基于視覺(jué)感知的半主動(dòng)懸架預(yù)瞄控制

摘 要：針對(duì)半主動(dòng)懸架系統(tǒng)在典型離散路面行駛時(shí)引起的車身振動(dòng)問(wèn)題，提出了一種基于視覺(jué)感知的預(yù)瞄控制策略。首先，結(jié)合YOLOv5目標(biāo)檢測(cè)和雙目視覺(jué)技術(shù)實(shí)時(shí)獲取典型路面特征和距離信息。其次，根據(jù)當(dāng)前車輛狀態(tài)信息，設(shè)計(jì)了一種集預(yù)瞄模糊前饋和自抗擾反饋于一體的半主動(dòng)懸架控制系統(tǒng)。最后，在典型離散路面工況下，通過(guò)Matlab／Simulink進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示，基于視覺(jué)預(yù)瞄的控制策略能顯著提升半主動(dòng)懸架系統(tǒng)的減振性能，進(jìn)而增強(qiáng)車輛的乘坐舒適性和操控穩(wěn)定性。

關(guān)鍵詞：半主動(dòng)懸架;視覺(jué)預(yù)瞄;模糊前饋;自抗擾;Matlab／Simulink

中圖分類號(hào)：U463.33 文獻(xiàn)標(biāo)志碼：A DOI：10.3969/j.issn.1673-3819.2024.06.011

Semi-active suspension preview control based on visual perception

ZHANG Qianman， WANG Zhifeng， XU Jie

（School of Intelligent Manufacturing and Control Engineering Shanghai Polytechnic University，Shanghai 201209，China）

Abstract：A preview control technique based on visual perception is proposed to address the body vibration problem generated by the semi-active suspension system when driving on typical discrete road surfaces. Firstly， by merging YOLOv5 target detection and stereo vision technologies， typical road surface properties and distance information are obtained in real time. Secondly， a semi-active suspension control system incorporating preview fuzzy feed-forward and Active Disturbance Rejection Control feedback is devised based on current vehicle condition information. Finally， Matlab／Simulink simulates tests with realistic discrete road conditions. The experimental findings demonstrate that the visual preview control technique may greatly increase the semi-active suspension system’s damping performance， which in turn improves the vehicle’s handling stability and ride comfort.

Key words：semi-active suspension; visual preview; fuzzy feedforward; active disturbance rejection control; Matlab／Simulink

收稿日期：2023-12-01修回日期：2024-01-03

作者簡(jiǎn)介：

張前滿（1998—），男，碩士研究生，研究方向?yàn)殡娮优c測(cè)控技術(shù)。

通訊作者：汪志鋒（1970—），男，教授。

懸架是車輛行駛過(guò)程中乘坐舒適性和操控穩(wěn)定性的重要影響因素。半主動(dòng)懸架最早于1974年由美國(guó)加州大學(xué)戴維斯分校機(jī)械工程系的Karnopp教授等提出［1］，并基于天棚阻尼算法給出了半主動(dòng)懸架的控制策略。近年來(lái)，半主動(dòng)懸架控制已然成為國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。楊慧勇等［2］利用PID控制，建立Simulink和ADAMS的聯(lián)合仿真，驗(yàn)證了PID控制策略的有效性。在PID控制參數(shù)調(diào)節(jié)方面，詹長(zhǎng)書(shū)等［3］基于PID控制提出了粒子群優(yōu)化策略，提升了汽車的平順性和穩(wěn)定性，并解決了PID控制參數(shù)整定的問(wèn)題。寇發(fā)榮等［4］提出了一種基于路面等級(jí)的LQG控制方法，并設(shè)定等級(jí)路面閾值，采用果蠅算法確定LQG控制的加權(quán)系數(shù)，實(shí)驗(yàn)結(jié)果證明了算法的有效性和優(yōu)越性。然而，上述研究中均未提出針對(duì)典型路面擾動(dòng)的控制策略。

本文提出一種基于視覺(jué)感知的半主動(dòng)懸架控制策略，結(jié)合YOLOv5目標(biāo)檢測(cè)和雙目視覺(jué)深度測(cè)距算法，提前獲取典型離散擾動(dòng)路面（如減速帶、井蓋等）的特征和距離，并設(shè)定置信度檢測(cè)閾值。在自抗擾反饋控制的基礎(chǔ)上，引入預(yù)瞄模糊前饋控制策略，實(shí)現(xiàn)對(duì)半主動(dòng)懸架系統(tǒng)阻尼的提前干預(yù)，以改善車輛行駛的平順性和操控穩(wěn)定性。

1 典型離散路面檢測(cè)

1.1 YOLOv5目標(biāo)檢測(cè)算法

YOLO［5］作為一種基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，其核心思想是將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為待求解的回歸問(wèn)題，將含有待檢測(cè)目標(biāo)環(huán)境的圖像載入卷積網(wǎng)絡(luò)，最終得出目標(biāo)種類、置信度和位置等信息。其內(nèi)部結(jié)構(gòu)主要分為輸入層、Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、Head網(wǎng)絡(luò)、輸出層、損失函數(shù)、數(shù)據(jù)增強(qiáng)［6-7］。YOLOv5的主要網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

網(wǎng)絡(luò)預(yù)測(cè)過(guò)程中，YOLOv5根據(jù)網(wǎng)絡(luò)框架的置信度值判斷目標(biāo)框圈定目標(biāo)物是否為目標(biāo)物體，其計(jì)算公式為：

Cji=Pr（Object）*IoUtruthpred （1）

IoUtruthpred=AreaBBdt∩BBgtAreaBBdt∪BBgt （2）

式中，Cji 表示第i個(gè)網(wǎng)絡(luò)區(qū)域第j個(gè)邊界框的置信度;Pr（Object）表示預(yù)測(cè)框樣本概率;IoU為預(yù)測(cè)邊框與真實(shí)邊框的交并比;BBdt和BBgt表示訓(xùn)練物體標(biāo)簽和網(wǎng)絡(luò)預(yù)測(cè)的可信度;Area（·）表示區(qū)域面積函數(shù)。

本文訓(xùn)練數(shù)據(jù)集主要取自某高?，F(xiàn)場(chǎng)拍攝，該數(shù)據(jù)集包括800張減速帶、井蓋等圖片。但在數(shù)據(jù)集的準(zhǔn)備上，仍可以實(shí)現(xiàn)補(bǔ)充擴(kuò)展，以增強(qiáng)YOLOv5識(shí)別結(jié)果的準(zhǔn)確性和魯棒性，突出YOLOv5目標(biāo)檢測(cè)算法的必要性。此外，可通過(guò)圖像標(biāo)注工具LabelImg實(shí)現(xiàn)YOLO格式轉(zhuǎn)換，并將數(shù)據(jù)集按照7∶2∶1的比例劃分為訓(xùn)練集、測(cè)試集、驗(yàn)證集。

1.2 訓(xùn)練結(jié)果與檢測(cè)

模型訓(xùn)練主要基于Windows操作系統(tǒng)，GPU為NVIDIA RTX3060，內(nèi)存為16 GB，學(xué)習(xí)訓(xùn)練環(huán)境基于Python3.8、Cuda11.1和PyTorch1.8.1。具體訓(xùn)練參數(shù)如表1所示。

訓(xùn)練結(jié)果和檢測(cè)精度上，主要針對(duì)精確度（Precision）、召回率（Recall）、平均精度均值（mAP）等指標(biāo)進(jìn)行了評(píng)估分析。精確度表示模型預(yù)測(cè)為正例的樣本中正確的比例，召回率表示模型成果預(yù)測(cè)的正例樣本占所有正例樣本的比例，mAP@0.5表示IoU為0.5時(shí)，模型的平均精度。主要計(jì)算公式為：

Precision=TPTP+FP （3）

Recall=TPTP+FN （4）

其中，TP表示正比例（True Positive），F(xiàn)P表示假正例（False Positive），F(xiàn)N表示假反例（False Negative）。主要結(jié)果如圖2a）、b）、c）所示。

結(jié)果上，精確度為0.93，召回率為0.83，mAP值為0.91，達(dá)到了一定的檢測(cè)精度，可進(jìn)行雙目結(jié)合，實(shí)現(xiàn)對(duì)于典型離散路面擾動(dòng)的檢測(cè)。

2 雙目測(cè)距

2.1 雙目測(cè)距基本流程

雙目測(cè)距是一種基于雙目視覺(jué)的距離測(cè)量技術(shù)，主要通過(guò)模擬人類雙眼觀察物體的原理，通過(guò)視差和立體視覺(jué)實(shí)現(xiàn)對(duì)于實(shí)時(shí)物距的估計(jì)。其主要流程如圖3所示。

2.1.1 雙目系統(tǒng)標(biāo)定與圖像校正

雙目相機(jī)參數(shù)的標(biāo)定是雙目測(cè)距的關(guān)鍵前期準(zhǔn)備步驟，常見(jiàn)的標(biāo)定方法主要包括人工標(biāo)定、基于Matlab工具箱標(biāo)定［8］和基于OpenCV自標(biāo)定方法［9］。相較于其他標(biāo)定方法，基于Matlab工具箱的張正友標(biāo)定法則更易于實(shí)現(xiàn)且在參數(shù)估計(jì)上精度高，適用范圍廣，魯棒性強(qiáng)［10］。實(shí)驗(yàn)使用高精度鋁質(zhì)棋盤格作為標(biāo)定板，通

過(guò)雙目相機(jī)進(jìn)行50組標(biāo)定板圖像的拍攝采集，并將其分割為左右圖像輸入Matlab工具箱進(jìn)行標(biāo)定。本實(shí)驗(yàn)的平均標(biāo)定誤差為0.05個(gè)像素，達(dá)到了預(yù)期的標(biāo)定精度。雙目相機(jī)內(nèi)外參數(shù)及重投影誤差結(jié)果如表2和圖4所示。

相機(jī)畸變是指在實(shí)際世界中物體投影到成像平面時(shí)，由于鏡頭形狀、位置等因素導(dǎo)致圖像存在畸變失真現(xiàn)象?；冃Ｕ上蛳鄼C(jī)本身導(dǎo)致的圖像畸變，可利用相機(jī)參數(shù)和公式法實(shí)現(xiàn)對(duì)于相機(jī)徑向畸變和切向畸變的消除，其主要公式如下：

徑向畸變校正：

x_cor=x*（1+k1*r2+k2*r4+k3*r6）

y_cor=y*（1+k1*r2+k2*r4+k3*r6）（5）

切向畸變校正：

x_cor=x+（2*p1*y+p2*（r2+2*x2））y_cor=y+（p1*（r2+2*y2）+2*p2*x） （6）

其中，（x，y）為畸變校正前像素坐標(biāo)，（x_cor，y_cor）為畸變校正后像素坐標(biāo)，k1、k2、k3為徑向畸變參數(shù)，p為切向畸變參數(shù)，r為徑向距離。經(jīng)過(guò)相機(jī)畸變矯正的圖像具有極線約束的特點(diǎn)［11］，即左右相機(jī)的所拍攝的目標(biāo)物位于同一水平線上，極線約束可有效降低立體匹配的工作量，畸變極線校正實(shí)驗(yàn)結(jié)果如圖5所示。

2.1.2 SGBM立體匹配

立體匹配目的是從雙目圖像中獲取同名點(diǎn)，通過(guò)視差計(jì)算得出檢測(cè)點(diǎn)的深度信息。由于本實(shí)驗(yàn)對(duì)檢測(cè)對(duì)象的現(xiàn)場(chǎng)環(huán)境、測(cè)量精度和實(shí)時(shí)性均具有一定要求，所以本文選擇半全局立體匹配算法（Semi-Global Block Matching，SGBM）。SGBM算法［12］是一種基于區(qū)域約束的局部立體匹配算法，通過(guò)獲取計(jì)算區(qū)域內(nèi)的每個(gè)像素點(diǎn)的視差，并整合為一整張視差圖，構(gòu)建多方向掃描線的代價(jià)能量和函數(shù)，求取能量代價(jià)和函數(shù)的最優(yōu)解。圖6為使用SGBM算法匹配得到的結(jié)果。

在實(shí)際運(yùn)用中，由于光照等外部因素的影響，通常會(huì)出現(xiàn)誤匹配的現(xiàn)象，為避免后期出現(xiàn)測(cè)距錯(cuò)誤現(xiàn)象，需要對(duì)視差圖進(jìn)行后處理。本文采用WLS濾波［13］對(duì)視差圖像進(jìn)行去噪和孔洞填充處理，結(jié)果如圖7所示。由圖7可見(jiàn)，經(jīng)過(guò)WLS濾波后處理的視差圖更加平滑，且去除了明顯孔洞，為后續(xù)的測(cè)距精度和準(zhǔn)確率上進(jìn)行了優(yōu)化。其中，圖7為WLS濾波優(yōu)化結(jié)果。

2.2 基于目標(biāo)檢測(cè)的深度估計(jì)

當(dāng)使用雙目相機(jī)得到檢測(cè)點(diǎn)時(shí)，便可得到該點(diǎn)視差，通過(guò)公式轉(zhuǎn)換法以獲取檢測(cè)點(diǎn)的深度信息，其轉(zhuǎn)換原理如圖8所示。

圖中，f為相機(jī)焦距，b為雙目基線，Pl、Pr為空間目標(biāo)檢測(cè)點(diǎn)在左、右相機(jī)成像平面上的像素點(diǎn)，Ol、Or為左、右相機(jī)光心。若雙目相機(jī)達(dá)到極線和光軸平行，則視差和深度關(guān)系為

bZ=（b+xr）-xlZ-f （7）

由d=xl-xr可得深度Z為

Z=bfxl-xr=bfd （8）

本文基于YOLOv5目標(biāo)檢測(cè)框架，旨在計(jì)算典型離散激勵(lì)的深度信息。當(dāng)實(shí)測(cè)路面存在典型擾動(dòng)激勵(lì)時(shí)，將基于雙目相機(jī)獲取的YOLOv5目標(biāo)檢測(cè)圖像進(jìn)行左右分割，并將其作為輸入用于雙目視覺(jué)測(cè)距。隨后，進(jìn)行畸變校正和立體匹配計(jì)算，以生成雙目視差圖。在此基礎(chǔ)上，以左視差圖為基準(zhǔn)，將YOLOv5目標(biāo)檢測(cè)的預(yù)測(cè)框中心點(diǎn)作為視差距離檢測(cè)點(diǎn)，通過(guò)視差深度轉(zhuǎn)換關(guān)系計(jì)算實(shí)時(shí)距離，實(shí)現(xiàn)YOLOv5目標(biāo)檢測(cè)與雙目視覺(jué)的有效銜接。最終，基于YOLOv5和雙目視覺(jué)融合的檢測(cè)結(jié)果如圖9所示。

其中，speed_bumps為減速帶激勵(lì)，置信度Confidence=0.90，距離為2.09 m，達(dá)到了預(yù)瞄檢測(cè)精度和預(yù)瞄距離精度。

3 半主動(dòng)懸架及路面模型搭建

二自由度1／4半主動(dòng)懸架在垂直方向上能夠較好地反映汽車的振動(dòng)特性，且易獲取車身加速度、懸架動(dòng)撓度和輪胎動(dòng)載荷等性能指標(biāo)［14］。根據(jù)牛頓第二定律得出半主動(dòng)懸架運(yùn)動(dòng)學(xué)模型如圖10和公式（9）所示。

mb1+kb（z1-z2）+c0（1-2）-f=0mx2-kb（z1-z2）-c0（1-2）+kx（z2-z3）+f=0 （9）

其中，kb、kx為懸架彈簧剛度和輪胎剛度;mb、mx分別為簧載質(zhì)量和非簧載質(zhì)量;c0為懸架阻尼系數(shù);f為懸架可調(diào)阻尼力，z1、z2、z3分別代表簧載位移、非簧載位移和路面輸入擾動(dòng)。

根據(jù)1／4半主動(dòng)懸架運(yùn)動(dòng)學(xué)微分方程選取狀態(tài)變量為x=［z1，z2，1，2］T，輸入變量為u=［f，z3］，輸出變量為y=z1，則系統(tǒng)狀態(tài)空間方程為：

其中，本文半主動(dòng)懸架相關(guān)參數(shù)取值如表3所示。

路面激勵(lì)是懸架系統(tǒng)不可忽視的因素，對(duì)于行駛平順性和操作穩(wěn)定性有很大影響。本文采用模擬連續(xù)減速帶的路面模型，時(shí)域模型描述為

zr（t）=0.05（1-cos（4πt）），0.5≤t≤10.025（1-cos（4πt）），3≤t≤3.50，otherwise （12）

其中，zr（t）為雙沖擊減速帶路面，其時(shí)域信號(hào)如圖11所示。

4 自抗擾反饋控制

自抗擾控制dQQHckZqdckHvl0qS1XFDA==（Active Disturbance Rejection Control， ADRC）由中科院數(shù)學(xué)所的韓京清教授于1998年正式提出［15］。自抗擾控制主要由跟蹤微分器（Tracking Differentiator，TD）、非線性狀態(tài)誤差反饋（Nonlinear States Error Feedback， NLSEF）和擴(kuò)張狀態(tài)觀測(cè)器（Extended State Observer， ESO）三部分組成［16］。TD主要通過(guò)安排過(guò)渡過(guò)程，實(shí)現(xiàn)信號(hào)平滑處理，以解決超調(diào)和快速性之間的矛盾。ESO將系統(tǒng)所不確定的內(nèi)外擾動(dòng)歸結(jié)為“未知擾動(dòng)”，通過(guò)控制輸入和狀態(tài)輸出，實(shí)現(xiàn)對(duì)于未知擾動(dòng)的主動(dòng)抗擾。NLSEF則是PID控制的理論改進(jìn)，以非線性組合取代線性加權(quán)，并以擴(kuò)張狀態(tài)觀測(cè)結(jié)果實(shí)現(xiàn)非線性組合修正。ADRC具有較強(qiáng)的魯棒性和適應(yīng)性，已廣泛運(yùn)用于工業(yè)控制和運(yùn)動(dòng)學(xué)控制。其主要結(jié)構(gòu)如圖12所示。

4.1 跟蹤微分器

跟蹤微分器的離散形式：

x1（k+1）=x1（k）+hx2（k）x2（k+1）=x2（k）+hfhfh=fhan（x1（k）-v（k），x2（k），r0，h0） （13）

為使車身在擾動(dòng)作用下保持平衡狀態(tài)，取二自由度1／4半主動(dòng)懸架車身加速度參考輸入v（k）=0，其中，r0、h0分別為速度因子和濾波因子，實(shí)現(xiàn)對(duì)于信號(hào)的快速跟蹤和濾波，h為采樣時(shí)間。對(duì)于最優(yōu)快速綜合函數(shù)fhan（·）主要表達(dá)形式如下：

d=r0h20a0=h0x2y=x1+a0a1=d（d+8|y|）a2=a0+sign（y）（a-d）／2sy=［sign（y+d）-sign（y-d）］／2a=（a0+y-a2）sy+a2sa=［sign（a+d）-sign（a-d）］／2fhan=-r0［a／d-sign（a）］sa-r0sign（a） （14）

4.2 非線性誤差狀態(tài)反饋控制律

分別定義z1、e1為車身加速度觀測(cè)值和跟蹤誤差;z2、e2為車身加速度微分觀測(cè)值和微分誤差值，非線性反饋控制方程：

e1=x1（k）-z1（k）e2=v2（k）-z2（k）u0=β1fal（e1，a1，δ0）+β2fal（e2，a2，δ0）（15）

式中：

fal（x，a，δ）= xδ（1-a），|x|≤δsign（x）xa，|x|>δ （16）

其中，a1、a2為非線性因子;β1、β2為非線性增益，fal（·）為非線性函數(shù)。對(duì)于a<1時(shí)，非線性函數(shù)具有“小誤差大增益，大誤差小增益”的特性［17］。選取u0為半主動(dòng)懸架控制輸入。

4.3 擴(kuò)張狀態(tài)觀測(cè)器

擴(kuò)張狀態(tài)觀測(cè)器是自抗擾控制最為重要的部分。對(duì)于非線性系統(tǒng)和不確定性系統(tǒng)，擴(kuò)張狀態(tài)觀測(cè)器可通過(guò)擴(kuò)張變量來(lái)適應(yīng)不同系統(tǒng)，從而提高狀態(tài)估計(jì)精度，對(duì)于半主動(dòng)懸架系統(tǒng)來(lái)說(shuō)，可用于實(shí)現(xiàn)對(duì)于外部路面擾動(dòng)和內(nèi)部建模誤差的“未知擾動(dòng)”補(bǔ)償，其主要數(shù)學(xué)表達(dá)如下：

ε1=z1-y1=z2-β01ε12=z3-β02fal（ε1，α1，δ）+bu3=-β03fal（ε1，α2，δ） （17）

式中，z1、z2、z3分別系統(tǒng)觀測(cè)值，取y為車身加速度的實(shí)際輸出狀態(tài)，β01、β02、β03為ESO增益系數(shù)，α1、α2為非線性因子，b為放大倍數(shù)。通常取α1=0.5;α2=0.25。

5 預(yù)瞄前饋模糊控制方法

在車輛行駛過(guò)程中，結(jié)合YOLOv5目標(biāo)檢測(cè)和雙目視覺(jué)測(cè)距技術(shù)，實(shí)現(xiàn)對(duì)于車前典型離散路面的預(yù)瞄感知，并將其作為半主動(dòng)懸架的前饋預(yù)瞄控制信號(hào)，本文取YOLOv5置信度Confidence≥0.85時(shí)，可認(rèn)為前方存在離散激勵(lì)，并以預(yù)測(cè)框的中心點(diǎn)作為雙目測(cè)距目標(biāo)點(diǎn)，實(shí)現(xiàn)擾動(dòng)的檢測(cè)和實(shí)際距離測(cè)量。當(dāng)存在離散激勵(lì)時(shí)，引入預(yù)瞄模糊前饋控制策略，根據(jù)當(dāng)前車速和測(cè)距距離計(jì)算時(shí)間延遲，并與自抗擾反饋形成前反饋控制，整體控制框架如圖13所示。

模糊控制已被證明能夠有效地處理非線性問(wèn)題［18］。本文采用雙輸入單輸出的預(yù)瞄模糊控制策略，將當(dāng)前半主動(dòng)懸架的車身加速度和視覺(jué)預(yù)瞄的道路信息作為模糊控制輸入，將阻尼力控制信號(hào)作為輸出，經(jīng)時(shí)間滯后處理的模糊前饋將與自抗擾反饋結(jié)合，以形成前反饋控制。車身加速度和視覺(jué)路面經(jīng)輕量化后采用7個(gè)模糊子集｛NB，NM，NS，ZERO，PS，PM，PB｝，論域?yàn)椋?1，1］，阻尼控制輸出u采用模糊子集｛NB，NM，NS，ZERO，PS，PM，PB｝，論域同樣為［-1，1］。輸入和輸出量在隸屬函數(shù)上均采用高斯分布。輸入輸出模糊控制規(guī)則表如表4所示。

6 Matlab／Simulink仿真對(duì)比分析

為證明基于視覺(jué)感知的半主動(dòng)懸架控制策略的可行性和優(yōu)越性，對(duì)于減速帶典型離散激勵(lì)路面進(jìn)行了仿真分析。以第三節(jié)建立的1／4車輛半主動(dòng)懸架模型作為研究對(duì)象進(jìn)行仿真實(shí)驗(yàn)。其中自抗擾控制參數(shù)主要由粒子群優(yōu)化算法調(diào)節(jié)［19］，本文不再贅述，搭建Matlab／Simulink總仿真圖形化系統(tǒng)如圖14所示。

仿真分析對(duì)比了被動(dòng)懸架、自抗擾控制、預(yù)瞄模糊自抗擾控制。系統(tǒng)仿真各項(xiàng)性能指標(biāo)時(shí)域響應(yīng)曲線如圖15—17所示。

各項(xiàng)性能指標(biāo)的均方根值（RMS）對(duì)比如表5所示。在典型減速帶狀態(tài)下，引入預(yù)瞄模糊自抗擾控制的半主動(dòng)懸架在車身加速度上相較于被動(dòng)懸架和自抗擾控制分別降低了70.71％、44.60％，并且在懸架動(dòng)撓度上分別降低了43.63％、14.80％，車輛的乘坐舒適性和行駛安全性均得到改善。在輪胎動(dòng)載荷上，引入預(yù)瞄模糊自抗擾控制的半主動(dòng)懸架相較于被動(dòng)懸架和自

抗擾控制分別優(yōu)化了69.54％、42.04％，車輛的操作穩(wěn)定性得到改善。綜上所述，基于視覺(jué)感知并采取預(yù)瞄模糊自抗擾控制的半主動(dòng)懸架可以有效降低車身加速度、懸架動(dòng)撓度和輪胎動(dòng)載荷，實(shí)現(xiàn)了車輛乘坐舒適性和操作穩(wěn)定性的共同優(yōu)化，提升了懸架系統(tǒng)的綜合性能。

參考文獻(xiàn)：

[1] KARNOPP D， CROSBY M J， HARWOOD R A. Vibration control using semi-active force generators［J］. Journal of Engineering for Industry， 1974， 96（2）： 619-626.

［2］ 楊慧勇. 基于PID控制器的半主動(dòng)懸架聯(lián)合仿真分析［J］. 汽車實(shí)用技術(shù)， 2023， 48（4）： 107-111.

YANG H Y. Analysis of co-simulation of semi-active suspension based on PID controller［J］. Automobile Applied Technology， 2023， 48（4）： 107-111.

［3］ 詹長(zhǎng)書(shū)， 蘇立慶. 基于粒子群優(yōu)化的主動(dòng)懸架PID控制策略［J］. 科學(xué)技術(shù)與工程， 2022， 22（10）： 4 180-4 186.

ZHAN C S， SU L Q. PID control strategy of active suspension based on particle swarm optimization［J］. Science Technology and Engineering， 2022， 22（10）： 4 180-4 186.

［4］ 寇發(fā)榮， 高亞威， 景強(qiáng)強(qiáng)， 等. 基于路面等級(jí)自適應(yīng)的主動(dòng)懸架LQG控制［J］. 振動(dòng)與沖擊， 2020， 39（23）： 30-37.

KOU F R， GAO Y W， JING Q Q， et al. LQG control of active suspension based on adaptive road surface level［J］. Journal of Vibration and Shock， 2020， 39（23）： 30-37.

［5］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］／／2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas，2016.

［6］ CHEN H F， ZHANG Z Y. Improved YOLOv5 algorithm for power insulator defect detection［C］／／2023 13th International Conference on Power， Energy and Electrical Engineering （CPEEE）， Tokyo，2023.

［7］ 陳彬， 劉華洲， 李勃鋮， 等. 基于YOLOv5算法的無(wú)人機(jī)巡檢圖像中絕緣子單目測(cè)距方法［J］. 無(wú)線電工程， 2024，54（6）： 1 421-1 430.

CHEN B， LIU H Z， LI B C， et al. Monocular distance measurement method for insulator in unmanned aerial vehicle inspection images based on YOLOv5 algorithm［J］. Radio Engineering， 2024，54（6）： 1 421-1 430.

［8］ 王建強(qiáng)， 張海花. 基于Matlab工具箱的攝像機(jī)標(biāo)定［J］. 實(shí)驗(yàn)室研究與探索， 2013， 32（6）： 37-39.

WANG J Q， ZHANG H H. Camera calibration based on Matlab toolbox［J］. Research and Exploration in Laboratory， 2013， 32（6）： 37-39.

［9］ 顏麟， 曹守啟. 基于雙目視覺(jué)的無(wú)人補(bǔ)料裝置測(cè)距技術(shù)［J］. 上海海洋大學(xué)學(xué)報(bào)， 2023， 32（5）： 1 006-1 014.

YAN L， CAO S Q. Ranging technology of unmanned feeding device based on binocular vision［J］. Journal of Shanghai Ocean University， 2023， 32（5）： 1 006-1 014.

［10］遲德霞， 王洋， 寧立群， 等. 張正友法的攝像機(jī)標(biāo)定試驗(yàn)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2015， 36（2）： 287-289， 337.

CHI D X， WANG Y， NING L Q， et al. Experimental research of camera calibration based on ZHANG’s method［J］. Journal of Chinese Agricultural Mechanization， 2015， 36（2）： 287-289， 337.

［11］袁斌， 王輝， 李榮煥， 等. 視覺(jué)機(jī)器人的零件識(shí)別與抓取方法研究［J］. 機(jī)械設(shè)計(jì)與制造， 2024（2）：309-313.

YUAN B， WANG H， LI R H， et al. Research on part recognition and grasping method of vision robot［J］. Machinery Design ＆ Manufacture， 2024（2）：309-313.

［12］趙偉， 武帥琦， 張意林， 等. 結(jié)合深度學(xué)習(xí)與雙目視覺(jué)的多目標(biāo)障礙物追蹤測(cè)距研究［J］. 激光雜志， 2023， 44（10）： 57-64.

ZHAO W， WU S Q， ZHANG Y L， et al. Multi-target obstacle tracking and ranging based on deep learning and binocular vision［J］. Laser Journal， 2023， 44（10）： 57-64.

［13］陳星， 余杭， 楊林， 等. 基于加權(quán)最小二乘法的細(xì)節(jié)增強(qiáng)去霧方法［J］. 北京理工大學(xué)學(xué)報(bào)， 2023， 43（8）： 803-811.

CHEN X， YU H， YANG L， et al. Detail enhancement dehazing method based on weighted least squares［J］. Transactions of Beijing Institute of Technology， 2023， 43（8）： 803-811.

［14］寇發(fā)榮， 胡凱侖， 陳若晨， 等. 基于ResNeSt網(wǎng)絡(luò)路面狀態(tài)識(shí)別的主動(dòng)懸架模型預(yù)測(cè)控制［J］. 控制與決策， 2024， 39（6）： 1 849-1 858.

KOU F R， HU K L， CHEN R C， et al. Model predictive control of active suspension based on road surfacecondition recognition by ResNeSt［J］. Control and Decision， 2024， 39（6）： 1 849-1 858.

［15］韓京清. 自抗擾控制器及其應(yīng)用［J］. 控制與決策， 1998， 13（1）： 19-23.

HAN J Q. Auto-disturbances-rejection controller and its applications［J］. Control and Decision， 1998， 13（1）： 19-23.

［16］趙強(qiáng)， 劉傳衛(wèi)， 張娜， 等. 基于粒子群優(yōu)化的主動(dòng)穩(wěn)定桿系統(tǒng)自抗擾控制［J］. 華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 51（6）： 52-61.

ZHAO Q， LIU C W， ZHANG N， et al. Active disturbance rejection control of active stabilizer system based on particle swarm optimization［J］. Journal of South China University of Technology（Natural Science Edition）， 2023， 51（6）： 52-61.

［17］董杰， 遲冬南， 徐麗娜， 等. 基于自抗擾技術(shù)的掃描機(jī)構(gòu)控制［J］. 航天返回與遙感， 2023， 44（4）： 29-38.

DONG J， CHI D N， XU L N， et al. A scanning control method based on the active disturbance rejection technique［J］. Spacecraft Recovery ＆ Remote Sensing， 2023， 44（4）： 29-38.

［18］呂霞， 陳健， 呂成興， 等. 基于模糊邏輯的永磁同步電機(jī)自適應(yīng)控制［J］. 控制工程， 2022， 29（5）： 837-843.

LV X， CHEN J， LV C X， et al. Adaptive control of permanent magnet synchronous motor based on fuzzy logic［J］. Control Engineering of China， 2022， 29（5）： 837-843.

［19］KENNEDY J， EBERHART R. Particle swarm optimization［C］／／Proceedings of ICNN’95-International Conference on Neural Networks， Perth，1995.

（責(zé)任編輯：張培培）