블로그

Jul 17, 2023

스루의 토크 조정 제어

Scientific Reports 13권, 기사 번호: 11564(2023) 이 기사 인용 233 액세스 2 Altmetric Metrics 세부 정보 차량 안전은 지능형 개발에 상당한 중요성을 갖습니다.

Scientific Reports 13권, 기사 번호: 11564(2023) 이 기사 인용

233 액세스

2 알트메트릭

측정항목 세부정보

차량 안전은 하이브리드 차량의 지능형 개발에 있어 상당한 중요성을 갖습니다. 그러나 극한의 도로 조건에서 실시간 안정성 제어 또는 합리적인 토크 분배는 불확실한 여러 매개변수와 핸들링 및 안정성 성능을 조화시키는 어려움으로 인해 여전히 큰 과제로 남아 있습니다. TTR(Through-the-Road) 4륜 구동(4WD) 하이브리드 차량에 대한 위의 문제를 해결하기 위해 본 연구에서는 오프라인 최적화 규칙과 온라인 모델 예측을 통합하여 핸들링 및 안정성 관리(HSM) 접근 방식을 제공합니다. 제어(MPC). 먼저, 7자유도(7-DOF)를 갖는 차량 동역학 모델을 오프라인 추출 토크 분배 규칙(Offline-ETDR)에 사용하고, 온라인 MPC 피드백(Online-MPCF)을 활용하여 추가 토크 요구 사항을 보상합니다. 극한 상황에서는 효과가 좋지 않습니다. 따라서 오프라인 최적화 결과와 온라인 보정을 융합하여 실시간 도로 상황 감지에 따른 총 요구 토크를 제공합니다. 마지막으로, 제안된 토크 조정 전략의 효율성을 검증하기 위해 실제 차량 테스트가 구현되었습니다. 토크 제어 전략이 없는 차량과 비교하여 제안된 방법은 차량의 코너링 능력을 크게 향상시키는 동시에 높은 안정성 성능을 보장합니다.

차량 보안은 차량 지능, 특히 다륜 구동 차량의 경우 광범위한 역할을 합니다. 예를 들어, 안정성 제어, 테일 스윙 드리프트 제어 및 전자 안정성 프로그램을 포함한 안전 중심 중심의 제어 전략은 항상 자동차 연구자들의 관심을 받아 왔습니다1. 특히, 빠른 속도와 치열한 조향각 등 극단적인 주행이 차량 불안정의 주요 원인입니다2. 따라서 위와 같은 문제를 해결하기 위해 AS(Active Suspension)3,4, ESP(Electronic Stability Program)5, 다이나믹 크루즈 컨트롤(Dynamic Cruise Control)6, ASC(Active Steering Control)7, 스태빌라이저 바 사용8 등 다양한 방법이 제안되었습니다. 이들 방법 중 타이어 횡력의 포화 문제는 항상 우려되는 부분이다. 예를 들어, 다이렉트 요 제어(DYC)9는 추가 요 모멘트를 생성하여 다른 바퀴의 종방향 힘을 조정하여 허브 모터가 장착된 차량의 안정성을 향상시킵니다. Zhang et al.10은 DYC와 AFC 방법을 결합하여 필요한 힘을 더욱 보완하여 안정성 제어를 실현했습니다. Mirzaei와 Mirzaeinejad11은 전방 각도를 최적화하기 위해 다중 변수 지향 컨트롤러를 설계했습니다. Liang et al.12는 조향 시 4WD 차량의 안정성을 보장하기 위해 페널티 함수를 사용하여 AFS와 DYC의 가중치를 할당했습니다. 이러한 방법은 차량의 안정성을 효과적으로 향상시키지만 이 두 가지 제어 방법의 조정에 대해서는 추가 논의가 필요합니다.

최근에는 빠른 제어 응답과 제어 타당성이 자동차 연구자들로부터 더 많은 관심을 받고 있습니다. 예를 들어, 계층적 제어는 속도와 정확성 제어를 추구하기 위해 원래 13, 14에서 제안되었습니다. 상위 DYC 컨트롤러에서는 추가 요 모멘트가 기준 동작과 함께 제공됩니다. 하위 계층에서는 에너지 경제13, 측면 안정성15,16, 특정 규칙에 따른 도로 응집력 최적화17,18 및 동력 전달 최적화19를 포함한 여러 목표가 토크를 4개의 개별 실행기에 분배하도록 최적화됩니다. 제어 알고리즘의 경우 횡력을 최적화하기 위해 퍼지 비례 적분 제어기20,21가 널리 사용되었지만 기존 PID는 차량 안정성에 미치는 영향이 제한적이었습니다. 참고문헌 22와 23에서는 차량의 종방향 및 횡방향 안정성을 보장하기 위해 슬라이딩 모드 제어(SMC)가 사용되었습니다. 그러나 SMC의 단점은 일시적인 버피팅을 없애기가 어렵다는 것입니다. 최근에는 인공지능의 발달로 전통적인 제어 전략에서 최적화 접근법이 고려되고 있다. Martinsen et al.24는 강화 학습(RL) 알고리즘을 사용하여 참조 궤적을 추적하고 측면 안정성을 보장했습니다. Wang et al.25은 RL 최적화에서 심층 결정론적 정책 그라데이션 알고리즘을 사용하여 SMC 매개변수를 조정했습니다. 마찬가지로, 26에서는 RL 방식을 사용하여 PID 컨트롤러 매개변수를 조정했습니다. Wei et al.27,28은 차량 안전성과 에너지 활용 효율성을 결합한 Deep RL 기반의 토크 조정 제어 전략을 제안했으며, 이후 시뮬레이션을 통해 이 전략의 유효성을 입증했습니다. 그러나 RL 접근 방식은 계산 오버헤드가 증가하기 때문에 온라인 작업에는 적합하지 않습니다. 따라서 실시간 실행 및 다중 제약 조건에 대해 MPC(모드 예측 제어)29,30,31,32,33라는 보다 실현 가능한 방법이 고려되었습니다. 문헌34은 호환성을 위해 AFS, 차동 제동(DB) 및 4WD를 MPC에 통합했으며 MATLAB과 CarSim의 공동 시뮬레이션을 통해 전략의 효율성을 입증했습니다. 측면 안정성 성능을 최적화하기 위해 MPC 방법이 널리 사용되지만 필요한 요 모멘트는 여전히 기준 측면 미끄러짐 각도(β)와 요율(Ω)로부터 생성됩니다. 따라서 요(yaw) 안정성 제어와 철저한 토크 조화 관리를 위해서는 이 두 가지 요소의 균형을 어떻게 맞추느냐가 중요하며, 특히 고속이나 낮은 접착력과 같은 극한 상황에서는 더욱 그렇습니다.