汽車防滑控制系統(tǒng)道路識別技術的研究
加入技術交流群
近年來國內部分從事ABS 理論研究的科研工作者對道路識別技術的理論也進行了一些探討[29－30]。但就整體研究狀況來看，國內關于汽車動力學控制系統(tǒng)的技術水平和國外相比相對落后，尚未有系統(tǒng)化的道路狀況實時識別技術的研究報道。
3 基于車輛動力學參數(shù)的道路識別技術研究
道路作為車輛行駛的界面，其表面狀況的任何差異必然引起與車輛行駛有關的參數(shù)的變化。輪胎作為車輛上直接與路面接觸的媒介，它與地面之間力學狀態(tài)的變化必然與路面的狀況息息相關，這種變化則體現(xiàn)在車輪與路面間附著性能的差別。車輛－地面之間附著性能除了與路面狀況有關之外，還與車輛的動力學參數(shù)有關。
如果將不同的路面狀況以不同的離散化數(shù)值來表示，那么在車輛動力學系統(tǒng)解析過程中則可以由這些數(shù)值的差異來顯示道路附著狀況的改變?；诖?，筆者采用一個參數(shù)σ作為表征路面狀況的附著特征影響因子，從而引入路況因子的概念。對各種路面的路況因子的分配如表1 所示。
表1 常見路面的特征因子σ值 
如果以道路因子的差別來區(qū)分不同種類的路面狀況，那么就可以由車輛的動力學原理根據(jù)車輪運動狀態(tài)來對反映車輛－地面動力學狀態(tài)的參數(shù)進行回歸，進而對路面狀況進行辨識。筆者針對車輛的防滑控制系統(tǒng)，采用改進的多層前向神經網絡和誤差反向傳播的學習算法，即利用動量修正規(guī)則和自適應學習速率的BP 神經網絡，以車輪的動力學參數(shù)為輸入量，對路面的狀況進行辨識。在神經網絡辨識結果的基礎上，追加輸出量調諧的二次分類算法，最終達到了對路面狀況的細致而良好分類識別。
本文將V、Fz、S 這三個描述車輪動力學狀態(tài)的參數(shù)與路面附著系數(shù)μ一起作為路面辨識網絡的輸入參量，即確定了BP 神經網絡的輸入向量為{V，F(xiàn)z，S，μ}。按照表1 所示，將常見的道路工況按6 類劃分，以體現(xiàn)路面附著性能從高到低的變化情況。道路識別系統(tǒng)的最終輸出，是依靠將這6 種路面模型模糊化為6 個路況因子來進行判斷。該路面辨識網絡在輸出層設計了6 個神經元節(jié)點，來對應網絡訓練樣本集中輸入參量的聚類情況。
網絡輸出的映射對照存在如下關系：
表2 道路識別網絡映射對照表 
道路識別系統(tǒng)的輸出是對應于訓練樣本集類別的路況因子值，并需要由此來對路面進行劃分，所以應對BP 網絡的輸出再進行一次處理。
λ = y *[0,0.134,0.253,0.6,0.75,1]T
道路識別系統(tǒng)將根據(jù)此? 值來判斷路面工況，并將其作為車輛防滑系統(tǒng)控制器的輸入參量用以確定最佳的控制參數(shù)門限及相應的最優(yōu)控制策略和邏輯。
在神經網絡訓練的過程中，辨識系統(tǒng)的最終輸出路況因子值在很多情況下并不等于期望輸出的目標路況因子值，而是在目標輸出值的周圍一個很小的鄰域內波動。本文經過對網絡神經元輸出的研究，在路面辨識系統(tǒng)BP 神經網絡輸出的基礎上追加了一個修正算法，以對神經網絡的輸出路況因子值進行調諧和二次劃分。所建立的基于車輛動力學參數(shù)回歸和追加修正算法的改進BP 神經網絡的道路識別系統(tǒng)組成結構如圖2 所示。
圖2 道路識別系統(tǒng)組成結構框圖
根據(jù)圖2 的流程，對車輛在多種行駛工況下的仿真和試驗數(shù)據(jù)進行處理，作為辨識樣本提供給訓練完 成、神經元連接模式已凍結的BP 神經網絡，并根據(jù)修正算法對辨識網絡的一次輸出進行再處理，得到幾 種工況下路面識別的效果如圖3～6 和表3 所示。
評論