一种新能源汽车多源状态感知自适应动力控制方法及系统

本公开的实施例涉及新能源汽车动力控制，尤其涉及一种新能源汽车多源状态感知自适应动力控制方法、系统、电子设备和存储介质。

背景技术：

1、随着新能源汽车技术的持续演进，车辆动力系统的电气化程度不断提升，电机、电池及其协同控制策略已成为整车性能的核心决定因素。与此同时，智能网联技术的普及使得车载传感器的种类与数量大幅增加，驾驶员行为监测、高精度定位、环境感知等多类异构传感器被集成于同一车辆平台，为实现精细化动力管理提供了丰富的信息来源。在此背景下，如何有效利用多源异构传感器信息以实现全工况下的自适应动力控制，成为新能源汽车领域的重要技术课题。

2、然而，多源异构传感器数据在实际运行中面临显著的技术瓶颈。一方面，不同传感器的物理原理、量纲体系和采样频率存在本质差异，直接融合将引入量纲不一致性与尺度偏差，导致后续控制决策的可靠性下降；另一方面，传感器在复杂气象条件（如暴雨、冰雪）、电磁干扰或硬件老化等场景下的信号质量会发生动态劣化，固定权重的融合策略无法适应传感器可靠性的实时变化，易造成低质量信息对融合结果的过度污染。此外，车辆全生命周期内轮胎磨损、载荷变化等因素导致的动力学参数漂移，使得基于固定模型参数的预测控制精度随运行里程的增加而持续退化。

3、现有的新能源汽车动力控制方案通常采用单一维度的状态感知或固定权重的多传感器融合策略，并以离线标定的车辆模型参数作为模型预测控制的基础。本公开的发明人注意到，目前的上述方案没有考虑到传感器信号质量的动态变化与车辆动力学参数的在线漂移，导致在极端天气、驾驶员状态异常或传感器局部失效等场景下，融合状态估计的不确定性无法被量化并传递至控制决策层，进而使控制策略缺乏对感知可靠性下降的自适应响应能力，影响车辆在全工况下的动力控制一致性与能量管理效率。

技术实现思路

1、本发明的目的是提供一种新能源汽车多源状态感知自适应动力控制方法及系统，解决现有新能源汽车动力控制中多源传感器数据质量评估缺乏系统性、融合权重固定导致不确定性无法传递至控制决策层、以及车辆动力学参数与置信度基底参数无法在线自适应更新的技术问题。

2、本公开至少一实施例提供一种新能源汽车多源状态感知自适应动力控制方法，所述方法包括：获取驾驶员维度、车辆维度、道路维度和气象维度的多源异构传感器数据，并编码为标准化状态向量；基于数据质量置信度、历史一致性置信度和交叉验证置信度对标准化状态向量参与观测的各信息源执行三维动态置信度评估与自适应加权融合，生成融合状态向量和不确定性向量；根据所述融合状态向量执行工况识别，并基于识别结果与所述不确定性向量自适应调节模型预测控制的多目标优化权重，在预测时域内滚动求解多目标优化函数以生成最优扭矩分配指令；以及采集所述最优扭矩分配指令被执行后的实际运行反馈数据，通过在线参数辨识更新车辆动力学参数并通过贝叶斯更新修正置信度基底参数以实现闭环自学习，其中，更新后的车辆动力学参数被反馈至所述模型预测控制的车辆纵向动力学模型，更新后的置信度基底参数被反馈至所述三维动态置信度评估。

3、进一步的，在本公开至少一实施例提供的所述方法中，所述数据质量置信度 根据传感器在当前时刻的信号噪声比与该传感器在标准工况下标定的参考信号噪声比的比值确定，计算式为 ，其中  为传感器  在当前时刻  的信号噪声比， 为传感器  在标准工况下标定的参考信号噪声比；所述历史一致性置信度  根据传感器的当前测量值与基于前序时间窗口内历史数据的一阶线性外推预测值之间的偏差确定，计算式为，其中  为传感器  在当前时刻的归一化测量值， 为一阶线性外推预测值， 为前序时间窗口内归一化测量值的标准差， 为历史一致性灵敏度系数；所述交叉验证置信度  在观测同一物理量的传感器数量不少于二时，根据传感器  的测量值与其余传感器测量值之间的平均归一化偏差确定，计算式为 ，其中 为观测物理量  的传感器索引集合， 为传感器  的归一化测量值， 为传感器  与传感器  在标准工况下标定的预设归一化测量偏差标准差， 为交叉验证灵敏度系数。

4、进一步的，在本公开至少一实施例提供的所述方法中，所述自适应加权融合包括：将各传感器的综合置信度确定为三个维度置信度分量的乘积，即；定义有效传感器集合为综合置信度不低于预设置信度阈值的传感器的集合；根据有效传感器集合中各传感器的综合置信度占有效传感器集合综合置信度总和的比值确定各传感器的融合权重；基于所述融合权重对有效传感器集合中各传感器的归一化测量值执行加权求和，获取物理量的融合估计值；以及基于所述融合权重的平方对有效传感器集合中各传感器的归一化测量方差执行加权求和，获取物理量的融合不确定性；当有效传感器集合为空集时，物理量的融合估计值由基于车辆动力学模型的预测值替代，融合不确定性被设定为预设的最大不确定性值。

5、进一步的，在本公开至少一实施例提供的所述方法中，所述标准化状态向量包括驾驶风格标识、疲劳度指标、车辆纵向速度、质心侧偏角、电池荷电状态、电池健康状态、道路坡度、路面附着系数、前方车距、气象条件标识、环境温度和相对湿度，其中连续型物理量经基于极差的均值归一化处理缩放至统一的无量纲区间，离散型分量按预设编码规则映射为对应的数值；所述驾驶风格标识根据踏板变化率和转向频率通过预设的多级阈值分段规则确定；所述疲劳度指标根据眼睑闭合频率和眨眼持续时间或连续驾驶时长通过预设的疲劳等级映射表确定；所述路面附着系数根据前视摄像头获取的路面纹理特征图像和雷达回波强度通过预训练的路面附着系数估计模型获取。

6、进一步的，在本公开至少一实施例提供的所述方法中，所述工况识别根据所述融合状态向量中的车辆纵向速度、前方车距、道路坡度、路面附着系数和气象条件标识，通过预设的多条件决策树将当前行驶工况归类为拥堵跟车、城市行驶、山区爬坡、高速巡航和极端天气行驶中的一种，其中所述多条件决策树中各阈值均在归一化后的无量纲区间内设定。

7、进一步的，在本公开至少一实施例提供的所述方法中，所述自适应调节模型预测控制的多目标优化权重包括经济性权重 、平顺性权重  和动力性权重 ，满足 且三者均大于零，所述权重的调节规则按优先级从高至低依次判定包括：当工况识别结果为极端天气行驶，或疲劳度指标超过预设的疲劳阈值，或所述不确定性向量中与车辆运动或道路环境相关的分量超过对应的预设不确定性上限时，平顺性权重被调至预设的安全模式权重值；当工况识别结果为山区爬坡且电池荷电状态低于预设的低电量阈值时，经济性权重被调高至预设的节能模式权重值；当工况识别结果为高速巡航且所述不确定性向量的各分量均低于对应的预设低不确定性阈值时，动力性权重被调高至预设的动力响应模式权重值；根据驾驶风格标识对已确定的权重执行风格修正，在维持归一化约束的条件下增加对应权重分量并等比例减小其余分量。

8、进一步的，在本公开至少一实施例提供的所述方法中，所述多目标优化函数为，其中  为总代价值， 为预测时域内的离散时间步索引， 为预测时域长度， 为第  个时间步的状态向量， 为第  个时间步的控制输入向量， 为经济性代价项，表征能量消耗量， 为平顺性代价项，取为相邻时间步驱动扭矩分量之差的平方，为动力性代价项，取为实际加速度与驾驶员期望加速度之差的平方；所述优化求解受到车辆纵向动力学约束、电机扭矩上下限约束、电池放电功率限制约束以及基于路面附着系数确定的最大驱动力约束，输出预测时域内第一个时间步的最优控制输入作为所述最优扭矩分配指令。

9、进一步的，在本公开至少一实施例提供的所述方法中，所述闭环自学习包括：所述实际运行反馈数据包括实际纵向冲击度、能耗偏差和荷电状态跟踪误差；所述在线参数辨识以车辆纵向速度、纵向加速度、道路坡度和电机输出扭矩作为递推最小二乘法的输入，以风阻系数和滚动阻力系数作为待辨识参数，实现所述风阻系数和滚动阻力系数的在线更新；所述贝叶斯更新以所述实际纵向冲击度、能耗偏差和荷电状态跟踪误差作为观测证据，以各传感器的参考信号噪声比、历史一致性灵敏度系数和交叉验证灵敏度系数作为待更新参数，对所述待更新参数的后验分布进行更新并取后验均值作为更新后的参数值。

10、本公开至少一实施例还提供一种新能源汽车多源状态感知自适应动力控制系统，所述系统包括多源状态感知单元、信息自适应融合单元、自适应动力决策单元和执行反馈自学习单元；所述多源状态感知单元配置为获取驾驶员维度、车辆维度、道路维度和气象维度的多源异构传感器数据，并编码为标准化状态向量；所述信息自适应融合单元配置为基于数据质量置信度、历史一致性置信度和交叉验证置信度对标准化状态向量参与观测的各信息源执行三维动态置信度评估与自适应加权融合，生成融合状态向量和不确定性向量；所述自适应动力决策单元配置为根据所述融合状态向量执行工况识别，并基于识别结果与所述不确定性向量自适应调节模型预测控制的多目标优化权重，在预测时域内滚动求解多目标优化函数以生成最优扭矩分配指令；所述执行反馈自学习单元配置为采集所述最优扭矩分配指令被执行后的实际运行反馈数据，通过在线参数辨识更新车辆动力学参数并反馈至所述自适应动力决策单元，以及通过贝叶斯更新修正置信度基底参数并反馈至所述信息自适应融合单元。

11、本公开至少一实施例还提供一种电子设备，包括：至少一个存储器，非瞬时性地存储有计算机可执行指令；至少一个处理器，配置为运行所述计算机可执行指令，其中，所述计算机可执行指令被所述处理器运行时实现本公开任一实施例所述的新能源汽车多源状态感知自适应动力控制方法。

12、本公开提供的新能源汽车多源状态感知自适应动力控制方法及系统具有以下有益效果。

13、第一，通过将驾驶员、车辆、道路和气象四个维度的异构传感器数据统一编码为标准化状态向量，各分量均归一化至无量纲区间，消除了量纲不一致性对后续加权运算的干扰，使得来自不同物理原理传感器的数据能够在统一的数值框架内参与融合计算。

14、第二，通过对每个信息源分别计算数据质量置信度 、历史一致性置信度 和交叉验证置信度  并取三者乘积作为综合置信度，使得任一维度出现显著异常时该传感器的融合权重即被大幅抑制，从而在传感器信号质量动态劣化的场景下自动降低低质量信息源的贡献比例，提升融合状态估计的鲁棒性。

15、第三，融合过程同步输出带不确定性边界的不确定性向量 ，并将该向量引入模型预测控制的多目标优化权重调节规则，形成从感知不确定性到控制保守度的直接传递路径，使得在感知可靠性下降时平顺性权重  被自动提升，有助于降低低附着路面或驾驶员注意力下降场景下的车辆失稳风险。

16、第四，通过将工况识别结果、驾驶员疲劳度 、驾驶风格标识  和电池荷电状态  共同纳入权重调节规则，使得经济性权重 、平顺性权重  和动力性权重  能够随行驶工况与驾驶员状态的变化自适应调整，有助于在不同工况下实现能量消耗、驾乘平顺性和动力响应之间的合理权衡。

17、第五，通过递推最小二乘法对风阻系数  和滚动阻力系数  进行在线辨识，并将辨识结果实时写入模型预测控制所依赖的车辆纵向动力学模型，使得控制模型能够跟踪因轮胎磨损、载荷变化和行驶里程累积等因素导致的参数漂移，有助于维持车辆全生命周期内模型预测控制的预测精度。

18、第六，通过以实际运行反馈数据作为贝叶斯更新的观测证据，对参考信号噪声比、历史一致性灵敏度系数  和交叉验证灵敏度系数  进行后验更新，使置信度评估基底参数能够随车辆运行状态的长期变化自适应修正，实现感知融合与动力控制的协同在线优化。