智能車輛縱向控制策略分析

摘 要：為解決采用傳統比例積分微分（proportional integral differential，PID）控制智能車輛縱向運行時自適應能力差、響應速度慢的問題，基于PID控制和模糊控制理論，采用MATLAB/Simulink搭建仿真控制模型，上控制器將期望速度與實際速度的偏差及偏差率作為仿真模型中模糊控制器的輸入參數，按照模糊規則，輸出比例、積分和微分因數，并與傳統PID控制器算法加權，輸出車輛期望加速度；下控制器通過加速制動標定表實現車輛驅動或制動切換。采用Carsim搭建車輛運行平臺，將仿真控制模型與車輛運行平臺聯合，在期望車速為5、10、16和25 m/s時進行傳統PID及模糊PID車輛縱向控制策略仿真對比。結果表明，傳統PID控制策略平均速度偏差約為0.122 m/s，模糊PID控制策略平均速度偏差約為0.015 m/s；采用模糊PID控制策略，控制精度明顯提高，且響應速度更快。

關鍵詞：縱向運行；模糊PID；控制器；智能車輛

中圖分類號：U464文獻標志碼：A文章編號：1673-6397（2024）04-0077-06

引用格式：龐同嘉，王金波，田宇洋，等.智能車輛縱向控制策略分析［J］.內燃機與動力裝置，2024，41（4）：77-82.

PANG Tongjia，WANG Jinbo，TIAN Yuyang，et al.Analysis of longitudinal control strategy of the intelligent vehicle［J］.Internal Combustion Engine amp; Powerplant， 2024，41（4）：77-82.

0 引言

隨著汽車向智能化、自動化快速發展，智能駕駛成為汽車行業發展的新方向［1］。車輛縱向控制主要研究如何穩定地使車輛保持期望速度或與周圍目標保持一定的安全距離等，是智能車研究的重要環節［2］。比例積分微分（proportional integral differential，PID）控制是一種閉環控制方法，該方法無需建立準確的數學模型，具有結構簡單、成本低廉、魯棒性強、實時性能好等優點，已在許多行業得到了應用［3］。

為了實現對車輛高效、精確和可靠的縱向控制，國內外研究人員提出多種控制方法：劉一帆等［4］將線性二次調節器與PID控制器相結合，提出了一種基于遺傳算法的橫航向控制方法，該方法可有效解決由于高速曲率快速變化引起的超調問題，可提高汽車的跟蹤精度和魯棒性；張正華［5］提出了一種利用BP神經網絡進行PID控制的方法，可以對PID參數進行自適應調節，獲得最佳的控制結果；Nie等［6］設計了一種PID轉速跟蹤控制器，并利用神經網絡實現了控制器的魯棒性能；李廣南等［7］提出了基于模型預測控制的縱向速度跟蹤控制方法，提高了原方法的計算精度，并結合微粒群算法和分層控制方法，使車輛能夠較好地跟蹤期望車速；Mostafa等［8］提出了一種基于模型預測控制的車輛自適應巡航控制策略，保證汽車在各種工況下的穩定行駛；Hang等［9］提出了一種新的基于徑向基函數（radical basis function，RBF）神經網絡的自適應滑動模態控制器，使車輛具有較高的速度跟蹤精度和響應速度；Dias等［10］利用系統辨識方法建立了縱向動力學模型，并結合逆動力學模型補償了系統的非線性特性；王亞平［11］提出一種分層調速系統，實現對剎車和油門的精準控制。

目前車輛縱向跟蹤控制方法主要從縱向動力學模型或非線性特性角度出發，在速度跟蹤精度和舒適性等方面取得良好進展。但由于縱向動力學結構復雜，為降低開發難度，本文中以傳統PID控制理論為基礎，設計智能車輛上、下層控制器，對比研究車輛在不同期望速度、不同控制策略下的縱向跟蹤速度。

1 縱向控制器

1.1 縱向控制器流程

縱向控制器可分為直接控制和分層控制2種模式，由于汽車縱向控制模型復雜，難以用線性模型表示，本文中采用分層控制模式實現車輛縱向控制，縱向速度跟蹤控制流程如圖1所示。

由圖1可知：分層控制包括上、下層控制器，上層控制器根據期望車速和實際車速的實時偏差Δv和偏差變化率δv作為模糊自適應控制器的2個輸入參數，經過模糊自適應控制器按照模糊規則處理后，實時輸出比例因數kp、積分因數ki、微分因數kd 3個參數，3個參數按照傳統PID控制算法加權后輸出期望加速度作為下層控制器的輸入；下層控制器接收期望加速度后，結合加速、制動標定表獲得期望油門開度或制動壓力信號，并經驅動、制動邏輯切換模塊輸出實際油門開度和制動壓力，發送到車輛模型執行層，實現對實時車速的有效控制。

1.2 上層模糊PID控制器

1.2.1 PID控制理論

本文中PID控制輸出參數［12-13］

a（t）=kpΔv（t）+ki∫t0Δv（t）dt+kddΔv（t）/dt，

式中：a（t）為期望加速度，t為時間。

PID調整kp、ki、kd 3個參數實現對Δv（t）的調節。kp為根據當前偏差產生的輸出，可線性反饋系統輸出值與期望值之間的差異，kp越大，控制系統輸出變量對偏差的響應越強烈，但也可能導致系統振蕩和超調，通常用于快速響應；ki是系統長時間積累偏差產生的輸出，可用于消除系統穩態偏差，使系統更準確地達到期望值，但ki過大可能會導致系統響應過度調節和超調；kd為根據偏差變化率產生的輸出，用于抑制系統振蕩，減小超調，提高系統穩定性和抗干擾能力。PID控制原理如圖2所示。

1.2.2 模糊控制

傳統PID控制器中通常通過試湊的方法確定3個參數，費時費力，且不能保證調試參數滿足多種條件下的最優性，本文中利用模糊自適應算法對PID控制器參數進行實時優化，提高控制器的控制精度和魯棒性，滿足不同工況快速響應、穩態精度和抗干擾能力等控制要求。由于一維模糊控制器的結構太過單一，僅包含單一的輸入參數，很難保證精度；三維模糊控制器結構復雜，計算量大，不能滿足實時性要求，所以采用二維控制器［14］。

模糊自適應算法采用一種基于動作規則的非線性模糊控制原理的PID參數整定方法，將過去的研究經驗轉化為計算機語言，采用重心法解決模糊問題，其基本思想是在輸入參數的模糊集合中找到一個重心點，這個點能夠代表模糊集合的平均值或中心，通過計算不同輸入參數模糊集合的重心，確定輸入組合對應的輸出參數模糊集合的重心，構建模糊規則［15-16］。

選取Δv和δv為輸入參數，經過模糊規則計算的kp、ki、kd 3個參數為輸出參數，輸入、輸出參數的論域均為［-0.1，0.1］，論域劃分區間為［-0.100，-0.075）、［-0.075，-0.050）、［-0.050，-0.025）、［-0.025，0）、［0，0.025）、［0.025，0.050）、［0.050，0.075）、［0.075，0.100］，除第一個論域區間外，其余區間對應的含義為負大、負中、負小、零、正小、正中、正大，用模糊子集FD、FZ、FX、ZO、ZX、ZZ、ZD表示。模糊子集兩端FD、ZD采用高斯函數處理，以便適應系統的非線性特性；剩余子集采用三角形函數，以便抑制噪聲和干擾，提高計算效率。3個輸出參數模糊控制規則如表1、2、3所示，表中δv（Y）為δv對應的模糊子集為Y，Y=｛FD，FZ，FX，ZO，ZX，ZZ，ZD｝。

按照模糊控制規則，輸入參數和輸出參數隸屬關系曲線如圖3所示。

1.3 縱向跟蹤下層控制器

1.3.1 剎車及油門的標定

采用MATLAB進行加速標定，制動壓力為0，初始速度為0，油門開度從0到1，油門開度每0.01初始采樣一次，擬合不同油門開度下速度和加速度曲線；制動標定時，油門開度為0，初始速度為180 km/h，初始制動壓力為0，每增加0.1 MPa采樣一次，直至制動壓力為8 MPa時停止采樣，擬合不同制動壓力下速度和加速度曲線。

1.3.2 驅動/制動切換

將不同油門開度、不同制動壓力下的速度和加速度擬合曲線作為加速制動標定表，根據輸出信號并結合加速制動判定表，控制系統判斷車輛驅動或制動。當油門信號為正時，車輛為驅動模式，執行加速操作，當油門信號為負時，車輛為制動模式，執行減速操作。

2 仿真模型和結果分析

2.1 聯合仿真模型建立

采用MATLAB/Simulink軟件及Carsim軟件搭建縱向運動跟蹤控制模型，在Simulink軟件搭建控制器，使用Carsim軟件搭建車輛運行平臺，在一條長2 000 m的平直道路上模擬車輛在期望速度v1時的運行情況，Carsim的輸入為下層控制器輸出的發動機轉矩T和制動壓力p 2個參數，將運行過程中的實際速度v2、實際加速度a、實際發動機轉速n 3個輸出參數實時反饋到控制器，控制器將上、下層控制器輸出參數再次輸入Carsim，構成閉環回路，完成聯合仿真。上層控制器模型結構如圖4所示，圖中1/s為積分模塊，Δu/Δt為微分模塊。以期望速度為50 m/s為例，縱向控制器模型結構如圖5所示，圖中z-100為系統輸入延時100 ms。

2.2 仿真結果分析

為了驗證不同期望速度下車輛縱向速度控制器的有效性和安全性，以5、10、16、25 m/s 常用車速為期望車速，仿真對比不同期望車速v1下，傳統PID控制下的車輛實際速度vc、模糊PID控制下的車輛實際速度vm變化曲線如圖6所示，穩定后的結果如表4所示。

由圖6和表4可知：對比傳統PID控制跟蹤效果，經過模糊自適應控制加權之后的PID控制提高了跟蹤精度，模糊控制器響應速度更快；傳統PID速度平均偏差約為0.122 m/s，模糊PID誤差平均偏差約為0.015 m/s；相比傳統PID控制的控制精度，模糊控制精度明顯提高，滿足了對控制器穩定性好、響應速度快、控制精度高的要求。

3 結論

1）采用Simulink搭建縱向控制模型，構建了上、下層縱向控制器，上層控制器將模糊自適應控制與傳統PID控制相結合，通過實時調整PID參數，提高了控制器的自適應能力；下層控制器結合加速制動標定表判斷油門信號，實現對車輛制動和驅動的切換。

2）基于Carism搭建車輛運行平臺與Simulink實現聯合仿真，仿真模擬車輛在5、10、16和25 m/s 4種期望車速下傳統PID控制與模糊PID控制下的車輛實際速度，仿真分析結果表明模糊縱向控制器在響應速度和控制精度方面均優于傳統PID控制器，控制精度明顯提高，實現了對車輛縱向運行的精細化控制。

參考文獻：

［1］ 孫伶玉，付主木，陶發展，等.改進人工勢場的智能車避障算法研究［J］.河南科技大學學報（自然科學版），2022，43（5）：28-34.

［2］ 梁旺，秦兆博，陳亮，等.基于改進BP神經網絡的智能車縱向控制方法［J］.汽車工程，2022，44（8）：1162-1172.

［3］ 王建松.基于模型預測和滾動優化機制的自適應PID控制［D］.北京：中國石油大學，2022.

［4］ 劉一帆，施光林，陳耀峰，等.基于純跟蹤模型的模糊路徑跟蹤控制方法［J］.機械設計與研究，2022，38（3）：136-140.

［5］ 張正華.基于神經網絡的無人駕駛車輛軌跡跟蹤控制［D］.秦皇島：燕山大學，2019.

［6］ NIE L Z， GUAN J Y， LU C H， et al.Longitudinal speed control of autonomous vehicle based on a self-adaptive PID of radial basis function neural network［J］.IET Intelligent Transport Systems， 2018， 12（6）： 485-494.

［7］ 李廣南，葉洪濤，羅文廣.基于IPSO-MPC的無人駕駛車輛縱向運動控制［J］.廣西科技大學學報，2022，33（1）：94-100.

［8］ MOSTAFA A G，HOSNY N S， ABORISHA A S.Model predictive control for a basic adaptive cruise control［J］.International Journal of Dynamics and Control， 2021， 9（3）： 1132-1143.

［9］ HANG P，CHEN X B，ZHANG B，et al.Longitudinal velocity tracking control of a 4WID electric vehicle［C］//Proceedings of 5th IFAC Conference on Engine and Powertrain Control， Simulation and Modeling.Vienna，Austria：E-COSM，2018.

［10］ DIAS J E A，PEREIRA G A S，PALHARES R M.Longitudinal model identification and velocity control of an autonomous car［J］.IEEE Transactions on Intelligent Transportation， 2014， 16（2）： 776-786.

［11］ 王亞平.無人駕駛汽車軌跡跟隨控制研究［D］.長沙：湖南大學，2019.

［12］ 康騰.基于遺傳算法的智能駕駛車輛縱向PID控制研究［J］.汽車文摘， 2022， 561（10）： 52-56.

［13］ 付建.智能駕駛汽車橫縱向協同控制方法研究［D］.桂林：桂林電子科技大學，2023.

［14］ 羅玉峰，鐘陳志鵬，陳齊平，等.智能駕駛汽車縱向運動控制研究綜述［J］.汽車實用技術，2018（22）：28-32.

［15］ 康騰.電動智能汽車橫縱向跟蹤控制研究［D］.重慶：重慶交通大學，2023.

［16］ 周璐瑤.車輛橫縱向路徑跟蹤控制策略研究［D］.長春：吉林大學，2021.

Analysis of longitudinal control strategy of the intelligent vehicle

PANG Tongjia， WANG Jinbo*， TIAN Yuyang， ZHANG Weihai

School of Automotive Engineering， Shandong Jiaotong University，Jinan 250357， China

Abstract：To address the issues of poor adaptability and slow response when using traditional proportional integral derivative （PID） control for the longitudinal operation of intelligent vehicles， based on combined PID control and fuzzy control theory，a simulation control model is established using MATLAB/Simulink， the upper controller take the deviation and rate of deviation between the desired speed and actual speed as input parameters for the fuzzy controller in the simulation model. Based on fuzzy rules， the upper controller outputs proportional， integral， and derivative coefficients， which are weighted with the traditional PID controller algorithm to produce the desired acceleration of the vehicle. The lower controller switches the vehicle′s drive or braking through an acceleration-braking calibration table. A vehicle operation platform is built using Carsim， and the simulation control model is integrated with the vehicle operation platform. Simulations comparing traditional PID and fuzzy PID longitudinal control strategies are conducted at desired speeds of 5， 10， 16， and 25 m/s. The results show that the average speed deviation of the traditional PID control strategy is approximately 0.122 m/s， while the average speed deviation of the fuzzy PID control strategy is about 0.015 m/s. The use of the fuzzy PID control strategy significantly improves control accuracy， and the response speed is faster.

Keywords：longitudinal movement; fuzzy-PID;controller;intelligent vehicle

（責任編輯：胡曉燕）

收稿日期：2024-07-08

第一作者簡介：龐同嘉（1998—），男，山東聊城人，碩士研究生，主要研究方向為智能駕駛，E-mail：1903380875@qq.com。

*通信作者簡介：王金波（1979—），男，山東臨朐人，副教授，碩士研究生導師，主要研究方向為車輛動力學及其控制，E-mail：wangjinbo370724@163.com。

DOI：10.19471/j.cnki.1673-6397.2024.04.011