四轮轮毂电机电动汽车智能转向控制方法

摘要

本发明公开了四轮轮毂电机电动汽车智能转向控制方法，采用模糊C均值聚类方法对驾驶员进行分类，依据驾驶员类型，对应三种驾驶员类型分别建立RBF神经网络，根据不同类型的驾驶员分别对应通过相应类型的RBF神经网络确定期望横摆角速度，再利用模糊控制建立四轮轮毂电机电动汽车智能转向控制模型，分别将期望横摆角速度和实际横摆角速度的偏差、偏差变化率以及附加横摆力矩转换为模糊论域中的量化等级；模糊控制模型输出附加横摆力矩，根据输出的附加横摆力矩，分别控制电动汽车的四个车轮转向。本发明具有汽车操纵安全稳定性高，能够实现车对人的智能转向的功能，提高驾驶员的转向舒适性的特点。

权利要求

1.四轮轮毂电机电动汽车智能转向控制方法，其特征在于，包括如下步骤：分别将期望横摆角速度和实际横摆角速度的偏差、偏差变化率以及附加横摆力矩转换为模糊论域中的量化等级；

将所述偏差以及偏差变化率输入模糊控制模型，所述模糊控制模型中的偏差分为9个等级，偏差变化率分为7个等级，附加横摆力矩分为9个等级；

模糊控制模型输出附加横摆力矩；根据所述输出的附加横摆力矩，分别控制电动汽车的四个车轮转矩；

当车速小于60km/h时，使用RBF神经网络确定所述期望横摆角速度；当车速大于等于

60km/h时，采用汽车线性二自由度模型确定所述期望横摆角速度；

所述RBF神经网络的输入为车速、方向盘转角和方向盘转角速度；

进行对训练数据的采集及模型训练，通过从每一类人中各选出三个具有典型代表的驾驶员，分别在驾驶模拟器上实验，在实验过程中需要不断调整驾驶模拟器车辆模型中转向传动系统的传动比，直到车辆运动状态符合驾驶员的喜好转向特性；从每一类人中各选出三个具有典型代表的驾驶员；在驾驶模拟器上采集实验数据，将每种类型采集到的数据合并然后进行归一化处理，从中选取一部分作为训练集，按照输入输出训练参考模型，另外一部分作为测试集，对模型的预测精度进行预测；参考模型的预测输出能够很好的跟随期望输出，参考模型精度都很快达到设定的偏差性能0.001。

2.如权利要求1所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，模糊模型控制规则为：当横摆角速度偏差为正时，应为电动汽车施加一个正的横摆力矩以跟踪期望的横摆角速度；

当横摆角速度偏差为负时，应为电动车辆施加一个负的横摆力矩以跟踪期望的横摆角速度。

3.如权利要求1或2所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，横摆角速度偏差的论域为[-8,8]，偏差变化率的论域为[-20，20]，设定量化因子都为1；附加横摆力矩的论域为[-52，52]。

4.如权利要求2所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，通过各个车轮轮毂电机实现控制车轮转矩；

当模糊模型输出附加横摆力矩为零时，此时，车辆直线行驶，四轮驱动力相等；

当模糊模型输出附加横摆力矩大于零时，此时，车辆左转转向不足或右转向过度，增大右侧车轮驱动力矩，减小左侧车轮驱动力矩；

当模糊模型输出附加横摆力矩小于零时，此时，车辆右转转向不足或左转向过度，增大左侧车轮驱动力矩，减小右侧车轮驱动力矩。

5.如权利要求4所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，当模糊模型输出附加横摆力矩大于零时，使左侧车轮减小 使右侧车轮增大当模糊模型输出附加横摆力矩小于零时，使左侧车轮增大 使右侧车轮

减小

其中，ΔM为输出的附加横摆力矩，B为前后轴轴距。

6.如权利要求5所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，驾驶员分为谨慎型、一般型和激进型三种类型，依据所述驾驶员类型，对应三种驾驶员类型分别建立RBF神经网络，根据不同类型的驾驶员分别对应通过相应类型的RBF神经网络确定所述期望横摆角速度。

7.如权利要求6所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，采用模糊C均值聚类方法对驾驶员进行分类。

8.如权利要求1或2所述的四轮轮毂电机电动汽车智能转向控制方法，其特征在于，所述偏差分为9个等级，模糊集为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}，所述偏差变化率分为7个等级，模糊集为{NB，NM，NS，0，PS，PM，PB}，所述输出的附加横摆力矩分为9个等级，分别为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}。

说明书

四轮轮毂电机电动汽车智能转向控制方法

技术领域

[0001] 本发明涉及汽车智能控制领域技术，具体涉及四轮轮毂电机电动汽车智能转向控制方法。

背景技术

[0002] 当今社会，汽车已成为人们在生活中不可或缺的交通工具。随着科学技术的发展与人们生活水平的提高，人们对汽车的要求愈来愈高，汽车不再仅仅是普通的代步工具，而上升成为一种文化、一个象征，汽车的重要性不言而喻。安全、舒适、节能、环保是汽车发展的方向和永恒主题，特别是在我国交通事故日益增多、能源日益短缺、环境日益恶化的今天尤为重要。电子化、智能化、电动化、可再生化是实现安全、舒适、节能、环保的有效措施和手段，而四轮轮毂电机电动汽车由于其独特的优势必将成为下一代电动汽车的发展方向。

[0003] 轮毂电机具有响应速度比液压响应速度快，扭矩前后方向可控和转矩、转速易于测得等优点。四轮轮毂电机电动汽车四轮，各轮之间无硬性的机械连接、运动状态相互独立。轮毂电机将电动机、传动系和制动系融为一体，其体积小，比功率大，取消了传统的离合器、变速器、传动轴、差速器、等速万向节和半轴等部件，简化了汽车结构，提高了传动效率，降低了整车装备质量，有利于增加电动汽车续驶里程，不仅成为如英国Protean、法国Michelin、日本丰田、三菱等公司争先研发对象，而且成为研究新一代车辆控制技术、探索车辆最优动力学性能的理想载体，也是实现安全、舒适、节能、环保概念的理想试验平台。目前世界各大汽车厂家和研发机构对此展开了大量研发工作。

[0004] 转向舒适性是驾驶舒适性的重要内容之一。不同驾驶员喜好的转向特性不同，如赛车手喜欢汽车具有响应快、略有过度的转向特性，新手比较喜欢汽车具有易于控制的中性转向特性，老年人比较喜欢汽车响应略慢的不足转向特性。传统转向操纵机构与执行器为机械或液压形式，从驾驶员转向操纵输入到车辆响应的动力学特性是一固定的非线性特性，即在某一车速和侧向加速度下，驾驶员转动方向盘到某一位置时，与之对应的是一固定响应特性，与驾驶员的特性无关。因此传统转向操纵机构无法满足不同驾驶员喜好的转向特性。虽然采用线控转向系统易于实现主动转向和变传动比控制，提高汽车主动安全性和满足驾驶员喜好转向特性，但是由于安全法规的限制，目前无法在实车上应用，只限于理论研究和实验室研究。而四轮轮毂电机电动汽车在转向行驶时，由于内外侧轮毂电机驱动力矩可以分配不等，产生的横摆力矩除了在紧急情况下进行稳定性控制之外，还有利于改善汽车的转向特性，如通过对四轮驱动力的合理分配改变转向半径和在保证汽车稳定行驶的前提下改变汽车的转向灵敏度等响应特性，实现类似于线控转向系统变传动比控制，满足驾驶员不同喜好转向特性的需要。因此四轮轮毂电机电动汽车的出现和智能控制算法的应用使汽车的转向特性适应不同驾驶员喜好转向特性成为可能。

发明内容

[0005] 本发明设计开发了四轮轮毂电机电动汽车智能转向控制方法，具有汽车操纵安全稳定性高特点，能够匹配相对应的转向特性参考模型并进行横摆力矩准确控制。

[0006] 本发明另一个发明目的是解决传统转向操纵机构无法满足不同驾驶员喜好的转向特性的问题，通过驱动力控制满足不同类型驾驶员的喜好转向特性，实现车对人的智能转向的功能，提高驾驶员的转向舒适性的特点。

[0007] 本发明提供的技术方案为：

[0008] 四轮轮毂电机电动汽车智能转向控制方法，包括如下步骤：

[0009] 分别将期望横摆角速度和实际横摆角速度的偏差、偏差变化率以及附加横摆力矩转换为模糊论域中的量化等级；

[0010] 将所述偏差以及偏差变化率输入模糊控制模型，所述模糊控制模型中的偏差分为9个等级，偏差变化率分为7个等级，附加横摆力矩分为9个等级；

[0011] 模糊控制模型输出附加横摆力矩；根据所述输出的附加横摆力矩，分别控制电动汽车的四个车轮转矩。

[0012] 优选的是，模糊模型控制规则为：

[0013] 当横摆角速度偏差为正时，应为电动汽车施加一个正的横摆力矩以跟踪期望的横摆角速度；

[0014] 当横摆角速度偏差为负时，应为电动车辆施加一个负的横摆力矩以跟踪期望的横摆角速度。

[0015] 优选的是，横摆角速度偏差的论域为[-8,8]，偏差变化率的论域为[-20，20]，设定量化因子都为1；附加横摆力矩的论域为[-52，52]。

[0016] 优选的是，通过各个车轮轮毂电机实现控制车轮转矩；

[0017] 当模糊模型输出附加横摆力矩为零时，此时，车辆直线行驶，四轮驱动力相等；

[0018] 当模糊模型输出附加横摆力矩大于零时，此时，车辆左转转向不足或右转向过度，增大右侧车轮驱动力矩，减小左侧车轮驱动力矩；

[0019] 当模糊模型输出附加横摆力矩小于零时，此时，车辆右转转向不足或左转向过度，增大左侧车轮驱动力矩，减小右侧车轮驱动力矩。

[0020] 优选的是，当模糊模型输出附加横摆力矩大于零时，使左侧车轮减小使右侧车轮增大

[0021] 当模糊模型输出附加横摆力矩小于零时，使左侧车轮增大 使右侧车轮减小

[0022] 其中，ΔM为输出的附加横摆力矩，B为前后轴轴距。

[0023] 优选的是，当车速小于60km/h时，使用RBF神经网络确定所述期望横摆角速度；当车速大于60km/h时，采用汽车线性二自由度模型确定所述期望横摆角速度。

[0024] 优选的是，所述RBF神经网络的输入为车速、方向盘转角和方向盘转角速度。

[0025] 优选的是，驾驶员分为谨慎型、一般型和激进型三种类型，依据所述驾驶员类型，对应三种驾驶员类型分别建立RBF神经网络，根据不同类型的驾驶员分别对应通过相应类型的RBF神经网络确定所述期望横摆角速度。

[0026] 优选的是，采用模糊C均值聚类方法对驾驶员进行分类。

[0027] 优选的是，所述偏差分为9个等级，模糊集为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}，所述偏差变化率分为7个等级，模糊集为{NB，NM，NS，0，PS，PM，PB}，所述输出的附加横摆力矩分为9个等级，分别为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}。

[0028] 本发明所述的有益效果：在保证汽车安全行驶的前提下，通过不同的驾驶员转向类型，匹配相对应的转向特性参考模型，通过对驱动力控制实现驾驶员喜好转向特性，实现车对人的智能转向，提高驾驶员的转向舒适性。

附图说明

[0029] 图1是四轮轮毂电机电动汽车横摆力矩控制结构图。

[0030] 图2是驾驶模拟器车辆模型转向系统原理图。

[0031] 图3是采集建立参考模型数据的实验路线图。

[0032] 图4(a)是谨慎型参考模型预测输出图。

[0033] 图4(b)是一般型参考模型预测输出图。

[0034] 图4(c)是激进型参考模型预测输出图。

[0035] 图5是参考模型训练偏差精度图。

[0036] 图6.1是模糊控制偏差e的隶属函数图。

[0037] 图6.2是模糊控制偏差变化率ec的隶属函数图。

[0038] 图6.3是附加横摆力矩ΔM隶属函数图。

[0039] 图7是四轮轮毂电机电动汽车智能转向控制原理图。

[0040] 图8.1是蛇形实验工况下车辆横摆角速度图。

[0041] 图8.2是蛇形实验工况下车辆质心侧偏角图。

[0042] 图8.3是蛇形实验工况下车辆方向盘转角图。

[0043] 图8.4是蛇形实验工况下车辆车速图。

[0044] 图8.5是蛇形实验工况下车辆四轮驱动力矩图。

[0045] 图8.6是蛇形实验工况下车辆附加横摆力矩图。

[0046] 图8.7是蛇形实验工况下车辆行驶轨迹图。

[0047] 图9.1是双移线实验工况下车辆横摆角速度图。

[0048] 图9.2是双移线实验工况下车辆质心侧偏角图。

[0049] 图9.3是双移线实验工况下车辆方向盘转角图。

[0050] 图9.4是双移线实验工况下车辆车速图。

[0051] 图9.5是双移线实验工况下车辆四轮驱动力矩图。

[0052] 图9.6是双移线实验工况下车辆附加横摆力矩图。

[0053] 图9.7是双移线实验工况下车辆轨迹图。

[0054] 图10是RBF神经网络算法流程。

具体实施方式

[0055] 下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

[0056] 本发明涉及四轮轮毂电机电动汽车智能转向控制方法，包括以下步骤：

[0057] 1.实验数据采集和处理

[0058] 采集能够反映驾驶员操纵的数据，包括：方向盘转角、方向盘转角速度、车速和横摆角速度，在Matlab中编写M程序对实验数据进行处理，提取驾驶员转向时的特征数据，包括：最大方向盘转角，最大方向盘转角速度，最大横摆角速度和最大方向盘处的车速。由于在驾驶员行驶过程中，可能会存在某一次转向不符合要求如没能顺利转弯等情形，因此在转向特征值提取过程中，还需人为将异常值剔除，最后将符合要求的特征值汇总，将左转向和右转向分别保存，用于驾驶员转向特性分类，并验证左右不同转向时驾驶员分类结果的一致性。处理后的左转弯数据一共有634组，右转弯数据有631组。

[0059] 2.驾驶员转向特性分类

[0060] 对提取的转弯时刻特征数据进行归一化处理，利用模糊C均值聚类方法对特征数据进行分类。在众多模糊聚类算法中，模糊C-均值(FCM)算法应用最为广泛且较成功。模糊C-均值聚类算法(FCM)通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。

[0061] 模糊C-均值算法流程如下：

[0062] 输入：待处理数据集Data，聚类数目c，加权指数m，偏差阈值ε；

[0063] 输出：聚类结果；

[0064] (1)给定聚类数目c，加权指数m，偏差阈值ε；

[0065] (2)用[0,1]之间的随机数初始化隶属矩阵U(0)(uij(0))，利用初始聚类中心得到V(0)，并令t＝1表示第一步迭代；

[0066] (3)计算隶属度矩阵U(t)：对于任意的i和j，若dij(t)＞0

[0067]

[0068] 若dij(t)＝0，则uij(t)＝1，且urj(t)＝0(r≠i)；其中，dij(t)＝||xj-vi(t)||。

[0069] (4)计算聚类中心V(t+1)：对于任意i，聚类中心计算公式为：

[0070]

[0071] (5)若max{|uij(t)-uij(t-1)|}≤ε，则算法停止；否则令t＝t+1，转到步骤(3)。

[0072] 经过以上步骤的迭代之后，可以求得最终的隶属度矩阵U和聚类中心V，使得目标函数J(U,V)的值达到最小。根据最终的隶属度矩阵U中元素的取值可以确定所有样品的归属。

[0073] 由于左右转向时只是各个指标的符号不同，而对一个人的特性影响并不是很大。因此本发明以左转向为例对驾驶员转向特性进行分析。将驾驶员左转向特征值数据作为聚类算法的待处理数据集Data，设定聚类数目c为3，加权指数m为2，偏差阈值ε为1.0×10-6，按照模糊C-均值聚类算法流程最终将驾驶员转向特征值数据聚为3类。

[0074] 聚类中心如表1所示：由表1可以看出，对于描述驾驶员转向特性的横摆角速度、方向盘转角、方向盘转角速度和车速四个指标，无论是哪一个指标，分成三类后的聚类中心值均为A

[0075] 表1 聚类中心

[0076]类型 横摆角速度 方向盘转角 方向盘转角速度 车速
谨慎型A 0.3147 0.2371 0.54611 0.3077
一般型B 0.5547 0.2788 0.5644 0.4327
激进型C 0.7628 0.3143 0.5990 0.5574

[0077] 表2 驾驶员最终分类结果

[0078]人名 A类 B类 C类 最终所属类型
1号 0 1 8 C
2号 0 0 9 C
3号 7 2 0 A
4号 0 2 7 C
5号 2 7 0 B

[0079] 3.利用RBF神经网络建立驾驶员转向特性参考模型

[0080] 基于驾驶员转向特性，应用RBF神经网络建立驾驶员转向特性参考模型。

[0081] 基于RBF神经网络参考模型建立算法流程可以分为网络模型构建、网络模型结构训练和网络模型预测三步，如图10所示：首先确定RBF神经网络网络参考模型的输入和输出，然后根据采集到的输入和输出样本数据根据学习算法训练网络模型，直到达到能够根据输入样本数据在误差允许范围内准确输出为止，训练结束后，使用测试样本数据对网络模型预测能力进行测试，并对预测结果的精度进行对比分析。

[0082] 在选择车速和方向盘转角作为转向特性参考模型的输入时，考虑到转向瞬态过程，同时为避免神经网络在函数逼近中有同输入不同输出的数据缺陷，增加方向盘转角速度作为第三维输入，故神经网络参考模型的输入为车速、方向盘转角和方向盘转角速度，由于本发明驱动力控制采用基于横摆角速度的控制方法，因此把横摆角速度作为参考模型的输出。

[0083] 由于RBF网络模型的输入、输出层的节点个数分别由输入量和输出量的维数确定，故RBF神经网络模型为3输入1输出的网络模型。

[0084] 进行对训练数据的采集及模型训练，通过从每一类人(谨慎型、一般型和激进型)中各选出三个具有典型代表的驾驶员，分别在驾驶模拟器上实验，在实验过程中需要不断调整驾驶模拟器车辆模型中转向传动系统的传动比，直到车辆运动状态符合驾驶员的喜好转向特性，因此定义转向特性增益因子，转向特性增益因子是体现驾驶员转向特性的量，用驾驶模拟器车辆模型中的转向传动比除以这个因子，可得到车辆不同增益下的等效传动比，如图5所示。如驾驶员总是打出较大的转角，说明当前传动比太大，不能满足驾驶员激进的喜好特性，应当切换到小的传动比，降低其工作强度，此时应给出较小增益值；若驾驶员总是打出较小的转角，说明当前传动比太小，不能满足驾驶员谨慎的特性，应当切换到大的传动比，降低其精神压力，此时应给出较大的增益值；若驾驶员总是打出较合适的转角，说明当前传动比合适，可以满足驾驶员一般的特性，应当保持当前的传动比，此时应给出合适的增益值。

[0085] 在每类驾驶员找到其合适的传动比条件下，利用驾驶模拟器采集每类人的实验数据，包括：参考模型的输入数据，即：方向盘转角、车速和方向盘转角速度，参考模型的输出数据，即：横摆角速度；为了使驾驶员参考模型能够适应各种转弯工况，实验时选用驾驶模拟中实时仿真软件CarSimRT中具有各种转弯半径的实验道路Road Course工况，在CarSim中Road Course原有设置基础上将道路改为两车道，道路宽度设置为8m(单车道为4m)，考虑到城市道路多为水平路面，将Z轴坐标改为0使道路为水平路面，其路径如图3所示。

[0086] 从每一类人中各选出三个具有典型代表的驾驶员，按照前面所述实验方法在驾驶模拟器上采集实验数据，将每种类型采集到的数据合并然后进行归一化处理，从中选取一部分作为训练集，按照输入输出训练参考模型，另外一部分作为测试集，对模型的预测精度进行预测。预测结果输出如图4(a)～(c)所示：从图中可以看出，参考模型的预测输出能够很好的跟随期望输出，如图5所示，参考模型精度都很快达到设定的偏差性能0.001；其中，对每类驾驶员的训练过程数据如表3～5所示

[0087] 表3 一般型驾驶员训练过程数据表

[0088]

[0089] 表4 谨慎型驾驶员训练过程数据表

[0090]

[0091] 表5 激进型驾驶员训练过程数据表

[0092]

[0093]

[0094] 4.利用模糊控制建立四轮轮毂电机电动汽车智能转向控制模型

[0095] 如图1所示，对电动汽车车轮向矩智能控制采用分层控制结构，其包括：信号处理层、横摆力矩决策层、控制分配层和执行层；

[0096] 其中，信号处理层参考模型根据驾驶员的方向盘转角输入和车速计算出横摆角速度期望值；横摆力矩决策层根据横摆角速度实际值和横摆角速度期望值决策出实现汽车稳定性控制所需的附加横摆力矩；控制分配层根据驾驶员目标驱动力矩和附加横摆力矩对四轮驱动力进行合理分配；执行层控制四轮驱动力实现横摆稳定性控制。

[0097] 其中，横摆力矩决策层采用模糊控制，模糊控制器的输入是期望的横摆角速度γd和实际横角速度γ的偏差e以及偏差变化率ec，输出是附加横摆力矩ΔM；在无控制时，横摆角速度的偏差变化范围为[-8,8]，偏差变化率为[-20，20]，设定量化因子都为1，因此其论域分别为[-8,8]和[-20，20]；附加横摆力矩的模糊论域为[-52，52]。为了保证控制的精度，使其在各种工况下都能很好地跟踪控制，根据反复试验，最终将偏差分为9个等级，模糊集为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}；将偏差变化率分为7个等级，模糊集为{NB，NM，NS，0，PS，PM，PB}；输出的附加横摆力矩分为9个等级，分别为{NVB，NB，NM，NS，0，PS，PM，PB，PVB}；隶属函数均选用三角形隶属函数，如图6.1～6.3所示。

[0098] 在另一种实施例中，模糊控制规则选取经验为：当横摆角速度偏差e为正时，应为车辆施加一个正的横摆力矩以跟踪期望的横摆角速度；当横摆角速度偏差e为负时，应为车辆施加一个负的横摆力矩，具体的模糊控制规则如表6所示。

[0099] 表6 模糊控制规则

[0100]

[0101] 在另一种实施例中，控制分配层通过驱动力规则分配实现，四轮轮毂电机电动汽车四轮驱动力可通过控制各轮轮毂电机转矩实现。

[0102] Txi＝Fxi·ri

[0103] 式中：Txi为各轮驱动力矩，Fxi为各车轮驱动力，ri为车轮半径，i＝1,2,3,4，分别代表左前轮、右前轮、左后轮、右后轮。

[0104] 当车辆直线行驶时，四轮驱动力相等，设为F；当车辆转弯时，附加横摆力矩通过左右侧车轮驱动力规则分配实现，为了提高车轮的稳定裕度，具体分配上前后轴各产生所需附加横摆力矩的1/2；根据附加横摆力矩符号对车辆状态进行判断：当车辆处于左转转向不足或右转转向过度时，适当增大右侧车轮驱动力矩，减小左侧车轮驱动力矩，使每个车轮产生正的1/4附加横摆力矩；当车辆处于右转转向不足或左转转向过度时，适当增大左侧车轮驱动力矩，减小右侧车轮驱动力矩,使每个车轮产生负的1/4附加横摆力矩；同时保证四轮驱动力矩之和为驾驶员所需的总的目标驱动力矩。

[0105] 具体的分配规则为：

[0106] 当附加横摆力矩ΔM＝0时，车辆直线行驶：

[0107] Fx1＝Fx2＝Fx3＝Fx4＝F

[0108] 当附加横摆力矩ΔM＞0时，车辆左转转向不足或右转向过度，为了纠正车辆状态：

[0109]

[0110]

[0111] 当附加横摆力矩ΔM＜0时，车辆右转转向不足或左转向过度，为了纠正车辆状态：

[0112]

[0113]

[0114] Tx1+Tx2+Tx3+Tx4＝Txreq

[0115] 式中：Tx1,Tx2,Tx3,Tx4分别表示左前轮、右前轮、左后轮、右后轮驱动力矩，ΔM为总的附加横摆力矩，B为前后轴轴距，Txreq为目标驱动力矩。

[0116] 5.驾驶模拟器实验验证

[0117] 四轮轮毂电机电动汽车智能控制原理如图7所示，在没有辨识出驾驶员转向特性之前，即没有匹配参考模型之前，选用二自由度车模型对汽车进行控制。

[0118] 当辨识系统根据驾驶员的操纵行为及车辆运动状态辨识出驾驶员的转向特性之后，考虑到汽车在60Km/h以下车速时不易出现失稳情况，所以对汽车的附加横摆力矩控制和驱动力的分配通过两种方式实现：

[0119] 在汽车车速小于60Km/h时，主要考虑满足汽车转向符合驾驶员喜好转向特性，因此参考模型匹配相应的转向特性参考模型，通过附加横摆力矩控制和驱动力分配实现驾驶员期望的转向特性控制；

[0120] 当汽车车速大于60Km/h时，汽车出现失稳时采用线性二自由度参考模型，通过附加横摆力矩控制和驱动力分配对车辆进行控制。

[0121] 在另一种实施例中，基于驾驶模拟器，将以上离线训练出的驾驶员转向特性辨识模型、驾驶员转向特性参考模型和横摆力矩控制方法嵌入到驾驶模拟器硬件在环实验平台整车控制系统模型中，选取不同类型的驾驶员在驾驶模拟器上实验，对驾驶员转向特性辨识的准确性、匹配参考模型后的横摆力矩控制效果进行在线验证。

[0122] 在另一种实施例中，对驾驶员转向特性进行辨识时，由于驾驶员转向特性并不是一成不变的，因此不能通过辨识一次驾驶员的转向特性就确定其所属的类型，需要统计一段时间内或多次转向操作后的驾驶员转向特性辨识结果，根据概率最终确定驾驶员的转向特性类型。从每一类型中分别任意选取驾驶员三名，在驾驶模拟器上实验，在线辨识结果如表7，从表中可以看出，辨识模型能够在线准确辨识出驾驶员类型。

[0123] 表7 在线辨识结果

[0124]驾驶员个数 已知类别 预测类别 辨识准确率
第一组3名 谨慎型 谨慎型 100％
第二组3名 一般型 一般型 100％
第三组3名 激进型 激进型 100％

[0125] 在另一种实施例中，如图8.1～8.7所示，为蛇形实验图，图9.1～9.7所示，为双移线实验图，确定驾驶员转向特性类型后，匹配相应的参考模型，然后对其进行控制。在驾驶模拟器实时仿真软件CarSimRT中选取蛇形和双移线实验工况对控制效果进行验证。

[0126] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。