具有每轮电动机电动车辆的智能扭矩矢量方法

抽象的

运输电气化目前是世界各地的当局，制造商和研究中心的优先事项。电动车辆的发展和其功能的改善是该策略中的关键要素。结果，需要进一步研究减排，效率改进或动态处理方法。为了实现这些目标，需要开发合适的先进驾驶员援助系统（ADA）。虽然传统的控制技术已广泛用于ADA实现，但电气多电源动力驱动器的复杂性使智能控制方法适合这些情况。在这项工作中，提出了一种新颖的智能扭矩矢量（TV）系统，由神经模糊的垂直轮胎力估计器和模糊横摆力矩控制器组成，这允许增强电动多电机车辆的动态行为。使用高保真车辆动力学模拟器Dynacar将该方法与传统策略进行比较。结果表明，由于最佳的扭矩分布和使用神经模糊的垂直轮胎力估计，所提出的智能扭矩矢量系统能够将车辆的效率提高10％，而不是使用比分析方法更准确的估算3倍．

1.介绍

减少全球变暖、空气污染和石油依赖的需求不仅推动了可再生能源的使用，还推动了其他领域的一些范式变革，如交通系统，在这些领域，开发电动汽车(EV)已成为一个关键战略[1］．在过去几年中，带电力电动机的车辆的兴趣（全电动和杂交）增加，成为汽车工业主要研究领域的一个[2］．

电动机在推进系统中的集成不仅提供了更好的能效和较低的污染，而且还增加了可控性，因为电动机提供更好的响应时间[3.］．这些功能使人们对高级驾驶员辅助系统(ADAS)的开发产生了浓厚的兴趣，ADAS不仅能提高车辆的动态性能，还能提高车辆的效率和能耗。4］．

传统的控制方法已被广泛用于在过去几十年中实施ADA。然而，电气化推进系统提供比内燃推进系统更宽的复杂性（和多个拓扑）。由于这一点，智能控制方法最近成为主要的研究兴趣之一，因为它们可以比传统方法更容易地管理复杂的系统。

用于增强带有每轮电动机的动态行为和电动车辆的动态行为和稳定性的最完整的ADA之一是扭矩矢量（电视）[5，重点研究驱动扭矩的最佳分配。几种策略可用于控制在TV方法中的扭矩分布，其中大多数是基于控制沿垂直轴的力矩(偏航力矩)[6］．为此，使用了三种主要策略[7]：第一个基于驱动轮中扭矩的分布[6，8- - - - - -12.];第二种方法是利用主动车辆侧倾控制系统来改变横向载荷分布[13.，14.];最后，第三种策略是在两个车轴上实现转向系统[15.，16.］．这项工作侧重于扭矩分布策略，因为被选中了全轮驱动车辆作为案例研究。

通常使用各种控制算法来实现扭矩分布方法。在传统方法中，更简单的方法，例如基于比例 - 积分衍生物控制（PID）的方法[6，或更高级的算法，如模型预测控制(MPC) [17.]或滑模控制（SMC）[9的建议。后者提供了增强的结果，尽管它们的计算成本高于基于PID的方法。另一方面，智能方法，如神经网络[10.或模糊逻辑系统[11.[已被证明能够以较低的计算成本提供良好的结果，使它们能够实现扭矩分布方法的实现。

为了实现有效的驱动扭矩分配，轮胎力的知识是至关重要的[18.］．然而，直接测量这些力量是复杂且困难的任务，因此，需要设计适当的估计。尽管如此，在文献中提出的作品中并不总是考虑这个问题，这是基于对这些力量的完美估计，这不是实际情况。

在提出估计车辆轮胎力的方法中，最常见的是基于轮胎模型的估计，例如线性轮胎模型[19.]，Dugoff的型号[20.或Pacejka轮胎模型等半级模型[18.］．其他工作没有考虑轮胎模型，根据纵向和横向载荷传递以及每个车轮上的静态载荷估计垂直轮胎力[21.- - - - - -25.］．还使用了智能建模方法，这减少了了解复杂轮胎动力学的需求，甚至可以允许模型适应。例如，神经网络，扩展卡尔曼滤波器和递归最小二乘方法在[26.来估计轮胎侧向力和抓地力的潜在识别。在[27.使用基于模糊逻辑的纵向，横向和垂直轮胎力估计，这需要滑动角度估计来操作并提供高相关。与传统方法相比，这两种方法都提供了更准确的估计，尽管它们的适用性存在一些不便，因为它们需要难以测量的变量。

总之，智能方法已经被证明是ADAS开发的合适替代方案，提供了性能与计算成本的平衡。然而，适当的轮胎力估计需要保证在实际情况下的理论性能。在文献中，大多数工作考虑完美估计或使用基于难以测量的物理变量的估计，这需要昂贵的传感器，或使用复杂的模型，其参数难以识别。这个问题降低了实际场景中大多数工作中提出的方法的可实施性和性能。

为了解决这些问题，这项工作提出了一种新颖的智能扭矩矢量方法，由两个智能算法组成：首先，基于完全可测量的变量的轮胎垂直力的自适应神经模糊推理系统（ANFIS）估计;其次，一种模糊偏航力矩控制器，其控制车辆横摆率和侧滑角，因为它们是最具代表性的车辆动态变量。所提出的方法能够增强电动车辆动态及其效率。为了展示其有效性，使用E-Class车辆在Dynacar高保真动态模拟器中考虑多个场景，并将获得的结果与文献中的其他先前作品的结果进行了验证了ANFIS估计器和所得到的智能电视系统。

本文的其余部分划分如下：在部分2所提出的智能扭矩矢量方法详述。在部分3.，介绍了仿真框架和实验设置。在部分4，解释了验证的结果。最后，在部分5，主要结论是呈现的。

2.智能扭矩矢量系统

在本节中，所提出的智能扭矩矢量化系统详述。其主要目的是在不同的致动轮子之间分配驱动扭矩，使得车辆处理和稳定性得到改善。它可以分为5个子系统（图1）：使用模糊的偏航力矩控制器进行横向扭矩分布，其参考使用横摆率参考发生器计算;通过自定义扭矩分布算法给出纵向扭矩分布，其使用ANFIS垂直轮胎力估计器;由纵向和横向分布提供的数据用于计算最终的扭矩分布。

2.1。横摆率参考发生器

开发的智能电视系统方法由横向扭矩分布方法和纵向组成。首先是基于车辆偏航力矩的控制;这是，它需要适当的横摆率参考，以获得其适当的性能。

为了计算所需的横摆率参考，众所周知自行车模型使用，因为它在准确性和计算成本之间提供了良好的平衡[28.］．为了进一步提高计算性能，执行以下假设和简化：假设重心处于零的高度;不会考虑每个轮胎的垂直力的变化;将考虑小滑动角度假设，这样 和 （线性区域）;并且轮胎的横向刚度系数将是恒定的，由横向力与滑倒角度的比率限定。

必须注意的是，这种降低复杂度的模型只用于控制器的实时执行。此外，这些简化中的一些对于乘用车来说是合理的，因为它们直到轮胎的极限才会驾驶。

这样，偏航率参考方程为[28.］ 在哪里是位于重心的车辆的总质量，和是与前后桥的重心的距离，轴之间的距离是轴之间的距离，是前轮的旋转角度，和前轮和后轮的横向刚度系数分别为和吗是车速。

然而，出于安全原因，有必要限制所产生的偏航率参考值。在这种情况下，限制设置如下[6]： 在哪里为车辆横向加速度。

2.2。模糊偏航时刻控制器

模糊的偏航力矩控制器处理横向扭矩分布（)用于车辆。因此，该系统同时考虑车辆的横摆角速度和滑移角，计算施加在车辆各侧的扭矩百分比。这样，如果 ，所有扭矩都将施加到右侧的轮子上;而如果 时，所有的扭矩都施加在左侧的车轮上。

该子系统基于模糊逻辑，这是1965年通过Zadeh的布尔逻辑的扩展[29.[基于模糊套的数学理论。它通过将专家知识转换为规则，可以通过将专业知识转换为规则来实现模型和数学制定的抽象，而不会放弃显着的微调能力。

最常见的模糊逻辑系统结构如图所示2．首先，必须执行模糊处理，以将输入数据转换为模糊集，以基于开发规则继续推断系统。最后，为了将推理系统给出的结果转换为在此特定情况下，必须将被推断系统给出的结果转换为确切值的必要方法确保占用控制。

所提出的模糊逻辑控制器基于Mamdani模糊模型，因为它提供了更直观的调谐[30.］．为了计算待施加到车辆的每一侧的扭矩百分比， ，该控制器需要三个输入:偏航率误差、偏航率导数和侧滑角误差。偏航率误差及其导数是考虑参考文献在前一小节中详细计算。在考虑车辆参考侧滑角为零的情况下计算滑移角误差，以减小滑移的真实值，实现空挡操纵。

使用以下等式计算实际的车辆侧线角度值[31.]： 在哪里和车速是纵向的吗和横向本地轴。

对于模糊系统的设计，已经实现了以下结构。首先，已选择5个隶属函数的分布为横摆率误差对于它的导数 ，和横向滑角输入的三个会员函数， ．考虑到乘用车实现的典型侧滑角和横摆率值，已经认为五个隶属函数覆盖了前两个变量的整个范围，具有良好的精度。此外，侧滑角的迹象是确定车辆是否具有中性，失调或过流行的行为。因此，已被认为是该最后变量仅需要3个会员函数。所有这些都被选择为梯形和三角形。已经为每个变量的边界选择了梯形，因为所提出的控制器尝试最小化该变量，因此，精度不是最高优先级。三角形的已经用于其余的变量，因为它们提供了计算有效的计算[32.保持响应的可接受的光滑度，适合于传统的汽车电子控制单元（ECU）。

最后，对于输出，扭矩百分比施加到车辆的每一侧， ，在这种情况下，已选择更复杂的会员函数分配，九个九个，旨在实现尽可能准确和平滑的响应。

开发的模糊控制器的结构如图所示3.包括会员函数。

随后，已经基于关于系统和人为驾驶数据集的知识来实现​​相应的规则。桌子1显示成员函数的名称和描述，而表格2- - - - - -4展示实施的规则。

2.3。ANFIS垂直轮胎力量估计器

车辆的动态行为在很大程度上取决于轮胎力，因为这些模型车轮和道路之间的接触力。然而，它们的估计是车辆动态中最复杂的问题之一，因为轮胎/道路接触动态取决于许多不同的变量。直接测量这些力并不总是一种解决方案，因为这些力很难测量。

在该部分中，提出了一种新的ANFIS垂直轮胎力估计器。建议的估算者提供了对轮胎力的实时和准确的估计，可以通过ADA利用，以提高车辆的安全性，稳定性和效率。因此，该估计器将用于执行纵向动力学扭矩分布。

所提出的估计者基于基于模糊系统的ANFI，该系统使用来自神经网络理论的学习算法来通过处理数据样本来确定其参数（模糊集和模糊规则）[33.］．为此目的，使用Takagi-Sugeno模型，因为它是计算有效的[34.]并已被证明适用于建模应用。这种方法将人类知识转换为定量过程和规则的模糊逻辑能力，同时通过神经网络的学习能力解决了隶属函数迭代调整过程问题。ANFIS结构的简化图如图所示4．

建议的估算器使用可测量的变量来操作，这是与参考书目中分析的那项工作的主要贡献之一。输入数据由10个变量组成：转向角;这 ， ，和车辆重心（COG）中心的线性加速度和速度分量;和与局部轴相关的3个角度速度。所有这些都可以通过惯性测量单元（IMU），全球定位系统（GPS）和转向角传感器等市售传感器容易地测量。输出数据由所选轮胎的垂直力组成。为每个车轮设计的ANFI的结构详述5．

所提出的ANFIS估计器由4层组成。在第一个函数中，为每个输入开发了7个成员函数。这些隶属函数是高斯型的，因为它们提供比三角函数更好的精度[32.，35.］．在第二个中，出现了学习过程建立的规则。在第三层中，比率计算和归一化最终在第四层中添加所有信号。

由于输入数量的输入，所选择的用于产生模糊推理系统的方法是子簇。所选择的训练方法是混合方法，其是最小二乘和背部渐变梯度下降方法的组合。该过程的参数在表中详述5．

用于训练和测试所提出的ANFIS结构的数据已经从一个膝部运行的车辆的仿真（模拟时间为800秒和50ms的采样时间）来获得。从高保真车辆动态模拟器Dynacar获得了模拟[36.在那里，对于每个垂直轮胎力估计，已经捕获了上述10个变量。

2.4。纵向扭矩分布算法

所提出的纵向转矩分配方法计算纵向转矩分配百分比施加到每个轴（前后）的轮子，考虑到每个轴处的轮子产生的垂直正常力 ．这样，如果 时，所有的扭矩将由后桥的车轮提供，如果 ，所有扭矩将由前轴的轮子提供。

这样，该子系统允许将更大的扭矩命令发送到车轮具有更多抓地力的电机。为此目的，基于可以在轴上施加的最大正常力（前部被作为参考）的最大正常力提出了一种简单但有效的扭矩分布算法。这边走， 在哪里是由垂直轮胎力估计器给出的轴（左右）的每个车轮的垂直力的组合，以及是可以施加在前轴上的最大法向力(这是，考虑到整个质量只在一个轴上起作用)。对于所选的研究案例，这个最终值是20208 N。

2.5。电动机扭矩计算

这个子系统计算要应用到每个轮子上的电机扭矩命令 ，根据司机使用油门所要求的扭矩 ，和纵向和横向扭矩分布百分比：

3.验证框架

在本节中，解释了所使用的验证方法，包括所选车辆，仿真环境和所提出的演习和测试方案。

数字6显示了实施的控制概念的一般概述。可以考虑三个主块：第一，驱动程序命令由自动化驾驶算法生成，这些驱动算法模拟标准驱动程序的行为，保证每个测试的性能不依赖于驱动程序;其次，控制块，包括在上一节中详述的智能扭矩矢量方法，具有所有子系统;最后，使用Dynacar软件模拟车辆高度非线性动力学的车辆模型[36.]并提供可测量变量的时间演变。

3.1。Dynacar高保真动态模拟器

车辆模型在Dynacar中实现，它是由Tecnalia Research和Innovation开发的高保真车辆动力学仿真平台[36.］．该车辆模拟软件已通过几个赛道测试验证[37.，38.]它可用于循环模型框架，以测试不同汽车目标控制系统的性能。

Dynacar的特点之一是可以激活自动驾驶模式，模拟标准驾驶。在分析开发的ADAS结果时，这可以减少驾驶员能力的影响，因此可以更好地进行比较。

Dynacar的车辆物理模型仿真引擎基于多体模型并集成在C代码中[39.］．此C代码也已在Simulink中实现。求解器运行，采样时间为1 ms。轮胎是使用Pacejka“Magic Fapersic”模型的实施建模的，大多数汽车制造商广泛使用作为车辆模型模拟的行业标准[18.］．

桌子6显示车辆的主要特性，即作为电子级车辆。

3.2。控制器实现

控制块在Xilinx Zynq XC7Z020 SoC中实现，其输入和输出连接到Dynacar。这可以测试智能电视控制方法的实时性能，由于Dynacar的模型在环路方法，不需要使用整辆车。

所选硬件由两部分组成。第一个是可编程逻辑部分，这是一个完整的FPGA。而另一部分是处理系统，其由两个核心的ARM CPU和800 MHz时钟速率组成。此外，该板还有几个I / O外设，例如数字和模拟输入/输出端口和通信总线。

ARM核心已被用于实现所提出的智能电视方法的不同子系统（图2）在上一节提出。为此目的，首先在Matlab Simulink中实现了开发的方法，然后编译到在ARM处理器中运行的C代码。

3.3。机动和情景

Dynacar的框架允许在不同场景中模拟和测试开发的智能电视控制器，以及一套不同的标准化演动：滑板[40] （数字7）和双车道改变机动[41.] （数字8）．

一方面，SPID焊盘测试的目的是在平坦表面上测量汽车的转弯能力，同时制造恒定半径转动。该测试是FSAE动态事件之一[40]但是，由于它设计用于配方型车辆，因此必须将其适应乘用车。从这种意义上讲，考虑到道路设计规则，已经修改了圆的直径[42.］．这些规则规定，在限速40公里/小时时，弯道的最小半径必须为60米。然而，由于这个半径的定义是为了确保汽车在该速度下的稳定性，在这项工作中，半径被减小，以使车辆达到其极限，然后能够评估所开发的控制器的正确性能。因此，它已经减少到20米，把测试变成一个具有挑战性的场景，一个e级车辆。

另一方面，ISO 3888规范中详述了双车道变换机动[41.] （数字8）．在该测试中，车辆以特定速度进入课程，并且节流阀被释放。然后，司机试图在不罢工锥体的情况下谈判课程。测试速度逐渐增加，直到发生不稳定性或无法再成功协商课程。这种严重的机动有效地展示了在两个方向上驾驶摩擦极限时驾驶车辆的转弯能力，因此，许多汽车制造商和研究机构认为该测试是适当的机构，用于评估先进的车辆动力量控制系统。这种机动通常作为闭环驾驶测试进行，用于根据专业驱动程序的主观评估来调整车辆的动态。

4.结果

在本节中，分析了在发达的智能电视控制方法验证期间获得的结果。为此目的，首先，验证了所提出的ANFI垂直力估计器，并用Dynacar获得的结果和[中）提出的分析估计器43.]，为了展示其准确性。然后，整体智能电视方法包括所有子系统（图2）经过验证，将其结果与更传统的解决方案进行比较。在智能电视算法的情况下，它的性能与基于[的PID TV控制器进行比较。6]具有恒定的纵向扭矩分布，而ANFIS估计器的性能与[中）中提出的分析估计器进行比较。43.］．

4．1.基于anfi的垂直轮胎力估计

为了测试该方法的有效性，将从所提出的估计器获得的数据与（a）Dynacar的内部高保真轮胎模型进行比较，（b）基于模型的分析估计器[43.]，其结果已在引用的工作中验证，但它需要来自难以衡量的变量的数据。上述两种机动已被用于验证力估计器。

数字9和10.和桌子7和8显示为每个机动和每个轮子获得的结果。它们表明，与分析方法（取决于车轮和机动）相比，ANFI估计能够将误差降低38％和79％，能够消除由于瞬态条件而通过分析估计器获得的峰值。必须注意的是，对分析模型获得的错误对应于[43.］．

此外，已经分析了所提出的估计器的实时性能，需要MS运行，这适用于汽车应用。

4.2。智能扭矩矢量系统

为了验证所提出的智能电视方法增强动态操控的能力，首先，将分析与滑块测试相关的结果。

为了确定方法的有效性，必须首先定义车辆的临界速度。这种临界速度是最大速度，允许车辆正确地执行滑动垫测试，没有电视控制。为此目的，没有激活电视系统，并且已经进行了SPID-PAD测试，在每次测试中增加速度，直到车辆无法遵循参考轨迹。这种临界速度已经通过实验定义为47 km / h，提供0.86g的理论横向加速度。

一旦检测到这一临界限速，就会执行滑块测试，激活提出的智能电视方法和基于PID的电视方法。结果如图所示11.．可以理解的是，当没有电视控制器处于活动状态时，由于光学，车辆不能跟踪所需的轨迹，但是电视方法允许即使以临界速度执行该测试。

当没有激活​​电视时，在临界速度下的不良行为可以进一步欣赏图中的电视12.和13.，显示前轮的滑动比率和滑动角度。可以看出，这些轮子不能将所请求的力传送到道路，并且它们可以通过电视脱屑壳体中的滑移比和角度的高值来检测。此外，当TV控制是有效的（模糊电视和PID电视）时，滑移比率和滑移角分别减少到19％和23°，这意味着轮胎上的较高的牵引力。这意味着SPID焊盘测试中的速度较高，如图所示14.．此外，在不失去稳定性的情况下，可以获得更高的侧向加速度和偏航率值，如图所示15.和16.．

数字16.说明了飞行器的偏航率演化。可以看出，所提出的智能转矩矢量方法提供了正确的参考跟踪，同时减少了超调量。这可以增加车辆的转弯能力，减少转向不足和过度的风险。事实上，偏航率参考值和获得的值之间的差异，在电视是关闭的情况下显示欠转向行为已经解释。

此外，如果进行机械能量消耗分析，所提出的智能扭矩矢量方法不仅可以正确跟踪偏航率，提高转弯能力，降低滑移率，而且还可以提高车辆的效率。效率结果如表所示9，其中建议的方法与基于PID的电视和电视箱进行了比较。可以看出，可以实现10％的增加。

在分析滑板性能后，将研究双车道变化方案。为了执行该测试，已经选择了50km / h的初始速度，并且已经施加到电动机（总扭矩2300nm）的恒定扭矩参考。这提供了大约0.35克的纵向加速度，允许获得近90公里/小时的最终速度，覆盖中速道路中最常见的乘用车速度范围。

这个场景的仿真结果如图所示17.- - - - - -20.．数字17.显示了每种情况下车辆跟随的轨迹。从图中可以看出，当建议的电视进场时的轨迹更接近侧向双车道变道操纵参考，显示了在这种具有挑战性的操纵中车辆操纵性能的改善。此外,图18.表明，通过较低的转向角值实现这种更好的跟踪，这意味着可以在图中可以看到约1.5°的滑移角的降低19.．该值的最大降低由所提出的智能电视控制器实现，这允许最大化传输到道路的力。最后，车轮扭矩如图所示20.，显示由控制器设计的正确扭矩分布。

5。结论

开发实时能干，准确，高效的ADA是开发具有独立车载电机的车辆的关键问题。在这项工作中，已经提出了一种新颖的智能扭矩矢量（电视）系统，由神经模糊垂直轮胎估计器和模糊偏航力矩控制器组成。

该方法同时考虑了横向和纵向扭矩分布。纵向分布是基于神经模糊的轮胎垂直力估计，该估计完全基于可测量的变量，这是一个重要的贡献，与现有的估计。估计的力用于确定扭矩的百分比，以适用于车轮的后桥和前桥，以便最大的抓地力可以实现。

另一方面，使用模糊的偏航时刻控制器实现横向扭矩分布。该控制器允许横向（右和左轮）分配扭矩，以最小化车轮滑动并增强转弯能力。通过考虑两个分布来计算整体扭矩分布。

结果证明了在各种场景中提高智能扭矩矢量系统的车辆动态的能力。一方面，它能够在避免的操纵中提高稳定性，例如双车道改变，允许车辆遵循所需的轨迹，这是这种操纵中的重要安全问题。另一方面，在SPID焊盘测试中，已经示出了显着的车轮滑动比和滑角减小（19％和23°，ARCH。），导致降低的性行为。这使得车辆更好地匹配横摆率参考（减少33％的误差），然后能够遵循所需的轨迹，证明通过正确的扭矩分布提供的转弯改进。另外，所提出的智能电视算法提高了关于现有技术的更传统的方法，提供更有效的驾驶（10％机械能耗降低）。

未来的工作将包括更复杂的设计，在智能扭矩矢量控制器中使用估计的轮胎垂直力，从而产生一个更复杂的控制器，以提高其性能。此外，将考虑在SoC的逻辑部分实现电视系统，以减少其周期时间。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

导致这些结果的研究得到了ECSEL联合承诺在拨款协议下得到支持。662192（3CCAR）。这项联合承诺从欧盟地平线2020的研究和创新计划和ECSEL会员国获得支持。

参考文献

1. Acea，欧洲汽车制造商协会 - 2015年欧盟欧盟的替代燃料类型新的乘用车注册季度2016年，2016年。
2. A. Al-Hmouz，J. Shen，R. Al-Hmouz，J. Yan，“适应性神经模糊推理系统（ANFIS）的建模和仿真，用于移动学习，”IEEE学习技术汇刊，卷。5，不。3，第226-237,2012。查看在：出版商网站|谷歌学术
3. M. Nikowitz，先进的混合动力车和电动汽车，斯普林斯，2016年。
4. A. Broggi，A. Zelinsky，ü。Özgüner和C. laugier，“智能车辆”施普林格机器人手册西西里亚诺(B. Siciliano)和哈提卜(O. Khatib)主编。，Springer, Cham, Switzerland, 2016.查看在：谷歌学术
5. S. ozawa，H.Inoue，P.Raksincharoensak和M. Nagai，使用转向扭矩辅助的触觉共享控制与直接横摆力量控制相结合的触觉共享控制，“驾驶员和ADA之间的合作横向控制。第19届IEEE智能交通系统国际会议（ITSC'16）的诉讼程序，pp.116-321，巴西，2016年11月。查看在：出版商网站|谷歌学术
6. L. De Novellis, A. Sorniotti, P. Gruber，和A. Pennycott，“全电动汽车扭矩矢量控制的反馈控制技术比较”，IEEE车辆技术汇刊，卷。63，否。8，pp。3612-3623,2014。查看在：出版商网站|谷歌学术
7. K. Shimada和Y. Shibahata，“三个活性底盘控制方法稳定偏航时刻的比较”SAE技术论文1994年。查看在：出版商网站|谷歌学术
8. L. De Novellis, A. Sorniotti, P. Gruber, L. head, V. Ivanov，和K. Hoepping，“单独控制电机的电动汽车扭矩矢量:最先进的和未来的发展，”世界电动汽车杂志，卷。5，不。2，pp。617-628,2012。查看在：谷歌学术
9. A. Haddoun等，“EV电差动系统的滑动模式控制”ICEM会议记录有关希腊。查看在：谷歌学术
10. A. Haddoun，M. E.H.Benbouzid，D. Diallo，R. Abdessemed，J.Caiili和K. Srairi，“EV电电气差异的建模，分析和神经网络控制”IEEE工业电子产品交易，卷。55，不。6，PP。2286-2294,2008。查看在：出版商网站|谷歌学术
11. K. Jalali，T. Uchida，J.Cmphee和S. Lambert，“使用软计算技术的带内电机的电动汽车集成的稳定性控制系统”SAE国际乘用车杂志 - 电子电气系统，卷。2，不。1，pp。109-119，2009。查看在：出版商网站|谷歌学术
12. H.Kahveci，H. I. Okumus和M. Ekici，“一种使用模糊逻辑速度控制的内无刷直流电机的电子差动系统”第四届电力工程，能源和电气驱动会议的诉讼程序，pp.881-885，土耳其，2013年5月。查看在：出版商网站|谷歌学术
13. D. E. Williams和W.M. Haddad，“滚动力矩分布的非线性控制，影响车辆偏航特性”控制系统技术的IEEE交易，卷。3，不。1，pp。1995年3月110-116。查看在：谷歌学术
14. 胡颖，杨磊，马鹏，“基于工况学习和预测的混合动力汽车滚动在线最优控制策略”，IEEE车辆技术汇刊，卷。65，不。6，PP。4312-4327，2016。查看在：出版商网站|谷歌学术
15. I. Yang，S. Byun，B. Seo，D. Lee和D. S. Han，“活跃前转向的综合控制系统和使用动态反转的直接横摆力量控制”2013年IEEE智能车辆研讨会（IEEE IV'13）的诉讼程序，pp.1303-1306，澳大利亚，2013年6月。查看在：出版商网站|谷歌学术
16. C.沉，G. Yin和X. Jin，“电动车轮电动车辆直接偏航控制有源转向系统的研究”第35届中国控制会议的诉讼程序（CCC'16），PP。2016年7月8945-8950。查看在：出版商网站|谷歌学术
17. E. Siampis，E.Velenis和S. Longo，“用于处理限制附近的电动车辆的模型预测扭矩矢量控制”欧洲控制会议的诉讼程序（ECC'15），pp.2553-2558，奥地利，2015年。查看在：出版商网站|谷歌学术
18. H. B. Pacejka，“轮胎和车辆动态，BH，2005”。查看在：谷歌学术
19. J. Kim, H. Lee, S. Choi，“基于比例积分Hfilter的稳健道路倾斜角度估计”，机械工程师学会学报，D部分:汽车工程学报，卷。226，没有。6，pp。779-794,2012。查看在：谷歌学术
20. R. Ghandour, A. Victorino, M. Doumiati, and A. Charara，“应用于道路安全的轮胎/道路摩擦系数估计”，刊于第18届地中海控制和自动化会议的诉讼程序（Med'10），第1485-1490页，2010年6月。查看在：出版商网站|谷歌学术
21. W. Cho，J. Yoon，S. Yim，B. Koo和K. Yi，“轮胎力量估算用于车辆稳定性控制”IEEE车辆技术汇刊，卷。59，没有。2，pp。638-649，2010。查看在：出版商网站|谷歌学术
22. M. Doumiati，A. Victorino，D. Lechner，G. Baffet和A. Charara，“车辆轮胎/道路部队的观察员估计：实验验证，”车辆系统动力学，第48卷，第48期11，页1345-1378,2010。查看在：出版商网站|谷歌学术
23. S. Antonov, A. Fehn，和A. Kugi，“用于车辆状态估计的Unscented卡尔曼滤波器”，车辆系统动力学，卷。49，没有。9，pp。1497-1520，2011。查看在：出版商网站|谷歌学术
24. M. Doumiati，A. Victorino，A.Charara和D. Lechner，“车辆安全的横向载荷转移和正常力量估算：实验测试”车辆系统动力学，卷。47，没有。12，PP。1511-1533，2009。查看在：出版商网站|谷歌学术
25. A. Rabhi，N.K. M'sirdi和A. Elhajaji，“估计接触力和轮胎道路摩擦”地中海控制和自动化会议记录，页1-6,2007。查看在：谷歌学术
26. M. Acosta和S. Kanarachos，“轮胎横向力估计和使用神经网络的掌握潜在识别，扩展卡尔曼滤波器和递归最小二乘法”神经计算与应用，pp。1-12,2017。查看在：出版商网站|谷歌学术
27. R.Jayachandran，S. D. Ashok和S. Narayanan，“轮胎力量估计的模糊逻辑模拟与仿真方法”2013年设计与制造国际会议的诉讼程序，卷。64，PP。2013年7月，印度1109-1118。查看在：谷歌学术
28. H. Wallentowitz，乘用车垂直和横向动力学，德国亚琛理工大学汽车工程研究所汽车技术二，2005年。
29. L. A.Zadeh，“模糊套”，信息和控制，卷。8，不。3，pp。338-353，1965。查看在：出版商网站|谷歌学术
30. M.Blej和M. Azizi，“Mamdani型和Sugeno型模糊推理系统的模糊实时调度”的比较“国际应用工程研究杂志，卷。11，不。22，pp。11071-11075,2016。查看在：谷歌学术
31. D. L. Milliken和W.F.Milliken，“赛车车辆动态”，美国汽车工程师学会，1995年。查看在：谷歌学术
32. Y. Bai和D. Wang，“模糊逻辑控制的基础 - 模糊套，模糊规则和排水，”工业应用中的先进模糊逻辑技术，工业控制的进展，y. bai，h. zhuang和d. wang，eds。，springer，伦敦，英国，2006年。查看在：谷歌学术
33. J. S. R. Jang，“ANFIS：基于自适应网络的模糊推理系统”，IEEE在系统，人和控制论上的交易，卷。23，不。3，pp。665-685,1993。查看在：出版商网站|谷歌学术
34. M. Asadi，“优化的Mamdani模糊模型，用于预测完整岩石和各向异性岩体的强度，”岩石力学与岩土工程学报，卷。8，不。2，pp。218-224,2016。查看在：出版商网站|谷歌学术
35. K. M. passino和S. Yurkovich，模糊控制, 1997年。
36. Dynacar由Tecnalia，http://www.dynacar.es/en/home.php.．
37. A. Pena，I. Iglesias，J.J.Valera和A. Martin，“Dynacar RT软件的开发和验证，是一种新的电动和混合动力车车辆设计的集成解决方案”第26届电动汽车研讨会论文集(EVS 2012)，pp.2026-2032，美国，2012年5月。查看在：谷歌学术
38. M. dendalucce, I. Iglesias, a . Martin, P. Prieto，和a . Peña，“使用基于模型的方法和仿真和多体模拟器设置在一辆机动轮式汽车上的扭矩矢量算法的赛道测试”第十九届IEEE智能交通系统国际会议论文集(ITSC 2016)，pp.2500-2505，巴西，2016年11月。查看在：出版商网站|谷歌学术
39. J. Cuadrado, D. Vilela, I. Iglesias, A. Martín，和A. Peña，“评估汽车发动机轮毂配置对车辆稳定性和舒适性的影响的多体模型，”刊于eComcoS主题会议关于多体动力学的诉讼程序，pp.1083-1092，2013。查看在：谷歌学术
40. https://www.fsaeonline.com/．
41. https://www.iso.org/standard/57253.html．
42. Ministerio de运输Y Comunicaciones，《几何手册》，2014年。
43. A. Rezaeian，R. Zarringhalam，S.Fallah等，“车辆应用实时实施的新型轮胎力量估算策略”IEEE车辆技术汇刊号，第64卷。6, pp. 2231-2241, 2015。查看在：出版商网站|谷歌学术

版权

版权所有©2018 Alberto Parra等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。