自适应车辆控制的制作方法

本公开总体上涉及一种自适应车辆控制。

背景技术：

车辆控制通常使用通过反转车辆稳态特性构造的基准查找表来执行。查找表通常被校准以提供最佳稳态性能，并且可能在瞬态操作期间呈现非最佳性能。

技术实现要素：

根据本发明，提供一种系统，其包括：

控制器，该控制器包括处理器和存储器，该存储器存储可由处理器执行的指令，以使得处理器被编程为：

部分地基于输入数据和一个或多个第一参考参数来为车辆确定车辆的第一控制输入；

根据第一控制输入来操作车辆；

部分地基于车辆的运行条件的运行数据来确定车辆的第二控制输入，以使得根据第二控制输入的操作车辆的成本相对于基于第一控制输入操作车辆的成本有所降低；

基于第二控制输入来确定一个或多个第二参考参数，以至少部分地基于输入数据和一个或多个第二参考参数来生成第三控制输入，其中，根据第三控制输入操作车辆的成本相对于基于第一控制输入操作车辆的成本有所降低。

根据本发明的一个实施例，处理器进一步被编程为：

基于输入数据和运行数据生成车辆的状态空间模型；

对于车辆的运行条件，确定状态空间模型的估算状态；

和，

考虑对于运行条件的估算状态来确定第二控制输入。

根据本发明的一个实施例，处理器进一步被编程为：

为车辆生成动态模型；

估算将模型的各个输入与运行条件的模型的输出相关联的一组参数；和

考虑将模型的各个输入与模型的输出相关联的这组参数来确定第二控制输入。

根据本发明的一个实施例，其中动态模型是自回归移动平均模型。

根据本发明的一个实施例，处理器进一步被编程为：

应用正则化最小二乘法估算这组参数。

根据本发明的一个实施例，处理器进一步被编程为：

应用卡尔曼滤波器来估算状态空间模型的状态。

根据本发明的一个实施例，其中操作车辆的成本包括燃料消耗。

根据本发明的一个实施例，处理器进一步被编程为：

基于成本最小化控制方法来确定第二控制输入。

根据本发明的一个实施例，处理器进一步被编程为：

根据第三控制输入来操作车辆。

根据本发明的一个实施例，处理器进一步被编程为：

调整一个或多个第二参考参数，使得第三控制输入收敛到第二控制输入。

附图说明

图1是用于自适应车辆控制的示例性系统的图示；

图2是用于自适应车辆控制的示例性过程的图示；

图3是用于生成车辆的状态空间模型的示例性子过程的图示；

图4是示出根据适应的参考参数操作的车辆的速度跟踪的仿真图；

图5是示出基于适应的参考参数的车辆仿真速度与车辆目标速度的差异的仿真图；

图6是基于适应的参考参数的仿真燃料消耗和基于基准参考参数的仿真燃料消耗的图示；

图7是示出基于基准参考参数的燃料消耗与基于适应的参考参数的燃料消耗之间的差异的图。

具体实施方式

引言

用于自适应车辆子系统控制的系统100在图1中示出。在本上下文中，“自适应控制”是指基于系统100的运行条件来调整控制参数。可以通过与一个或多个车辆101子系统110和一个或多个传感器115通信的车辆101控制器105来实现自适应控制。控制器105包括存储基准参考参数的存储器和适应的参考参数。查找表是参考参数如何被存储的示例。基准参考参数通常是在车辆101的开发期间校准的默认参考参数集合，并且可以包括控制器105用于控制车辆101的操作的一个或多个参数。适应的参考参数包括与基准参考参数集合中的参数相对应的参数，该参数适应于基于诸如瞬态条件和环境条件的运行条件来优化车辆101的操作。

一旦进行初始操作——例如车辆101第一次操作，车辆控制器105就根据基准参考参数进行操作。随后，车辆控制器105从车辆传感器115和车辆子系统110接收数据。基于该数据，控制器开发车辆101的状态空间模型。状态空间模型表征车辆101的动态特性。

基于车辆101的状态空间模型，并且还基于来自车辆传感器115和车辆子系统110的数据，控制器105估算车辆101的状态空间模型的状态。估算的车辆状态是在对应于迭代车辆101控制过程中的特定时间步长的特定时间处车辆101的操作的数值表示。

控制器105被编程为基于估算的车辆101的状态空间模型的状态，应用诸如模型预测控制(mpc)的控制技术来确定优化的控制输入集合。优化的控制输入集合可被优化，例如，来最小化预定的成本函数。预定的成本函数可以包括例如燃料消耗、乘坐平稳度、到目的地的距离等。

控制器105进一步被编程为利用优化的控制输入来生成和/或更新车辆101的适应的参考参数。控制器105可以例如将优化的控制输入与从基准参考参数(或能适应的查找表的最近应用版本)产生的控制输入进行比较。例如，控制器115被编程为基于统计分析，在第一次迭代中生成或在随后的迭代中更新一组适应的参考参数，其考虑了用于车辆101的动态特性的状态空间模型，使得从适应的参考参数生成的控制输入收敛到由最优控制器产生的输入。这可以通过最小化两者的差异的另一优化问题来解决。

系统元件

车辆101通常是具有三个或更多个车轮的陆基车辆101，例如乘用车、轻型卡车等。车辆包括控制器105、一个或多个子系统110和一个或多个传感器115。子系统110和传感器115通信地连接到控制器105。

控制器105是包括处理器和存储器的计算设备。存储器包括一种或多种类型的计算机可读介质，存储器存储可由第一处理器执行的指令，该指令用于执行包括如本文所公开的各种操作。此外，控制器105可以包括和/或通信地连接到一个或多个其他控制器，包括例如诸如子系统110的车辆部件和传感器115，传感器115同样已知可以包括相应的处理器和存储器。可以例如经由可以包括控制器区域网(can)总线或局域互连网(lin)总线、有线和/或无线车载局域网(lan))中的一个或多个的车辆网络来执行通信，例如使用有线或无线技术，如无线保真蓝牙等，如已知的。

用于车辆101的一个或多个子系统110可以包括诸如已知的电子控制单元(ecu)等，作为非限制性示例，包括如发动机控制器、阀控制器、座椅控制器、动力转向控制器、门锁控制器、门闩控制器、气候控制器、镜子调节控制器、安全带控制器、制动控制器等。每个子系统110可以包括各自的处理器和存储器，以及一个或更多的致动器。子系统110可以被编程并连接到诸如控制器区域网(can)总线或局域互连网(lin)总线的车辆101通信总线，以从控制器105接收指令并且基于指令来控制致动器。

另外，子系统110可以被编程为从控制器105接收计算机更新，并将计算机更新存储在与子系统110相关联的存储器中。在一些情况下，与控制器相关联的存储器可以是非易失性存储器，其可以在从控制器105移除电力之后维持存储的计算机更新。

车辆101控制器105存储器存储基准参考参数和适应的参考参数。如下面另外详细描述的那样，控制器105基于操作期间车辆101的动态特性，将适应的参考参数更新为包括应对动态车辆特性的参数。控制器105被编程为随后将更新的适应的参考参数用于操作车辆101，以呈现车辆101的最佳操作。

示例流程

图2是用于自适应车辆控制的示例性过程200的图。过程200在框205中开始。

在框205中，车辆101的操作基于基准参考参数开始。例如，如已知的，用户可以打开车辆101点火装置。用户可以直接打开点火装置，例如用实体钥匙。或者，用户可以经由远程设备打开点火装置。例如，遥控钥匙、移动电话或其他远程设备可以经由射频通信将指令传送到控制器105以打开点火装置。一经打开车辆101的点火装置，该过程就在框210中继续。

在框210中，控制器105接受基线输入。基准输入包括基于用户输入的来自传感器115的输入数据、基于车辆101的当前运行条件的来自传感器115的运行数据，以及来自与一个或多个子系统110相关联的控制器的运行数据。例如，用户可以经由油门踏板、制动踏板、方向盘等提供输入，所述输入提供关于适用车辆部件的数据，例如方向盘、油门踏板、制动踏板等的位置。与油门踏板、制动踏板、方向盘等相关联传感器115可以产生传感器115输入数据，并将传感器115输入数据提供给控制器105。另外，传感器115和与车辆101子系统101相关联的控制器可以提供指示车辆运行条件的运行数据。例如，传感器115可以指示发动机温度、轮胎压力、燃料箱中的蒸汽压力等，并且控制器可以报告诸如位置、转速等的致动器的状况。

另外，控制器105接收基准参考参数。例如，控制器105可以从与控制器105相关联的存储器检索基准参考参数。一经接收到输入数据、运行数据和基准参考参数，过程200就在框215中继续。

在框215中，控制器105基于从子系统110、传感器115收集的数据和基线参考参数，生成用于一个或多个车辆101子系统110的一组控制输入，并将控制输入应用于车辆101子系统110。控制输入是使一个或多个子系统110执行特定车辆操作的指令。例如，控制输入可以指示发动机以特定速度操作、指示变速器调整动力传动系统中的齿轮比、指示制动系统释放来自制动器的压力、指示转向系统调整前车轮的转向角等。

一个或多个车辆101子系统110接收控制器105指令并通过调整与相应的子系统110相关联的致动器的操作来响应。车辆101通过例如改变速度或运动方向来呈现对一个或多个子系统110的致动的响应。然后，过程200在框220中继续。

在框220中，控制器105从子系统110和/或传感器115接收表示车辆101的操作的更新的运行数据。更新的运行数据包括系统输出，例如车辆101速度、车辆101行驶方向、车辆101加速度等。运行数据还包括来自车辆101子系统110的数据，例如发动机转速、变速齿轮比、车轮转向角、制动压力等。过程200在框225中继续。

在框225中，控制器105基于在框215中生成的控制输入以及在框220中收集的输入数据和运行数据，生成车辆101的状态空间模型。状态空间模型根据图3所示并在下面讨论的子过程300而产生。通常，状态空间模型表征车辆101的动态特性。一经生成车辆101的状态空间模型，过程200就在框230中继续。

在框230中，控制器105估算车辆101的状态空间模型的状态。

状态空间模型由以下方程描述，并且使用估算算法(例如卡尔曼滤波器(kalmanfilter))估算状态x，：

x(k+1)＝ax(k)+bu(k)+w(k)方程1

其中

y(k)＝cx(k)+v(k)方程2

其中

这里，w(k)和v(k)是高斯分布的独立同分布(i.i.d.)随机变量，其均值为0，并且协方差矩阵分别为w和v。

卡尔曼滤波器可以基于以下执行测量更新：

∑k|k＝∑k|k-1-∑k|k-1c^t(c∑k|k-1c^t)^-1c∑k|k-1方程4

这里，表示估算状态(其中状态由x表示)。(在测量更新时)表示它是在时间k的x(k)的估算。

控制器105可以基于以下进一步执行时间更新：

∑k+1|k＝a∑k|ka^t+w方程6

方程5表示状态空间模型的估算状态。

一经估算出车辆101的状态空间模型的状态，过程200就在框235中继续。

在框235中，控制器105基于控制模型来计算优化的控制输入u。例如，模型预测控制(mpc)可用于确定一组优化的控制输入u。

控制器105可以利用例如成本模型来建立凸优化问题，并且通过解决这个问题来识别控制输入。在满足致动器范围和燃烧稳定性的约束的情况下，最小化速度跟踪误差和燃料消耗的示例成本模型如下所示。

最小化

服从于:x(k+1)＝ax(k)+bu(k)

y(k)＝cx(k)

umin≤u(k)≤umaxk＝t,t+1,...,t+t

y2(k)＝c2x(k)≤y2,b

对于t＝2，优化变量是(u(k),u(k+1),x(k+1),x(k+2))。y1是车速，y1,r是参考速度，并且y2是捕获燃烧稳定性条件的输出，并且u6表示燃料量。在这种情况下，mpc控制输入根据上述优化方法计算出的u(k)。

一经计算出优化的控制输入u，过程就在框240中继续。

在框240中，控制器105确定适应的参考参数。控制器105将例如基于基准参考参数的控制输入与框240中确定的优化控制输入进行比较。控制器105可执行数字分析，例如统计分析或优化方案，以确定一组适应的参考参数，其得出或近似得出通过优化控制产生的输入u。大体上，为了本公开的目的，意味着基于适应的参考参数产生的每个控制输入(或一个或多个特定控制输入)在如方框235中所确定的优化的控制输入的预定范围内。可以基于成本模型来确定预定范围。例如，基于适应的参数产生并被识别为对实现成本目标具有强烈影响的控制输入的预定范围可以是小范围，例如+/-2％。由适应的参考参数产生并被确定为对实现成本目标具有较小影响的其他控制输入的预定范围可以是更大的范围，例如+/-10％。适应的参考参数存储在存储器中，例如以查找表的形式。过程200在框245中继续。

在框245中，控制器105确定过程200是否应该继续。例如，在车辆101继续运转的情况下，过程200在框215中继续。在车辆101关闭的情况下，过程200结束。

图3是用于生成车辆101的状态空间模型的示例性子过程300的图。子过程300在框305中开始。

在框305中，控制器105开发用于系统识别(系统id)的多输入单输出(miso)自回归移动平均(arma)模型。miso(单输出)情况用于方便讨论。然而，子过程300不限于miso情况，并且可以扩展到多输入多输出(mimo)模型。如本文所使用的并且如通常所知的arma模型是指用于分析时间序列的自动回归-移动平均(arma)模型。

已知的arma模型描述了由两部分组成的过程：自回归(ar)部分和移动平均(ma)部分。该模型通常称为arma(p，q)模型，其中p是自回归部分的阶数，并且q是移动平均部分的阶数。

用于车辆101的系统id的misoarma模型可以表示为：

k＝2,3,...,m

这里，y表示例如车速、燃烧稳定性指数和燃料消耗量的输出。变量u表示输入。输入的例子可以包括节气门、点火正时、进气可变凸轮正时(vcti)、排气可变凸轮正时(vcte)、排气泄压阀(wg)、喷射开始(soi)、压缩机旁通阀(cbv)和喷射持续时间。变量e表示误差因子。m是模型中包含的历史样本数。t表示“转置(transpose)”。

参数a1,a2,b1,b2都是将各个(模型的)输入与输出相关联的增益。例如，a1定义y(k-1)如何影响当前采样输出y(k)。假设参数a1,a2,b1,b2对于每个m+1时间范围而言是变化的。控制器105可以通过使用m+1输入和m+1输出来估算m+1时间范围的参数。

上述方程的m+1可以简洁地写成：

y(m)＝[y(2),y(3),...,y(m)]^t方程10

y(m-1)＝[y(1),y(2),...,y(m-1)]^t方程11

y(m-2)＝[y(0),y(1),...,y(m-2)]^t方程12

u(m-1)＝[u(1),u(2),...,u(m-1)]^t方程13

u(m-2)＝[u(0),u(1),…,u(m-2)]^t方程14

e(m)＝[e(2),e(3),...,e(m)]^t方程15

一经开发misoarma模型，子过程300就在框310中继续。

在框310中，控制器105可以应用用于系统识别的正则化最小二乘法

(rls)。根据rls方法，控制器105解决以下问题以获得参数a1,a2,b1,b2：

最小化||ax-b||^2+μ||fx||^2方程16

其中:

b＝y(m)，

a＝[y(m-1),y(m-2),u(m-1)^t,u(m-2)^t]，

是估算参数的矢量，

f是包含与每个参数相关联的权重的对角矩阵，并且μ是表征约束对估算参数的向量范数的影响的补偿系数。

rls方法允许控制器估算参数a1,a2,b1,b2。此外，根据rls方法，通过适当地设计权重矩阵f，控制器可以使参数正规化，使得估算的空间模型对于使用一个或多个卡尔曼滤波器的另外的状态估算是稳定的。通常，电流输出与输入相比具有与其以前的值的更强的相关性。根据rls方法，控制器105可以设计f以在输入u和输出y之间建立更强的相关性。rls的解析解可以表示为：

x^*＝(μff^t+a^ta)^-1a^tb方程17

一经开发用于rls的解析解，子过程300就在框315中继续。

在框315中，控制器105基于rls的解来开发用于车辆101的状态空间模型。

一旦通过rls方法获得参数ai和bi(i＝1,2)，就可以从arma模型方程8获得状态空间模型。状态空间模型可以写成

x1(k+1)＝ax(k)+bu(k)方程18

y(k)＝cx(k).方程19

这里，a,b,和c是具有适当维度的矩阵，并且可以是所识别的参数ai和bi(i＝1,2)的函数。x(k)是状态空间模型的内部状态而且可能无法物理测量。

子过程300可以通过设置输出之间的零耦合来扩展到多输入多输出(mimo)情况。系统的内部状态可能不是物理量，并且有必要获得它们各自的估算值。

正则化最小二乘法仅仅是识别系统的一个示例。还可以使用其他方法，例如递归最小二乘法，最小均方滤波器，内核自适应滤波器，其他自适应滤波方法和/或基于解决约束优化问题的其他方法。

矩阵a，b和c表征车辆101系统的动态特性。一经计算出矩阵a，b和c，子过程300就结束。

示例仿真

图4-7显示了基于适应的参考参数的车辆操作示例仿真的结果。示例仿真表明，适应的校准(基于适应的参考参数的校准)可以允许良好的速度曲线跟踪，同时将燃油经济性提高约7.5％。

图4示出了与400秒的时间段的目标速度相比，使用适应的参考参数的车辆的仿真速度。

图5示出了与图4相同的时间帧的速度跟踪误差。从图5可以看出，实际速度通常在1mph(每小时英里数)以内跟踪目标速度，除了短暂的瞬变。

图6是与基于基准参考参数的基准燃料消耗相比，利用适应的参考参数的燃料消耗的曲线图。该图表示燃料消耗减少约7.5％。

图7是与车速一起显示的基准燃料消耗和适应的燃料消耗之间的差异(即，燃料消耗的瞬时提高)的曲线图。可以看出，在瞬变期间，当车速增加时，燃料消耗以较高的速率提高。这表明适应的参考参数比基准参考参数更好地处理瞬态条件。

结论

诸如本文讨论的那些的计算设备通常各自包括可由一个或多个计算设备(诸如上述那些)执行以及用于执行上述过程的框或步骤的指令。例如，上面讨论的过程框可以被实现为计算机可执行指令。

计算机可执行指令可以从使用各种编程语言和/或技术创建的计算机程序进行编译或解释，包括但不限于java、c、c++、visualbasic、javascript、perl、html等。通常，处理器(例如，微处理器)从存储器，计算机可读介质等接收指令，并执行这些指令，从而执行一个或多个过程，包括一个或多个本文所述的过程。这样的指令和其他数据可以存储在文件中并使用各种计算机可读介质传输。计算设备中的文件通常是存储在诸如存储介质，随机存取存储器等的计算机可读介质上的数据的集合。

计算机可读介质包括参与提供可由计算机读取的数据(例如指令)的任何介质。这样的介质可以采取许多形式，包括但不限于非易失性介质，易失性介质等。非易失性介质包括例如光盘或磁盘以及其它持久存储器。易失性介质包括通常构成主存储器的动态随机存取存储器(dram)。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁介质、光盘只读存储器(cdrom)、数字化视频光盘(dvd)、任何其他光学介质、打孔卡、纸带，任何其他物理具有孔图案的介质、随机存取存储器(ram)、可编程序只读存储器(prom)、电可编程序只读存储器(eprom)、闪速-电可编程序只读存储器(eeprom)、任何其他存储器芯片或盒、或计算机可从其读取的任何其他介质。

权利要求书中使用的所有术语旨在被给予其本领域技术人员所理解的简单和普通含义，除非在此作出相反的明确指示。特别是，除非一项权利要求明确规定相反的规定，使用“一(a)”、“这(the)”、“所述(said)”等单数文字应被理解为来列举一个或多个所指示的元素。

术语“示例性”在本文中用于表示示例的意义，例如，应该参考小部件的示例简单地理解“示例性小部件”

修饰值或结果的副词“近似”意味着形状、结构、测量结果、值、确定、计算结果等因为材料、加工、制造、传感器测量结果、计算、处理时间、通信时间等方面的缺陷而可能偏离精确描述的几何、距离、测量结果、值、确定、计算结果等。

在附图中，相同的附图标记表示相同的元件。此外，这些元素中的一些或全部可以被改变。关于本文所述的介质、过程、系统、方法等，应当理解，尽管已经将这些过程的步骤描述为根据某个有序序列发生，但是这些过程可以用所描述的步骤以不同于本文描述的顺序执行。还应当理解，可以同时执行某些步骤、可以添加其他步骤，或者可以省略在此描述的某些步骤。换句话说，为了说明某些实施方式而提供本文的方法的描述，并且绝不应将其解释为限制要求保护的发明。