智能车辆设计与控制基础课件：智能车辆控制系统设计

智能车辆控制系统设计6.1引言智能车辆控制涵盖了感知、决策和执行等多个层面，其中底层执行元件扮演着至关重要的角色，智能底盘作为智能驾驶上层指令的执行系统，是确保车辆在各种道路和环境条件下的稳定、高效和安全运行的关键。智能车辆控制需要依赖智能底盘来实现具体的控制功能，例如，自适应巡航控制（ACC）需要依靠智能底盘的制动系统控制和驱动系统控制来实现；车道保持辅助（LKA）需要依靠智能底盘的转向系统控制来实现。智能底盘的功能是实现智能车辆控制的基础。智能车辆控制系统6.2.1智能底盘系统构成线控驱动系统是一种通过电机通信向驱动电机发送目标转矩请求，实现整车纵向速度控制的系统。构型主要分为集中式、分布式两种核心部件集中式分布式

电机驱动系统是电动车辆的核心部件之一，主要由电机控制器、驱动电机、功率转换器、各种检测传感器等部分构成。线控驱动系统6.2.2智能底盘系统构成传统制动系统采用的真空泵体积大、效能低，已不再适用于新能源汽车，线控制动系统具有：良好的建压响应能力、精准控制压力，可以适配新能源汽车与自动驾驶车辆，并且其主动制动的功能可以为辅助驾驶功能提供稳定可靠的制动力支撑‎。Two-boxOne-box传统制动系统EMBEHB踏板踏板eBoosterESC轮缸/卡钳传感器/模拟器传感器集成线控制动踏板感觉模拟器互为冗余RBU冗余系统轮缸/卡钳结构约束可靠性差电源不匹配线控制动系统6.2.3智能底盘系统构成线控转向（Steering-by-Wire，SBW）系统是指转向执行机构与驾驶员之间没有直接的物理力矩传输路径，通过电信号传输驾驶员的控制指令，完全由供能装置提供转向力的转向系统。线控转向系统主要由方向盘模块、控制器和转向执行器构成。基本结构增大了驾驶室的空间，避免了在车辆发生碰撞时驾驶员遭受二次伤害，提高汽车碰撞安全性，改善了角传递和力传递特性；增加设计灵活性，线控转向系统取消了传统转向系统的中间轴，通过方向盘与转向轮之间的电气连接，使底盘与车身的设计完全解耦，实现了底盘与车身相互独立设计；根据需要安全隔离路面颠簸或传递部分路面信息，实现个性化路感反馈；随速可变传动比为车辆提供高速稳定和低速轻便的驾驶体验。变传动比：通过调整转向系统角传动比，使其在高速时提供转向稳定性，在低速时提供转向灵活性。路感模拟：通过电机模拟地面真实路感，给予驾驶员一定的路感反馈冗余与容错控制：对线控转向系统重要元器件的冗余备份和容错控制策略核心技术优势线控转向系统6.2.4智能底盘系统构成线控悬架是一种基于电子控制技术的悬架系统，通过传感器和控制器调节车辆的悬架高度和减振效果，从而提高汽车的行驶稳定性和舒适性。从控制力的角度划分，线控悬架可分为主动悬架和半主动悬架。这里我们以现常见的线控悬架——集成CDC式空气悬架为例整套系统由空气弹簧、CDC减振器、分配阀、传感器（高度传感器和车身加速度传感器等）、悬架控制单元（ECU）和供气系统（打气泵、储气罐、气管）等组成线控悬架系统6.2.5智能底盘系统构成底盘域控制器集成整车驱动、制动、转向、悬架等车辆纵向、横向、垂向相关的控制功能，实现底盘一体化控制，通过CAN网络接收操纵指令和传感器信息，计算线控驱动、线控制动、线控转向和线控悬架的控制指令，使底盘快速响应，并适应各种地形路况。底盘域控制器不仅需要执行驾驶员和上层决策层的指令，更需要发挥自动驾驶“小脑”的作用，结合整车状态进行综合判断，决策出更优的控制指令。项目内容控制器控制器是底盘域控制的核心，负责接收、处理和执行来自传感器和驱动器的信号和指令，需要具备高性能的处理器、合适的存储空间和充足的接口，以确保快速响应和准确控制。传感器网络底盘域控制需要可靠的传感器网络来收集车辆各部分的数据。传感器可能包括转向角传感器、轮速传感器、制动压力传感器等，用于实时监测车辆状态和环境变化。执行器线控底盘需要能够快速响应和准确执行指令的执行器。例如，线控转向系统需要电动助力转向器，线控制动系统需要电动制动器等。通信接口底盘域控需要与其他车辆系统进行有效通信，因此需要适当的通信接口和协议。这些接口可能包括CAN总线、以太网等，用于与车辆其他部分或外部系统进行数据交换和通信。安全保障车辆底盘控制的硬件设计必须具备高度的安全性能，确保系统的稳定性和可靠性。这可能涉及到双重冗余系统、错误检测与纠正机制以及安全验证。底盘域控的硬件设计底盘域控系统定义：描述车辆受力与运动间关系的数学模型，反映车辆性能与动力学参数的内在联系和规律。重要性：车辆动力学模型是车辆设计、控制和性能分析的基础。挑战：车辆系统复杂、连接关系繁多、运行工况多变。应用：车辆动力学模型广泛应用于车辆性能分析与优化、控制系统设计与仿真以及自动驾驶算法开发。车辆-驾驶员-环境之间的相互作用模型简化处理：在实际研究中，为了降低模型复杂度并提升计算效率，通常需要根据研究的侧重点对车辆动力学模型进行适当简化。这种简化通常通过忽略次要因素、进行线性化处理或假设特定工况来实现。例如，在研究车辆横向动力学时，可以忽略车辆重心的微小变化；在分析车辆操纵稳定性时，可以假设轮胎刚度为常数。这些简化和假设能够有效减少模型的计算量，同时保持对关键动力学特性的准确描述，从而为车辆设计、控制和性能分析提供有力支持。6.3.1智能车辆动力学模型与车辆状态估计车辆动力学模型基本要求：（1）建立的模型应尽可能反映车辆的真实动态特性。（2）建立的模型必须保持可控性，确保模型在线解算时间不超过其控制循环的时间。动力学分析建模确定自由度牛顿定律拉格朗日方程轮胎模型车辆参数确定模型验证仿真验证实车验证模型应用参数估计轨迹跟踪……通过验证简化假设明确建模目标分析系统结构合理简化动力学模型的搭建基本流程6.3智能车辆动力学模型与车辆状态估计轮胎模型：描述轮胎六分力与车轮运动参数（如滑移率、侧偏角）之间的关系。作用：轮胎与地面直接接触，提供附着力，是车辆运动的关键。轮胎模型分类：理论模型（基于物理原理推导）、经验模型（基于试验数据拟合）、

半经验模型（结合理论和试验数据）模型名称特点优点缺点线性轮胎模型侧偏角较小时，侧向力与侧偏角呈线性关系。简单易用，适用于小侧偏角工况。无法准确描述大偏角或复杂工况。魔术轮胎模型（MF）Pacejka提出的半经验模型，用三角函数组合拟合试验数据。精度高，适用于各种工况。参数较多，标定复杂。UniTire模型郭孔辉院士提出，基于轮胎与路面接触理论，结合试验数据。精度高，适用于各种工况。模型复杂度较高。HSRI（Dugoff）模型高速公路研究所提出，基于轮胎与路面接触的简化模型。计算效率高，适用于实时仿真。精度相对较低。刷子模型基于轮胎与路面接触的简化模型。物理意义明确，计算效率高。精度相对较低。轮胎模型6.3.1车辆动力学模型6.3.2状态估计方法车辆参数估计是指通过观测、测量和数据处理等手段，对车辆的一些关键参数进行预测或估计的过程。参数估计对车辆控制系统有着深远的影响，为控制策略提供基础，确保车辆在各种驾驶条件下都能够表现出卓越的性能和安全性。基于运动学模型的估计方法——通过运动学公式，直接积分得到汽车状态参数，该方法对车辆模型的精度要求较低，但对车载传感器的信号精度要求较高。基于动力学模型的估计方法——利用车辆动力学原理和运动方程进行参数估计。通过对车辆的运动状态和输入信号进行分析和建模，从而推断出车辆的相关参数。机器学习的估计方法——该方法具有强大的自学习能力、自适应能力和复杂关系映射能力，适合处理只知道输入输出数据的非线性对象。例如：通过图像分类网络，实现路面类型辨识，得到当前路面附着系数的范围值。融合估计方法——通过一定的融合策略，充分利用各种信息源，可以克服单一方法的局限性。例如，融合动力学模型与图像识别的路面附着系数估计，能够更好地适应路面状况突变的情况，具有更快的收敛速度和更好的结果稳定性。6.3.3智能车辆状态估计状态估计包括车速、车身侧倾角、轮胎力、滑移率、质心侧偏角、路面附着系数等内容。为准确评估路面附着系数，业界广泛采用动力学模型、轮胎模型与扩展卡尔曼滤波器相结合的估计方法，其估计原理如下图所示，该方法通过复杂的数据处理与模型预测，实现对路面条件的动态监测。此外，随着技术的进步，还探索了将机器学习方法中的图像识别算法融入这一领域，旨在通过捕捉路面视觉特征，进一步提升估计的实时性与适应性，构建出响应更迅速、泛化能力更强的算法模型。基于EKF估计路面附着系数智能车辆控制系统由校正环节、执行元件、被控对象和反馈/测量元件组成。校正环节根据期望输入与实际测量信号的偏差进行输出控制指令；执行元件根据校正环节的指令作动响应，并使智能车辆(被控对象)产生运动响应，车辆运动状态通过传感器测量，并传给校正环节，如此构成连续运行的闭环控制系统。6.4.1控制基础理论智能车辆运动控制系统智能车辆控制介绍6.4.1控制基础理论典型校正环节控制方法——PID（比例-积分-微分）控制原理介绍式中，Kp为比例系数，Ti为积分时间常数，Td为微分时间常数；Ki=Kp/Ti，为积分系数；Kd=Kp*Td，为微分系数。Kp越大，系统响应越快；Ki越大，系统稳态误差减小，但加大了系统超调；Kd越大，系统超调越小，但减缓了系统动态响应。6.4.1控制基础理论典型校正环节控制方法——PID（比例-积分-微分）控制原理介绍

上升时间

调节时间超调量稳态误差

AB上升时间超调量=*100%ABA为超调；B为理想输出调节时间误差带参考轨迹PID控制-性能指标6.4.1控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍案例引入情景如下：团队接到一项任务，要求4h完成，这项任务被分成4个子任务，1h大致能完成一项子任务，那应该如何规划这4h呢？子任务1子任务2子任务3子任务48：009：0010：0011：0012：00方案1：如图所示，按4h可以分配，每小时一项子任务，这样就可在4h内完成任务是否可行若团队成员突然离开若某一个子任务没有按时完成等突发情况6.4.1智能车辆动力学控制——控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍方案2：依然可以每小时完成一项子任务，每次规划都对未来一段时间（比如2h）内的任务进行预测；0.5h后，对已经完成的任务进行总结，是否有突发情况发生；在新的0.5h开始时，首先根据过去完成的结果重新对2h进行任务规划，如果上个0.5h由于突发情况没有完成规定的子任务，则在下一时刻对未来2h进行重新规划，需要既完成上一时刻遗留的任务，又完成本时刻的任务，并在以后的时刻重复这样的操作。子任务1子任务28：009：0010：00子任务1子任务2子任务38：3010：306.4.1控制基础理论6.4.1控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍模型预测控制的基本思想就如方案2所示，模型预测控制在实现过程中有3个关键步骤，分别是预测模型，滚动优化和反馈校正：预测模型：预测模型是模型预测控制的基础。其主要功能是根据控制对象的历史信息和未来控制输入序列，预测系统未来的输出。预测模型的形式可以是状态方程，传递函数等；滚动优化：模型预测控制通过某一性能指标的最优来确定控制量，但优化不是一次离线进行，而是反复在线进行的。这就是滚动优化的含义，也是模型预测控制区别于传统最优控制的根本点；反馈校正：为了防止模型失配或者环境干扰引起控制对理想状态的偏离，在新的采样时刻，首先检测对象的实际输出，并利用这一实时信息对基于模型的预测结果进行修正，然后再进行新的优化。6.4.1控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍预测模型系统离散时间的状态空间模型表示为根据上述方程预测状态信息根据上述方程预测输出信息6.4.1控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍滚动优化MPC控制问题的核心是对带约束的目标函数进行最优求解，得到控制时域内一系列控制序列，其中目标函数的标准形式是如下所示的二次规划问题：模型输出量输出量参考值权重矩阵控制增量反馈校正每次求解上述优化目标函数时，其都以采集的当前时刻信息与预测时域内的预测状态作差进行滚动优化求解，以抵御外界干扰6.4.1控制基础理论典型校正环节控制方法——MPC（模型预测控制）原理介绍MPC控制过程中，始终存在一条期望参考轨迹，如图中曲线1所示；最后将控制序列的第一个元素（对应图中椭圆处）作为受控对象的实际控制量，下一时刻重复上述过程，滚动地完成带约束的优化问题，以实现对被控对象的持续控制。

过去未来参考轨迹已执行控制量预测控制量实际输出预测输出

………预测时域采样时间曲线1曲线2曲线36.4.2智能车辆纵向控制技术智能车辆纵向控制主要通过纵向控制器对油门和制动踏板进行控制，实现对车辆纵向（加）速度的调节，良好的纵向控制能够提高车辆的驾驶性能和安全性能。智能汽车的纵向控制对于智能汽车的发展至关重要，目前许多辅助驾驶系统都是在纵向控制的基础上开发的，例如自适应巡航控制系统（AdaptiveCruiseControl，ACC）和自动紧急制动系统（AutonomousEmergencyBraking，AEB）。ACC工作示意图和流程图AEB工作示意图和流程图横向控制主要是指车辆在横向上的运动控制，通过对智能