基于驾驶员驾驶意图的混合动力汽车能量管理策略研究

胥凌志，王俊博，吴凡，袁子洋，闫伟

（250011 山东省 济南市 山东大学 能源与动力工程学院）

0 引言

基于驾驶员的驾驶意图可以准确掌握驾驶员的车辆运行状态需求，依此执行能量控制策略更符合驾驶员的操作要求，可以提高燃油经济性和排放性，因此准确识别驾驶意图是近年来的重点研究方向。有关研究中，福州大学的Lin[1]等建立了集成学习模型，根据对预期行程距离和速度的预测结果进行扭矩分配并验证了该策略对于汽车燃油经济性的提升；北京科技大学的Yao 等[2]对驾驶意图特征向量进行聚类，并将聚类结果通过隐马尔科夫模型迭代优化，最终将驾驶员驾驶风格划分为安全性、环保型等不同的驾驶习惯；山东科技大学的Guo 等[3]通过实验收集了驾驶员的视觉、听觉、嗅觉等动态数据，基于隐马尔科夫模型识别驾驶意图，最终预测驾驶员的情绪转变准确率可达83%；山东大学的刘洋[4]通过建立模糊控制模型构建了混合动力汽车的能量控制策略并验证了该控制策略能够提升整车性能；中北大学的程意[5]通过模糊神经网络确定复合制动的参数并通过联合仿真验证，该方法能够提高汽车经济性，增加续航里程。

本文首先对传感器采集的特征参数进行模糊化处理，构建驾驶意图模型，然后基于Cruise 平台搭建了混合动力汽车模型，使用该驾驶意图模型结合基于Simulink 的模糊控制策略进行联合仿真，并对结果进行了分析。

1 驾驶意图识别及混合动力汽车仿真模型搭建

1.1 驾驶意图识别

1.1.1 采集设备

本文使用丰田系列89510-47040 的制动踏板行程传感器采集制动数据，使用丰田系列的89245-02030 的转向盘角度传感器采集转向盘转角，使用PCAN-USB 作为数据显示工具采集CAN 总线的加速踏板行程等数据并实时显示。

1.1.2 驾驶意图识别分析

加速踏板、制动踏板的行程等大小判断属于模糊概念范畴，在大部分工况下不能简单地根据数值范围分类为大或小，因此使用模糊C 均值算法将数据聚类。由聚类结果搭建隶属度函数，在MATLAB 中Fuzzy Logic Designer 建立控制模型。

1.2 基于Cruise 建立混合动力汽车仿真模型

使用MATLAB 编写Simulink 控制策略，将Simulink 控制策略导出为可执行DLL 文件，并在Cruise 建立混合动力电动汽车模型并加入该DLL文件以执行控制策略。汽车参数如表1 所示。

表1 汽车参数Tab.1 Vehicle parameters

基于Cruise 自带的汽车及各零部件模型，并参考文献[6-7]加入永磁同步电机和锂离子电池组，搭建单轴并联式的混合动力汽车模型如图1 所示。

图1 并联式混合动力汽车Fig.1 Parallel hybrid electric vehicle

1.3 基于Simulink 建立控制策略

混合动力电动汽车同时具有发动机和电机，通过引入控制策略解决动力源切换和转矩、功率分配等问题，可提高汽车的经济性、动力性和排放性。

1.3.1 转矩计算

加速踏板行程为α时所需转矩Trep为

式中：Temax——发动机机最大转矩；Tmmax——电机最大转矩。

作用于汽车车轮的目标扭矩可由式(2)得出：

式中：ig——变速器传动比；i0——主减速器传动比；η——传动效率。

可由制动踏板行程和制动扭矩曲线计算得出制动扭矩。充电扭矩可由式(3)得出：

式中：Tmmax——电机当前转速下最大转矩；ac——充电系数；SOCα——目标SOC 值；SOC——当前SOC 值。

计算发动机最大转矩和电机最大最小转矩、发动机高效率区转矩如图2 所示。

图2 发动机转矩计算Fig.2 Engine torque calculation

1.3.2 识别车辆行驶状态

电池电量识别模块：将电池电量分为＜30，≥30 且＜90 和＞90 三个档位。

根据计算所得的目标扭矩区分汽车状态，目标扭矩大于0 时为驱动状态，等于0 时为驻车状态，小于0 时为制动状态。

1.3.3 识别驾驶意图和驾驶风格

在Simulink 中导入基于驾驶员驾驶意图建立的模糊控制模型。首先测试该模糊控制模型能否正常使用。分别设置加速踏板行程和加速踏板行程区间变化率为24 和23，使用总线连接输入模糊控制模型，得到结果为7.213，大于6 为快速加速。

通过3 个模糊控制模型识别驾驶员制动、加速、转向意图和驾驶风格，识别模块如图3 所示。

图3 意图和风格识别模块Fig.3 Intent and style recognition module

1.3.4 转向控制策略

在转向意图为保持直行或缓慢转向时，应降低转向灵敏度，提供不足转向特性，此时需求角速度可由式（4）得出；转向意图为紧急转向且非紧急避让时，为使驾驶员更精准地控制转向，也应提供不足转向特性；转向意图为正常转向时，应提供正常转向特性，此时需求角速度可由式（5）得出。

1.3.5 主控制策略

主控制策略基本思路：

（1）目标转矩处于发动机高效率区时，若SOC大于某一下限，则由发动机提供全部转矩；若电池电量低于某一上限，则利用多余转矩对电池充电。

（2）目标转矩大于高效率区上限且小于发动机所能提供的最大转矩时，若SOC 大于某一下限，则发动机和电机同时提供转矩；若SOC小于此下限，则仅发动机提供转矩。

（3）若目标转矩大于发动机最大转矩时，则在SOC 大于某一上限时，发动机和电机同时提供转矩。

（4）当目标转矩低于发动机高效率区下限时，若SOC 大于某一下限，则由电机提供目标转矩；若SOC 低于此下限，则发动机以高效率区下限转矩运行，高效率区下限转矩减去目标转矩部分用于充电。

（5）当目标转矩小于0 时（制动时），若SOC 大于某一上限时，制动力矩由制动器提供；若SOC 小于此上限值且制动力矩大于驱动电机的最小扭矩，则由电机提供目标转矩；若SOC 小于此上限值且制动力矩大于电机的最大转矩，则由电机和制动器提供目标转矩。

（6）当目标转矩小于0 时（驻车时），若SOC 小于所设上限，则发动机根据计算所得充电扭矩驱动电机进行充电。

急躁型驾驶员目标扭矩大且扭矩变化率高，而电机扭矩响应时间小于发动机，因此急躁型控制策略需尽可能优先使用电机，SOC 应处于充放电高效率区域。本文将SOC 不足的下限设为50，上限设为70。急躁型控制策略在基本思路下的改进如下：

（1）当SOC＜50 时，应尽可能快速充电至50，因此若目标扭矩低于发动机高效率区最高扭矩，则发动机以高效率区最高扭矩运作，大于目标扭矩的部分扭矩驱动电机为电池充电。

（2）缓慢加速时，若SOC＞50，则仅使用电机提供目标扭矩；若SOC＜50，则发动机以高效率区最低转矩运行，多余的转矩用于充电。中等和快速加速时，若SOC＞50，则优先使用电机提供目标扭矩，不足的扭矩由发动机补足。

沉稳型驾驶员目标扭矩和目标扭矩变化率适中，不过分追求动力性和经济性，因此将SOC 下限设置为30，上限设置为50。沉稳型控制策略在基本思路下的改进如下：

（1）缓慢加速时，若SOC ＞30，则以电机提供目标扭矩；若小于30 则以发动机高效率区最低转矩运行，超出部分扭矩驱动电机为电池充电。中等加速，优先让发动机转矩处于高效率区最低转矩，不足转矩由电机提供；快速加速时，优先由电机提供转矩。

（2）SOC ＞50 时，优先使用电机驱动以保持SOC ＜50；SOC ＜30 且加速意图非缓慢加速时，若目标扭矩和充电扭矩之和小于高效率区最高扭矩，则发动机按两者之和所需转矩运行；若两者之和大于高效率区最低扭矩，则发动机按高效率区最高扭矩运行。

谨慎型驾驶员目标扭矩和目标扭矩变化率均较小，并且较看重汽车的燃油经济性，因此在高效率区时优先使用发动机提供目标转矩，在目标转矩小和启停时尽量使用电机，将SOC 下限设置为30，上限设置为70。谨慎型控制策略在基本思路下的改进如下：

（1）加速意图为缓慢加速时，若SOC 不低于30，则以电机驱动；若低于30，则以发动机高效率区最低转矩驱动。

（2）加速意图为中等加速时，优先使用发动机在高效率区工作。

（3）加速意图为快速加速时，优先使用电机提供扭矩。

实际驾驶过程中，模糊控制器往往会将短时间内快速制动和加速识别为急躁型，而将短时间内的缓慢加速和制动识别为谨慎型，因此直接以模糊识别器识别结果作为驾驶员驾驶风格进行控制会造成控制策略频繁切换，不能达到预期效果。为了更稳定地识别驾驶风格，本文综合型控制策略在行驶过程中实时计算单位时间加速踏板行程区间变化率和制动踏板行程区间变化率，两者均可由式（6）得出：

式中：T——数据采集周期；xi——每次采集的采集值；n——一个数据采集周期内的采集次数。

2 仿真实验与结果分析

2.1 综合控制策略仿真

实际车速和目标车速变化如图4 所示。在该策略下，仅在最后一次加速时实际车速小幅低于目标车速，在绝大多数时间中预期车速与实际车速的差值在0.1 m/s 以内。由此可知，此策略可以快速响应驾驶员的加速、制动需求，使汽车达到预期速度。

图4 实际车速与目标车速Fig.4 Actual speed and target speed

发动机和电机转矩分别如图5 所示。由图5 可知，大部分时间发动机转矩位于高效率区间，电机能优先提供中低转矩，在缓慢制动时能够回收能量。

图5 转矩仿真结果Fig.5 Torque simulation results

驾驶意图识别结果如图6 所示。驾驶意图识别输出值如图6（a）所示，输出取值范围是1～9，其中1～3 是匀速或缓慢加速（制动），4～7 是中等加速（制动），8～9 是快速加速（制动）。驾驶风格识别输出值如图6（b）所示。

图6 驾驶意图识别Fig.6 Driving intention recognition

输出取值范围是1～3，其中1 是谨慎型，2 是沉稳型，3 是急躁型。由图6 可知，Cruise 中的标准驾驶员在需要快速加速和快速制动时被识别为沉稳型，在部分缓慢加速和制动时被识别为谨慎型。

2.2 SOC 对比

综合型、急躁型、沉稳型和谨慎型4 种控制策略下SOC 变化如图7 所示。由图7 可知，急躁型SOC 优先使用电机且优先充电，因此SOC 很好地控制在50～70；沉稳型仅在部分情况下使用电机，因此SOC 变化较平缓且下降到50 以下（SOC 控制区间）；谨慎型优先使用电机，但不是优先充电，因此SOC 控制在30～70。4 种类型的SOC 值能够保持较高的充放电效率。

图7 NEDC 工况下不同驾驶策略下SOC 变化情况Fig.7 SOC changes under different driving strategies under NEDC operating conditions

2.3 燃油经济性分析

综合型、急躁型、沉稳型和谨慎型4 种控制策略分别在NEDC 工况下的百千米油耗如图8 所示。由图可知，在这4 种策略下油耗相差不大，且急躁型、沉稳型和谨慎型的百千米油耗依次下降，与设计控制策略的目标相符。

图8 NEDC 工况油耗Fig.8 NEDC working condition fuel consumption

2.4 排放性分析

综合型、急躁型、沉稳型和谨慎型4 种控制策略分别在NEDC 工况下NOX，HC，CO 的每km 排放如图9 所示，由图9 可知，在这4 种策略下3 种污染物排放量差距很小。

图9 NEDC 工况下不同驾驶策略下污染物排放情况Fig.9 Pollutant emissions under different driving strategies under NEDC operating conditions

3 总结

在汽车智能化的浪潮下，准确识别驾驶员操作意图能够提高汽车的安全性、经济性和环保性。本文主要研究结果如下：

基于Simulink 建立了能够实时识别驾驶员操作意图和驾驶风格的控制策略，根据驾驶员驾驶风格分为急躁型、沉稳型和谨慎型3 种控制策略。使用Cruise 基于城市工况搭建了混合动力汽车模型，分析比对了该模型在3 种控制策略下的SOC 值，百千米汽油消耗值、有害气体排放量，证明了识别驾驶员操作意图对于汽车控制的重大意义。

受限于作者的水平、实验能力和时间等，本文有许多不足之处仍需完善：

（1）混合动力汽车电池的充放电效率需要考虑到电池温度、内阻和电压等多方面的因素，对电池建模并根据策略进行热管理等方式能够大幅提高电池的充放电效率。

（2）在紧急制动和紧急避让情况下，通过合理的转矩分配能够减小发生危险的概率。

（3）将模糊识别与其他识别方法如隐马尔科夫模型、神经网络识别等结合起来能够提高意图识别的准确性，还能进一步细分驾驶员的操作意图。

（4）驾驶员的驾驶风格受驾驶员情绪影响很大，本文仅基于驾驶员的驾驶操作计算推断出驾驶风格，不能完全反应驾驶员的真实风格。