基于质量估计的商用车线控制动减速度控制

王光艳 杨传雄 胡碧友 车美琳

摘  要：为了满足无人驾驶商用车线控制动系统的减速度控制需求，提出了一种基于质量估计的减速度控制算法。根据车辆纵向动力学模型得到估计质量的初始值，利用模糊逻辑法获取估计质量的置信度从而改变滤波系数，既能使估算结果快速收敛，也能过滤掉噪声信号，并且算法运算量小可以降低计算负荷。基于估计质量信息，设计“前馈+反馈PID”控制器，控制车辆减速度达到上层决策系统的期望指令。实验结果验证了该控制方法具有较好的控制效果。

关键词：商用车;线控制动;质量估计;减速度控制

中图分类号：U461.1      文献标识码：A      文章编号：1005-2550（2022）01-0054-08

Commercial Vehicle Brake by Wire Deceleration Control based on Mass Estimation

wang guang-yan1， yang chuan-xiong1， hu bi-you1， che mei-lin2

（1.Dongfeng Automobile Co.， Ltd. Wuhan 430056， China; 2.Dongfeng Yanfeng Automotive Trim Systems Co. ， Ltd. Wuhan 430056， China ）

Abstract： In order to meet the deceleration control requirements of driverless commercial vehicle line control system， a deceleration control algorithm based on mass estimation is proposed. According to the vehicle longitudinal dynamics model， the initial value of the estimated mass is obtained， and the confidence of the estimated mass is obtained by using the fuzzy logic method， so as to change the filtering coefficient， which can not only make the estimation result converge quickly， but also filter out the noise signal， and effectively reduce the calculation load of the controller. Based on the estimated mass information， a “feedforward + feedback PID” controller is designed to control the deceleration of the vehicle to achieve the desired command of the upper decision system. The experimental results show that the control method has good accuracy and robustness.

Key Words： Commercial Vehicle; Mass Estimation; Brake By Wire; Deceleration Control

1    前言

隨着无人驾驶技术的快速发展，汽车线控底盘技术受到了广泛的关注。线控底盘能够快速准确地响应上层主动控制指令，保证车辆行驶的安全性。线控底盘主要包括线控制动、线控转向、线控驱动以及线控悬架[1]。线控制动系统能够主动调节制动压力，合理控制车辆减速度，保证车内乘客的安全和舒适性。

商用车多行驶于固定线路，未来无人驾驶技术首先会在商用车中实现大规模应用[2]。因为商用车质量较大，所以目前商用车主要使用气压制动系统[3]。商用车气压线控制动系统通过控制前后桥比例阀的占空比实现制动压力的控制[4]。无人驾驶汽车上层决策模块，可以根据车辆自身状态和环境计算出车辆所需的制动减速度，同时与驾驶员制动意图[5]进行协调，响应最大期望制动减速度。

实现减速度控制首先需要设计车辆状态观测算法，获得车辆质量信息以及车辆减速度信息，再者需要设计控制器使车辆实际减速度趋近期望减速度。汽车整车质量的估计是汽车状态观测中十分重要的内容[6]，特别对于商用车而言，具有质量多变的特点。胡满江等[7]推导出加速度与轮速信号间的幅频函数关系，提出了一种基于纵向频响特性的整车质量估计方法。Mcintyre等[8]基于车辆纵向动力学模型，通过最小二乘参数辨识对质量进行估计。雷雨龙等[9]提出基于扩展卡尔曼滤波的车辆质量估计方法。任志英等[10]利用观测数据提供的信息，提出了一种基于AEKF的车辆质量估计算法。本文使用一种基于模糊逻辑的自适应滤波系数质量估计算法，在工程应用中相较于往前学者的研究方法占用的计算资源更少，同时能够达到准确性要求。关于车辆速度以及减速度的估算，国内外学者们已经进行了大量研究[11-14]，本文主要采用变斜率法[15]进行车速估算，通过车速微分得到减速度信息，相关算法本文不再赘述。

2    商用车质量估计

2.1   整车动力学模型

整车纵向动力学模型如图1所示，本文出现的相关参数的注释由表1所示。根据纵向受力分析可得整车纵向动力学方程[16]为：

（1）

（2）

式中，Ft为驱动力;Fb为制动力;Fw为空气阻力;Ff为滚动阻力;Fi为坡道阻力;m为整车质量;ax为车辆纵向加速度;Tt为发动机扭矩;ig为变速器传递比;i0为主减速器传递比;ηT为机械传动效率;R为轮胎半径。

由于商用车多采用气压制动系统，故由制动轮缸气室压力与制动力矩的关系可得整车制动力为：

（3）

考虑到目前大多数商用车搭配缓速器装置，造成整车制动力无法准确计算，故本文仅考虑商用车在加速状态下的车辆模型，消除整车制动力计算不准确的影响。

（4）

（5）

（6）

式中，Pi为制动轮缸气室压力;Cbrki为制动器系数;CD为空气阻力系数;A为迎风面积;Vx为汽车纵向速度;γ为道路坡度（本文作为已知数据）;g为重力加速度;f为滚动阻力系数。

将式1整理，加速状态不考虑制动力，把含有质量的分项移到同一侧：

（7）

（8）

（9）

式中，Fx为等效纵向力;aEff 为等效纵向加速度。

由此可得基于整车纵向动力学模型的质量估计初始值为：

（10）

上述基于整车纵向动力学模型得到的质量估计初始值，受公式中等效纵向力及等效纵向加速度的影响很大，初始估计结果容易产生较大波动，故需要采用低通滤波器进行滤波，递推得到平稳准确的估计质量值。

2.2   基于模糊逻辑的质量估计算法

因为整车质量在车辆行驶过程变化较小或几乎不变，对估计结果的实时性要求不高。同时由于汽车纵向力和纵向加速度只有在平稳行驶工况下才能够获得较为平稳的数据，从而计算得到稳定的质量估计值，所以需要对汽车实际行驶工况进行筛选，选出适合进行质量估计的平稳行驶工况，符合条件后再进行质量估计，根据以往仿真及实验的经验，选取的具体条件如下：

先根据汽车整车相关状态量的门限值进行初步判断，作为允许质量估计的初步条件：

（1）等效纵向力的绝对值|Fx|大于最小纵向力Fxmin（1000N）。

（2）汽车制动防抱死系统（ABS）没有触发。

（3）汽车主动偏航控制系统（AYC）没有触发。

（4）汽车牵引力控制系统（TCS）没有触发。

（5）汽车不处于换挡状态。

（6） 纵向车速Vx大于最小纵向车速Vxmin（5m/s）。

（7）侧向加速度ay小于最大侧向加速度aymax（1m/s2）。

（8）汽车不处于倒车状态。

当车辆当前状态满足上述设置的基本条件后，需要进一步筛选适合进行质量估计的工况。由于传感器输入信号波动较大，单纯通过传感器输入信号的门限值来判断适合进行质量估计的条件，很容易出现误判，所以本文选择利用TSK模糊逻辑模型来进行判断。TSK模糊模型输入量为与质量估计相关的车辆状态量，输出量为经过隶属度函数得到的隶属度。模糊模型中隶属度函数对计算的结果有很大的影响，模糊模型中隶属度的函数有很多种，考虑到工程应用中对计算量和实时性等需求[17]，本文选择梯形函数作为隶属度函数（图2），模糊逻辑得到的隶属度越高说明越适合进行质量估计，隶属度的取值范围为（0～1）。基于车辆不同的动力学状态信息，选择以下六种车辆状态量作为模糊逻辑的输入量，选择不同的模糊逻辑子集，来反应当前状态是否适合质量估计，本文设计的模糊子集参数如表2所示。

（1）等效纵向力与等效纵向力低通滤波值的差值越小，说明等效纵向力的变化越小，故使用模糊S子集进行隶属度计算，输入量为|Fx-Fxfilter|。

（2）当前周期等效纵向力滤波值与上周期等效纵向力滤波值的差值越小，说明等效纵向力的变化越小，故使用模糊S子集进行隶属度计算，输入量为|ΔFxfliter|。

（3）等效纵向力绝对值越大，等效纵向力受噪声影响的相对程度越小，故使用模糊L子集进行隶属度计算，输入量为|Fx|。

（4）当等效纵向加速度越大，等效纵向加速度受噪声影响的相对程度越小，故使用模糊L子集进行隶属度计算，输入量为|aEff|。

（5）当侧向加速度越小，说明汽车趋于稳定直线行驶状态，故使用模糊S子集进行隶属度计算，输入量为|ay|。

（6）过小的车速会受到低档位振动的影响，过大的车速会造成空气阻力过大，故选择适中的车速，使用模糊M子集进行隶属度计算，输入量为|Vx|。

相关的模糊逻辑表达式如下式所示：

（11）

如果上述得到的质量估计隶属度（Wem）大于允许质量估计隶属度的阈值（0.6），则允许进行下述的质量估计自适应滤波策略。

由式（8）可以得到质量估计的粗略值mrough 。由于初步得到的质量估计粗略值波动很大，所以需要选用低通滤波器进行滤波，得到平稳的质量估计数值。本文主要采用兩次低通滤波，首次低通滤波根据质量估计信息自适应改变低通滤波系数，第二次低通滤波采用定值长周期滤波系数，减少估算结果的突变，防止因估计质量的突然变化对下述减速度控制造成不良影响。

上述得到的质量估计隶属度越高，说明质量估计的粗略值的置信度越高，此时应选取较大的滤波系数，根据上述得到的质量估计隶属度，可以得到首次低通滤波的初始滤波系数：

（12）

式中，Cfilterraw为首次低通滤波的初始滤波系数，C为隶属度到滤波系数的转换值。

在质量估计的初期，为了使质量估计结果进行快速度收敛，此时应该具有较大的首次低通滤波系数，随着质量估计的值逐渐接近真实的质量值，此时应该减小首次低通滤波系数，以此维持以往较为准确的估计结果，减少估计噪声信号带来的影响。

为了使首次低通滤波系数随着质量估计周期的推移逐渐减小，考虑使用质量估计隶属度的积分值作为改变滤波系数的影响因子之一，随着估计周期的推移，质量估计隶属度的积分值逐渐增大，首次低通滤波系数逐渐减小。质量估计隶属度的积分值为：

（13）

（14）

式中：MIN表示两者取较小值，IWem为质量估计隶属度的积分值，IWemmax为质量估计隶属度积分值的阈值。

同时为了滤去估计噪声信号，考虑使用估计质量首次滤波结果与二次滤波结果的差值作为改变滤波系数的影响因子之一，两者差值越大说明质量估计结果波动越大，此时应减小首次低通滤波系数。估计质量首次滤波结果与二次滤波结果差值的绝对值为：

（15）

将md作为输入量，使用模糊S子集进行隶属度计算，输出量为Id。

（16）

式中，Wuw为首次滤波系数的隶属度。

如果首次滤波系数的隶属度Wuw取值小于0.03，则滤波系数不变：

（17）

如果首次滤波系数的隶属度Wuw取值在（0.03，0.125）之间，则滤波系数除以16;

（18）

如果首次滤波系数的隶属度Wuw取值在（0.125，0.25）之间，则滤波系数除以64;

（19）

如果首次滤波系数的隶属度Wuw取值大于0.25，则滤波系数除以128;

（20）

根据上述得到的首次低通滤波系数，可以得到首次滤波后的估计质量：

（21）

将首次滤波后的估计质量进行二次定值长周期低通滤波，长周期低通滤波虽然降低了估计质量的收敛速度，但是能够滤除估计质量原始值的大幅度波动，估计质量能够相对平稳地收敛到理想结果。

（22）

式中，m为最终估计质量，ClongT为定值长周期滤波系数。

如果经过二次滤波后的估算质量结果长时间保持不变或变化幅度在很小的范围内，说明此时估算质量已经趋于收敛，此时记录当前估算质量结果作为最终估计值，且估计算法终止运行，从而能够减少计算量，提高控制器运算效率。待车速为0后，车辆重新行驶时，再进行上述算法对质量进行重新估计。

3    基于“前馈+反馈PID”的减速度控制

为了实现线控制动系统减速度控制功能，本文采用了工程中常用的“前馈+反馈PID”控制[18-19]，通过调节控制器参数控制实际减速度与期望减速度一致。该控制方式具有很强的鲁棒性，更能适应商用车质量多变、响应延迟大的特点。

本文设计的减速度控制流程如图3所示，上层决策模块下达车辆需求减速度指令，若同时存在多个上层控制指令则需要进行减速度指令协调，取减速度绝对值的最大值作为协调减速度请求。

同时基于整车质量估计与车辆减速度估计为线控制动请求控制提供参考量。请求减速度与整车质量乘积作为前馈制动力，提供车辆达到期望减速度所需的基本制动力。实际减速度与期望减速度的偏差通过PID反馈控制器得到反馈制动力，提供车辆达到期望减速度所需的补偿制动力。

前馈制动力与反馈制动力相加得到总体需求制动力，同时根据车辆稳定性、前后桥摩擦片磨损状态进行前后桥需求制动力分配。前后桥摩擦片的磨损状态主要通过传感器获得磨损信息，若无搭载相关传感器也可通过摩擦磨损试验建立摩擦片磨损特性模型[20]，进而对摩擦片磨损信息进行观测，由于制动力分配模块不属于本文研究内容的重点，故不再详细描述。将前后桥需求制动力除以相应的制动器系数得到前后桥轮缸气室需求压力，将控制信号反馈给比例阀从而进行轮缸气室压力控制。

在向线控制动系统下达期望减速度指令的初期，由于气体管路较长，气体传递存在迟滞，导致制动气室轮缸压力建压时间略有延迟，轮缸压力从0bar到10bar用时大约为600-800ms，如果此时介入反馈控制会使比例阀指令压力过高，使得实际减速度出现过大的超调量，影响减速度控制效果，故建压延迟初期仅需介入前馈控制而不介入反馈控制。当制动气室轮缸压力达到前馈控制的压力指令时，此时再同时介入前馈控制与反馈控制。

4    实车测试结果

本文选取解放JH6牵引车为测试样车，牵引车驱动形式4×2，整车整备质量为6900kg，同时以黑河市北安极地测试基地为实车试验路段。实车测试样车如图4所示。

4.1   质量估计算法实车验证

质量估计算法的实车验证结果如图5所示，设置初始默认整车质量为5800kg，而实际整车整备质量为6900kg，车辆在符合质量估计的工况下，大约15秒内质量估计结果趋于稳定，相较于工程中常用的递推最小二乘质量估计方法，其收敛时间在25秒以上[21]，故该算法在收敛速度上有较大提升。收敛质量为7520kg，误差约为8.99%，该误差在减速度PID反馈控制的补偿范围之内，满足减速度控制的要求，同时由于算法计算逻辑简单，没有大量的数值计算，可以很大程度地节省控制器的计算空间，节约计算成本。

4.2   减速度控制實车验证

商用车一般配备制动防抱死系统（ABS），大力制动导致ABS触发时车辆减速度波动较大，而轻微制动ABS未触发时车辆速度与轮速接近，减速度波动也较小，故根据ABS是否触发需要分别匹配PID参数，通过反复实车测试进行PID参数调节，当ABS没有触发时P=20，I=5，D=1，当ABS触发时P=5，I=15，D=0。在路面附着系数为0.75的混凝土路面上分别设置期望减速度为2m/s2、4m/s2、7m/s2，制动初始速度为60m/s。

为了验证实际减速度与期望减速度是否一致，本文作者在解放JH6实验样车中加入惯性传感器（IMU），从而获得参考纵向加速度，通过估计加速度与IMU加速度进行对比，从而验证估计加速度的准确性。同时将IMU加速度与期望加速度进行对比，观察减速度控制的控制效果。

由于在实车测试中IMU信号噪声较大，无法准确获得纵向加速度真值，但IMU加速度信号在纵向加速度真值附近上下波动，通过观察IMU加速度信号上下浮动的中心位置，大致能够为验证估计加速度的准确性提供参考。当期望减速度为2m/s2以及4m/s2时，此时ABS没有触发，当期望减速度为7m/s2时，此时ABS触发。从上面三组实验的结果可以看出，无论ABS是否触发，估计加速度与IMU加速度的大小以及变化趋势都能保持一致，并且估计加速度在期望加速度数值附近略微波动，基本保持在期望加速度附近。同时前后桥比例阀压力在制动初期保持稳定，仅由前馈控制进行调节，当制动气室充分建压后，再根据减速度反馈误差结果进行压力调节。上述实验结果验证了本文设计的减速度控制器具有很好的控制效果。

5    结束语

（1）气压线控制动系统是未来无人驾驶商用车的关键执行机构，本文设计了一种基于商用车质量估计的线控制动系统减速度控制方法，为气压线控制动减速度控制提供算法支持。

（2）本文提出了一种基于模糊逻辑的自适应滤波系数商用车质量估计算法，在保证估计质量结果准确的情况下，减少占用控制器的计算资源。基于车辆纵向动力学模型得到估计质量的原始值，通过当前车辆状态利用模糊逻辑规则自适应调节估计质量原始值的滤波系数，给予可信度更高的估计质量的原始值更高的权重，让估计质量快速收敛，同时滤去可信度较低的原始估计值噪声，使估计质量结果趋于稳定。经实车测试，质量误差约为8.99%，估计效果满足减速度控制要求。

（3）基于质量估计与减速度估计结果，按照驾驶员或者主动制动模块要求的期望减速度进行“前馈+反馈PID”控制，同时考虑ABS对减速度估算结果的影响，根据ABS是否触发，配匹两套PID参数。在实车实验中分别设置期望减速度2m/s2、4m/s2、7m/s2。观察实车数据，验证了减速度控制算法具有很好的控制效果。

综上所述，本文提出的基于质量估计的商用车线控制动系统减速度控制算法，能够满足未来无人驾驶汽车线控制动的需求，准确快速地执行上层制动指令，为未来无人驾驶汽车的落地提供底层控制算法。在未来研究中，还需要进一步考虑线控制动期望减速度的变化趋势，使之与真实驾驶员踩踏制动踏板产生的减速度变化趋势一致[22]，避免期望减速度突然增大，从而提升车内成员乘坐的舒适性。

参考文献：

[1]李亮，王翔宇，程硕，等. 汽车底盘线控与动力学域控制技术[J]. 汽车安全与节能学报，2020，11（2）： 143-160.

[2]王建萍，何力. 干线物流无人驾驶卡车市场化挑战[J].汽车与配件，2021， 2（2）： 56-59.

[3]陈倩.商用车气压制动系统动态特性仿真研究[D].长春：吉林大学， 2015.

[4]曲辅凡.线控气压复合制动系统控制及硬件在环仿真研究[D].哈尔滨：哈尔滨工业大学，2017.

[5]杨坤，肖锦钊，王杰，等.考虑踏板速度的驾驶员制动强度识别研究[J].河南科技大学学报（自然科学版），2021，42（3） ： 33-37.

[6]徐勇兵. 基于汽车质量识别的商用车下坡车速规划研究[D]. 武汉：武汉理工大学，2019.

[7]胡满江，罗禹贡，陈龙，等. 基于纵向频响特性的整车质量估计[J]. 吉林大学学报（工学版），2020，11（2）： 978-983.

[8]MCINTYRE M L，GHOTIKAR T J，VAHDI A，et al. A two-stage Lyapunov-based estimator for estimation of vehicle mass and road grade[J]. IEEE Transactions on Vehicular Technology，2009，58（7）：3177-3158.

[9]雷雨龙，付尧，刘科.基于扩展卡尔曼滤波的车辆质量与道路坡度估计[J].农业机械学报，2014，11（11）： 13-18.

[10]任志英，沈亮量，黄伟，等. 基于AEKF的车辆质量与道路坡度实時估计[J]. 振动、测试与诊断，2020，40（4）： 759-764.

[11]杨财，宋健. ABS/TCS/AYC中参考车速和滑移率算法研究[J]. 汽车工程，2009，31（1）： 25-27.

[12]戴希. 基于多传感器信息融合的车辆纵向车速估计方法研究[D]. 秦皇岛：燕山大学，2018.

[13]Lee H. Reliability Indexed Sensor Fusion and Its Application to Vehicle Velocity Estimation[J]. Journal of Biological Chemistry，2006，249（17）： 5614-5622.

[14]Wenzel T A， Burnham K J， Blundell M V，et al. Dual extended Kalman filter for vehicle state and parameter estimation[J]. Vehicle System Dynamics，2006，44（2）： 153-171.

[15]孙万峰.商用车牵引力与制动力集成控制算法研究[D]. 长春：吉林大学，2010.

[16]陈鹏飞. 汽车动力学控制系统中的状态参数实时估计与工程应用[D]. 长春：吉林大学，2018.

[17]RAJAMANI R. 车辆动力学及控制[M].2版. 王国业，译. 北京：机械工业出版社，2018.

[18]来飞，叶心. 汽车高速行驶时自动紧急转向避撞的前馈与反馈跟踪控制的研究[J]. 汽车工程， 2020，42（10）： 1405-1411.

[19]冀同涛，李刚，王明家，等. 基于前馈和反馈相结合的路径跟踪算法[J]. 汽车工程师，2019， 7（7）： 19-22.

[20]李玉龙.盘式制动器摩擦特性及其热力耦合分析[D].太原：太原理工大学，2020.

[21]李明阳.应用于商用车EPB系统的车辆质量识别方法的研究[D]. 南京：南京理工大学，2018.

[22]李刚，杨志，吴迪，等.汽车两级自动紧急制动系统控制研究[J].机械设计与制造，2020，7（7） ： 134-138.

专家推荐语

叶晓明

东风汽车集团有限公司技术中心

架构中心副总监  高级工程师

本论文研究的减速度控制是商用车自动驾驶技术的重要组成部分，算法计算量小，可有效降低计算负荷，具备较高的研究及实用价值。