CN113627077A - 一种转向助力极值的判断方法 - Google Patents
一种转向助力极值的判断方法 Download PDFInfo
- Publication number
- CN113627077A CN113627077A CN202110821711.5A CN202110821711A CN113627077A CN 113627077 A CN113627077 A CN 113627077A CN 202110821711 A CN202110821711 A CN 202110821711A CN 113627077 A CN113627077 A CN 113627077A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- pbest
- gbest
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种转向助力极值的判断方法,属于汽车技术领域,具体包括:一、参数初始化设置:分别设置群体中粒子总数、最大迭代次数及粒子参数;并建立EPS的输出信号即助力电流I与输入信号的适应性函数;二、转向助力最小值的优化;本发明的一种转向助力极值的判断方法是基于粒子群的优化理论,将车速、方向盘转角、方向盘转速、路面颠簸系数设置为相关性输入信号,减少了试验维度,进而减少了迭代次数;并添加了再生制动是否启动的校核步骤,可保证试验过程全程在再生制动启动的条件下进行;本发明的判断方法可以自动化地找出EPS转向助力值最小时的主要相关的输入信号,并在输入信号小范围内进行自动化的硬件在环试验,大大节省了时间。
Description
技术领域
本发明属于汽车技术领域,具体涉及一种转向助力极值的判断方法。
背景技术
随着汽车电控***的发展,越来越多的车辆搭载电动助力转向装置(简称EPS),EPS的输入信号包括车速、方向盘转角、方向盘转速、路面颠簸系数等,EPS会根据不同的输入信号值进行不同程度的助力,助力大小用电流(A)来表示。要求车辆点火状态时,在方向盘转矩为3Nm时,EPS的最小助力值必须大于最小助力阈值(如3A)。因此在硬件在环试验时,需要通过不断的试验找到EPS的最小助力值。
目前采用的试验方法为全面覆盖式试验,但由于EPS的输入信号范围很广,全部遍历需要耗费大量时间。
发明内容
为了解决现有技术中存在的全部遍历需要耗费大量时间等问题,本发明基于粒子群的优化理论,通过一种转向助力极值的判断方法,可以通过硬件在环试验,自动化地找出在不同的输入信号下EPS的最小助力值,大大节省了时间。
本发明通过如下技术方案实现:
一种转向助力极值的判断方法,具体包括如下步骤:
步骤一:参数初始化设置:
分别设置群体中粒子总数、最大迭代次数及粒子参数;并建立EPS的输出信号即助力电流I与输入信号的适应性函数;
所述的粒子参数包括粒子的当前速度、粒子的当前位置、粒子的历史最优位置及粒子群体的全局最优位置;
步骤二:转向助力最小值的优化;
A、逐个记录EPS的所有输出信号的值;将N个粒子的当前位置xi内容输入给EPS,逐个采集EPS的N个输出信号Ii的值;
B、更新粒子的历史最优位置;将EPS的每个粒子输出值Ii与每个粒子历史最优输出值Iimin比较,如果Ii<Iimin,则将每个粒子历史最优输出值Iimin替换为Ii,每一个粒子的历史最优位置pbesti替换为每一个粒子的当前位置xi,如果Ii≥Iimin,则将每个粒子历史最优输出值Iimin保持不变,每一个粒子的历史最优位置pbesti保持不变;
C、更新粒子群体的全局最优位置;将更新后的每个粒子历史最优输出值Iimin之间做比较并取最小值,得到粒子群体的全局最优输出值Imin,即Imin=min{Iimin}(i=1,2,...,N),找到最小值对应的粒子号,将粒子群体的全局最优位置gbest替换为该粒子的历史最优位置pbesti;
D、判断是否满足迭代结束条件;如果是,则跳出整个迭代过程,输出粒子群体的全局最优输出值Imin及对应的粒子群体的全局最优位置gbest,即为EPS的最小助力电流值及对应的EPS的输入信号;如果否,则进行步骤E继续迭代;
所述的迭代结束条件如下:
第一条件:当前迭代次数q超过最大迭代次数Q;或
第二条件:本次迭代的粒子群体的全局最优输出值Imin与前一次迭代的粒子群体的全局最优输出值Imin相差不超过3%;
E、更新粒子的速度和位置;速度更新公式和位置更新公式为:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbest-xi);
xi=xi+vi;(i=1,2,...,N)
其中,c1为自我学习因子,取恒定值c1=2;c2为社会学习因子,
取恒定值c2=2;rand()为介于0到1之间的随机数;ω为惯性因子,按照线性递减权值的策略进行计算:
其中,ω1为初始惯性权值,ω2为最大迭代数时的惯性权值,取ω1=0.8,ω2=0.4;
当粒子的当前位置内容超过范围时,则粒子的当前位置内容取值为与其最近的范围上限或下限值;返回步骤A继续迭代。
优选地,群体中粒子总数N的范围为[7,13],
最大迭代次数Q的范围为[80,150]。
优选地,步骤一所述的粒子参数的初始化,具体如下:
初始化N个粒子的速度为:vi=[0 0 0 0]T(i=1,2,...,N),
初始化每个粒子历史最优输出值Iimin为EPS最大助力电流;
初始化每个粒子的历史最优位置为:pbesti=[0 0 0 0]T(i=1,2,...,N),
初始化粒子群体的全局最优位置为:gbest=[0 0 0 0]T;
优选地,所述粒子的当前速度包括车速的变化值vsi、方向盘转角的变化值vθi、方向盘转速的变化值vni及路面颠簸系数的变化值vτi共4个信号,每一个粒子的当前速度vi表示为vi=[vsi vθi vni vτi]T。
优选地,所述粒子的当前位置包括车速xsi、方向盘转角xθi、方向盘转速xni、路面颠簸系数xτi共4个信号,每一个粒子的当前位置xi表示为vi=[vsi vθi vni vτi]T;EPS的输出信号即助力电流I与输入信号的适应性函数为:Ii=f(xsi,xθi,xni,xτi)。
优选地,0≤xsi≤150.0≤xθi≤4.8,0≤xni≤200,0≤xτi≤1。
优选地,所述粒子的历史最优位置包括车速pbestsi、方向盘转角pbestθi、方向盘转速pbestni、路面颠簸系数pbestτi共4个信号,每一个粒子的历史最优位置pbesti表示为pbesti=[pbestsi pbestθi pbestni pbestτi]T。
优选地,所述粒子群体的全局最优位置包括车速gbests、方向盘转角gbestθ、方向盘转速gbestn、路面颠簸系数gbestτ共4个信号,粒子群体的全局最优位置gbest表示为gbest=[gbests gbestθ gbestn gbestτ]T。
与现有技术相比,本发明的优点如下:
(1)、本发明基于粒子群优化的理论,可以自动化地找出EPS转向助力值最小时的主要相关的输入信号,并在输入信号小范围内进行自动化的硬件在环试验,大大节省了时间;
(2)、本发明基于工作经验,将车速、方向盘转角、方向盘转速、路面颠簸系数设置为相关性输入信号,减少了试验维度,进而减少了迭代次数;
(3)、本发明添加了再生制动是否启动的校核步骤,可保证试验过程全程在再生制动启动的条件下进行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明的一种转向助力极值的判断方法的流程示意图。
具体实施方式
为清楚、完整地描述本发明所述技术方案及其具体工作过程,结合说明书附图,本发明的具体实施方式如下:
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
实施例1
如图1所示,本发明实施例提供的一种转向助力极值的判断方法,具体步骤如下:
步骤一:参数初始化设置:
步骤S11、设置群体中粒子总数为N,一般设置N=10;
步骤S12、设置最大迭代次数为Q,一般设置Q=100;
步骤S13、设置粒子参数,所述的粒子参数包括粒子的当前速度、粒子的当前位置、粒子的历史最优位置及粒子群体的全局最优位置;
步骤S131、所述粒子的当前速度包括车速的变化值vsi、方向盘转角的变化值vθi、方向盘转速的变化值vni及路面颠簸系数的变化值vτi共4个信号,每一个粒子的当前速度vi表示为vi=[vsi vθi vni vτi]T;
步骤S132、所述粒子的当前位置包括车速xsi、方向盘转角xθi、方向盘转速xni、路面颠簸系数xτi共4个信号,每一个粒子的当前位置xi表示为xi=[xsi xθi xni xτi]T;
其中,0≤xsi≤150,0≤xθi≤4.8,0≤xni≤200,0≤xτi≤1;
步骤S1321、建立EPS的输出信号与输入信号的适应性函数;
EPS的输出信号为助力电流I,输入信号为车速的变化值vsi、方向盘转角的变化值vθi、方向盘转速的变化值vni及路面颠簸系数的变化值vτi,所建立的适应性函数为:Ii=f(xsi,xθi,xni,xτi);
步骤S133、所述粒子的历史最优位置包括车速pbestsi、方向盘转角pbestθi、方向盘转速pbestni、路面颠簸系数pbestτi共4个信号,每一个粒子的历史最优位置pbesti表示为pbesti=[pbestsi pbestθi pbestni pbestτi]T。
步骤S134、所述粒子群体的全局最优位置包括车速gbests、方向盘转角gbestθ、方向盘转速gbestn、路面颠簸系数gbestτ共4个信号,粒子群体的全局最优位置gbest表示为gbest=[gbests gbestθ gbestn gbestτ]T;
步骤S14、分别对步骤S131中的粒子的当前速度、步骤S132中的粒子的当前位置、步骤S133中的粒子的历史最优位置、步骤S134中的粒子群体的全局最优位置进行初始化设置,具体如下:
初始化N个粒子的速度为:vi=[0 0 0 0]T(i=1,2,...,N),
初始化每个粒子历史最优输出值Iimin为EPS最大助力电流;
初始化每个粒子的历史最优位置为:pbesti=[0 0 0 0]T(i=1,2,...,N),
初始化粒子群体的全局最优位置为:gbest=[0 0 0 0]T;
步骤二:转向助力最小值的优化;
步骤S21、逐个记录EPS的所有输出信号的值;将N个粒子的当前位置xi内容输入给EPS,并逐个采集EPS的N个输出信号Ii的值;
其中,N个粒子的当前位置xi内容包括车速xsi、方向盘转角xθi、方向盘转速xni、路面颠簸系数xτi共4个信号;
步骤S22、更新粒子的历史最优位置;将EPS的每个粒子输出值Ii与每个粒子历史最优输出值Iimin比较,如果Ii<Iimin,则将每个粒子历史最优输出值Iimin替换为Ii,每一个粒子的历史最优位置pbesti替换为每一个粒子的当前位置xi,如果Ii≥Iimin,则将每个粒子历史最优输出值Iimin保持不变,每一个粒子的历史最优位置pbesti保持不变;
步骤S23、更新粒子群体的全局最优位置;将更新后的每个粒子历史最优输出值Iimin之间做比较并取最小值,得到粒子群体的全局最优输出值Imin,即Imin=min{Iimin}(i=1,2,...,N),找到最小值对应的粒子号,将粒子群体的全局最优位置gbest替换为该粒子的历史最优位置pbesti;
步骤S24、判断是否满足迭代结束条件;如果是,则跳出整个迭代过程,输出粒子群体的全局最优输出值Imin及对应的粒子群体的全局最优位置gbest,即为EPS的最小助力电流值及对应的EPS的输入信号;如果否,则进行步骤S25继续迭代;
其中,迭代结束条件为:
第一条件:当前迭代次数q超过最大迭代次数Q;或
第二条件:本次迭代的粒子群体的全局最优输出值Imin与前一次迭代的粒子群体的全局最优输出值Imin相差不超过3%;
步骤S25、更新粒子的速度和位置;速度更新公式和位置更新公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbest-xi)
xi=xi+vi
(i=1,2,...,N)
其中,c1为自我学习因子,取恒定值c1=2;c2为社会学习因子,取恒定值c2=2;rand()为介于0到1之间的随机数;ω为惯性因子,按照线性递减权值的策略进行计算:
其中,ω1为初始惯性权值,ω2为最大迭代数时的惯性权值,取ω1=0.8,ω2=0.4。
当粒子的当前位置内容超过范围时,则粒子的当前位置内容取值为与其最近的范围上限或下限值;
返回步骤S21继续迭代。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种转向助力极值的判断方法,其特征在于,具体包括如下步骤:
步骤一:参数初始化设置:
分别设置群体中粒子总数、最大迭代次数及粒子参数;并建立EPS的输出信号即助力电流I与输入信号的适应性函数;
所述的粒子参数包括粒子的当前速度、粒子的当前位置、粒子的历史最优位置及粒子群体的全局最优位置;
步骤二:转向助力最小值的优化;
A、逐个记录EPS的所有输出信号的值;将N个粒子的当前位置xi内容输入给EPS,逐个采集EPS的N个输出信号Ii的值;
B、更新粒子的历史最优位置;将EPS的每个粒子输出值Ii与每个粒子历史最优输出值Iimin比较,如果Ii<Iimin,则将每个粒子历史最优输出值Iimin替换为Ii,每一个粒子的历史最优位置pbesti替换为每一个粒子的当前位置xi,如果Ii≥Iimin,则将每个粒子历史最优输出值Iimin保持不变,每一个粒子的历史最优位置pbesti保持不变;
C、更新粒子群体的全局最优位置;将更新后的每个粒子历史最优输出值Iimin之间做比较并取最小值,得到粒子群体的全局最优输出值Imin,即Imin=min{Iimin}(i=1,2,...,N),找到最小值对应的粒子号,将粒子群体的全局最优位置gbest替换为该粒子的历史最优位置pbesti;
D、判断是否满足迭代结束条件;如果是,则跳出整个迭代过程,输出粒子群体的全局最优输出值Imin及对应的粒子群体的全局最优位置gbest,即为EPS的最小助力电流值及对应的EPS的输入信号;如果否,则进行步骤E继续迭代;
所述的迭代结束条件为:
第一条件:当前迭代次数q超过最大迭代次数Q;或
第二条件:本次迭代的粒子群体的全局最优输出值Imin与前一次迭代的粒子群体的全局最优输出值Imin相差不超过3%;
E、更新粒子的速度和位置;速度更新公式和位置更新公式如下:
vi=ω×vi+c1×randO×(pbesti-xi)+c2×randO×(gbest-xi);
xi=xi+vi;(i=1,2,...,N)
其中,c1为自我学习因子,取恒定值c1=2;c2为社会学习因子,取恒定值c2=2;randO为介于0到1之间的随机数;ω为惯性因子,按照线性递减权值的策略进行计算:
其中,ω1为初始惯性权值,ω2为最大迭代数时的惯性权值,取ω1=0.8,ω2=0.4;
当粒子的当前位置内容超过范围时,则粒子的当前位置内容取值为与其最近的范围上限或下限值;返回步骤A继续迭代。
2.如权利要求1所述的一种转向助力极值的判断方法,其特征在于,群体中粒子总数N的范围为[7,13],最大迭代次数Q的范围为[80,150]。
4.如权利要求1所述的一种转向助力极值的判断方法,其特征在于,所述粒子的当前速度包括车速的变化值vsi、方向盘转角的变化值vθi、方向盘转速的变化值vni及路面颠簸系数的变化值vτi共4个信号,每一个粒子的当前速度vi表示为vi=[vsi vθi vni vτi]T。
5.如权利要求1所述的一种转向助力极值的判断方法,其特征在于,所述粒子的当前位置包括车速xsi、方向盘转角xθi、方向盘转速xni、路面颠簸系数xτi共4个信号,每一个粒子的当前位置xi表示为xi=[xsi xθi xni xτi]T;EPS的输出信号即助力电流I与输入信号的适应性函数为:Ii=f(xsi,xθi,xni,xτi)。
6.如权利要求5所述的一种转向助力极值的判断方法,其特征在于,0≤xsi≤150,0≤xθi≤4.8,0≤xni≤200,0≤xτi≤1。
7.如权利要求1所述的一种转向助力极值的判断方法,其特征在于,所述粒子的历史最优位置包括车速pbestsi、方向盘转角pbestθi、方向盘转速pbestni、路面颠簸系数pbestτi共4个信号,每一个粒子的历史最优位置pbesti表示为pbesti=[pbestsi pbestθi pbestnipbestτi]T。
8.如权利要求1所述的一种转向助力极值的判断方法,其特征在于,所述粒子群体的全局最优位置包括车速gbests、方向盘转角gbestθ、方向盘转速gbestn、路面颠簸系数gbestτ共4个信号,粒子群体的全局最优位置gbest表示为gbest=[gbests gbestθ gbestngbestτ]T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821711.5A CN113627077B (zh) | 2021-07-21 | 2021-07-21 | 一种转向助力极值的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821711.5A CN113627077B (zh) | 2021-07-21 | 2021-07-21 | 一种转向助力极值的判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627077A true CN113627077A (zh) | 2021-11-09 |
CN113627077B CN113627077B (zh) | 2022-09-09 |
Family
ID=78380377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110821711.5A Active CN113627077B (zh) | 2021-07-21 | 2021-07-21 | 一种转向助力极值的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627077B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂***设计方法 |
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
CN110084760A (zh) * | 2019-04-24 | 2019-08-02 | 郑州轻工业学院 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
-
2021
- 2021-07-21 CN CN202110821711.5A patent/CN113627077B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂***设计方法 |
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
CN110084760A (zh) * | 2019-04-24 | 2019-08-02 | 郑州轻工业学院 | 一种基于双伽马校正的全局自适应灰度图像增强方法 |
Non-Patent Citations (1)
Title |
---|
赵志刚等: "基于自适应惯性权重的均值粒子群优化算法", 《计算机工程与科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627077B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111559251B (zh) | 一种纯电动汽车需求扭矩驾驶性滤波修正方法 | |
CN108790939B (zh) | 电动客车扭矩调节控制方法、***、移动终端及存储介质 | |
CN108528436B (zh) | 一种内外层嵌套的ecms多目标双层优化方法 | |
US10106009B2 (en) | Suspension control apparatus for vehicle and control apparatus for damping-force adjustable shock absorber | |
US8066339B2 (en) | Vehicle and method for controlling regenerative braking | |
CN110901647B (zh) | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 | |
US6799105B2 (en) | Variable steering ratio control system and method | |
CN113627077B (zh) | 一种转向助力极值的判断方法 | |
US9266531B2 (en) | Method and control apparatus for operating a road-bound hybrid vehicle | |
CN114013500A (zh) | 一种基于电动转向抑制汽车跑偏的控制方法 | |
CN109871044B (zh) | 一种转速跟踪方法及装置 | |
JP2014013006A (ja) | 車体制振制御装置 | |
CN112172543B (zh) | 适用于牵引电动车辆的新型速度模式下的转矩控制方法 | |
CN108909529B (zh) | 一种转矩链控制架构及双电机四驱电动汽车 | |
CN114368380A (zh) | 一种适应不同载重的自动驾驶半挂卡车横向控制方法 | |
CN114115063A (zh) | 车辆转向控制前馈标定方法和*** | |
CN113022317A (zh) | 新能源汽车及其能量回收方法与装置、存储介质 | |
CN110155161B (zh) | 一种线性转向汽车的方向盘主动回正控制方法 | |
US20240182043A1 (en) | System and method for onboard vehicle center of gravity and moment of inertia estimation | |
JP3777224B2 (ja) | 電動車両の制御装置 | |
CN118082543B (zh) | 一种基于变转向传动比的电动汽车四轮转向控制方法 | |
CN113859222B (zh) | 串联混合动力车的能量管理方法、装置及智能终端 | |
CN112896139B (zh) | 混动汽车用能量管理方法 | |
CN114312751B (zh) | 一种4wid/s电动汽车变角传动比控制方法 | |
CN112486179B (zh) | 车辆行驶方向的控制方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |