1. 引言

隨著電動(dòng)化、智能化和網(wǎng)絡(luò)化成為汽車行業(yè)的發(fā)展趨勢，智能汽車將成為全球汽車工程領(lǐng)域的研究重點(diǎn)，并成為汽車行業(yè)增長的新動(dòng)力。由于不可調(diào)節(jié)的剛度和阻尼，被動(dòng)懸架已無法滿足智能汽車的駕駛需求。由于剛度或阻尼可調(diào)，半主動(dòng)懸架系統(tǒng)可以更好地解決智能車輛的操縱穩(wěn)定性和平順性匹配問題，已成為懸架系統(tǒng)的主要發(fā)展趨勢。

目前，用于半主動(dòng)懸架系統(tǒng)研究和開發(fā)的控制算法主要包括：反推控制 [1] 、滑模控制 [2] 、模糊控制 [3] 、H∞控制 [4] 、自適應(yīng)控制 [5] 、模型預(yù)測控制 [6] [7] 、神經(jīng)網(wǎng)絡(luò)控制 [8] [9] 等。就算法的可實(shí)現(xiàn)性和工程應(yīng)用而言，天棚控制是應(yīng)用最廣泛的 [10] - [16] 。但是這些控制方法要求傳感器收集輸入信號(hào)以控制變量，從而導(dǎo)致半主動(dòng)懸架系統(tǒng)的輸出響應(yīng)延遲并降低控制效果。

近年來，為了解決半主動(dòng)懸架控制器的時(shí)間延遲問題，研究人員在主動(dòng)懸架控制策略的制定中添加了前方道路信息，從而開發(fā)了預(yù)瞄控制等智能控制方法 [17] [18] [19] [20] [21] 。但這些控制方法只是基于固定工況實(shí)現(xiàn)，不能根據(jù)路況進(jìn)行自適應(yīng)控制，這導(dǎo)致了半主動(dòng)懸架系統(tǒng)的局限性。本文提出了一種基于隨機(jī)路面識(shí)別和半主動(dòng)懸架控制技術(shù)相結(jié)合的智能懸架控制方法。該方法不僅可以解決半主動(dòng)懸架系統(tǒng)的響應(yīng)延遲問題，而且可以對控制算法進(jìn)行微調(diào)。天棚加速度僅由兩級(jí)開關(guān)控制，并在通過視覺感知提前識(shí)別路面水平的基礎(chǔ)上引入控制算子，可在兩級(jí)的基礎(chǔ)上實(shí)現(xiàn)三級(jí)控制，進(jìn)一步優(yōu)化半主動(dòng)懸架系統(tǒng)的控制效果。

2. 整車動(dòng)力學(xué)模型

整車七自由度模型包含車輛質(zhì)心俯仰、側(cè)傾和橫擺以及四個(gè)車輪的輪跳運(yùn)動(dòng)，可以忽略車輪轉(zhuǎn)動(dòng)等影響因素較小的自由度，通過俯仰及側(cè)傾運(yùn)動(dòng)對車輛操縱穩(wěn)定性進(jìn)行研究，通過輪跳運(yùn)動(dòng)對車輛平順性進(jìn)行研究，滿足對車輛操縱穩(wěn)定性及平順性的控制策略研究。將整車模型自由度簡化后，一方面可以減少計(jì)算時(shí)間，另一方面避免自由度過多模型解耦困難，造成控制算法不收斂。本節(jié)建立的七自由度動(dòng)力學(xué)模型如圖1所示，將懸架系統(tǒng)進(jìn)行線性化，假設(shè)車輛俯仰及側(cè)傾較小，通過數(shù)學(xué)模型計(jì)算得出車輛狀態(tài)變量方程。

圖1. 整車動(dòng)力學(xué)模型

利用牛頓第二定律，簧載質(zhì)量的輪跳運(yùn)動(dòng)為

簧載質(zhì)量的俯仰運(yùn)動(dòng)為

簧載質(zhì)量的側(cè)傾運(yùn)動(dòng)為

左前輪的垂向運(yùn)動(dòng)方程為

右前輪的垂向運(yùn)動(dòng)方程為

左后輪的垂向運(yùn)動(dòng)方程為

右后輪的垂向運(yùn)動(dòng)方程為

通過選擇以下的狀態(tài)變量、擾動(dòng)量及控制量

半主動(dòng)懸架系統(tǒng)的狀態(tài)方程為

3. 控制算法設(shè)計(jì)

3.1. 傳統(tǒng)天棚阻尼控制算法

天棚阻尼控制的理想模型是在車身和假想慣性參考系“天鉤”之間安裝一個(gè)用于能量耗散的阻尼器，當(dāng)阻尼系數(shù)達(dá)到一定值時(shí)，該方法可以獲得相應(yīng)的車身減振效果。在實(shí)際應(yīng)用中，不可能在簧載質(zhì)量和慣性基準(zhǔn)之間安裝真正的阻尼器，因此將假設(shè)的阻尼器轉(zhuǎn)化為改進(jìn)的天鉤阻尼控制模型。以左前懸架為例，skyhook阻尼控制是一種通過兩態(tài)阻尼實(shí)現(xiàn)的開關(guān)控制模式，其控制算法可以表示為：

天棚阻尼控制的機(jī)理是判斷簧上質(zhì)量和簧下質(zhì)量的相對運(yùn)動(dòng)速度方向，以切換阻尼系數(shù)，但由于瞬態(tài)道路的沖擊時(shí)間短，控制系統(tǒng)的響應(yīng)不及時(shí)，導(dǎo)致控制效果不佳。如果與車輛預(yù)瞄信息相結(jié)合，將進(jìn)一步提高乘坐舒適性。

3.2. 混合自適應(yīng)預(yù)瞄控制算法

首先搭建帶有預(yù)瞄功能的整車七自由度模型，如圖1所示，該模型主要用于驗(yàn)證車輛的垂向性能。假定懸架系統(tǒng)模型為線性系統(tǒng)，側(cè)傾角和俯仰角較小，從數(shù)學(xué)模型中提取半主動(dòng)懸架系統(tǒng)狀態(tài)變量。模型受限的條件是不包括汽車的轉(zhuǎn)向系統(tǒng)，設(shè)定速度是固定值但可以是任意的。

將典型瞬態(tài)道路縱向長度定義為L0。在不考慮輪胎彈性的情況下，車輛通過典型道路的時(shí)間為

式中， χ是車速方向與水平方向的夾角。ε表示控制系統(tǒng)的時(shí)滯。當(dāng) ε≤t0 時(shí)，控制系統(tǒng)將響應(yīng)一定程度的延遲，而當(dāng) ε>t0時(shí)，控制系統(tǒng)將無法正常工作，甚至?xí)绊懗俗孢m性。

在圖1中，L是預(yù)瞄距離，可以通過深度學(xué)習(xí)的目標(biāo)檢測方法獲取。預(yù)瞄時(shí)間τ表示為

為當(dāng) τ?ε≥0時(shí)，自適應(yīng)懸架控制的時(shí)間延遲將被預(yù)瞄控制完全抵消。以左前懸架為例，混合自適應(yīng)懸架預(yù)瞄控制的動(dòng)力學(xué)模型公式為

式(15)用狀態(tài)空間可表示為

通過拉普拉斯變換，將預(yù)瞄點(diǎn)道路輸入 qp(s)與當(dāng)前道路輸入 qf(s)之間的傳遞函數(shù)表示為

采用二階Pade近似公式將式(17)轉(zhuǎn)化為狀態(tài)空間形式，其方程表達(dá)式為

這里

預(yù)瞄控制系統(tǒng)狀態(tài)空間方程的形式可表示為

這里

已知的預(yù)瞄控制變量主要有：預(yù)瞄時(shí)間τ、當(dāng)前時(shí)刻的道路輸入q(t)、預(yù)瞄點(diǎn)q (t + τ)的道路輸入及道路類型。自適應(yīng)懸架控制對各時(shí)刻系統(tǒng)的時(shí)間和狀態(tài)不敏感，僅對當(dāng)前路面不平度的變化程度有響應(yīng)，根據(jù)其控制原理只有“開”和“關(guān)”兩個(gè)維度，只能對半主動(dòng)懸架系統(tǒng)進(jìn)行較為寬泛的控制，不能對車輛舒適性的控制效果進(jìn)行精細(xì)化調(diào)校。因此，如果將道路強(qiáng)度定義為“不嚴(yán)重”、“相對嚴(yán)重”和“嚴(yán)重”三種類型，通過深度學(xué)習(xí)提前識(shí)別路面類型，那么混合自適應(yīng)懸架預(yù)瞄控制可根據(jù)道路類型的變化進(jìn)行精細(xì)化調(diào)校，對車輛舒適性實(shí)現(xiàn)更好的控制效果。輸出阻尼與道路類型變化的關(guān)系為

式中，把瀝青路、灰塵路及混凝土補(bǔ)丁路等歸為“不嚴(yán)重”路面等級(jí)，把井蓋路、鋸齒路及比利時(shí)路等歸為“相對嚴(yán)重”路面等級(jí)，把坑洼路、鵝卵石路及減速帶路等歸為“嚴(yán)重”路面等級(jí)，δ1通過實(shí)車路試標(biāo)定獲取。

4. 基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)道路識(shí)別

4.1. VGG16網(wǎng)絡(luò)

VGGNet網(wǎng)絡(luò)使用33的卷積核的新型算子，通過不斷的堆疊3 × 3卷積核以及使用2 × 2結(jié)構(gòu)的最大池化層，建立了16層至19層較深的網(wǎng)絡(luò)結(jié)構(gòu)，提高了分類精度，但增加了處理時(shí)間，該網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、泛化性較好的優(yōu)點(diǎn)，比較適用于圖像特征提取及分類。本文首先選用的是具有16層深度的VGG16網(wǎng)絡(luò)進(jìn)行路面識(shí)別，其結(jié)構(gòu)如圖2所示。

圖2. VGG16網(wǎng)絡(luò)架構(gòu)圖

4.2. ResNet網(wǎng)絡(luò)

ResNet網(wǎng)絡(luò)在2015年ILSVRC分類比賽項(xiàng)目中取得了第一名的好成績，其采用殘差學(xué)習(xí)理論，使神經(jīng)網(wǎng)絡(luò)的卷積層擴(kuò)展更深形成較深的網(wǎng)絡(luò)結(jié)構(gòu)，提升了目標(biāo)分類的精度。本文選用的是具有50層深度的ResNet50網(wǎng)絡(luò)模型對路面進(jìn)行分類識(shí)別。殘差網(wǎng)絡(luò)可以直接將前一層的輸出結(jié)果映射到后一層，并與后一層網(wǎng)絡(luò)輸出結(jié)果的差值作為新的學(xué)習(xí)目標(biāo)，如圖3所示，此種網(wǎng)絡(luò)結(jié)構(gòu)不再是完整的輸出訓(xùn)練，而是采用殘差方式保留了信息的完整性。

圖3. ResNet殘差學(xué)習(xí)模塊

4.3. 數(shù)據(jù)集選擇

本文通過視頻采集方式獲取15種典型道路數(shù)據(jù)集，將攝像頭以一定角度固定在車輛易于安裝的位置(如內(nèi)后視鏡或者前保險(xiǎn)杠)，采集分辨率為720 × 480。為提高數(shù)據(jù)質(zhì)量以及模型的泛化能力，采集不同角度不同種類路面視頻，以5幀/秒截取圖片，提取不同種類路面的數(shù)據(jù)集，每種類型提取500幅圖像。由于原始數(shù)據(jù)量較小，為了更好的訓(xùn)練模型，需要增加數(shù)據(jù)集。通過對圖像進(jìn)行180度旋轉(zhuǎn)、鏡像、加噪、調(diào)整亮度、高斯濾波等處理，數(shù)據(jù)集可擴(kuò)展到原始數(shù)據(jù)的10倍。

4.4. 實(shí)驗(yàn)結(jié)果分析

使用兩種深度學(xué)習(xí)的網(wǎng)絡(luò)模型對15種隨機(jī)路面分類結(jié)果進(jìn)行統(tǒng)計(jì)，得出的結(jié)果分別如圖4和圖5所示。測試中選用了在兩種不同訓(xùn)練次數(shù)下的測試結(jié)果做橫向?qū)Ρ龋瑥姆诸惤Y(jié)果可以看出，VGG16網(wǎng)絡(luò)模型在一些特征不明顯的目標(biāo)分類效果并不良好，在使用ResNet網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練識(shí)別后分類效果有顯著提升。從量化結(jié)果可以看出ResNet模型的分類結(jié)果明顯優(yōu)于VGG16模型，主要是由于其采用殘差學(xué)習(xí)理論，使神經(jīng)網(wǎng)絡(luò)的卷積層擴(kuò)展更深形成較深的網(wǎng)絡(luò)結(jié)構(gòu)，保留了路面特征信息的完整性，大幅度提升了目標(biāo)分類的精度。

圖4. VGG16分類結(jié)果

圖5. ResNet分類結(jié)果

5. 半主動(dòng)懸架系統(tǒng)控制流程

圖6為混合自適應(yīng)懸架預(yù)瞄控制的結(jié)構(gòu)框圖。當(dāng)前路面類型作為輸入激勵(lì)，車輪及懸架系統(tǒng)S(s)垂向速度發(fā)生改變，此時(shí)車輪輸出的垂向位移為z1，速度為v1，由于減振器等作用使車身系統(tǒng)B(s)的垂向加速度a2發(fā)生變化，此時(shí)車身處輸出的垂向速度為v2，車身與車輪的相對運(yùn)動(dòng)速度關(guān)系輸入至自適應(yīng)懸架控制系統(tǒng)Sh(s)，系統(tǒng)根據(jù)判據(jù)決定當(dāng)前輸出的阻尼值C2是否發(fā)生改變，使得懸架作用力u進(jìn)行調(diào)整，從而作用于車身，自適應(yīng)懸架控制系統(tǒng)Sh(s)再根據(jù)當(dāng)前反饋信息作用于下一步輸出。加入預(yù)瞄控制Pre(s)之后，前方路面類型被提前一個(gè)時(shí)間量τ獲取，此時(shí)判斷該是何種類型路面，根據(jù)路面類型進(jìn)行設(shè)定的路面等級(jí)，預(yù)瞄系統(tǒng)會(huì)延遲τ時(shí)刻，輸出一個(gè)新的阻尼值C1，與自適應(yīng)控制系統(tǒng)輸出的阻尼值共同控制減振器，從而優(yōu)化控制量輸出目標(biāo)。

圖6. 混合自適應(yīng)懸架預(yù)瞄控制系統(tǒng)結(jié)構(gòu)圖

圖7. 系統(tǒng)控制流程圖

根據(jù)上述原理設(shè)計(jì)半主動(dòng)懸架系統(tǒng)控制流程，并通過外置電磁閥可調(diào)阻尼減振器驗(yàn)證混合自適應(yīng)懸架預(yù)瞄控制方法。半主動(dòng)懸架系統(tǒng)控制流程如圖7所示。該系統(tǒng)由攝像頭、工控機(jī)、5個(gè)加速度傳感器、ECU、4個(gè)電磁閥和一套Head數(shù)據(jù)采集系統(tǒng)組成。攝像頭為CCD型，分辨率為720 × 480；工控機(jī)由NVIDIA GeForce GTX 1060 GPU、8GB RAM、Intel I5 8400 CPU等組成；加速度傳感器的類型為MEMS，量程為±1.6 g；ECU是基于英飛凌嵌入式系統(tǒng)進(jìn)行開發(fā)的，包括6通道ADC信號(hào)、2通道CAN信號(hào)和4通道PWM信號(hào)；可調(diào)阻尼減振器為外置電磁閥型，通過電流控制改變電磁閥的開度大小，從而控制和調(diào)節(jié)阻尼力；數(shù)據(jù)采集系統(tǒng)是16通道的數(shù)采設(shè)備，用來采集質(zhì)心加速度和簧載加速度數(shù)據(jù)，分析控制策略的優(yōu)化效果。

所用整車模型參數(shù)如下：ms = 1775 kg，mf = 1084 kg，mr = 691 kg，mufl = mufr = 52.2 kg，murl = murr = 34.6 kg，Ix = 830 kg m2，Iy = 3684 kg m2，ksfl = ksfr=31000 N/m，ksrl = ksrr = 65000N/m，ktfl = ktfr = ktrl = ktrr = 220,000 N/m，lf = 1.05 m，lr = 1.7 m，wf = wr = 1.615 m。

6. 整車道路實(shí)驗(yàn)

良好的車輛操縱穩(wěn)定性和平順性是乘客對汽車性能評(píng)價(jià)的重要指標(biāo)，也是保證乘客滿意的前提。特別是隨著無人駕駛智能車的深入發(fā)展，當(dāng)乘客徹底無需再進(jìn)行頻繁的駕駛操作，將會(huì)對車輛的舒適性更加關(guān)注。目前，半主動(dòng)懸架技術(shù)已經(jīng)成為懸架系統(tǒng)發(fā)展的一個(gè)重要趨勢，研究并開發(fā)半主動(dòng)懸架系統(tǒng)已經(jīng)成為國內(nèi)外學(xué)者研究的一個(gè)焦點(diǎn)。外置電磁閥可調(diào)阻尼減振器作為一種阻尼力連續(xù)可調(diào)的、響應(yīng)時(shí)間較快的懸架系統(tǒng)減振元件，相對于傳統(tǒng)被動(dòng)減振器有更好的減振效果，但是在接收到控制信號(hào)并完成執(zhí)行動(dòng)作時(shí)會(huì)有一定的響應(yīng)延遲。而采用了基于深度學(xué)習(xí)的路面識(shí)別技術(shù)可為半主動(dòng)懸架控制系統(tǒng)提供預(yù)瞄來消除整個(gè)控制系統(tǒng)的滯后。本實(shí)驗(yàn)主要研究對比所提控制算法與外置電磁閥可調(diào)阻尼減振器在不同路面、不同車速下車內(nèi)各測點(diǎn)的振動(dòng)加速度相對于傳統(tǒng)減振器下降的幅值，驗(yàn)證混合自適應(yīng)懸架預(yù)瞄控制在整車平順性方面相對普通減振器的優(yōu)越性。

為了方便分析不同半主動(dòng)懸架控制策略與被動(dòng)懸架之間的性能對比，將被動(dòng)懸架簡寫為PS (Passive Suspension)，自適應(yīng)懸架控制簡寫為ADS (Adaptive Damping System)，混合自適應(yīng)懸架預(yù)瞄控制簡寫為M-ADS (Mixed Adaptive Damping System)。另外，天棚軸距預(yù)瞄控制，簡寫為SWPC (Skyhook Wheelbase Preview Control)，作為傳統(tǒng)時(shí)滯補(bǔ)償控制算法之一，通過加速度信號(hào)感知路面激勵(lì)大小，通過車速與軸距計(jì)算出預(yù)瞄時(shí)間，為后懸架提供預(yù)瞄控制。本文選擇將SWPC與M-ADS進(jìn)行對比，以體現(xiàn)出本文所提算法解決時(shí)滯的優(yōu)勢。

實(shí)驗(yàn)道路為直線路段，路面有粗糙瀝青路和比利時(shí)路，如圖8和圖9所示。圖10~13分別為M-ADS、SWPC、ADS和PS在40 km/h速度下通過粗糙瀝青路和比利時(shí)路的時(shí)域與頻域?qū)Ρ惹€。由于車輛勻速下通過隨機(jī)路面時(shí)車身姿態(tài)變化較小，半主動(dòng)懸架系統(tǒng)此時(shí)主要是對車輛垂向加速度影響較大，而對于車輛縱向加速度及側(cè)向加速度影響較小，所以選取駕駛員座椅Z向振動(dòng)和地板Z向振動(dòng)作為對比參數(shù)。

圖8. 粗糙瀝青路

圖9. 比利時(shí)路

通過時(shí)域數(shù)據(jù)可知，與SWPC、ADS和PS相比，可以發(fā)現(xiàn)M-ADS在駕駛員座椅Z向振動(dòng)和駕駛員地板Z向振動(dòng)的加速度幅值有所降低。通過頻域數(shù)據(jù)可以發(fā)現(xiàn)，在粗糙瀝青路下，與被動(dòng)懸架相比，不同控制策略主要是在3~10 Hz頻段降低駕駛員座椅Z向振動(dòng)和在4~30 Hz頻段降低駕駛員地板Z向的中低頻振動(dòng)，比利時(shí)路面下主要是在4~25 Hz頻段降低駕駛員座椅Z向振動(dòng)以及在20~50 Hz頻帶降低駕駛員地板Z向振動(dòng)。

圖10. 粗糙瀝青路60 km/h駕駛員座椅Z向振動(dòng)數(shù)據(jù)對比：(a) 時(shí)域；(b) 頻域

圖11. 粗糙瀝青路60 km/h駕駛員地板Z向振動(dòng)數(shù)據(jù)：(a) 時(shí)域；(b) 頻域

圖12. 比利時(shí)路40 km/h駕駛員座椅Z向振動(dòng)數(shù)據(jù)：(a) 時(shí)域；(b) 頻域

圖13. 比利時(shí)路40 km/h駕駛員地板Z向振動(dòng)數(shù)據(jù)：(a) 時(shí)域；(b) 頻域

表1列出了三種控制策略與PS通過不同路面不同車速時(shí)的道路測試結(jié)果，表中數(shù)據(jù)為同一工況三組數(shù)據(jù)取平均值得出的結(jié)果。通過對駕駛員座椅Z向加速度和駕駛員地板Z向加速度頻域RMS值的比較，也驗(yàn)證了M-ADS控制效果優(yōu)于SWPC、ADS和PS。

表1. 隨機(jī)路面下不同控制算法的實(shí)驗(yàn)結(jié)果

作者: 

姜清偉, 張新峰, 劉 偉：中國汽車技術(shù)研究中心有限公司

崔恩有：中汽研汽車零部件檢驗(yàn)中心(寧波)有限公司