智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
智能控制
機器人
儀器儀表
物聯網
3D打印
工業軟件
回放
品牌
爽風
隨著智能電動汽車新型底盤電控技術的發展，使得路面動力學信息及車輛狀態觀測技術成為線控底盤域控制的關鍵。與此同時，路面信息作為車輛外部核心輸入，其對車輛行駛安全性、操縱穩定性、乘坐舒適性等底盤關鍵性能，以及道路維修保養、數據信息管理等交通運輸道路管理等均具有舉足輕重的作用。因此，王振峰博士認為自動駕駛汽車的“線控底盤路面信息與車輛狀態一致性觀測技術”對汽車的安全性、穩定性行駛具有重大影響。
該項技術發展是大勢所趨
依據國家政策要求，預計到2025年，L1/L2級自動駕駛將成為標配，L3級實現規模商業化，L4/L5級進入市場；其中，‘線控底盤’作為自動駕駛“充要條件”起到核心關鍵‘角色’，進而使得發展線控底盤路面信息與車輛狀態一致性觀測技術迫在眉睫。與此同時，從市場角度出發，由于智能電動汽車已搭載了各類型傳感器，不同類型傳感器的性能和功能較傳統汽車有很大區別，且各類型傳感器之間功能上互相補充；智能電動汽車外界感知的信息量及控制算法相對傳統傳感器發生根本性的變革，性能表現和功能可靠性都與傳統傳感器有很大區別。在此背景下，如何更好的利用這些信息，使得底盤更加智能更加智慧，是目前需要解決的難題。
王振峰博士分享了目前該項主要有三大難點：
一，動力學耦合機理及精細化建模。不論是車輛動力學開發，還是底盤開發，這是一個永恒的問題。雖然是永恒的問題，但是由于其輸入條件不同，所以對應的非線性耦合條件也不盡相同。
二，路面和車輛信息一致性精確觀測。即使路面本身估計較準，車輛本身估計也較準，但是底盤作為整體的系統，必然不可能孤立存在，其是相互聯系的，如何使得路面和車輛狀態做一個很好的匹配，進一步服務于底盤的線控，是需要解決的難點。
三，路面及車輛觀測信息高效驗證技術。此部分屬于前兩大難點的延伸，進一步的使得“路面信息與車輛狀態一致性觀測”形成了閉環，更好驗證本身的技術和方法的有效性。
細化技術內容與技術路線
針對于以上難點，對應著研發人員所需要做的工作。
首先是精細化建模，因為精細化是相對性的，底盤動力學控制器和傳感器是很復雜的，所以王振峰博士所說的精細化是針對不同的傳感器控制器和執行器之間的匹配度來建立模型，進一步分析模型里面的耦合關系。
另外一部分是一致性估計，其也分兩部分：第一部分是對本身路面和車輛狀態有很好的估計。第二部分是進行匹配。其團隊內部做了技術路線，從原始的理論到工程的應用，最后到工程的實踐形成閉環。
技術落地，打破壁壘
再好的規劃，也需要具體實施方案，同樣再好的技術也一定要找到一個合適的載體。因為線控底盤是軟硬結合的產物，必然不能孤立來做。王振峰博士結合團隊實際情況，選擇以線控懸架作為突破口切入來逐步分階段的實際落地。
路面作為懸架系統的主要外部輸入，傳統意義上認為懸架改善車輛平順性就足夠，但是隨著智慧底盤或者線控底盤的發展，用戶不僅僅希望改善乘坐舒適性的同時，也希望將操縱穩定性性能得到兼顧提升，即如何在新的線控底盤或者新的智慧底盤作用下使得平順性及操縱穩定性相互矛盾的雙方可相對的弱化，漸漸的增加車輛本身的安全域，針對這塊，其團隊提出了基于路面一致性識別的整體方案。
整體的車輛狀態精確輸入觀測邏輯，其主要用到了自適應卡爾曼濾波，它對路面過程噪聲方差做了有效匹配，進而使得不同的路面輸入與車輛狀態識別有效匹配，之后再準確快速輸入到底盤控制中優化底盤性能，即車輛在操縱穩定性和平順性得到兼顧提升。
在路面識別上，傳統的路面識別更多是車上通過加速度和位移傳感器，相當于車輛有了狀態感知以后做出的隨動控制，此方法缺少必要的預判性，針對此情況其團隊提出了通過攝像頭與加速度及位移傳感器融合的方法，彌補此缺憾。
當然，轉向同時也是需要利用一致性估計，即不同的路面輸入結合不同的車輛狀態，轉向怎么做。在圖中，其團隊的方法是控制器/控制算法，轉向有兩種模式，一種是轉速轉角跟蹤，一種是轉距跟蹤。針對線控轉向王振峰博士團隊提出了一些方案，從軟件和硬件層面分別對轉向做一個很好的開發和驗證。
實用案例，干貨滿滿
王振峰博士介紹了六個案例。
第一個是線控懸架開發，以測試為主。
第二個是國外廠家的懸架，進行工況的驗證，從具體的曲線和駕乘性來說效果還是比較明顯的。
第三個是是國內供應商針對不同的匹配車型，對功能開發做一個驗證，控制器的HIL或者帶負載的硬件在環均可實現。
第四個是線控懸架算法開發及驗證，結合天棚控制算法，模型預測控制算法，改善線控懸架駕乘性能。
第五個是線控轉向開發，利用控制器、算法，更好的對現有轉向控制器或轉向算法做一個迭代和升級。
第六個是其團隊自主設計的開發臺架工具，在做實車之前，利用臺架工具開展的算法開發及驗證臺架。
未來看好，研判整體發展趨勢
算法離開了硬件相當于是孤魂野鬼，如果只做硬件不做算法相當于是行尸走肉，這很好的點破了線控底盤狀態一致性所面臨的問題。
王振峰博士總結了三個部分：
第一部分是協調控制算法開發，因為不同的傳感器、執行器及控制器對應的控制算法是不盡相同的，必須形成一個有機的整體。
第二部分是功能安全，線控底盤的核心是功能安全，特別是L3級及其以上自動駕駛樣車。
第三部分是在保證前兩步情況下做集成協同優化，更好的滿足不同等級車輛關于安全性、駕乘性、可靠性的優化匹配。
以上三個部分是軟件層面的線控底盤研發方向；另一方面，電子電氣構架也是需要重點考慮的，其直接和實車搭建了一個有機整體來服務于算法或者整車性能開發，本身的電子電器構架存在較大的耦合性，后續將會向解耦式趨勢發展。
綜上，王振峰博士認為線控底盤集成趨勢會越來越明顯，不僅僅是驅動/制動，更多可能是驅動轉向或者懸架本身的集成式開發。通用化平臺也會日益明顯，集成化，模型化形成趨勢，并與車路云協同。軟硬件解耦趨勢也會日益加強，對應的數據開放的程度，要求供應商，主機廠也會適當開放接口，使得線控底盤在智慧同時更安全、更高效、更舒適地運行。軟件的比重在后續發展也會越來越大，初步估計到2030年，軟件比重將占到整車30%，這也是行業所提的軟件定義汽車的主要原因。
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
