英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

基于学习的汽车悬架控制器设计: 现状与未来研究潜力综述

摘要

本文综述了汽车悬架控制的相关文献，重点介绍了基于学习算法的汽车悬架控制方法。 并对基于学习的控制器的潜力进行了详细的讨论。 从文献中引出了一些最著名的主动和半主动悬架控制器，并报道了它们的优缺点。 通过对现有的悬浮控制技术进行分类，并考虑其功能，试图为表明学习策略在这项任务中的高潜力奠定基础。 在此背景下，列举了统计学习和计算智能方法的几个有利特点，这些特点对未来的车辆悬架控制具有重要意义。 在作者看来，考虑悬架控制的学习策略的必要性在于，在过去的二十年中，人们已经在开发智能和自动驾驶车辆方面做出了巨大的努力，以减少对人机交互的需求。 鉴于汽车工业家的最终目标是设计高效、安全的自动驾驶汽车，不可忽视概率人工智能和统计学习算法的关键作用。 总之，通过阅读这篇综述文章，我们可以了解(1)悬架控制器的研究现状，(2)学习策略的潜力及其对车辆悬架控制的适用性，(3)需要进一步研究的重要问题，以得到鲁棒、稳定和准确的可学习控制器。 本文的研究成果对设计智能和自动驾驶汽车的从业人员有一定的参考价值。

关键词：汽车工程; 车辆悬架控制; 统计学习; 计算智能

1.介绍

汽车工业无疑是现代社会最辉煌的成就之一。由于市场需求和质量控制问题，在过去的几十年里，为了促进汽车工业的发展，投入了大量的资金。有趣的是，设计师的创造性思维产生了如此多的理想方案，促使汽车工程师寻求先进的技术来改善汽车的性能。设计新型高效汽车和改造现有汽车的研究主要集中在汽车的硬件和软件设计上。利用通用术语软件，我们主要是指那些既能使汽车运行成为可能，又能提高汽车不同部件性能的控制算法和故障检测算法。为了提出有效的车辆改进算法，程序员应该利用传感、优化、估计、建模和控制等领域的公认理论和思想。任何算法设计者的最终目标都是开发一个比现有技术更加健壮和准确的算法框架，或者至少具有与现有方法相同的效率，但计算复杂度更低。现代汽车的性能主要依赖于用于汽车零部件监测和控制的算法，因此这些问题就显得尤为重要。

最成功的算法是那些有效地使数据采集和决策过程自动化以做出最优控制决策的算法[8]。这些先决条件与设计智能车辆的兴趣是一致的，智能车辆应该同时从感知的数据[10]做出有效的推断，并计算出适当的控制指令来控制车辆。还值得一提的是，汽车工业的最终目标是逐步提高车辆的智能性，以开发出全自动汽车，技术上称为自动汽车。

现有的传统和先进的控制 / 监控算法针对不同的目标进行设计，并安装在车辆的不同部件上。 仅举几例，控制 / 监控算法可以用于乘客的安全，乘坐舒适度，轮胎稳定性控制，车身振动控制，自适应巡航控制，燃油消耗最小化等。 虽然由于上述原因，人们对上述各个控制领域进行了大量的研究，但近年来出现了一个值得注意的趋势，即设计跨学科的控制算法，这些算法不仅利用现有的控制理论来保证驱动信号的鲁棒性和准确性，而且可以利用传入的感官数据对车辆的状态作出正确的决定。

本文着重介绍了作为汽车控制目标之一的悬架系统控制器。长期以来，工程师们一直致力于在最优和鲁棒的车辆悬架控制的背景下，利用完善的控制理论来满足不同的控制目标。 虽然传统的控制器在仿真级别上显示出非常好的结果，但是当它们作为硬件在环控制器实现时，通常会遇到功能问题。 对于大多数这样的控制器，问题是，尽管他们的计算和理论上证明的能力，没有决策 / 数据处理模块做感知和更新的控制策略，以产生适当的驱动信号。 这是当控制器的适应性和易学性可以非常有利于车辆悬挂控制，因为它是一个复杂的电子机械系统，有几个未知因素，可以随着时间的变化(由于几个未知的原因)。 图1示出装有通用易学控制器的车辆悬挂系统的示意图。

这样的事实已经成为汽车控制工程师转向使用更复杂的控制算法来控制悬架系统的显著动机，这些算法能够同时进行感知和控制。基于这样的兴趣，统计机器学习和决策工具已经被广泛的探索，以融合控制模块[20]。随着可学习控制算法的引入，出现了新的挑战。显然，复杂的控制算法消耗了相当大的计算能力，从汽车控制的角度来看，这并不是一个好的特性，因为现有的计算处理器并不是那么强大。因此，为了降低复杂悬架控制器的计算复杂度，人们采用了大量的统计和传感定理。

本文回顾了现有的一些最重要的经典控制器，并在此基础上，对学习算法和技术进一步改进经典控制器的潜力进行了深入的讨论。同时，列举了与这些控制器的实现相关的最重要的挑战，并给出了相应的建议。所考虑的学习方法被软计算和统计计算协会所提出。因此，对各自的学习系统分别进行了评述。 虽然这两个概念都依赖于数据的收集来训练模型，但是可以认识到软计算方法强调特定的学习系统的构建，以及使用启发式训练方法，而统计方法是利用统计机器学习文献中的概率理论来设计的。此外，统计学习系统的发展与更深入的分析来源的不确定性，而软计算方法通常考虑一个简单的高斯噪声(甚至忽略加性噪声的影响)。 这些问题将在接下来的文章中进一步分析。

文章的其余部分组织如下。 第二节致力于回顾一些最重要的经典车辆控制器。 在第三节中，对基于学习的悬挂控制器的概念进行了深入的讨论。 在第四节，学习策略的潜力，设计汽车悬架控制器提出。在此背景下，提取了与学习和计算智能相关的几种技术，并讨论了如何利用它们来设计高效的悬架控制器。基于所提供的信息，在第五节，实施挑战和学习算法的适用性，车辆悬架控制的开放性问题给出。在第六节中提出了一些对在汽车控制领域工作的感兴趣的研究人员有用的建议。最后，结束语和未来的研究潜力在第七节。

2. 经典的车辆悬挂控制器

一般来说，没有任何控制器的悬架系统被称为被动悬架系统，而那些配有控制器的悬架系统被称为主动 / 半主动悬架系统。根据所设计的控制算法的目标，主动悬架控制系统的目标可以有所不同。有控制器的悬挂系统主要有两类，即半主动控制器和主动控制器。上述两个概念已大大促进了经典悬浮控制文献的进步。因此，这些问题将在不同的章节中进行审查，以便明确其利弊，从而进一步阐明采用车辆悬架系统控制学习策略的必要性。

2.1. 半主动悬架控制

半主动控制器只能改变减振器的粘滞阻尼系数，不能以驱动力的形式给悬架系统增加任何外部能量。 这种控制策略可以分为三类: 经典控制、现代控制和智能控制。经典的控制算法较少依赖于悬挂系统模型，最具代表性的算法有天钩，地钩和 混合控制。现代控制方法包括基于系统状态空间方程的最优控制、模型预估计控制控制和鲁棒控制。为了消除非线性、不确定性和时变特性的影响，智能控制应运而生，其中模糊控制、神经网络控制和遗传算法是最具代表性的算法。半主动控制器使用少量的规则来改变道路上的阻尼系数，并且已经被证明是实用的选择，因为它们的实现相对便宜。鉴于对半主动控制器适用性的有希望的反馈，研究人员作出了相当大的努力，以进一步提高其质量，特别是通过采用既定的离线控制方案的力量。半主动控制器设计研究的时间回顾和实验结果可以在表1，表2中找到。 所提出的半主动控制器是文献中最重要的算法之一。如前所述，经典的悬挂控制的范围比半主动控制的概念更广泛，包括一个更先进的控制概念，称为主动悬架控制，这是在下一个小节回顾。

2.2. 主动悬架控制

从前面的分节可以推断出，研究人员正在努力开发新型的半主动控制器。然而，大多数这样的控制器的功能基于一个预定义的逻辑(启发式或最优)来调节阻尼系数，并可能不是完全真实的实际用途。因此，大多数现代车辆都配备了主动控制器，能够实时估计悬挂系统的状态，并利用外部能量产生系统产生驱动力，以满足预定的控制目标。在某种意义上，自从参考文献发表了种子研究论文之后，关于主动悬架控制的研究活动就引起了人们的注意。 [47,48] ; 和[49]。

显然，设计主动悬架和经典悬架控制系统的研究是一个正在进行的研究领域，研究人员正在这一领域取得显着的进展。在设计高效的主动悬架系统方面也出现了一些新的趋势，人们相信这些系统在不久的将来会在汽车工业家中找到自己的位置。一个例子是零功率控制与混合电磁铁的援助，包括永磁体和线圈。 这样的系统可以用最小功率隔离振动[[77] ，[78] ，[79] ，[80] ，[81]]。 在下一节中，将继续讨论为什么学习技术与控制策略相结合以进一步提高性能。

3. 基于学习的悬挂控制器

尽管传统的控制技术有明显的优点，但也存在一些缺点，需要进一步的研究和思考。我们可以强烈地说，标准的控制算法不够聪明，不能以实时的方式进行推理。这些技术遵循预先确定的控制规则(包括随机和确定性版本)来计算执行命令。正如前面所讨论的，计算硬件和软件的快速发展使得工程师们可以采取雄心勃勃的步骤来设计自治系统。实现这一目标的最实际和最初的阶段之一是采用知识推理系统学习方法和统计学习方法，并将它们用于控制算法的核心。在这种方式下，这些技术可以进行推理，并与控制器(随机和确定性)共享它们的发现，从而产生数据驱动的控制命令。

据认为，使用学习为基础的悬挂控制器可以帮助研究人员填补空白，在目前的国家的艺术。 特别是:

1.基于学习的悬架控制器能够从环境中学习并相应地调整模型参数。这是一个非常有益的功能，可以在不同的情况下使用。例如，基于学习的控制器将与使用雷达和 GPS 信息的智能车辆更加兼容。同时，从车辆传感器的信息中学习，使决策单元能够识别可能的操作缺陷，从而使控制器能够相应地采取行动。此外，基于学习的控制器可以同时进行道路分类和车辆悬挂控制。这可能是非常有利的，因为有了关于即将到来的道路特征的信息，就可以使用模块化控制器，能够根据道路类型计算具体的控制命令。显然，有一个更灵活的控制器可以导致一个更节能的车辆，并进一步改善其他控制目标，如乘坐舒适性和道路保持。

2.在线收集的数据使学习系统能够适当地量化模型的不确定性。这是一个非常有用的性质，可以导致鲁棒控制器能够适应的命令根据来源的不确定性车辆遇到的道路(如路面不平度，摩擦，随机障碍等)。

在本节的剩余部分，我们将从基于软计算的学习方法和基于统计学习的学习方法两个主要方面对基于学习的悬挂控制器的设计进行研究。

3.1. 基于软件计算的学习方法

在最近的几十年里，使用软件计算和计算智力技术的想法已经被用于设计汽车悬挂控制器，并且在特殊的中，神经网络和有绒毛的模型等方法已经被用来满足上述目标。在这个子部分，我们将报告一些最显着的零件有关工具的软的智能控制器的悬挂控制。按时间顺序排列的计算方法应用于目录悬挂控制器的进展软的见表7-9。

由此可见，汽车悬架控制器的设计一直是软计算和计算智能方法研究的重点。 在下一节中，作者回顾了应用统计计算方法设计汽车悬架控制器的研究进展。

3.2. 基于统计计算的学习方法

与基于软计算方法的综合研究相反，汽车研究人员在设计先进的基于知识的悬架控制算法时，没有恰当地关注统计概念。作者认为，这一事实背后的原因可能是为了有效开发这类控制器所需的理论分析。在接下来的小节中，作者试图提到一些最有成效的有关设计基于统计学习的悬架控制系统的研究档案。表10回顾了使用统计计算方法进行自动控制的研究。

通过对所列出的研究工作的仔细观察，可以发现统计分析所得到的控制器学习模块具有更多的理论依据，使其更加可靠。此外，这些方法直观上是可靠的，因为它们是在假设收集的数据具有一定程度的不确定性的情况下发展起来的。在接下来的章节中，作者将对文献进行分析，并试图提出一些可供设计先进汽车悬架控制器的汽车研究人员使用的意见。

3.3. 分析所进行的研究

通过阅读以上研究论文的结果，作者们想到了一些需要进一步思考的问题。在这里，基于作者的分析，对所进行的研究提出了一些评论，如下:

1.上述智能控制器大多与现有的软计算智能工具结合在一起，没有进行严格的统计分析，也没有深入了解模型的结构特性。作者认为，应该进一步深入研究，提出理论上可行的数据挖掘和建模方法，用于控制器的核心部分。为了构造一个合适的数据驱动学习模型，需要回答几个重要的设计问题，包括感兴趣信号的概率行为、对目标 / 原始信号的采样、稀疏表示、过拟合和欠拟合效应的减少，以及平衡模型的方差和偏差。显然，这些重要问题不能简单地通过提取模型(软模型或统计模型)并使其适合于捕获的数据集来处理。这里真正重要的是进行一些理论分析，找出如何设计一个模型。讨论了上述大多数问题，并提出了几种解决办法。同时，在一般的研究中，统计学习理论已被证明对于设计控制器是非常有益的。在表11中，一些关于已经应用于悬挂控制的常见学习和优化概念的优点和缺点的评论被指出。

2.在大多数的研究中，所提出的基于学习的控制器已经应用于特定条件下的车辆悬架控制。 这就是当一个给定的基于学习的 / 数据驱动的控制器的真实性应考虑不同的操作条件，以确保开发的模型不受不良现象的影响，如欠拟合，过拟合等。特别是，建议研究人员将他们提出的数据驱动控制器应用于不同类型的悬架系统在不同的数学模型参数校正。这样一来，研究人员就可以更方便地判断所开发控制器的一般控制能力，从而证明所提出的控制器的实际适用性。

3.遗憾的是，对不确定性的影响来源的分析没有得到足够的重视。 这个缺陷在那些鼓吹使用软计算技术来设计智能控制器的论文中更加明显。 此外，使用统计工具开发控制器的研究人员还没有进行深入的调查，以确定不确定性的来源。 正如所看到的，在大多数已发表的论文中，对影响悬挂系统功能的不确定性的类型作了一些简单的假设。 例如，在大多数已进行的研究中，假设路面平整度遵循一个正态分布，并且学习系统已经基于这样的假设进行了训练。 在作者看来，目前的文献中缺乏一个全面的经验 / 实验调查，以确定对适当的学习系统训练有影响的不确定性来源的真实属性。 一个可行的方法是收集合理数量的数据，并系统地检验 Gaussianity 对路面不平度的无效假设。 此外，还有可能使用由众所周知的混合概率密度函数构成的混合模型，并

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[236053]，资料为PDF文档或Word文档，PDF文档可免费转换为Word