基于路面識別的汽車驅(qū)動力模糊滑模控制

趙 健，張 進，朱 冰，2

（1.吉林大學 汽車仿真與控制國家重點實驗室，長春130022；2.吉林大學 工程仿生教育部重點實驗室，長春130022）

0 引 言

汽車驅(qū)動力控制系統(tǒng)在汽車起步、加速、爬坡過程中，通過控制車輪滑轉(zhuǎn)狀態(tài)，使車輛驅(qū)動輪在惡劣路面或復雜行駛條件下也能產(chǎn)生最佳的縱向驅(qū)動力，并保證一定的轉(zhuǎn)向能力［1］。目前國內(nèi)外學者對于驅(qū)動力控制系統(tǒng)研究已進行了大量的工作，例如，趙健等［2］針對四輪驅(qū)動汽車，應用模糊理論設計了牽引力控制系統(tǒng)的油門控制器和制動控制器。張曉兵等［3］提出面向牽引力控制的自動變速器檔位干預策略。

這些算法大都采用固定車輪最佳滑轉(zhuǎn)率進行控制，忽略了路面變化對控制系統(tǒng)的影響。而實際上，車輛行駛路況復雜，不但路面附著系數(shù)多變，不同附著系數(shù)路面對應的最佳車輪滑轉(zhuǎn)率也有很大差別。因此，對路面條件的精確識別是保證驅(qū)動力控制精度和品質(zhì)的關(guān)鍵。

對于路面識別算法，國內(nèi)外進行了大量的研究。李亮等［4］提出了一種綜合路面附著識別方法，并引入了置信度的概念，運用模糊邏輯算法實現(xiàn)了附著狀態(tài)的判斷。Takuro等［5］提出了在轉(zhuǎn)彎工況下利用回正力矩及卡爾曼濾波來估算前輪所在路面的附著系數(shù)的方法。Edoardo等［6］介紹了倍耐力電子輪胎，電子輪胎擁有內(nèi)嵌的傳感器和數(shù)字計算能力，能實時地提供地面與輪胎的接觸力、摩擦因數(shù)和附著系數(shù)的最大值。么鳴濤等［7］提出了基于車輛振動加速度響應的路面識別方法，通過路面不平度的特征信息將路面進行分類。Choi等［8］提出了用線性遞歸最小二乘法來實時獲取輪胎路面附著系數(shù)的方法。

雖然目前的路面附著系數(shù)估算方法很多，但大部分都是面向車輛穩(wěn)定性控制的，而驅(qū)動力控制大多數(shù)采用固定的最佳滑轉(zhuǎn)率控制，難以在各種路面條件下均獲得最佳的驅(qū)動性能。本文采用卡爾曼濾波和最小二乘法相結(jié)合的方式對路面附著系數(shù)進行估算，自適應調(diào)節(jié)最佳車輪滑轉(zhuǎn)率，以此為基礎(chǔ)，設計模糊滑模控制器，對汽車驅(qū)動力進行控制，使之在不同的路面附著系數(shù)條件下，都能獲得最佳的驅(qū)動性能。

1 基于卡爾曼濾波的輪胎力估算

忽略空氣阻力，并將滾動阻力線性化，汽車的受力分析如圖1所示，車輪的受力分析如圖2所示。

圖1 車輛受力分析圖Fig.1 Force analysis in vehicle

圖2 車輪受力分析圖Fig.2 Force analysis in single wheel

車輛的力和力矩平衡方程為：

式中：

式中：Fxi為車輪縱向力（i＝fl，fr，rl，rr分別對應左前、右前、左后、右后輪，下同）；Fyi為車輪側(cè)向力；Fyf為前軸側(cè)向力；Fyr為后軸側(cè)向力；δ為前輪轉(zhuǎn)角；m 為整車質(zhì)量；ax為車輛縱向加速度；ay為車輛側(cè)向加速度；Iz為車輛橫擺轉(zhuǎn)動慣量；γ 為車輛橫擺角速度；lf為車輛質(zhì)心到前軸距離；lr為車輛質(zhì)心到后軸距離；2t為車輛輪距。

車輪力矩方程為：

式中：Iw為車輪轉(zhuǎn)動慣量；ωi為車輪輪速；Tdi為車輪驅(qū)動力矩；Tbi為車輪制動力矩；Fzi為車輪法向力；fri為滾動阻力系數(shù)；r 為車輪有效滾動半徑；G 為車輪法向載荷；Fp為車軸作用于車輪的水平力；Tf為滾動阻力矩。

根據(jù)式（1）～（4），建立狀態(tài)空間方程：

式中：11維系統(tǒng)狀態(tài)向量x（t）＝［Fxfl，F(xiàn)xfr，F(xiàn)xrl，F(xiàn)xrr，F(xiàn)yf，F(xiàn)yr，ωfl，ωfr，ωrl，ωrr，γ］T；7 維 測 量 矩 陣z（t）＝［ax，ay，ωfl，ωfr，ωrl，ωrr，γ］T；系統(tǒng)過程噪聲w（t）是11維零均值白噪聲向量；測量噪聲v（t）為7維零均值白噪聲向量，且w（t）和v（t）互不相關(guān)。

采用零階保持的方法，將車輛連續(xù)系統(tǒng)狀態(tài)空間方程進行離散化，得到相應的離散系統(tǒng)的狀態(tài)空間方程如下：

進行離散卡爾曼濾波的系統(tǒng)估計過程如下：

狀態(tài)一步預測：

狀態(tài)估計：

濾波增益矩陣：

一步預測誤差方差陣：

估計誤差方差陣：

式中：矩陣W 和V 分別為過程噪聲和測量噪聲的協(xié)方差矩陣。只要給定初值和P0，根據(jù)k時刻的測量值zk，就可以遞推計算出k 時刻的狀態(tài)估計，得到相應車輪輪胎力的估計值。

2 路面附著系數(shù)估算

2.1 縱滑側(cè)偏組合刷子輪胎模型

由于刷子模型的求解參數(shù)少于魔術(shù)公式等模型，且能比較準確地描述如摩擦橢圓影響和飽和輪胎力等輪胎的非線性特征［9－10］，本文采用縱滑側(cè)偏組合刷子輪胎模型進行路面附著系數(shù)識別。

縱滑側(cè)偏組合刷子輪胎模型的計算公式如下：

其中：

式中：Cx為輪胎縱滑剛度；Cα為輪胎側(cè)偏剛度；μ為路面附著系數(shù)；α 為輪胎側(cè)偏角；κ 為實際縱向滑轉(zhuǎn)率；vw為輪心處的縱向速度。

刷子輪胎模型需要辨識的參數(shù)包括Cx、Cα和μ，根據(jù)文獻［8］可知，Cx、Cα與很多因素有關(guān)，如輪胎尺寸、胎面寬度、胎面剛度、充氣壓力、負載等，在短時間內(nèi)變化很小，可以近似看作趨近于定值，而路面附著系數(shù)μ，可以采用最小二乘法進行估算。

2.2 基于最小二乘法的路面附著系數(shù)估算

最小二乘估計使所有偏差的平方和達到最小，可以有效抑制測量誤差［11］。

首先將刷子輪胎模型寫成如下非線性形式：

式中：y是測量值，這里采用由卡爾曼濾波得到的輪胎力的數(shù)值，即y ＝［Fx，F(xiàn)y］T；f（k，θ）為刷子輪胎模型的表達式，其中，θ 是刷子輪胎模型參數(shù)，θ＝［μ］；vl是相應的測量噪聲。

為滿足最小二乘法的需要，將式（17）線性化，y（k）可以近似地寫成：

定義變量h（k）：

將y（k）的表達式帶入上式，得到：

將非線性的刷子輪胎模型進行線性化處理后，即可以采用最小二乘法估算方法來進行路面附著系數(shù)估算。一般說來，基于刷子模型的路面附著系數(shù)估算算法需要輪胎存在一定的滑轉(zhuǎn)率才能獲得較精確的測量結(jié)果，而在低滑轉(zhuǎn)工況下，估算結(jié)果會有一些抖動，為了避免因此而產(chǎn)生錯誤的估算結(jié)果，本文算法只在滑轉(zhuǎn)率大于5%時進行估算值的更新，滑轉(zhuǎn)率小于5%時，則保持上一個時刻的估算值不變。

2.3 不同路面的最佳車輪滑轉(zhuǎn)率

根據(jù)文獻［10］，在驅(qū)動工況下，輪胎的理論縱向滑轉(zhuǎn)率s與實際縱向滑移率κ存在如下關(guān)系：

輪胎與路面間的附著系數(shù)隨車輪滑轉(zhuǎn)率變化，由文獻［12，13］可知，一般情況下，峰值路面附著系數(shù)對應的最佳車輪滑轉(zhuǎn)率在0.2左右，而附著系數(shù)較高的路面對應的最佳車輪滑轉(zhuǎn)率也較大。因此可以根據(jù)估算得到的路面附著系數(shù)通過查表的方式獲得車輪的最佳滑轉(zhuǎn)率s0，最佳滑轉(zhuǎn)率與路面附著系數(shù)的關(guān)系如下：μ ≥0.4時，s0＝0.25；μ≤0.1時，s0＝0.15；0.1＜μ＜0.4時，s0＝0.2。

3 汽車驅(qū)動力的模糊滑模控制

選取實際滑轉(zhuǎn)率與最佳車輪滑轉(zhuǎn)率的差值e及其導數(shù)作為狀態(tài)變量：

其切換函數(shù)δslide為：

式中：c為滑模面系數(shù)。

考慮到控制的快速性和平順性的要求，采用連續(xù)函數(shù)和模糊調(diào)節(jié)結(jié)合的方式對輪胎的滑轉(zhuǎn)率進行滑模變結(jié)構(gòu)控制，取：

式中：Ω 為滑模邊界值，Ω ＞0；ε為趨近速率，ε＞0。

則有：

滿足滑模變結(jié)構(gòu)控制的全局達到條件，則滑動模態(tài)存在，控制方法可行。

為了減少抖振，ε采用模糊調(diào)節(jié)的方式取值。模糊調(diào)節(jié)的輸入為e和，輸出為Δε，系統(tǒng)輸入輸出的模糊集分別定義為e＝｛NB，NM，ZO，PM，PB｝；＝｛NB，NM，ZO，PM，PB｝；Δε＝｛NB，NM，NS，ZO，PS，PM，PB｝。其中，NB 為負大，NM 為負中，NS為負小，ZO 為零，PS為正小，PM為正中，PB為正大。其輸入輸出隸屬函數(shù)如圖3～圖5所示。模糊規(guī)則設計如表1所示。

圖3 輸入的隸屬函數(shù)Fig.3 Membership function of input

表1 模糊規(guī)則Table 1 Fuzzy control rules

圖4 輸入e的隸屬函數(shù)Fig.4 Membership function of input e

圖5 輸出Δε的隸屬函數(shù)Fig.5 Membership function of outputΔε

對式（4）兩邊求導，得：

假設車輪驅(qū)動力矩已知，將式（26）代入上式，即可得到所需的驅(qū)動輪制動力矩變化率

4 仿真分析

在Matlab／Simulink 和CarSim 環(huán) 境 下 建 立聯(lián)合仿真平臺，選擇普通前驅(qū)D 級轎車進行仿真，對路面附著系數(shù)的估算結(jié)果和驅(qū)動力控制的效果進行分析驗證。

仿真在附著系數(shù)為階躍變化的路面上進行，路面附著系數(shù)變化情況如下：行駛路程l＝0～10 m 時，μ＝0.5；l＝10～25時，μ＝0.1；l＝25～50時，μ＝0.3。路面總長度為50 m，初始車速為1 km／h，油門開度在0.1s內(nèi)由0上升到100%，仿真結(jié)果如圖6～圖11所示。

圖6 輪胎縱向力估算對比圖Fig.6 Curves of wheel longitudinal force

圖7 路面附著系數(shù)估算對比圖Fig.7 Curves of road friction coefficient

基于卡爾曼濾波算法得到的輪胎力估算值是路面附著系數(shù)估算算法的輸入量，因此路面附著系數(shù)估算的誤差與輪胎力估算的誤差有同樣的變化趨勢，輪胎縱向力的估算精度越高，路面附著系數(shù)的估算精度也越高。圖6為實際的輪胎縱向力與估算的輪胎縱向力對比圖，由圖可見，估算的輪胎縱向力在真實值附近波動，除路面躍變時有較大的瞬時估算誤差外，其余時刻的估算誤差均在10%以下，算法具有較高的估算精度。圖7為實際路面附著系數(shù)與估算路面附著系數(shù)對比圖，由圖可見，采用本文算法，在估算的最初階段，路面附著系數(shù)有一定偏差，但估算值約在0.3s內(nèi)即趨于穩(wěn)定，而在路面發(fā)生躍變時，估算值與實際值的最大瞬態(tài)偏差只有15%。在路面附著系數(shù)為0.5時，估算結(jié)果與實際值之間約有6%的穩(wěn)態(tài)誤差，這是由用于估算的刷子模型和CarSim 中的輪胎模型的偏差造成的，而在附著系數(shù)較低時，估算值與真實值之間幾乎沒有穩(wěn)態(tài)誤差。可見算法可以快速適應路面條件的變化，實現(xiàn)對輪胎力和路面附著系數(shù)的漸近無偏估計。

圖8 無驅(qū)動力控制的車輪滑轉(zhuǎn)率Fig.8 Slip ratio of wheel without traction control

圖9 普通滑模驅(qū)動力控制的車輪滑轉(zhuǎn)率Fig.9 Slip ratio of wheel with normal sliding mode traction control

圖10 基于路面識別的模糊滑模驅(qū)動力控制車輪滑轉(zhuǎn)率Fig.10 Slip ratio of wheel with fuzzy sliding mode traction control based on road identification

圖8 ～圖10分別為無驅(qū)動力控制、基于固定目標滑轉(zhuǎn)率的普通滑模驅(qū)動力控制和基于本文設計的路面自適應模糊滑模驅(qū)動力控制條件下，單側(cè)驅(qū)動輪滑轉(zhuǎn)率的變化曲線，由于車輛在均一附著系數(shù)路面上行駛，另一側(cè)驅(qū)動輪滑轉(zhuǎn)率曲線與圖示曲線基本一致。由圖8～圖10可見，無驅(qū)動力控制情況下，驅(qū)動車輪迅速發(fā)生打滑，嚴重影響車輛的起步性能，而基于固定目標滑轉(zhuǎn)率和固定滑動趨近率的滑模驅(qū)動力控制雖然可以較為有效地控制驅(qū)動輪的過度滑轉(zhuǎn)，但并不能將滑轉(zhuǎn)率控制在最佳值，且輪速存在較大抖動；基于路面自適應識別的模糊滑模驅(qū)動力控制則可以快速有效地響應路面條件的變化，平滑地將車輪滑轉(zhuǎn)率控制在最佳值附近，從而得到更佳的控制效果。本文設計的驅(qū)動力控制算法能將滑轉(zhuǎn)率穩(wěn)定控制在目標值附近（一般＞10%），高于2.2小節(jié)中設置的更新估算值的滑轉(zhuǎn)率門限（5%），因此本文估算算法可以滿足本文的驅(qū)動力控制算法的需求。

圖11為本文設計的控制算法的車輪制動力矩曲線，由圖可見，車輪制動力矩最大值達到了2350N·m，在輪速趨于穩(wěn)定后，制動力矩略有波動，對照圖10，說明本文算法控制效果良好。

圖11 基于路面識別的模糊滑模驅(qū)動力控制車輪制動力矩Fig.11 Braking torque of wheel with fuzzy sliding mode traction control based on road identification

5 結(jié)束語

建立了離散車輛觀測模型，采用卡爾曼濾波方法進行了輪胎力的估算，據(jù)此基于縱滑側(cè)偏組合刷子輪胎模型，采用最小二乘法估算得到了路面附著系數(shù)，仿真結(jié)果表明，這一算法可以快速準確地識別路面附著系數(shù)的躍變，實現(xiàn)對路面附著系數(shù)的漸近無偏估計。車輛在低附著系數(shù)路面上全力加速時，車輪會發(fā)生明顯打滑，而本文所設計的驅(qū)動力控制算法可以快速適應路面附著條件的變化，將驅(qū)動輪滑轉(zhuǎn)率始終控制在最佳值附近，有效提高了車輛驅(qū)動性能。同時，采用模糊規(guī)則調(diào)節(jié)滑模控制趨近速率，可以減少車輪波動，提升控制品質(zhì)。

［1］喻凡，林逸.汽車系統(tǒng)動力學［M］.北京：機械工業(yè)出版社，2012：120－122.

［2］趙健，李靜，李幼德，等.模糊控制在四輪牽引力控制系統(tǒng)中的應用［J］.吉林大學學報：工學版，2005，35（2）：111－115.Zhao Jian，Li Jing，Li You－de，et al.Applications of fuzzy control on four－wheel traction control system［J］.Journal of Jilin University（Engineering and Technology Edition），2005，35（2）：111－115.

［3］張曉兵，李宏剛，榮睿，等.換檔干預的牽引力控制系統(tǒng)硬件在環(huán)試驗［J］.吉林大學學報：工學版，2008，38（5）：1006－1009.Zhang Xiao－bing，Li Hong－gang，Rong Rui，et al.Hardware－in－the－loop simulation of traction control system based on gear－shift intervention in automatic mechanical transmission［J］.Journal of Jilin University（Engineering and Technology Edition），2008，38（5）：1006－1009.

［4］李亮，冉旭，李紅志，等.用于汽車牽引力控制的復雜路面輪胎－道路附著狀態(tài)判斷［J］.機械工程學報，2012，48（10）：109－114.Li Liang，Ran Xu，Li Hong－zhi，et al.Identification of tire－road adhesion state on complicated road surface for traction control system［J］.Journal of Mechanical Engineering，2012，48（10）：109－114.

［5］Takuro Matsuda，Shin－ichiro Jo，Hikaru Nishira，et al.Instantaneous estimation of road friction based on front tire sat using Kalman filter［J］.SAE International Journal of Passenger Cars－Mechanical Systems，2013，6（1）：147－153.

［6］Sabbioni E，Kakalis L，Cheli F.On the impact of the maximum available tire－road friction coefficient awareness in a brake－based torque vectoring system［C］∥SAE Paper，2010－01－0116.

［7］么鳴濤，管繼富，顧亮.基于車輛振動加速度響應的路面識別研究［J］.拖拉機與農(nóng)用運輸車，2011，38（1）：28－31.Yao Ming－tao，Guan Ji－fu，Gu Liang.Research on road identification based on vehicle vibration acceleration response［J］.Tractor and Farm Transporter，2011，38（1）：28－31.

［8］Choi M，Oh J J，Choi S B.Linearized recursive least squares methods for real－time identification of tireroad friction coefficient［J］.IEEE Transactions on Vehicular Technology，2013，62（7）：2906－2918.

［9］Li Li，Wang Fei－yue，Zhou Qun－zhi.Integrated longitudinal and lateral tire／road friction modeling and monitoring for vehicle motion control［J］.IEEE Transactions on Intelligent Transportation Systems，2006，7（1）：1－18.

［10］Pacejka Hans B.Tyre and Vehicle Dynamics［M］.2nd ed，New York：Elsevier，2006：101－117.

［11］趙琳，王小旭，李亮，等.非線性系統(tǒng)濾波理論［M］.北京：國防工業(yè)出版社，2012：11－13.

［12］Singh K B，Arat M A，Taheri S.Enhancement of collision mitigation braking system performance through real－time estimation of tire－road friction coefficient by means of smart tires［C］∥SAE Paper，2012－01－2014.

［13］萬家慶，賀漢根，陳楊，等.基于路面附著系數(shù)曲線的最佳滑移率計算方法［J］.汽車科技，2004（6）：13－16.Wan Jia－qing，He Han－gen，Chen Yang，et al.Best slip ratio calculation method based on road friction coefficient curves［J］.Automobile Science and Technology，2004（6）：13－16.