自動駕駛汽車動力總成MAS集成控制及工作效率分析

楊慧榮

關鍵詞：自動駕駛汽車；動力總成；多智能體；集成控制

中圖分類號：U469.7；TP18 文獻標識碼：A

0引言

動力總成控制系統屬于自動駕駛汽車的一項核心組成部分，能夠在滿足駕駛性能需求的前提下，調控發動機和電機／電池組獲得更優動力輸出效果。現階段，自動駕駛汽車（AV）所采用的動力總成控制方案包括基于優化與規則兩種形式。通過結合優化算法和人工智能技術的方式，可以實現瞬時優化與全局調控的效果，還可以進一步提升人工智能的智能程度與高度的實時控制效果，這也成為AV動力總成控制的關鍵方式與重點研究內容。吳劍等根據等效油耗最低原理進行離線仿真測試獲得AV能量瞬時最優集，再以此組成訓練樣本訓練反向傳播神經網絡，從而確定神經網絡能量管理方案，能夠有效復現等效油耗控制效果，同時增強算法實時性。

多智能體系統（MAS）屬于分布式人工智能分支，可以通過單個智能體控制方式與MAS交互、協調的方式實現復雜問題的求解分析。當前，多智能體已被應用于眾多領域，在智能設計、充電調節、數據分析與融合、城市路網規劃等領域都起到了重要作用，在條件優化、子系統協同等方面也具有顯著優勢。但以多智能體和優化算法相結合的方式來研究AV動力總成控制策略的內容較少。

本文通過構建等效燃油消耗模型，設計了一種AV動力總成多智能體集成控制方案，加入電輔助控制方式作為對比，對各工況條件下的車輛動力控制性能、排放量與油耗進行分析。

1 MAS體系結構

采用并聯AV結構作為研究車型，其中，發動機和控制單元（ECU）、控制單元（MCU）與蓄電池控制系統（BMS）都保持獨立的物理結構。為AV動力總成建立MAS系統，如圖1所示，可以看到組成AV動力系統的MAS系統，系統層中存在系統Agent，通過動力總成任務的分解與算法優化過程實現動力初步響應控制，由此建立Agent信息交互與協作關系；發動機與ECU、電機與MCU以及蓄電池與BMS都位于執行層，實現工況數據的采集，并完成部件Agent動力指令。

2 MAS集成控制策略

MAS集成控制策略是一種根據工作效率與運行工況對初級動力請求進行響應的過程，其通過部件Agent來實現，跟其余部件Agent之間進行交互協調獲得動力響應控制指令。圖2為MAS集成控制策略控制流程。

要求油耗與排放指標滿足當前國際排放標準，電池目標效率則根據蓄電池充放電曲線確定。隨著蓄電池荷電狀態（state of charge，SOC）值提高，充電效率呈現持續降低的趨勢，但放電效率發生了相反的變化。當SOC介于0.4～0.6時，可以獲得較高充放電效率，為獲得更優的協調性能，需要在提升充放電效率的同時，降低能量損耗程度。此時需要盡量保障電池運行于中間SOC階段，根據以上分析結果可以將電池目標效率設定在0.95，得到表1中各性能參數。

3控制策略仿真分析

3.1整車仿真模型

整車仿真測試得到的相關參數如表2所示。把MAS集成控制策略加入ADVISOR整車模型中，得到的結果如圖3所示。所有部件Agent都跟動力部件進行連接，利用MAS集成控制策略獲得最優發動機輸出參數與電機轉矩，同時控制蓄電池達到最優輸出功率，再將結果傳輸至執行部件控制單元中，由此實現AV動力總成分配與集成控制的過程。

3.2工作效率仿真分析

進行新歐洲駕駛周期（new European driving cycle，NEDC）仿真時，依次對MAS集成控制與電輔助控制下的發動機與電動機效率開展仿真測試，由此判斷不同控制方案的性能差異。圖4和圖5分別給出了在MAS集成控制下和在電輔助控制下的發動機與電機效率測試結果。

由圖4可以看出，采用MAS集成控制策略時，發動機運行于效率區間[0.04，0.14]內；采用電輔助控制策略時，發動機運行于效率區間[0.04，0.17]內。相較于電輔助控制，MAS集成控制策略的發動機運行效率更為穩定，尤其是300～800 s內呈現更規律的分布狀態，判斷此時電動機已經達到了穩定的工況狀態。如圖5所示，MAS集成控制和電輔助控制對電機效率的影響差異不明顯，MAS集成控制表現出稍微規律的分布狀態。從總體上對比發現，綜合發動機和電機效率控制精度方面，最大值從0.17控制到0.14，MAS集成控制相對電輔助控制在效率精度控制方面有所提高。

4結論

本文開展自動駕駛汽車動力總成MAS集成控制及工作效率分析，取得如下結果。

（1） MAS集成控制和電輔助控制電動機都形成了相近的工作點分布特點，800 s已經達到了穩定的工況。

（2）MAS集成控制發動機運行效率在區間