基于BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測的重型半掛汽車列車AEB控制策略研究

郭祥靖，孫 攀，鄧 杰，劉 勇，劉 壯，劉雙平

（東風(fēng)商用車技術(shù)中心，武漢430056）

前言

自動(dòng)緊急制動(dòng)系統(tǒng)（autonomous emergency braking，AEB）是一種高級(jí)輔助駕駛系統(tǒng)（advanced driver assistance system，ADAS）。它通過雷達(dá)、攝像頭等傳感器探測前方目標(biāo)信息，實(shí)時(shí)計(jì)算碰撞危險(xiǎn)程度，在決策到有碰撞的可能性時(shí)，系統(tǒng)會(huì)通過圖像和聲音等方式警告駕駛員進(jìn)行碰撞規(guī)避，若已達(dá)到碰撞危險(xiǎn)臨界值，而駕駛員尚未做出正確的反應(yīng)時(shí)，系統(tǒng)將對(duì)車輛進(jìn)行主動(dòng)制動(dòng)，以避免碰撞的發(fā)生或減輕其損傷程度。

隨著我國商用車AEB的性能要求和試驗(yàn)方法標(biāo)準(zhǔn)的發(fā)布，對(duì)推動(dòng)AEB在商用車領(lǐng)域的發(fā)展與應(yīng)用起到了催化劑的作用。可以預(yù)見，重型牽引車、半掛車標(biāo)配AEB的法規(guī)將很快出臺(tái)。目前，雖然AEB在國內(nèi)外研究較多，但多數(shù)偏重于乘用車，鮮有商用車領(lǐng)域的研究。與乘用車相比，半掛汽車列車具有質(zhì)心高、慣性大、制動(dòng)距離長和車輪易抱死等特點(diǎn)，AEB的研究尤其重要。

臧寧寧等［1］提出了一種基于安全距離模型的商用車分級(jí)制動(dòng)系統(tǒng)，并引入可調(diào)車間時(shí)距的概念，對(duì)不同車間時(shí)距所計(jì)算的碰撞時(shí)間進(jìn)行了分析，結(jié)果表明，該控制系統(tǒng)能有效地避免碰撞的發(fā)生，提升了駕駛員使用體驗(yàn)；馬玉喆等［2］基于安全距離模型和危險(xiǎn)系數(shù)，設(shè)計(jì)了商用車多級(jí)預(yù)警和主動(dòng)制動(dòng)的控制系統(tǒng)，并通過彎道補(bǔ)償算法區(qū)分主車道與旁車道車輛，結(jié)果表明，該算法能有效避免對(duì)旁車道的誤制動(dòng)，提高了彎道下汽車的主動(dòng)安全性；楊為等［3］以某SUV為研究對(duì)象，并基于碰撞時(shí)間（time to collision，TTC）建立風(fēng)險(xiǎn)評(píng)估模型，提出了一種上層模糊控制和下層PID控制的分層控制策略，仿真結(jié)果表明，該控制策略能正確向行人發(fā)出碰撞預(yù)警；黃舒?zhèn)サ龋?］基于深度強(qiáng)化學(xué)習(xí)，提出一種根據(jù)車輛安全狀態(tài)變化實(shí)時(shí)調(diào)整期望制動(dòng)加速度的控制策略，該算法收斂性好，提高了車輛制動(dòng)時(shí)的舒適性，但制動(dòng)加速度會(huì)出現(xiàn)小幅震蕩；辜志強(qiáng)等［5］針對(duì)商用車AEB的下坡工況，采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)制動(dòng)距離進(jìn)行預(yù)測，通過硬件在環(huán)仿真驗(yàn)證了其控制方法的有效性；Yang等［6］提出了一種上層基于模糊推理的BP前饋模糊神經(jīng)網(wǎng)絡(luò)算法以確定期望減速度，下層采用PID控制算法輸出制動(dòng)壓力的AEB-P控制系統(tǒng)，仿真結(jié)果表明該控制系統(tǒng)能有效地避免碰撞事故的發(fā)生；蘭鳳崇等［7］建立了碰撞時(shí)間預(yù)警模型，并根據(jù)碰撞事故數(shù)據(jù)確定分級(jí)制動(dòng)減速度閾值，最后在CarSim中搭建了仿真測試場景，結(jié)果表明，其控制策略能有效避免碰撞；Park等［8］基于雷達(dá)和攝像頭傳感器融合信息預(yù)測行人橫向位移，通過計(jì)算比較行人當(dāng)前位置和預(yù)測位置的碰撞概率，對(duì)車輛進(jìn)行提前制動(dòng)，結(jié)果表明，最高車速40 km∕h行駛時(shí)，能有效避免碰撞事故的發(fā)生或減輕碰撞的后果；Kim等［9］提出了一種斜坡AEB系統(tǒng)，利用卡爾曼濾波器估算坡度并計(jì)算TTC，結(jié)果表明，其TTC比傳統(tǒng)TTC更短，觸發(fā)制動(dòng)更快。

本文中提出一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC預(yù)警時(shí)間和碰撞時(shí)間閾值的風(fēng)險(xiǎn)評(píng)估模型，并以上層模糊控制、下層前饋制動(dòng)力分配與PID反饋控制，以及車輪最優(yōu)滑移率滑模變控制相結(jié)合的控制策略，最后利用TruckSim搭建AEB的3種典型試驗(yàn)場景，通過與Simulink聯(lián)合仿真對(duì)控制策略進(jìn)行了驗(yàn)證。

1 碰撞預(yù)警模型

1.1 碰撞時(shí)間TTC的建立

基于時(shí)距的TTC模型算法應(yīng)用廣泛，包括SAE、NHTSA、ISO、Euro-NACP、C-NCAP和GB∕T 38186—2019。故本文中以TTC為風(fēng)險(xiǎn)評(píng)估依據(jù)，根據(jù)預(yù)警時(shí)間和碰撞時(shí)間來觸發(fā)相應(yīng)報(bào)警和制動(dòng)措施。TTC是指在同一路徑上同向行駛的兩車保持自身速度，直到碰撞發(fā)生所需要的時(shí)間。TTC的計(jì)算公式［10］為

式中：tTTC為碰撞時(shí)間；Δs、Δv、Δa分別為本車與前車的相對(duì)距離、相對(duì)速度和相對(duì)加速度。

1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC算法

TTC模型采用閾值觸發(fā)的優(yōu)勢在于控制策略可靠，且在大量數(shù)據(jù)的支持下有較好的效果。但對(duì)于AEB相對(duì)復(fù)雜的工況場景下，TTC閾值選取的準(zhǔn)確性和通用性是極其關(guān)鍵的。

BP神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，采用最速下降法學(xué)習(xí)規(guī)則并反向輸入誤差，優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，實(shí)現(xiàn)誤差平方和最小的網(wǎng)絡(luò)［11］。由式（1）可知，通常TTC的計(jì)算方法是根據(jù)本車與前車的相對(duì)距離、相對(duì)速度和相對(duì)加速度作為輸入，通過分段函數(shù)來計(jì)算不同碰撞場景的碰撞時(shí)間。但對(duì)于實(shí)際復(fù)雜的AEB場景而言，選取合適的TTC報(bào)警和觸發(fā)閾值是一項(xiàng)困難并極具經(jīng)驗(yàn)性的任務(wù)。BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性連續(xù)函數(shù)，對(duì)于求解復(fù)雜工況下的AEB報(bào)警和觸發(fā)閾值具有高度自學(xué)習(xí)和自適應(yīng)的能力，為后續(xù)AEB控制系統(tǒng)的精準(zhǔn)觸發(fā)和執(zhí)行提供了前提條件。

歐盟新車安全評(píng)鑒協(xié)會(huì)（the European new car assessment programme，Euro NCAP）將AEB系統(tǒng)測試場景劃分為AEB城市、AEB城際和AEB行人3種場景。本文中針對(duì)前兩種測試場景進(jìn)行AEB數(shù)據(jù)采集，城市測試工況主要為本車接近前方靜止前車工況，稱CCRs（car to car rear stationary）；城際測試工況主要包括CCRs、本車接近前方移動(dòng)的前車CCRm（car to car rear moving）和本車接近前方制動(dòng)的前車CCRb（car to car rear braking）3個(gè)測試工況。其中城際CCRs與城市CCRs基本相同，不再重復(fù)測試。本文中利用TruckSim搭建以上3種測試場景，并以不同車速、距離和減速度作為輸入條件進(jìn)行仿真測試，最終獲取BP神經(jīng)網(wǎng)絡(luò)算法所需的數(shù)據(jù)。其中半掛汽車列車主要整車參數(shù)和場景設(shè)置如表1所示。

表1 整車參數(shù)與場景設(shè)置

上述所采用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測半掛汽車列車的預(yù)警和碰撞時(shí)間，通過TruckSim仿真場景中的數(shù)據(jù)作為輸入、輸出的數(shù)據(jù)樣本集，經(jīng)過函數(shù)訓(xùn)練后，得到不同AEB場景下報(bào)警和制動(dòng)時(shí)間的TTC預(yù)測模型。

針對(duì)城市∕城際CCRs、城際CCRm和城際CCRs 3個(gè)工況，選取前車0～80 km∕h范圍內(nèi)9個(gè)梯度初始車速，本車30～80 km∕h范圍內(nèi)6個(gè)梯度初始車速，前車-5m∕s2～0范圍內(nèi)6個(gè)梯度初始減速度，本車與前車30～120 m范圍內(nèi)6個(gè)梯度初始相對(duì)距離，并以避撞結(jié)束后前車與本車相對(duì)距離至少大于2 m為有效數(shù)據(jù)，最終篩選出1 944組數(shù)據(jù)。上述數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，選取tansing訓(xùn)練函數(shù)，其中隱藏神經(jīng)元15個(gè)，訓(xùn)練次數(shù)5 000次，誤差0.001。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)、測試數(shù)據(jù)和總體數(shù)據(jù)的回歸擬合程度如圖1所示，誤差分布如圖2所示。

由圖1可知，用于訓(xùn)練、驗(yàn)證、測試和總體數(shù)據(jù)的目標(biāo)值與預(yù)測值的相關(guān)性R值均基本約等于1，表明BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型擬合度較高，預(yù)測結(jié)果較為準(zhǔn)確；由圖2可知，預(yù)測模型的誤差主要分布在-0.18%～0.21%之間，而在-1.55%～-0.18%和0.21%～2.17%兩個(gè)誤差區(qū)間的占比很小，故基于BP前饋神經(jīng)網(wǎng)絡(luò)算法得到的預(yù)測模型能有效地預(yù)測碰撞時(shí)間和制動(dòng)時(shí)間。

圖1 BP神經(jīng)網(wǎng)絡(luò)算法數(shù)據(jù)的擬合狀況

圖2 BP神經(jīng)網(wǎng)絡(luò)算法誤差分布圖

2 半掛汽車列車AEB控制策略優(yōu)化設(shè)計(jì)

提出一種分類碰撞危險(xiǎn)評(píng)估方法，當(dāng)車輛油門開度為零、轉(zhuǎn)向盤轉(zhuǎn)角為零、車速大于等于30 km∕h、非倒擋、檢測到前方有車輛時(shí)，激活A(yù)EB系統(tǒng)；當(dāng)TTC達(dá)到預(yù)警時(shí)間閾值時(shí)，進(jìn)入風(fēng)險(xiǎn)狀態(tài)I，在此狀態(tài)下車輛只對(duì)駕駛員進(jìn)行聲音、燈光等警示；當(dāng)TTC達(dá)到碰撞時(shí)間閾值時(shí)，進(jìn)入風(fēng)險(xiǎn)狀態(tài)II，在此狀態(tài)下AEB系統(tǒng)將對(duì)車輛進(jìn)行緊急制動(dòng)控制；經(jīng)過前兩個(gè)狀態(tài)后，前車停止或本車與前車的車速相等時(shí)，進(jìn)入風(fēng)險(xiǎn)狀態(tài)III，在此狀態(tài)下，若前車車輛停止，AEB系統(tǒng)將對(duì)車輛施加0.4 MPa的制動(dòng)壓力；若本車與前車的車速相等，AEB系統(tǒng)將對(duì)本車輛施加風(fēng)險(xiǎn)狀態(tài)II退出時(shí)刻的制動(dòng)力，風(fēng)險(xiǎn)狀態(tài)III中采取的制動(dòng)措施，是為防止本車停止后處于坡道路面或本車油門踏板行程不為零導(dǎo)致的本車?yán)^續(xù)行走可能帶來的風(fēng)險(xiǎn)，且在一定程度上提高舒適性。

進(jìn)入風(fēng)險(xiǎn)狀態(tài)II時(shí)，本文提出一種基于上層模糊控制輸出期望制動(dòng)減速度，下層前饋制動(dòng)力分配控制、PID制動(dòng)力反饋控制和車輪最優(yōu)滑移率的滑?？刂频目刂撇呗?。

2.1 上層控制器

通常在AEB系統(tǒng)中，當(dāng)觸發(fā)TTC制動(dòng)閾值時(shí)，本車將進(jìn)行全力緊急制動(dòng)，由此帶來的強(qiáng)烈減速會(huì)對(duì)駕駛員和乘客造成身體的巨大沖擊。故如何提升AEB觸發(fā)制動(dòng)時(shí)駕駛員和乘員的舒適性，避免制動(dòng)力過大造成駕駛員的不適和對(duì)AEB功能的排斥，是AEB開發(fā)時(shí)須考慮的主要問題之一。

模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種智能控制方法，它是從行為上模仿人的模糊推理和決策過程的一種智能控制方法，可用于解決過程控制中的非線性、強(qiáng)耦合時(shí)變和滯后等問題，具有很強(qiáng)的魯棒性和容錯(cuò)能力。對(duì)于觸發(fā)AEB時(shí)期望減速度的確定，能兼顧避撞的有效性和駕駛員的舒適性。

為更精細(xì)地區(qū)分不同AEB場景下所需的期望減速度，引入3個(gè)具有代表性的變量作為模糊控制規(guī)則的輸入，即本車與前車的相對(duì)距離、相對(duì)速度和前車減速度；并結(jié)合1.2節(jié)得到不同場景下的TTC制動(dòng)閾值，設(shè)計(jì)了AEB細(xì)分場景模糊控制。模糊規(guī)則基本遵循以下規(guī)則：當(dāng)相對(duì)距離、相對(duì)速度和前車減速度均最大時(shí)，取最大的期望減速度；當(dāng)相對(duì)距離和相對(duì)速度、前車減速度均最小時(shí)，取較大的期望減速度；當(dāng)相對(duì)距離和相對(duì)速度最大，前車減速度最小時(shí)，取較大的期望減速度；當(dāng)相對(duì)距離和相對(duì)速度最小，前車減速度最大時(shí)，取最大的期望減速度；當(dāng)相對(duì)距離最大，相對(duì)速度和前車減速度最小時(shí)，取最小的期望減速度；當(dāng)相對(duì)距離最小，相對(duì)速度和前車減速度最大時(shí)，取最大的期望減速度。

在保證安全的前提下，模糊控制規(guī)則以駕駛員的乘坐舒適性為參考。模糊控制器具體設(shè)置為：相對(duì)距離Δs的基本論域?yàn)椋?，120］，語言變量分為NB（負(fù)大）、NM（負(fù)中）、NS（負(fù)?。?、ZO（零）、PS（正?。?、PM（正中）、PB（正大）；相對(duì)速度Δv的基本論域?yàn)椋?，50］，語言變量的劃分與相對(duì)距離相同；前車減速度aEVT的基本論域?yàn)椋?，5］，語言變量分為NB（負(fù)大）、ZO（零）、PB（正大）。最后對(duì)上述所有模糊控制的輸入輸出的基本論域做歸一化處理，模糊規(guī)則輸入輸出曲面如圖3～圖5所示。

圖3 期望減速度、相對(duì)距離和相對(duì)速度的模糊規(guī)則曲面

圖4 期望減速度、相對(duì)速度和前車減速度的模糊規(guī)則曲面

圖5 期望減速度、相對(duì)距離和前車減速度的模糊規(guī)則曲面

2.2 下層控制器

通過上層控制器得到的期望減速度，下層控制器采用前饋制動(dòng)力分配和PID反饋控制相結(jié)合的方式，輸出各軸車輪的制動(dòng)力，并基于最優(yōu)滑移率的滑模控制來提高輪胎附著力，保證車輛制動(dòng)時(shí)的穩(wěn)定性和安全性。

2.2.1 前饋制動(dòng)力分配

對(duì)于自動(dòng)緊急制動(dòng)系統(tǒng)，及時(shí)對(duì)車輛進(jìn)行制動(dòng)控制極其重要。本文中采用前饋控制，建立半掛汽車列車模型，通過上層控制器得到的期望減速度計(jì)算出半掛汽車列車各軸所需的制動(dòng)力，從而減小跟蹤誤差，提高控制精度和系統(tǒng)響應(yīng)速度。

參照東風(fēng)某半掛汽車列車，具體為6×4牽引車和三軸箱式半掛車。為減小計(jì)算量，將牽引車的2個(gè)后軸簡化為1個(gè)軸，半掛車的3個(gè)軸簡化為1個(gè)軸來進(jìn)行各軸制動(dòng)力的計(jì)算分配。半掛汽車列車勻減速行駛受力如圖6和圖7所示。

圖6 牽引車勻減速行駛受力分析

圖7 半掛車勻減速行駛受力分析

牽引車縱向受力平衡：

半掛車縱向受力平衡：

牽引車垂向受力平衡：

半掛車垂向受力平衡：

對(duì)牽引車前軸力矩平衡：

對(duì)半掛車前軸力矩平衡：

式中：Fx1、Fx2、Fx3分別為制動(dòng)時(shí)牽引車牽引車前軸、后軸及半掛車車軸的縱向制動(dòng)力，N；Fz1、Fz2、Fz3為各軸車輪所受地面垂向力，N；Fx4和Fz4分別為鉸接處的縱向作用力和垂向作用力，N；m1、m2分別為牽引車和半掛車的質(zhì)量，kg；a為半掛汽車列車的縱向減速度，m∕s2；g為重力加速度，m∕s2；l1為牽引車軸距，m；c1為牽引車質(zhì)心到前軸的縱向距離，m；b為牽引車后軸到鉸接點(diǎn)的縱向距離，m；h1為牽引車質(zhì)心到地面的垂向距離，m；hs為鉸接點(diǎn)到地面的垂向距離，m；l2為半掛車車軸到鉸接點(diǎn)的縱向距離，m；c2為半掛車質(zhì)心到鉸接點(diǎn)的縱向距離，m；h2為半掛車質(zhì)心到地面的垂向距離，m。

理想的制動(dòng)力分配策略是各車輪的利用附著系數(shù)均相同，即

式中：Zi為第i軸車輪利用附著系數(shù)；Zdes為由上層控制器輸出的期望減速度ades轉(zhuǎn)化得到車輪期望的制動(dòng)強(qiáng)度；Fzi為第i軸垂向力，N；Fxi（i=1，2，3）為第i軸縱向制動(dòng)力，N。

由式（2）～式（7）可得

式中Fxi_des（i=1，2，3）為第i軸期望前饋縱向制動(dòng)力，N。

由于AEB系統(tǒng)功能屬于縱向控制，本文忽略側(cè)傾、橫擺方向運(yùn)動(dòng)所帶來的左右車輪載荷變化，因此可認(rèn)為同軸左右車輪的制動(dòng)力相等；同時(shí)認(rèn)為，簡化后的牽引車后軸制動(dòng)力可平均分配至牽引車實(shí)際的兩個(gè)后軸，半掛車亦如此。故由式（10）～式（12）可得半掛汽車列車各車輪期望的制動(dòng)力：

式中Fi_des(i=1，2，3，···，12)為第i個(gè)車輪期望的制動(dòng)力，N。

利用TruckSim軟件中的制動(dòng)器模型數(shù)據(jù)，由期望制動(dòng)力通過查表可得各車輪期望的制動(dòng)壓力pi_des為

式中K為制動(dòng)器效能因素。

2.2.2 PID反饋控制

為進(jìn)一步提高控制精度，減小誤差和系統(tǒng)干擾，采用PID控制器進(jìn)行整車減速度的反饋控制，具體以整車期望的減速度與實(shí)際減速度的偏差為輸入，通過PID反饋調(diào)節(jié)，得到各軸車輪的制動(dòng)氣壓增量。以前軸車輪為例，前軸車輪期望的制動(dòng)氣壓增量為

式中Kp、KI、KD為PID控制參數(shù)。

2.3 滑模變結(jié)構(gòu)控制器設(shè)計(jì)

半掛汽車列車由于其質(zhì)心高、載質(zhì)量大、輪胎易抱死等特點(diǎn)，在道路上行駛進(jìn)行緊急制動(dòng)時(shí)，易發(fā)生側(cè)滑、折疊、擺震等橫向穩(wěn)定性問題，故提高車輛的附著力，對(duì)車輛各軸車輪進(jìn)行最優(yōu)滑移率控制極其重要?；陔p線性模型，建立半掛汽車列車各車輪滑移率滑模控制模型。

2.3.1 單輪車輛制動(dòng)模型

忽略空氣阻力和車輪滾動(dòng)阻力，建立車輛的單輪模型，即1∕4車輛模型［12］，僅考慮車輛縱向運(yùn)動(dòng)和車輪繞自軸的轉(zhuǎn)動(dòng)，車輛制動(dòng)過程中的車輪受力情況如圖8所示。

圖8 單輪模型車輪受力分析

其縱向動(dòng)力學(xué)方程為

式中：m為1∕4車輛模型質(zhì)量，kg；vx為整車速度，m∕s；Fx為車輪縱向摩擦力，N；μf為輪胎縱向附著系數(shù)；J為車輪轉(zhuǎn)動(dòng)慣量，kg·m2；ω為車輪角速度，rad∕s；r為車輪滾動(dòng)半徑，m；Fz=mg為車輪地面垂向支撐力，N；Tb為制動(dòng)力矩，N·m。

采用雙線性模型來簡化車輪附著力模型：

式中：λdes為輪胎最優(yōu)滑移率；μz為縱向峰值附著系數(shù)；μh為滑移率等于100%時(shí)的縱向附著系數(shù)。

定義制動(dòng)時(shí)的滑移率為

對(duì)式（22）求導(dǎo)可得

2.3.2 車輪滑移率滑?？刂?/p>

通常情況下，滑移率在25%左右時(shí)，車輪附著力能達(dá)到最大附著力，故本文選取25%的最優(yōu)滑移率作為目標(biāo)，且當(dāng)車輪滑移率大于80%時(shí)觸發(fā)滑移率控制。制動(dòng)過程中，輪胎與路面之間的摩擦特性導(dǎo)致防抱死系統(tǒng)具有非常明顯的非線性、時(shí)變性和不確定性；而滑模變結(jié)構(gòu)控制具有快速響應(yīng)、對(duì)參數(shù)變化與擾動(dòng)不靈敏、無需系統(tǒng)在線辨識(shí)和物理實(shí)現(xiàn)簡單等優(yōu)點(diǎn)［13］，它能很好地滿足防抱死系統(tǒng)特性的要求。由ABS的基本原理可知，其制動(dòng)過程的本質(zhì)就是將車輪的縱向滑移率控制在最大地面附著系數(shù)對(duì)應(yīng)的滑移率，因此，定義控制器的跟蹤誤差e為

定義滑模變結(jié)構(gòu)控制的切換函數(shù)s為

式中：c為大于零的常數(shù)；t為時(shí)間，s。

對(duì)式（24）和式（25）求導(dǎo)并整理得

滑模變結(jié)構(gòu)控制采用冪次趨近律：

式中：k和α皆為系數(shù)，它們決定控制律的收斂速度，k＞0，0＜α＜1；sgn（·）為符號(hào)函數(shù)。

由上述各式可得滑模變結(jié)構(gòu)控制單個(gè)車輪的控制律為

3 控制策略驗(yàn)證

為驗(yàn)證上述控制策略的有效性，在TruckSim中搭建了半掛汽車列車AEB測試場景。主要驗(yàn)證內(nèi)容有：BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC閾值模型的有效性驗(yàn)證；上層期望減速度控制策略的驗(yàn)證；下層制動(dòng)力優(yōu)化分配控制策略驗(yàn)證。

3.1 CCRs場景工況測試

設(shè)置本車初始車速為60 km∕h，初始距離為100 m，前車初始車速為0，前車減速度為0。

由圖9和圖10可知，在1.1 s時(shí)進(jìn)入風(fēng)險(xiǎn)狀態(tài)I，持續(xù)2.6 s，在3.7～8.2 s之間進(jìn)行了自動(dòng)緊急制動(dòng)控制，制動(dòng)距離為29.9 m；由圖11可知，在3.7 s前，本車以60 km∕h的車速勻速行駛，進(jìn)入風(fēng)險(xiǎn)狀態(tài)II后，車速在8.2 s時(shí)降至0；其中期望最大制動(dòng)減速度為-5.6 m∕s2，實(shí)際最大制動(dòng)減速度為-5.84 m∕s2，誤差0.24 m∕s2，系統(tǒng)及時(shí)響應(yīng)，延遲0.16 s；由圖12和圖13可知，未加入滑移率滑?？刂茣r(shí)，牽引車前軸、后軸各車輪處于風(fēng)險(xiǎn)狀態(tài)II中，制動(dòng)完全抱死狀態(tài)；加入控制后，牽引車前軸、后軸各車輪在滑移率大于80%時(shí)觸發(fā)滑移率滑?？刂?，其間基本維持在設(shè)定的最優(yōu)滑移率25%左右，極大地提高了半掛汽車列車緊急制動(dòng)時(shí)的橫向穩(wěn)定性。

圖9 相對(duì)距離與風(fēng)險(xiǎn)狀態(tài)

圖10 本車與前車的車速對(duì)比

圖11 本車制動(dòng)減速度對(duì)比

圖12 無滑移率滑?？刂茣r(shí)各車輪滑移率

圖13 有滑移率滑?？刂茣r(shí)各車輪滑移率

3.2 CCRm場景工況測試

設(shè)置本車初始車速60 km∕h，初始距離100 m，前車初始車速30 km∕h，前車減速度為0。

由圖14、圖15可知，在5.1s時(shí)進(jìn)入風(fēng)險(xiǎn)狀態(tài)II，其間制動(dòng)距離為23 m；在11.3 s時(shí)本車與前車車速相等，隨之進(jìn)入風(fēng)險(xiǎn)狀態(tài)III；由圖16可知，進(jìn)入風(fēng)險(xiǎn)狀態(tài)III時(shí)，實(shí)際減速度與風(fēng)險(xiǎn)狀態(tài)II最后一刻的期望減速度基本相同，以此提高乘坐舒適性，并在17.3 s使車輛減速至停車；由圖17、圖18可知，加入滑移率滑?？刂坪螅瑺恳嚽拜S、后軸各車輪在滑移率在風(fēng)險(xiǎn)狀態(tài)II期間，基本保持在期望的最優(yōu)滑移率25%左右。

圖14 相對(duì)距離與風(fēng)險(xiǎn)狀態(tài)

圖15 本車與前車的車速對(duì)比

圖16 本車制動(dòng)減速度對(duì)比

圖17 無滑移率滑?？刂茣r(shí)各車輪滑移率

圖18 有滑移率滑模控制時(shí)各車輪滑移率

3.3 CCRb場景工況測試

設(shè)置本車初始車速60 km∕h，初始距離30 m，前車初始車速60 km∕h，前車減速度5 m∕s2。

由圖19可知，在5.5 s時(shí)進(jìn)入風(fēng)險(xiǎn)狀態(tài)II，總共制動(dòng)時(shí)間3.6 s，最終與前車距離3.9 m，有效避免碰撞；由圖20和圖21可知，期望減速度最大值為-4.9 m∕s2，大概持續(xù)2.1 s，整個(gè)制動(dòng)過程車速從60 km∕h降至0，持續(xù)3.8 s；由圖22和圖23可知，加入滑移率滑?？刂坪?，牽引車前軸、后軸各車輪處在風(fēng)險(xiǎn)狀態(tài)II期間，基本保持在期望的最優(yōu)滑移率25%左右，由于半掛車各車輪滑移率低于觸發(fā)值80%，故并未激活滑移率滑?？刂啤?/p>

圖19 相對(duì)距離與風(fēng)險(xiǎn)狀態(tài)

圖20 本車與前車的車速對(duì)比

圖21 本車制動(dòng)減速度對(duì)比

圖22 無滑移率滑?？刂茣r(shí)各車輪滑移率

圖23 有滑移率滑?？刂茣r(shí)各車輪滑移率

4 結(jié)論

（1）利用TruckSim搭建自動(dòng)緊急制動(dòng)系統(tǒng)測試的3種典型場景，以半掛汽車列車為測試對(duì)象進(jìn)行了不同車速、減速度和相對(duì)距離下的仿真測試，最終得到1 944組有效數(shù)據(jù)。

（2）利用TruckSim仿真數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)算法，建立了自動(dòng)緊急制動(dòng)系統(tǒng)的TTC預(yù)警和碰撞時(shí)間閾值模型。結(jié)果表明：該算法能有效擬合數(shù)據(jù)進(jìn)而提出了不同風(fēng)險(xiǎn)狀態(tài)碰撞危險(xiǎn)評(píng)估的方法；在自動(dòng)緊急制動(dòng)系統(tǒng)激活時(shí)，上層控制器由模糊控制得到期望的減速度，下層控制器由前饋控制和PID反饋控制得到各軸車輪所需的制動(dòng)力，并進(jìn)一步基于車輪最優(yōu)滑移率滑?？刂频玫礁鬈囕喌闹苿?dòng)力。仿真結(jié)果表明：BP前饋神經(jīng)網(wǎng)絡(luò)算法能較好預(yù)測自動(dòng)緊急制動(dòng)系統(tǒng)的預(yù)警和碰撞時(shí)間，提高了碰撞危險(xiǎn)狀態(tài)評(píng)估的準(zhǔn)確性；上層模糊控制針對(duì)不同自動(dòng)緊急制動(dòng)場景輸出了線性平緩的期望減速度，提高了制動(dòng)狀態(tài)下的舒適性；下層前饋控制和PID反饋控制及時(shí)對(duì)車輛進(jìn)行了有效的制動(dòng)控制，并在最優(yōu)滑移率滑模控制下提高了輪胎附著力和整車的橫向穩(wěn)定性及安全性。