不可靠数据传输环境下车辆鲁棒保性能耦合控制方法与流程

krasovskii泛函和线性不等式方法设计鲁棒保性能循迹控制器。
13.第二方面，提供一种不可靠数据传输环境下的车辆鲁棒保性能纵横向耦合 控制方法，包括：
14.采用如第一方面、第一方面的第一至三种可实现方式中的任意一种车辆鲁 棒保性能控制器设计方法，构建时滞环境下车辆的鲁棒保性能控制器；
15.通过设计好的鲁棒保性能控制器进行车辆控制。
16.结合第二方面，在第二方面的第一种可实现方式中，所述通过设计好的鲁 棒保性能控制器进行车辆控制，包括：
17.通过所述鲁棒保性能控制器计算期望主动横摆力矩和期望纵向驱动力；
18.根据所述期望主动横摆力矩和期望纵向驱动力，采用最优化方法分配各个 车轮的驱动力。
19.结合第二方面，在第二方面的第二种可实现方式中，所述根据所述期望主 动横摆力矩和期望纵向驱动力分配各个车轮的驱动力，包括：
20.设定最优分配目标函数和优化约束；
21.根据最优分配目标和优化约束建立驱动力最优分配模型；
22.基于驱动力最优分配模型，根据所述期望主动横摆力矩和期望纵向驱动力 分配各个车轮的驱动力。
23.有益效果：采用本发明的不可靠数据传输环境下车辆鲁棒保性能耦合控制 方法，考虑车载网络数据传输存在的上下游时滞影响，结合预瞄运动学模型、 车辆动力学模型，构建包含外界扰动、参数摄动、数据传输时滞等在内的不确 定性动力学模型，并基于不确定性动力学模型，采用线性矩阵不等式建立起的 车辆鲁棒保性能控制器具有良好的抗扰能力和工况适应性，能够快速地消除运 动跟踪误差和有效地保障车辆的横向稳定性等特点。通过该车辆鲁棒保性能控 制器对车辆进行控制，能够更有效地消除跟踪误差并保证车辆的行驶稳定，具 有更强的工况适应性。
附图说明
24.为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要 使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的 比例绘制。
25.图1为车载网络数据传输过程流程图；
26.图2为本发明一实施例提供的控制器设计方法流程图；
27.图3为预瞄运动学模型示意图；
28.图4为车辆平面三自由度动力学模型示意图；
29.图5为本发明一实施例提供的车辆控制方法流程图；
30.图6为本发明的控制方法与对比控制算法在双移线工况下车辆轨迹跟踪 仿真对比效果；
31.图7为本发明的控制方法与对比控制算法在双移线工况下车辆动力学响 应仿真对比效果图；
32.图8为本发明的控制方法与对比控制算法在双移线工况下控制器输出仿 真对比效果图。
具体实施方式
33.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例 仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限 制本发明的保护范围。
34.应理解，本发明实施例的技术方案主要应用于分布式独立驱动智能电动汽 车在不可靠数据传输环境下的车辆控制。该种类型的智能电动汽车的车载网络 传输过程如图1所示。
35.应理解，在本发明实施例的技术方案中，以ecu为界将车载数据传输链 中的时滞分为上游时滞和下游时滞，其中上游时滞为传感器到ecu的数据延 迟，下游时滞为ecu到车辆执行器的信号延迟。各节点收到的信号可表示为：
36.xc(t)＝xs(t-d
s2c
)
37.xa(t)＝xc(t-d
c2a
)＝xs(t-d
s2c-d
c2a
)；
38.xs、xc、xa分别代表传感器、ecu、执行器在t时刻所收到的信号；d
s2c
、 d
s2a
分别为上游时滞和下游时滞。由于信号最终都会传输至执行器处，本发明 实施例将传输过程中的时滞集成到系统广义时滞dg，即控制信号的时滞中，从 而便于控制器设计和时滞信号的处理。
39.dg＝d
s2c
d
c2a
。
40.如图2所示的不可靠数据传输环境下的车辆鲁棒保性能控制器设计方法 的流程图，该设计方法包括：
41.步骤1、构建预瞄运动学模型和不确定性车辆动力学模型；
42.步骤2、基于预瞄运动学模型和不确定性车辆动力学模型，构建时滞环境 下车辆的不确定性循迹动力学模型；
43.步骤3、基于多胞体理论和不确定性循迹动力学模型，建立时滞环境下车 辆的不确定性多胞体循迹动力学模型；
44.步骤4、根据所述不确定性多胞体循迹动力学模型，采用线性矩阵不等式 设计鲁棒保性能控制器。具体而言，该设计方法包括：
45.首先，构建预瞄运动学模型和不确定性车辆动力学模型；
46.如图3所示，在实际驾驶活动中，驾驶员会根据当前的行驶工况找到一个 合理的参考位置，并结合行驶状态对当前车辆的姿态进行评估，继而调整车辆 以趋近参考路径。根据参考点和车辆实际位置之间的几何关系，本发明实施例 的技术方案基于小航向角误差假设可以构建得到frenet-serret坐标系下的预瞄 运动学模型，预瞄运动学模型具体为：
[0047][0048]
其中，ey、分别为横向位置误差和航向角误差；v
x
、vy分别为车辆纵、 横向车速；r为车辆横摆角速度；d
p
为驾驶员前方预瞄距离；ρ
p
为预瞄点处道 路曲率，d1、d2均为未建模误差和线性化误差。
[0049]
在构建不确定性车辆动力学模型时，为了降低控制器的设计难度，本发明 实施例
采用三自由度简化模型构建不确定性车辆动力学模型，三自由度简化模 型可以较好地反应车辆运动特征，如图4所示，其中，各个方向的动力学平衡 方程如下：
[0050][0051]
m、iz分别为整车质量和车身绕z轴的转动惯量；lf、lr分别为前后轴到 车辆质心的距离；
△mz
为主动横摆力矩；d3、d4、d5为包括道路坡度阻力、路 面滚动摩擦阻力，以及纵向风等在内的未建模误差和外界扰动；f
xfl
、f
xfr
、f
xrl
、 f
xrr
分别为车辆前左、前右、后左以及后右轮胎的纵向力，f
yfl
、f
yfr
、f
yrl
、f
yrr
分别为车辆前左、前右、后左以及后右轮胎的侧向力，a
xp
为预瞄点处的参考 加速度。
[0052]
基于小轮胎侧偏角和线性轮胎假设，前后轴侧向轮胎力可线性化为：
[0053]fyfl
＝f
yfr
＝cfαf＝cf[δ
f-(vy lfr)/v
x
]
[0054]fyrl
＝f
yrr
＝crαr＝cr(-vy lrr)/v
x
；
[0055]
其中，cf、cr分别为前后轴车轮轮胎转向刚度；af、ar分别为前后轴车 轮轮胎侧偏角，δf为前轮转角。
[0056]
由于车辆处于恶劣工况时，轮胎容易进入非线性区域，导致基于线性轮胎 模型推算出的标称转向刚度与实际值相差较大。因此，为了提高设计出的控制 器的控制精度，在本发明的实施例中，可以将轮胎侧偏刚度视为范数有界的不 确定参数，具体表示为：
[0057]cf
＝c
f0
λf△cf
[0058]cr
＝c
r0
λr△cr
；
[0059]
其中，c
f0
、c
r0
分别为前、后轴轮胎侧偏刚度名义值；λf、λr分别为前、 后轴轮胎侧偏刚度的摄动参数，且满足|λf|＝|λr|＝|λ|≤1；
△cf
、
△cr
分别为前、 后轴轮胎侧偏刚度摄动量，构建得到的不确定性车辆动力学模型如下：
[0060][0061]
其中，为被控系统状态变量；u(t)3×1＝[a
x
/m,δ
fd
,
△mz
]
t
为 被控系统输入变量；为系统输出变量；
[0062]
w(k)5×1＝[a
xp
d3,d1,-v
x
ρr d2,d4,d5]为系统扰动，包括未建模误差和外界干 扰。其中，系统矩阵分别为：
[0063]
a＝a0
△
a＝a0 dfe1[0064]
b1＝b
10

△
b1＝a0 dfe2[0065]
b2＝eye(5,5),
[0066]
[0067][0068][0069]a044
＝-2(c
f0
c
r0
)/mv
x
,
[0070]a045
＝-v
x-2(c
f0
l
f-c
r0
lr)/mv
x
,
[0071]a054
＝2(c
r0
l
r-c
f0
lf)/izv
x
[0072][0073]e44
＝2(
△cf

△cr
)/mv
x
,
[0074]e45
＝-2(
△cf
lf‑△cr
lr)/mv
x
,
[0075]e54
＝2(
△cr
lr‑△cf
lf)/izv
x
,
[0076][0077]
然后，基于上述的预瞄运动学模型和不确定性车辆动力学模型，结合广义 时滞dg的计算模型，构建时滞环境下车辆的不确定性循迹动力学模型，具体为：
[0078][0079]
之后，根据多胞体理论和不确定性循迹动力学模型，建立时滞环境下车辆 的不确定性多胞体循迹动力学模型，以应对纵向车速发生变化的情况。
[0080]
具体而言，在实际驾驶过程中驾驶员会根据前方道路曲率以及路面附着条 件对车辆行驶速度进行调整，特别是在极限工况下会通过减速为车辆保留相当 的横向稳定裕度，以保证车辆能够平稳到达参考点。因此，需要将纵向车速应 被视为时变参数。而为保证算法的时效性，需要事先离线算出鲁棒保性能状态 反馈增益，故无法根据实际情况对模型中的纵向车速进行实时调整。
[0081]
为此，在本发明实施例的技术方案中，采用不确定多胞体法来应对纵向车 速的变化情况，具体为：
[0082]
假定行使过程中的纵向车速会在某个固定范围内变化，即
[0083]vxmin
≤v
x
≤v
xmax
[0084]
(1/v
x
)
min
≤(1/v
x
)≤(1/v
x
)
max
；
[0085]
基于多胞体理论，在范围内的任意车速均可通过速度多胞体边界线性组合 得到：
[0086][0087]
[0088][0089][0090]
基于上述的速度多胞体边界线性组合，联立时滞环境下的不确定性循迹动 力学模型，即可建立起时滞环境下车辆的不确定性多胞体循迹动力学模型，在 本发明实施例的技术方案中，不确定性多胞体循迹动力学模型具体如下：
[0091][0092]
其中，c0为考虑时变车速的凸多胞体。
[0093]
最后，根据不确定性多胞体循迹动力学模型，采用线性矩阵不等式设计鲁 棒保性能控制器。
[0094]
具体而言，可以先定义控制器的目标函数，在本发明实施例的技术方案中， 定义的目标函数为：
[0095][0096]
其中，y
ref
(t)＝[0 0 0]
t
为系统参考轨迹，wy，wu分别为输出量权重和控 制量权重。
[0097]
为了使系统拥有更好的跟踪性能，本发明实施例的技术方案采用状态反馈 的方式对车辆横向跟踪控制器进行设计，使得车辆的控制系统在存在外界扰 动、非线性时变轮胎特性以及不可靠数据传输链的情况下渐进稳定以满足h∞ 和保性能指标，并在包含二阶积分的lyapunov-krasovskii泛函的基础上，根 据建立的不确定性多胞体循迹动力学模型，采用线性矩阵不等式设计鲁棒保性 能控制器，具体为：
[0098]
对于给定的扰动衰减系数γ》0和系统广义时滞上界d
gmax
，若存在矩阵y， 正定矩阵q1，q2以及正实数εi使得如下线性不等式成立：
[0099][0100]
则存在状态反馈增益k＝yq-1
以及状态反馈控制率u(t)＝yq-1
x(t)使系统在 存在能量有界扰动w和满足0≤dg≤d
gmax
的任意系统广义时滞条件下渐进稳定， 且相应控制指标收敛于v(x(t))。
[0101]
[0102][0103][0104]
其中，θ＝sys[(a0 b1k)q1]，sys[
·
]表示
·

·
t
，*为矩阵中对角位置的元素 转置，i为适当维度的单位阵。
[0105]
通过求解上述线性不等式可行性优化问题，可以分别得到凸多胞体各顶点 对应的状态反馈增益ki，通过线性调度的方式可以得到系统的最终控制增益， 从而计算出最大广义时滞上界内的理想控制率u(t)，具体为：
[0106][0107]
如图5所示的不可靠数据传输环境下的车辆鲁棒保性能纵横向耦合控制 方法，该控制方法包括：
[0108]
采用上述的车辆鲁棒保性能控制器设计方法，构建时滞环境下车辆的鲁棒 保性能控制器；
[0109]
通过设计好的鲁棒保性能控制器进行车辆控制。
[0110]
具体而言，首先，可以采用本发明实施例的技术方案中的设计方法，建立 时滞环境下车辆的鲁棒保性能控制器。然后，通过传感器采集车辆状态和环境 信息，根据采集到的车轮状态数据和环境信息，ecu采用构建好的鲁棒保性 能控制器计算出期望主动横摆力矩和期望纵向驱动力，并根据期望主动横摆力 矩和期望纵向驱动力确定执行器控制信号发送给执行器，以对车辆进行控制。
[0111]
在本实施例中，可选的，所述根据所述期望主动横摆力矩和期望纵向驱动 力分配各个车轮的驱动力，包括：
[0112]
设定最优分配目标函数和优化约束；
[0113]
根据最优分配目标和优化约束建立驱动力最优分配模型；
[0114]
基于驱动力最优分配模型，根据所述期望主动横摆力矩和期望纵向驱动力 计算得到各个车轮的驱动力。
[0115]
具体而言，在通过设计好的控制器计算得到期望主动横摆力矩和期望纵向 驱动
力后，可以采用最优化方法对车辆各个车轮的驱动力进行合理分配。为了 降低能耗，最优分配目标函数可以设置为：
[0116]
ja＝f
t
hf；
[0117]
其中，h为权重矩阵；f＝[f
xflfxfrfxrlfxrr
]
t
为优化变量。
[0118]
另外，各个车轮的驱动力还需要满足纵向和横向稳定性控制的需求，可以 将优化约束设定为：
[0119]
△mz
＝b1f
xfl
b2f
xfr-ls(f
xrl-f
xrr
)
[0120]fxtotal
＝cosδf(f
xfl
f
xfr
) f
xrl
f
xrr
；
[0121]
b1＝-lscosδf lfsinδf[0122]
b2＝lssinδf lfcosδf；
[0123]
其中，ls为车辆半轴长度。
[0124]
联立上式可以得到驱动力最优分配模型，根据期望主动横摆力矩和期望纵 向驱动力，采用驱动力最优分配模型即可计算出各个车轮的驱动力。
[0125]
采用simulink-carsim联合仿真平台对本发明实施例技术方案的有效性进 行验证，在simulink中搭建估计-控制算法，并在carsim选用e级车作为算法 验证模型，其主要车辆参数如下表所示，且不确定轮胎侧偏刚度摄动量为其标 称值的20％，系统最大广义时滞为0.04s。
[0126][0127]
引入由时滞相关稳定性条件求出的h∞状态反馈控制器和保性能状态反馈 控制器。其中，保性能状态反馈控制器并没有考虑h∞性能指标，而h∞状态 反馈控制器并未考虑保性能控制指标。在此组工况中，车辆将会在低附着道路 上进行双移线动作测试。在仿真过程中，车辆以100km/h的行驶，此工况可 模拟车辆在雨雪天气下的连续避撞。其中，h∞状态反馈控制器为c4，而保性 能状态反馈控制器为c5，而本发明实施例的技术方案为c3。
[0128]
图6为对比工况的跟踪效果，此外，c3展现出更优秀的控制性能，能够 快速地消除跟踪误差，c4和c5的跟踪质量较差，在每一次换道过程中都出现 了较大的超调误差，由于通过h∞性能指标削弱了运动学模型失配所带来的不 利影响，使得c3的控制精度在此恶劣工况下得到了有效保障。
[0129]
车辆横向动力学响应如图7所示。从图中可以看出，c3控制下的车辆质 心侧偏角和横摆角速度响应整体更小、曲线更加平滑，表明c3在极限情况下 仍然能够较好地保证动力学稳定性。相对地，c4和c5的波动更加剧烈，且在 每次换道过程中均出现了较大的峰值，表明车辆失稳的风险更大，此时轮胎力 会靠近附着椭圆边界，为避免因轮胎侧向力饱和而发生的车辆失稳，往往会减 少对轮胎纵向力的需求使车辆拥有更大的横向稳定裕度，这也是导致速度跟踪 误差较大的原因。
[0130]
图8为车辆控制输入。由图可知，c3控制量的波动浮动更小，输出明显 小于其余两种方法，这表明c3能够显著提升车辆的转向轻便性和操纵稳定性。 综上，由对比工况的仿真结果可以看出，本发明所提出的控制策略能够更有效 地消除跟踪误差并保证车辆的行驶稳定，具有更强的工况适应性。
[0131]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述 各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依 然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部 技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱 离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书 的范围当中。