跟蹤較快的速度圖的車輛以稍微快一點(diǎn)的車速入彎。而且在彎中的車速也是附著系數(shù)估計(jì)值更大的車輛更高,負(fù)的相對(duì)時(shí)間差距表明,在彎道的前部分,跟蹤較大附著系數(shù)估計(jì)值對(duì)應(yīng)速度圖的車輛耗時(shí)更少。但是,在出彎之前,車輛的速度開始降低,出口處的車速甚至比跟蹤低附著系數(shù)估計(jì)值對(duì)應(yīng)速度圖的車輛更低。盡管該車在彎中以前領(lǐng)先了0.1s,但是最終它完成整個(gè)轉(zhuǎn)彎工況耗費(fèi)了更多的0.03s。
伴隨著更高的速度分布圖,初始的車輛側(cè)偏角更大,如所示。相對(duì)地,低附著系數(shù)估計(jì)值的車輛的前軸側(cè)偏角則緩慢地增加至-8度。聯(lián)邦595EVO輪胎的斜坡轉(zhuǎn)角輸入測試數(shù)據(jù)表明該款輪胎的峰值側(cè)偏角大約是7.9度。在彎道的后半段,車輛跟蹤較高附著系數(shù)估計(jì)值對(duì)應(yīng)的速度圖時(shí)的側(cè)偏角超過了峰值點(diǎn),因此前輪輪胎力飽和了。由于側(cè)向力發(fā)生飽和,車輛的縱向控制器將驅(qū)動(dòng)力矩降低到零,再加上前軸側(cè)向力矢量的額外旋轉(zhuǎn)帶來的阻力,車輛的速度降低的更多。前軸在這樣的車速下不能產(chǎn)生足夠的側(cè)向力來維持車輛行駛在參考路徑上,在圖 4可見,由于車輛滑向彎道外側(cè),側(cè)向位移誤差也逐漸增大。
當(dāng)車輛以更高的車速行駛的同時(shí)還能跟蹤上目標(biāo)路徑,這意味著μ=0.94對(duì)應(yīng)的車輛在彎道的前半部分能夠更好地利用輪胎的附著力。但是在彎道的后半部分,該車不再能夠跟蹤上目標(biāo)的路徑,最后花了更多的時(shí)間來完成整個(gè)彎道。在這里,附著系數(shù)估計(jì)值為μ=0.92的車輛能夠更有效地利用輪胎附著力。這一結(jié)果以及更多的測試都表明,現(xiàn)有的控制系統(tǒng)要求附著系數(shù)的估計(jì)誤差在大約2%以內(nèi)才能滿足路徑跟蹤的要求。
圖5 專業(yè)駕駛員在第二道彎相比于跟蹤μ=0.90和μ=0.93的速度分布圖的無人駕駛車輛的各項(xiàng)性能表現(xiàn)
B.有人駕駛VS.無人駕駛
圖 5對(duì)比了無人駕駛在跟蹤參考路徑時(shí)和專業(yè)賽車駕駛員的縱向車速、時(shí)間差、前軸側(cè)偏角和側(cè)向位移誤差。這條路徑時(shí)通過凸函數(shù)優(yōu)化方法生成的,與Kapania的方法類似[17]。圖中三條曲線分別是無人駕駛車輛跟蹤μ=0.90和μ=0.93的速度分布圖時(shí)的數(shù)據(jù)以及駕駛員十圈內(nèi)最好的成績。
開始階段,由于明顯更高的入彎速度,賽車駕駛員相比無人駕駛模式領(lǐng)先了0.24s。他沿著較寬的入彎路線行駛,然后迅速獲得了大約-6度的前軸側(cè)偏角,并且在整個(gè)彎道都保持在這個(gè)值附近。他的最高車速和無人駕駛模型下的車輛很接近,但不同的是,他在駛出彎道前迅速提高了車速。當(dāng)無人駕駛模式的車輛以μ=0.93的速度分布圖行駛時(shí),車輪在彎道中間達(dá)到飽和,大概是1000m的位置,從而車輛失去了路徑跟蹤的能力,因此損失了大約0.02s。
相反,專業(yè)駕駛員在彎道很早的部分就前軸獲得了大約-6度的側(cè)偏角。這意味著車輛在制動(dòng)之后能夠迅速獲得較大的側(cè)向力。而無人駕駛的車輛在前軸處產(chǎn)生的側(cè)偏角使得車輛獲得較小的側(cè)向力,因此輪胎的附著力并沒有得到完全利用。通過將側(cè)偏角維持在-6度左右,駕駛員能夠在整個(gè)彎道中都有效地利用輪胎的附著能力,使得他相比無人駕駛的車輛能夠以更少的時(shí)間完成整個(gè)彎道。
圖6 不同附著系數(shù)下側(cè)向力和輪胎側(cè)偏角的關(guān)系,以及由(4)計(jì)算得到的峰值側(cè)偏角
對(duì)聯(lián)邦EVO595輪胎而言,Cαf=200kN/rad, μf=0.97,κf=0