智能網聯汽車橫向控制仿真測試模型分析

0 引言

目前，智能網聯汽車作為減少交通事故的有效措施之一，成為眾多車企、互聯網公司的重點發展目標。但在真正商業化應用前，需要經歷大量的道路測試才能達到商用要求。采用路測來優化自動駕駛算法耗費的時間與成本太高。自動駕駛屬于人工智能范疇，仍處于不斷發展階段。根據美國蘭德公司的研究，自動駕駛算法想要達到人類駕駛員水平至少需要累計177億公里的駕駛數據來完善算法，期間所耗費的時間和成本是難以承受的

。

在這種情況下，通過仿真來模擬各種場景下車輛的行駛就成為了最節省成本和時間的途徑之一。在智能網聯汽車無人駕駛模式下，速度控制是其中一個重要環節。除了在道路上行駛，根據傳感器檢測到的環境數據調節車速，在彎道根據曲率基于橫向穩定來調節車速也是速度調節的重要部分。智能網聯汽車關鍵技術包括感知、定位、規劃和控制技術，其中，縱橫向綜合軌跡跟蹤運動控制是智能汽車規劃和控制的重要環節

。

道路車輛在低附著路面、緊急避障、高速轉彎等工況下行駛，一旦輪胎的側偏力達到輪胎與路面附著極限就會產生橫向側滑。此時車輛與路面的橫向作用力將迅速減小，汽車將很快失去控制產生碰撞和側滑側翻，造成的交通事故和人員傷亡

。因此，橫向穩定成為了車輛穩定性的重要參數。

1 車輛的運動學模型和動力學模型

1.1 車輛的運動學模型

車輛運動學模型揭示的是汽車在世界坐標系OXY中的位移與汽車車速、橫擺角和前輪轉角之間的關系，如圖所示，圖1中

和

表示汽車后輪中心在世界坐標系中的坐標；

和

表示汽車前輪中心在世界坐標系中的坐標；

為汽車軸距；

為汽車橫擺角；

為汽車前輪轉角。

汽車前后輪中心的坐標與汽車橫擺角和前輪轉角之間的關系為

牛羊口蹄疫癥具有很強的流行性發生特性，其發病迅速，通常不需要實驗室診斷就可以對其進行確診。但是由于口蹄疫的致病病毒類型較多，為了更好的明確致病病毒類型來進行針對性治療，可以取部分牛羊舌面水皰皮或者是蹄部水皰液和水皰皮，放置在50%甘油生理鹽水中送至相關檢驗單位，通過化驗來明確口蹄疫病毒類型。

2)由于異步電動機失電殘壓的存在，電源恢復時可能會引起大的沖擊電流，大的沖擊電流可能會危及配電線路保護裝置的工作可靠性，使繼電保護裝置誤動作，保護跳閘使重合閘重合不成功。

(1)

在Vehicle and Enviroment中，包含Bicycle Model-Velocity Input、Lateral Control和Pack Ego Actor等多個模塊。Bicycle Model-Velocity Input和Lateral Control模塊可以自由編輯。Bicycle Model-Velocity Input在Simulink的Vehicle Dynamics Blockset模塊中選擇車身模型，因為自由度對仿真測試影響不大，可以選擇簡單的車身模型，因此選擇了最簡單的Vehicle Body 3DOF Single Track(單軌三自由度的車身模塊)。在本文中，研究車輛在XOY平面上的橫向穩定性，在Z軸方向上的力不做考慮，并且下一個Pack Ego Actor模塊也不需要在Z軸方向上的輸入信號。因此在Vehicle Body 3DOF Single Track的輸出信號上，去除了F_zf和F_zr兩項。

Interpon Reflex高反射涂料只吸收極少的光，使一個照明單位能夠釋放出更多的亮度，可幫助節省能源與成本。Interpon Reflex可最大程度地優化反射率，以滿足照明行業對更高效照明系統日益增長的需求。

(2)

消去

和

可得

渠道的選擇，應該嚴格按照霍童古鎮規劃的要求為前提，在整體品牌形象下進行渠道拓展工作。霍童古鎮采用統一的品牌形象和VI識別系統：景區的標志、小品塑造、指示牌、宣傳手冊，在式樣、顏色的選擇上精心地加以區別，并且在購物、娛樂、交通、衛生、安全等方面形成統一的高質量服務保障體系。加強對古鎮的宣傳，建立多渠道銷售模式，結合寧德市其他旅游資源的優勢和影響力，借助“清新福建”品牌讓霍童古鎮旅游產品和服務走向全國。

(3)

后輪的約束條件為

“一帶一路”沿線大部分國家都沒有自己的地理信息標準，而是修改采用或等同采用國際標準化組織地理信息技術委員會（ISO/TC 211）的相關地理信息標準，即ISO 19100系列標準中的相關標準。其中，歐洲標準化組織地理信息技術委員會（CEN/TC 287）除絕大部分等同或修改采用ISO 19100系列標準外，還將英國、德國等發達國家的一些地理信息標準發展為CEN標準，在歐洲范圍內予以推廣。

(4)

(5)

汽車運動學模型為

(6)

(7)

1.2 車輛的動力學模型

無人駕駛路徑跟蹤控制器通過車輛姿態和地圖信息產生轉向指令驅動轉向輸入來控制車輛行走

。將汽車簡化為一個單軌二輪模型，簡化后的的二自由度行駛模型

，如圖2。此模型認為汽車只做平面上的運動，汽車沿

軸縱向速度不變，只有沿

軸的側向運動和繞

軸的橫擺運動兩個自由度。

為汽車質心前進速度；

為汽車質心側向速度；

為汽車橫擺角速度；

為汽車質心至前軸距離；

為汽車質心至后軸距離；

、

分別為前輪側偏角和后輪側偏角；

為前輪轉向角；

、

分別為前輪和后輪的側向力；

、

分別為前輪和后輪的縱向力。

汽車前輪和后輪的側偏角分別為

運動學模塊：

(8)

式中，

是汽車質量，

是汽車轉動慣量。

=

=

(9)

variant='LateralControlTutorial/Lateral Controller';

汽車質心處側向加速度為

(10)

根據牛頓定律，可以列出二自由度汽車的微分方程為

=

+

(11)

假設輪胎側向力處于線性范圍內，汽車前輪和后輪側向力分別為

汽車動力學方程為

2 車輛橫向控制模塊

在MATLAB軟件中使用Simulink建立仿真模型，通過編程的方式構建車輛橫向控制仿真模型以及駕駛場景。

這個車輛橫向控制仿真模型共三部分，Helper Path Analyzer、Lateral Controller和Vehicle and Enviroment。其中Helper Path Analyzer作為輸入信號源，為Lateral Controller提供信號，包括車輛的位置、速度還有道路的曲率等等。此部分的源代碼可以觀察主車輛的設置參數，例如在Driving Scenario Designer中構建道路時道路中心點、車道數、每車道的車道寬度、仿真時車輛的起始位置和終止位置、前后軸之間的軸距、前懸和后懸長度等參數都可以通過Helper Path Analyzer源代碼獲得。

Lateral Controller中可以選擇配置的是汽車運動學模型還是汽車動力學模型。兩種模型都可以控制車輛，但對于車輛的橫向控制效果不同。兩種模型的切換可以在命令行窗口通過命令進行選擇。

納米藥物教學知識涉及面廣而雜，容易混淆，學科的知識點較難記憶。以學生為主導的課堂教學模式進行教學，可以令學生更加深入地了解與知識點相關的信息。

variant='LateralControlTutorial/Lateral Controller';

（6）試驗檢測：根據碾壓實驗的要求，分別對不同碾壓次數，進行壓實干密度，含水量、滲透系數及顆粒級配等參數的測量和分析，且每一個碾壓試驗單元軍應用采用2個以上的數據的平均值作為最終的試驗值。

set_param(variant,'LabelModeActivechoice','Kinematic');

如果在選擇運動學模塊之后切換到動力學模塊，可以輸入以下命令：

set_param(variant,'LabelModeActivechoice','Dynamic');

如果直接進入程序直接進入動力學模塊，則直接輸入：

式中，

、

分別為前輪和后輪綜合側偏剛度。

這個茶壺與普通水壺的不同之處在于它的壺嘴有個過濾管，茶葉放入過濾管中，水燒開后，一壺香茶便出來了。從外形看上去挺時尚的，不過總覺得有點像古時候的尿壺，不知道使用它喝茶會不會感到惡心。

set_param(variant,'LabelModeActivechoice','Dynamic');

Vehicle and Enviroment是車輛和駕駛環境的部分。同時Vehicle and Enviroment也是Lateral Controller中需要編輯的模塊和輸出模塊。在此部分中可以選擇主車輛的動力學模塊和讀取構建好的駕駛場景以及獲取可視化的輸出信號。

前輪坐標可以用后輪坐標和軸距

表示為

在駕駛場景上，在Driving Scenario Designer中通過構建場景的程序選定(0 0 0;15 0 0;60 0 0;91.2868930080462 2.46233188097244 0;199.79 60.55 0.01……)等多個道路中心點、車道數量和車道寬度構建了一條直道和彎道復合的三車道。Lateral Control模塊本質上是一個Scenario Reader，即場景讀取器，用來讀取駕駛場景的.mat文件。本文通過Vehicle and Enviroment中的Scenario Reader讀取駕駛場景，作為仿真測試的車輛行駛場景。

根據實際車道寬度，將三車道中每個車道的寬度都設置為3.2m。其中，為了驗證橫向穩定性，在車輛的行駛軌跡在彎道處規劃了一次向左變道及回正。

本文在Driving Scenario Designer中通過Actor界面設置車輛長度4.7m，寬度1.8m，高度1.4m，前懸0.9m，后懸1.0m。車速為方便仿真設定為10m/s，換算為36km/h，大致符合車輛過彎時的速度。

2.加大對全州的項目及標識工作經費投入。紅河州屬財政困難的邊疆州，在動物衛生監督體系的建設中。一是要將新建的監督所辦公用房等基本建設列入項目投資，特別是州級現仍為空白，縣級條件也很差。積極爭取中央及省財政增加州、縣動物衛生監督項目投資。二是爭取省級安排一定的動物衛生監督工作專項經費。三是全州標識經費需每年投入100萬元。

對治療組的病患給予富血小板血漿治療,具體方法為:采集病患50ml的靜脈血,注入到富血小板萃取套裝內部,加入4ml康雪凝固枸緣酸鹽葡萄糖液,,保持2000r/min、15分鐘的離心處理,離心以后抽取5ml中間層變細的液體,假如0.2ml氯化鈣活化都能夠得到富血小板。治療的時候患者保持仰臥位并且伸直膝蓋,利用碘伏對所有穿刺的位置進行消毒,穿刺部位集中在外側以及內側膝眼,抽取關節腔積液,并注入4ml的PRP。對照組病患注射25mg玻璃酸鈉注射液。

3 仿真分析

3.1 運動學仿真

在對車輛橫向控制的穩定性仿真測試中，橫向偏差、相對偏航角和轉向角是三個重要參數。橫向偏差是指行駛軌跡上的點與參考路徑上的點之間的距離，可以用來檢測車輛在行駛時在橫向上是否穩定，是衡量車輛橫向穩定性最重要的參數之一。相對偏航角是實際行駛方向與計劃行駛方向的夾角，同樣是衡量車輛橫向穩定性的重要參數。轉向角曲線的變化則是可以看出車輛在橫向上的抖動是否過大。

開始仿真之后，打開Vehicle and Enviroment模塊中的scope，采樣時間設置為-1，即系統默認的采樣時間，不做修改，圖像顯示橫向偏差、相對偏航角和轉向角三個數據，數據如圖3所示。

在圖3中，通過scope工具中的Peak Finder查看仿真曲線中的峰值。可以看出，橫向偏差的最大值為0.2753m，并且伴有一個明顯的波動。同時相對偏航角的最大值為2.612°，轉向角的最大值為2.426°，說明在15s后車輛出現一次較大的橫向偏轉。在40s之后行駛方向趨于穩定。

大多數情況下，老人的這些心理和行為上的“超常反應”，首先應該從醫學和生物學的角度去理解，在包容的基礎上采取對應，而不應動輒用倫理道德的觀點來評判，更不能野蠻地從法律角度來理解和解決。

3.2 動力學仿真

通過命令將橫向控制器改為汽車動力學模型，其余條件不變，同樣通過scope讀取橫向偏差、相對偏航角和轉向角三個數據，數據如圖4所示。

在圖4中可以看出，橫向偏差的最大值為0.1288m，不到運動學模型的一半，相差明顯。同時相對偏航角的最大值為2.228°，轉向角的最大值為2.391°，均小于運動學模型下的數值。曲線也同樣在15s后出現較大波動，于40s之后趨于平穩。

4 總結

根據車輛運動學模型和車輛動力學模型的公式，在Simulink中建立Lateral Control Tutorial仿真模型。在仿真模型中，選擇單軌三自由度的車身模塊以及模塊需要輸出的參數。根據仿真測試的需要，在Driving Scenario Designer中構建道路以及測試的主車輛。修改好道路和主車輛參數后，通過Scenario Reader將構建好的駕駛場景，以.mat格式的文件讀取至Vehicle and Enviroment中。最后分別獲得車輛運動學模型和車輛動力學模型下的橫向偏差、相對偏航角和轉向角三個數據。從上述仿真試驗的結果可以得出，Lateral Controller中采用車輛動力學模型可以明顯減小路徑的最大橫向偏差，相對偏航角和轉向角的最大值也比車輛運動學模型下獲得的數據更小。因此，在MATLAB中對車輛橫向穩定性進行仿真時，使用車輛動力學模型可以顯著提高橫向控制性能。

[1]張永偉,鐘翔平.2020中國自動駕駛仿真藍皮書[M].中國電動汽車百人會,2020:2-3.

[2]黃巖,吳軍,劉春明.自主車輛發展概況及關鍵技術[J].兵工自動化,2010,29(11):8-13,26.

[3]SIAMPIS E,VELENIS E,GARIUOLO S,et al. A real-time nonlinear model predictive control strategy for stabilization of an electric vehicle at the limits of handling[J]. IEEE Transactions on Control Systems Technology，2017,26(6):1982-1994.

[4]孫銀健.基于模型預測控制的無人駕駛車輛軌跡跟蹤控制算法研究[D].北京:北京理工大學,2015. SUN Yinjian. Research on model prediction control-based trajectory tracking algorithm for unmanned vehicles[D]. Beijing：Beijing Institute of Technology,2015.

[5]王曉晶,王丙軍.應用 TruckSim 自卸車操縱穩定性在環仿真平臺研究[J].機械設計與制造，2018，332(10)：20-23.

[6]崔勝民,卞合善.智能網聯汽車技術與仿真實例[M].人民郵電出版社,2020:139-141