采用每輪電機的電動汽車的智能扭矩矢量方法

交通電氣化目前是世界各地當局、制造商和研究中心的首要任務。電動汽車的開發(fā)及其功能的改進是該戰(zhàn)略的關鍵要素。因此，需要進一步研究減排、提高效率或動態(tài)處理方法。為了實現這些目標，需要開發(fā)合適的高級駕駛輔助系統 （ADAS）。盡管傳統的控制技術已廣泛用于 ADAS 實施，但電動多電機動力總成的復雜性使得智能控制方法適用于這些情況。在這項工作中，提出了一種新穎的智能扭矩矢量 （TV） 系統，該系統由神經模糊垂直輪胎力估計器和模糊偏航力矩控制器組成，可以增強電動多電機汽車的動態(tài)行為。將所提出的方法與使用高保真車輛動力學模擬器 Dynacar 的傳統策略進行了比較。結果表明，所提出的智能扭矩矢量系統能夠將車輛的效率提高 10%，這要歸功于最佳扭矩分配和使用神經模糊垂直輪胎力估計器，該估計的準確度是分析方法的 3 倍。

1. 引言

減少全球變暖、空氣污染和對石油依賴的需求不僅推動了可再生能源的使用，還推動了其他領域的一些范式變化，例如交通系統，其中電動汽車 （EV） 的發(fā)展已成為一項關鍵戰(zhàn)略 [1]。近年來，人們對配備電動動力總成（全電動和混合動力）的車輛的興趣有所增加，成為汽車行業(yè)的主要研究領域之一 [2]。

將電動機集成到推進系統中不僅提供了更好的能源效率和更低的污染，而且還提供了更高的可控性，因為電動機提供了更好的響應時間 [3]。這些功能激發(fā)了人們對高級駕駛輔助系統 （ADAS） 開發(fā)的濃厚興趣，該系統不僅增強了車輛的動態(tài)行為，還增強了車輛的效率和能耗 [4]。

在過去的幾十年里，傳統的控制方法已被廣泛用于實施 ADAS。然而，與內燃機推進系統相比，電氣化推進系統提供了更廣泛的復雜性（和多種拓撲結構）。因此，智能控制方法已成為最近的主要研究興趣之一，因為它們比傳統方法更容易管理復雜的系統。

扭矩矢量分配 （TV） [5] 是增強每輪電機電動汽車動態(tài)行為和穩(wěn)定性的最完整的 ADAS 之一，它側重于最佳驅動扭矩分配。在 TV 方法中，可以使用多種策略來控制扭矩分配，其中大多數策略基于控制沿車輛垂直軸的力矩（偏航力矩）[6]。為此，使用了三種主要策略 [7]：第一種是基于扭矩在驅動輪之間的分布 [6， 8–12];第二種是基于使用主動車輛側傾控制系統來改變橫向載荷分布 [13， 14];最后，第三種策略包括在兩個車軸中實施轉向系統 [15， 16]。這項工作的重點是扭矩分配策略，因為全輪驅動車輛已被選為案例研究。

扭矩分配方法通常使用各種控制算法實現。在傳統方法中，已經提出了更簡單的方法，如基于比例-積分-微分控制（PID）的方法[6]，或更先進的算法，如模型預測控制（MPC）[17]或滑?？刂疲⊿MC）[9]。后者提供了增強的結果，盡管它們的計算成本高于基于 PID 的方法。另一方面，神經網絡 [10] 或模糊邏輯系統 [11] 等智能方法已被證明能夠以較低的計算成本提供良好的結果，使其成為實現扭矩分配方法的良好替代方案。

為了實現有效的驅動扭矩分配，了解輪胎力至關重要 [18]。然而，直接測量這些力是一項復雜而艱巨的任務，因此需要設計適當的估計器。然而，在文獻中提出的工作中并不總是考慮這個問題，這些工作是基于對這些力的完美估計，這不是一個真實的情況。

在提出的估計車輛輪胎力的方法中，最常見的是使用基于輪胎模型的估計器，如線性輪胎模型 [19]、Dugoff 模型 [20]或半經驗模型，如 Pacejka 輪胎模型 [18]。其他工作沒有考慮輪胎模型，而是根據縱向和橫向載荷傳遞以及每個車輪上的靜態(tài)載荷來估計輪胎的垂直力[21–25]。還使用了智能建模方法，這減少了了解復雜輪胎動力學的需要，甚至允許模型調整。例如，神經網絡、擴展卡爾曼濾波器和遞歸最小二乘法在 [26] 中被結合起來，以估計輪胎橫向力和抓地力電位識別，即使在激進的動作中也是如此。在 [27] 中，使用了基于模糊邏輯的縱向、橫向和垂直輪胎力估計器，這需要滑移角估計進行作并提供高度相關性。與傳統方法相比，這兩種方法都提供了更準確的估計，盡管它們的適用性帶來了一些不便，因為它們需要難以測量的變量。

總之，智能方法已被證明是 ADAS 開發(fā)的合適替代方案，可提供平衡的性能與計算成本。然而，需要適當的輪胎力估計來保證在實際場景中的理論性能。在文獻中，大多數作品都考慮了完美的估計或使用基于難以測量的物理變量的估計器，這需要昂貴的傳感器，或者使用參數難以識別的復雜模型。這個問題降低了大多數作品在實際場景中提出的方法的可實施性和性能。

為了解決這些問題，這項工作提出了一種新穎的智能扭矩矢量方法，該方法由兩種智能算法組成：首先，基于完全可測量變量的輪胎垂直力的自適應神經模糊推理系統 （ANFIS） 估計器;第二種是模糊偏航力矩控制器，它控制無人機的偏航率和側滑角，因為它們是最具代表性的無人機動力學變量。所提出的方法能夠增強電動汽車的動力學及其效率。為了證明其有效性，ANFIS 估計器和由此產生的智能電視系統已經在 Dynacar 高保真動態(tài)模擬器中的幾個場景中進行了驗證，使用 E 級車輛將獲得的結果與以前的文獻中的其他工作進行比較。

本文的其余部分分為以下幾部分：在第 2 節(jié)中，詳細介紹了所提出的智能扭矩矢量方法。在第 3 節(jié)中，介紹了仿真框架和實驗設置。在第 4 節(jié)中，解釋了執(zhí)行驗證的結果。最后，在第 5 節(jié)中，提出了主要結論。

2. 智能扭矩矢量系統

在本節(jié)中，詳細介紹了所提出的智能扭矩矢量系統。其主要目的是在不同的驅動車輪之間分配驅動扭矩，從而提高車輛的控性和穩(wěn)定性。它可以分為 5 個子系統（圖 1）：橫向扭矩分配使用模糊偏航力矩控制器進行，其參考是使用偏航率參考生成器計算的;縱向扭矩分布由自定義扭矩分配算法給出，該算法使用 ANFIS 垂直輪胎力估計器;縱向和橫向分布提供的數據用于計算最終的扭矩分布。

圖 1提出的智能扭矩矢量系統。

2.1. 偏航角速率參考生成器

開發(fā)的智能電視系統方法由橫向扭矩分配方法和縱向扭矩分配方法組成。第一個是基于對車輛偏航力矩的控制;也就是說，它需要適當的偏航速率參考才能發(fā)揮其適當的性能。

為了計算所需的偏航角速率參考，使用了著名的自行車模型，因為它在精度和計算成本之間提供了良好的平衡[28]。為了進一步提高計算性能，進行了以下假設和簡化：假設重心為零;每個輪胎的垂直力的變化將不被考慮在內;將考慮小滑移角假設，因此 sin（β） = β 且 cos（β） = 1（線性區(qū)域）;輪胎的橫向剛度系數將是恒定的，由橫向力與滑移角的比率定義。

必須注意的是，這種降低復雜性的模型專門用于控制器中的實時執(zhí)行。此外，其中一些簡化對于乘用車來說是合理的，因為它們直到輪胎的極限才會被驅動。

這樣，偏航角速率參考方程為 [28](1)其中 m 是位于重心處的車輛的總質量，a 和 b 分別是到前軸和后軸重心的距離，L 是車軸之間的距離，δ 是前輪的旋轉角度，C_αF和 C_αR分別是前輪和后輪的橫向剛度系數，V 是車速。但是，出于安全原因，有必要限制生成的偏航速率參考的值。在這種情況下，限制設置如下 [6]：(2)其中 a_y是車輛的橫向加速度。

2.2. 模糊偏轉矩控制器

模糊偏航力矩控制器處理橫向扭矩分布 （τ_緯度） 的車輛。因此，考慮到車輛的偏航率和滑移角，該系統計算要應用于車輛兩側的扭矩百分比。這樣，如果 τ_緯度= 0，所有扭矩都將施加到右側的車輪上;如果 τ_緯度= 1，則所有扭矩都施加到左側的車輪上。

該子系統基于模糊邏輯，模糊邏輯是 Zadeh 于 1965 年 [29] 基于模糊集的數學理論對布爾邏輯的擴展。它通過將專業(yè)知識轉化為規(guī)則，實現了從模型和數學公式中抽象出來，而無需放棄顯著的微調功能。

最常見的 fuzzy logic system 結構如圖 2 所示。首先，必須執(zhí)行模糊化過程，將輸入數據轉換為模糊集，以便根據開發(fā)的規(guī)則繼續(xù)推理系統。最后，為了將推理系統給出的結果轉換為確切的值，在這種特殊情況下，確保適當的控制，因此需要一種去模糊化方法。

圖 2表示模糊邏輯的方法

所提出的模糊邏輯控制器基于 Mamdani 模糊模型，因為它提供了更直觀的調整 [30]。為了計算施加到車輛每一側的扭矩百分比，τ_緯度，控制器需要三個輸入：偏航角速率誤差、其導數和側滑角誤差。偏航角速率誤差及其導數的計算考慮了上一小節(jié)中詳述的參考。計算滑移角誤差時，考慮到車輛的參考側滑角將為零，以減少滑移的實際值并實現中性控。

實際車輛側滑角值使用以下公式 [31] 計算：(3)其中 V_y和 V_x是縱向 （x） 和橫向 （y） 本地軸的車速。

對于模糊系統的設計，已實現以下結構。首先，為偏航率誤差 e（ψ） 及其導數選擇了 5 個隸屬函數的分布，為橫向滑移角 e（β） 的輸入選擇了 3 個隸屬函數。考慮到乘用車實現的典型側滑角和偏航角速率值，已經認為五個隸屬函數覆蓋了前兩個變量的整個范圍，具有良好的準確性。此外，側滑角的標志決定了車輛是否具有空檔、轉向不足或轉向過度行為。因此，已經考慮到最后一個變量只需要 3 個隸屬函數。它們都被選為梯形和三角形。已為每個變量的邊界和側滑角的隸屬函數選擇了梯形，因為建議的控制器試圖最小化該變量，因此精度不是最高優(yōu)先級。三角形的變量已被用于其余變量，因為它們提供了高效的計算[32]，保持了可接受的響應平滑度，適合在傳統的汽車電子控制單元（ECU）中實現。

最后，對于輸出，施加到車輛兩側的扭矩百分比 τ_緯度，選擇了更復雜的成員函數分布，在本例中為 9，旨在實現盡可能準確和平滑的響應。

開發(fā)的模糊控制器的結構如圖 3 所示，包括隸屬函數。

圖 3 Fuzzy logic controller 提出

隨后，根據有關系統和人類駕駛數據集的知識實施了相應的規(guī)則。表 1 顯示了成員資格函數的名稱和描述，而表 2-4 顯示了實現的規(guī)則。

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	ZE	ZE	NS	NM	NL
	ZE	ZE	ZE	ZE	NS	NL
	PS	PM	PS	ZE	ZE	NS
	PL	PL	PM	PS	ZE	ZE

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	PS	ZE	NS	NM	NL
	ZE	PM	PS	ZE	NS	NM
	PS	PL	PM	PS	ZE	NS
	PL	PVL	PL	PM	ZE	ZE

?
?e(β)		NL	NS	ZE	PS	PL
	NL	ZE	ZE	NS	NS	NM
	NS	PS	ZE	ZE	NS	NS
	ZE	PM	PS	ZE	ZE	ZE
	PS	PL	PM	PS	ZE	ZE
	PL	PVL	PL	PM	PS	ZE

2.3. ANFIS 垂直輪胎力估計器

車輛的動態(tài)特性在很大程度上取決于輪胎力，因為輪胎力模擬車輪與路面之間的接觸力。然而，它們的估計是車輛動力學中最復雜的問題之一，因為輪胎/道路接觸動力學取決于許多不同的變量。直接測量這些力也并不總是一個解決方案，因為這些力很難測量。

在本節(jié)中，提出了一種新穎的 ANFIS 垂直輪胎力估計器。所提出的估計器提供了實時和準確的輪胎力估計，ADAS 可以利用這些估計來提高車輛的安全性、穩(wěn)定性和效率。因此，此估計器將用于執(zhí)行縱向動力學扭矩分布。

所提出的估計器基于一個基于模糊系統的ANFIS，該系統使用源自神經網絡理論的學習算法，通過處理數據樣本來確定其參數（模糊集和模糊規(guī)則）[33]。為此，使用了 Takagi-Sugeno 模型，因為它的計算效率很高 [34]，并且已被證明適用于建模應用。這種方法在利用神經網絡學習能力解決隸屬函數迭代調優(yōu)過程問題的同時，保持了將人類知識轉化為定量過程和規(guī)則的模糊邏輯能力。ANFIS 結構的簡化圖如圖 4 所示。

圖 4ANFIS 結構 [2]。

所提出的估計器使用可測量的變量來作，與參考書目中分析的變量相比，這是這項工作的主要貢獻之一。輸入數據由 10 個變量組成：轉向角;車輛重心 （CoG） 的 x、y 和 z 線性加速度和速度分量;以及與局部軸關聯的 3 個角速度。所有這些都可以使用市售傳感器輕松測量，例如慣性測量單元 （IMU）、全球定位系統 （GPS） 和轉向角傳感器。輸出數據由所選輪胎的垂直力組成。為每個車輪設計的 ANFIS 結構如圖 5 所示。

圖 5ANFIS 估算器結構。

提出的 ANFIS 估計器由 4 層組成。在第一個函數中，為每個輸入開發(fā)了 7 個隸屬函數。這些隸屬函數是高斯類型的，因為它們比三角形函數提供更高的精度 [32， 35]。在第二個中，出現學習過程建立的規(guī)則。在第三層中，進行比率計算和歸一化，最后在第四層添加所有信號。

由于輸入數量眾多，因此選擇用于生成模糊推理系統的方法是 Subclustering。選擇的訓練方法是混合方法，它是最小二乘法和反向傳播梯度下降法的組合。表 5 中詳細介紹了此過程的參數。

用于訓練和測試所提出的 ANFIS 結構的數據是從一圈在紐博格林賽道上運行的車輛的模擬中獲得的（模擬時間為 800 秒，采樣時間為 50 毫秒）。該仿真是從高保真車輛動力學模擬器Dynacar [36]獲得的，其中，對于每個垂直輪胎力估計，已經捕獲了上述10個變量。

2.4. 縱向扭矩分配算法

提出的縱向扭矩分配方法計算縱向扭矩分配百分比 τ_長應用于每個軸（前和后）的車輪，考慮車輪在每個軸 f 處產生的垂直法向力_車輪.這樣，如果 τ_長= 0，則所有扭矩都將由后橋的車輪提供，如果 τ_長= 1，所有扭矩都將由前橋的車輪提供。

這樣，該子系統允許向車輪具有更大抓地力的電機發(fā)送更大的扭矩命令。為此，提出了一種簡單但有效的扭矩分配算法，該算法基于可以施加在車軸上的最大法向力（前一個已作為參考）。這邊(4)其中 f_車輪是車軸上每個車輪（左和右）的垂直力之和，由輪胎垂直力估計器給出，f_麥克斯是可在前軸上施加的最大法向力（考慮到整個質量僅在一個軸中驅動）。對于所選的研究案例，此最終值為 20208 N。

2.5. 電機扭矩計算

該子系統計算要應用于每個車輪的精確電機扭矩命令 τ_我J，基于駕駛員使用油門 τ 請求的扭矩和縱向 τ_長和橫向 τ_緯度扭矩分配百分比：(5)3. 驗證框架

本節(jié)解釋了所使用的驗證方法，包括所選車輛、仿真環(huán)境以及建議的機動和測試場景。

圖 6 顯示了已實現的控制概念的一般概述。可以考慮三個主要模塊：首先，駕駛員命令，它由自動駕駛算法生成，模擬標準駕駛員的行為，保證每次測試的性能不依賴于駕駛員;第二種是控制模塊，包括上一節(jié)中詳述的智能扭矩矢量方法，以及所有子系統;最后是車輛模型，它使用 Dynacar 軟件 [36] 模擬車輛的高度非線性動力學，并提供可測量變量的時間演變。

圖 6基于 Dynacar 的通用測試框架 [36， 37]。

3.1. Dynacar 高保真動態(tài)模擬器

車輛模型是在Dynacar中實現的，這是一個由Tecnalia Research & Innovation開發(fā)的高保真車輛動力學模擬平臺[36]。該車輛仿真軟件已通過多次賽道測試[37,38]進行驗證，可用于模型在環(huán)框架中，以測試不同汽車目標控制系統的性能。

Dynacar 的功能之一是可以激活模擬標準駕駛員的自動駕駛模式。這允許在分析開發(fā)的 ADAS 的結果時減少駕駛員能力的影響，從而允許更好的比較。

Dynacar 的車輛物理模型仿真引擎基于多體模型并集成在 C 代碼中 [39]。此 C 代碼也已在 Simulink 中實現。求解器以 1 ms 的采樣時間運行。輪胎使用 Pacejka “魔術公式” 模型的實現進行建模，該模型被大多數汽車制造商廣泛用作車輛模型模擬的行業(yè)標準 [18]。

表 6 顯示了該車輛的主要特性，該車輛是 E 級車輛。

表 6. 車輛主要特征

3.2. 控制器實現

控制模塊在 Xilinx Zynq XC7Z020 SoC 中實現，其輸入和輸出連接到 Dynacar。這允許測試擬議的智能電視控制方法的實時性能，并且由于 Dynacar 的模型在環(huán)方法，不需要使用整車。

所選硬件由兩部分組成。第一個是 programmable logic 部分，它是一個完整的 FPGA。另一部分是處理系統，它由一個雙核 ARM CPU 和 800 MHz 時鐘頻率組成。此外，該板還具有多個 I/O 外設，例如數字和模擬輸入/輸出端口以及通信總線。

ARM 內核已用于實現上一節(jié)中提出的智能電視方法（圖 2）的不同子系統。為此，開發(fā)的方法首先在 Matlab Simulink 中實現，然后編譯為在 ARM 處理器中運行的 C 代碼。

3.3.作和場景

Dynacar 的框架允許在不同的場景中模擬和測試開發(fā)的智能電視控制器，并使用一組不同的標準化作：防滑墊 [40]（圖 7）和雙變道作 [41]（圖 8）。

圖 7防滑墊試驗 [40]。圖 8雙變道試驗 [41]。

一方面，防滑墊測試的目的是測量汽車在進行恒定半徑轉彎時在平坦表面上的轉彎能力。該測試是 FSAE 動力學事件 [40] 之一，但由于它是為公式型車輛設計的，因此有必要將其應用于乘用車。從這個意義上說，考慮到道路設計的規(guī)則，圓的直徑已經被修改了[42]。這些規(guī)則規(guī)定，對于 40 公里/小時的限速，彎道的最小半徑必須為 60 米。然而，由于定義這個半徑是為了確保汽車在該速度下的穩(wěn)定性，因此在這項工作中，半徑已經減小，以便將車輛發(fā)揮到極限，然后能夠評估開發(fā)的控制器的正確性能。因此，它已減少到 20 米，將測試轉變?yōu)?E 級車輛的具有挑戰(zhàn)性的場景。

另一方面，ISO 3888 規(guī)范 [41] 中詳細介紹了雙車道變換作（圖 8）。在此測試中，車輛以特定速度進入賽道并松開油門。然后，駕駛員嘗試在不撞擊錐體的情況下通過賽道。測試速度逐漸提高，直到出現不穩(wěn)定或無法再成功協商路線。如此嚴酷的機動有效地證明了車輛在兩個方向的摩擦極限下行駛時的轉彎能力，因此，許多汽車制造商和研究機構認為該測試是評估先進車輛動力學控制系統的合適機動。這種作通常作為閉環(huán)駕駛測試進行，用于根據專業(yè)駕駛員的主觀評估調整車輛的動態(tài)。

4. 結果

在本節(jié)中，分析了在驗證開發(fā)的智能電視控制方法期間獲得的結果。為此，首先用 Dynacar 和 [43] 中提出的解析估計器獲得的結果驗證了所提出的 ANFIS 垂直力估計器，以證明其準確性。然后，驗證包括所有子系統的整體智能電視方法（圖 2），將其結果與更傳統的解決方案進行比較。在智能電視算法的情況下，將其性能與基于 [6] 且縱向扭矩分布恒定的 PID 電視控制器進行了比較，而 ANFIS 估計器的性能與 [43] 中提出的解析估計器進行了比較。

4.1. 基于 ANFIS 的垂直輪胎力估計

為了測試該方法的有效性，將從所提出的估計器獲得的數據與 （a） Dynacar 的內部高保真輪胎模型和 （b） [43] 中提出的基于模型的分析估計器進行比較，其結果已在引用的工作中得到驗證，但它需要來自難以測量的變量的數據。上述兩個作已用于驗證力估計器。

圖 9 和圖 10 以及表 7 和表 8 顯示了每個作和每個車輪獲得的結果。它們表明，與解析方法相比，ANFIS 估計器能夠將誤差降低 38% 到 79%（取決于車輪和作），并且能夠消除解析估計器由于瞬態(tài)條件而獲得的峰值。必須注意的是，解析模型獲得的誤差對應于 [43] 中獲得的誤差。

圖 9Fz 估計，防滑墊。圖 10Fz 估計，雙車道變化。

此外，還分析了所提出的估計器的實時性能，需要 0.9 ms 才能運行，這適用于汽車應用。

4.2. 智能扭矩矢量系統

為了驗證所提出的智能電視方法增強動態(tài)處理的能力，首先，將分析與防滑墊測試相關的結果。

為了確定該方法的有效性，必須首先定義車輛的臨界速度。該臨界速度是允許車輛在沒有電視控制的情況下正確執(zhí)行防滑墊測試的最大速度。為此，沒有啟動電視系統，并且進行了防滑墊測試，在每次測試中提高速度，直到車輛無法遵循參考軌跡。這個臨界速度被實驗定義為 47 公里/小時，理論橫向加速度為 0.86 g。

一旦檢測到這個臨界速度限制，就會執(zhí)行防滑板測試，激活擬議的智能電視方法和基于 PID 的電視方法。結果如圖 11 所示?？梢岳斫獾氖牵敍]有 TV 控制器處于活動狀態(tài)時，由于轉向不足，車輛無法跟蹤所需的軌跡，但 TV 方法允許即使在臨界速度下執(zhí)行此測試。

圖 11防滑板軌跡。

圖 12 和圖 13 顯示了前輪的滑移比和滑移角，可以在沒有激活電視的情況下在臨界速度下的不良行為得到進一步理解?？梢钥闯?，這些車輪無法將請求的力傳遞到道路上，并且它們會打滑，這可以通過 TV off 外殼中的高打滑比和角度值來檢測。此外，當任一 TV 控制處于活動狀態(tài)（模糊 TV 和 PID TV）時，滑移比和滑移角分別降低到 19% 和 23°，這意味著輪胎上的牽引力更高。這意味著防滑板測試的速度更高，如圖 14 所示。此外，即使在不失去穩(wěn)定性的情況下，還可以實現更高的橫向加速度和偏航角速率值，如圖 15 和 16 所示。

圖 12車輪滑移比。圖 13車輪滑動角度。圖 14車速。圖 15車輛橫向加速度。圖 16偏航率跟蹤。

圖 16 說明了飛行器的偏航角速率演變?？梢钥闯?，所提出的智能 Torque Vectoring 方法提供了對參考的正確跟蹤，同時減少了過沖。這可以提高車輛的轉彎能力，降低轉向不足和過度轉向的風險。事實上，如前所述，在停用 TV 的情況下，偏航角速率參考與獲得的值之間的差異顯示了轉向不足的行為。

此外，如果進行機械能耗分析，所提出的智能扭矩矢量方法不僅可以實現正確的偏航角速率跟蹤、提高轉彎能力和降低滑移比，還可以提高車輛的效率。效率結果如表 9 所示，其中將所提出的方法與基于 PID 的 TV 和 no TV 情況進行了比較?？梢钥闯?，可以實現 10% 的增幅。

在分析了防滑墊的性能后，將研究雙變道場景。為了執(zhí)行此測試，選擇了 50 km/h 的初始速度，并對電機施加了恒定扭矩參考（2300 Nm 總扭矩）。這提供了大約 0.35 g 的縱向加速度，從而獲得近 90 公里/小時的最終速度，涵蓋了中速道路上乘用車最常見的速度范圍。

此方案的仿真結果如圖 17-20 所示。圖 17 顯示了每種情況下車輛所遵循的軌跡。從該圖中可以看出，當建議的 TV 方法被激活時，軌跡更接近橫向雙車道變道機動參考，這表明在如此具有挑戰(zhàn)性的機動中車輛控性得到了改善。此外，圖 18 顯示，這種更好的跟蹤是通過較低的轉向角值實現的，這意味著滑移角減少了約 1.5°，如圖 19 所示。該值的最大降低是通過擬議的智能電視控制器實現的，它可以最大化傳遞到道路的力。最后，車輪扭矩如圖 20 所示，顯示了設計控制器的正確扭矩分布。

圖 17雙變道軌跡。圖 18轉向角。圖 19車輪滑動角度。圖 20車輪扭矩。
5. 結論

開發(fā)實時、準確、高效的 ADAS 是開發(fā)具有獨立輪轂電機的車輛的關鍵問題。在這項工作中，提出了一種新穎的智能扭矩矢量 （TV） 系統，該系統由神經模糊垂直輪胎力估計器和模糊偏航力矩控制器組成。

所提出的方法考慮了橫向和縱向扭矩分布。縱向分布基于神經模糊垂直輪胎力估計器，該估計器完全基于可測量的變量，與現有估計器相比，這是一個重要的貢獻。估計的力用于確定施加到后軸和前橋車輪的扭矩百分比，以實現最大的抓地力。

另一方面，橫向扭矩分配是使用模糊偏航力矩控制器實現的。該控制器允許橫向（左右車輪）分配扭矩，以最大限度地減少車輪打滑并提高轉彎能力?？偱ぞ胤植际峭ㄟ^考慮兩種分布來計算的。

結果表明，智能扭矩矢量系統能夠在各種場景中增強車輛動力學。一方面，它能夠提高規(guī)避機動（例如雙車道變換）的穩(wěn)定性，使車輛能夠更好地遵循所需的軌跡，這是此類機動中的關鍵安全問題。另一方面，在防滑墊測試中，車輪滑移率和滑移角顯著減少（分別減少 19% 和 23°），導致轉向不足行為減少。這使車輛能夠更好地匹配偏航角速率參考（誤差減少 33%），然后能夠遵循所需的軌跡，從而證明正確的扭矩分配提供了轉彎改進。此外，所提出的智能電視算法對最先進的更傳統方法進行了改進，提供了更高效的駕駛（機械能耗降低 10%）。

未來的工作將包括更復雜的設計，以便在智能扭矩矢量控制器中使用估計的輪胎垂直力，從而產生更復雜的控制器，以提高其性能。此外，將考慮在 SoC 的邏輯部分實現 TV System，以縮短其周期時間。