1 緒言
眾所周知，防滑系統(tǒng)的控制效果主要取決于該系統(tǒng)的控制策略和控制算法等核心內(nèi)容。汽車防滑控制系統(tǒng)能夠提高車輛的牽引性和操縱穩(wěn)定性，減少輪胎磨損和事故風險，增加行駛安全性和駕駛輕便性，使得汽車在附著狀況不好的路面上能順利起步和行駛并安全制動[1]。
目前大多數(shù)防滑控制系統(tǒng)都采用基于最佳滑移率為目標的控制方法，由傳感器采集車輪轉(zhuǎn)速及車身的加速度信號，由此獲得車輛的滑移率的信息；并以車輛滑移率門限值為主、車輪加減速度門限值為輔的控制方法和控制邏輯算法對車輛的執(zhí)行系統(tǒng)進行控制以優(yōu)化驅(qū)動力（制動力）的分配，保證車輛能夠充分地利用地面的附著力[2]。但應該注意的是，門限值的確定要考慮汽車的各種參數(shù)、驅(qū)動過程中的各種工況、外界條件及可能的變化等極其復雜的因素，在不同的道路條件下作為控制邏輯中重要參量的車輛的目標滑移率及地面的峰值附著系數(shù)都不是一個固定的量[3]，如圖1 所示。因此在防滑控制系統(tǒng)中應該根據(jù)車輛所處的道路狀況采取不同的控制門限值及控制算法。在以最佳滑移率為控制目標的防滑系統(tǒng)中，目前大多數(shù)的系統(tǒng)都是用一個固定的、人為設(shè)定的最佳滑移率作為控制目標參量，并以此為根據(jù)將車輪的實際滑移率與之對比來確定出車輛的穩(wěn)定區(qū)域和非穩(wěn)定區(qū)域[4]，沒有考慮到道路狀況對目標滑移率、車輪速度及角加速度等參量變化的影響。而要從根本上改變這一狀況的關(guān)鍵，便是要能夠?qū)囕喫幍穆访孢M行實時的監(jiān)測和識別，根據(jù)路面狀況采用不同的控制門限值并采取不同的控制算法和控制邏輯。
圖1 不同路況下的滑移率與附著系數(shù)
2 道路狀況的識別方法
由于基于路況評價的控制算法和策略對車輛的自適應控制效果能夠起到明顯的改進作用，提高車輛的動力學性能并改善其操縱穩(wěn)定性，所以近年來國外實時道路識別技術(shù)的發(fā)展很快。道路狀況的評價方法總體上可以分為直接儀器測量、數(shù)字特征參量測量識別和采用車輛動力學參數(shù)解析辨識三類。
通過試驗儀器來對路面附著系數(shù)進行測量是一種最簡單的方法，20 世紀70 年代在英、美、瑞典等國就已有了可以測量路面附著系數(shù)的設(shè)備[5]；國內(nèi)的科技工作者在道路附著系數(shù)的檢測儀器研究方面也開展了一定的工作，提出了可行的測量與計算方法。但由于測定附著系數(shù)的試驗存在可重復性差、影響因素多等問題，從而給精確確定附著系數(shù)造成了一定困難[6～8]。
部分國外的研究人員將光學傳感器裝備在汽車上，通過對地面反射光進行頻譜分析來對路面狀況進行評估[9～10]。日本學者通過采用一種峰值功率為200W 的激光束掃描的方法來對路面進行判別，該裝置對干路面、濕路面以及冰雪路面的正確識別率可達98％[11]?；谕瑯拥脑恚暡▊鞲衅髟诼访鏅z測中也有一定的應用[12]。有些國外學者將聲學傳感器安裝在汽車上來采集車輪與路面間的摩擦噪聲，并以此來作為識別路面的依據(jù)[13]。近年來在道路識別系統(tǒng)的研究中采用雷達波、毫米波等電磁波的方法日益增多[14～16]?；跀?shù)字圖像處理和特征識別理論的道路判別技術(shù)的研究在最近一段時期來也逐漸被一些國外的科研工作者所采用[17～19]。和采用儀器直接測量道路附著系數(shù)的方法一樣，采用光學、聲學以及微波等傳感器來對路面狀況進行判別的方法雖然能夠獲得較好的判別效果，但也存在著諸如需要很多附加設(shè)備等缺點，而且它最大的問題是無法使用車輛安全性控制系統(tǒng)本身所固有的如輪速傳感器、加速度傳感器等設(shè)備，不能夠與車輛本身的控制系統(tǒng)實現(xiàn)集成化。
基于上述原因，采用車輛的動力學參數(shù)來對路面狀況進行評估和預測的研究近來被越來越多的學者提上了日程。作為一項隨著車輛動力學控制系統(tǒng)的發(fā)展而產(chǎn)生的技術(shù)，這種方法能夠直接應用ABS（防抱死制動系統(tǒng)）等系統(tǒng)固有的傳感器，亦無需附加其它的任何設(shè)備，從而降低了系統(tǒng)的復雜程度和成本，具有廣闊的實用前景和潛力。
國外在車輛主動安全性控制系統(tǒng)中采用車輛動力學參數(shù)來識別道路的技術(shù)研究可以追溯至1992 年[20]。美國內(nèi)華達大學的Georg Mauer 在1994 年提出了一種基于ABS 系統(tǒng)道路識別系統(tǒng)的方案，他利用車輛滑移率及輪缸制動壓力的變化來判別車輛行駛的實際道路狀況 [21～22]。1996 年，美國軍方與克萊斯勒公司、ITT 汽車公司等聯(lián)合進行了一項針對美軍4×4 型高機動性多用途輪式車輛（HMMWV）的TCS（驅(qū)動防滑控制系統(tǒng)）系統(tǒng)的研制項目，該項目采用模糊邏輯的TCS 控制器，根據(jù)不同的道路狀況采取不同的模糊控制規(guī)則[23]。瑞典的Gustafsson Fredrik 和韓國的Wookug Hwang 等人分別對車輛正常行駛情況下車輪滑移率與地面作用的切向力之間的關(guān)系進行了探討，并提出了采用估計出的道路附著系數(shù)對車輪滑移率相對變化的梯度來對路面進行分類的理論[13],[24～25]。日本東京大學的Hideo Sado 和Shin-ichiro Sakai 等人以電動汽車的驅(qū)動控制試驗為基礎(chǔ)，對在整個滑移率變化范圍內(nèi)以非線性化的μ－S 曲線的斜率來對路面的附著狀況進行評估進行了探討[26～28]。
近年來國內(nèi)部分從事ABS 理論研究的科研工作者對道路識別技術(shù)的理論也進行了一些探討[29－30]。但就整體研究狀況來看，國內(nèi)關(guān)于汽車動力學控制系統(tǒng)的技術(shù)水平和國外相比相對落后，尚未有系統(tǒng)化的道路狀況實時識別技術(shù)的研究報道。
3 基于車輛動力學參數(shù)的道路識別技術(shù)研究
道路作為車輛行駛的界面，其表面狀況的任何差異必然引起與車輛行駛有關(guān)的參數(shù)的變化。輪胎作為車輛上直接與路面接觸的媒介，它與地面之間力學狀態(tài)的變化必然與路面的狀況息息相關(guān)，這種變化則體現(xiàn)在車輪與路面間附著性能的差別。車輛－地面之間附著性能除了與路面狀況有關(guān)之外，還與車輛的動力學參數(shù)有關(guān)。
如果將不同的路面狀況以不同的離散化數(shù)值來表示，那么在車輛動力學系統(tǒng)解析過程中則可以由這些數(shù)值的差異來顯示道路附著狀況的改變?；诖?，筆者采用一個參數(shù)σ作為表征路面狀況的附著特征影響因子，從而引入路況因子的概念。對各種路面的路況因子的分配如表1 所示。
表1 常見路面的特征因子σ值
根據(jù)筆者的研究，車輪與路面間縱向的附著系數(shù)可實時表述為路況σ、車速V、載荷Fz 以及車輪滑移（滑轉(zhuǎn)）狀況S 的非線性函數(shù)m = f (s ,V,Fz, S ) ，這樣不但能夠隨時掌握縱向附著系數(shù)的變化，而且也能夠?qū)崟r掌握任一路況條件下附著特征參數(shù)的變化。在車輛實際行駛的過程中，道路狀況和車輛的動力學參數(shù)都處于實時變化的狀態(tài)，而該模型則能夠捕捉這些變化，并將它們對縱向附著力的影響細致地表達出來。根據(jù)研究， μ = f (s ,V,Fz, S ) 為一個非線性的單值函數(shù)，當σ、V、Fz、S 等參數(shù)確定的情況下，μ具有唯一的一個值。同時，該函數(shù)的反函數(shù)也為單值函數(shù)。當車輪與地面的縱向附著系數(shù)一定，而且反映車輪動力學狀態(tài)的參數(shù)V、Fz、S 確定時，反映路面狀況的道路因子也就可以唯一確定。
如果以道路因子的差別來區(qū)分不同種類的路面狀況，那么就可以由車輛的動力學原理根據(jù)車輪運動狀態(tài)來對反映車輛－地面動力學狀態(tài)的參數(shù)進行回歸，進而對路面狀況進行辨識。筆者針對車輛的防滑控制系統(tǒng)，采用改進的多層前向神經(jīng)網(wǎng)絡(luò)和誤差反向傳播的學習算法，即利用動量修正規(guī)則和自適應學習速率的BP 神經(jīng)網(wǎng)絡(luò)，以車輪的動力學參數(shù)為輸入量，對路面的狀況進行辨識。在神經(jīng)網(wǎng)絡(luò)辨識結(jié)果的基礎(chǔ)上，追加輸出量調(diào)諧的二次分類算法，最終達到了對路面狀況的細致而良好分類識別。
本文將V、Fz、S 這三個描述車輪動力學狀態(tài)的參數(shù)與路面附著系數(shù)μ一起作為路面辨識網(wǎng)絡(luò)的輸入?yún)⒘浚创_定了BP 神經(jīng)網(wǎng)絡(luò)的輸入向量為{V，Fz，S，μ}。按照表1 所示，將常見的道路工況按6 類劃分，以體現(xiàn)路面附著性能從高到低的變化情況。道路識別系統(tǒng)的最終輸出，是依靠將這6 種路面模型模糊化為6 個路況因子來進行判斷。該路面辨識網(wǎng)絡(luò)在輸出層設(shè)計了6 個神經(jīng)元節(jié)點，來對應網(wǎng)絡(luò)訓練樣本集中輸入?yún)⒘康木垲惽闆r。
網(wǎng)絡(luò)輸出的映射對照存在如下關(guān)系：
表2 道路識別網(wǎng)絡(luò)映射對照表
特別規(guī)定當路況因子值為1.2 時道路狀況為積水路面（水膜厚度大于2mm）。
道路識別系統(tǒng)的輸出是對應于訓練樣本集類別的路況因子值，并需要由此來對路面進行劃分，所以應對BP 網(wǎng)絡(luò)的輸出再進行一次處理。
λ = y *[0,0.134,0.253,0.6,0.75,1]T
道路識別系統(tǒng)將根據(jù)此? 值來判斷路面工況，并將其作為車輛防滑系統(tǒng)控制器的輸入?yún)⒘坑靡源_定最佳的控制參數(shù)門限及相應的最優(yōu)控制策略和邏輯。
在神經(jīng)網(wǎng)絡(luò)訓練的過程中，辨識系統(tǒng)的最終輸出路況因子值在很多情況下并不等于期望輸出的目標路況因子值，而是在目標輸出值的周圍一個很小的鄰域內(nèi)波動。本文經(jīng)過對網(wǎng)絡(luò)神經(jīng)元輸出的研究，在路面辨識系統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)輸出的基礎(chǔ)上追加了一個修正算法，以對神經(jīng)網(wǎng)絡(luò)的輸出路況因子值進行調(diào)諧和二次劃分。所建立的基于車輛動力學參數(shù)回歸和追加修正算法的改進BP 神經(jīng)網(wǎng)絡(luò)的道路識別系統(tǒng)組成結(jié)構(gòu)如圖2 所示。
圖2 道路識別系統(tǒng)組成結(jié)構(gòu)框圖
4 道路識別系統(tǒng)的試驗驗證
根據(jù)圖2 的流程，對車輛在多種行駛工況下的仿真和試驗數(shù)據(jù)進行處理，作為辨識樣本提供給訓練完
成、神經(jīng)元連接模式已凍結(jié)的BP 神經(jīng)網(wǎng)絡(luò)，并根據(jù)修正算法對辨識網(wǎng)絡(luò)的一次輸出進行再處理，得到幾
種工況下路面識別的效果如圖3～6 和表3 所示。
圖3 混合路面加速道路識別結(jié)果 圖4 干柏油路面加速道路識別結(jié)果
圖5 雪(壓實)路面加速道路識別結(jié)果 圖6 冰路面起步加速道路識別結(jié)果
表3 幾種試驗工況下道路識別系統(tǒng)的性能對比
由對比結(jié)果可以看出，當車輛在各種路面上行駛過程中，無論是否裝備了防滑控制系統(tǒng)，基于BP神經(jīng)網(wǎng)絡(luò)的道路識別系統(tǒng)在對網(wǎng)絡(luò)輸出經(jīng)過修正算法調(diào)諧后都能夠比較準確地辨識出實際的路面狀況，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的雜亂輸出結(jié)果修正算法處理后能夠較好地聚類，大部分收斂于目標點。網(wǎng)絡(luò)的輸出振蕩較修正算法處理前有大幅度減小，網(wǎng)絡(luò)的識別偏差有所改善，容錯性能也得到了一定程度的提高。這充分證明了本文提出的基于動力學參數(shù)的路面辨識算法的有效性。
5 結(jié)論
車輛防滑控制系統(tǒng)的效果主要依賴于其控制算法和策略的準確性，由于在各種道路工況下車輛動力學控制系統(tǒng)的目標控制參數(shù)都不盡相同，相應地所采取的控制策略和算法也應該有所差別，所以在車輛行駛的過程中實時精確地識別路面狀況對車輛防滑控制系統(tǒng)的意義非常重大。在道路識別技術(shù)的研究中采用車輛本身的動力學參數(shù)對車輪所處路面進行判別的方法不但能夠使用車輛防滑控制系統(tǒng)固有的傳感器，從而簡化系統(tǒng)結(jié)構(gòu)并降低成本，而且也能夠保證路面判別的準確性。與其它的如采用儀器直接測量或采用光、電傳感器以及數(shù)字圖像分析和頻譜分析的方法相比，具有明顯的優(yōu)勢和更為廣闊的應用前景。
本文所建立的基于BP 神經(jīng)網(wǎng)絡(luò)的道路識別系統(tǒng)能夠有效地對路面狀況進行識別，較好地解決了車輛行駛過程中車輪－地面動力學界面特征的確定問題，有助于車輛的防滑系統(tǒng)控制器采用最佳控制參量和邏輯產(chǎn)生更精確的執(zhí)行系統(tǒng)作動調(diào)節(jié)量。
（轉(zhuǎn)載）
