用于牵引力控制系统的高效鲁棒方法与流程

1.本发明涉及一种用于牵引控制系统的非线性动态(dynamic)模型，尤其涉及一种使用非线性动态模型来捕获车轮上的非线性动态力和车轮的非线性行为来控制车轮打滑的方法。


背景技术：

2.车辆的纵向或向前运动是通过转动与地面接触的车辆的车轮产生的，并取决于车轮与地面之间的摩擦力。在某些情况下，施加在车轮上的力或扭矩会导致车轮与地面之间的滑动，称为车轮打滑。这种滑动允许车轮快速旋转，而车辆很少或没有相应的纵向运动。因此，牵引控制系统通常用于控制车轮上的力和扭矩或牵引控制力，以增加车轮的牵引力并减少车轮打滑。然而，当前的牵引控制系统仅使用作为线性系统的车轮分析来计算牵引控制力。仅考虑车轮上的线性力并不能提供车轮动态的完整图像，因此产生的牵引力控制力只能部分有效地减少车轮打滑。因此，期望提供一种用于车轮的牵引控制系统，其基于非线性力和/或车轮参数来计算牵引控制力。


技术实现要素：

3.在一个示例性实施例中，公开了一种建模和控制车辆的车轮的牵引力的方法。在观测器处接收车轮的动态模型参数。在观测器处使用车轮的非线性模型来确定车轮速度的估计和车轮速度的不确定性。平均增益和差分增益在预测控制器处根据车轮速度的估计和车轮速度的不确定性来确定。基于平均增益和差分增益计算用于增加车轮在道路上的牵引力的马达扭矩和车轮制动扭矩。马达扭矩和车轮制动扭矩施加在车辆上。
4.除了本文描述的一个或多个特征之外，车轮制动扭矩包括右前制动扭矩和左前制动扭矩。车轮速度的估计和车轮速度的不确定性包括平均车轮速度的估计、差速车轮速度(differential wheel velocity)的估计、平均车轮速度的不确定性和差速车轮速度的不确定性。该方法还包括求解第一组方程以确定车辆的纵向运动，以及求解第二组方程以确定车辆的偏航运动。第二组方程的解被用作第一组方程的约束。该方法还包括优化第一成本函数以确定平均增益，以及优化第二成本函数以确定差分增益。该方法还包括使用车轮的惯性矩来确定车轮速度的估计和车轮速度的不确定性。
5.在另一个示例性实施例中，公开了一种用于建模和控制车辆的车轮的牵引力的系统。该系统包括观测器、预测控制器和在线求解器。观测器接收车轮的动态模型参数，并使用车轮的非线性模型确定车轮速度的估计和车轮速度的不确定性。预测控制器根据车轮速度的估计和车轮速度的不确定性来确定平均增益和差分增益。在线解算器基于平均增益和差分增益来计算用于增加车轮在道路上的牵引力的马达扭矩和车轮制动扭矩。
6.除了本文描述的一个或多个特征之外，车轮制动扭矩包括右前制动扭矩和左前制动扭矩。车轮速度的估计和车轮速度的不确定性包括平均车轮速度的估计、差速车轮速度的估计、平均车轮速度的不确定性和差速车轮速度的不确定性。预测控制器基于平均车轮
速度的估计和平均车轮速度的不确定性生成第一成本函数，并基于差速车轮速度的估计和差速车轮速度的不确定性生成第二成本函数，以及在线求解器优化第一成本函数以确定平均增益，并优化第二成本函数以确定差分增益。在线求解器求解第一组方程以确定车辆的纵向运动，求解第二组方程以确定车辆的偏航运动。第二组方程的解被用作第一组方程的约束。观测器利用车轮的惯性矩来确定车轮速度的估计和车轮速度的不确定性。
7.在又一示例性实施例中，公开了一种车辆。该车辆包括观测器、预测控制器和在线求解器。观测器接收车辆的车轮的动态模型参数，并使用车轮的非线性模型来确定车轮速度的估计和车轮速度的不确定性。预测控制器根据车轮速度的估计和车轮速度的不确定性确定平均增益和差分增益。在线解算器基于平均增益和差分增益来计算用于增加车轮在道路上的牵引力的马达扭矩和车轮制动扭矩。
8.除了本文描述的一个或多个特征之外，车轮制动扭矩包括右前制动扭矩和左前制动扭矩。车轮速度的估计和车轮速度的不确定性包括平均车轮速度的估计、差速车轮速度的估计、平均车轮速度的不确定性和差速车轮速度的不确定性。预测控制器基于平均车轮速度的估计和平均车轮速度的不确定性生成第一成本函数，并基于差速车轮速度的估计和差速车轮速度的不确定性生成第二成本函数，以及在线求解器优化第一成本函数以确定平均增益，并优化第二成本函数以确定差分增益。在线求解器求解第一组方程以确定车辆的纵向运动，求解第二组方程以确定车辆的偏航运动。第二组方程的解被用作第一组方程的约束。
9.当结合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
10.其他特征、优点和细节仅作为示例出现在以下详细描述中，详细描述参考附图，在附图中:
11.图1是在示例性实施例中具有牵引控制系统的车辆的框图；
12.图2示出了图1的车辆的底盘的平面图，其示出了用于车辆的运动的各种组件；
13.图3示出了图2的底盘，其上标注有相关的动态模型参数；
14.图4示出了一实施例中车辆的电子制动控制模块的处理流程；
15.图5是示出牵引控制系统操作的示意图；
16.图6示出了用于向车辆分配扭矩的致动器；
17.图7示出了使用本文公开的方法进行牵引力控制的方法的流程图；
18.图8示出了左车轮速度随时间的曲线图；和
19.图9示出了右车轮速度随时间的曲线图。
具体实施方式
20.以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相似或相应的组件和特征。如这里所使用的，术语模块指的是处理电路，其可以包括专用集成电路、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他
合适的组件。
21.根据示例性实施例，图1是具有牵引控制系统110的车辆100的框图。图1所示的示例性车辆100是汽车101。根据图1所示的视图，车辆100的四个车轮120中的两个是可见的。牵引控制系统110使用车轮120的非线性动态模型，以确定施加到车轮的扭矩，从而增加车轮对地面的牵引力。牵引控制系统110被示出为车辆100的控制器105(例如，电子控制单元)的一部分。根据替代实施例，牵引控制系统110的功能可以与控制器105分离，或者可以由一组控制器105来执行。控制器105操作用于实现牵引控制系统110的各种模块。
22.图2示出了图1的车辆100的底盘200的平面图，其示出了用于车辆运动的各种组件。底盘200包括前轮轴220、后轮轴230和将后轮轴230连接到前轮轴220的驱动轴240。驱动轴240提供了一种机构，通过该机构可以在后轮轴230和前轮轴220之间传递力或扭矩。驱动轴240沿着车辆100的纵向轴线250成一直线。前轮轴220支撑左前车轮120a和右前车轮120b。后轮轴230支撑左后车轮120c和右后车轮120d。轴距(wheel base)l表示前轮轴220和后轮轴230之间的距离。轮轴轨迹b表示左右车轮之间的距离。
23.马达210向驱动轴240提供马达扭矩，该马达扭矩由此被传递到后轮轴230和前轮轴220，以便转动车轮120a-120d。左前车轮120a和右前车轮120b能够从一侧到另一侧改变它们的滚动方向，以形成相对于纵向轴线250的转向角δ。在具有非零转向角的纵向运动期间，车辆100经历偏航旋转，在图2中表示为偏航率ψ。
24.图3示出了图2的底盘200，其上标注有相关的动态模型参数。在前轮轴220处，左前车轮120a的纵向速度为v
xlf
，右前车轮120b的纵向速度为v
xrf
。在后轮轴230处，左后车轮120c的纵向速度为v
xlr
，右后车轮120d的纵向速度为v
xrr
。马达210提供马达扭矩该扭矩通过前轮轴220、后轮轴230和驱动轴240传递到四个车轮120a-120d。可以启动左前制动器(未示出)以将左制动扭矩施加到左前车轮120a，并且可以启动右前制动器(未示出)以将右制动扭矩施加到右前车轮120b。在各种实施例中，车辆100上的传感器(未示出)获得各种扭矩(即，马达扭矩左制动扭矩和右制动扭矩)的测量值以及一个或多个车轮120a-120d的各种动态模型参数(例如，v
xlf
、v
xrf
、v
xlr
、v
xrr
等)以便计算要施加以减少车轮打滑的牵引控制扭矩值。
25.图4示出了一实施例中车辆100的电子制动控制模块400的处理流程。车轮120上的传感器向电子制动控制模块400提供运动学参数，包括车轮速度。在判定框402处，使用运动学参数执行计算，以确定车轮120是否正在经历车轮打滑。如果车轮不打滑，电子制动控制模块400允许驾驶员命令404控制车轮120的操作。另一方面，如果存在车轮打滑，电子制动控制模块400采用牵引控制系统110来减少或消除车轮打滑。
26.图5是示出牵引控制系统110的操作的示意图。牵引控制系统110包括高增益观测器502和反馈控制器504。反馈控制器504包括非线性模型预测控制器，这里也称为预测控制器506，以及在线求解器508。
27.车轮上的传感器向高增益观测器502提供运动学参数510。高增益观测器502基于运动学参数510的非线性模型来计算动态模型参数和不确定性的各种估计512。动态模型参数和不确定性的这些估计512被提供给反馈控制器504的预测控制器506。预测控制器506根
据估计512和不确定性生成一个或多个成本函数，并优化一个或多个成本函数，以确定用于控制随后施加的扭矩的各种增益。增益从预测控制器506提供给在线求解器508。在线求解器508确定要提供给车辆100的各种扭矩514，以便减少车轮120处的车轮打滑。
28.现在讨论从车轮传感器提供给高增益观测器502的运动学参数510。将后轮轴230(v
x rear
)的纵向速度与每个车轮120a-120d处的车轮动态联系起来的运动学方程示出在方程式(1)-(4)中:
[0029][0030][0031][0032][0033]
其中索引(index)lf表示左前车轮120a，索引rf表示右前车轮120b，索引lr表示左后车轮120c，索引rr表示右后车轮120d。参数r是车轮的半径，l是轴距，b是轮轴轨迹，ψ是车辆的偏航率。因此，平均前车轮速度由方程式(5)给出:
[0034][0035]
前车轮速度的差值由方程式(6)给出:
[0036][0037]
类似方程式(5)和方程式(6)的方程式可以被生成以确定平均后车轮速度和后车轮速度的差
[0038]
在操作中，观测器502从车轮120处的传感器接收各种运动学参数510，包括但不限于，平均前车轮速度前车轮速度差和车辆上的当前扭矩，例如前向马达扭矩t
mf
、左前制动扭矩t
blf
和右前制动扭矩t
brf
。观测器502还接收或访问状态参数，例如转向角δ、转向速率δ、轴距l、轮轴轨迹b等。观测器502对动态模型参数执行计算，以生成车轮的动态模型参数的估计值，例如平均前车轮速度的估计值和前车轮速度之间的差的估计值以及相关联的不确定性(即，分别为和)。在观测器502处执行的计算在方程(7)-(14)中详细描述。
[0039]
方程式(7)示出了平均前车轮速度时间导数的动态模型方程:
[0040][0041]
其中jf是车轮惯性，并且和分别是左前车轮和右前车轮的纵向力。方程
式(7)进一步包括不确定性项σ
avg f
，该不确定性项是未知的车轮胎相互作用项，其解释了状态参数和动态模型参数的值的不确定性。方程式(7)没有提供车辆纵向运动的完整描述。另外，方程式(7)的几个参数不能被测量。因此，观测器502代之实现方程式(8)和(9)以包括由于缺少或无法测量的参数引起的影响。
[0042]
观测器502确定方程式(8)和(9)中示出的车轮动态模型中的平均前车轮速度和不确定性的估计：
[0043][0044][0045]
方程式(9)是平均速度中不确定性的时间演化方程。方程式(8)描述了平均速度的估计的时间演化。而方程式(9)描述了丢失和/或未测量参数的时间演化。在方程式(8)和(9)中，h1和h2是观测器增益，ε是一小的正常数值(0《ε＜＜1)。选择观测器增益h1和h2，使得方程式(10)的多项式：
[0046]
s2+h1s+h2＝0
ꢀꢀꢀ
方程式(10)
[0047]
是赫尔维茨(hurwitz)多项式。方程式(8)和(9)中所示的常差分方程可以被求解以产生输出和
[0048]
类似地，针对前车轮速度差的运动方程示出在方程式(11)中：
[0049][0050]
其中jf是车轮惯性，而和分别是作用在左前车轮和右前车轮上的纵向力。不确定性项是一未知的车轮胎相互作用项，它说明了状态参数和动态模型参数值的不确定性。
[0051]
观测器502求解方程式(12)和(13)中所示的前车轮速度差的估计的方程式:
[0052][0053][0054]
方程式(13)是差分速度(differential velocity)中的不确定性的时间演化方程。方程式(12)描述了差分速度的估计的时间演变，而方程式(13)描述丢失和/或未测量参数的时间演变。在方程式(12)和(13)中，h3和h4是观测器增益，ε是小的正常数值(0＜ε＜＜1)。选择观测器增益h3和h4，使得方程(14)的多项式:
[0055]
s2+h3s+h4＝0
ꢀꢀꢀ
方程式(14)
[0056]
是赫尔维茨多项式。方程式(12)和(13)中所示的常差分方程可以被求解以产生输
出和
[0057]
现在给出对预测控制器506的操作的讨论。预测控制器506使用两个单独的模型来计算增益值。第一模型是描述车辆纵向运动并生成平均增益值的平均动态模型。第二模型是描述了车辆的偏航旋转并生成差分增益值的差分动态模型。
[0058]
第一模型涉及基于扭矩总和创建第一成本函数，其由方程式(15)中的表示：
[0059][0060]
描述了车轮上的平均力的动态的所示成本函数在方程式(16)中给出：
[0061][0062]
成本函数通过取方程式(16)关于的导数并将该导数设置为零来优化，如方程式(17)中所示:
[0063][0064]
方程式(17)可以简化以获得方程式(18)：
[0065][0066]
通过定义平均增益k
avg
，如方程式(19)中所示：
[0067][0068]
平均增益k
avg
可以通过求解方程式(18)进行确定。
[0069]
第二模型涉及基于左前车轮扭矩和右前车轮扭矩之差创建第二成本函数，其由方程式(15)中的u表示：
[0070]
[0071]
计算结果类似于方程式(16)-(19)中的计算并产生差分增益k
diff
，如方程式(21)所示：
[0072][0073]
其中被称为时间范围(horizon)。然后将增益k
avg
和k
diff
从预测控制器506提供给在线求解器508。
[0074]
现在给出在线求解器508的操作的讨论。在线求解器508使用来自观测器502和来自预测控制器506的参数来执行计算。在线求解器508求解第一组方程，以确定要施加的平均力以确定扭矩总和的值，如方程式(15)所示。
[0075]
第一组方程式在方程式(21)-(24)中进行讨论。平均前车轮力函数由前车轮力的平均值和后车轮力的平均值之差产生，如方程式(21)所示：
[0076][0077]
其中平均前车轮力在方程式(22)中给出：
[0078][0079]
其中平均后车轮力在方程式(23)中给出：
[0080][0081]
扭矩总和的时间导数由平均车轮力函数使用方程式(24)定义：
[0082]
其中a1和b1分别是致动器容量的下限值和上限值，并且控制参数δa被选择为具有以下条件：0＜δa＜＜1。在线求解器求解方程式(24)以确定
[0083]
方程式(25)-(29)中讨论了第二组方程。由差分前车轮力和差分后车轮力产生不同的车轮力函数如方程式(25)所示：
[0084][0085]
其中差分前车轮力在方程式(26)中给出：
[0086]
[0087][0088]
其中差分后车轮力在方程式(27)中给出：
[0089][0090]
扭矩差值的时间导数由差值车轮力函数使用公式方程式(28)定义:
[0091]
其中a2和b2分别为致动器容量的下限值和上限值，并且控制参数δd在以下方程式所示的条件下选择：0＜δd＜＜1。在线求解器求解方程式(28)以确定u。
[0092]
在各种实施例中，方程式(25)-(29)中的第二组方程可以首先求解，然后将结果用于形成第一组方程(方程(21)-(24))的解的构造。当或时，则选择和和当时，则选择时，则选择和和参数sf是可以由设计者基于马达的能力来选择或设定的控制参数。在各个实施例中，sf的值可以被设置为-10。
[0093]
图6示出了用于将扭矩分配给车辆100的致动器600。致动器600接收计算结果(即，来自在线求解器508的和u)，并计算前向马达扭矩t
mf
、左前制动扭矩t
blf
和右前制动扭矩t
brf
，并将这些扭矩应用于车辆。
[0094]
图7示出了使用本文公开的方法进行牵引力控制的方法的流程图700。在框702中，使用车辆处的传感器获得车轮动态的测量值。在框704中，在观测器处确定后轮轴速度估计(平均和差分)以及相关的不确定性。在框706中，根据后轮轴(axle)速度估计和不确定性在预测控制器处形成成本函数。在框708中，在在线求解器处求解成本函数，以确定平均和差分增益。在框710中，使用平均增益和差分增益来确定要施加到车辆以增加车轮牵引力的扭矩。在框712中，扭矩被施加到车辆。
[0095]
图8示出了左车轮速度随时间的曲线图800。时间以秒为单位显示在横坐标上，左车轮速度以公里/小时(km/h)为单位显示在纵坐标上。线802表示左车轮的目标速度。曲线804表示经历车轮打滑并且使用传统线性牵引控制系统控制的车轮的左车轮速度。曲线806表示经历车轮打滑并且使用本文公开的牵引控制系统控制的车轮的左车轮速度。曲线804表现出左车轮速度的大变化(例如，在大约0千米/小时和大约27千米/小时之间)以及长的衰减时间(例如，大约0.8秒)，以获得与目标车轮速度一致的车轮速度。同时，曲线806表现出相对较小的左车轮速度变化(例如，在大约0千米/小时和大约12千米/小时之间)以及较
短的衰减时间(例如，大约0.5秒)，以获得与目标车轮速度一致的车轮速度。
[0096]
图9示出了右车轮速度随时间的曲线图900。时间以秒为单位显示在横坐标上，右车轮速度以公里/小时(km/h)为单位显示在纵坐标上。线902表示右车轮的目标速度。曲线904表示经历车轮打滑并且使用传统线性牵引控制系统控制的车轮的右车轮速度。曲线906表示经历车轮打滑并且使用本文公开的牵引控制系统控制的车轮的右车轮速度。曲线904表现出右车轮速度的大变化(例如，在大约0千米/小时和大约27千米/小时之间)以及长的衰减时间(例如，大于1秒)，以获得与目标车轮速度一致的车轮速度。同时，曲线906表现出右车轮速度相对较小的变化(例如，在大约0千米/小时和大约12千米/小时之间)以及较短的衰减时间(例如，大约0.4秒)，以获得与目标车轮速度一致的车轮速度。
[0097]
虽然已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离本发明的范围的情况下，可以进行各种改变，并且等同物可以替代其元件。此外，在不脱离本公开的基本范围的情况下，可以进行许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。