Blog

Jul 17, 2023

Drehmomentkoordinierte Steuerung des Durchgangs

Scientific Reports Band 13, Artikelnummer: 11564 (2023) Diesen Artikel zitieren 233 Zugriffe auf 2 Altmetric Metrics-Details Die Fahrzeugsicherheit ist von erheblicher Bedeutung für die intelligente Entwicklung von

Wissenschaftliche Berichte Band 13, Artikelnummer: 11564 (2023) Diesen Artikel zitieren

233 Zugriffe

2 Altmetrisch

Details zu den Metriken

Für die intelligente Entwicklung von Hybridfahrzeugen ist die Fahrzeugsicherheit von erheblicher Bedeutung. Allerdings bleibt die Stabilitätskontrolle in Echtzeit oder eine angemessene Drehmomentverteilung unter extremen Straßenbedingungen aufgrund der zahlreichen unsicheren Parameter und der Schwierigkeiten, Handling und Stabilitätsleistung in Einklang zu bringen, eine große Herausforderung. Um die oben genannten Probleme für ein Allrad-Hybridfahrzeug (TTR) mit Allradantrieb (4WD) anzugehen, bietet diese Studie einen Ansatz für das Handling- und Stabilitätsmanagement (HSM) unter Einbeziehung der Offline-Optimierungsregeln und der Online-Modellvorhersage Steuerung (MPC). Erstens wird das Fahrzeugdynamikmodell mit sieben Freiheitsgraden (7-DOF) verwendet, um offline Drehmomentverteilungsregeln zu extrahieren (Offline-ETDR), und das Online-MPC-Feedback (Online-MPCF) wird verwendet, um die zusätzlichen Drehmomentanforderungen für die zu kompensieren schlechte Wirkung unter den extremen Bedingungen. Dementsprechend werden die Offline-Optimierungsergebnisse und die Online-Korrektur zusammengeführt, um den Gesamtdrehmomentbedarf angesichts der Echtzeit-Erkennung des Straßenzustands bereitzustellen. Abschließend werden reale Fahrzeugtests durchgeführt, um die Wirksamkeit der vorgeschlagenen Drehmomentkoordinierungsstrategie zu validieren. Im Vergleich zu einem Fahrzeug ohne Drehmomentregelungsstrategie verbessert das vorgeschlagene Verfahren die Kurvenfähigkeit des Fahrzeugs erheblich und gewährleistet gleichzeitig eine hohe Stabilitätsleistung.

Die Fahrzeugsicherheit spielt eine weitreichende Rolle bei der Fahrzeugintelligenz, insbesondere bei Fahrzeugen mit Mehrradantrieb. So stehen beispielsweise die sicherheitskritischen Regelungsstrategien, darunter die Stabilitätskontrolle, die Heckschwenkdriftkontrolle sowie das elektronische Stabilitätsprogramm, seit jeher im Fokus der Automobilforschung1. Insbesondere extremes Fahren mit hoher Geschwindigkeit und starkem Lenkeinschlag ist der Hauptgrund für die Instabilität des Fahrzeugs2. Daher wurden viele Methoden vorgeschlagen, darunter aktive Federung (AS)3,4, elektronisches Stabilitätsprogramm (ESP)5, dynamische Geschwindigkeitsregelung6, aktive Lenksteuerung (ASC)7 oder die Verwendung von Stabilisatoren8, um die oben genannten Probleme anzugehen. Bei diesen Methoden ist immer das Problem der Sättigung der Reifenseitenkraft von Belang. Beispielsweise erzeugt die direkte Giersteuerung (DYC)9 das zusätzliche Giermoment, um die Längskraft anderer Räder anzupassen und so die Stabilität des mit Nabenmotoren ausgestatteten Fahrzeugs zu erhöhen. Zhang et al.10 realisierten die Stabilitätskontrolle durch die Kombination der DYC- und AFC-Methoden, wodurch die erforderliche Kraft weiter ergänzt wurde. Mirzaei und Mirzaeinejad11 entwickelten einen auf mehrere Variablen ausgerichteten Regler zur Optimierung der Frontwinkel. Liang et al.12 verwendeten die Straffunktion, um das Gewicht von AFS und DYC zu verteilen und so die Stabilität von Allradfahrzeugen beim Lenken sicherzustellen. Diese Methoden verbessern effektiv die Stabilität des Fahrzeugs, aber die Koordination dieser beiden Steuerungsmethoden bedarf weiterer Diskussion.

In jüngster Zeit haben die schnelle Reaktion der Steuerung und die Durchführbarkeit der Steuerung bei Automobilforschern mehr Aufmerksamkeit erregt. Beispielsweise wurde die hierarchische Steuerung ursprünglich in den Jahren 13 und 14 vorgeschlagen, um die Kontrolle von Geschwindigkeit und Genauigkeit zu verfolgen. Im oberen DYC-Regler wird das zusätzliche Giermoment mit dem Referenzverhalten bereitgestellt; In der unteren Schicht werden mehrere Ziele, darunter die Energieeinsparung13, die Seitenstabilität15,16, die Optimierung des Straßenzusammenhalts auf Basis spezifischer Regeln17,18 sowie die Optimierung der Kraftübertragung19, optimiert, um das Drehmoment auf vier einzelne Ausführende zu verteilen. Was den Regelalgorithmus anbelangt, so wurden die Fuzzy-Proportional-Integral-Regler20,21 häufig zur Optimierung der Seitenkraft eingesetzt, der herkömmliche PID hat jedoch nur begrenzte Auswirkungen auf die Fahrzeugstabilität. In den Referenzen22 und 23 wurde die Sliding Mode Control (SMC) eingesetzt, um die Längs- und Querstabilität des Fahrzeugs sicherzustellen. Der Nachteil von SMC besteht jedoch darin, dass es schwierig ist, vorübergehendes Buffeting zu beseitigen. Heutzutage werden mit der Entwicklung der künstlichen Intelligenz die Optimierungsansätze in den traditionellen Steuerungsstrategien berücksichtigt. Martinsen et al.24 verwendeten den Reinforcement Learning (RL)-Algorithmus, um die Referenztrajektorie zu verfolgen und gleichzeitig die seitliche Stabilität zu gewährleisten. Wang et al.25 optimierten die SMC-Parameter durch den Deep Deterministic Policy Gradient Algorithmus in der RL-Optimierung. In ähnlicher Weise wurde in26 das RL-Schema zur Abstimmung der PID-Reglerparameter verwendet. Wei et al.27,28 In Kombination mit Fahrzeugsicherheit und Energienutzungseffizienz wurde eine Strategie zur Steuerung der Drehmomentkoordination basierend auf Deep RL vorgeschlagen. Anschließend wurde die Wirksamkeit dieser Strategie durch die Simulation nachgewiesen. Allerdings ist der RL-Ansatz aufgrund seines erhöhten Rechenaufwands nicht für den Online-Betrieb geeignet. Daher wurde eine praktikablere Methode namens Mode Predictive Control (MPC)29,30,31,32,33 für die Echtzeitausführung und mehrere Einschränkungen in Betracht gezogen. In der Literatur34 wurden AFS, Differenzialbremsung (DB) und Allradantrieb aufgrund ihrer Kompatibilität in MPC integriert, und die Wirksamkeit der Strategie wurde durch die gemeinsame Simulation von MATLAB und CarSim demonstriert. Obwohl die MPC-Methode häufig zur Optimierung der Seitenstabilitätsleistung eingesetzt wird, wird das erforderliche Giermoment immer noch aus dem Referenz-Schwimmwinkel (β) und der Gierrate (ω) erzeugt. Daher ist es wichtig, diese beiden Faktoren auszubalancieren, um die Gierstabilität zu kontrollieren und das Drehmoment sorgfältig zu steuern, insbesondere bei extremen Bedingungen wie hoher Geschwindigkeit oder geringer Haftung.

Das vom oberen Regler berechnete Giermoment wird jedem Rad entsprechend den spezifischen Anforderungen des unteren Reglers zugewiesen. Beispielsweise haben Ding et al.17 den Durchschnittszuteilungsalgorithmus basierend auf den dynamischen Vertikallasten entworfen. Auf dieser Grundlage erreichten Ref. 35 und 36 eine bessere Kontrolle der Mindestreifenschlupfkriterien. Um die gesamte Längskraft, Querkraft und das Giermoment für die Lenk- und Bremsstabilität auszugleichen, wurde in Ref.37 die gewichtete pseudoinverse Steuerungsmethode vorgeschlagen. Im Allgemeinen kann der auf Optimierung basierende Algorithmus zur Zuweisung des unteren Drehmoments eine bessere Steuerungswirkung erzielen als der Algorithmus zur regelbasierten Zuweisung. Allerdings berücksichtigen die bestehenden Optimierungsmethoden die extremen Straßenbedingungen kaum und der Rechenaufwand erfordert auch mehr Aufmerksamkeit.

Wie bereits erwähnt besteht das Ziel dieser Arbeit darin, die Stabilität und Echtzeitausführbarkeit bei der Steuerung des Drehmoments zu berücksichtigen. Obwohl aktuelle Studien darauf hindeuten, dass β und ω als Referenz für die Fahrzeugstabilität angesehen werden könnten, liegen nur begrenzte Informationen zur Analyse ihres Einflussmechanismus auf das Fahrverhalten und die Stabilität des Fahrzeugs vor. Typischerweise wird die Optimierungszielfunktion auf der Grundlage ihrer Grundgewichte definiert, wobei die Unterschiede in ihren Auswirkungen auf die Fahrstabilität vernachlässigt werden. Darüber hinaus sollte auch der Einfluss mehrerer Umweltfaktoren und Fahrzeugparameter, einschließlich Fahrzeuggeschwindigkeit und Straßenhaftungskoeffizienten, auf die Fahrzeugstabilität berücksichtigt werden. Letztlich ist es sinnvoll, eine online anwendbare Kontrollstrategie zu entwickeln.

Zu diesem Zweck entwickelt dieser Artikel eine optimale Steuerungsstrategie für die Drehmomentkoordination unter Berücksichtigung der Fahrstabilität des Fahrzeugs durch die Kombination eines Offline-Vorzustandswechsels und einer Online-Modelloptimierung. Im Einzelnen wird (1) zunächst ein numerisches 7-DOF-Modell unter Verwendung der aufgezeichneten Daten realer Fahrzeuge entwickelt, das durch gegenseitiges Benchmarking validiert wurde. (2) Die Drehmomentverteilungsregeln für verschiedene Straßenhaftungskoeffizienten, Fahrzeuggeschwindigkeit sowie die Vorderradwinkel werden mithilfe der Optimierungstechnik offline extrahiert. Entsprechend den Optimierungsergebnissen werden die wirksamen Bereiche mithilfe von Offline-Steuerungsregeln aufgeteilt. (3) Der weit verbreitete MPC-Ansatz wird eingesetzt, um die Fahrzeugstabilität dort zu verbessern, wo die Offline-Kontrollregeln nicht ausreichen. Abschließend wird anhand eines modifizierten kraftstoffbetriebenen Fahrzeugs mit Hybridantrieb eine Offline- und Online-Methode zur Steuerung des Fahrverhaltens und der Stabilität des Fahrzeugs verifiziert.

Das Folgende ist die Organisationsstruktur des gesamten Artikels. Der Abschnitt „Entwurf des TTR-Modells“ erstellt und validiert das TTR-Modell. Im Abschnitt „Methodeninterpretation“ wird der Ansatz der Drehmomentverteilung vorgeschlagen, der die Offline-Extraktion und Online-Korrekturvorgänge umfasst. Der Abschnitt „Simulation und experimentelle Verifizierung“ zeigt die Wirksamkeit der Strategie durch Simulation und Experimente. Der Abschnitt „Schlussfolgerung“ bildet die Schlussfolgerung des vollständigen Textes.

Das Ziel dieses Artikels ist ein Hybridfahrzeug mit Allradantrieb, das von einem konventionellen Kraftstoffmotor und zwei Nabenmotoren angetrieben wird. Der Aufbau ist in Abb. 1 dargestellt. Die Hinterräder werden von zwei Nabenmotoren angetrieben, während die Vorderräder weiterhin von ihnen angetrieben werden der Motor. Bei der Struktur wurde auf das traditionelle Zentraldifferential und die durch das gesamte Fahrzeug verlaufende Getriebewelle verzichtet. Mit anderen Worten: Vier Räder sind über die Straßenreibung (TTR) gekoppelt. Das TTR-Fahrzeug verfügt über die folgenden Modi, darunter den reinen Motormodus, den reinen Elektromodus, den Fahrstromerzeugungsmodus und den Hybridantriebsmodus. Im rein elektrischen Modus sorgen die Nabenmotoren der Hinterachse dafür, dass das gesamte Fahrzeug normal läuft. Im reinen Motormodus funktioniert der Hinterachsnabenmotor nicht. Im Hybridmodus verteilen die Nabenmotoren der Hinterachse und der Motor der Vorderachse den Drehmomentbedarf in Echtzeit entsprechend den Absichten des Fahrers und den aktuellen Straßenbedingungen, um so den Kraftstoffverbrauch und die Gierstabilität sicherzustellen.

Konfiguration des TTR-Antriebsstrangs.

Das 7-DoF-Modell, wie in Abb. 2 dargestellt, berücksichtigt die Drehung von vier Rädern sowie die Bewegungen des Fahrzeugs in Längs-, Quer- und Gierrichtung, um die Leistung während des Kurvenlenkvorgangs darzustellen. Gleichzeitig werden in diesem Artikel auch einige vernünftige Annahmen über das Modell getroffen:

Den Einfluss des Lenksystems vernachlässigen und direkt den Vorderradwinkel als Steuereingang nutzen.

Die Rolle des Aufhängungssystems wird vernachlässigt, man geht davon aus, dass sich der Wagen nur in einer Ebene parallel zum Boden bewegt, und ignoriert die vertikale Bewegung des Fahrzeugs.

7-DOF-Fahrzeugmodell.

Im Einzelnen wird die longitudinale dynamische Gleichung wie folgt dargestellt.

Dabei sind Fxfl und Fxfr die Längskräfte des linken bzw. rechten Vorderrads, Fxrl und Fxrr die Längskräfte des linken bzw. rechten Hinterrads, Fyfl und Fyfr die Querkräfte des linken bzw. rechten Vorderrads, θ ist der Vorderradwinkel, v ist die Längsgeschwindigkeit, CD ist der Luftwiderstandskoeffizient, A ist die Luvfläche.

Die laterale dynamische Gleichung wird wie folgt ausgedrückt.

Dabei sind Fyfl und Fyfr die Seitenkräfte des linken bzw. rechten Vorderrads, Fyrl und Fyrr die Seitenkräfte des linken bzw. rechten Hinterrads.

Die Gierdynamikgleichung ist im Folgenden dargestellt.

Dabei ist ∆Mz das zusätzliche Giermoment, a der Abstand von der Vorderachse zum Massenschwerpunkt, b der Abstand von der Hinterachse zum Massenschwerpunkt und lm die halbe Spurweite.

Die Gleichungen (5), (6) können die Funktion des Getriebesystems einschließlich des Getriebe- und Kupplungsmodells numerisch beschreiben. Da sich dieser Artikel auf die Analyse der Sicherheit des Fahrzeugs unter extremen Straßenbedingungen konzentriert, werden der Einkuppelvorgang und der Schaltvorgang sinnvollerweise ignoriert.

Das Antriebs-Traktionsdrehmoment des gesamten Fahrzeugs (Td) kann aus Gl. (5).

Aufgrund der Besonderheit des in diesem Artikel entworfenen TTR wird das Ausgangsdrehmoment des Motors (Te) und der Motoren (Tmr, Tml) gemäß Gleichung berechnet. (6).

Dabei ist Td das Traktionsdrehmoment des gesamten Fahrzeugs, r der Reifenradius, Te das Drehmoment des Motors, Tmr und Tml das Drehmoment des rechten und linken Nabenmotors, \(\eta\) der Übertragungswirkungsgrad, i0 ist das Drehzahlverhältnis des Hauptgetriebes und ig ist das Drehzahlverhältnis jedes Gangs des Getriebes.

Das Übersetzungsverhältnis ig ist in Tabelle 1 dargestellt.

Wie in Abb. 3a,b dargestellt, werden der Motor und das Motormodell mithilfe der stationären Karten und Offline-Versuchsdaten numerisch konstruiert. Der Einfluss der Motor- und Motortemperatur auf die Arbeitsleistung wird aufgrund plausibler Annahmen nicht berücksichtigt.

(a) Kennlinie des Motors. (b) Kennlinie des Motors. (c) Die gemessene Klemmenspannung und der Innenwiderstand einer einzelnen Zelle.

Im experimentellen Test wird in dieser Untersuchung eine kreisförmige Lithiumbatterie NCR-18650 von Panasonic mit 3,6 V und 3,3 Ah als Einheitsbatterie verwendet. Abbildung 3c zeigt die beobachtete Klemmenspannung und den Innenwiderstand einer Reihe von Zellen als Funktion des Batterie-SOC.

Die Berechnung der Seitenkraft in Gl. (2) steht in engem Zusammenhang mit den Reifeneigenschaften. Die Reifendaten des realen Fahrzeugs, das in diesem Artikel geändert werden soll, sind 205/55 R16 von CarSim, die für die Modellierung verwendet werden, und die Reifeneigenschaften sind in Abb. 4 dargestellt.

Reifenmodell.

Aus Abb. 4 ist ersichtlich, dass die Reifenseitenkraft nichtlinear mit dem Reifen-Schwimmwinkel (αf) ist. Daher wird in diesem Artikel die Tabelle zur Berechnung der Fahrzeugseitenkraft nachgeschlagen, und die Berechnung des Reifenseitenschlupfwinkels ist in Gleichung dargestellt. (7).

Dabei sind αfl, αfr, αrl und αrr die Schwimmwinkel des linken Vorderrads, des rechten Vorderrads, des linken Hinterrads bzw. des rechten Hinterrads, ω die Gierrate, vx und vy repräsentieren die Längs- bzw. Quergeschwindigkeit.

Das Simulink 7-DOF-Modell wird dann mit einem in CarSim erstellten Automodell unter Schritt θ = 0,05 rad, μ = 0,6, v = 40 km/h und einer durchschnittlichen Drehmomentverteilung zwischen Vorder- und Hinterachse sowie linkem und rechtem Rad getestet. Tabelle 2 zeigt die Strukturparameter für die Fahrzeugmodellierung. Die Ergebnisse zweier separater Simulationsprogramme sind in Abb. 7 dargestellt.

Wie in Abb. 5a, b gezeigt, unterscheiden sich die Simulationsergebnisse des 7-DOF-Modells und des CarSim-Modells geringfügig. Dies liegt daran, dass das Simulink-Modell das AS außer Acht lässt, während das CarSim-Modell zusätzliche Freiheitsgrade berücksichtigt. Basierend auf den Ergebnissen der Simulation kann der Simulink 7-DOF jedoch Bewegungen unter realen Fahrbedingungen originalgetreu darstellen, da die Gesamtungenauigkeit weniger als 5 % beträgt. Daher bildet der Simulink 7-DOF die Grundlage für den Rest dieses Aufsatzes.

(a,b).Vergleichsergebnisse verschiedener Modelle. (CD). Einfluss des Vorder- und Hinterachsmoments auf die Fahrstabilität. (e,f) Einfluss des linken und rechten Achsdrehmoments auf die Wankstabilität.

Tabelle 3 zeigt die Simulationsaufbaubedingungen für Abb. 5c – f. Abbildung 5c,d zeigt, dass mit zunehmendem Drehmomentverteilungsverhältnis der Vorder- und Hinterachse der Spitzenwert von β von – 0,0257 auf – 0,018 rad/s und der Spitzenwert von ω von 0,23 auf 0,22 rad/s abnimmt. Dies zeigt, dass die Vorderachse beim Wenden des Fahrzeugs mehr Leistung erhält und einen gewissen Effekt auf die Verbesserung der übermäßigen Lenkung des Fahrzeugs hat.

Abbildung 5e, f veranschaulichen, dass der Maximalwert von β von – 0,017 auf – 0,032 rad ansteigt, wenn das äußere Rad eine Drehmomentverteilung von 90 % im Vergleich zum inneren Rad erreicht. Ebenso steigt der Maximalwert von ω von 0,22 auf 0,24 rad/s. Es zeigt, dass die Kraftübertragung auf das äußere Rad die Lenkfähigkeit steigern kann, während die Kraftübertragung auf das innere Rad die übermäßige Lenkneigung des Fahrzeugs kontrollieren kann.

Abbildung 5 zeigt, dass sich die Größe der β- und ω-Änderungen während des Lenkens erheblich unterscheidet und β in den meisten Fahrszenarien für das gesamte Fahrzeug konstant bleibt. Daher wird in dieser Studie ω als Optimierungsziel priorisiert.

Abbildung 5 zeigt, dass die Größe der Gierraten- und Seitenschlupfänderungen während des Lenkvorgangs stark schwankt und der Seitenschlupf unter den meisten Fahrbedingungen bei etwa 0 rad bleibt. Eine einfache Gewichtung beider Variablen kann daher die Fahrstabilität nicht effektiv messen. Da die Gierrate die Schwere des Wendevorgangs widerspiegelt und der Seitenschlupf anzeigt, ob das Auto dem erwarteten Wendepfad folgt, wird in dieser Studie die Gierrate als oberstes Optimierungsziel verwendet.

Die Offline-Extraktion der Drehmomentverteilungsregeln ist in Abb. 8 dargestellt. Die besondere Technik besteht darin, die Drehmomentverteilung der Vorder- und Hinterachse sowie der linken und rechten Achse im 7-DOF-Modell so zu ändern, dass das tatsächliche ω Der Wert entspricht immer dem vom 2-DOF-Modell erfassten Referenzwert.

Die aus dem Simulationstest erhaltenen Offline-Regelregeln sind in den Tabellen 4, 5, 6, 7, 8 dargestellt. Am Beispiel der Optimierungsergebnisse von θ = 0,05 rad, μ = 0,6 und v = 40 km/h beträgt 0,4/ 0,2 bedeutet, dass das Antriebsmoment der Vorderachse 40 % des gesamten Antriebsmoments und das Antriebsmoment des linken Rads 20 % des Antriebsmoments der Hinterachse ausmacht.

Die Wirksamkeit der Offline-Kontrollregel in dieser Studie wird in Abb. 6 durch die Tatsache demonstriert, dass ω unter Verwendung der Offline-Kontrollregeln (0,8/0,4) näher an der Referenz liegt. Aus Abb. 7a ist jedoch ersichtlich, dass unter extremen Straßenbedingungen selbst bei Verwendung der Offline-Steuerungsregel das gesamte Fahrzeug nicht den besten Bewegungszustand erreichen kann. Abbildung 7b zeigt, dass die Offline-Regelung (0,2/0,8) das gesamte Fahrzeug zwar nicht dazu bringen kann, sich der Referenz anzunähern, sie aber näher an dieser liegt als ohne das optimierte Drehmomentverteilungsverhältnis (0,5/0,5), was die Richtigkeit und Wirksamkeit demonstriert der Offline-Kontrollregel.

Validierung des Offline-ETDR.

Validierung des Offline-ETDR für extreme Betriebsbedingungen.

Wie bereits erwähnt, kann der Offline-ETDR insbesondere angesichts der schrecklichen Straßenverhältnisse nicht vollständig garantieren, dass der vollständige Bewegungszustand des Fahrzeugs mit den Referenzzuständen übereinstimmt. Infolgedessen wird in dieser Studie die Wirksamkeit des Offline-ETDR gezählt, wie in Tabelle 9 dargestellt. Um den Bewegungszustand des gesamten Fahrzeugs mit dem Referenzzustand übereinzustimmen, kann der Offline-ETDR in Region A verwendet werden. Der Offline -ETDR im Bereich D hat keinen Einfluss darauf, dass der Fahrzeugbewegungszustand dem Referenzzustand entspricht. Der Offline-ETDR hat einen gewissen Kontrolleinfluss auf die Regionen B und C, kann jedoch nicht vollständig überprüfen, ob der tatsächliche Bewegungszustand des Fahrzeugs mit dem Referenzzustand übereinstimmt.

Daher können in den Regionen B, C und D, in denen der Steuereffekt gering ist, die Steueranforderungen für die Stabilität nicht nur durch eine feste Drehmomentverteilung erfüllt werden. Einerseits muss die Drehmomentverteilung flexibel an den Zustand des Fahrzeugs angepasst werden; Andererseits muss das β im Hinblick auf die Fahrstabilität berücksichtigt werden. Um den Bewegungszustand des gesamten Fahrzeugs näher an die idealen Umstände zu bringen, wurde eine Online-Korrekturregelung in Echtzeit auf der Grundlage einer Offline-Optimierung implementiert.

Da nur die Offline-Drehmomentverteilungsregeln dazu neigen, sich auf die Optimierung der Gierstabilitätsleistung, insbesondere unter extremen Straßenbedingungen, zu beschränken, ist der Online-Korrekturprozess erheblich erforderlich. Die modellprädiktive Regelung (MPC), die Änderungen im Systemzustand vorhersagen kann, die durch Änderungen in Regelvariablen verursacht werden, ist ein modellbasierter Regelungsansatz, mit dem ein dynamisches System unter Einhaltung verschiedener Randbedingungen gesteuert werden kann. Somit wird der Echtzeit-MPC verwendet, um die Trajektorie der Gierstabilitätssteuerung zu korrigieren.

In dieser Studie werden im Folgenden die Zustandsgrößen, Steuergrößen und Ausgangsgrößen des Steuerungssystems dargestellt.

Dabei stellt x die Zustandsgröße dar, u stellt die Steuergröße dar, y stellt die Ausgangsgröße dar, Fx ist die Längszugkraft, ∆MZ ist das zusätzliche Giermoment, β ist der Schwimmwinkel, ω ist die Gierrate, die Berechnung von Fx und ∆MZ sind in den Gleichungen dargestellt. (1, 2, 3, 4).

Die Ausgangsvariablenwerte des Systems werden wie folgt dargestellt.

Der Zustandsraum des Systems kann durch Gleichung erhalten werden. (10).

Aufgrund der nichtlinearen Eigenschaften von Gl. (10) wird die Taylor-Formel für die lineare Näherung am Referenzpunkt (xf,uf) verwendet, wie in Gleichung gezeigt. (11).

Unter

Darüber hinaus gilt Gl. (12) wird von Gl. subtrahiert. (11).

Zur weiteren Vereinfachung von Gl. (13) werden folgende Symbole verwendet:

Daher ist die Linearisierung der nichtlinearen Gl. (10) ist abgeschlossen.

wobei die Matrix A und B wie folgt ausgedrückt werden kann.

Um Gl. (15) diskret, die Vorwärts-Euler-Methode, wie in Gl. (18) verwendet wird.

wobei T die Abtastzeit ist.

Zur Vereinfachung von Gleichung (19) werden die folgenden Symbole verwendet.

Wo

Unter der Annahme, dass der Zeitbereichsschritt der Systemvorhersage p ist und der Zeitbereichsschritt der Steuerung m (m ≤ p) ist, werden die Ausgabevariablen und Steuervariablen in Schritt p ausgedrückt.

Zur Vereinfachung von Gleichung (24) werden die folgenden Symbole verwendet.

Damit die tatsächliche Ausgabe schnell dem erwarteten Wert folgen kann, werden der Schwimmwinkel und die Gierrate des 2-DOF-Fahrzeugreferenzmodells als Referenzwert verwendet, und die Reihenfolge ist wie folgt.

In diesem Kapitel wird das Optimierungsziel, wie in Gl. (30) wird quadratisch geschrieben. Darüber hinaus sind der Gewichtungskoeffizient und der Relaxationsfaktor, wie in Gl. (31) werden dem Optimierungsziel hinzugefügt, da das Systemmodell zeitlich veränderlich ist und nicht gewährleisten kann, dass das Optimierungsziel jederzeit eine praktikable Lösung liefern kann.

In Gl. (32) Der erste Term der Formel wird verwendet, um die Abweichung zwischen der vorhergesagten Ausgabe und der Referenz im Zeitbereich zu bestrafen, der zweite Term ist die Anforderung des Systems an stetige Änderungen und der dritte Term verhindert, dass das System keine realisierbar ist Lösung im Regelkreis.

Angesichts der niedrigsten Reifenhaftungsnutzungsrate werden die vom MPC oben berechnete Längskraft und das zusätzliche Giermoment gleichmäßig auf die Vorder- und Hinterachse sowie das linke und rechte Rad verteilt. Daher kann das Problem der Drehmomentverteilungsoptimierung wie folgt ausgedrückt werden: (33).

Dabei ist λi eine Konstante, Fzi die Vertikalkraft jedes Rads, r der Rollradius des Rads, μi der Straßenhaftungskoeffizient an jedem Reifen, ∆Mz das zusätzliche Giermoment und T das Antriebsdrehmoment jedes Rads .

Die Berechnung der Fahrzeugvertikalkraft (Fzi) in Gl. (33) kann aus der folgenden Gleichung erhalten werden. (34).

Dabei sind Fzfl, Fzfr, Fzrl und Fzrr die vertikalen Lasten des linken Vorderrads, des rechten Vorderrads, des linken Hinterrads bzw. des rechten Hinterrads, und L ist die Spurbreite und hg der Abstand vom Schwerpunkt zum Boden.

Wenn sich das gesamte Fahrzeug in Region A bewegt (wie in Tabelle 9 dargestellt), kann der Offline-ETDR die Bewegungsleistung des gesamten Fahrzeugs gut aufrechterhalten. Zu diesem Zeitpunkt muss das Raddrehmoment des gesamten Fahrzeugs lediglich gemäß dem Offline-ETDR verteilt werden. In anderen Bereichen kann die Stabilität des gesamten Fahrzeugs nicht allein durch die Ergebnisse der Offline-Optimierung gewährleistet werden. Daher wird erwogen, Offline-ETDR- und Online-MPCF-Korrekturstrategien in den Regionen B, C und D zu kombinieren, um die Fahrstabilität zu verbessern. Die Design-Gl. (35) In dieser Studie wird das Raddrehmoment des gesamten Fahrzeugs integriert, und der Wert von K wird anhand von Tabelle 9 bestimmt.

hier ist der Wert von ki in Gl. (35) wird durch Tabelle 9 bestimmt. Wenn sich das Fahrzeug im Bereich A bewegt, ist kA = 0. Ebenso kann kB = 0,3, kC = 0,5, kD = 0,8 erhalten. Abbildung 8 zeigt den Ablauf der Fahrzeughandhabungs- und Stabilitätskontrollstrategie (HSM) unter Verwendung der Kombination aus Offline-ETDR- und Online-MPCF-Korrekturstrategie.

Schematische Darstellung der Stabilitätskontrollstrategie.

Abbildung 9 zeigt die Auswirkungen der HSM-Regelungsstrategien auf die Gierratenregelung bei v = 80 km/h, μ = 0,6 und θ = 0,05 rad. Verglichen mit dem ω unter reinem Offline-ETDR in Abb. 7a kann der vorgeschlagene Steuerungsansatz das ω unter schwierigen Betriebsbedingungen so nahe wie möglich an die Referenz bringen.

Gierrate nach verschiedenen Methoden.

Der repräsentative Stufenzustand, der Einzelspurzustand und der Doppelspurzustand wurden ausgewählt, um die Wirksamkeit der in dieser Untersuchung beschriebenen Stabilitätsmanagementtechnik auf Straßen mit unterschiedlichem Kraftschlusskoeffizienten zu bewerten. Die Bedingungen für den Simulationsaufbau sind in Tabelle 10 aufgeführt.

Die Wirksamkeit des Einsatzes der HSM-Technik auf einer Straße mit schlechter Haftung ist in Abb. 10 dargestellt. Im Vergleich zur Bewegung des gesamten Fahrzeugs ohne Steuerungsstrategie kann das HSM sicherstellen, dass β und ω des Fahrzeugs immer dem Referenzwert folgen. Dadurch wurde die Gesamtstabilität des Fahrzeugs unter extremen Arbeitsbedingungen verbessert und im Vergleich zu MPC eine suboptimale Kontrollwirkung erzielt.

Simulation einer Fahrbahn mit geringer Haftung.

Die Abb. 11 zeigt, dass die Spitzenwerte von β und ω unter der Bedingung einer Straße mit hoher Haftung niedriger sind als unter der Bedingung einer Straße mit geringer Haftung. Allerdings zeigt die HSM-Technik, die Offline-ETDR und Online-MPCF kombiniert, auch klare Vorteile, nämlich die Fähigkeit der tatsächlichen Werte β und ω, dem Referenzwert konsequent zu folgen.

Simulation eines Straßenbelags mit hoher Haftung.

Die Stabilitätstestplattform des TTR-Fahrzeugs wird in dieser Forschung eingerichtet, wie in Abb. 12 dargestellt. Das Winkelsignal, die Radgeschwindigkeitsinformationen, die Gierwinkelbeschleunigung und die Querbeschleunigungssignale werden vom Lenkradwinkelsensor, dem Radgeschwindigkeitssensor usw. aufgezeichnet -Achsen-Beschleunigungsmesser werden abgetastet und über den CAN-Bus an die Fahrzeugsteuerung übertragen. Nach der integrierten Berechnung der Fahrzeugsteuerung werden die Fahrzeuggeschwindigkeit, der Vorderradwinkel, der Straßenhaftungskoeffizient, die Gierwinkelgeschwindigkeit und der Seitenablenkungswinkel bestimmt und die Fahrbahnbedingungen werden auf der Grundlage der aktuell abgetasteten Winkelsignale beurteilt. Darüber hinaus wurden alle Versuchsprotokolle vom Beijing Institute of Technology genehmigt.

Die Testplattform für TTR.

Gemäß der Aufteilung der Wirkungsbereiche für die Verwendung von Offline-Kontrollregeln reicht es aus, wenn die aktuellen Fahrstraßenbedingungen für die direkte Verwendung von Offline-Kontrollregeln geeignet sind, Offline-ETDR direkt im Fahrzeugsteuergerät aufzurufen und zu verwenden, wenn dies bei Offline-ETDR nicht möglich ist Das Drehmomentverteilungsverhältnis der Vorder- und Hinterachse sowie des linken und rechten Rads kann direkt in den aktuellen Fahrstraßenbedingungen verwendet werden und kann in Echtzeit über die Fahrzeugsteuerung berechnet werden. Gleichung (35) wird verwendet, um die Offline- und Online-Korrekturdrehmomente in Verbindung mit der Erkennung der aktuellen Fahrstraßenbedingungen zu synthetisieren. Der Fahrzeugstabilitätsregler liefert das zusammengefasste Raddrehmoment über CAN an die Motorsteuerung und die Motorsteuerung und vervollständigt so den gesamten Steuerungsprozess.

Die Testgeschwindigkeit ist auf 60 km/h eingestellt und der einspurige Test, dessen Standard in GB/T 6323-2014 zu finden ist, wird auf einer Zementdecke mit einem Haftungskoeffizienten von etwa 0,8 durchgeführt. Die Vorderradwinkel sind aufgrund der Manipulation durch den Fahrer jedes Mal etwas anders, obwohl sie ziemlich ähnlich sind. Abbildung 13 zeigt die Testergebnisse und Tabelle 11 zählt die Spitzenabweichung und die relative Flächenabweichung des Testwerts und des Referenzwerts von ω unter Einzelspurbedingungen, um den Erfolg der vorgeschlagenen Kontrolltechnik zu demonstrieren. Die Spitzenabweichung gibt die momentanen Lenkeigenschaften des Fahrzeugs an, während die relative Flächenabweichung die durchschnittlichen Lenk- und Fahreigenschaften des Fahrzeugs darstellt.

Gierrate einer einzelnen Spur.

Die Spitzenabweichung ist wie folgt definiert:

Dabei ist das Symbol dev die Spitzenabweichung, ωh der Spitzenwert der tatsächlichen Gierrate und ωrh der Spitzenwert der Referenzgierrate.

Die Flächenabweichung ist wie folgt definiert:

Definieren Sie die relative Flächenabweichung weiter:

Dabei ist E1 die Flächenabweichung ohne Regelstrategie, E2 die Flächenabweichung der Offline-Regelregelstrategie, E3 die Flächenabweichung der kombinierten Offline- und Online-Regelstrategie, ω die tatsächliche Gierrate, ωr die Referenzgierrate; und t ist die tatsächliche Betriebszeit.

Tabelle 11 zeigt, dass die Spitzenabweichung und die relative Flächenabweichung zwischen ω des gesamten Fahrzeugs und der Referenz am kleinsten sind, wenn die HSM-Strategie verwendet wird, was darauf hinweist, dass die HSM-Strategie das gesamte Fahrzeug im Übergangs- und Gesamtfahrprozess optimiert. Obwohl die Spitzenabweichung und die relative Flächenabweichung von ω unter der Offline-Regelsteuerung nicht so ausgezeichnet sind wie die Gesamtleistung der Fahrzeugbewegung unter der HSM-Strategie, sind sie besser als der Steuerungseffekt ohne Steuerungsstrategie.

Die Testgeschwindigkeit ist auf 60 km/h eingestellt und die Stabilitätsüberprüfung wird auf einer Zementdecke mit einem Straßenhaftungskoeffizienten von etwa 0,8 während der zweispurigen Arbeitssituation durchgeführt, deren Standard in GB/T 6323-2014 zu finden ist. Abbildung 14 zeigt die Testergebnisse und Tabelle 12 zeigt die Spitzenabweichung und die relative Flächenabweichung der Test- und Referenzwerte des ω unter der zweispurigen Arbeitsbedingung.

Gierrate der Doppelspur.

Tabelle 12 zeigt, dass der Offline-Steuerungsregelansatz und die HSM-Strategie im Vergleich zum Steuerungseffekt ohne Steuerungsstrategie die Spitzenabweichung und die relative Flächenabweichung der Gierrate des gesamten Fahrzeugs verringern können. Die HSM-Steuerungsstrategien können die Gesamtbewegungsleistung des Fahrzeugs verbessern.

Mit Blick auf das Stabilitätsproblem des TTR 4WD-Hybrid-Elektrofahrzeugs entwickelt dieser Artikel eine integrierte Stabilitätskontrollstrategie basierend auf der Offline-ETDR-Formulierung und der Online-MPCF-Korrektur. Die Simulations- und Versuchsergebnisse haben die folgenden Punkte gezeigt.

Ein 7-DOF-Modell wird verwendet, um die Drehmomentverteilungsregeln offline zu extrahieren, und ein MPC-Feedback-Link wird eingeführt, um die Drehmomentverteilung online für einige Regionen mit schlechten Ergebnissen zu korrigieren.

Entsprechend der Straßenzustandserkennung werden der Offline-ETDR und das durch Online-MPCF korrigierte Drehmoment fusioniert. Die Simulationsergebnisse zeigen, dass die vorgeschlagene Steuerungsstrategie das extreme Kurvenverhalten des Fahrzeugs erheblich verbessern und ein besseres Handling und eine bessere Stabilität im Vergleich zur Fahrzeugbewegung ohne Steuerung gewährleisten kann.

Unter den Fahrsituationen einspurig und zweispurig wird der Manövrierfähigkeits- und Stabilitätsansatz in realen Fahrzeugen getestet. Im Vergleich zu keiner Steuerung kann die in diesem Artikel entwickelte HSM-Steuerungsstrategie die Spitzenabweichung und Flächenabweichung der Gierrate um 18,1 % und 10,3 % im Einzelspurzustand und um 25 % und 11,4 % im Doppelspurwechselzustand reduzieren. Die Testergebnisse zeigen, dass die in dieser Studie vorgestellte HSM-Technik die Fahrstabilität des gesamten Fahrzeugs verbessert hat.

Aus Sicherheitsgründen wird in dieser Arbeit lediglich eine vorläufige Funktionsüberprüfung der Stabilitätskontrolle bei niedrigen Geschwindigkeiten und Straßenbedingungen mit hoher Haftung durch Experimente durchgeführt. Die Überprüfung der Fahrbedingungen auf extremen Straßen ist der dringende Inhalt. Darüber hinaus ist die weitere Gestaltung des Zustandsbeobachters für den Seitenschlupf auch die zukünftige Forschungsrichtung.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Durch die Straße

4-Rad Antrieb

Handhabung und Stabilitätsmanagement

Modellprädiktive Steuerung

Offline-Extraktionsregeln für die Drehmomentverteilung

Online-MPC-Feedback

Aktive Federung

Elektronisches Stabilitätsprogramm

Aktive Lenksteuerung

Stand der Anklage

Automatisches manuelles Getriebe

Regelbasierte Kontrolle

Direkte Gierkontrolle

Proportional-Integral-Ableitung

Sliding-Mode-Steuerung

Verstärkungslernen

Sieben Freiheitsgrade

Zwei Freiheitsgrade

Die gesamte Längskraft

Die Längskräfte des linken Vorderrads

Die Längskräfte des rechten Vorderrads

Die Längskräfte des linken Hinterrads

Die Längskräfte des rechten Hinterrads

Die gesamte Seitenkraft

Die Seitenkräfte des linken Vorderrads

Die Seitenkräfte des rechten Vorderrads

Die Seitenkräfte des linken Hinterrads

Die Seitenkräfte des rechten Hinterrads

Das gesamte Giermoment

Das zusätzliche Giermoment

Der Abstand von der Vorderachse zur Mitte

Der Abstand von der Hinterachse zur Mitte

Die Ausgabevariable

Die Gierrate

Die Probenahmezeit

Der Gewichtskoeffizient

Fahrzeuggeschwindigkeit

Die halbe Spurbreite

Der Vorderradwinkel

Der Luftwiderstandskoeffizient

Der Luvbereich

Das Antriebsmoment des gesamten Fahrzeugs

Der Reifenradius

Das Drehmoment des Motors

Das Drehmoment der Nabenmotoren

Die Übertragungseffizienz

Das Geschwindigkeitsverhältnis des Hauptgetriebes

Das Geschwindigkeitsverhältnis jedes Gangs des Getriebes

Die Zustandsvariable

Kontrollvariable

Der Gleitwinkel

Fahrzeuggewicht

Konstante

Straßenhaftungskoeffizient

Die vertikale Kraft jedes Rades

Seitenschlupfwinkel des Reifens

Zhang, B. et al. Robuste fehlertolerante Steuerung für individuell betätigte Vierrad-Elektrofahrzeuge unter Berücksichtigung der Lenkeigenschaften des Fahrers. J. Franklin Inst. 6, 5883–5908 (2021).

Artikel MathSciNet MATH Google Scholar

Alves, JAV, Chinelato, CIG & Angelico, BA Fahrzeugquerstabilitätsbereiche für Kontrollanwendungen. IEEE-Zugriff. 10, 87787–87802 (2022).

Artikel Google Scholar

Jin, X. et al. Entwurf eines eingeschränkten robusten Controllers für die aktive Federung von Elektrofahrzeugen mit Radantrieb. Mathematik 9(3), 249 (2021).

Artikel Google Scholar

Nguyen, DN & Nguyen, TA Bewerten Sie die Stabilität des Fahrzeugs bei Verwendung des aktiven Federungssystems mit einem hydraulischen Aktuator, der vom OSMC-Algorithmus gesteuert wird. Wissenschaft. Rep. 12, 19364 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Bengler, K. et al. Drei Jahrzehnte Fahrerassistenzsysteme: Rückblick und Zukunftsperspektiven. IEEE Intell. Transp. Syst. Mag. 6(4), 6–22 (2014).

Artikel Google Scholar

Chen, Y. et al. Ein neues prädiktives Hybridmodell-Reglerdesign für die adaptive Fahrt autonomer Elektrofahrzeuge. J. Adv. Transp. 1, 1–25 (2021).

Google Scholar

Jin, X. et al. Verbesserung der Fahrstabilität des Fahrzeugs basierend auf dem kombinierten AFS- und DYC-System mittels robuster Takagi-Sugeno-Fuzzy-Steuerung. IEEE Trans. Intel. Transp. Syst. 19(8), 2696–2707 (2018).

Artikel Google Scholar

Tuljapure, SB & Kanna, LS Analyse zum Stabilitätsbalken. Int. J. Adv. Mater. Hersteller Charakter. 3(1), 349–353 (2013).

Google Scholar

Novellis, LD et al. Direkte Giermomentsteuerung durch elektrische Antriebsstränge und Reibungsbremsen: Theoretischer Entwurf und experimentelle Bewertung. Mechatronik 26, 1–15 (2015).

Artikel Google Scholar

Zhang, H. & Wang, J. Fahrzeugquerdynamikregelung durch AFS/DYC und robusten Gain-Scheduling-Ansatz. IEEE Trans. Fahrzeug. Technol. 65(1), 489–494 (2016).

Artikel Google Scholar

Mirzaei, M. & Mirzaeinejad, H. Fuzzy planten die optimale Steuerung integrierter Fahrzeugbrems- und Lenksysteme. IEEE/ASME Trans. Mechatron. 22(5), 2369–2379 (2017).

Artikel Google Scholar

Liang, Y. et al. Integrierte Quersteuerung für 4WID/4WIS-Fahrzeuge bei hoher Geschwindigkeit unter Berücksichtigung der Lenkstärke. Int. J. Veh. Mech. Mobil. 58(11), 1711–1735 (2020).

Google Scholar

Wei, H. et al. Modellierung und experimentelle Validierung einer EV-Drehmomentverteilungsstrategie für aktive Sicherheit und Energieeffizienz. Energie 239, 121953 (2022).

Artikel Google Scholar

Ni, J. et al. Entspannte statische Stabilität für unabhängig angetriebene Allrad-Bodenfahrzeuge. Mech. Syst. Signalprozess. 127(15), 35–49 (2019).

Artikel ADS Google Scholar

Lu, Q. et al. H∞-Schleifenformung für die Torque-Vectoring-Steuerung von Elektrofahrzeugen: Theoretischer Entwurf und experimentelle Bewertung. Mechatronik 35(5–6), 32–43 (2016).

Artikel Google Scholar

Jing, H. et al. Robuste H ∞ dynamische Ausgangs-Feedback-Steuerung für unabhängig angetriebene Allrad-Elektro-Bodenfahrzeuge durch integriertes AFS/DYC. J. Franklin Inst. 355(18), 9321–9350 (2018).

Artikel MathSciNet MATH Google Scholar

Ding, S., Lu, L. & Wei, XZ Design der direkten Giermomentsteuerung im Gleitmodus für radintegrierte Elektrofahrzeuge. IEEE Trans. Ind. Elektron. 64(8), 6752–6762 (2017).

Artikel Google Scholar

Wang, K. et al. Auf dynamischen Grenzen basierende synergistische Querbewegungssteuerung eines autonomen Fahrzeugs mit verteiltem Antrieb. Wissenschaft. Rep. 11(1), 22644 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Li, Y. et al. Koordinierte Steuerung des Lenksystems und der verteilten Motoren zur umfassenden Optimierung der Dynamikleistung und des Energieverbrauchs eines Elektrofahrzeugs. Proz. Inst. Mech. Ing. Teil D J. Automob. Ing. 231(12), 1605–1626 (2016).

Artikel Google Scholar

Cheng, W., Song, C. & Li, J. Verbesserung der aktiven Giermomentsteuerung basierend auf der ESC-Testplattform für Elektrofahrzeuge. In der fünften internationalen Konferenz für Instrumentierung und Messung (IEEE, 2016).

Zhai, L., Sun, T. & Jie, W. Elektronische Stabilitätskontrolle basierend auf Motorantrieb und Bremsmomentverteilung für ein Elektrofahrzeug mit Vierradantrieb. IEEE Trans. Fahrzeug. Technol. 65(6), 4726–4739 (2016).

Artikel Google Scholar

Wang, Z. et al. Verbesserung der Fahrzeugstabilität durch hierarchische Steuerung für ein vierradunabhängig angetriebenes Elektrofahrzeug. Energies 10(7), 947 (2017).

Artikel Google Scholar

Liu, M.-C. et al. Entwicklung eines optimalen Steuerungssystems für Längs- und Querstabilität eines individuellen Elektrofahrzeugs mit Achtradantrieb. Int. J. Veh. Des. 69(1–4), 132–150 (2015).

Artikel Google Scholar

Martinsen, AB et al. Auf Verstärkungslernen basierende Verfolgungssteuerung von USVs unter unterschiedlichen Betriebsbedingungen. Vorderseite. Roboter. KI. 7, 32 (2020).

Artikel PubMed PubMed Central Google Scholar

Wang, D. et al. Adaptive DDPG-designbasierte Sliding-Mode-Steuerung für autonome Unterwasserfahrzeuge mit unterschiedlichen Geschwindigkeiten. Im Jahr 2019 IEEE Underwater Technology (UT). (IEEE, 2019).

Wang, XS, Cheng, YH & Sun, W. Ein Vorschlag für einen adaptiven PID-Regler basierend auf Reinforcement Learning. J. China Univ. Mindest. Technol. 17(1), 40–44 (2007).

Artikel Google Scholar

Wei, H. et al. Auf Deep Reinforcement Learning basierende aktive Sicherheitssteuerung für Elektrofahrzeuge mit verteiltem Antrieb. IET Intell. Transp. Syst. 16(6), 813–824 (2022).

Artikel Google Scholar

Wei, H. et al. Auf Deep Reinforcement Learning basierende Strategie zur direkten Drehmomentsteuerung für Elektrofahrzeuge mit verteiltem Antrieb unter Berücksichtigung aktiver Sicherheit und Energiesparleistung. Energie 238, 121725 (2022).

Artikel Google Scholar

Peng, H. et al. Drehmomentkoordinierte Steuerung von Fahrzeugen mit vier Radnabenmotoren und Einzelantrieb unter Berücksichtigung von Sicherheit und Wirtschaftlichkeit. IEEE Trans. Fahrzeug. Technol. 68(10), 9604–9618 (2019).

Artikel Google Scholar

Guo, H. et al. Dual-Envelope-orientierte Bewegungshorizont-Pfadverfolgungssteuerung für vollautomatische Fahrzeuge. Mechatron. Wissenschaft. Intel. Mach. 50, 422–433 (2018).

Google Scholar

Lee, J. & Chang, HJ Analyse der expliziten modellprädiktiven Steuerung für die Pfadfolgesteuerung. PLoS ONE 13(3), 0194110 (2018).

Artikel Google Scholar

Ersal, ST Eine nichtlineare modellprädiktive Steuerungsformulierung zur Hindernisvermeidung in autonomen Hochgeschwindigkeits-Bodenfahrzeugen in unstrukturierten Umgebungen. Fahrzeug. Syst. Dyn. 56(6), 853–882 (2018).

Artikel ADS Google Scholar

Xiang, C. et al. MPC-basiertes Energiemanagement mit adaptiver Markov-Kettenvorhersage für ein Dual-Mode-Hybrid-Elektrofahrzeug. Technol. Wissenschaft. 5(60), 93–104 (2017).

Google Scholar

Haiqing, L. et al. Strategie zur Vermeidung von Notfallkollisionen für autonome Fahrzeuge basierend auf Lenkung und Differentialbremsung. Wissenschaft. Rep. 12(1), 22647 (2022).

Artikel Google Scholar

De Novellis, L. et al. Kriterien für die Raddrehmomentverteilung bei Elektrofahrzeugen mit Torque-Vectoring-Differenzialen. Fahrzeug. Technol. 63(4), 1593–1602 (2014).

Artikel Google Scholar

Novellis, LD, Sorniotti, A. & Gruber, P. Optimale Raddrehmomentverteilung für ein vollelektrisches Fahrzeug mit Allradantrieb. Im SAE-Weltkongress. Bd. 6, nein. 1, 128–136 (2013).

Wang, J. & Longoria, RG Koordinierte Fahrdynamikregelung mit Regelungsverteilung. Im Jahr 2006 American Control Conference (IEEE Xplore, 2006).

Referenzen herunterladen

Diese Arbeit wird teilweise von der China Postdoctoral Science Foundation unter den Grant-Nr. 2022TQ0032 und 2022M710380 finanziell unterstützt.

Schlüssellabor für Fahrzeugmessung, -steuerung und -sicherheit der Provinz Sichuan, Xihua-Universität, Chengdu, 100089, Sichuan, China

Likang Fan, Yiqiang Peng und Xiuchao Bao

Forschungslabor für emissionsarme Fahrzeuge, Beijing Institute of Technology, Peking, 100081, China

Likang Fan & Hongqian Wei

Mianyang Fulin Precision Co, Ltd, Fenghuang Middle Road #37, Bezirk Fucheng, Mianyang, Sichuan, China

Jun Wang & Meng Deng

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

LF hat das Schreiben des Manuskripts abgeschlossen, HW hat die Methode und Idee der Arbeit unterstützt, JW und MD haben die Modellierung und Simulation der Arbeit abgeschlossen und YP und XB haben technische Unterstützung im experimentellen Teil der Arbeit geleistet. Die Autoren behaupten, dass keines der im Manuskript enthaltenen Materialien veröffentlicht wurde oder für eine Veröffentlichung an anderer Stelle in Betracht gezogen wird. Darüber hinaus haben alle Autoren die Arbeit vor der Einreichung überprüft und sich bereit erklärt, die Arbeit bei der Zeitschrift einzureichen.

Korrespondenz mit Hongqian Wei.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Fan, L., Wang, J., Deng, M. et al. Drehmomentkoordinierte Steuerung des Allrad-Hybridfahrzeugs (TTR) unter extremen Straßenbedingungen. Sci Rep 13, 11564 (2023). https://doi.org/10.1038/s41598-023-38813-3

Zitat herunterladen

Eingegangen: 10. Februar 2023

Angenommen: 15. Juli 2023

Veröffentlicht: 18. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38813-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.