自動駕駛場景下車輛動力學質量參數(shù)的自適應自動控制策略

摘 要：在人工智能、自動駕駛等領域快速發(fā)展背景下，自動駕駛車輛正在逐步由實驗室走向實用化，是未來交通領域的一個重要發(fā)展趨勢。但在自動駕駛場景中，如何對車輛動力學質量參數(shù)進行實時、精確地調控，是保證車輛運行安全和性能的重要手段。文章針對自動駕駛場景下的車輛動力學質量參數(shù)自適應自動控制問題展開了研究，包括實時質量參數(shù)辨識技術、多場景自適應控制策略設計、模型預測控制與參數(shù)自適應融合等，以期為提高自動駕駛車輛的性能與安全水平提供理論和技術支持。

關鍵詞：自動駕駛場景 車輛動力學質量參數(shù) 自適應自動控制策略

自動駕駛是近年來發(fā)展起來的一項重要研究內容。但是，在自動駕駛場景下，車輛動力學質量參數(shù)的控制問題還存在很多問題，車輛質量、質心位置等動態(tài)特性會隨著載重、人數(shù)和路面狀況的改變而發(fā)生變化，如果不能及時、精確地感知并加以調節(jié)，就會對車輛運行穩(wěn)定性與安全性產(chǎn)生很大的影響。因此，如何在自動駕駛場景下對車輛動力學質量參數(shù)進行自適應自動控制，是目前自動駕駛領域亟須解決的重要科學問題。

1 自適應自動控制相關概述

自適應自動控制是一種通過反饋系統(tǒng)不斷檢測系統(tǒng)參數(shù)，根據(jù)參數(shù)的變化規(guī)律，自動調整控制參數(shù)，以實現(xiàn)系統(tǒng)的最優(yōu)控制效果，從而提高系統(tǒng)的穩(wěn)定性和可靠性的控制方法[1]。

自適應自動控制的基本原理如下。（1）系統(tǒng)參數(shù)檢測：通過反饋系統(tǒng)實時檢測系統(tǒng)的參數(shù)變化。（2）參數(shù)估計：根據(jù)檢測到的參數(shù)變化，估計系統(tǒng)的實際參數(shù)值。（3）控制參數(shù)調整：根據(jù)估計的參數(shù)值，自動調整控制參數(shù)，以適應系統(tǒng)的變化。（4）自適應優(yōu)化：不斷重復上述步驟，使系統(tǒng)始終處于最優(yōu)控制狀態(tài)。

2 自動駕駛場景下車輛動力學質量參數(shù)的自適應自動控制策略

2.1 實時質量參數(shù)辨識技術

在自動駕駛場景中，實時質量參數(shù)辨識技術是車輛動力學質量參數(shù)自適應控制的重要依據(jù)，該方法利用車載傳感器和高級算法，實現(xiàn)整車質量、質心位置等動態(tài)特性的在線識別，為后續(xù)的自適應控制提供精確的數(shù)據(jù)支持。其中，以車輛上的加速度計、陀螺為代表的傳感器起到了關鍵作用，加速傳感器可以準確地測出車輛在行進時的加速度，而陀螺儀可以得到車輛的運動速度，這些傳感器以超高的頻率收集資料，保證了即使是最細微的車輛狀況變動也能被它們及時發(fā)現(xiàn)。高級算法為傳感信息的處理提供了強有力的手段，該算法采用了一套較為復雜的數(shù)學模型，實現(xiàn)了對加速傳感器、陀螺等數(shù)據(jù)的深度處理。在此基礎上，提出了一種車輛動力學模型，并通過濾波等方法，與車輛的運動狀態(tài)聯(lián)系起來，從而得到車輛的質量、質心位置等信息。同時，結合實際行駛條件、路面狀況等，對算法進行優(yōu)化與修正，以提高識別精度。假定車輛加速時，加速傳感器測得的加速度為a，通過牛頓第二定律F=ma（F為車輛所受合外力，m為車輛質量），并與車輛動力系統(tǒng)所提供的驅動力等相關信息進行計算與調節(jié)，從而獲得車輛的實時質量m，實現(xiàn)車輛在不同工況下的動態(tài)響應，為車輛在不同工況下的動態(tài)特性與行駛穩(wěn)定性提供科學依據(jù)[2]。

2.2 多場景自適應控制策略設計

在自動駕駛場景下，為保證車輛在各種工況下的穩(wěn)定和安全運行，需要進行多場景自適應控制策略設計。在高速行駛、城市擁堵、復雜路況等不同駕駛環(huán)境下，車輛所面對的駕駛要求與挑戰(zhàn)也不盡相同，需有針對性地進行動態(tài)調節(jié)控制。在高速行駛的情況下，車輛的車速越快，駕駛的穩(wěn)定性越好，在這種情況下，控制策略主要集中在維持車輛速度的平穩(wěn)與精確的車道追蹤。比如，通過對發(fā)動機功率、轉向等參數(shù)的準確調節(jié)，實現(xiàn)車輛在平穩(wěn)軌道上的高速行駛，并借助自適應巡航技術，對前方車輛進行速度調節(jié)，以保證安全的車距。在城市擁堵環(huán)境中，車輛啟停頻繁、車速慢、路況復雜，為了適應頻繁的加減速和近距離的車輛交互等情況，文章提出了一種基于該行駛狀態(tài)下的車輛控制方法。例如，優(yōu)化傳動系統(tǒng)的反應速度，使得車輛在啟動、停止時，能更順暢、更快速，同時，要加強對周邊車輛、行人的監(jiān)控，對可能出現(xiàn)的隱患進行預警，并及時調整行車路線。針對復雜道路環(huán)境，如彎道、坡道、濕滑路面等，其控制策略主要集中在提高行駛平順性和平穩(wěn)性上。在轉彎過程中，根據(jù)曲線的彎曲程度及車速，對懸掛及轉向助力進行動態(tài)調節(jié)，以保證車輛能順利通過彎道；在斜坡行駛時，能自動調節(jié)功率及剎車系統(tǒng)，避免打滑或功率過低；在濕滑路面上，為了防止側滑和失去控制，應減速并調節(jié)車輪與地面的摩擦。因此，該方法可以在車輛行駛過程中根據(jù)具體情況進行自動切換與調節(jié)，可保證自動駕駛系統(tǒng)在復雜工況下的動態(tài)特性與行駛穩(wěn)定性，從而確保自動駕駛的安全性與可靠性。

2.3 模型預測控制與參數(shù)自適應融合

在自動駕駛領域，將模型預測控制與參數(shù)自適應相融合，是提高車輛操縱精度和質量的重要方法。通過基于多傳感器的協(xié)同控制方法，可以有效提高傳感器的魯棒性和抗干擾能力，但車輛在實際運行中，其質量等動態(tài)特性會隨著乘客人數(shù)、運載量和車輛運行狀態(tài)的改變而發(fā)生變化，如果不能對這些參數(shù)進行快速的調整，將會降低系統(tǒng)的控制精度，從而影響車輛的動力性和安全性。在這種情況下，參數(shù)自適應技術就顯得尤為重要。在此基礎上，提出了一種基于模糊神經(jīng)網(wǎng)絡的整車動態(tài)質量評價方法。假定整車的實際質量為m，通過對整車的預測控制，研究了整車的加速度和制動距離等主要性能指標[3]。在此基礎上，提出了一種基于模糊神經(jīng)網(wǎng)絡的多目標優(yōu)化方法，該方法能夠有效地提高系統(tǒng)的動態(tài)性能。比如，當整車質量增大時，為了獲得同樣的加速度，模型預測控制將使其功率輸出增大；在剎車過程中，剎車力的大小將被預先調節(jié)，以保證車輛能夠在預定的距離內停車。通過將模型預測控制與參數(shù)自適應融合，將有助于提升自動駕駛車輛在復雜路況下的自適應能力，提升車輛的動力學性能，保證自動駕駛車輛在不同工況下的穩(wěn)定、安全和高效運行，為自動駕駛技術深入發(fā)展奠定堅實的基礎。

2.4 基于強化學習的參數(shù)自適應優(yōu)化

基于強化學習的參數(shù)自適應優(yōu)化是提高自動駕駛車輛應對復雜路況的一種重要方法。增強學習是一種通過反復試驗并獲取反饋信息的方法，它可以對車輛動態(tài)質量進行自適應優(yōu)化，從而提高車輛在駕駛狀態(tài)下的控制性能。在這個過程中，車輛被看作是一個主體，周圍就是它所處的環(huán)境。車輛在行駛過程中，會持續(xù)面對路面坡度、交通流變化等多種工況，從而形成增強學習的狀態(tài)空間。車輛的轉向角，加速度，剎車等控制參量是主體所能采取的動作。每次執(zhí)行一次動作，都會有獎懲措施。比如，如果車輛能夠順利地規(guī)避障礙，并且繼續(xù)平穩(wěn)地行進，那么它將獲得積極的回報；相反，一旦出現(xiàn)沖突或駕駛不穩(wěn)，將被處罰?；诖?，增強學習算法將依據(jù)回饋信息，持續(xù)地對車輛控制參數(shù)進行優(yōu)化選取，并在較長時期內尋求最大累計回報的最佳參數(shù)組合。假定車輛在起伏不平的路面上行駛，初始的控制參數(shù)導致了車輛劇烈顛簸和運動軌跡的不穩(wěn)定性，從而降低了系統(tǒng)的收益。當增強學習演算法執(zhí)行時，系統(tǒng)會試著修正一些參數(shù)，如改變懸掛的剛性與阻尼。當這些參數(shù)被調節(jié)后，車輛的駕駛更順暢，舒適度更好，回報也就更高。因此，該算法經(jīng)過反復的摸索與學習，逐步研究出了適合該路面狀況的最佳參數(shù)設定。同時，該方法不需要事先設置特定的控制參數(shù)，就能在多種復雜工況下自主優(yōu)化控制參數(shù)，有效提高車輛對外界干擾和外界干擾的魯棒性，為實現(xiàn)自動駕駛的安全可靠運行奠定基礎。

2.5 分層式自適應控制架構

分層式自適應控制架構可以實現(xiàn)對車輛動力學質量參數(shù)的精確控制。該架構建立了分層式的控制系統(tǒng)，合理劃分了各子系統(tǒng)的控制任務，達到了多層次的協(xié)作優(yōu)化，提高了整車的綜合性能。在該體系架構中，高層任務是進行整體軌跡規(guī)劃和參數(shù)預測，該算法綜合考慮了地圖信息、交通狀態(tài)和車輛的運動目標，確定了車輛的全局運動軌跡。比如，利用實時交通狀況，規(guī)避交通堵塞，制定最快的出行路徑。在此基礎上，通過采集到的傳感器數(shù)據(jù)，結合相應的算法，對車輛動力學質量參數(shù)進行預測[4]。例如，基于負載狀態(tài)、運行狀態(tài)等，對整車質量、質心位置等可能發(fā)生的變化進行預測，為低層控制器的設計提供前瞻性的參考依據(jù)。底層主要負責實時控制命令的執(zhí)行，該系統(tǒng)在接受了上層計劃信息及參數(shù)預估的基礎上，并與車輛目前的速度、加速度等實際狀況相結合，對動力、轉向、制動等系統(tǒng)進行調整，從而達到對車輛進行實時、準確的控制。在此基礎上，文章提出了一種新的研究思路，在預判車輛將要駛入曲線，并且由于貨物分配的不同，其重心位置也會發(fā)生相應的變化，從而使車輛在轉彎過程中能夠保持良好的穩(wěn)定性。這種分層體系架構的好處是上下兩個部門分工明確，高層側重于宏觀計劃的制定、參數(shù)的預測，為下層決策提供基礎，底層根據(jù)上層的信息以及實際運行狀態(tài)，及時準確地執(zhí)行控制命令，保證車輛平穩(wěn)運行。

2.6 虛擬參數(shù)校驗與容錯機制

在自動駕駛場景中，虛擬參數(shù)校驗與容錯機制是保證動力學質量參數(shù)控制可靠性與穩(wěn)定性的重要防線。車輛在復雜多變的工況下，動態(tài)質量參量的精確采集與可靠利用是關鍵，其機理從多個層面保障參數(shù)可信性及系統(tǒng)容錯性。通過參數(shù)校驗模塊，利用冗余的傳感器數(shù)據(jù)，完成了虛擬參數(shù)的校驗。車輛上裝有多個同類或互補的傳感器，如多個加速度計，陀螺等，并同步進行數(shù)據(jù)采集。在此基礎上，設計了多個冗余傳感器，并對其進行了參數(shù)校驗。例如，當一只加速計測得的加速度值與其他加速計相差太遠時，模組便會報警，將多個傳感器的測量結果進行比較，可以判定動力學質量參數(shù)的準確性。假定由兩種傳感方式測得的車體重量，分別為m1和m2，若|m1－m2|超出預定的閥值，則需對傳感器進行檢測或校正。如果有什么不對的地方，就會觸發(fā)一個容錯機制。針對不同的異常狀況，采用不同的處理方法。當某一傳感器發(fā)生故障而不能精確測量時，該系統(tǒng)可根據(jù)其他傳感器的檢測結果，對故障傳感器進行估計，從而保證車輛的基本控制功能。比如，在某一陀螺發(fā)生故障時，通過其他傳感器的信息，結合車輛動力學模型，估計出車輛的轉角速度，從而確保了車輛轉向的基本精度[5]。同時，虛擬參數(shù)校驗與容錯機制的結合，保證了車輛在不正常工況下的安全運行，將有助于提升自動駕駛系統(tǒng)對傳感器失效的容忍能力，提升車輛動力學質量參數(shù)控制的可靠性，為復雜環(huán)境下自動駕駛技術的平穩(wěn)運行，降低因參數(shù)誤差帶來的安全隱患提供重要支持。

3 結語

總之，隨著自動駕駛技術的飛速發(fā)展，車輛動力學質量參數(shù)的自適應控制成為提高自動駕駛安全可靠的關鍵。文章針對自動駕駛車輛的高精度控制問題，通過對實時質量參數(shù)辨識技術、多場景自適應控制策略、模型預測控制與參數(shù)自適應融合、基于強化學習的參數(shù)優(yōu)化、分層式控制架構以及虛擬參數(shù)校驗與容錯機制等方面的研究，為自動駕駛車輛精確控制提供了新的思路與方法。未來，隨著人工智能、大數(shù)據(jù)和傳感器等技術的發(fā)展，車輛動態(tài)特性自適應控制將向智能化、精確化方向發(fā)展，并促進自動駕駛車輛在實際場景中的廣泛應用。

參考文獻：

[1]李勇.考慮車輛橫向穩(wěn)定性的連續(xù)彎道自動駕駛車輛速度控制方法[J].西部交通科技，2024（08）：171-174+178.

[2]李彥鋒.面向自動駕駛虛擬測試的場景車輛行為與運動規(guī)劃方法研究[D].長春：吉林大學，2024.

[3]伍孟海.高速工況下自動駕駛車輛的路徑規(guī)劃與軌跡跟蹤控制研究[D].長春：長春工業(yè)大學，2024.

[4]曹天恒.多場景下具有動力學特性的自動駕駛車輛路徑跟蹤控制策略研究[D].南昌：華東交通大學，2024.

[5]閆春來.自動駕駛車輛局部軌跡規(guī)劃與跟蹤控制算法研究[D].濟南：齊魯工業(yè)大學，2023.