【《加入纵向速度优化的履带车底盘调试与实验验证分析案例》3700字】

致谢加入纵向速度优化的履带车底盘调试与实验验证分析案例目录TOC\o"1-3"\h\u15488加入纵向速度优化的履带车底盘调试与实验验证分析案例 1273421.1底盘线性化调试 1216811.1.1整车控制器VCU软件开发 1181281.1.2转速闭环控制 2303521.2基于卡尔曼滤波的状态估计 4216751.2.1实验平台架构 4131121.2.2卡尔曼滤波器设计 6107911.3实车实验 71.1底盘线性化调试为了便于开展履带车辆底盘的转速闭环调试，将遥控端直驶和转向摇杆的控制量基于一定规则解析为左右侧主动轮期望转速，通过期望转速和实际转速得到转矩控制量，并将以上转速之差保持在较小的范围内以达到良好的转速闭环效果。1.1.1整车控制器VCU软件开发整车控制器VCU采用Woodward公司的ECM565-128控制器，其采用飞思卡尔的32位控制芯片，支持2路CAN2.0B高速通讯接口。该控制器支持MATLAB/Simulink的图形化开发环境和基于Stateflow状态机的控制策略开发，利用MotoHawk库实现MATLAB控制策略与VCU控制器硬件底层接口的通讯和控制代码的自动生成。通过MotoTune的上位机软件实现代码下载、数据实时显示与在线调参等功能。控制器硬件及嵌入MATLAB/Simulink的MotoHawk库如图1.1所示。图1.1MotoTronECM565-128控制器及MotoHawk库基于ECM565-128快速开发原型的整车控制器软件开发流程如图1.2所示。图1.2整车控制器软件开发流程图整车控制器软件开发主要包括硬件参数配置、CAN总线通信协议配置和整车控制策略开发。图1.3为整车控制器软件主界面，两路CAN总线的波特率分别为500k和250k，图中红框内为控制器硬件配置，蓝框内为控制器CAN总线的收发，绿框内为整车控制策略。图1.3整车控制器软件主界面1.1.2转速闭环控制调试过程中，履带车辆CyberTank在直线行驶行驶时左右侧驱动电机的力矩在30Nm左右即可驱动车辆前进，但是转向过程中左右侧驱动电机的力矩差需要在200Nm左右才能驱动车辆转向。履带车辆CyberTank在不同行驶工况下和不同车速下的驱动力矩变化剧烈，让该履带车辆在各种行驶条件下均可以保证良好的转速闭环效果具有极大的挑战。针对以上问题，本文采用多模块的PID控制算法，根据输入的期望转速将转速闭环控制在Stateflow中划分为多个状态模块，该算法的基本框架如图1.4所示。图1.4转速闭环控制算法框架首先，根据期望车速划分为直驶工况和转向工况。将直驶工况划分为起步和逼近两个状态，当实际车速达到期望车速的80%时进入到逼近状态，这样可以在起步模块赋予更大的PID参数，使底盘具有更好的加速性能，同时由于逼近模块的PID参数相对较小，使得系统在逼近期望值时尽可能避免超调。转向模块首先划分为行进中转向和原地转向，针对原地转向的转矩特性，在该模块采用带有偏置的PID。行进中转向模块则根据质心纵向车速划分为不同的状态，每个速度模块为带有偏置的PID跟随模块。在Stateflow中的转速闭环控制算法如图1.5所示，为了提高实车测试的安全性，在每个模块添加状态保护，当实际车速超过给定速度上限时进入该保护模块，此时车辆处于驻车状态，且无法退出。只有通过遥控器按钮进入驻车状态，再切换到前进挡状态以解除保护。通过实车调试，最终调试出在各种路面下都能满足要求的一系列PID参数和偏置参量。图1.5转速闭环控制算法1.2基于卡尔曼滤波的状态估计本文通过组合定位设备NAV992获得车辆当前的车速和横摆角速度等信息，但是由于传感器本身的特征就决定了任何测量结果都是有误差的，尤其是在车辆处于颠簸的状态下，很有可能会得到突变的测量结果，这对于无人车的轨迹跟踪控制也是不可接受的。因此，需要根据传感器的测量结果进行跟踪，以尽可能避免状态量的突变。科尔曼在1960年把状态空间方程引入滤波理论，推导出一套递推估计算法，提出了卡尔曼滤波理论。该理论以最小均方误差为估计的优化目标，根据上一时刻的状态和状态转移矩阵预测当前时刻的状态，将预测得到的状态与当前时刻测量得到的状态进行加权，并把处理后得到的状态作为实际状态。该算法具有很好实时性，作为重要的最优估计理论被广泛应用于车道线跟踪、障碍物跟踪以及定位等领域ADDINEN.CITE<EndNote><Cite><Author>秦永元</Author><Year>2012</Year><RecNum>510</RecNum><DisplayText><styleface="superscript">[65]</style></DisplayText><record><rec-number>510</rec-number><foreign-keys><keyapp="EN"db-id="fw2w9wptcatz0neva5dvvv9dde5a2aevtdf5"timestamp="1619528293">510</key></foreign-keys><ref-typename="Book">6</ref-type><contributors><authors><author>秦永元</author><author>张洪钺</author><author>汪叔华</author></authors></contributors><titles><title>卡尔曼滤波与组合导航原理.第2版</title></titles><dates><year>2012</year></dates><publisher>卡尔曼滤波与组合导航原理.第2版</publisher><urls></urls></record></Cite></EndNote>[65]。1.2.1实验平台架构无人履带车辆实验平台用于跟踪控制的硬件主要包括：组合定位设备、信号转换设备、交换机和工控机等。由于激光雷达、工控机等设备的主要通讯方式为以太网，交换机为上层设备的网络通讯提供硬件基础。车辆底盘的整车控制器VCU、驱动电机控制器MCU、发动机控制器ECU以及动力电池BMS均使用CAN通讯协议。因此，基于以太网协议的上层系统和以CAN通讯协议为基础的底盘系统需要经过协议转换，实现车辆上下层系统的信息交互。无人履带车辆实验平台硬件架构如图1.6所示，图中蓝色为以太网通信，红色为CAN通信。图1.6无人履带车辆实验平台硬件架构履带车辆使用组合定位设备NAV992用于车辆定位，该设备可以实时获得车辆的位置、航向、速度和横摆角速度等信息。该设备安装在履带车辆原地转向中心处，对于阿克曼转向形式车辆则应安装在车辆后轴中心。在使用前需要将车辆尺寸信息、设备安装实际位置信息、天线位置信息和车辆质心位置信息等录入设备。组合定位设备NAV992将获得的车辆状态信息用以太网协议传输给车载交换机，并在工控机中完成解包。为了进一步减少定位误差的干扰，添加4G路由模块通过千寻网络差分，使得车辆在无遮挡区域可达到厘米级的定位精度。组合定位设备是履带车辆轨迹跟踪控制的关键传感器。图1.7为NAV992控制器外观及配置界面。图1.7NAV992控制器外观及配置界面履带车辆使用东田DTB-3049工控机作为上层系统车载计算单元，该工控机搭载i5-9500处理器，满足无人车辆算法的计算需求，并在Ubuntu16.04操作系统内完成状态估计和轨迹跟踪等算法的开发、调试与实车实验，工控机的外形如图1.8所示。图1.8为工控机外观履带车辆采用广成科技CANET进行以太网通信协议与CAN通信协议的互相转换，该设备具有较快的收发解析速度，同时支持TCP/IP与UDP协议，在实车实验中具有良好的稳定性，CANET外观如图1.9所示。图1.9CANET外观履带车辆使用TL-SG20088进行各个设备间的网络通信，支持8个全千兆RJ45口，具有较宽的工作温度范围，交换机外观如图1.10所示。图1.10交换机外观1.2.2卡尔曼滤波器设计卡尔曼滤波器主要包括预测和测量更新两个模块，预测模块为：（5-1）式中，矩阵为状态转移矩阵，此处；为系统的状态量，此处为左右侧车体的牵连速度；如果认为在单一采样周期内左右侧车体牵连速度的大小不变，则，如果认为是在单一采样周期内为匀变速，可以通过引入车辆质心纵向加速度和横摆角加速度，则；矩阵为状态协方差矩阵，代表系统的不确定程度，该参数在初始化时较大，随着滤波器的循环不确定程度逐渐变小；矩阵为过程噪声，即无法通过预测的噪声，比如车辆运动时由沙土路面到了泥泞路面或者突然到了上坡等，这些情景是无法通过状态转移矩阵获取的，我们在工程上一般将矩阵设置为单位矩阵参与运算。测量更新模块为：（5-2）式中，为传感器实际观测得到的测量值，此处，即车辆质心处的纵向车速和横摆角速度；为测量矩阵，用于将预测值转换到测量值的形式；矩阵为测量噪声矩阵，表示测量值与真实值之间差值大小，一般可以由传感器厂家提供；矩阵为求解卡尔曼增益的临时变量，卡尔曼增益本质上就是一个加权系数。将差值与卡尔曼增益相乘并与原来的预测量相加，得到了可信度更高的状态量，该状态量既考虑了测量结果又加入了预测模型的位置的状态向量。同时，在最后根据卡尔曼增益完成对系统不确定度的更新，用于下一个周期的计算。1.3实车实验为了验证底盘线性化调试的效果，通过图1.11所示的遥控端驾驶履带车辆，在各种路面条件下开展转速闭环测试。左右侧主动轮的期望车速由遥控端的转向摇杆和直驶摇杆解析后发送到底盘的整车控制器VCU，底盘左右侧电机控制器将实时的实际转速通过CAN协议发送到VCU，并通过整车控制器的上位机软件MotoTune将数据保存。图1.11履带车辆遥控端履带车辆的直线加速、减速和换道过程中左右侧主动轮期望车速和电机控制器反馈的车速如图1.12所示。在驾驶员的操作过程中，由于摇杆的抖动会造成期望车速的突变，在这种情况下会出现实际车速无法在瞬间跟随上期望车速。由图可以发现，左右侧主动轮能够在该工况下很好的响应期望转速，具有良好的转速闭环效果，满足底盘线性化调试的基本要求。图1.12履带车辆转速闭环调试车速对比为了通过实车实验验证本文所提算法的轨迹跟踪效果，我们采用循迹的方法跟踪固定的路径，即驾驶员通过遥控端操纵车辆按一定的路线行驶，并将车辆行驶过程中的位置信息保存为参考路点，在后续的实车实验中将该路点作为车辆的期望轨迹。在如图1.13所示的良好路面条件下开展分布式电驱动履带车辆的轨迹跟踪控制实验，控制器为本文在第三章提出的横纵向解耦的控制算法，在实验过程中给定纵向车速为10km/h。图1.13良好路面场景图1.14为履带车辆CyberTank在良好路面条件下换道的轨迹跟踪效果，图1.15为履带车辆在该过程中的横向偏差，图1.16为履带车辆在轨迹跟踪控制过程中控制器下发的左右侧履带转速差。在实验过程中转弯处车辆会有一定的超调，此时横向偏差最大值不超过0.8m，低于履带中心距的一半，在其他工况下车辆的横向偏差基本处在0.4m以内，具有良好的轨迹跟踪效果。图1.14轨迹跟踪效果图1.15轨迹跟踪横向偏差图1.16左右侧主动轮转速差为了验证履带车辆在越野路面条件下的轨迹跟踪效果，在图1.17所