胥凌志，王俊博，吳凡，袁子洋，閆偉

（250011 山東省 濟南市 山東大學 能源與動力工程學院）

0 引言

基于駕駛員的駕駛意圖可以準確掌握駕駛員的車輛運行狀態(tài)需求，依此執(zhí)行能量控制策略更符合駕駛員的操作要求，可以提高燃油經(jīng)濟性和排放性，因此準確識別駕駛意圖是近年來的重點研究方向。有關(guān)研究中，福州大學的Lin[1]等建立了集成學習模型，根據(jù)對預(yù)期行程距離和速度的預(yù)測結(jié)果進行扭矩分配并驗證了該策略對于汽車燃油經(jīng)濟性的提升；北京科技大學的Yao 等[2]對駕駛意圖特征向量進行聚類，并將聚類結(jié)果通過隱馬爾科夫模型迭代優(yōu)化，最終將駕駛員駕駛風格劃分為安全性、環(huán)保型等不同的駕駛習慣；山東科技大學的Guo 等[3]通過實驗收集了駕駛員的視覺、聽覺、嗅覺等動態(tài)數(shù)據(jù)，基于隱馬爾科夫模型識別駕駛意圖，最終預(yù)測駕駛員的情緒轉(zhuǎn)變準確率可達83%；山東大學的劉洋[4]通過建立模糊控制模型構(gòu)建了混合動力汽車的能量控制策略并驗證了該控制策略能夠提升整車性能；中北大學的程意[5]通過模糊神經(jīng)網(wǎng)絡(luò)確定復(fù)合制動的參數(shù)并通過聯(lián)合仿真驗證，該方法能夠提高汽車經(jīng)濟性，增加續(xù)航里程。

本文首先對傳感器采集的特征參數(shù)進行模糊化處理，構(gòu)建駕駛意圖模型，然后基于Cruise 平臺搭建了混合動力汽車模型，使用該駕駛意圖模型結(jié)合基于Simulink 的模糊控制策略進行聯(lián)合仿真，并對結(jié)果進行了分析。

1 駕駛意圖識別及混合動力汽車仿真模型搭建

1.1 駕駛意圖識別

1.1.1 采集設(shè)備

本文使用豐田系列89510-47040 的制動踏板行程傳感器采集制動數(shù)據(jù)，使用豐田系列的89245-02030 的轉(zhuǎn)向盤角度傳感器采集轉(zhuǎn)向盤轉(zhuǎn)角，使用PCAN-USB 作為數(shù)據(jù)顯示工具采集CAN 總線的加速踏板行程等數(shù)據(jù)并實時顯示。

1.1.2 駕駛意圖識別分析

加速踏板、制動踏板的行程等大小判斷屬于模糊概念范疇，在大部分工況下不能簡單地根據(jù)數(shù)值范圍分類為大或小，因此使用模糊C 均值算法將數(shù)據(jù)聚類。由聚類結(jié)果搭建隸屬度函數(shù)，在MATLAB 中Fuzzy Logic Designer 建立控制模型。

1.2 基于Cruise 建立混合動力汽車仿真模型

使用MATLAB 編寫Simulink 控制策略，將Simulink 控制策略導出為可執(zhí)行DLL 文件，并在Cruise 建立混合動力電動汽車模型并加入該DLL文件以執(zhí)行控制策略。汽車參數(shù)如表1 所示。

表1 汽車參數(shù)Tab.1 Vehicle parameters

基于Cruise 自帶的汽車及各零部件模型，并參考文獻[6-7]加入永磁同步電機和鋰離子電池組，搭建單軸并聯(lián)式的混合動力汽車模型如圖1 所示。

圖1 并聯(lián)式混合動力汽車Fig.1 Parallel hybrid electric vehicle

1.3 基于Simulink 建立控制策略

混合動力電動汽車同時具有發(fā)動機和電機，通過引入控制策略解決動力源切換和轉(zhuǎn)矩、功率分配等問題，可提高汽車的經(jīng)濟性、動力性和排放性。

1.3.1 轉(zhuǎn)矩計算

加速踏板行程為α時所需轉(zhuǎn)矩Trep為

式中：Temax——發(fā)動機機最大轉(zhuǎn)矩；Tmmax——電機最大轉(zhuǎn)矩。

作用于汽車車輪的目標扭矩可由式(2)得出：

式中：ig——變速器傳動比；i0——主減速器傳動比；η——傳動效率。

可由制動踏板行程和制動扭矩曲線計算得出制動扭矩。充電扭矩可由式(3)得出：

式中：Tmmax——電機當前轉(zhuǎn)速下最大轉(zhuǎn)矩；ac——充電系數(shù)；SOCα——目標SOC 值；SOC——當前SOC 值。

計算發(fā)動機最大轉(zhuǎn)矩和電機最大最小轉(zhuǎn)矩、發(fā)動機高效率區(qū)轉(zhuǎn)矩如圖2 所示。

圖2 發(fā)動機轉(zhuǎn)矩計算Fig.2 Engine torque calculation

1.3.2 識別車輛行駛狀態(tài)

電池電量識別模塊：將電池電量分為＜30，≥30 且＜90 和＞90 三個檔位。

根據(jù)計算所得的目標扭矩區(qū)分汽車狀態(tài)，目標扭矩大于0 時為驅(qū)動狀態(tài)，等于0 時為駐車狀態(tài)，小于0 時為制動狀態(tài)。

1.3.3 識別駕駛意圖和駕駛風格

在Simulink 中導入基于駕駛員駕駛意圖建立的模糊控制模型。首先測試該模糊控制模型能否正常使用。分別設(shè)置加速踏板行程和加速踏板行程區(qū)間變化率為24 和23，使用總線連接輸入模糊控制模型，得到結(jié)果為7.213，大于6 為快速加速。

通過3 個模糊控制模型識別駕駛員制動、加速、轉(zhuǎn)向意圖和駕駛風格，識別模塊如圖3 所示。

圖3 意圖和風格識別模塊Fig.3 Intent and style recognition module

1.3.4 轉(zhuǎn)向控制策略

在轉(zhuǎn)向意圖為保持直行或緩慢轉(zhuǎn)向時，應(yīng)降低轉(zhuǎn)向靈敏度，提供不足轉(zhuǎn)向特性，此時需求角速度可由式（4）得出；轉(zhuǎn)向意圖為緊急轉(zhuǎn)向且非緊急避讓時，為使駕駛員更精準地控制轉(zhuǎn)向，也應(yīng)提供不足轉(zhuǎn)向特性；轉(zhuǎn)向意圖為正常轉(zhuǎn)向時，應(yīng)提供正常轉(zhuǎn)向特性，此時需求角速度可由式（5）得出。

1.3.5 主控制策略

主控制策略基本思路：

（1）目標轉(zhuǎn)矩處于發(fā)動機高效率區(qū)時，若SOC大于某一下限，則由發(fā)動機提供全部轉(zhuǎn)矩；若電池電量低于某一上限，則利用多余轉(zhuǎn)矩對電池充電。

（2）目標轉(zhuǎn)矩大于高效率區(qū)上限且小于發(fā)動機所能提供的最大轉(zhuǎn)矩時，若SOC 大于某一下限，則發(fā)動機和電機同時提供轉(zhuǎn)矩；若SOC小于此下限，則僅發(fā)動機提供轉(zhuǎn)矩。

（3）若目標轉(zhuǎn)矩大于發(fā)動機最大轉(zhuǎn)矩時，則在SOC 大于某一上限時，發(fā)動機和電機同時提供轉(zhuǎn)矩。

（4）當目標轉(zhuǎn)矩低于發(fā)動機高效率區(qū)下限時，若SOC 大于某一下限，則由電機提供目標轉(zhuǎn)矩；若SOC 低于此下限，則發(fā)動機以高效率區(qū)下限轉(zhuǎn)矩運行，高效率區(qū)下限轉(zhuǎn)矩減去目標轉(zhuǎn)矩部分用于充電。

（5）當目標轉(zhuǎn)矩小于0 時（制動時），若SOC 大于某一上限時，制動力矩由制動器提供；若SOC 小于此上限值且制動力矩大于驅(qū)動電機的最小扭矩，則由電機提供目標轉(zhuǎn)矩；若SOC 小于此上限值且制動力矩大于電機的最大轉(zhuǎn)矩，則由電機和制動器提供目標轉(zhuǎn)矩。

（6）當目標轉(zhuǎn)矩小于0 時（駐車時），若SOC 小于所設(shè)上限，則發(fā)動機根據(jù)計算所得充電扭矩驅(qū)動電機進行充電。

急躁型駕駛員目標扭矩大且扭矩變化率高，而電機扭矩響應(yīng)時間小于發(fā)動機，因此急躁型控制策略需盡可能優(yōu)先使用電機，SOC 應(yīng)處于充放電高效率區(qū)域。本文將SOC 不足的下限設(shè)為50，上限設(shè)為70。急躁型控制策略在基本思路下的改進如下：

（1）當SOC＜50 時，應(yīng)盡可能快速充電至50，因此若目標扭矩低于發(fā)動機高效率區(qū)最高扭矩，則發(fā)動機以高效率區(qū)最高扭矩運作，大于目標扭矩的部分扭矩驅(qū)動電機為電池充電。

（2）緩慢加速時，若SOC＞50，則僅使用電機提供目標扭矩；若SOC＜50，則發(fā)動機以高效率區(qū)最低轉(zhuǎn)矩運行，多余的轉(zhuǎn)矩用于充電。中等和快速加速時，若SOC＞50，則優(yōu)先使用電機提供目標扭矩，不足的扭矩由發(fā)動機補足。

沉穩(wěn)型駕駛員目標扭矩和目標扭矩變化率適中，不過分追求動力性和經(jīng)濟性，因此將SOC 下限設(shè)置為30，上限設(shè)置為50。沉穩(wěn)型控制策略在基本思路下的改進如下：

（1）緩慢加速時，若SOC ＞30，則以電機提供目標扭矩；若小于30 則以發(fā)動機高效率區(qū)最低轉(zhuǎn)矩運行，超出部分扭矩驅(qū)動電機為電池充電。中等加速，優(yōu)先讓發(fā)動機轉(zhuǎn)矩處于高效率區(qū)最低轉(zhuǎn)矩，不足轉(zhuǎn)矩由電機提供；快速加速時，優(yōu)先由電機提供轉(zhuǎn)矩。

（2）SOC ＞50 時，優(yōu)先使用電機驅(qū)動以保持SOC ＜50；SOC ＜30 且加速意圖非緩慢加速時，若目標扭矩和充電扭矩之和小于高效率區(qū)最高扭矩，則發(fā)動機按兩者之和所需轉(zhuǎn)矩運行；若兩者之和大于高效率區(qū)最低扭矩，則發(fā)動機按高效率區(qū)最高扭矩運行。

謹慎型駕駛員目標扭矩和目標扭矩變化率均較小，并且較看重汽車的燃油經(jīng)濟性，因此在高效率區(qū)時優(yōu)先使用發(fā)動機提供目標轉(zhuǎn)矩，在目標轉(zhuǎn)矩小和啟停時盡量使用電機，將SOC 下限設(shè)置為30，上限設(shè)置為70。謹慎型控制策略在基本思路下的改進如下：

（1）加速意圖為緩慢加速時，若SOC 不低于30，則以電機驅(qū)動；若低于30，則以發(fā)動機高效率區(qū)最低轉(zhuǎn)矩驅(qū)動。

（2）加速意圖為中等加速時，優(yōu)先使用發(fā)動機在高效率區(qū)工作。

（3）加速意圖為快速加速時，優(yōu)先使用電機提供扭矩。

實際駕駛過程中，模糊控制器往往會將短時間內(nèi)快速制動和加速識別為急躁型，而將短時間內(nèi)的緩慢加速和制動識別為謹慎型，因此直接以模糊識別器識別結(jié)果作為駕駛員駕駛風格進行控制會造成控制策略頻繁切換，不能達到預(yù)期效果。為了更穩(wěn)定地識別駕駛風格，本文綜合型控制策略在行駛過程中實時計算單位時間加速踏板行程區(qū)間變化率和制動踏板行程區(qū)間變化率，兩者均可由式（6）得出：

式中：T——數(shù)據(jù)采集周期；xi——每次采集的采集值；n——一個數(shù)據(jù)采集周期內(nèi)的采集次數(shù)。

2 仿真實驗與結(jié)果分析

2.1 綜合控制策略仿真

實際車速和目標車速變化如圖4 所示。在該策略下，僅在最后一次加速時實際車速小幅低于目標車速，在絕大多數(shù)時間中預(yù)期車速與實際車速的差值在0.1 m/s 以內(nèi)。由此可知，此策略可以快速響應(yīng)駕駛員的加速、制動需求，使汽車達到預(yù)期速度。

圖4 實際車速與目標車速Fig.4 Actual speed and target speed

發(fā)動機和電機轉(zhuǎn)矩分別如圖5 所示。由圖5 可知，大部分時間發(fā)動機轉(zhuǎn)矩位于高效率區(qū)間，電機能優(yōu)先提供中低轉(zhuǎn)矩，在緩慢制動時能夠回收能量。

圖5 轉(zhuǎn)矩仿真結(jié)果Fig.5 Torque simulation results

駕駛意圖識別結(jié)果如圖6 所示。駕駛意圖識別輸出值如圖6（a）所示，輸出取值范圍是1～9，其中1～3 是勻速或緩慢加速（制動），4～7 是中等加速（制動），8～9 是快速加速（制動）。駕駛風格識別輸出值如圖6（b）所示。

圖6 駕駛意圖識別Fig.6 Driving intention recognition

輸出取值范圍是1～3，其中1 是謹慎型，2 是沉穩(wěn)型，3 是急躁型。由圖6 可知，Cruise 中的標準駕駛員在需要快速加速和快速制動時被識別為沉穩(wěn)型，在部分緩慢加速和制動時被識別為謹慎型。

2.2 SOC 對比

綜合型、急躁型、沉穩(wěn)型和謹慎型4 種控制策略下SOC 變化如圖7 所示。由圖7 可知，急躁型SOC 優(yōu)先使用電機且優(yōu)先充電，因此SOC 很好地控制在50～70；沉穩(wěn)型僅在部分情況下使用電機，因此SOC 變化較平緩且下降到50 以下（SOC 控制區(qū)間）；謹慎型優(yōu)先使用電機，但不是優(yōu)先充電，因此SOC 控制在30～70。4 種類型的SOC 值能夠保持較高的充放電效率。

圖7 NEDC 工況下不同駕駛策略下SOC 變化情況Fig.7 SOC changes under different driving strategies under NEDC operating conditions

2.3 燃油經(jīng)濟性分析

綜合型、急躁型、沉穩(wěn)型和謹慎型4 種控制策略分別在NEDC 工況下的百千米油耗如圖8 所示。由圖可知，在這4 種策略下油耗相差不大，且急躁型、沉穩(wěn)型和謹慎型的百千米油耗依次下降，與設(shè)計控制策略的目標相符。

圖8 NEDC 工況油耗Fig.8 NEDC working condition fuel consumption

2.4 排放性分析

綜合型、急躁型、沉穩(wěn)型和謹慎型4 種控制策略分別在NEDC 工況下NOX，HC，CO 的每km 排放如圖9 所示，由圖9 可知，在這4 種策略下3 種污染物排放量差距很小。

圖9 NEDC 工況下不同駕駛策略下污染物排放情況Fig.9 Pollutant emissions under different driving strategies under NEDC operating conditions

3 總結(jié)

在汽車智能化的浪潮下，準確識別駕駛員操作意圖能夠提高汽車的安全性、經(jīng)濟性和環(huán)保性。本文主要研究結(jié)果如下：

基于Simulink 建立了能夠?qū)崟r識別駕駛員操作意圖和駕駛風格的控制策略，根據(jù)駕駛員駕駛風格分為急躁型、沉穩(wěn)型和謹慎型3 種控制策略。使用Cruise 基于城市工況搭建了混合動力汽車模型，分析比對了該模型在3 種控制策略下的SOC 值，百千米汽油消耗值、有害氣體排放量，證明了識別駕駛員操作意圖對于汽車控制的重大意義。

受限于作者的水平、實驗?zāi)芰蜁r間等，本文有許多不足之處仍需完善：

（1）混合動力汽車電池的充放電效率需要考慮到電池溫度、內(nèi)阻和電壓等多方面的因素，對電池建模并根據(jù)策略進行熱管理等方式能夠大幅提高電池的充放電效率。

（2）在緊急制動和緊急避讓情況下，通過合理的轉(zhuǎn)矩分配能夠減小發(fā)生危險的概率。

（3）將模糊識別與其他識別方法如隱馬爾科夫模型、神經(jīng)網(wǎng)絡(luò)識別等結(jié)合起來能夠提高意圖識別的準確性，還能進一步細分駕駛員的操作意圖。

（4）駕駛員的駕駛風格受駕駛員情緒影響很大，本文僅基于駕駛員的駕駛操作計算推斷出駕駛風格，不能完全反應(yīng)駕駛員的真實風格。