本发明涉及一种混合动力履带车辆速度与能量协同优化方法及系统。该方法包括获取无人履带车的车辆行驶状态、能量状态以及控制变量；根据所述车辆行驶状态确定无人履带车的路径跟踪误差；根据路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；根据能量状态以及控制变量构建控制导向模型；根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。本发明能够在保证高效稳定跟随的基础上实现最优的燃油经济性。
1.一种混合动力履带车辆速度与能量协同优化方法，其特征在于，包括：获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化；
所述获取无人履带车的车辆行驶状态、能量状态以及控制变量，具体包括：获取无人履带车的参考轨迹的GPS经纬度坐标信息；
利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系；
所述根据所述车辆行驶状态确定无人履带车的路径跟踪误差，具体包括：利用公式 确定无人履带车的车辆动力学模型；
其中，m和 分别表示履带车的整备质量和航向转动惯量， 和 分别表示履带车形心位置的速度和加速度， 和 分别表示左、右侧驱动电机提供的驱动力， 和 则分别表示左、右侧履带的滚动阻力， 表示两侧履带的滚阻系数， 表示两侧履带中心距， 为履带车转向阻力矩，g为重力加速度，L为履带接地长度， 为转向阻力系数， 和 分别代表左、右两侧的履带速度， 分别表示履带车形心在大地坐标系中的坐标及相对与大地坐标系的转角，表示旋转角速度， 表示路径跟踪误差， 表示跟踪目标在全局坐标系下的位置， ， ， 分别表示在车辆局部坐标系下车辆的前进方向的误差、横向误差与角度误差。
2.根据权利要求1所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器，具体包括：
将转向内侧电机转矩以及外侧电机转矩作为深度确定性策略梯度算法的动作变量；
其中，表示反馈奖励， 表示无人履带车行驶过程中的驱动功率，和 均为权重系数。
3.根据权利要求2所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述能量状态以及控制变量构建控制导向模型，具体包括：利用公式 确定控制导向模型；
其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表示第k时刻。
4.根据权利要求3所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述控制导向模型，构建下层显性模型预测控制器，具体包括：根据控制导向模型构建优化问题；
将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
其中， 为优化问题， 表示预测域长度，Q和R表示权重系数矩阵，表示优化代价中的轨迹跟踪项， ， 表示车辆驾驶能量参考信号，设置为 ，其中 表示车辆驾驶所需的参考能量， 表示踏板开度， 表示发动机最大功率， 表示信号采样间隔，i表示第i个控制瞬时，表示发动机转速， 表示发动机最小转速， 表示发动机最大转速， 表示发动机转矩， 表示发动机最小转矩， 表示发动机最大转矩， 表示内侧电机转速， 表示内侧电机最大转速， 表示内侧电机最小转速， 表示内侧电机转矩， 表示内侧电机最小转矩， 表示内侧电机最大转矩， 表示外侧电机转速， 表示外侧电机最小转速， 表示外侧电机最大转速， 表示外侧电机转矩， 表示外侧电机最小转矩， 表示外侧电机最大转矩。
5.一种混合动力履带车辆速度与能量协同优化系统，其特征在于，包括：状态获取模块，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
路径跟踪误差确定模块，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
上层速度规划器构建模块，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
控制导向模型构建模块，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
下层显性模型预测控制器构建模块，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
协同优化模块，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化；
GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
二维平面坐标信息转化单元，用于利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系；
其中，m和 分别表示履带车的整备质量和航向转动惯量， 和 分别表示履带车形心位置的速度和加速度， 和 分别表示左、右侧驱动电机提供的驱动力， 和 则分别表示左、右侧履带的滚动阻力， 表示两侧履带的滚阻系数， 表示两侧履带中心距， 为履带车转向阻力矩，g为重力加速度，L为履带接地长度， 为转向阻力系数， 和 分别代表左、右两侧的履带速度， 分别表示履带车形心在大地坐标系中的坐标及相对与大地坐标系的转角，表示旋转角速度， 表示路径跟踪误差， 表示跟踪目标在全局坐标系下的位置， ， ， 分别表示在车辆局部坐标系下车辆的前进方向的误差、横向误差与角度误差。
一种混合动力履带车辆速度与能量协同优化方法及系统
技术领域
[0001] 本发明涉及履带车控制领域，特别是涉及一种混合动力履带车辆速度与能量协同优化方法及系统。
背景技术
[0002] 现有技术中对于履带车的控制，通常利用动态规划（DP），二次规划（QP），GA等方法进行路径优化，但是上述方法实时性差，计算效率低，难以实现高效的实时路径规划；利用
模型预测控制（MPC）、庞特里亚金极小值原理（PMP）等方法进行控制，导致计算效率较低，实
时性差，难以实现实时最优的能量管理。
[0003] 因此，亟需一种新的控制优化方法，以解决上述问题。
发明内容
[0004] 本发明的目的是提供一种混合动力履带车辆速度与能量协同优化方法及系统，在于充分发挥强化学习以及显性模型预测控制实时性强优势，在路径规划的基础上融合混合
动力车辆能量管理算法，充分发挥履带车辆横纵向速度规划以及能量管理协同优化特点，
在保证高效稳定跟随的基础上实现最优的燃油经济性。
[0005] 为实现上述目的，本发明提供了如下方案：
[0006] 一种混合动力履带车辆速度与能量协同优化方法，包括：
[0007] 获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能
量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内
侧电机功率以及转向时外侧电机功率；
[0008] 根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
[0009] 根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
[0010] 根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
[0011] 根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
[0012] 利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
[0013] 可选地，所述获取无人履带车的车辆行驶状态、能量状态以及控制变量，具体包括：
[0014] 获取无人履带车的参考轨迹的GPS经纬度坐标信息；
[0015] 利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
[0016] 将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
[0017] 可选地，所述根据所述车辆行驶状态确定无人履带车的路径跟踪误差，具体包括：
[0018] 利用公式 确定无人履带车的车辆动力学模型；
[0019] 利用公式 确定无人履带车的运动状态方程；
[0020] 利用公式 确定车辆形心线速度和旋转角速度；
[0021] 利用公式确定路径跟踪误差；
[0022] 其中，m和 分别表示履带车的整备质量和航向转动惯量， 和 分别表示履带车形心位置的速度和加速度， 和 分别表示左、右侧驱动电机提供的驱动力， 和 则分
别表示左、右侧履带的滚动阻力， 表示两侧履带的滚阻系数， 表示两侧履带中心距，
为履带车转向阻力矩，g为重力加速度，L为履带接地长度， 为转向阻力系数， 和
分别代表左、右两侧的履带速度， 分别表示履带车形心在大地坐标系中的坐标及
相对与大地坐标系的转角，表示旋转角速度， 表示路径跟踪误差， 表
示跟踪目标在全局坐标系下的位置， ， ， 分别表示在车辆局部坐标系下车
辆的前进方向的误差、横向误差与角度误差。
[0023] 可选地，所述根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器，具体包括：
[0024] 将转向内侧电机转矩以及外侧电机转矩作为深度确定性策略梯度算法的动作变量；
[0025] 利用公式 确定深度确定性策略梯度算法的反馈奖励；
[0026] 其中，表示反馈奖励， 表示无人履带车行驶过程中的驱动功率，和 均为权重系数。
[0027] 可选地，所述根据所述能量状态以及控制变量构建控制导向模型，具体包括：
[0028] 利用公式 确定控制导向模型；
[0029] 其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表
示第k时刻。
[0030] 可选地，所述根据所述控制导向模型，构建下层显性模型预测控制器，具体包括：
[0031] 根据控制导向模型构建优化问题；
[0032] 所述优化问题为：
[0033] ；
[0034] 将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
[0035] 其中， 表示预测域长度，Q和R表示权重系数矩阵， 表示优化代价中的轨迹跟踪项， ， 表示车辆驾驶能量参考信号，设置为
，其中 表示车辆驾驶所需的参考能量， 表示踏板开度， 表
示发动机最大功率， 表示信号采样间隔，i表示第i个控制瞬时， 表示发动机转速，
表示发动机最小转速， 表示发动机最大转速， 表示发动机转矩，
表示发动机最小转矩， 表示发动机最大转矩， 表示内侧电机转速， 表
示内侧电机最大转速， 表示内侧电机最小转速， 表示内侧电机转矩，
表示内侧电机最小转矩， 表示内侧电机最大转矩， 表示外侧电机转速，
表示外侧电机最小转速， 表示外侧电机最大转速， 表示外侧电机转
矩， 表示外侧电机最小转矩， 表示外侧电机最大转矩。
[0036] 一种混合动力履带车辆速度与能量协同优化系统，包括：
[0037] 状态获取模块，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆
行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动
机功率、转向时内侧电机功率以及转向时外侧电机功率；
[0038] 路径跟踪误差确定模块，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
[0039] 上层速度规划器构建模块，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
[0040] 控制导向模型构建模块，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状
态以及控制变量；
[0041] 下层显性模型预测控制器构建模块，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
[0042] 协同优化模块，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
[0043] 可选地，所述状态获取模块具体包括：
[0044] GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
[0045] 二维平面坐标信息转化单元，用于利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
[0046] 车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
[0047] 根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0048] 本发明所提供的一种混合动力履带车辆速度与能量协同优化方法及系统，根据无人履带车的动力学特性及其扩大作业半径的需求，充分考虑混合动力无人履带车在路径跟
踪过程中燃油经济性优化问题。上层建立了综合考虑路径跟踪误差和需求功耗的多目标优
化问题，利用强化学习算法通过对路径跟踪误差进行一定程度的松弛，优化了两侧履带速
度，减少了由多余履带车滑移转向所引起的能量浪费；下层构建了混合动力系统燃油经济
性优化问题，利用显性模型预测控制算法，通过控制发动机的电子油门和启停，优化了发动
机工作效率，将整车需求能量以合理的方式分配至发电机组和动力电池，使整个过程中油
耗最少；本发明充分发挥强化学习以及显性模型预测控制实时性强优势，在路径规划的基
础上融合混合动力车辆能量管理算法，充分发挥履带车辆横纵向速度规划以及能量管理协
同优化特点，在保证高效稳定跟随的基础上实现最优的燃油经济性。
附图说明
[0049] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0050] 图1为本发明所提供的一种混合动力履带车辆速度与能量协同优化方法流程示意图；
[0051] 图2为平面坐标变换示意图；
[0052] 图3为履带车辆动力学原理图；
[0053] 图4为无人履带车路径跟踪示意图；
[0054] 图5为本发明所提供的一种混合动力履带车辆速度与能量协同优化系统结构示意图。
具体实施方式
[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0056] 本发明的目的是提供一种混合动力履带车辆速度与能量协同优化方法及系统，能够在保证高效稳定跟随的基础上实现最优的燃油经济性。
[0057] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0058] 图1为本发明所提供的一种混合动力履带车辆速度与能量协同优化方法流程示意图，如图1所示，本发明所提供的一种混合动力履带车辆速度与能量协同优化方法，包括：
[0059] S101，获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所
述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向
时内侧电机功率以及转向时外侧电机功率；
[0060] S101具体包括：
[0061] 获取无人履带车的参考轨迹的GPS经纬度坐标信息；
[0062] 利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
[0063] 将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
[0064] 即如图2所示， 为全局坐标系， 为局部坐标系， 为局部坐标系原点在全局坐标系下的坐标。A点在全局坐标系下的坐标为 ，转化到局部坐标系后坐标
为 。局部坐标系相对全局坐标系的旋转角度为 ，以逆时针方向旋转为正，则A的平
面坐标转换可表示如下：
[0065] （1）
[0066] 在路径跟踪问题中，局部坐标系的原点固定于无人履带车形心，且车头方向为局部坐标系 轴正向，则公式（1）中 和 可以表征车辆在全局价值系中实际位
置与目标位置的误差， 即为车辆局部坐标系下的误差，将全局坐标系下的误差转换
到车辆坐标系下更为方便对车辆进行踪迹跟踪控制。
[0067] S102，根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
[0068] S102具体包括：
[0069] 如图3所示，利用公式 确定无人履带车的车辆动力学模型；
[0070] 利用公式 确定无人履带车的运动状态方程；
[0071] 利用公式 确定车辆形心线速度和旋转角速度；
[0072] 利用公式确定路径跟踪误差；
[0073] 其中，m和 分别表示履带车的整备质量和航向转动惯量， 和 分别表示履带车形心位置的速度和加速度， 和 分别表示左、右侧驱动电机提供的驱动力， 和 则分
别表示左、右侧履带的滚动阻力， 表示两侧履带的滚阻系数， 表示两侧履带中心距，
为履带车转向阻力矩，g为重力加速度，L为履带接地长度， 为转向阻力系数， 和
分别代表左、右两侧的履带速度， 分别表示履带车形心在大地坐标系中的坐标及
相对与大地坐标系的转角，表示旋转角速度， 表示路径跟踪误差， 表
示跟踪目标在全局坐标系下的位置， ， ， 分别表示在车辆局部坐标系下车
辆的前进方向的误差、横向误差与角度误差。
[0074] 其中， 取值与履带车行驶的地面类型和转向半径有关，可用如下经验公式计算得到：
[0075] ；
[0076] 式中， 表示履带车最大转向阻力系数，由履带车行驶路面特性决定，不同路面类型最大转向阻力系数可查表得到。 表示履带车转向半径，根据图4所示，转向半径计算
公式如下所示：
[0077] ；
[0078] 大地全局坐标系和车辆坐标系是存在于二维平面动力学模型中的两个坐标系。大地全局坐标系XOY固定在地面上某点，在履带车辆行驶过程中位置保持不变。车辆坐标系
的原点为车辆形心，其位置随着履带车行驶过程而不断变化，但相对车辆位置不
变。 为车辆形心， 为车辆坐标系的横轴且为车头方向即车辆纵向， 为
车辆坐标系纵轴且为车辆横向。以车头方向 为车辆前方，则两侧履带可标记为左
侧和右侧。当履带车辆行驶至大地坐标系下 处时，车辆坐标系与大地坐标系之间的
相对旋转角度为 ，规定履带车在大地坐标中按逆时针方向旋转为正。
[0079] 图4为无人履带车的路径跟踪示意图，初始时刻车辆位于全局坐标系原点，经过时间t后其位于全局坐标系 处，并用 表征。设所需跟踪目标的位置在全局坐标
系下表示为 ，则无人履带车路径跟踪误差可以表示为：
[0080] ；
[0081] 根据上式与面坐标转换公式，可将路径跟踪误差转换至车辆局部坐标系下：
[0082] ；
[0083] 由于 方向是车辆坐标系中车辆的前进方向，路径跟踪误差可以重新定义为横向误差与角度误差之和，即 。
[0084] S103，根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
[0085] S103具体包括：
[0086] 将转向内侧电机转矩 以及外侧电机转矩 作为深度确定性策略梯度算法的动作变量； ；
[0087] 为了优化混动履带车辆行驶行为，减少过度轨迹跟随造成的摇摆、摇转、滑移等问题所带来的额外能量损耗，利用公式 确定深度确定性策略梯度算法
的反馈奖励；在原有跟踪误差的基础上，将车辆行驶过程中的驱动功率 引入DDPG反馈
奖励中，并设置适当的权重系数实现对于现有轨迹的松弛化处理，从而减少车辆行驶过程
中的能量损耗。
[0088] 其中，表示反馈奖励， 表示无人履带车行驶过程中的驱动功率，和 均为权重系数。
[0089] 状态变量 四个参数的取值范围差异较大，不利于网络训练，因此需对所选状态参数进行归一化处理,将其统一转换至取值区间 或 ；
[0090] 将全局路径信息（通过GPS信号转化的二维局部坐标）、初始状态变量作为训练后的DDPG算法的输入，获取最优的动作变量，即最优控制变
量，最后将最优控制变量序列输入所构建的混动履带车速度规划模型中进行状态迭代更
新，从而获取履带车辆内侧履带与外侧履带的最优速度序列，由于履带车辆的直行、转向等
车辆行为皆通过左右侧履带速度差控制，因此本方案通过优化履带车量两侧履带运行速度
序列进而改善车辆在路径跟随过程中的摇摆、打滑、过度转向等行为，从而减少能量损耗。
[0091] S104，根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
[0092] S104具体包括：
[0093] 利用公式 确定控制导向模型；
[0094] 其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表
示第k时刻。
[0095] 其中， ， ， ， ；
[0096] 下一时刻的电池能量状态可以被表示为：
[0097] ；
[0098] 下一时刻的车辆行驶需求能量可以被表示为：
[0099] ；
[0100] S105，根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
[0101] S105具体包括：
[0102] 根据控制导向模型构建优化问题；
[0103] 所述优化问题为：
[0104] ；
[0105] 将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
[0106] 其中， 表示预测域长度，Q和R表示权重系数矩阵， 表示优化代价中的轨迹跟踪项， ， 表示车辆驾驶能量参考信号，设置为
，其中 表示车辆驾驶所需的参考能量， 表示踏板开度， 表
示发动机最大功率， 表示信号采样间隔，i表示第i个控制瞬时， 表示发动机转速，
表示发动机最小转速， 表示发动机最大转速， 表示发动机转矩，
表示发动机最小转矩， 表示发动机最大转矩， 表示内侧电机转速， 表
示内侧电机最大转速， 表示内侧电机最小转速， 表示内侧电机转矩，
表示内侧电机最小转矩， 表示内侧电机最大转矩， 表示外侧电机转速，
表示外侧电机最小转速， 表示外侧电机最大转速， 表示外侧电机转
矩， 表示外侧电机最小转矩， 表示外侧电机最大转矩。
[0107] 踏板开度 即为通过驾驶员模型对上层速度规划器产生的左右电机运行速度进行跟随所获取的。
[0108] 为了避免在每个采样瞬时进行在线优化，MPC问题可以被表达为多参数二次规划问题(Multi‑parametric Quadratic Programming， mp‑QP)如下：
[0109] ；
[0110] 通过将 视为参数向量，目标即是离线求解并寻找所有状态变量取值范围内与之对应的最优控制变量，并将这种映射关系进行显性表达，即寻找每个状态变量可能的取
值与其所对应的最优控制变量间的显性映射关系，并将这种显性关系以控制率的形式进行
存储。
[0111] 在每个采样瞬时，将上层速度规划器规划的最优参考车速、当前车辆SOC、初始SOC、参考SOC以及当前车辆行驶能量E、初始行驶能量E、参考驾驶能量 作为索引，输入
上述所获取的显式控制率中，输出最优的控制量 。反复
迭代，实现实时的最优能量管理。
[0112] 总结：本模块的功能即是，通过离线计算的方式，以所构建的能量管理模型为基础，以该系统所有状态变量（荷电状态SOC、车辆驱动能量E）及其取值范围，以及所有控制变
量及其取值范围（发动机功率 ，内侧电机功率 和外侧电机功率 ）为输入，获取
最优显式控制率。在实际应用中，通过将上层速度规划器获取的最优参考车速、当前车辆
SOC、初始SOC、参考SOC以及当前车辆行驶能量E、初始行驶能量E、参考驾驶能量 通过顺
序搜索法从控制率中获取最优控制量，实现在线实时的能量管理。
[0113] S106，利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
[0114] 图5为本发明所提供的一种混合动力履带车辆速度与能量协同优化系统结构示意图，如图5所示，本发明所提供的一种混合动力履带车辆速度与能量协同优化系统，包括：
[0115] 状态获取模块501，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以
及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包
括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
[0116] 路径跟踪误差确定模块502，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
[0117] 上层速度规划器构建模块503，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
[0118] 控制导向模型构建模块504，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量
状态以及控制变量；
[0119] 下层显性模型预测控制器构建模块505，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
[0120] 协同优化模块506，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
[0121] 所述状态获取模块501具体包括：
[0122] GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
[0123] 二维平面坐标信息转化单元，用于利用高斯‑克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
[0124] 车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
[0125] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。
[0126] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不
应理解为对本发明的限制。
