CN114435380B - 一种适用于模块化车辆的模糊逻辑控制优化方法 - Google Patents

一种适用于模块化车辆的模糊逻辑控制优化方法 Download PDF

Info

Publication number
CN114435380B
CN114435380B CN202210158769.0A CN202210158769A CN114435380B CN 114435380 B CN114435380 B CN 114435380B CN 202210158769 A CN202210158769 A CN 202210158769A CN 114435380 B CN114435380 B CN 114435380B
Authority
CN
China
Prior art keywords
vehicle
fuzzy logic
logic control
tire
fuzzy
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.)
Active
Application number
CN202210158769.0A
Other languages
English (en)
Other versions
CN114435380A (zh
Inventor
汪秋婷
沈国瑜
李洪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Blue Box Aviation Technology Co ltd
Original Assignee
Zhejiang Blue Box Aviation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Blue Box Aviation Technology Co ltd filed Critical Zhejiang Blue Box Aviation Technology Co ltd
Priority to CN202210158769.0A priority Critical patent/CN114435380B/zh
Publication of CN114435380A publication Critical patent/CN114435380A/zh
Application granted granted Critical
Publication of CN114435380B publication Critical patent/CN114435380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种适用于模块化车辆的模糊逻辑控制优化方法，包括步骤：建立纯电动汽车和混合动力汽车的车辆动态模型；设计模糊逻辑控制器，建立模糊逻辑控制器对应的模糊逻辑控制算法；利用基于交互式自适应权重遗传算法的优化方法，确定车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值。本发明的有益效果是：本发明的方法对EV和HEV车辆参数进行在线校正，在线校正包括了对速度、受力和角度的校正，实现了对模糊逻辑控制方法的参数配置优化。本发明提出基于多目标的模糊逻辑控制器性能优越，适用于模块化车辆行驶控制情况，具有不同车辆结构和部件尺寸的鲁棒性。

Description

一种适用于模块化车辆的模糊逻辑控制优化方法
技术领域
本发明属于车辆运行技术领域，尤其涉及一种适用于模块化车辆的模糊逻辑控制优化方法。
背景技术
纯电动汽车(EV)和混合动力汽车(HEV)是传统燃油汽车最优势的替代产品，实现清洁能源的应用和转化。车辆的模块化设计是目前汽车行业的一种发展趋势，模块化设计方案将车辆的不同功能设计成组合模块，使整车平台具有不同的功能组合。模块化的EV和HEV可以任意安装和拆卸车身部件，每个车辆组合模块均相对独立，实现车辆部件的灵活调试和替换。
其中，模块化车辆的一个关键部件是轮胎内电动机模块，该模块将整车扭矩耦合到前轴和后轴。目前已有的轮胎内电动机模块控制方法包括模糊逻辑控制(FLC)、容错控制(FTC)、滑模控制(SMC)和模型预测控制(MPC)。稳定性控制***需要车辆状态的准确数据，如横向速度和纵向速度、横摆力矩、横摆率、扭矩、侧滑角等。但是，考虑到模块化车辆配置，这些参数可能会发生显著变化，需要具备鲁棒性和稳定性的控制方法，实现可靠的车辆运行性能。
发明内容
本发明的目的是克服现有技术中的不足，提供一种适用于模块化车辆的模糊逻辑控制优化方法。
这种适用于模块化车辆的模糊逻辑控制优化方法，包括以下步骤：
步骤1、建立纯电动汽车和混合动力汽车的车辆动态模型；车辆动态模型包括车辆整体动态模型、车辆整体的纵向动力学模型、车辆整体的横向动力学模型、车辆前部垂直载荷和后部垂直载荷的计算公式；
步骤2：设计模糊逻辑控制器，建立模糊逻辑控制器对应的模糊逻辑控制算法；模糊逻辑控制算法包括建立模糊隶属度函数、将模糊隶属度函数分为对应隶属度函数曲线区域的低区域、中区域和高区域的三个等级，并建立三级隶属度函数交叉点公式和设计模糊逻辑控制规则；
步骤3：利用基于交互式自适应权重遗传算法的优化方法，确定车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值；设置轨迹误差，建立双目标优化函数，得到模糊逻辑控制算法的最佳参数值；推导基于交互式自适应权重的遗传算法，得到染色体变量和约束条件；得到双目标优化函数的拟合函数，并建立遗传算法选择概率的修正公式；
步骤4、采用步骤2所得模糊逻辑控制算法的输出结果，利用仿真软件对纯电动汽车和混合动力汽车的标准行驶轨迹进行仿真验证，采用步骤3所述基于交互式自适应权重遗传算法的优化方法来校正纯电动汽车和混合动力汽车的车辆行驶轨迹，对不同配置的车辆的控制性能进行比较；并对模糊逻辑控制方法的参数配置优化。
作为优选，步骤1具体包括如下步骤：
步骤1-1、根据Ackermann几何定律，设计车辆整体动态模型；δ1和δ2为车辆综合模型前轮的两个前转向角，单位为rad；根据公式(1)和(2)计算得到δ1和δ2：
Figure BDA0003513398350000021
Figure BDA0003513398350000022
上式中，l为车辆轴距，tf为前轮距，单位均为m；R为车辆在低速运行时车轮围绕曲率中心转动的转动半径；基于Ackermann几何定律中的低速动态特征，忽略滑动角α1至α4，侧滑角β的计算公式为：
Figure BDA0003513398350000023
上式中，侧滑角β的单位为rad，Vy为纵向速度，Vx为横向速度，Vx和Vy的单位均为m/s；
步骤1-2、建立车辆整体的纵向动力学模型，并描述纵向运动的阻力参数，纵向运动的阻力参数包括滚动阻力Fx,R和空气动力学阻力Fx,D：
Fx,R＝-CRVx (4)
Figure BDA0003513398350000024
上式中，CR为滚动阻力系数，CD为空气动力学阻力系数；
每辆车的4个轮胎均分别表示为tn∈{1,2,3,4}，重心处的纵向合力Fx,cg为纵向方向上的受力总和，纵向合力Fx,cg包括每个轮胎的牵引力分量Fx,tn、侧向力分量Fy,tn、滚动阻力Fx,R和空气动力学阻力Fx,D，纵向合力公式为：
Figure BDA0003513398350000031
上式中，m为车辆的总质量，δtn为轮胎角度；
根据牛顿第二定律计算纵向加速度ax：
Figure BDA0003513398350000032
步骤1-3、建立车辆整体的横向动力学模型；
每辆车的每个轮胎侧向力Fy,tn计算公式为：
Fy,tn(αtn)＝Dysin(Cytan-1(By(1-Ey)(αtn+Sh,y)+Eytan-1(By(αtn+Sh,y))))+Sv,y(8)
上式中，Fy为坐标系侧面方向的轮胎参数(By,Cy,Dy,Ey,Sv,y,Sh,y)的函数，αtn为轮胎tn的滑动角，Dy为坐标系侧面方向的轮胎模型峰度系数，Cy为坐标系侧面方向的轮胎模型形状系数，By为坐标系侧面方向的轮胎模型的刚度系数，Ey为坐标系侧面方向的轮胎模型曲率系数，Sh,y为坐标系侧面方向的轮胎模型水平移动，Sv,y为坐标系侧面方向的轮胎模型垂直位移，下标y表示坐标系侧面方向；
轮胎参数计算公式为：
Cy＝a0
Dy＝a1Fz,tn+a2
Ey＝a6Fz,tn+a7
Figure BDA0003513398350000033
Sh,y＝a8|θ|+a9Fz,tn+a10
Figure BDA0003513398350000041
上式中，θ为轮胎外倾角，Fz,tn为轮胎tn的垂直力，a0～a14均为实验系数，i∈tn；CG处的横向合力Fy,cg是Fx,tn和Fy,tn的组合函数，计算公式如公式(10)所示，横向加速度ay的计算公式如式(11)所示：
Figure BDA0003513398350000042
Figure BDA0003513398350000043
步骤1-4、建立车辆前部垂直载荷和后部垂直载荷的计算公式；
Figure BDA0003513398350000044
为侧向力在前轴增加的载荷，
Figure BDA0003513398350000045
为侧向力在后轴增加的载荷，计算公式分别为(12)和(13)：
Figure BDA0003513398350000046
Figure BDA0003513398350000047
上式中，Fy为坐标系侧面方向的轮胎参数的函数；hcg为重心高度，单位为m；b为车辆重心与后轴的纵向距离；l为车辆轴距；tf为前轴距；Kφ,f为前轴的悬架刚度，单位为N/m；φ为侧倾角，单位为rad；a为车辆重心与前轴的纵向距离；tr为后轴距，单位为m；Kφ,r为后轴的悬架刚度，单位为N/m；
根据前轴重量百分比
Figure BDA0003513398350000048
和前后轴增加的载荷
Figure BDA0003513398350000049
和
Figure BDA00035133983500000410
车辆前部垂直载荷Fz,if由公式(14)计算，车辆后部垂直载荷Fz,ir由公式(15)计算；
Figure BDA00035133983500000411
Figure BDA00035133983500000412
上式中，g为重力加速度，m为车辆的总质量；纵向轮胎受力矢量Fx,tn和横向轮胎受力矢量Fy,tn在车辆重心周围产生力矩Mcg,z，力矩Mcg,z由公式(16)计算，加速度
Figure BDA0003513398350000051
由公式(17)计算；
Figure BDA0003513398350000052
Figure BDA0003513398350000053
上式中，Ptn为轮胎位置矢量，Iz为偏航惯性矩。
作为优选，步骤2具体包括以下步骤：
步骤2-1、设计模糊逻辑控制器；模糊逻辑控制器结构的底层为4个轮胎内电机控制器，其中两个为前轮电机控制器，另外两个为后轮电机控制器；中间层为扭矩估计器和最优侧滑率估计器；顶层为转向模糊控制器；根据车辆行为数据确定每个轮胎内电机的扭矩；车辆行为数据包括转向角、速度和侧滑率；
步骤2-2：建立模糊隶属度函数；根据模糊逻辑控制器结构，模糊逻辑控制器的模糊逻辑控制算法输入和输出，将模糊隶属度函数分为三个等级，三个等级分别对应隶属度函数曲线区域的低区域、中区域和高区域；利用高斯隶属度函数描述每一个等级，平滑过渡三个等级函数，并最小化函数变量的数量；基于变量数k的每个等级的隶属度函数f(k,j)表达式为：
Figure BDA0003513398350000054
上式中，v为模糊输入变量，g为重力加速度，j为等级数(j＝1,2,3)，μk,j为隶属度函平均值，σk,j为隶属度函标准偏差；
步骤2-3、建立三级隶属度函数交叉点公式；
将中区域的隶属度函数和低区域、高区域两个隶属度函数之间的交叉点分别定义为I1和I2；I1和I2附近的函数点在隶属度函数中形成一个区域，该区域中未定义输入变量；交叉点I1和I2的y坐标分别定义为I1y和I2y，I1y,I2y＞0.15；交叉点I1和I2的x坐标分别定义为I1x和I2x，计算公式如下：
Figure BDA0003513398350000061
Figure BDA0003513398350000062
步骤2-4、设计模糊逻辑控制规则；定义模糊逻辑控制算法的解为uk；涉及多输入单输出模糊逻辑控制规则为r，如式(21)所示；规则r确定控制输入变量v1由隶属函数A1,j分类，输入变量vk由隶属函数Ak,j分类，输出变量uk具有隶属度函数Ok,j；
规则r:若A1,j＝v1，且Ak,j＝vk，则uk＝Ok,j (21)
利用质心解模糊方法，计算解模糊输出变量：
Figure BDA0003513398350000063
上式中，
Figure BDA0003513398350000064
为基于变量数k的模糊输出变量平均值；u为模糊输出变量，f(k,j)(u)为基于u的隶属度函数。
作为优选，步骤3具体包括如下步骤：
步骤3-1：设置轨迹误差；轨迹误差由位置误差Exy、偏航误差Eγ和速度误差EV组成；
Figure BDA0003513398350000065
上式中，EEV/HEV,xy为EV或HEV的位置误差，x(i)和y(i)分别为车辆位置的横坐标和纵坐标，xs(i)和ys(i)分别为车辆参考轨迹的横坐标和纵坐标，i为步进时间，0≤i≤t，Δi为步进时间差值，t为时间参数；
Figure BDA0003513398350000066
上式中，EEV/HEV,γ为EV或HEV的偏航误差，γ(i)为模拟偏航角，γs(i)为参考目标偏航角；
Figure BDA0003513398350000067
上式中，EEV/HEV,V为EV或HEV的速度误差，V(i)为车辆速度，Vs(i)为车辆参考速度；
建立如公式(26)和(27)所示双目标优化函数f1和f2；通过计算公式(26)和(27)的最优解，得到纯电动汽车和混合动力汽车的模糊逻辑控制算法的最佳参数值；
f1＝min(EEV,xy(X)+EEV,γ(X)+EEV,V(X)) (26)
f2＝min(EHEV,xy(X)+EHEV,γ(X)+EHEV,V(X)) (27)
上式中，X表示遗传算法的染色体变量；f1为基于EV模块配置的误差最小化公式，f2为基于HEV模块配置的误差最小化公式；
步骤3-2、推导基于交互式自适应权重的遗传算法；利用车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值，得到如公式(28)所示染色体变量和如公式(29)所示约束条件C(X)：
X＝[μ1,1σ1,1μ1,2σ1,2…μk,jσk,jW1W2...Wr] (28)
Figure BDA0003513398350000071
上式中，W1W2…Wr为权重值，I1x和I2x作为公式(18)中的模糊输入变量；针对优化函数f1和f2，根据种群数量最大值fmax和最小值fmin计算自适应权重，得到如公式(30)所示拟合函数Ffit(X)：
Figure BDA0003513398350000072
上式中，f1(X)和f2(X)分别为基于染色体变量的优化函数，f1 max为优化函数f1对应的种群数量最大值，
Figure BDA0003513398350000073
为优化函数f2对应的种群数量最大值，f1 min为优化函数f1对应的种群数量最小值，
Figure BDA0003513398350000074
为优化函数f2对应的种群数量最小值；根据种群大小PM，建立遗传算法选择概率SP(Xk)的修正公式：
Figure BDA0003513398350000081
上式中，Xk为基于变量数k的染色体变量，Xc为基于种群数c的染色体变量；下标k表示变量数，下标c表示种群数。
作为优选，步骤1中建立纯电动汽车和混合动力汽车的车辆动态模型时，设置了标准坐标体系，标准坐标体系包括纵向的x轴,侧向的y轴,和垂直方向的z轴。
本发明的有益效果是：
本发明具体建立了一种纯电动汽车和混合动力汽车的车辆动态模型，提出一种适用于模块化全轮驱动汽车(模块化纯电动汽车和混合动力汽车的)的模糊逻辑控制(FLC)优化方法，并利用仿真软件Maltlab对不同配置的车辆的控制性能进行比较；解决轮胎模型的非线性问题；
设计遗传算法优化模糊逻辑控制算法的输出结果，并利用纯电动汽车和混合动力汽车的标准行驶轨迹来进行仿真验证；遗传算法优化的目的是校正纯电动汽车和混合动力汽车的车辆行驶轨迹；基于优化算法的模糊逻辑控制器在不同车辆质量、重心位置、轨道和轴距尺寸的情况下，具有较小的轨迹RMSE值。
本发明的方法对EV和HEV车辆参数进行在线校正，在线校正包括了对速度、受力和角度的校正，实现了对模糊逻辑控制方法的参数配置优化。本发明提出基于多目标的模糊逻辑控制器性能优越，适用于模块化车辆行驶控制情况，具有不同车辆结构和部件尺寸的鲁棒性。
附图说明
图1为本发明的车辆整体动态模型图；
图2为本发明的模糊逻辑控制器结构示意图；
图3为遗传算法涉及的最终种群分布示意图。
附图标记说明：顶层1、中间层2、底层3、前轮电机4、后轮电机5。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种适用于模块化车辆的模糊逻辑控制优化方法：
步骤1、建立纯电动汽车和混合动力汽车的车辆动态模型；车辆动态模型包括车辆整体动态模型、车辆整体的纵向动力学模型、车辆整体的横向动力学模型、车辆前部垂直载荷和后部垂直载荷的计算公式；
步骤2：设计模糊逻辑控制器，建立模糊逻辑控制器对应的模糊逻辑控制算法；模糊逻辑控制算法包括建立模糊隶属度函数、将模糊隶属度函数分为对应隶属度函数曲线区域的低区域、中区域和高区域的三个等级，并建立三级隶属度函数交叉点公式和设计模糊逻辑控制规则；
步骤3：融合实验数据和专家知识，利用基于交互式自适应权重遗传算法的优化方法，确定车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值，解决公式化问题；设置轨迹误差，建立双目标优化函数，得到模糊逻辑控制算法的最佳参数值；推导基于交互式自适应权重的遗传算法，得到染色体变量和约束条件；得到双目标优化函数的拟合函数，并建立遗传算法选择概率的修正公式；
步骤4、采用步骤2所得模糊逻辑控制算法的输出结果，利用仿真软件对纯电动汽车和混合动力汽车的标准行驶轨迹进行仿真验证，采用步骤3所述基于交互式自适应权重遗传算法的优化方法来校正纯电动汽车和混合动力汽车的车辆行驶轨迹，对不同配置的车辆的控制性能进行比较；并对模糊逻辑控制方法的参数配置优化。
实施例二
在实施例一的基础上，本申请实施例二提供了实施例一中模糊逻辑控制优化方法的详细步骤及实验效果：
步骤1-1、由于轮胎角度影响车辆的整体运动模式，考虑到车辆在低速运行时车轮以半径R围绕曲率中心转动的动态特征；根据Ackermann几何定律，设计如图1所示的车辆整体动态模型；图1中的4个黑色矩形，表示一辆车的4个轮胎，δ1和δ2为车辆综合模型前轮的两个前转向角，单位为rad；δ1和δ2均为对应类型的车辆尺寸的函数；图1中，V1,V2,V3,V4为4个轮胎速度，V为重心位置速度，Fx1,Fx2,Fx3,Fx4为4个轮胎纵向受力，Fy1,Fy2,Fy3,Fy4为4个轮胎横向受力，α1,α2,α3,α4为4个轮胎滑动角，β为侧滑角，l为车辆轴距，tf为前轮距，R为车辆在低速运行时车轮围绕曲率中心转动的转动半径，a和b为2个后轮到重心的轴距，
Figure BDA0003513398350000091
为重心处转动角速度。根据公式(1)和(2)计算得到δ1和δ2：
Figure BDA0003513398350000101
Figure BDA0003513398350000102
上式中，l为车辆轴距，tf为前轮距，单位均为m；R为车辆在低速运行时车轮围绕曲率中心转动的转动半径；基于Ackermann几何定律中的低速动态特征，忽略滑动角α1至α4，侧滑角β的计算公式为：
Figure BDA0003513398350000103
上式中，侧滑角β的单位为rad，Vy为纵向速度，Vx为横向速度，Vx和Vy的单位均为m/s；
步骤1-2、建立车辆整体的纵向动力学模型，并描述纵向运动的阻力参数，纵向运动的阻力参数包括滚动阻力Fx,R和空气动力学阻力Fx,D：
Fx,R＝-CRVx (4)
Figure BDA0003513398350000104
上式中，CR为滚动阻力系数，CD为空气动力学阻力系数；
本发明研究对象位于水平路面，不考虑纵向重力分量；每辆车的4个轮胎均分别表示为tn∈{1,2,3,4}，重心(Center of Gravity，CG)处的纵向合力Fx,cg为纵向方向上的受力总和，纵向合力Fx,cg包括每个轮胎的牵引力分量Fx,tn、侧向力分量Fy,tn、滚动阻力Fx,R和空气动力学阻力Fx,D，纵向合力公式为，
Figure BDA0003513398350000105
上式中，m为车辆的总质量，δtn为轮胎角度；
根据牛顿第二定律计算纵向加速度ax：
Figure BDA0003513398350000111
步骤1-3、建立车辆整体的横向动力学模型；
每辆车的每个轮胎侧向力Fy,tn计算公式为：
Fy,tn(αtn)＝Dysin(Cytan-1(By(1-Ey)(αtn+Sh,y)+Eytan-1(By(αtn+Sh,y))))+Sv,y(8)
上式中，Fy为坐标系侧面方向的轮胎参数(By,Cy,Dy,Ey,Sv,y,Sh,y)的函数，αtn为轮胎tn的滑动角，Dy为坐标系侧面方向的轮胎模型峰度系数，Cy为坐标系侧面方向的轮胎模型形状系数，By为坐标系侧面方向的轮胎模型的刚度系数，Ey为坐标系侧面方向的轮胎模型曲率系数，Sh,y为坐标系侧面方向的轮胎模型水平移动，Sv,y为坐标系侧面方向的轮胎模型垂直位移，下标y表示坐标系侧面方向；
轮胎参数计算公式为：
Cy＝a0
Dy＝a1Fz,tn+a2
Ey＝a6Fz,tn+a7
Figure BDA0003513398350000112
Sh,y＝a8|θ|+a9Fz,tn+a10
Figure BDA0003513398350000113
上式中，θ为轮胎外倾角，Fz,tn为轮胎tn的垂直力，a0～a14均为实验系数，i∈tn；CG处的横向合力Fy,cg是Fx,tn和Fy,tn的组合函数，计算公式如公式(10)所示，横向加速度ay的计算公式如式(11)所示：
Figure BDA0003513398350000114
Figure BDA0003513398350000115
步骤1-4、侧向力会影响车辆转弯时的垂直载荷，并将载荷转移到轮胎上，建立车辆前部垂直载荷和后部垂直载荷的计算公式；
Figure BDA0003513398350000121
为侧向力在前轴增加的载荷，
Figure BDA0003513398350000122
为侧向力在后轴增加的载荷，计算公式分别为(12)和(13)：
Figure BDA0003513398350000123
Figure BDA0003513398350000124
上式中，Fy为坐标系侧面方向的轮胎参数的函数；hcg为重心高度，单位为m；b为车辆重心与后轴的纵向距离；l为车辆轴距；tf为前轴距；Kφ,f为前轴的悬架刚度，单位为N/m；φ为侧倾角，单位为rad；a为车辆重心与前轴的纵向距离；tr为后轴距，单位为m；Kφ,r为后轴的悬架刚度，单位为N/m；
根据前轴重量百分比
Figure BDA0003513398350000125
和前后轴增加的载荷
Figure BDA0003513398350000126
和
Figure BDA0003513398350000127
车辆前部垂直载荷Fz,if由公式(14)计算，车辆后部垂直载荷Fz,ir由公式(15)计算；
Figure BDA0003513398350000128
Figure BDA0003513398350000129
上式中，g为重力加速度，m为车辆的总质量；纵向轮胎受力矢量Fx,tn和横向轮胎受力矢量Fy,tn在车辆重心周围产生力矩Mcg,z，力矩Mcg,z由公式(16)计算，加速度
Figure BDA00035133983500001210
由公式(17)计算；
Figure BDA00035133983500001211
Figure BDA00035133983500001212
上式中，Ptn为轮胎位置矢量，Iz为偏航惯性矩。
步骤2-1、设计如图2所示模糊逻辑控制器；模糊逻辑控制器结构的底层为4个轮胎内电机控制器，其中两个为前轮电机控制器，另外两个为后轮电机控制器；中间层为扭矩估计器和最优侧滑率估计器；顶层为转向模糊控制器；根据车辆行为数据确定每个轮胎内电机的扭矩；车辆行为数据包括转向角、速度和侧滑率；
步骤2-2：建立模糊隶属度函数；根据模糊逻辑控制器结构，模糊逻辑控制器的模糊逻辑控制算法输入和输出，将模糊隶属度函数分为三个等级，三个等级分别对应隶属度函数曲线区域的低区域、中区域和高区域；利用高斯隶属度函数描述每一个等级，平滑过渡三个等级函数，并最小化函数变量的数量；基于变量数k的每个等级的隶属度函数f(k,j)表达式为：
Figure BDA0003513398350000131
上式中，v为模糊输入变量，g为重力加速度，j为等级数(j＝1,2,3)，μk,j为隶属度函数平均值，σk,j为隶属度函数标准偏差；
步骤2-3、建立三级隶属度函数交叉点公式；
将中区域的隶属度函数和低区域、高区域两个隶属度函数之间的交叉点分别定义为I1和I2，两个交叉点证明三个等级的隶属度函数具有相关性；I1和I2附近的函数点在隶属度函数中形成一个区域，该区域中未定义输入变量；交叉点I1和I2的y坐标分别定义为I1y和I2y，满足I1y,I2y＞0.15；交叉点I1和I2的x坐标分别定义为I1x和I2x，计算公式如下：
Figure BDA0003513398350000132
Figure BDA0003513398350000133
步骤2-4、设计模糊逻辑控制规则；定义模糊逻辑控制算法的解为uk，即为规范化控制器输出变量；涉及多输入单输出模糊逻辑控制规则为r，如式(21)所示；规则r确定控制输入变量v1由隶属函数A1,j分类，输入变量vk由隶属函数Ak,j分类，输出变量uk具有隶属度函数Ok,j；
规则r:若A1,j＝v1，且Ak,j＝vk，则uk＝Ok,j (21)
利用质心解模糊方法，计算解模糊输出变量：
Figure BDA0003513398350000141
上式中，
Figure BDA0003513398350000142
为基于变量数k的模糊输出变量平均值；u为模糊输出变量，f(k,j)(u)为基于u的隶属度函数。
步骤3-1：设置轨迹误差；优化方法的目的是将模块化车辆的轨迹误差降至最小值；轨迹误差由位置误差Exy、偏航误差Eγ和速度误差EV组成；
Figure BDA0003513398350000143
上式中，EEV/HEV,xy为EV或HEV的位置误差，x(i)和y(i)分别为车辆位置的横坐标和纵坐标，xs(i)和ys(i)分别为车辆参考轨迹的横坐标和纵坐标，i为步进时间，0≤i≤t，Δi为步进时间差值，t为时间参数；
Figure BDA0003513398350000144
上式中，EEV/HEV,γ为EV或HEV的偏航误差，γ(i)为模拟偏航角，γs(i)为参考目标偏航角；
Figure BDA0003513398350000145
上式中，EEV/HEV,V为EV或HEV的速度误差，V(i)为车辆速度，Vs(i)为车辆参考速度；
建立如公式(26)和(27)所示双目标优化函数f1和f2；通过计算公式(26)和(27)的最优解，得到纯电动汽车(EV)和混合动力汽车(HEV)的模糊逻辑控制算法的最佳参数值；
f1＝min(EEV,xy(X)+EEV,γ(X)+EEV,V(X)) (26)
f2＝min(EHEV,xy(X)+EHEV,γ(X)+EHEV,V(X)) (27)
上式中，X表示遗传算法的染色体变量；f1为基于EV模块配置的误差最小化公式，f2为基于HEV模块配置的误差最小化公式；
步骤3-2、推导基于交互式自适应权重的遗传算法；利用车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值，得到如公式(28)所示染色体变量和如公式(29)所示约束条件C(X)：
X＝[μ1,1σ1,1μ1,2σ1,2…μk,jσk,jW1W2...Wr] (28)
Figure BDA0003513398350000151
上式中，W1W2...Wr为权重值，I1x和I2x作为公式(18)中的模糊输入变量；针对优化函数f1和f2，根据种群数量最大值fmax和最小值fmin计算自适应权重，得到如公式(30)所示拟合函数Ffit(X)：
Figure BDA0003513398350000152
上式中，f1(X)和f2(X)分别为基于染色体变量的优化函数，f1 max为优化函数f1对应的种群数量最大值，
Figure BDA0003513398350000153
为优化函数f2对应的种群数量最大值，f1 min为优化函数f1对应的种群数量最小值，
Figure BDA0003513398350000154
为优化函数f2对应的种群数量最小值；根据种群大小PM，建立遗传算法选择概率SP(Xk)的修正公式：
Figure BDA0003513398350000155
上式中，Xk为基于变量数k的染色体变量，Xc为基于种群数c的染色体变量；下标k表示变量数，下标c表示种群数。
实验结果1
基于遗传算法的模糊控制优化方法的最终种群分布如图3所示，横坐标为EV的优化函数f1，纵坐标为HEV的优化函数f2。Ffit(X)、f1(X)和f2(X)的最优解如下表1所示。结果显示：
(1)横坐标和纵坐标数值范围分别为200和240，f1和f2的最小值min(f1)和min(f2)分别位于横纵坐标点(48，200)和(155，78)。
(2)最终种群分布点在横纵坐标点(80，140)和(120，120)范围内最集中。
(3)拟合函数Ffit(X)最大值点为(110，118)，说明混合动力汽车优化函数f2取值较大。
(4)如下表1所示，优化函数的Pareto值均为1的条件下，拟合函数Ffit(X)的适应度值接近，min(f1)、min(f2)和max(Ffit(X))数值与图3匹配。
表1 Ffit(X)、f1(X)和f2(X)的最优解表
Figure BDA0003513398350000161
实验结果2
EV/HEV在不同配置情况下的轨迹位置均方根误差如下表2所示，不同配置包括轨迹tf，车辆重量M，轴距l和重心位置b/l，每种配置取值3种不同值。结果显示：
(1)统计数据包括无模糊逻辑控制方法、应用模糊逻辑控制方法(HEV)和应用模糊逻辑控制方法(EV)。
(2)无FLC情况下，不同配置的RMSE值大于应用FLC，后者将RMSE控制在7以内。
(3)应用模糊逻辑控制方法(EV)的效果比较平均，RMSE控制在2～4之间。
(4)应用模糊逻辑控制方法(HEV)在重心位置不同的情况下，效果最好，优化百分比达到99.1％。
表2 EV/HEV在不同配置情况下的轨迹位置均方根误差(RMSE)
Figure BDA0003513398350000162
Figure BDA0003513398350000171

Claims (5)

1.一种适用于模块化车辆的模糊逻辑控制优化方法，其特征在于，包括以下步骤：
步骤1、建立纯电动汽车和混合动力汽车的车辆动态模型；车辆动态模型包括车辆整体动态模型、车辆整体的纵向动力学模型、车辆整体的横向动力学模型、车辆前部垂直载荷和后部垂直载荷的计算公式；
步骤2：设计模糊逻辑控制器，建立模糊逻辑控制器对应的模糊逻辑控制算法；模糊逻辑控制算法包括建立模糊隶属度函数、将模糊隶属度函数分为对应隶属度函数曲线区域的低区域、中区域和高区域的三个等级，并建立三级隶属度函数交叉点公式和设计模糊逻辑控制规则；
步骤3：利用基于交互式自适应权重遗传算法的优化方法，确定车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值；设置轨迹误差，建立双目标优化函数，得到模糊逻辑控制算法的最佳参数值；推导基于交互式自适应权重的遗传算法，得到染色体变量和约束条件；得到双目标优化函数的拟合函数，并建立遗传算法选择概率的修正公式；
步骤4、采用步骤2所得模糊逻辑控制算法的输出结果，利用仿真软件对纯电动汽车和混合动力汽车的标准行驶轨迹进行仿真验证，采用步骤3所述基于交互式自适应权重遗传算法的优化方法来校正纯电动汽车和混合动力汽车的车辆行驶轨迹，对不同配置的车辆的控制性能进行比较；并对模糊逻辑控制方法的参数配置优化。
2.根据权利要求1所述适用于模块化车辆的模糊逻辑控制优化方法，其特征在于，步骤1具体包括如下步骤：
步骤1-1、根据Ackermann几何定律，设计车辆整体动态模型；δ1和δ2为车辆综合模型前轮的两个前转向角，单位为rad；根据公式(1)和(2)计算得到δ1和δ2：
Figure FDA0003714412070000011
Figure FDA0003714412070000012
上式中，l为车辆轴距，tf为前轮距，单位均为m；R为车辆在低速运行时车轮围绕曲率中心转动的转动半径；基于Ackermann几何定律中的低速动态特征，忽略滑动角α1至α4，侧滑角β的计算公式为：
Figure FDA0003714412070000021
上式中，侧滑角β的单位为rad，Vy为纵向速度，Vx为横向速度，Vx和Vy的单位均为m/s；
步骤1-2、建立车辆整体的纵向动力学模型，并描述纵向运动的阻力参数，纵向运动的阻力参数包括滚动阻力Fx,R和空气动力学阻力Fx,D：
Fx,R＝-CRVx (4)
Figure FDA0003714412070000022
上式中，CR为滚动阻力系数，CD为空气动力学阻力系数；
每辆车的4个轮胎均分别表示为tn∈{1,2,3,4}，重心处的纵向合力Fx,cg为纵向方向上的受力总和，纵向合力Fx,cg包括每个轮胎的牵引力分量Fx,tn、侧向力分量Fy,tn、滚动阻力Fx,R和空气动力学阻力Fx,D，纵向合力公式为：
Figure FDA0003714412070000023
上式中，m为车辆的总质量，δtn为轮胎角度；
根据牛顿第二定律计算纵向加速度ax：
Figure FDA0003714412070000024
步骤1-3、建立车辆整体的横向动力学模型；
每辆车的每个轮胎侧向力Fy,tn计算公式为：
Fy,tn(αtn)＝Dysin(Cytan-1(By(1-Ey)(αtn+Sh,y)+Eytan-1(By(αtn+Sh,y))))+Sv,y(8)
上式中，Fy,tn()为坐标系侧面方向的轮胎参数(By,Cy,Dy,Ey,Sv,y,Sh,y)的函数，αtn为轮胎tn的滑动角，Dy为坐标系侧面方向的轮胎模型峰度系数，Cy为坐标系侧面方向的轮胎模型形状系数，By为坐标系侧面方向的轮胎模型的刚度系数，Ey为坐标系侧面方向的轮胎模型曲率系数，Sh,y为坐标系侧面方向的轮胎模型水平移动，Sv,y为坐标系侧面方向的轮胎模型垂直位移，下标y表示坐标系侧面方向；
轮胎参数计算公式为：
Cy＝a0
Dy＝a1Fz,tn+a2
Ey＝a6Fz,tn+a7
Figure FDA0003714412070000031
Sh,y＝a8|θ|+a9Fz,tn+a10
Figure FDA0003714412070000032
上式中，θ为轮胎外倾角，Fz,tn为轮胎tn的垂直力，a0～a14均为实验系数，i∈tn；CG处的横向合力Fy,cg是Fx,tn和Fy,tn的组合函数，计算公式如公式(10)所示，横向加速度ay的计算公式如式(11)所示：
Figure FDA0003714412070000033
Figure FDA0003714412070000034
步骤1-4、建立车辆前部垂直载荷和后部垂直载荷的计算公式；
Figure FDA0003714412070000035
为侧向力在前轴增加的载荷，
Figure FDA0003714412070000036
为侧向力在后轴增加的载荷，计算公式分别为(12)和(13)：
Figure FDA0003714412070000037
Figure FDA0003714412070000038
上式中，Fy为坐标系侧面方向的轮胎参数的函数；hcg为重心高度，单位为m；b为车辆重心与后轴的纵向距离；l为车辆轴距；tf为前轴距；Kφ,f为前轴的悬架刚度，单位为N/m；φ为侧倾角，单位为rad；a为车辆重心与前轴的纵向距离；tr为后轴距，单位为m；Kφ,r为后轴的悬架刚度，单位为N/m；
根据前轴重量百分比
Figure FDA0003714412070000041
和前后轴增加的载荷
Figure FDA0003714412070000042
和
Figure FDA0003714412070000043
车辆前部垂直载荷Fz,if由公式(14)计算，车辆后部垂直载荷Fz,ir由公式(15)计算；
Figure FDA0003714412070000044
Figure FDA0003714412070000045
上式中，g为重力加速度，m为车辆的总质量；纵向轮胎受力矢量Fx,tn和横向轮胎受力矢量Fy,tn在车辆重心周围产生力矩Mcg,z，力矩Mcg,z由公式(16)计算，加速度
Figure FDA0003714412070000046
由公式(17)计算；
Figure FDA0003714412070000047
Figure FDA0003714412070000048
上式中，Ptn为轮胎位置矢量，Iz为偏航惯性矩。
3.根据权利要求2所述适用于模块化车辆的模糊逻辑控制优化方法，其特征在于，步骤2具体包括以下步骤：
步骤2-1、设计模糊逻辑控制器；模糊逻辑控制器结构的底层为4个轮胎内电机控制器，其中两个为前轮电机控制器，另外两个为后轮电机控制器；中间层为扭矩估计器和最优侧滑率估计器；顶层为转向模糊控制器；根据车辆行为数据确定每个轮胎内电机的扭矩；车辆行为数据包括转向角、速度和侧滑率；
步骤2-2：建立模糊隶属度函数；根据模糊逻辑控制器结构，模糊逻辑控制器的模糊逻辑控制算法输入和输出，将模糊隶属度函数分为三个等级，三个等级分别对应隶属度函数曲线区域的低区域、中区域和高区域；利用高斯隶属度函数描述每一个等级，平滑过渡三个等级函数，并最小化函数变量的数量；基于变量数k的每个等级的隶属度函数f(k,j)表达式为：
Figure FDA0003714412070000049
上式中，v为模糊输入变量，g为重力加速度，j为等级数(j＝1,2,3)，μk,j为隶属度函数平均值，σk,j为隶属度函数标准偏差；
步骤2-3、建立三级隶属度函数交叉点公式；
将中区域的隶属度函数和低区域、高区域两个隶属度函数之间的交叉点分别定义为I1和I2；I1和I2附近的函数点在隶属度函数中形成一个区域，该区域中未定义输入变量；交叉点I1和I2的y坐标分别定义为I1y和I2y，I1y,I2y＞0.15；交叉点I1和I2的x坐标分别定义为I1x和I2x，计算公式如下：
Figure FDA0003714412070000051
Figure FDA0003714412070000052
步骤2-4、设计模糊逻辑控制规则；定义模糊逻辑控制算法的解为uk；涉及多输入单输出模糊逻辑控制规则为r，如式(21)所示；规则r确定控制输入变量v1由隶属函数A1,j分类，输入变量vk由隶属函数Ak,j分类，输出变量uk具有隶属度函数Ok,j；
规则r:若A1,j＝v1，且Ak,j＝vk，则uk＝Ok,j (21)
利用质心解模糊方法，计算解模糊输出变量：
Figure FDA0003714412070000053
上式中，
Figure FDA0003714412070000054
为基于变量数k的模糊输出变量平均值；u为模糊输出变量，f(k,j)(u)为基于u的隶属度函数。
4.根据权利要求3所述适用于模块化车辆的模糊逻辑控制优化方法，其特征在于，步骤3具体包括以下步骤：
步骤3-1：设置轨迹误差；轨迹误差由位置误差Exy、偏航误差Eγ和速度误差EV组成；
Figure FDA0003714412070000055
上式中，EEV/HEV,xy为EV或HEV的位置误差，x(i)和y(i)分别为车辆位置的横坐标和纵坐标，xs(i)和ys(i)分别为车辆参考轨迹的横坐标和纵坐标，i为步进时间，0≤i≤t，Δi为步进时间差值，t为时间参数；
Figure FDA0003714412070000061
上式中，EEV/HEV,γ为EV或HEV的偏航误差，γ(i)为模拟偏航角，γs(i)为参考目标偏航角；
Figure FDA0003714412070000062
上式中，EEV/HEV,V为EV或HEV的速度误差，V(i)为车辆速度，Vs(i)为车辆参考速度；
建立如公式(26)和(27)所示双目标优化函数f1和f2；通过计算公式(26)和(27)的最优解，得到纯电动汽车和混合动力汽车的模糊逻辑控制算法的最佳参数值；
f1＝min(EEV,xy(X)+EEV,γ(X)+EEV,V(X)) (26)
f2＝min(EHEV,xy(X)+EHEV,γ(X)+EHEV,V(X)) (27)
上式中，X表示遗传算法的染色体变量；f1为基于EV模块配置的误差最小化公式，f2为基于HEV模块配置的误差最小化公式；
步骤3-2、推导基于交互式自适应权重的遗传算法；利用车辆变量值定义模糊逻辑控制算法的隶属度函数规则和相应的权重值，得到如公式(28)所示染色体变量和如公式(29)所示约束条件C(X)：
X＝[μ1,1σ1,1μ1,2σ1,2…μk,jσk,jW1W2...Wr] (28)
Figure FDA0003714412070000063
上式中，W1W2...Wr为权重值，I1x和I2x作为公式(18)中的模糊输入变量；针对优化函数f1和f2，根据种群数量最大值fmax和最小值fmin计算自适应权重，得到如公式(30)所示拟合函数Ffit(X)：
Figure FDA0003714412070000071
上式中，f1(X)和f2(X)分别为基于染色体变量的优化函数，f1 max为优化函数f1对应的种群数量最大值，
Figure FDA0003714412070000072
为优化函数f2对应的种群数量最大值，f1 min为优化函数f1对应的种群数量最小值，
Figure FDA0003714412070000073
为优化函数f2对应的种群数量最小值；根据种群大小PM，建立遗传算法选择概率SP(Xk)的修正公式：
Figure FDA0003714412070000074
上式中，Xk为基于变量数k的染色体变量，Xc为基于种群数c的染色体变量；下标k表示变量数，下标c表示种群数。
5.根据权利要求1所述适用于模块化车辆的模糊逻辑控制优化方法，其特征在于：步骤1中建立纯电动汽车和混合动力汽车的车辆动态模型时，设置了标准坐标体系，标准坐标体系包括纵向的x轴,侧向的y轴,和垂直方向的z轴。
CN202210158769.0A 2022-02-21 2022-02-21 一种适用于模块化车辆的模糊逻辑控制优化方法 Active CN114435380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210158769.0A CN114435380B (zh) 2022-02-21 2022-02-21 一种适用于模块化车辆的模糊逻辑控制优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210158769.0A CN114435380B (zh) 2022-02-21 2022-02-21 一种适用于模块化车辆的模糊逻辑控制优化方法

Publications (2)

Publication Number Publication Date
CN114435380A CN114435380A (zh) 2022-05-06
CN114435380B true CN114435380B (zh) 2022-09-02

Family

ID=81373248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210158769.0A Active CN114435380B (zh) 2022-02-21 2022-02-21 一种适用于模块化车辆的模糊逻辑控制优化方法

Country Status (1)

Country Link
CN (1) CN114435380B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107253453A (zh) * 2017-07-05 2017-10-17 厦门大学 一种分布式电动汽车横向稳定性自适应控制***及方法
CN110525428A (zh) * 2019-08-29 2019-12-03 合肥工业大学 一种基于模糊深度强化学习的自动泊车方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018104850A1 (en) * 2016-12-08 2018-06-14 Kpit Technologies Limited Model predictive based control for automobiles
CN107097785B (zh) * 2017-05-25 2019-08-27 江苏大学 一种预瞄距离自适应的智能车辆横向控制方法
CN108248605A (zh) * 2018-01-23 2018-07-06 重庆邮电大学 一种智能车辆轨迹跟随的横纵向协调控制方法
CN108773376B (zh) * 2018-05-07 2019-12-24 南京航空航天大学 一种融合驾驶意图的汽车多目标分层协同控制与优化方法
CN110395120A (zh) * 2019-08-14 2019-11-01 厦门金龙联合汽车工业有限公司 一种四轮分布式驱动客车的横摆运动控制方法
CN113978263A (zh) * 2021-11-02 2022-01-28 长春工业大学 一种驱动轮防滑与转矩优化融合的电动汽车稳定性控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107253453A (zh) * 2017-07-05 2017-10-17 厦门大学 一种分布式电动汽车横向稳定性自适应控制***及方法
CN110525428A (zh) * 2019-08-29 2019-12-03 合肥工业大学 一种基于模糊深度强化学习的自动泊车方法

Also Published As

Publication number Publication date
CN114435380A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN111806427B (zh) 一种四轮毂电机驱动车辆的综合控制方法
CN109849899B (zh) 一种电动轮汽车电液复合车身稳定控制***及方法
CN107561942B (zh) 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN109606379B (zh) 一种分布式驱动无人驾驶车辆路径跟踪容错控制方法
CN103057436A (zh) 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法
CN107220405B (zh) 一种基于改进细胞膜优化算法的汽车底盘***集成多目标优化方法
CN112829766B (zh) 一种基于分布式驱动电动车辆的自适应路径跟踪方法
CN110641475B (zh) 基于合作博弈的四轮独立驱动电动汽车分层容错控制方法
Pourasad et al. Design of an optimal active stabilizer mechanism for enhancing vehicle rolling resistance
CN111731267B (zh) 一种装备非充气弹性车轮的分布式电动汽车稳定性控制***及方法
CN113978263A (zh) 一种驱动轮防滑与转矩优化融合的电动汽车稳定性控制方法
CN113306545B (zh) 一种车辆轨迹跟踪控制方法及***
CN115202341A (zh) 一种自动驾驶车辆横向运动控制方法及***
CN113147736B (zh) 基于独立轮系的电动车辆稳定性控制方法
CN114435380B (zh) 一种适用于模块化车辆的模糊逻辑控制优化方法
CN116902108B (zh) 应用于轮腿式车辆的高速转向主动侧倾控制方法及***
CN109455186B (zh) 三轮独立驱动电动叉车转矩的混合优化分配控制方法
CN114044003B (zh) 前后双轴转向车辆的循迹控制方法
CN114194035B (zh) 平衡臂式六轮独立驱动智能底盘转矩分配方法
CN113650621B (zh) 面向复杂工况的分布式驱动电动汽车状态参数估计方法
CN115525019A (zh) 基于操纵稳定性概率分布的复合工况底盘集成控制方法
CN113071282B (zh) 一种车辆调节方法及装置
CN111814258B (zh) 用于四轮独立电驱动车辆线控转向***传动比的设计方法
CN114148319A (zh) 一种基于二次预测型零力矩点的侧翻预警及控制方法
CN114889449B (zh) 基于转矩损失的转矩分配方法和***

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