），從而獲得參考縱向加速度，通過估計(jì)加速度與IMU加速度進(jìn)行對(duì)比，從而驗(yàn)證估計(jì)加速度的準(zhǔn)確性。同時(shí)將IMU加速度與期望加速度進(jìn)行對(duì)比，觀察減速度控制的控制效果。

由于在實(shí)車測(cè)試中IMU信號(hào)噪聲較大，無法準(zhǔn)確獲得縱向加速度真值，但I(xiàn)MU加速度信號(hào)在縱向加速度真值附近上下波動(dòng)，通過觀察IMU加速度信號(hào)上下浮動(dòng)的中心位置，大致能夠?yàn)轵?yàn)證估計(jì)加速度的準(zhǔn)確性提供參考。當(dāng)期望減速度為2m/s2以及4m/s2時(shí)，此時(shí)ABS沒有觸發(fā)，當(dāng)期望減速度為7m/s2時(shí)，此時(shí)ABS觸發(fā)。從上面三組實(shí)驗(yàn)的結(jié)果可以看出，無論ABS是否觸發(fā)，估計(jì)加速度與IMU加速度的大小以及變化趨勢(shì)都能保持一致，并且估計(jì)加速度在期望加速度數(shù)值附近略微波動(dòng)，基本保持在期望加速度附近。同時(shí)前后橋比例閥壓力在制動(dòng)初期保持穩(wěn)定，僅由前饋控制進(jìn)行調(diào)節(jié)，當(dāng)制動(dòng)氣室充分建壓后，再根據(jù)減速度反饋誤差結(jié)果進(jìn)行壓力調(diào)節(jié)。上述實(shí)驗(yàn)結(jié)果驗(yàn)證了本文設(shè)計(jì)的減速度控制器具有很好的控制效果。

5 ? ?結(jié)束語

（1）氣壓線控制動(dòng)系統(tǒng)是未來無人駕駛商用車的關(guān)鍵執(zhí)行機(jī)構(gòu)，本文設(shè)計(jì)了一種基于商用車質(zhì)量估計(jì)的線控制動(dòng)系統(tǒng)減速度控制方法，為氣壓線控制動(dòng)減速度控制提供算法支持。

（2）本文提出了一種基于模糊邏輯的自適應(yīng)濾波系數(shù)商用車質(zhì)量估計(jì)算法，在保證估計(jì)質(zhì)量結(jié)果準(zhǔn)確的情況下，減少占用控制器的計(jì)算資源?；谲囕v縱向動(dòng)力學(xué)模型得到估計(jì)質(zhì)量的原始值，通過當(dāng)前車輛狀態(tài)利用模糊邏輯規(guī)則自適應(yīng)調(diào)節(jié)估計(jì)質(zhì)量原始值的濾波系數(shù)，給予可信度更高的估計(jì)質(zhì)量的原始值更高的權(quán)重，讓估計(jì)質(zhì)量快速收斂，同時(shí)濾去可信度較低的原始估計(jì)值噪聲，使估計(jì)質(zhì)量結(jié)果趨于穩(wěn)定。經(jīng)實(shí)車測(cè)試，質(zhì)量誤差約為8.99%，估計(jì)效果滿足減速度控制要求。

（3）基于質(zhì)量估計(jì)與減速度估計(jì)結(jié)果，按照駕駛員或者主動(dòng)制動(dòng)模塊要求的期望減速度進(jìn)行“前饋+反饋PID”控制，同時(shí)考慮ABS對(duì)減速度估算結(jié)果的影響，根據(jù)ABS是否觸發(fā)，配匹兩套PID參數(shù)。在實(shí)車實(shí)驗(yàn)中分別設(shè)置期望減速度2m/s2、4m/s2、7m/s2。觀察實(shí)車數(shù)據(jù)，驗(yàn)證了減速度控制算法具有很好的控制效果。

綜上所述，本文提出的基于質(zhì)量估計(jì)的商用車線控制動(dòng)系統(tǒng)減速度控制算法，能夠滿足未來無人駕駛汽車線控制動(dòng)的需求，準(zhǔn)確快速地執(zhí)行上層制動(dòng)指令，為未來無人駕駛汽車的落地提供底層控制算法。在未來研究中，還需要進(jìn)一步考慮線控制動(dòng)期望減速度的變化趨勢(shì)，使之與真實(shí)駕駛員踩踏制動(dòng)踏板產(chǎn)生的減速度變化趨勢(shì)一致[22]，避免期望減速度突然增大，從而提升車內(nèi)成員乘坐的舒適性。

參考文獻(xiàn)：

[1]李亮，王翔宇，程碩，等. 汽車底盤線控與動(dòng)力學(xué)域控制技術(shù)[J]. 汽車安全與節(jié)能學(xué)報(bào)，2020，11（2）： 143-160.

[2]王建萍，何力. 干線物流無人駕駛卡車市場(chǎng)化挑戰(zhàn)[J].汽車與配件，2021， 2（2）： 56-59.

[3]陳倩.商用車氣壓制動(dòng)系統(tǒng)動(dòng)態(tài)特性仿真研究[D].長(zhǎng)春：吉林大學(xué)， 2015.

[4]曲輔凡.線控氣壓復(fù)合制動(dòng)系統(tǒng)控制及硬件在環(huán)仿真研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[5]楊坤，肖錦釗，王杰，等.考慮踏板速度的駕駛員制動(dòng)強(qiáng)度識(shí)別研究[J].河南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（3） ： 33-37.

[6]徐勇兵. 基于汽車質(zhì)量識(shí)別的商用車下坡車速規(guī)劃研究[D]. 武漢：武漢理工大學(xué)，2019.

[7]胡滿江，羅禹貢，陳龍，等. 基于縱向頻響特性的整車質(zhì)量估計(jì)[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2020，11（2）： 978-983.

[8]MCINTYRE M L，GHOTIKAR T J，VAHDI A，et al. A two-stage Lyapunov-based estimator for estimation of vehicle mass and road grade[J]. IEEE Transactions on Vehicular Technology，2009，58（7）：3177-3158.

[9]雷雨龍，付堯，劉科.基于擴(kuò)展卡爾曼濾波的車輛質(zhì)量與道路坡度估計(jì)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，11（11）： 13-18.

[10]任志英，沈亮量，黃偉，等. 基于AEKF的車輛質(zhì)量與道路坡度實(shí)時(shí)估計(jì)[J]. 振動(dòng)、測(cè)試與診斷，2020，40（4）： 759-764.

[11]楊財(cái)，宋健. ABS/TCS/AYC中參考車速和滑移率算法研究[J]. 汽車工程，2009，31（1）： 25-27.

[12]戴希. 基于多傳感器信息融合的車輛縱向車速估計(jì)方法研究[D]. 秦皇島：燕山大學(xué)，2018.

[13]Lee H. Reliability Indexed Sensor Fusion and Its Application to Vehicle Velocity Estimation[J]. Journal of Biological Chemistry，2006，249（17）： 5614-5622.

[14]Wenzel T A， Burnham K J， Blundell M V，et al. Dual extended Kalman filter for vehicle state and parameter estimation[J]. Vehicle System Dynamics，2006，44（2）： 153-171.

[15]孫萬峰.商用車牽引力與制動(dòng)力集成控制算法研究[D]. 長(zhǎng)春：吉林大學(xué)，2010.

[16]陳鵬飛. 汽車動(dòng)力學(xué)控制系統(tǒng)中的狀態(tài)參數(shù)實(shí)時(shí)估計(jì)與工程應(yīng)用[D]. 長(zhǎng)春：吉林大學(xué)，2018.

[17]RAJAMANI R. 車輛動(dòng)力學(xué)及控制[M].2版. 王國(guó)業(yè)，譯. 北京：機(jī)械工業(yè)出版社，2018.

[18]來飛，葉心. 汽車高速行駛時(shí)自動(dòng)緊急轉(zhuǎn)向避撞的前饋與反饋跟蹤控制的研究[J]. 汽車工程， 2020，42（10）： 1405-1411.

[19]冀同濤，李剛，王明家，等. 基于前饋和反饋相結(jié)合的路徑跟蹤算法[J]. 汽車工程師，2019， 7（7）： 19-22.

[20]李玉龍.盤式制動(dòng)器摩擦特性及其熱力耦合分析[D].太原：太原理工大學(xué)，2020.

[21]李明陽.應(yīng)用于商用車EPB系統(tǒng)的車輛質(zhì)量識(shí)別方法的研究[D]. 南京：南京理工大學(xué)，2018.

[22]李剛，楊志，吳迪，等.汽車兩級(jí)自動(dòng)緊急制動(dòng)系統(tǒng)控制研究[J].機(jī)械設(shè)計(jì)與制造，2020，7（7） ： 134-138.

專家推薦語

葉曉明

東風(fēng)汽車集團(tuán)有限公司技術(shù)中心

架構(gòu)中心副總監(jiān) ?高級(jí)工程師

本論文研究的減速度控制是商用車自動(dòng)駕駛技術(shù)的重要組成部分，算法計(jì)算量小，可有效降低計(jì)算負(fù)荷，具備較高的研究及實(shí)用價(jià)值。