文摘
转向系统是一个关键组成部分的无人驾驶电动汽车轮内马达(IWM-EV),这是密切相关的操作安全。描述的复杂非线性结构转向系统的无人驾驶IWM-EV,分层建模和混合动力转向控制方法。首先介绍了双自由度模型为整个车辆系统,然后转向系统的模型和顺序轮驱动系统进行了分析。转向转矩控制系统基于电子微分(ED)和微分协助指导(DAS)进行了研究。摘要利用反向传播神经网络用于优化网络结构,参数和权重系数的混合动力转向系统。采用遗传算法(GA)优化的初始重量摘要和搜索在很大的范围内。GA-BPNN模型建立与偏航力矩和微分转矩作为输入的摘要。仿真和实验结果表明,该GA-BPNN-based混合动力转向控制方法不仅加快了收敛速度调整方向盘转矩的重量,但也提高了响应速度和转向系统的灵活性。通过优化和分配转向转矩动态,提出GA-BPNN-based控制方法继承了两者优点的车辆稳定性DAS下ED和指导帮助下,进一步保证了无人驾驶IWM-EV安全与稳定。
1。介绍
无人驾驶技术不仅提高了行车安全,而且还提供了一个有效的方法来解决交通堵塞。经过几十年的研究中,无人驾驶从半自治逐渐进化到全自动(1- - - - - -3]。轮内马达驱动电动汽车是一种新能源汽车驱动电机安装在车轮。它有许多优点,如独立可控传动转矩和精确的转矩响应快,结构紧凑,高能源效率(4- - - - - -6]。与传统汽车相比,无人驾驶电动汽车与轮汽车(IWM-EV)有显著的优势在安全,稳定,经济。它可以提高车辆安全性、轨迹跟踪和灵活性。因此,无人驾驶IWM-EV将在未来电动汽车的主要发展方向。
汽车转向系统是一个重要的IWM-EV的一部分,这是相关操作整个车辆的安全。目前,很少有研究无人驾驶IWM-EV的转向系统;然而,车轮马达驱动车辆的转向控制研究提供了一个参考的研究转向系统的无人驾驶IWM-EV [7- - - - - -12]。转向控制方法主要有两种:电子微分(ED)控制和微分协助指导(DAS)。
电子微分(ED)控制策略引入车辆控制系统,将所需的速度和转向角无人驾驶车辆的速度作为输入,两辆后轮驱动的汽车作为输出。结果显示机械差速器的功能可以完全实现了ED控制器(13]。轮驱动车的ED控制系统基于神经网络和PID构造。通过协调四个轮内马达的扭矩,ED控制转向实现和处理和稳定的低速转向车辆的改进(14]。车辆偏航率响应和处理性能的车辆通过DAS明显改善控制策略,从而降低方向盘转矩的前提下确保司机的道路的感觉(15]。DAS控制系统建模和车轮转矩分配控制策略研究[16]。DAS控制策略不仅提高了汽车驾驶的稳定性,而且满足转向轻便。
然而,单一的ED或DAS控制不能满足的微分和协助轮内马达驱动电动汽车的性能要求同时,尤其是在转弯操作的情况下,当车辆微分系统加上协助转向系统。虽然理论上ED控制和方向盘协助控制需要进行不同的轮驱动力,一个执行机构不能实现两种不同的动态控制目标。因此,有必要设计一个混合动力转向控制策略协调ED和DAS控制。
另一方面,无人驾驶的转向系统IWM-EV展览特点的复杂结构,非线性、时变、多参数(17- - - - - -19]。此外,不同的组件的一个复杂的系统,涉及许多学科如力学,控制,和信息,转向系统车辆运营安全密切相关。因此,它促使我们深入调查的转向系统。
本文提供一种新颖的混合动力转向控制策略基于GA-BPNN无人驾驶IWM-EV。ED的重量控制和DAS控制动态调整,转向扭矩是通过提出优化和分布式GA-BPNN方法。ED的混合控制,DAS的转向系统。拟议中的GA-BPNN方法不仅提高了转向系统的响应速度和灵活性也无人驾驶IWM-EV保证操作安全。
本文组织如下。无人驾驶IWM-EV的配置和建模分析了部分2。部分3介绍了基于GA-BPNN混合动力转向控制方法。讨论了转向系统的转矩控制器部分4。节5DAS, ED和混合动力转向控制方法进行了仿真。部分6致力于DAS的道路试验验证,艾德,GA-BPNN-based混合动力转向控制方法。工作的结论提出了部分7。
2。配置和建模的无人驾驶IWM-EV
2.1。结构和配置
无人驾驶的配置IWM-EV研究图所示1。
从图可以看出1的无人驾驶IWM-EV主要由environment-detecting模块,控制模块和执行模块。environment-detecting模块是核心控制无人驾驶车辆的一部分,GPS, INS和传感器信息应进行分析与计算。无人驾驶的操作性能IWM-EV主要决定于environment-detecting模块的计算能力。GPS和INS用于计算驾驶位置,车辆速度、无人驾驶车辆和其他信息。分析了导航参数指导无人驾驶IWM-EV沿线所选操作准确和安全20.- - - - - -23]。
准确和有效的车辆模型仿真和控制提供了一个坚实的基础。无人驾驶车辆的动态模型图如图2。无人驾驶电动汽车的转向系统与轮内马达具有较强的非线性特性,这使得智能车辆有复杂的动态响应24,25]。根据车辆动力学的车辆在现实操作中,块造型方法反映了车辆运动状态,动力耦合和非线性转向装置。
2.2。二自由度模型的无人驾驶IWM-EV
动力转向过程是复杂的和时间变量。在前后两个轮子轴可以简化成一个车轮。分析无人驾驶车辆与轮汽车二自由度模型建立了无人驾驶IWM-EV [26- - - - - -28]。二自由度的线性参考模型图所示3。和分别是轮胎的侧向力。 在哪里是车辆的质量。是车辆的滑移角。和是前后轮胎的侧偏刚度,分别。和车辆的纵向和横向速度,分别。是车辆偏航率。和从质心的距离到前面和后轮,分别。目前车辆的惯性在吗z设在。前轮的转向角。
横向控制模型可以表示为 在哪里 , 横向偏差,方位偏差。 。 。 是干扰引起的未建模动态。
是预览距离。
2.3。转向模型
转向系统的性能起着至关重要的作用在无人驾驶车辆的横向稳定性控制与轮汽车(25,29日- - - - - -31日]。明确地描述方向盘和转向系统,建立了转向系统的等效模型,如图4。
偏航率的假设当车辆扭转时,等效动力学方程描述的方向盘和前轮 在哪里的等效惯性矩是方向盘。是轮胎的等效惯性矩。是方向盘的转向角圆销。是轮胎的转向角。和方向盘的等效阻尼系数是在销和输出轴的转向系统的等效阻尼系数,分别。是扭转刚度系数。的转矩是方向盘。扭矩在轮胎轮胎转弯力造成的主要人物。
2.4。轮模型
轮的动态响应模型可以简化为一个二阶系统(32- - - - - -34]。传递函数可以表示为 在哪里系数取决于轮参数。
轮的驱动力矩 在哪里是两轮的数量极电动机。和的通量是吗d设在和问设在。和的通量是吗d设在和问设在。
3所示。GA-BPNN-Based混合动力转向控制方法
3.1。混合动力转向控制方案
为了实现上述控制的目的,提出了混合控制方法,如图5。
混合控制方案由yaw-based电子微分(ED)控制,转向torque-based微分协助指导(DAS)控制,并根据GA-BPNN混合动力转向控制方法。ED和DAS构成上层控制器,用于计算ED的偏航率转矩和微分扭矩反馈车辆速度、方向盘扭矩,从车辆动力学模型和角度信号。混合动力方向盘转矩控制器基于GA-BPNN低层是用来动态调整偏航率扭矩和微分扭矩的重量。轮的驱动转矩在左边和右边终于得到了。重量主要取决于车辆的速度。ED的重量可以设置为一个较大的值,以保证车辆在高速范围内稳定。DAS的重量可以设置一个较大的值,以减少转向负荷在低速范围内。
3.2。反向传播神经网络
摘要利用3 - layer反向传播神经网络采用。假设在输入层节点数,隐层的节点数,输出层的节点数。ED的控制变量DAS的控制变量 。在输入层有两个节点,一个是与ED控制器,另一个是与DAS控制器。假设输入和输出集 , ,在哪里是训练样本的数量。的输入向量 - - - - - -th样本, 。 预期的输出向量的吗 - - - - - -th样本, , 是输出向量的维数。 是真正的神经网络的输出向量(35- - - - - -37]。
摘要采用单隐层。之间的重量吗 - - - - - -在输入层和th节点 - - - - - -在隐层节点。之间的重量吗- - - - - -隐藏层节点和- - - - - -在输出层节点。
乙状结肠描述为(8)是隐层和输出层的传递函数。
的输出- - - - - -被描述为th节点隐藏层 在哪里的输出是 - - - - - -在隐层节点。是输入的- - - - - -输入层的节点。 的影响因子- - - - - -在隐层节点。
的输出- - - - - -在输出层表示为节点
团结(8)的微分来是
的变化的影响因素显示为
估计的价值- - - - - -在输出层表示为节点 在哪里体重改变。
误差的平方和可以通过 。然后,一个优化的价值- - - - - -th节点可以选择隐层的最小值 。
3.3。遗传算法
遗传算法(GA)是一种新的全局优化搜索方法基于达尔文的进化论和孟德尔的遗传理论。该算法具有较强的鲁棒性适合并行处理。广泛应用于计算机科学、优化调度、交通问题、组合优化等领域(38- - - - - -40]。
遗传算法可以被描述为 在哪里 初始种群吗? 是一个二进制字符串的集合 。 染色体数目的人口。是二进制字符串的长度。 是选择策略。遗传算子,包括繁殖操作吗 ,杂交操作 ,和变异操作 。 操作概率,包括繁殖概率 ,杂交概率 ,和变异概率 。 适应度函数。 是停止准则。
3.4。基于GA-BPNN混合控制
摘要和GA杂化GA-BPNN优化初始重量。重量和阈值将被更新的遗传和变异的总平方误差降到最低GA-BPNN [41- - - - - -43]。提出GA-BPNN的流程图如图6。
GA-BPNN程序如下所示:(1)最初的人口 是随机生成的。所有样品的健身价值 也计算。新的人口将生成的杂交和杂交概率操作和变异操作吗和 ,分别(2)计算每个样本的健身 。下一代的人口 将获得的优化策略吗(3)培训不会结束,直到输出误差优化样品的新生成的人口小于10−3。否则,继续进化
摘要采用遗传算法训练。遗传算法的适应度函数表示为 在哪里的输出是 - - - - - -输入样本。是预期的输出。是总学习样本数量。
选择高质量的样本的误差是保证小(16)。
4所示。转向系统的转矩控制器
4.1。DAS控制器
车轮动态可以被描述为 在哪里是轮胎的垂直驱动力量。轮的半径。轮子的转动。车轮的角速度。
假设轮内马达驱动转矩的左边和右边和 ,分别。轮胎的纵向驱动力量和 ,分别。和是在左右驱动轮力矩,可以表示为哪一个 在哪里擦洗半径。
等于在传统的机械转向系统。然而,驱动转矩的不同是由不同的驱动力量从左和右轮内马达。
驱动力矩的区别是交付给齿轮齿条机构系统转向臂、转向拉杆的推动举措。因此,转向援助是通过适当的控制轮内马达在左边和右边44]。
4.2。力矩控制器
根据二自由度车辆模型,预期的偏航率可以表示为 在哪里是预期的偏航率。车辆的速度。车辆稳定性系数。
的反应前轮角可以被描述为 在哪里和分别由车辆参数。
上面的公式表示为滑移模型表面
情商。20.)应满足以下条件
偏航力矩控制
偏航力矩控制器基于滑模控制方案可以跟踪期望值(45,46]。
5。仿真验证
5.1。方向盘转矩控制
5.1.1。微分协助指导仿真
转向轻便检验的效果是基本标准微分援助。本节将进行模型仿真测试与不同的方向盘输入车辆速度较低。仿真结果与DAS控制和没有扭矩分布进行比较和分析。车辆在低速时,方向盘角度斜坡输入模型模拟来模拟车辆的低速和急转测试。方向盘角输入起价3 s坡道。方向盘角变化率是180°/ s。一秒钟后,方向盘输入保持在一个恒定值180°。方向盘转矩和车辆轨迹数据进行比较7和8,分别。
从图可以看出7DAS控制方案有效地降低了方向盘转矩和低速转向负荷,特别是在方向盘角变化的过程。图8说明车辆的转弯半径较小的DAS控制由于不同驱动转矩的左和右轮DAS的控制之下。左和右轮内马达转矩图所示9产生一个额外的车辆偏航力矩,最终降低了under-steering车辆的性能和提高过弯能力。响应曲线在图10还说明了偏航率增加是由于额外的偏航力矩。
5.1.2中。电子微分模拟
验证滑模控制的有效性,方向盘角阶跃输入和正弦输入建模和模拟。ED下仿真结果;理想状态,没有分布的预期结果进行比较和分析。方向盘角阶跃输入仿真模拟的实时车辆避障条件,用于识别性能和车辆稳定性。方向盘角如图11。车辆运行在一个特定的速度为3 s。之后,转向角转30°到左边为1秒,在角保持不变。
从车辆轨迹图12可以看出,车辆的转弯半径ED控制显然是小于,没有控制。提高车辆的转向性能。这主要是由于不同的左右车轮的驱动力矩,也不再在控制。图13显示外部车轮的驱动力矩大于内轮,这意味着额外的偏航力矩添加到车辆。图14显示了汽车的偏航率曲线的阶跃输入下方向盘角。可以看出车辆偏航率ED控制能更好地跟踪理想的偏航率,即使有轻微过度稳态偏差很小。变化的响应和ED控制下的最终稳态值大于,在没有扭矩分布。这也是造成的额外的偏航力矩。
5.2。混合动力转向控制
验证的有效性产生的重量提出GA-BPNN,方向盘角阶跃输入仿真的变速设计。初始速度是设定在20公里/小时。它加速与3 m / s2从5 s。速度曲线和转向角数据所示15和16,分别。车辆速度的仿真结果提出GA-BPNN-based混合动力转向控制和没有扭矩分布比较图17。可以看出,车辆偏航率没有扭矩分布低于理想值,和车辆有严重的不足转向特性。
飞机的偏航率与GA-BPNN控制方法是接近理想值。增加然后减少误差。主要原因是艾德的重量小于低速DAS如图18。导致错误的车辆偏航率增加。图18显示的重量ED以增加车辆的速度上升,和DAS的重量减少。艾德在混合动力转向控制中扮演主要的角色当车辆速度增加。这就是为什么汽车的偏航率小于理想的价值。
图19说明了方向盘扭矩是有效地减少由于提出GA-BPNN-based混合动力转向控制方案。方向盘转矩和混合动力转向控制接近理想值。同时,可以看出错误方向盘转矩与理想值之间增加首先然后保持一个恒定值。这是由于主要ED控制混合动力转向过程中增加车辆的速度。
6。实验验证
进一步验证该GA-BPNN-based混合动力转向控制方法,实验是蛇下进行测试。测试车辆UJS图所示20.。车辆参数如表所示1。司机在车辆在道路测试期间保证操作安全。D2P-Moto鹰用于设计上车辆控制器。的信号控制器和传感器测量,记录,通过CAN总线。
蛇测试如图21是用来验证该方法。蛇的桩间距测试是30米。测试应该进行一个晴天无风保证INS可以接收到卫星信号准确。INS应该被激活之前的测试,在此期间车辆必须在校园直路。测试应该进行一个光滑平坦的水泥院子里。0.85路面附着系数的路面是用来验证由于有限的测试条件。
6.1。方向盘转矩控制道路测试
但是。微分协助指导
ED的重量将是0,DAS将1最初的重量在蛇测试。然后,方向盘转矩作为控制目标,GA-BPNN混合动力转向控制器驱动转矩分配给左右轮内马达。测量车辆速度如图22。可以看出,车辆的速度基本上保持恒定在20年代后15 km / h。在40年代的速度波动主要是由测试路上颠簸造成的。
图23显示了方向盘角度和扭矩曲线。方向盘角度和扭矩的波动造成的20年代主要是调整车辆行驶方向的加速度。方向盘角的幅值保持恒定值在50度左右。图24显示了方向盘与转向角钢扭矩的变化。它可以看到方向盘角的峰值约为50度,和方向盘的峰值扭矩是约1海里DAS的控制之下。相比之下,图7可以看出,方向盘转矩较低与DAS控制图所示24。所引起的扭矩分布的左、右轮DAS的控制之下。
左和右轮内马达的控制信号如图所示25。可以看出,左和右轮内马达的驱动力是由GA-BPNN重新分配的混合动力转向控制方案。因此,上述DAS效应是由于生成外轮内马达的驱动力大于内轮。
6.1.2。电子微分测试
ED的重量是1,DAS的重量为ED控制设置为0。车辆偏航率作为控制目标。左和右轮内马达的驱动力由GA-BPNN-based分布式混合动力转向控制方案。图26说明了车辆速度保持恒定值在20年代后15 km / h。45秒的速度波动测试路上颠簸造成的。
相比之下,图7可以看到,它的方向盘转矩较低控制如图27。所引起的扭矩分布的左、右轮ED的控制之下。生成一个额外的偏航力矩由于不同的左和右轮内驱动转矩马达,具有一定的指导帮助效果。
图28显示了方向盘扭矩和角度之间的关系。可以看出,方向盘的扭矩峰值约2海里时方向盘角约为50度ED的控制之下。与方向盘转矩角15 km / h车速下没有分布控制,它可以发现方向盘转矩降低后控制。图29日显示左和右轮内马达的控制信号。可以看出该GA-BPNN基于混合动力转向控制器re-distributes左右轮内马达驱动力量。外轮内马达的驱动力大于内轮,而产生上述额外的偏航力矩。
6.2。混合动力控制道路测试
当蛇的混合动力转向控制进行测试,埃德和DAS的重量变化与车辆速度。偏航力矩的重量ED的重量控制微分DAS控制转矩由提出调整GA-BPNN混合动力转向控制器根据制动/加速踏板信号。方向盘转矩和车辆偏航率设置为控制目标,根据当前车辆速度重新分配左右轮驱动力。车辆速度如图30.。它可以看到车辆速度保持恒定值在20年代后大约15 km / h。速度波动发生在大约40年代也是测试路上颠簸造成的。
方向盘角度和扭矩曲线如图31日。方向盘角度和扭矩波动造成的20年代之前主要是调整车辆操作方向的加速度。方向盘角保持在50度恒定值。方向盘转矩变化与方向盘角。
图32显示了下方向盘转矩和旋转角度之间的关系提出GA-BPNN-based转向控制。可以看出,方向盘的最大转矩是约1海里时方向盘角约为50度。与方向盘转矩角15 km / h车速下没有转矩分配控制,它可以发现方向盘转矩微分控制后显著降低。
图33显示左和右轮内马达的控制信号。可以看出,左右轮驱动力由提出重新分配GA-BPNN-based转向控制方法。上述混合生成控制效果由于外部轮内马达的驱动力大于内轮。
图34说明了ED的权重系数曲线和DAS混合动力转向控制。ED控制调整0.1的重量和体重的DAS控制调整0.9当车辆加速从0公里/小时15 km / h。图35显示了ED的权重系数曲线和DAS混合动力转向控制。DAS的ED控制体重的增加和体重控制减少当车辆加速从0公里/小时到35公里/小时。的有效性提出GA-BPNN转向控制方法验证。
7所示。结论
针对转向系统的复杂性的无人驾驶IWM-EV GA-BPNN-based混合动力转向控制方法提出了根据转向系统的动态特性的分析。CarSim / MATLAB cosimulation和实车试验进行该GA-BPNN混合控制策略。的仿真和实验结果表明,该混合动力转向控制方法不仅能满足无人驾驶车辆的转向需求也准确地实现转向功能与快速响应和稳定性能。GA-BPNN-based混合动力转向控制方法提出了为该研究提供了一个坚实的基础在无人驾驶IWM-EV的稳定性。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作的部分支持由江苏省的主要研发计划(BE2017129),重点实验室的开放课题车辆测量、控制和安全的四川(szjj2017 - 076),江苏重点实验室驱动器和智能控制的电动汽车(JLDICEV20150704),江苏大学和高级人才的初始资金(15 jdg164)。