主題詞：智能車輛縱向運(yùn)動(dòng)控制外部干擾估計(jì)不確定影響模型預(yù)測(cè)控制中圖分類號(hào)：U471.15 文獻(xiàn)標(biāo)志碼：A DOI： 10.19620/j.cnki.1000-3703.20241068

Longitudinal Disturbance Estimation and Motion Control of Intelligent Vehicles under Uncertain Influences

JingWei'，Zhao Wenqiang'，Wei Hongqian'，Lai Chenguang？，Zhang Youtong12 （1.School of MechanicalandVehicular Engineering，Beijing Instituteof Technology，Beijing1Oo081;2.YangtzeDelta RegionAcademyBeijing InstituteofTechnology，Jiaxing 314Ooo;3.International CooperationJointLaboratoryof IntellgentManufacturingand ControlofKeyComponentsofEnergy-SavingandNewEnergy Vehicles，Ministryof Education， Chongqing University of Technology， Chongqing ）

【Abstract】To mitigate the interferenceof external disturbancesand environmentaluncertaintiesand improve vehicle speedtrackingacuracy，thisstudyproposesalongitudinal motioncontrolerthatintegratesaHigh GainExtendedState Observer （HGESO）with odel PredictiveControl（MPC）.First，themulti-sourceexternaluncertaintiesareconsolidated ntoa stochastic time-varyingresistanceterm inthespeedcontrolframework，whichisestimatedusing the HGESO.Thisapproach is combinedwithanominal state-spacemodel toenhance thedescriptionof vehicle longitudinal dynamics.Subsequently，an incremental MPCcontrollerincorporatingtheestimateddisturbanceresistanceisemployed.Thiscontrollerdesignsamultiobjectiveoptimization function that simultaneouslyconsiders longitudinal speed tracking eror，ridecomfort，and energy consumption，ultimatelysolvingfortheoptimalcontrolinput.Finally，precisecalibrationof thelower-levelcontroler’s mappingtableisperformed toensureacurateoutputofthrotleandbrakecommands，therebyenhancingthecontroller'srealtimeexecution capability.Experimental resultsdemonstrate significantimprovements in speed trackingaccuracyunder challenging conditions： a 35% ＼～61.54% enhancement is achieved on steep slopes，and a 26.3%＼～80.8% improvement is observed during continuous steering maneuvers.The proposed controlstrategy efectively eliminates theimpactof external disturbances on vehicle longitudinal control.

Keywords：Intelligent vehicles，Longitudinal motioncontrol，External disturbance estimation， Jncertain influences，Model PredictiveControl （MPC）

【引用格式】荊威，趙文強(qiáng)，魏洪乾，等.不確定影響下智能車輛縱向干擾估計(jì)與運(yùn)動(dòng)控制[J].汽車技術(shù)，2025（5）：11-21.JINGW，ZHAOWQ，WEIHQ，etal.LongitudinalDisturbanceEstimationandMotionControlofIntellgentVehiclesundelUncertainInfluences[J].Automobile Technology，2025（5）： 11-21.

1前言

自動(dòng)駕駛作為車輛智能化的體現(xiàn)，包含環(huán)境感知、自主決策以及控制執(zhí)行等關(guān)鍵技術(shù)。其中，控制模塊可保證車輛精準(zhǔn)、穩(wěn)定地跟蹤目標(biāo)軌跡?，F(xiàn)有研究多集中于車輛的橫向控制，但縱向速度控制對(duì)提升軌跡跟蹤精度同樣具有關(guān)鍵影響。在實(shí)際行駛中，車輛面臨多源不確定性干擾（如道路坡度、轉(zhuǎn)向等），且車輛傳動(dòng)系統(tǒng)存在顯著的非線性特性，難以通過(guò)精確建模完整表征其實(shí)際物理行為。因此，復(fù)雜的內(nèi)、外部不確定因素使高精度縱向速度控制面臨嚴(yán)峻挑戰(zhàn)。

對(duì)于提升車輛縱向速度控制精度，主要采用PI控制器2]、自適應(yīng)控制器[3]、反步法控制器4等方法，但這些方法通過(guò)實(shí)時(shí)誤差反饋調(diào)節(jié)控制量，并未從機(jī)理上分析外部干擾來(lái)源，導(dǎo)致對(duì)干擾的抑制效果有限[5]。隨著人工智能快速發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的控制方法6-8得到廣泛應(yīng)用，雖然在一定程度上能夠提升系統(tǒng)性能，但其可解釋性較差，不便于調(diào)試和控制優(yōu)化。同時(shí)，此類方法對(duì)計(jì)算資源要求較高，在車載嵌人式電控單元中難以實(shí)現(xiàn)工程化應(yīng)用。

基于最優(yōu)控制理論的方法兼顧控制精度與實(shí)時(shí)性優(yōu)勢(shì)，線性二次調(diào)節(jié)器]（LinearQuadratic Regulator，LQR）和模型預(yù)測(cè)控制[o]（ModelPredictiveControl，MPC）成為解決方案。Zhu等將控制器分為兩層，上層MPC控制器輸出期望加速度，下層建立傳動(dòng)系統(tǒng)的逆縱向動(dòng)力學(xué)模型，輸出最終的控制量，解決了單層MPC建模不準(zhǔn)確的問(wèn)題[11-12]。Dong等[13]系統(tǒng)地分析了縱向阻力的來(lái)源，設(shè)計(jì)考慮縱向干擾的分層MPC控制器，但該方案對(duì)外部阻力的估計(jì)效果欠佳。Xiong等利用擴(kuò)張狀態(tài)觀測(cè)器實(shí)時(shí)估計(jì)動(dòng)力系統(tǒng)的不確定性和傳感器噪聲，為干擾估計(jì)提供了新的思路[14-15]。張忠等[利用線性擴(kuò)張狀態(tài)觀測(cè)器（LinearExtended StateObserver，LESO）對(duì)外部干擾進(jìn)行實(shí)時(shí)估計(jì)，但該方法對(duì)高頻干擾的估計(jì)效果較差。

為了提高控制器對(duì)外部干擾的抑制能力，降低傳動(dòng)系統(tǒng)建模誤差，本文提出一種融合高增益擴(kuò)張狀態(tài)觀測(cè)器（HighGainExtended StateObserver，HGESO）與模型預(yù)測(cè)控制器的縱向運(yùn)動(dòng)控制策略。外部干擾經(jīng)過(guò)實(shí)時(shí)觀測(cè)后，輸人上層MPC控制器；下層控制器為離線標(biāo)定的映射表，將上層MPC輸出的期望加速度映射為油門和制動(dòng)指令。同時(shí)，經(jīng)過(guò)仿真和硬件在環(huán)測(cè)試驗(yàn)證其控制精度和計(jì)算實(shí)時(shí)性。

2 縱向控制模型

2.1整車縱向動(dòng)力學(xué)模型

本文將后輪驅(qū)動(dòng)的智能車輛作為研究對(duì)象，車輛動(dòng)力學(xué)模型如圖1所示。其中， F_s 為前輪側(cè)向力的縱向分力， F_f?F_w?F_g 分別為滾動(dòng)阻力、空氣阻力與坡度阻力，mv@為科氏力， m 為整車質(zhì)量， v_y?v_x 分別為橫向和縱向車速， ω 為橫擺角速度， F_yr?_xF_xr?_y 分別為后輪側(cè)向力、后輪縱向力和前輪側(cè)向力， α_rα_f 分別為后輪和前輪的輪胎側(cè)偏角。

整車的縱向動(dòng)態(tài)可描述為：

式中： a_x 為整車縱向加速度， F_d?F_b 分別為驅(qū)動(dòng)力和制動(dòng)力， F_res 為縱向阻力的合力， F_x 為驅(qū)動(dòng)力和制動(dòng)力的合力， ρ 為空氣密度， C_d 為空氣阻力系數(shù)， A 為迎風(fēng)面積 ?，f_f 為滾動(dòng)阻力摩擦因數(shù)， θ 為路面坡度角， δ 為前輪轉(zhuǎn)角。

為了方便實(shí)際應(yīng)用，僅考慮各項(xiàng)阻力的合力對(duì)于車輛動(dòng)態(tài)的影響。因此，引入外部干擾加速度 a_dis ，實(shí)現(xiàn)對(duì)車輛阻力的綜合描述：

2.2縱向控制狀態(tài)空間模型

車輛的縱向動(dòng)態(tài)主要表現(xiàn)為速度和加速度的變化關(guān)系，由于車輛動(dòng)力系統(tǒng)存在輸出響應(yīng)滯后，為了準(zhǔn)確描述車輛的實(shí)際動(dòng)態(tài)特性，將車輛的縱向控制問(wèn)題使用二階系統(tǒng)表示：

式中： K_a 為系統(tǒng)增益， τ 為一階慣性系統(tǒng)的時(shí)間常數(shù)， a_des 為期望加速度， a_dis 為干擾加速度。

以 為狀態(tài)變量， u（t）=a_des（t） 為控制變量，構(gòu)建線性時(shí)變狀態(tài)空間模型為：

基于零階保持器，采用前向歐拉法對(duì)式（4）進(jìn)行離散化，得到離散狀態(tài)空間方程為：

式中： T_s 為采樣周期。

3縱向運(yùn)動(dòng)控制器設(shè)計(jì)

基于模型的控制方法引入被控對(duì)象的動(dòng)態(tài)過(guò)程，能夠?qū)崿F(xiàn)更加靈活、精確的控制。然而，高控制精度以高維度模型為基礎(chǔ)，在控制求解過(guò)程中帶來(lái)巨大的計(jì)算負(fù)擔(dān)。為了保證控制過(guò)程的實(shí)時(shí)性，本文采用雙層結(jié)構(gòu)設(shè)計(jì)車輛的縱向運(yùn)動(dòng)控制器，其結(jié)構(gòu)如圖2所示。

3.1外部不確定阻力的實(shí)時(shí)狀態(tài)觀測(cè)

線性擴(kuò)張狀態(tài)觀測(cè)器（LESO）[將系統(tǒng)內(nèi)部未建模動(dòng)態(tài)和式（2）表示的外部干擾整合為總干擾，對(duì)低頻外部干擾的估計(jì)效果較好。但外部干擾常缺少先驗(yàn)結(jié)果，同時(shí)極易包含高頻成分，LESO的觀測(cè)精度較低。為了實(shí)現(xiàn)各類場(chǎng)景下對(duì)干擾的精確估計(jì)，本文提出一種高增益擴(kuò)張狀態(tài)觀測(cè)器（HGESO），在考慮車輛縱向動(dòng)態(tài)時(shí)，對(duì)外部干擾單獨(dú)估計(jì)，從而提高觀測(cè)精度。

將外部阻力產(chǎn)生的等效加速度視為新的狀態(tài)變量，則式（4）表示的系統(tǒng)可以擴(kuò)展為：

因此，觀測(cè)器可設(shè)計(jì)為：

式中： K，k 為增益。

觀測(cè)器的觀測(cè)誤差為 則 。根據(jù)高增益的思想，引入三角變換 其中， s 為待定的系數(shù)矩陣，可得觀測(cè)器的誤差狀態(tài)空間為：

觀測(cè)器的誤差狀態(tài)空間的系數(shù)矩陣滿足 該矩陣的特征值為調(diào)節(jié)增益 ω（ωgt;0） ，則觀測(cè)矩陣滿足穩(wěn)定性條件。令中間變量 ， -A_c（2，1）-2A_c（2，2）²- A_c（2，2）ω-ω² 』符合上述系數(shù)矩陣，可得到 K 和k分別為：

因此，離散后的觀測(cè)器為：

式中： T_s，0 為觀測(cè)器采樣周期， e_v 為速度觀測(cè)誤差。

為了進(jìn)一步分析HGESO觀測(cè)器的穩(wěn)定性和收斂性，觀測(cè)器的誤差狀態(tài)空間可表示為：

通過(guò)穩(wěn)定性定理可證明離散后系統(tǒng)穩(wěn)定[，針對(duì)式（6）定義的系統(tǒng)，對(duì)于任意的 d∈W^1，∞（R⁺） ，設(shè)計(jì)的觀測(cè)器滿足： i=1，2，則觀測(cè)器誤差收斂。其中，Mgt;0為不 依賴 的常數(shù)。

證明：觀測(cè)器誤差狀態(tài)空間的系數(shù)矩陣可知，狀態(tài)變量[e（t） 的系數(shù)矩陣特征值為 -ω（ωgt;0） ，A_ω∈R^3×3 為Hurwitz矩陣，且特征值均為 [s I_1×1]^T∈R³ 且 B_ω 滿足 一致收斂 s∈C_+° 令 為第 j 個(gè)分量是 1，j=1，2，3， 故 ，一致收斂 s∈C_+° 由Laplace反變換可得：

式中： γ 為積分收斂的實(shí)數(shù)。

由于 A_ω∈R^3×3 是Hurwitz矩陣，得到：

因此，可證明觀測(cè)器穩(wěn)定且收斂。

3.2融合外部干擾的上層控制器設(shè)計(jì)

基于經(jīng)典MPC控制器，通過(guò)融合外部干擾加速度 ，進(jìn)一步完善狀態(tài)空間。為了保證控制量平穩(wěn)輸出，設(shè)計(jì)增量式MPC，并將其作為上層控制器，根據(jù)控制量 Δu（k）=u（k）-u（k-1） ，得到新的離散狀態(tài)空間

方程為：

式中 分別為系統(tǒng)狀態(tài)量和控制量的維度。

MPC采用滾動(dòng)有限時(shí)域優(yōu)化策略，通過(guò)模型預(yù)測(cè)系統(tǒng)輸出，結(jié)合代價(jià)函數(shù)得到控制時(shí)域內(nèi)的最優(yōu)控制量序列。為了提高預(yù)測(cè)模型精度，可將觀測(cè)的干擾加速度納入預(yù)測(cè)方程：

時(shí)域和控制時(shí)域。

為了提高控制器的速度跟蹤精度，保證控制量平滑輸出，降低控制器消耗能量，定義多目標(biāo)優(yōu)化代價(jià)函數(shù)為：

式中： Q，R，S 分別為速度跟蹤精度 q_v? 控制量增量r_Δades 和控制量 s_ades 的權(quán)重矩陣， diag（ ）為創(chuàng)建對(duì)角矩陣函數(shù)。

為了便于求解控制量，將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為標(biāo)準(zhǔn)的二次規(guī)劃問(wèn)題，并進(jìn)行約束量設(shè)計(jì)，得到：

式中： g^T=4[E^TQ× （204 （20號(hào) ΔU_min=[Δu_minΔu_min…Δu_min]^T，ΔU_max=[Δu_maxΔu_max]^T .： Δu_maxJ^T，I_Nc 為 N_c×N_c 的下三角矩陣。

通過(guò)二次規(guī)劃求解，得到控制時(shí)域內(nèi)的控制量為ΔU（k）=[Δu（k）Δu（k+1）…Δu（k+N_e-1）]^T， 將該控制序列中第一個(gè)元素作為實(shí)際控制輸入增量，得到最終的控制量為 u（k）=u（k-1）+Δu（k）

3.3考慮延遲和非線性因素的下層控制器設(shè)計(jì)

設(shè)計(jì)傳統(tǒng)車輛的下層控制器時(shí)多使用傳動(dòng)系統(tǒng)的逆縱向動(dòng)力學(xué)模型，即基于模型的控制器設(shè)計(jì)方法。實(shí)際上，傳動(dòng)系統(tǒng)具有延遲、非線性等特性，模型很難準(zhǔn)確描述傳動(dòng)系統(tǒng)的動(dòng)態(tài)響應(yīng)。因此，本文通過(guò)離線標(biāo)定油門和制動(dòng)控制量，對(duì)下層控制器進(jìn)行設(shè)計(jì)。

在平坦路面直線行駛工況下進(jìn)行驅(qū)動(dòng)、制動(dòng)試驗(yàn)，觀測(cè)由風(fēng)阻、滾動(dòng)阻力產(chǎn)生的外部干擾加速度為ádis，，并記錄速度、加速度、油門、制動(dòng)等信息。理想狀態(tài)下，僅由控制量引起的縱向加速度響應(yīng)為：

式中： 為實(shí)際加速度。

將理想狀態(tài)的縱向加速度代人式（3），縱向控制系統(tǒng)等效為無(wú)外部干擾的理想系統(tǒng)：

將油門/制動(dòng)開度，速度、加速度等間隔離散，記錄相應(yīng)的外部阻力加速度，經(jīng)式（19）修正得到理想狀態(tài)下的期望加速度。因此，標(biāo)定后的油門制動(dòng)映射表如圖3所示，其表達(dá)式為：

式中： α_thr，λ_brk 分別為油門和制動(dòng)踏板開度， π，r 分別為油門和制動(dòng)的期望加速度和實(shí)際車速的映射函數(shù)。

在實(shí)際控制中，上層MPC計(jì)算的期望加速度 經(jīng)式（19）修正后，得到理想狀態(tài)下的期望加速度 a_des ，實(shí)現(xiàn)了上層控制指令到油門、制動(dòng)指令的映射。因此，油門、制動(dòng)指令的映射過(guò)程分別為：

式中： MAP（ ）為油門、制動(dòng)映射函數(shù)的合函數(shù)。

4仿真試驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方案的優(yōu)勢(shì)，搭建Matlab/Simulink與CarSim聯(lián)合仿真平臺(tái)，利用Matlab/Simulink開發(fā)控制器，使用CarSim建立高保真車輛模型，形成控制閉環(huán)，測(cè)試分為大縱坡干擾工況仿真試驗(yàn)、大曲率彎道轉(zhuǎn)向工況硬件在環(huán)試驗(yàn)。

對(duì)比本文控制器（HGESO-MPC）與引入反步法、MPC、LESO-MPC等控制器，記錄不同控制器的速度跟蹤精度以及LESO、HGESO的觀測(cè)精度。其中，對(duì)比試驗(yàn)的3種控制器設(shè)計(jì)過(guò)程為：

a.反步法控制器。通過(guò)反饋線性化方法，根據(jù)李雅普諾夫穩(wěn)定性要求設(shè)計(jì)虛擬控制率，從外層子系統(tǒng)向內(nèi)層子系統(tǒng)依次推進(jìn)，最終由最內(nèi)層的子系統(tǒng)設(shè)計(jì)實(shí)際的控制輸入，使閉環(huán)系統(tǒng)滿足穩(wěn)定性要求。最終的控制量為：

式中： 為虛擬控制量， x_id 為期望加速度， x₂ 為實(shí)際加速度， k₁，k₂ 為比例系數(shù)。

b.MPC控制器。經(jīng)典MPC控制器未考慮縱向外部干擾，狀態(tài)空間和預(yù)測(cè)方程中不包含干擾項(xiàng)，根據(jù)理想情況下的動(dòng)力學(xué)方程設(shè)計(jì)控制器[2]。

c.LESO-MPC控制器。LESO觀測(cè)器將外部干擾a_dis（t） 和縱向加速度 作為總的外部干擾進(jìn)行估計(jì)，忽略了部分系統(tǒng)動(dòng)態(tài)，所以在外部干擾高頻變化時(shí)，觀測(cè)精度欠佳[1]。

為了滿足無(wú)人駕駛車輛上層控制器的高頻控制需求，本文控制器的采樣周期為 T_s=20ms ，觀測(cè)器的采樣周期為 T_s，o=10ms 。仿真車輛參數(shù)及控制器參數(shù)分別如表1和表2所示。

4.1仿真試驗(yàn)

仿真工況可分為3個(gè)階段：

a.階段1：前100s為平坦路面行駛，其中，第0＼～70s為車速階躍階段，最高車速達(dá)到 81km/h ，測(cè)試控制器的響應(yīng)速度和穩(wěn)態(tài)誤差。

b.階段2：第70＼～100s為勻加速和勻減速階段，測(cè)試控制器的穩(wěn)定性和速度跟蹤精度。

c.階段3：第100s后，車輛以 72km/h 勻速上、下坡，坡度在 -40^°～40^° 間連續(xù)變化，測(cè)試控制器在大縱坡干擾工況的抗擾能力，坡度信息見圖4。

仿真試驗(yàn)觀測(cè)結(jié)果如圖5所示。圖5a中，LESO與HGESO控測(cè)器觀測(cè)結(jié)果基本一致，在平坦道路行駛時(shí)，由于存在滾動(dòng)阻力、空氣阻力等不確定外部因素，所以觀測(cè)值為負(fù)值；第100s后，受坡度阻力干擾，外部干擾加速度也相應(yīng)變化。

本文將當(dāng)前時(shí)刻的實(shí)際加速度 a_real（k） 與控制輸出的上一時(shí)刻期望加速度 a_des（k-1） 的差值作為外部干擾加速度。圖5b中，前 100s 為速度階躍階段，除了在階躍處的尖峰外，LESO與HGESO控測(cè)器的外部干擾加速度觀測(cè)誤差均小于 0.2m/s² ，由于該階段僅受空氣阻力和滾動(dòng)阻力影響，外部干擾較小，故二者觀測(cè)結(jié)果接近；第100s后，外部干擾劇烈變化，LESO最大干擾加速度觀測(cè)誤差達(dá)到 0.44m/s² ，HGESO因?qū)ο到y(tǒng)動(dòng)態(tài)的考慮更加精確，觀測(cè)誤差基本保持在 0.28m/s² 內(nèi)，觀測(cè)精度提升了 36.4% 。

相同工況下，車輛速度跟蹤結(jié)果如圖6所示。在第10＼～20s時(shí)，階躍參考速度為 36km/h ，反步法、LESO-MPC控制器和HGESO-MPC控制器均能夠在5s內(nèi)達(dá)到穩(wěn)態(tài)，傳統(tǒng)MPC控制器由于未考慮干擾阻力，而產(chǎn)生較大的響應(yīng)滯后；在第50＼～60s最大穩(wěn)態(tài)車速階段，HGESO-MPC控制器的最大誤差值最低 （0.03m/s） ）相較于反步法控制器（ 0.15m/s ）、傳統(tǒng)MPC控制器（ 0.1m/s LESO-MPC控制器 0.07m/s ，該控制器控制效果分別提升了 80.00%.70.00%.57.14% ;在100s后存在大縱坡干擾，反步法控制器、傳統(tǒng)MPC控制器和LESO-MPC控制器的最大速度誤差分別為 1.69m/s 、1.21m/s 和 1.00m/s ，而HGESO-MPC控制器的誤差始終最小 （0.65m/s） ）。因此，HGESO-MPC控制器能夠更精確地考慮不確定阻力干擾下的車輛動(dòng)態(tài)，輸出更符合實(shí)際需求的控制量，從而提高速度跟蹤精度。

4種控制器的油門、制動(dòng)控制量的變化情況如圖7所示。由圖7a可知，在第70＼～80s勻減速期間，反步法控制器出現(xiàn)了明顯的油門、制動(dòng)高頻切換現(xiàn)象，這在實(shí)際控制中屬于完全不合理行為。圖7b中，第10＼～20s間，MPC控制器的油門開度明顯小于其他3種控制器，控制量輸出不足導(dǎo)致車速控制響應(yīng)滯后。

速度均方根誤差（RootMean SquareError，RMSE）為所有時(shí)刻目標(biāo)值與實(shí)際值的誤差平方均值，其值越小，表示控制器輸出越接近目標(biāo)值，整體精度越高。相關(guān)公式為：

式中： v_i，ref 為第 i 個(gè)數(shù)據(jù)點(diǎn)的參考車速， v_i 為實(shí)際車速， N 為單個(gè)工況的數(shù)據(jù)點(diǎn)數(shù)量。

仿真試驗(yàn)各階段車速均方根誤差如表3所示，相較于其他控制器，本文提出方法具有最低水平的RMSE，即整體跟蹤精度更高。

4.2 硬件在環(huán)測(cè)試

為了驗(yàn)證本文控制器在嵌人式平臺(tái)的應(yīng)用效果，進(jìn)行控制器在環(huán)測(cè)試，試驗(yàn)環(huán)境如圖8所示。將算法部署在整車控制器（VehicleController Unit ，VCU），VCU的型號(hào)為芯馳E3640，相關(guān)硬件配置如表4所示。VCU、Matlab、CarSim通過(guò)控制器局域網(wǎng)（ControllerAreaNetwork，CAN）（型號(hào)為Kvaser）進(jìn)行通信交互控制命令與反饋信息，仿真數(shù)據(jù)由上位機(jī)（電腦）進(jìn)行監(jiān)控和記錄。

本文通過(guò)簡(jiǎn)單的純跟蹤算法，控制前輪轉(zhuǎn)角跟蹤參考軌跡，如圖9所示。該工況下，車輛的速度跟蹤測(cè)試分為3個(gè)階段：

a.勻加速階段：第1＼～10s，車速?gòu)?勻加速至 54km/h_c 號(hào)b.勻速階段：第10＼～20s，縱向車速保持在 54km/h ○c.變加速階段：第20s后，車輛先減速后加速。

觀測(cè)器的觀測(cè)結(jié)果如圖10所示，圖10a反映了外部干擾加速度的觀測(cè)結(jié)果，由于連續(xù)轉(zhuǎn)向，前輪側(cè)向力在縱向產(chǎn)生分力使運(yùn)動(dòng)過(guò)程始終存在縱向干擾；第27s后，兩種觀測(cè)器均為正，這是由于完成大曲率彎道左轉(zhuǎn)后，車輛依然有一定的橫擺角速度，而此時(shí)前輪轉(zhuǎn)角、側(cè)向力較小，外部干擾加速度大于零。若式（2）中科氏加速度大于外部阻力合力產(chǎn)生的加速度，二者差值為正值，試驗(yàn)結(jié)果與理論分析一致；圖10b中，HGESO的外部干擾加速度觀測(cè)誤差更小，在曲率最大處的觀測(cè)誤差為 -2.28m/s² ，LESO的觀測(cè)誤差為 -3.68m/s² ，HGESO的觀測(cè)精度提升了 38% O

硬件在環(huán)測(cè)試速度跟蹤結(jié)果如圖11所示，在勻加速階段，反步法控制器和MPC控制器由于未考慮輪胎側(cè)向力引起的縱向外部干擾，控制量輸出不合理，導(dǎo)致速度跟蹤存在較大誤差，分別達(dá)到 □LESO-MPC控制器和HGESO-MPC控制器對(duì)外部干擾進(jìn)行了估計(jì)，并融人對(duì)控制量的求解，提升了速度跟蹤精度，最大誤差分別達(dá)到 0.28m/s、0.23m/s 。相較于LESO-MPC方法，HGESO-MPC控制精度更高，主要在于該控制器詳細(xì)地考慮了系統(tǒng)的動(dòng)態(tài)特性，具有更高的外部干擾加速度的觀測(cè)精度，從而控制輸入更符合實(shí)際加/減速需求。

在勻速階段，4種控制器均能在轉(zhuǎn)向情況下保持相對(duì)穩(wěn)定的車速，HGESO-MPC控制器在這一階段的最大誤差（ 0.14m/s 相較于反步法控制器（ 0.73m/s 、MPC控制器 0.52m/s ）、LESO-MPC（ 0.19m/s， ），分別降低80.8%73.1%.26.3% 。

在變速階段，本文提出的方法控制精度明顯優(yōu)于其他控制器：減速時(shí)，HGESO-MPC控制下的車速與參考值重合；加速時(shí)，雖然HGESO-MPC的誤差增大，但仍遠(yuǎn)小于其他方法。

4種控制器的油門、制動(dòng)開度曲線如圖12所示。反步法控制器存在控制量急劇抖動(dòng)現(xiàn)象，在剛起步加速時(shí)，反步法和MPC控制器油門開度均低于 20% ，且小于其他兩種控制器，控制量輸出不足。而本文設(shè)計(jì)的控制器相較于傳統(tǒng)LESO-MPC控制器，其控制指令抖動(dòng)幅度更?。ㄒ妶D12c和圖12d），外部干擾高頻變化時(shí)控制量輸出相對(duì)平穩(wěn)。

硬件在環(huán)測(cè)試中，4種控制器的速度跟蹤均方根誤差如表5所示，本文開發(fā)的控制器具有更小的誤差水平，整體跟蹤精度更高。

為了驗(yàn)證HGESO-MPC控制器的運(yùn)行速度，其在嵌入式平臺(tái)計(jì)算時(shí)間如圖13所示。該控制器的單步求解時(shí)間均低于 5ms ，滿足 20ms 的高頻控制需求。

5結(jié)束語(yǔ)

針對(duì)外部干擾導(dǎo)致車輛速度跟蹤精度下降問(wèn)題，本文提出了一種融合干擾觀測(cè)的雙層縱向運(yùn)動(dòng)控制器，改善了車輛的縱向控制精度。上層MPC控制器結(jié)合干擾觀測(cè)結(jié)果，通過(guò)多目標(biāo)優(yōu)化的模型預(yù)測(cè)控制實(shí)現(xiàn)了最優(yōu)期望加速度計(jì)算；下層控制器基于試驗(yàn)數(shù)據(jù)和干擾阻力，實(shí)現(xiàn)了期望加速度到油門和制動(dòng)的全工況映射。在大縱坡干擾與連續(xù)轉(zhuǎn)向工況下，本文提出方法均表現(xiàn)出較高的速度跟蹤精度，在實(shí)際嵌入式平臺(tái)的單次求解時(shí)間約為 2～5ms ，具有較高的執(zhí)行效率。

參考文獻(xiàn)

[1]李克強(qiáng)，戴一凡，李升波，等.智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的 發(fā)展現(xiàn)狀及趨勢(shì)[J].汽車安全與節(jié)能學(xué)報(bào)，2017，8（1）：1- 14. LIKQ，DAIYF，LISB，etal.Current Status and Trends of Intelligent Connected Vehicle （ICV） Technology[J].Journal of Automotive Safety and Energy Conservation，2O17，8（1）： 1-14.

[2] THRUN S，MONTEMERLO M，DAHLKAMP H，et al. Stanley：TheRobot ThatWon the DARPA Grand Challenge[J]. Journal of Field Robotics，2006，23（9）：661- 692.

[3] KIMH，KIMD，SHUI，et al.Time-Varying Parameter Adaptive Vehicle Speed Control[J].IEEE Transactions on Vehicular Technology，2015，65（2）：581-588.

[4]DONGHT，XUSH，LID，etal.ALongitudinal Motion Control Method for Unmanned Truck Based on Acceleration Replanning[C]// 2019 IEEE International Conference on Unmanned Systems（ICUS）.Beijing， China： IEEE，2019：72- 78.

[5]BOULKROUNE B，VAN AALST S，LEHAEN K，et al. Observer-Based ControllerwithIntegral Actionfor LongitudinalVehicleSpeed Control[C]//2017IEEE Intelligent VehiclesSymposium （IV）.LosAngeles，CA，USA： IEEE，2017：322-327.

[6]趙健，杜金朋，朱冰，等.基于自適應(yīng)動(dòng)態(tài)滑模控制的智能 汽車縱向巡航控制[J].汽車工程，2022，44（1）：8-16. ZHAO J，DUJP，ZHUB，et al．Intellgent Vehicle Longitudinal Cruise Control Based on Adaptive Dynamic Sliding Mode Control[J].Automotive Engineering，2022， 44（1）： 8-16.

[7] GUOJH，LUOYG，LIKQ.Adaptive Neural-Network Sliding Mode Cascade Architecture of Longitudinal Tracking Control for Unmanned Vehicles[J].Nonlinear Dynamics， 2017，87： 2497-2510.

[8]梁旺，秦兆博，陳亮，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的智能車 縱向控制方法[J].汽車工程，2022，44（8）：1162-1172. LIANG W，QIN ZB，CHEN L，et al. Longitudinal Control Method of Intelligent Vehicle Based on Improved BP Neural Network[J]. Automotive Engineering，2022，44（8）：1162- 1172.

[9] CHU HQ，GUOLL，CHENH，et al.Optimal Car-Following Control for Intelligent Vehicles Using Online Road-Slope ApproximationMethod[J].ScienceChinaInformation Sciences，2021，64：1-16.

[10]AMINI M R，KOLMANOVSKYI，SUN J.Hierarchical MPC for Robust Eco-Cooling of Connected and Automated Vehiclesand ItsApplication to ElectricVehicle Battery Thermal Management[J]. IEEE Transactions on Control Systems Technology，2020，29（1）：316-328.

[11]WALZF，HOHMANNS.ModelPredictiveLongitudinal Motion Control for LowVelocities on Known Road Profiles[J].Vehicle System Dynamics，2020，58（8）：1310- 1328.

[12]ZHUM，CHEN HY，XIONGGM.A ModelPredictive Speed TrackingControl Approach for AutonomousGround Vehicles[J]. Mechanical Systems and Signal Processing， 2017，87： 138-152.

[13]DONGHT，XIJQ.ModelPredictiveLongitudinalMotion Control for the Unmanned Ground Vehicle with A Trajectory Tracking Model[J]. IEEE Transactionson Vehicular Technology，2021，71（2）：1397-1410.

[14]XUEWC，BAIWY，YANGS， etal.ADRC with Adaptive Extended State Observer and Its Applicationto Air-Fuel RatioControl in GasolineEngines[J].IEEE Transactions on Industrial Electronics，2015，62（9）：5847-5857.

[15] XIONG S，XIE H， SONG K，et al. A Speed Tracking Method for AutonomousDrivingvia ADRC with Extended StateObserver[J].Applied Sciences，2019，9（16）.

[16]張忠，吳曉建，江會(huì)華，等.多源干擾下的智能車模型預(yù) 測(cè)縱向運(yùn)動(dòng)抗干擾控制[J].汽車工程，2024，46（10）： 1816-1828+1919. ZHANGZ，WUXJ，JIANGHH，etal.Model-Predicted Anti-Disturbance Control ofLongitudinal Motionof Intelligent Vehicles under Multi-Source Disturbances [J]. AutomotiveEngineering，2024，46（10）：1816-1828 1919.

[17]劉豹，唐萬(wàn)生.現(xiàn)代控制理論[M].北京：機(jī)械工業(yè)出版 社，2011. LIUB，TANG W S. Modern Control Theory[M]. Beijing： Machinery Industry Press，2011.

（責(zé)任編輯瑞秋）

修改稿收到日期為2025年1月21日。

《汽車文摘》2025年專項(xiàng)征稿啟事

尊敬的汽車及相關(guān)技術(shù)領(lǐng)域?qū)＜覍W(xué)者、研發(fā)工程師、高校師生：

在全球汽車產(chǎn)業(yè)迎來(lái)深刻變革的今天，2025年將成為汽車技術(shù)發(fā)展的關(guān)鍵節(jié)點(diǎn)，新技術(shù)、新材料、新理念將不斷涌現(xiàn)，推動(dòng)汽車行業(yè)向更智能、更環(huán)保、更安全的方向發(fā)展?！镀囄恼菲诳鳛橹袊?guó)汽車工程學(xué)會(huì)會(huì)刊，秉承“覽全球汽車技術(shù)文獻(xiàn)，指中國(guó)汽車技術(shù)之道\"的使命，致力于成為汽車領(lǐng)域最具影響力的綜述類期刊。在此，我們特別發(fā)布2025年專項(xiàng)征稿啟事，聚焦以下十大技術(shù)方向，旨在征集具有前瞻性、綜述性的高質(zhì)量文章，以期為汽車技術(shù)的創(chuàng)新與進(jìn)步提供創(chuàng)新的方向和理論的支持。

1.人工智能在汽車創(chuàng)新發(fā)展中的應(yīng)用綜述：征集探討人工智能技術(shù)在車輛自動(dòng)駕駛、智能座艙、智能控制以及仿真和優(yōu)化中的應(yīng)用綜述文章。

能網(wǎng)聯(lián)汽車信息安全技術(shù)綜述：征集分析智能網(wǎng)聯(lián)汽車面臨的信息安全挑戰(zhàn)及解決方案的綜述文章。

3.環(huán)境感知與智能決策技術(shù)綜述：征集研究環(huán)境感知技術(shù)的未來(lái)發(fā)展，包括新型傳感器技術(shù)、多模態(tài)感知融合算法的最新進(jìn)展等前瞻綜述。

4.氫能技術(shù)在汽車產(chǎn)業(yè)中的應(yīng)用綜述：征集探討氫能技術(shù)在汽車產(chǎn)業(yè)中的應(yīng)用，包括氫燃料電池、氫內(nèi)燃機(jī)以及氫能在汽車能源系統(tǒng)中的整合等綜述文章。

5.固態(tài)電池技術(shù)發(fā)展綜述：征集研究固態(tài)電池技術(shù)的最新進(jìn)展，包括材料科學(xué)、電化學(xué)性能和系統(tǒng)集成等方面的綜述。

動(dòng)力總成電動(dòng)化技術(shù)綜述：征集探討電動(dòng)化動(dòng)力總成設(shè)計(jì)、控制和集成技術(shù)的綜述文章。

7.智能底盤技術(shù)發(fā)展綜述：征集探討智能底盤技術(shù)的最新進(jìn)展，包括底盤控制系統(tǒng)、懸掛系統(tǒng)和驅(qū)動(dòng)系統(tǒng)的智能化技術(shù)綜述自動(dòng)駕駛法規(guī)與倫理問(wèn)題綜述：征集分析自動(dòng)駕駛技術(shù)發(fā)展中的法規(guī)和倫理問(wèn)題的綜述文章。

氣車共享經(jīng)濟(jì)與商業(yè)模式創(chuàng)新綜述：征集探討汽車共享經(jīng)濟(jì)的發(fā)展及其對(duì)傳統(tǒng)汽車產(chǎn)業(yè)影響的綜述智能交通系統(tǒng)（ITS）技術(shù)發(fā)展綜述：征集研究智能交通系統(tǒng)技術(shù)如車路協(xié)同、交通流量管理等的綜述。

征稿要求：

1.投稿請(qǐng)注明“****\"技術(shù)方向?qū)ｍ?xiàng)征稿字樣，本刊對(duì)符合征稿技術(shù)方向的稿件將優(yōu)先審核，一經(jīng)錄用優(yōu)先發(fā)表；2.綜述篇幅在 8000～15000 字，圖文并茂，圖、表和公式非原創(chuàng)要求標(biāo)注引用文獻(xiàn)；3.請(qǐng)按科技論文要求撰寫文章摘要，摘要中文字?jǐn)?shù)在200字左右；4.文章必須附有公開發(fā)表、體現(xiàn)本領(lǐng)域最新研究成果和高影響力出版物作為參考文獻(xiàn)，一般要求參考文獻(xiàn)在20篇以上，一半左右為外文參考文獻(xiàn)，且在文中標(biāo)注所引用文獻(xiàn)；5.來(lái)稿保密審查工作由作者單位負(fù)責(zé)，確保署名無(wú)爭(zhēng)議，文責(zé)自負(fù)；6.切勿一稿多投，《汽車文摘》投稿網(wǎng)址：http：//www.qcwz.cbpt.cnki.net，郵箱：autodigest@faw.com.cn?！镀囄恼菲诳诖木示C述文章，共同探索汽車技術(shù)的未來(lái)發(fā)展。感謝您對(duì)《汽車文摘》期刊的支持與貢獻(xiàn)，讓我們攜手推動(dòng)汽車技術(shù)的創(chuàng)新與進(jìn)步。