中国指挥与控制学会会刊 
悬架是车辆行驶过程中乘坐舒适性和操控稳定性的重要影响因素。半主动悬架最早于1974年由美国加州大学戴维斯分校机械工程系的Karnopp教授等提出[1],并基于天棚阻尼算法给出了半主动悬架的控制策略。近年来,半主动悬架控制已然成为国内外学者的研究热点。杨慧勇等[2]利用PID控制,建立Simulink和ADAMS的联合仿真,验证了PID控制策略的有效性。在PID控制参数调节方面,詹长书等[3]基于PID控制提出了粒子群优化策略,提升了汽车的平顺性和稳定性,并解决了PID控制参数整定的问题。寇发荣等[4]提出了一种基于路面等级的LQG控制方法,并设定等级路面阈值,采用果蝇算法确定LQG控制的加权系数,实验结果证明了算法的有效性和优越性。然而,上述研究中均未提出针对典型路面扰动的控制策略。
本文提出一种基于视觉感知的半主动悬架控制策略,结合YOLOv5目标检测和双目视觉深度测距算法,提前获取典型离散扰动路面(如减速带、井盖等)的特征和距离,并设定置信度检测阈值。在自抗扰反馈控制的基础上,引入预瞄模糊前馈控制策略,实现对半主动悬架系统阻尼的提前干预,以改善车辆行驶的平顺性和操控稳定性。
1 典型离散路面检测
1.1 YOLOv5目标检测算法
网络预测过程中,YOLOv5根据网络框架的置信度值判断目标框圈定目标物是否为目标物体,其计算公式为:
=Pr(Object)*Io
Io =
式中, 表示第i个网络区域第j个边界框的置信度;Pr(Object)表示预测框样本概率;IoU为预测边框与真实边框的交并比;BBdt和BBgt表示训练物体标签和网络预测的可信度;Area(·)表示区域面积函数。
本文训练数据集主要取自某高校现场拍摄,该数据集包括800张减速带、井盖等图片。但在数据集的准备上,仍可以实现补充扩展,以增强YOLOv5识别结果的准确性和鲁棒性,突出YOLOv5目标检测算法的必要性。此外,可通过图像标注工具LabelImg实现YOLO格式转换,并将数据集按照7∶2∶1的比例划分为训练集、测试集、验证集。
1.2 训练结果与检测
模型训练主要基于Windows操作系统,GPU为NVIDIA RTX3060,内存为16 GB,学习训练环境基于Python3.8、Cuda11.1和PyTorch1.8.1。具体训练参数如表1 所示。
表1 训练参数文件Tab.1 Training parameter file |
| 类别 | 参数 |
|---|---|
| 训练权重 | YOLOv5s.pt |
| 训练模型 | YOLOv5s.yaml |
| Epochs | 300 |
| Batch-size | 32 |
| workers | 8 |
| 学习率 | 0.01 |
训练结果和检测精度上,主要针对精确度(Precision)、召回率(Recall)、平均精度均值(mAP)等指标进行了评估分析。精确度表示模型预测为正例的样本中正确的比例,召回率表示模型成果预测的正例样本占所有正例样本的比例,mAP@0.5表示IoU为0.5时,模型的平均精度。主要计算公式为:
Precision=
Recall=
其中,TP表示正比例(True Positive),FP表示假正例(False Positive),FN表示假反例(False Negative)。主要结果如图2 a)、b)、c)所示。
结果上,精确度为0.93,召回率为0.83,mAP值为0.91,达到了一定的检测精度,可进行双目结合,实现对于典型离散路面扰动的检测。
2 双目测距
2.1 双目测距基本流程
双目测距是一种基于双目视觉的距离测量技术,主要通过模拟人类双眼观察物体的原理,通过视差和立体视觉实现对于实时物距的估计。其主要流程如图3 所示。
2.1.1 双目系统标定与图像校正
相机畸变是指在实际世界中物体投影到成像平面时,由于镜头形状、位置等因素导致图像存在畸变失真现象。畸变校正可消除因相机本身导致的图像畸变,可利用相机参数和公式法实现对于相机径向畸变和切向畸变的消除,其主要公式如下:
径向畸变校正:
切向畸变校正:
其中,(x,y)为畸变校正前像素坐标,(x_cor,y_cor)为畸变校正后像素坐标,k1、k2、k3为径向畸变参数,p为切向畸变参数,r为径向距离。经过相机畸变矫正的图像具有极线约束的特点[11],即左右相机的所拍摄的目标物位于同一水平线上,极线约束可有效降低立体匹配的工作量,畸变极线校正实验结果如图5 所示。
2.1.2 SGBM立体匹配
立体匹配目的是从双目图像中获取同名点,通过视差计算得出检测点的深度信息。由于本实验对检测对象的现场环境、测量精度和实时性均具有一定要求,所以本文选择半全局立体匹配算法(Semi-Global Block Matching,SGBM)。SGBM算法[12]是一种基于区域约束的局部立体匹配算法,通过获取计算区域内的每个像素点的视差,并整合为一整张视差图,构建多方向扫描线的代价能量和函数,求取能量代价和函数的最优解。图6 为使用SGBM算法匹配得到的结果。
在实际运用中,由于光照等外部因素的影响,通常会出现误匹配的现象,为避免后期出现测距错误现象,需要对视差图进行后处理。本文采用WLS滤波[13]对视差图像进行去噪和孔洞填充处理,结果如图7 所示。由图7 可见,经过WLS滤波后处理的视差图更加平滑,且去除了明显孔洞,为后续的测距精度和准确率上进行了优化。其中,图7 为WLS滤波优化结果。
2.2 基于目标检测的深度估计
当使用双目相机得到检测点时,便可得到该点视差,通过公式转换法以获取检测点的深度信息,其转换原理如图8 所示。
图中,f为相机焦距,b为双目基线,Pl、Pr为空间目标检测点在左、右相机成像平面上的像素点,Ol、Or为左、右相机光心。若双目相机达到极线和光轴平行,则视差和深度关系为
=
由d=xl-xr可得深度Z为
Z= =
本文基于YOLOv5目标检测框架,旨在计算典型离散激励的深度信息。当实测路面存在典型扰动激励时,将基于双目相机获取的YOLOv5目标检测图像进行左右分割,并将其作为输入用于双目视觉测距。随后,进行畸变校正和立体匹配计算,以生成双目视差图。在此基础上,以左视差图为基准,将YOLOv5目标检测的预测框中心点作为视差距离检测点,通过视差深度转换关系计算实时距离,实现YOLOv5目标检测与双目视觉的有效衔接。最终,基于YOLOv5和双目视觉融合的检测结果如图9 所示。
其中,speed_bumps为减速带激励,置信度Confidence=0.90,距离为2.09 m,达到了预瞄检测精度和预瞄距离精度。
3 半主动悬架及路面模型搭建
二自由度1/4半主动悬架在垂直方向上能够较好地反映汽车的振动特性,且易获取车身加速度、悬架动挠度和轮胎动载荷等性能指标[14]。根据牛顿第二定律得出半主动悬架运动学模型如图10 和公式(9)所示。
其中,kb、kx为悬架弹簧刚度和轮胎刚度;mb、mx分别为簧载质量和非簧载质量;c0为悬架阻尼系数;f为悬架可调阻尼力,z1、z2、z3分别代表簧载位移、非簧载位移和路面输入扰动。
根据1/4半主动悬架运动学微分方程选取状态变量为x=[z1,z2,,]T,输入变量为u=[f,z3],输出变量为y=z1,则系统状态空间方程为:
其中,本文半主动悬架相关参数取值如表3 所示。
表3 车辆模型参数Tab.3 Vehicle model parameters |
| 1/4车辆结构参数 | |
|---|---|
| 簧载质量mb/kg | 360 |
| 非簧质量mx/kg | 40 |
| 阻尼系数c0/(N·s·m-1) | 1 200 |
| 弹簧刚度kb/(N·m-1) | 35 000 |
| 轮胎刚度kx/(N·m-1) | 195 000 |
路面激励是悬架系统不可忽视的因素,对于行驶平顺性和操作稳定性有很大影响。本文采用模拟连续减速带的路面模型,时域模型描述为
zr(t)=
其中,zr(t)为双冲击减速带路面,其时域信号如图11 所示。
4 自抗扰反馈控制
自抗扰控制(Active Disturbance Rejection Control, ADRC)由中科院数学所的韩京清教授于1998年正式提出[15]。自抗扰控制主要由跟踪微分器(Tracking Differentiator,TD)、非线性状态误差反馈(Nonlinear States Error Feedback, NLSEF)和扩张状态观测器(Extended State Observer, ESO)三部分组成[16]。TD主要通过安排过渡过程,实现信号平滑处理,以解决超调和快速性之间的矛盾。ESO将系统所不确定的内外扰动归结为“未知扰动”,通过控制输入和状态输出,实现对于未知扰动的主动抗扰。NLSEF则是PID控制的理论改进,以非线性组合取代线性加权,并以扩张状态观测结果实现非线性组合修正。ADRC具有较强的鲁棒性和适应性,已广泛运用于工业控制和运动学控制。其主要结构如图12 所示。
4.1 跟踪微分器
跟踪微分器的离散形式:
为使车身在扰动作用下保持平衡状态,取二自由度1/4半主动悬架车身加速度参考输入v(k)=0,其中,r0、h0分别为速度因子和滤波因子,实现对于信号的快速跟踪和滤波,h为采样时间。对于最优快速综合函数fhan(·)主要表达形式如下:
4.2 非线性误差状态反馈控制律
分别定义z1、e1为车身加速度观测值和跟踪误差;z2、e2为车身加速度微分观测值和微分误差值,非线性反馈控制方程:
式中:
fal(x,a,δ)=
其中,a1、a2为非线性因子;β1、β2为非线性增益,fal(·)为非线性函数。对于a<1时,非线性函数具有“小误差大增益,大误差小增益”的特性[17]。选取u0为半主动悬架控制输入。
4.3 扩张状态观测器
扩张状态观测器是自抗扰控制最为重要的部分。对于非线性系统和不确定性系统,扩张状态观测器可通过扩张变量来适应不同系统,从而提高状态估计精度,对于半主动悬架系统来说,可用于实现对于外部路面扰动和内部建模误差的“未知扰动”补偿,其主要数学表达如下:
式中,z1、z2、z3分别系统观测值,取y为车身加速度的实际输出状态,β01、β02、β03为ESO增益系数,α1、α2为非线性因子,b为放大倍数。通常取α1=0.5;α2=0.25。
5 预瞄前馈模糊控制方法
在车辆行驶过程中,结合YOLOv5目标检测和双目视觉测距技术,实现对于车前典型离散路面的预瞄感知,并将其作为半主动悬架的前馈预瞄控制信号,本文取YOLOv5置信度Confidence≥0.85时,可认为前方存在离散激励,并以预测框的中心点作为双目测距目标点,实现扰动的检测和实际距离测量。当存在离散激励时,引入预瞄模糊前馈控制策略,根据当前车速和测距距离计算时间延迟,并与自抗扰反馈形成前反馈控制,整体控制框架如图13 所示。
模糊控制已被证明能够有效地处理非线性问题[18]。本文采用双输入单输出的预瞄模糊控制策略,将当前半主动悬架的车身加速度和视觉预瞄的道路信息作为模糊控制输入,将阻尼力控制信号作为输出,经时间滞后处理的模糊前馈将与自抗扰反馈结合,以形成前反馈控制。车身加速度和视觉路面经轻量化后采用7个模糊子集{NB,NM,NS,ZERO,PS,PM,PB},论域为[-1,1],阻尼控制输出u采用模糊子集{NB,NM,NS,ZERO,PS,PM,PB},论域同样为[-1,1]。输入和输出量在隶属函数上均采用高斯分布。输入输出模糊控制规则表如表4 所示。
表4 模糊控制规则表Tab.4 Table of fuzzy control rules |
| 控制输入u | 路面激励z3 | |||||||
|---|---|---|---|---|---|---|---|---|
| NB | NM | NS | ZERO | PS | PM | PB | ||
| 车身 加速 度 () | NB | PB | PB | PB | PM | PM | PM | PM |
| NM | PB | PB | PM | PM | PM | PS | PS | |
| NS | PM | PM | PS | PS | PS | ZERO | NS | |
| ZERO | PM | PM | PS | ZERO | NS | NS | NS | |
| PS | PS | ZERO | NS | NS | NS | NM | NM | |
| PM | NS | NS | NM | NM | NM | NB | NB | |
| PB | NM | NM | NM | NB | NB | NB | NB | |
6 Matlab/Simulink仿真对比分析
为证明基于视觉感知的半主动悬架控制策略的可行性和优越性,对于减速带典型离散激励路面进行了仿真分析。以第三节建立的1/4车辆半主动悬架模型作为研究对象进行仿真实验。其中自抗扰控制参数主要由粒子群优化算法调节[19],本文不再赘述,搭建Matlab/Simulink总仿真图形化系统如图14 所示。
仿真分析对比了被动悬架、自抗扰控制、预瞄模糊自抗扰控制。系统仿真各项性能指标时域响应曲线如图15 —17 所示。
各项性能指标的均方根值(RMS)对比如表5 所示。在典型减速带状态下,引入预瞄模糊自抗扰控制的半主动悬架在车身加速度上相较于被动悬架和自抗扰控制分别降低了70.71%、44.60%,并且在悬架动挠度上分别降低了43.63%、14.80%,车辆的乘坐舒适性和行驶安全性均得到改善。在轮胎动载荷上,引入预瞄模糊自抗扰控制的半主动悬架相较于被动悬架和自抗扰控制分别优化了69.54%、42.04%,车辆的操作稳定性得到改善。综上所述,基于视觉感知并采取预瞄模糊自抗扰控制的半主动悬架可以有效降低车身加速度、悬架动挠度和轮胎动载荷,实现了车辆乘坐舒适性和操作稳定性的共同优化,提升了悬架系统的综合性能。
表5 性能指标RMS对比Tab.5 Performance metrics RMS comparison |
| 性能指标(RMS) | Passive | ADRC (相比Passive) | Fuzzy_ADRC (相比Passive、ADRC) |
|---|---|---|---|
| 车身加速度/(m/s2) | 2.0920 | 1.1060(47.13%↑) | 0.6127(70.71%↑、44.60%↑) |
| 悬架动挠度/m | 0.02033 | 0.01345(33.84%↑) | 0.01146(43.63%↑、14.80%↑) |
| 轮胎动载荷/N | 760.0 | 399.4(47.45%↑) | 231.5(69.54%↑、42.04%↑) |