沈沛鴻，趙治國(guó)，郭秋伊

（同濟(jì)大學(xué)汽車學(xué)院，上海 201804）

前言

基于仿真模型的整車控制策略開(kāi)發(fā)可以大大節(jié)省開(kāi)發(fā)的時(shí)間與成本。能量經(jīng)濟(jì)性是車輛的重要性能，面向能量管理策略開(kāi)發(fā)的汽車仿真模型關(guān)注車輛的縱向動(dòng)力學(xué)行為，按照控制信號(hào)與能量流的傳遞路徑分為前向仿真和后向仿真［1-2］。后向仿真根據(jù)工況需求反求各部件工作需求，以此為目標(biāo)對(duì)各動(dòng)力源（如電池、電機(jī)與發(fā)動(dòng)機(jī)）進(jìn)行動(dòng)力分配。而對(duì)于前向仿真，縱向駕駛員模型根據(jù)當(dāng)前的實(shí)際車速與目標(biāo)車速控制踏板行程得到需求轉(zhuǎn)矩，能量管理模塊根據(jù)需求轉(zhuǎn)矩分配動(dòng)力源的動(dòng)力，動(dòng)力部件的動(dòng)力響應(yīng)通過(guò)傳動(dòng)系統(tǒng)作用在車輪上，得到實(shí)際車速，進(jìn)而再將實(shí)際車速傳遞給駕駛員模型，構(gòu)成閉環(huán)仿真系統(tǒng)［3-4］。前向仿真模型更接近于真實(shí)的車輛行駛過(guò)程，它實(shí)現(xiàn)了控制信號(hào)與能量流的正向傳遞，在各部件間傳遞實(shí)際的工作轉(zhuǎn)速與轉(zhuǎn)矩。且前向仿真易于實(shí)現(xiàn)模型的動(dòng)態(tài)化建模［5］。因而，前向仿真模型更有利于整車能量管理策略的開(kāi)發(fā)。而縱向駕駛員模型作為前向仿真模型區(qū)別于后向仿真模型的典型特征部件，同時(shí)也是整個(gè)仿真過(guò)程的起始環(huán)節(jié)，具有重要的作用。

縱向駕駛員模型的作用除了更好地跟蹤目標(biāo)工況，還要反映駕駛員的實(shí)際操縱行為，從而使整車仿真模型能更好地反映實(shí)車的運(yùn)行特征，應(yīng)用于整車能量管理策略的開(kāi)發(fā)。目前最為常見(jiàn)的縱向駕駛員模型是基于PI控制的駕駛員模型［6-8］。基于PI控制的縱向駕駛員模型對(duì)目標(biāo)車速的跟蹤效果依賴于比例系數(shù)與積分系數(shù)的整定，需要大量的調(diào)試工作，效率較低［9］。文獻(xiàn)［9］中以循環(huán)工況內(nèi)的累積目標(biāo)工況跟蹤誤差最小為目標(biāo)，采用遺傳算法優(yōu)化了PI參數(shù)，實(shí)現(xiàn)了較好的工況跟蹤效果，但優(yōu)化的PI參數(shù)只適用于該特定工況。也有學(xué)者提出了基于模糊PI控制的駕駛員模型，可實(shí)現(xiàn)更好的工況跟蹤精度［2，4，10］，但隸屬度函數(shù)和模糊 控制規(guī) 則的制 定仍須根據(jù)經(jīng)驗(yàn)反復(fù)調(diào)試，不斷修改。

無(wú)論是基于PI控制還是基于模糊PI控制的駕駛員模型都未考慮駕駛員的反應(yīng)滯后和踏板操作的連續(xù)性，其決策出的加速（或制動(dòng)）踏板行程與實(shí)際的踏板行程存在一定的差距，且波動(dòng)較為頻繁。由于車輛的驅(qū)動(dòng)需求轉(zhuǎn)矩、換擋決策與加速踏板行程有關(guān)［3，6］，基于 PI控制或模糊 PI控制的駕駛員模型決策的加速踏板行程會(huì)造成驅(qū)動(dòng)需求轉(zhuǎn)矩和擋位與實(shí)際情況不符，不利于基于仿真模型的能量管理策略開(kāi)發(fā)。

采用機(jī)器學(xué)習(xí)的方法基于數(shù)據(jù)對(duì)研究對(duì)象進(jìn)行建?？煞从硨?duì)象的原始特征。而對(duì)于駕駛員模型，基于機(jī)器學(xué)習(xí)的建模方法主要應(yīng)用于橫向駕駛員模型的研究，對(duì)于縱向駕駛員模型的研究較少。文獻(xiàn)［11］和文獻(xiàn)［12］中分別采用模糊神經(jīng)網(wǎng)絡(luò)建立了以橫向預(yù)瞄偏差、橫擺角速度等為輸入，以汽車轉(zhuǎn)向盤轉(zhuǎn)角為輸出的橫向駕駛員模型，基于采集的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所建立的模型能較好地吻合實(shí)際的運(yùn)動(dòng)軌跡，符合駕駛員的操作行為。文獻(xiàn)［13］和文獻(xiàn)［14］中采用 BP神經(jīng)網(wǎng)絡(luò)，對(duì)駕駛員橫向駕駛行為數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立了基于車輛側(cè)向速度、側(cè)向位移和預(yù)瞄軌跡等輸入?yún)?shù)的橫向駕駛員模型。

基于數(shù)據(jù)訓(xùn)練的橫向駕駛員模型為縱向駕駛員模型的建立提供了思路。文中基于試驗(yàn)樣車，采集了大樣本的縱向駕駛行為數(shù)據(jù)，采用基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)（adaptive network-based fuzzy inference system，ANFIS）建立了基于二輸入?yún)?shù)的縱向駕駛員模型和基于預(yù)瞄的縱向駕駛員模型，對(duì)不同縱向駕駛員模型進(jìn)行了仿真，并與實(shí)車試驗(yàn)結(jié)果進(jìn)行對(duì)比評(píng)價(jià)。

1 基于實(shí)車試驗(yàn)的縱向駕駛行為數(shù)據(jù)獲取

嘗試建立基于數(shù)據(jù)的縱向駕駛員模型，以期更好地反映駕駛員的實(shí)際駕駛特征。首先針對(duì)研究對(duì)象——某插電式混合動(dòng)力汽車（plug-in hybrid electric vehicle，PHEV），采集了實(shí)車試驗(yàn)數(shù)據(jù)?？紤]到駕駛員對(duì)加速踏板操作的行程可能與當(dāng)前時(shí)刻的實(shí)際車速、目標(biāo)車速和未來(lái)預(yù)期車速有關(guān)，因此，從記錄的實(shí)車試驗(yàn)數(shù)據(jù)中提取了車輛的目標(biāo)車速、實(shí)際車速、未來(lái)時(shí)刻的預(yù)期車速和加速踏板行程等信號(hào)。其中，目標(biāo)車速和未來(lái)時(shí)刻的預(yù)期車速在實(shí)車試驗(yàn)的過(guò)程中由上位機(jī)通過(guò)CAN通信發(fā)送給CANape軟件進(jìn)行記錄，在完成試驗(yàn)后根據(jù)定義的通信地址進(jìn)行數(shù)據(jù)解析和提取。

為更好地反映駕駛員縱向操縱車輛的行為特征，基于試驗(yàn)樣車在轉(zhuǎn)鼓試驗(yàn)臺(tái)上進(jìn)行了5組NEDC標(biāo)準(zhǔn)工況的試驗(yàn)，如圖1所示。此外，針對(duì)如圖2所示的校園行駛路線，設(shè)計(jì)了如圖3所示的校園行駛工況，進(jìn)行了7組道路試驗(yàn)。實(shí)車試驗(yàn)均由一位駕駛員完成。最終獲取了NEDC行駛工況604 753組轉(zhuǎn)鼓試驗(yàn)數(shù)據(jù)和校園行駛工況下141 467組實(shí)車道路試驗(yàn)數(shù)據(jù)，每組數(shù)據(jù)表示各個(gè)采樣時(shí)刻記錄的實(shí)際車速、目標(biāo)車速、預(yù)計(jì)車速和踏板行程。

圖1 轉(zhuǎn)鼓試驗(yàn)

2 基于ANFIS的縱向駕駛員模型

在橫向駕駛員模型研究中，ANFIS已經(jīng)得到了應(yīng)用［11-12］。其核心思想是利用神經(jīng)網(wǎng)絡(luò)對(duì)知識(shí)的表達(dá)機(jī)理，通過(guò)學(xué)習(xí)訓(xùn)練來(lái)實(shí)現(xiàn)控制規(guī)則的記憶，從而實(shí)現(xiàn)模糊輸入輸出的映射。ANFIS將模糊控制方法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過(guò)其學(xué)習(xí)訓(xùn)練駕駛行為，更接近于駕駛員的控制思想和方法［12］。本文中采用ANFIS建立縱向駕駛員模型。

圖2 校園行駛路線

圖3 校園行駛工況

2.1 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)

ANFIS是一種基于Takagi-Sugeno模型的模糊推理系統(tǒng)，將模糊控制的模糊化、模糊推理和反模糊化3個(gè)基本過(guò)程全部用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，通過(guò)離線訓(xùn)練和在線學(xué)習(xí)算法進(jìn)行模糊推理控制規(guī)則的自調(diào)整，使其系統(tǒng)本身朝著自適應(yīng)、自組織、自學(xué)習(xí)的方向發(fā)展。采用結(jié)構(gòu)如圖4所示的ANFIS［15］建立縱向駕駛員模型。

第1層為計(jì)算輸入的模糊隸屬度：

式中OEi和ORi表示第1層上的輸出。

第2層為計(jì)算每條規(guī)則的使用度：

第3層為計(jì)算適用度的歸一化值：

第4層為計(jì)算每條規(guī)則的輸出：

圖4 ANFIS拓?fù)浣Y(jié)構(gòu)

第5層為計(jì)算模糊系統(tǒng)的輸出：

在獲得ANFIS結(jié)構(gòu)后，即可采用駕駛員的縱向駕駛行為數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)算法［15］來(lái)訓(xùn)練ANFIS的參數(shù)，修正連接ANFIS各單元之間的ωk值，使訓(xùn)練誤差減小。

2.2 基于二輸入?yún)?shù)的ANFIS縱向駕駛員模型

駕駛員對(duì)加速踏板行程的操作可能取決于當(dāng)前時(shí)刻對(duì)目標(biāo)車速的跟蹤，而對(duì)目標(biāo)車速的跟蹤可表現(xiàn)為當(dāng)前的加速度或目標(biāo)車速與實(shí)際車速的偏差。因此，可建立基于車輛當(dāng)前時(shí)刻的目標(biāo)車速v、加速度a或目標(biāo)車速與實(shí)際車速的偏差err的二輸入?yún)?shù)ANFIS縱向駕駛員模型。設(shè)每個(gè)輸入?yún)?shù)由3個(gè)隸屬函數(shù)表述，隸屬函數(shù)采用常用的鐘型函數(shù)-gbellmf［16］；ANFIS輸出參數(shù)采用擬合效果較好的線性函數(shù)-linear［17］。輸入?yún)?shù)的隸屬函數(shù)如圖 5所示。所建立的ANFIS模型結(jié)構(gòu)如圖6所示。

首先建立基于目標(biāo)車速與加速度的ANFIS縱向駕駛員模型。在采集得到的車輛行駛數(shù)據(jù)中抽取60 000組目標(biāo)車速、加速度和加速踏板行程數(shù)據(jù)對(duì)ANFIS模型進(jìn)行訓(xùn)練，得到的模糊規(guī)則和模糊推理曲面分別如圖7和圖8所示。在得到基于訓(xùn)練數(shù)據(jù)的ANFIS模型后，從采集到的樣本數(shù)據(jù)中抽取10 000組數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果如圖9所示，平均檢驗(yàn)誤差為8.63%。

圖5 輸入?yún)?shù)隸屬函數(shù)

圖6 基于二輸入?yún)?shù)的ANFIS結(jié)構(gòu)

同理，可建立基于目標(biāo)車速與車速偏差的ANFIS駕駛員模型。以60 000組實(shí)車試驗(yàn)數(shù)據(jù)中的目標(biāo)車速和車速偏差為輸入?yún)?shù)、加速踏板行程為輸出參數(shù)對(duì)ANFIS模型進(jìn)行訓(xùn)練，得到的模糊規(guī)則和模糊推理曲面分別如圖10和圖11所示。抽取10 000組實(shí)車試驗(yàn)數(shù)據(jù)對(duì)基于目標(biāo)車速和車速偏差的ANFIS訓(xùn)練模型進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果如圖12所示，平均檢驗(yàn)誤差為5.93%。從ANFIS訓(xùn)練模型的檢驗(yàn)結(jié)果來(lái)看，基于目標(biāo)車速與車速偏差的二輸入?yún)?shù)ANFIS模型的訓(xùn)練效果優(yōu)于基于目標(biāo)車速與加速度的二輸入?yún)?shù)ANFIS模型。

2.3 基于預(yù)瞄的ANFIS縱向駕駛員模型

圖7 基于目標(biāo)車速和加速度的ANFIS模糊規(guī)則

圖8 基于目標(biāo)車速與加速度的ANFIS模糊推理曲面

圖9 基于目標(biāo)車速與加速度的ANFIS模型檢驗(yàn)結(jié)果

在橫向的駕駛員模型研究中，引入了未來(lái)軌跡的修正，得到基于預(yù)瞄的橫向駕駛員模型，能更好地跟蹤車輛目標(biāo)軌跡［11-12］。對(duì)縱向的駕駛行為而言，駕駛員對(duì)加速踏板的操作不僅反映駕駛員對(duì)當(dāng)前目標(biāo)車速的跟蹤需求，可能還受未來(lái)預(yù)期車速的影響。若須加速，則駕駛員可能會(huì)在當(dāng)前時(shí)刻加大加速踏板行程；若須減速，則反之。因此，可引入未來(lái)時(shí)刻的目標(biāo)車速作為輸入?yún)?shù)，將未來(lái)時(shí)刻的目標(biāo)車速與當(dāng)前時(shí)刻的加速踏板行程產(chǎn)生關(guān)聯(lián)，以期反映駕駛員對(duì)加速踏板的操作受未來(lái)預(yù)期車速的影響特性。

圖10 基于目標(biāo)車速和車速偏差的ANFIS模糊規(guī)則

圖11 基于目標(biāo)車速與車速偏差的ANFIS模糊推理曲面

圖12 基于目標(biāo)車速與車速偏差的ANFIS模型檢驗(yàn)結(jié)果

假設(shè)駕駛員對(duì)加速踏板的操作只受未來(lái)短時(shí)域內(nèi)預(yù)期車速的影響，在當(dāng)前時(shí)刻目標(biāo)車速與加速度作為輸入?yún)?shù)的基礎(chǔ)上，引入了未來(lái)3 s的預(yù)期車速也作為輸入?yún)?shù)，建立基于預(yù)瞄的縱向駕駛員模型。同樣采用ANFIS模型訓(xùn)練基于預(yù)瞄的縱向駕駛員模型。

所采用的模糊推理系統(tǒng)輸入?yún)?shù)的隸屬函數(shù)數(shù)目與類型和ANFIS輸出參數(shù)函數(shù)類型均同二輸入?yún)?shù)的ANFIS訓(xùn)練模型。由于具有3個(gè)輸入?yún)?shù)，所建立的ANFIS結(jié)構(gòu)如圖13所示。

圖13 基于三輸入?yún)?shù)的ANFIS結(jié)構(gòu)

同樣抽取60 000組數(shù)據(jù)對(duì)ANFIS模型進(jìn)行訓(xùn)練，得到基于預(yù)瞄的駕駛員模型。訓(xùn)練得到的模糊規(guī)則和模糊推理曲面分別如圖14和圖15所示。抽取10 000組原始數(shù)據(jù)對(duì)訓(xùn)練得到的基于預(yù)瞄的ANFIS縱向駕駛員模型進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果如圖16所示，平均檢驗(yàn)誤差為4.04%。可見(jiàn)，基于預(yù)瞄的縱向駕駛員模型訓(xùn)練效果優(yōu)于基于二輸入?yún)?shù)的ANFIS縱向駕駛員模型。

圖14 基于ANFIS預(yù)瞄縱向駕駛員模型模糊規(guī)則

3 縱向駕駛員模型測(cè)試與評(píng)價(jià)

為測(cè)試評(píng)價(jià)以上基于數(shù)據(jù)的縱向駕駛員模型的效果，基于Matlab／Simulink建立了PHEV試驗(yàn)樣車的仿真模型與基于規(guī)則的控制策略［6］。仿真所用的能量管理策略與實(shí)車保持一致，所采用的純電動(dòng)模式下的換擋策略如圖17所示。

圖16 基于ANFIS預(yù)瞄縱向駕駛員模型檢驗(yàn)結(jié)果

圖17 PHEV純電動(dòng)模式下?lián)Q擋策略

抽取轉(zhuǎn)鼓試驗(yàn)中跟蹤NEDC工況最好的一組實(shí)車試驗(yàn)的行駛時(shí)間-車速曲線（見(jiàn)圖18）作為具有代表性的實(shí)際行駛工況，并作為仿真模型的目標(biāo)輸入工況，采用參數(shù)整定后的PI控制的駕駛員模型和不同的ANFIS縱向駕駛員模型進(jìn)行仿真，與實(shí)車試驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比。為使PHEV工作在純電動(dòng)模式下，設(shè)初始SOC為50%。

圖18 PHEV試驗(yàn)樣車實(shí)際行駛時(shí)間-車速曲線

圖19 為不同駕駛員模型的工況跟蹤情況。為更好地描述各駕駛員模型的工況跟蹤效果，采用車速跟蹤偏差的最大值、最小值，以及如式（7）所示的均方根誤差（RMSE）來(lái)表征，結(jié)果如表1所示。由表可見(jiàn)，基于ANFIS的預(yù)瞄縱向駕駛員模型具有最好的跟蹤車輛實(shí)際行駛車速的能力，基于PI控制的駕駛員模型的工況跟蹤能力次之，基于目標(biāo)車速與車速偏差或加速度的ANFIS駕駛員模型的工況跟蹤能力相對(duì)較差，但總體上能跟蹤實(shí)際車速的趨勢(shì)，且車速變化更為平緩。

式中：vs，i為仿真車速；va，i為實(shí)際車速；m為工況點(diǎn)個(gè)數(shù)。

圖20 為加速踏板行程對(duì)比。由圖可見(jiàn)：基于ANFIS的預(yù)瞄縱向駕駛員模型決策得到的加速踏板行程與駕駛員實(shí)際的加速踏板行程最接近；基于PI控制的駕駛員模型次之；基于二輸入?yún)?shù)的ANFIS駕駛員模型決策得到的加速踏板行程幅值較小，與實(shí)際的加速踏板行程相差較大。這也證明了工況跟蹤的結(jié)論，仿真所得的加速踏板行程與實(shí)際加速踏板行程越接近，工況跟蹤效果越好。此外，基于PI控制的駕駛員模型決策得到的加速踏板行程波動(dòng)較大，而基于數(shù)據(jù)訓(xùn)練得到的ANFIS駕駛員模型加速踏板行程較為平順，更符合駕駛員對(duì)加速踏板行程的實(shí)際操作。

表1 各駕駛員模型工況跟蹤統(tǒng)計(jì) km／h

圖20 加速踏板行程對(duì)比

圖21 為實(shí)車試驗(yàn)的擋位變化以及采用各駕駛員模型仿真的擋位變化情況。由于擋位決策與車速和加速踏板行程有關(guān)，因而采用各駕駛員模型的擋位變化情況各不相同。工況跟蹤效果最好的ANFIS預(yù)瞄駕駛員模型的擋位變化情況與實(shí)車試驗(yàn)的擋位變化最為接近?；赑I控制的駕駛員模型次之。而工況跟蹤效果相對(duì)較差的二輸入?yún)?shù)的ANFIS駕駛員模型的擋位變化情況與實(shí)際存在較大的差別，但由于其加速踏板行程相對(duì)較小也更平順，其擋位也更為穩(wěn)定。

圖21 擋位對(duì)比

圖22 和圖23分別為變速器輸入端需求轉(zhuǎn)矩和車輪端需求轉(zhuǎn)矩。驅(qū)動(dòng)需求轉(zhuǎn)矩也與加速踏板行程直接相關(guān)，從圖可以看出：采用工況跟蹤效果最好的ANFIS預(yù)瞄駕駛員模型仿真得到的需求轉(zhuǎn)矩最接近實(shí)際的需求轉(zhuǎn)矩；采用基于PI控制的駕駛員模型次之；采用二輸入?yún)?shù)的ANFIS駕駛員模型得到的需求轉(zhuǎn)矩與實(shí)際需求轉(zhuǎn)矩相差較大。此外，基于PI控制的駕駛員模型的驅(qū)動(dòng)需求轉(zhuǎn)矩波動(dòng)較為頻繁，基于數(shù)據(jù)訓(xùn)練的ANFIS駕駛員模型驅(qū)動(dòng)需求轉(zhuǎn)矩較為平順，更符合車輛的實(shí)際情況。由于PHEV的能量管理策略是基于驅(qū)動(dòng)需求轉(zhuǎn)矩來(lái)優(yōu)化動(dòng)力源功率分配的，較頻繁的需求轉(zhuǎn)矩波動(dòng)不利于反映能量管理策略的實(shí)際效果。因此，基于ANFIS駕駛員模型更有利于能量管理策略的開(kāi)發(fā)。

圖22 變速器輸入端需求轉(zhuǎn)矩對(duì)比

圖23 車輪端需求轉(zhuǎn)矩對(duì)比

對(duì)照不同駕駛員模型的工況跟蹤、加速踏板行程、擋位以及驅(qū)動(dòng)需求轉(zhuǎn)矩可知，基于ANFIS預(yù)瞄駕駛員模型具有最好的綜合效果。

4 結(jié)論

通過(guò)以上對(duì)各縱向駕駛員模型的研究與仿真對(duì)比，可得出以下結(jié)論。

（1）基于PI控制的縱向駕駛員模型的工況跟蹤RMSE值為1.736 3 km／h，工況跟蹤效果有待提高，且存在明顯的弊端?；赑I控制的駕駛員模型決策出的加速踏板行程波動(dòng)較頻繁，進(jìn)而造成需求轉(zhuǎn)矩波動(dòng)也較頻繁，不能反映車輛的實(shí)際行駛特征，不利于能量管理策略的開(kāi)發(fā)與優(yōu)化。

（2）采用ANFIS方法基于數(shù)據(jù)訓(xùn)練得到的二輸入?yún)?shù)（目標(biāo)車速與加速度或車速偏差）的縱向駕駛員模型決策出的加速踏板行程和對(duì)應(yīng)的需求轉(zhuǎn)矩均較平順，擋位也相對(duì)較為穩(wěn)定，但對(duì)工況跟蹤的效果較差，基于車速與加速度和基于車速與其誤差兩種模型的工況跟蹤RMSE值分別為3.616 6和2.317 5 km／h，比PI控制模型的RMSE值還大。

（3）基于ANFIS預(yù)瞄駕駛員模型對(duì)工況跟蹤效果最好，工況跟蹤的RMSE值為0.993 0 km／h，且其決策出的加速踏板行程、擋位以及需求轉(zhuǎn)矩與實(shí)車試驗(yàn)結(jié)果最為接近。因此，基于ANFIS預(yù)瞄駕駛員模型具有最佳的綜合效果，可反映車輛的實(shí)際行駛狀態(tài)，更有利于整車能量管理策略的開(kāi)發(fā)與優(yōu)化升級(jí)。