考慮駕駛風(fēng)格與路面影響的制動(dòng)能量回收策略

【摘要】為了增強(qiáng)車(chē)輛制動(dòng)能量回收效率和保持制動(dòng)穩(wěn)定性，提出了一種綜合考量駕駛員風(fēng)格和路面附著特性的能量回收方法。首先，根據(jù)不同駕駛員數(shù)據(jù)提取駕駛風(fēng)格特征參數(shù)，基于支持向量機(jī)（SVM）訓(xùn)練駕駛風(fēng)格辨識(shí)模型；然后，通過(guò)U-Net網(wǎng)絡(luò)對(duì)路面圖像進(jìn)行預(yù)處理，并使用輕量級(jí)網(wǎng)絡(luò)MobileNet V3訓(xùn)練路面高效辨識(shí)模型；最后，結(jié)合駕駛風(fēng)格與路面辨識(shí)結(jié)果，對(duì)車(chē)輛前、后軸制動(dòng)力的變比值進(jìn)行分配，提出一種考慮駕駛風(fēng)格與路面附著條件權(quán)重來(lái)確定再生制動(dòng)力的方法，并在此基礎(chǔ)上完成制動(dòng)能量回收策略制定。仿真結(jié)果表明：對(duì)于不同路面，制動(dòng)效能與制動(dòng)穩(wěn)定性明顯提升；在WLTC與NEDC循環(huán)工況中，電池SOC分別提高了2.13百分點(diǎn)、1.02百分點(diǎn)，使整車(chē)制動(dòng)穩(wěn)定性與經(jīng)濟(jì)性得到進(jìn)一步提升。

主題詞：電動(dòng)汽車(chē) 能量回收策略 駕駛風(fēng)格 路面附著系數(shù)

中圖分類(lèi)號(hào)：U469.72；TH113.2" "文獻(xiàn)標(biāo)志碼：A" " DOI： 10.19620/j.cnki.1000-3703.20240193

Braking Energy Recovery Strategy Considering Driving Styles and Road Surfaces

Zhang Bingzhan1，2， Bian Boqian1， Yang Ziheng1， Zhao Xiaomin1， Qiu Mingming3

（1. Hefei University of Technology， Hefei 230000; 2. AnHui Key Laboratory of Digit Design and Manufacture， Hefei University of Technology， Hefei 230001; 3. National and Local Joint Engineering Research Center of Automotive Technology and Equipment， Hefei 230009）

【Abstract】In order to enhance the vehicle braking energy recovery efficiency and maintain braking stability， this paper proposes a comprehensive energy recovery method that takes the drivers’ styles and road adhesion characteristics into account. Firstly， the driving style feature parameters are extracted from different drivers’ data， and the driving style recognition model is trained based on the Support Vector Machine （SVM）. Then， the road images are preprocessed using the U-Net network， and the lightweight network MobileNet V3 is trained to recognize the road surface efficiently. Finally， combined with the recognition results of driving styles and road surfaces， the variable ratio of braking force of the front and rear axles of the vehicle is allocated， and a method is proposed to determine the regenerative braking force considering the weight of driving styles and road adhesion conditions， the braking energy recovery strategy is formulated on this basis. The simulation results show that the braking efficiency and stability are significantly improved for different road surfaces; the SOC of the battery is improved by 2.13 percentage points and 1.02 percentage points in the WLTC and NEDC cycle conditions respectively， further improving the overall braking stability and economy of vehicles.

Key words： Electric vehicle（EV）， Energy recovery strategy， Driving style， Road adhesion coefficient

1 前言

制動(dòng)能量回收是提升電動(dòng)汽車(chē)?yán)m(xù)駛里程的關(guān)鍵技術(shù)，在增強(qiáng)能源回收效率、保障制動(dòng)系統(tǒng)穩(wěn)定性以及優(yōu)化駕乘舒適度方面發(fā)揮重要作用，對(duì)于電動(dòng)汽車(chē)綠色、高效發(fā)展具有重要意義[1-2]。

對(duì)于考慮車(chē)輛行駛路面或行駛工況方面，Chen等根據(jù)路面附著條件對(duì)再生制動(dòng)過(guò)程的影響，提出了基于實(shí)時(shí)評(píng)估路面附著系數(shù)的制動(dòng)力分配方法，確保各路面條件下均能達(dá)到較好的制動(dòng)性能與能量回收率，但未考慮駕駛員行為對(duì)再生制動(dòng)過(guò)程的影響，且路面附著識(shí)別效果依賴(lài)于路面觀測(cè)器的設(shè)計(jì)[3-4]。李波[5]等通過(guò)考慮不同路面附著條件，選擇能量回收、穩(wěn)定性等目標(biāo)進(jìn)行優(yōu)化，提升了策略在高、低附著路面的適用性，但在實(shí)際復(fù)雜路況中應(yīng)用的局限性較大。

對(duì)于考慮電池、電機(jī)等車(chē)輛狀態(tài)方面，Zheng等基于模糊算法的電機(jī)制動(dòng)力校正策略，在不同車(chē)速與制動(dòng)強(qiáng)度條件下合理分配制動(dòng)力，提升了電池壽命，但該算法更多依賴(lài)于專(zhuān)家經(jīng)驗(yàn)與規(guī)則集的構(gòu)建[6-7]。Pei等以能量回收率和制動(dòng)安全性為目標(biāo)，制定了制動(dòng)轉(zhuǎn)矩分配策略，但未考慮環(huán)境因素影響[8-9]。

對(duì)于考慮駕駛行為、環(huán)境等綜合因素方面，Xu[10]等設(shè)計(jì)了一種制動(dòng)力預(yù)分配策略，在提升能量回收的同時(shí)，保證了車(chē)輛穩(wěn)定和乘客舒適，但針對(duì)駕駛員的制動(dòng)意圖識(shí)別未考慮駕駛風(fēng)格的變化，未考慮不同路況和系統(tǒng)復(fù)雜性的影響。Qiu[11]等根據(jù)車(chē)輛的再生制動(dòng)系統(tǒng)，提出了一種綜合考慮駕駛風(fēng)格與行駛工況耦合影響的控制策略，但該策略未涉及不同路面附著條件下的駕駛情況。

鑒于實(shí)際駕駛環(huán)境復(fù)雜多變，當(dāng)前研究大多數(shù)只考慮路面工況、駕駛行為或車(chē)輛狀態(tài)等單一因素，本文綜合考慮駕駛風(fēng)格、路面附著條件、車(chē)速、制動(dòng)強(qiáng)度、電池荷電狀態(tài)（State Of Charge，SOC）等因素的影響，提出了一種創(chuàng)新的制動(dòng)能量回收策略，并通過(guò)不同循環(huán)工況的仿真測(cè)試，驗(yàn)證該策略的有效性。

2 駕駛風(fēng)格辨識(shí)

2.1 駕駛風(fēng)格數(shù)據(jù)采集

本文通過(guò)駕駛員在環(huán)試驗(yàn)，實(shí)時(shí)采集車(chē)速、制動(dòng)踏板行程、加速踏板行程等數(shù)據(jù)。該試驗(yàn)平臺(tái)由駕駛模擬設(shè)備、模擬駕駛軟件、STM32單片機(jī)及上位機(jī)軟件組成。通過(guò)城市汽車(chē)駕駛（City Car Driving）軟件，設(shè)置城市工況，選取3種駕駛風(fēng)格的64位駕駛員，包含冷靜型（Calm）、普通型（Normal）和激進(jìn)型（Aggressive），共采集302組數(shù)據(jù)。

為了表征不同的駕駛風(fēng)格，選取平均車(chē)速、車(chē)速標(biāo)準(zhǔn)差、加速度平均值等16個(gè)特征參數(shù)，經(jīng)過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理后，駕駛風(fēng)格特征參數(shù)如表1所示。

2.2 駕駛風(fēng)格識(shí)別網(wǎng)絡(luò)訓(xùn)練

將駕駛風(fēng)格的標(biāo)準(zhǔn)化特征參數(shù)作為輸入、駕駛風(fēng)格類(lèi)型作為輸出，使用支持向量機(jī)（Support Vector Machine，SVM）對(duì)駕駛風(fēng)格識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，110組測(cè)試集數(shù)據(jù)結(jié)果如圖1所示。

由圖1可知，3種駕駛風(fēng)格準(zhǔn)確識(shí)別的樣例為104個(gè)，即駕駛風(fēng)格辨識(shí)模型的測(cè)試準(zhǔn)確率能夠達(dá)到94.5%。因此，該模型可以準(zhǔn)確進(jìn)行駕駛風(fēng)格的辨識(shí)。

3 基于機(jī)器視覺(jué)的路面類(lèi)型識(shí)別

通過(guò)車(chē)輛配置攝像頭獲取路面信息，結(jié)合深度學(xué)習(xí)在圖像處理領(lǐng)域的優(yōu)勢(shì)，獲得較好的路面識(shí)別效果并及時(shí)調(diào)整控制策略，從而提高車(chē)輛對(duì)不同路況的適應(yīng)性及面對(duì)突發(fā)情況的響應(yīng)能力。

3.1 路面圖像數(shù)據(jù)集

本文使用Cityscapes[12]、Oxford Radar RobotCar[13]、KITTI[14]等開(kāi)源數(shù)據(jù)集與自建數(shù)據(jù)集，包括干瀝青、濕瀝青和冰路面3種路面類(lèi)型。其中，不同路面類(lèi)型各1 200張、共3 600張圖像作為路面分類(lèi)網(wǎng)絡(luò)的數(shù)據(jù)集，訓(xùn)練集、驗(yàn)證集和測(cè)試數(shù)據(jù)集的比例為6∶1∶1。為了提高模型的適應(yīng)性，自建數(shù)據(jù)主要為不同時(shí)段、多種環(huán)境的路面圖像，如圖2所示。

3.2 路面圖像預(yù)處理

由于車(chē)輛前視攝像頭拍攝的路面圖像包含了大量的非路面信息，場(chǎng)景較復(fù)雜。若使用原始圖像進(jìn)行網(wǎng)絡(luò)訓(xùn)練，極易影響路面識(shí)別的準(zhǔn)確度與效率。因此，本文使用U-Net網(wǎng)絡(luò)對(duì)圖像進(jìn)行語(yǔ)義分割，同時(shí)提高預(yù)處理實(shí)時(shí)性。

在預(yù)處理階段，采用Cityscapes數(shù)據(jù)集訓(xùn)練語(yǔ)義分割網(wǎng)絡(luò)，該數(shù)據(jù)集主要包含19種語(yǔ)義類(lèi)別，共5 000張圖片。使用PyTorch搭建U-Net網(wǎng)絡(luò)，并選擇平均交并比（Mean Intersection over Union，MIoU）作為語(yǔ)義分割網(wǎng)絡(luò)的性能評(píng)價(jià)指標(biāo)。損失函數(shù)驗(yàn)證集MIoU曲線如圖3所示，訓(xùn)練集損失函數(shù)約在0.06處收斂，驗(yàn)證集約為0.09處收斂；驗(yàn)證集MIoU值呈上升趨勢(shì)，任務(wù)結(jié)束時(shí)，MIoU達(dá)到63%，表明U-Net模型在語(yǔ)義分割任務(wù)上有相對(duì)較高的精確度。

最后，對(duì)語(yǔ)義圖像進(jìn)行掩膜（Mask）處理，結(jié)果如圖4所示，經(jīng)過(guò)路面圖像預(yù)處理可剔除背景信息，提取有效的路面區(qū)域。

3.3 路面分類(lèi)網(wǎng)絡(luò)訓(xùn)練

鑒于預(yù)處理后的路面圖像不包含復(fù)雜信息，為了提高整體識(shí)別效率，采用輕量級(jí)MobileNetV3網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)別任務(wù)，測(cè)試結(jié)果如圖5所示。在第200次迭代后，訓(xùn)練集與驗(yàn)證集的損失趨于穩(wěn)定，且驗(yàn)證集損失函數(shù)在0.023 2處收斂。

為了最終評(píng)估所訓(xùn)練的路面分類(lèi)網(wǎng)絡(luò)的有效性，使用測(cè)試集對(duì)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率進(jìn)行測(cè)試。測(cè)試集共600張圖像，干瀝青、濕瀝青和冰路面圖像各200張。最終的測(cè)試混淆矩陣如圖6所示，測(cè)試集中共有571張圖像識(shí)別正確，平均準(zhǔn)確率約為95.2%。

4 制動(dòng)能量回收策略

4.1 策略制定

本文將前輪驅(qū)動(dòng)的純電動(dòng)汽車(chē)作為研究對(duì)象，以電池SOC和制動(dòng)強(qiáng)度作為區(qū)分機(jī)械制動(dòng)、復(fù)合制動(dòng)的標(biāo)準(zhǔn)，結(jié)合駕駛風(fēng)格與路面的辨識(shí)結(jié)果，制定制動(dòng)能量回收策略。車(chē)輛主要參數(shù)如表2所示。

當(dāng)車(chē)輛的SOCgt;80%時(shí)，為了保持電池的使用壽命，不宜進(jìn)行再生制動(dòng)，需采用純機(jī)械制動(dòng)模式；當(dāng)制動(dòng)強(qiáng)度zgt;0.7時(shí)，判定車(chē)輛正在進(jìn)行緊急制動(dòng)，考慮制動(dòng)穩(wěn)定性，需采用純機(jī)械制動(dòng)模式；當(dāng)電池SOC≤80%且處于非緊急制動(dòng)時(shí)，需采用混合制動(dòng)。通過(guò)考慮路面類(lèi)型與駕駛風(fēng)格識(shí)別結(jié)果確定分配系數(shù)β與再生制動(dòng)力修正因子γ，在制動(dòng)過(guò)程中實(shí)時(shí)調(diào)整策略，提高車(chē)輛對(duì)各種駕駛條件的適應(yīng)性。

4.2 Burckhardt輪胎模型

本文選用Burckhardt輪胎模型[15]，其表達(dá)式為：

[μλ=c11-e-c2λ-c3λλ=v-ωRv] （1）

式中：c1、c2、c3為路面附著條件參數(shù)，μ（λ）為輪胎滑移率λ對(duì)應(yīng)的利用附著系數(shù)，v為縱向車(chē)速，ω為車(chē)輪角速度，R為車(chē)輪半徑。

3種典型路面條件下，模型參數(shù)如表3所示。

表3 Burckhardt模型參數(shù)

[路面類(lèi)型 c1 c2 c3 干瀝青 1.280 23.990 0.520 濕瀝青 0.857 33.822 0.347 冰路面 0.050 306.390 0 ]

4.3 考慮路面條件的制動(dòng)力變比值分配

通過(guò)不同路面附著條件，優(yōu)化車(chē)輛制動(dòng)力分配系數(shù)β，保持車(chē)輛的制動(dòng)穩(wěn)定性。其中，制動(dòng)力變比值優(yōu)化分配應(yīng)保證車(chē)輛的前、后輪在制動(dòng)時(shí)滑移率降至最低，最大限度地發(fā)揮輪胎與路面的附著作用，同時(shí)，使后輪的滑移率始終低于前輪。

分析Burckhardt輪胎模型與輪胎縱向制動(dòng)力，可將制動(dòng)力變比值優(yōu)化分配問(wèn)題視為有約束條件的非線性多變量函數(shù)，其數(shù)學(xué)模型為：

[minf=λ21+λ22s.t.λ2lt;λ1FX b1+FX b2=mzg0≤λ1≤10≤λ2≤1FX b1=μ1λ1·Fz1FX b2=μ2λ2·Fz2] （2）

式中：Fz1、Fz2分別為地面對(duì)車(chē)輛前、后輪的法向作用力，F(xiàn)X b1、FX b2分別為前、后輪受到的地面制動(dòng)力，μ1（λ1）、μ2（λ2）分別為前輪、后輪滑移率的利用附著系數(shù)，m為車(chē)輛總質(zhì)量，z為制動(dòng)強(qiáng)度，g為重力加速度，b為車(chē)輛質(zhì)心到后軸的距離。

結(jié)合ECE法規(guī)約束[16]與輪胎縱向制動(dòng)力，約束條件為：

[β≤z2hg+zb+0.07hg+0.07b0.85zLβ≥1--z2hg+za-0.07hg+0.07a0.85zLβ≥zhg+bL] （3）

式中：hg為車(chē)輛質(zhì)心的高度，a為車(chē)輛質(zhì)心到前軸的距離，L為車(chē)輛軸距。

采用MATLAB的fmincon函數(shù)聯(lián)合約束式（2）、式（3）對(duì)目標(biāo)函數(shù)進(jìn)行求解，得到不同路面、不同制動(dòng)強(qiáng)度時(shí)滑移率的最優(yōu)值，進(jìn)而計(jì)算最優(yōu)分配系數(shù)β，結(jié)果如圖8所示。相同制動(dòng)強(qiáng)度下，附著條件較好的路面，其分配系數(shù)越大；冰路面條件下，分配系數(shù)主要取決于ECE法規(guī)約束。

4.4 考慮駕駛風(fēng)格與路面附著條件的再生制動(dòng)力修正

相同工況下，駕駛員的駕駛風(fēng)格越激烈，駕駛循環(huán)內(nèi)的平均制動(dòng)踏板行程越大；相反，平均制動(dòng)踏板行程越小。因此，本文通過(guò)駕駛循環(huán)內(nèi)平均制動(dòng)踏板行程反映駕駛員的駕駛風(fēng)格，駕駛風(fēng)格的再生制動(dòng)力修正因子為：

[αi=FmaxFGen，max，" " i=1， 2， 3] （4）

式中：Fmax為當(dāng)前行駛條件對(duì)應(yīng)的最大再生制動(dòng)力，F(xiàn)Gen，max為電機(jī)提供的最大再生制動(dòng)力，i=1， 2， 3分別為冷靜型、普通型與激進(jìn)型駕駛風(fēng)格。

再生制動(dòng)力修正因子確定的原則為：駕駛風(fēng)格的激進(jìn)程度越高，更注重汽車(chē)制動(dòng)穩(wěn)定性，相應(yīng)地減少電機(jī)參與制動(dòng)的程度；相反，電機(jī)參與制動(dòng)的程度應(yīng)增加。對(duì)采集的平均制動(dòng)踏板行程進(jìn)行柯?tīng)柲陕宸?斯米洛夫（Kolmogorov-Smirnov，KS）檢驗(yàn)，樣本均符合正態(tài)分布。將樣本滿足的一般正態(tài)分布轉(zhuǎn)化為標(biāo)準(zhǔn)正態(tài)分布，并選取80%的置信區(qū)間，確定各駕駛風(fēng)格的平均制動(dòng)踏板行程范圍。最后，將3種駕駛風(fēng)格的平均制動(dòng)踏板行程進(jìn)行區(qū)間端點(diǎn)統(tǒng)一并進(jìn)行[0，1]區(qū)間標(biāo)準(zhǔn)化，得到不同駕駛風(fēng)格修正因子的范圍：冷靜型駕駛風(fēng)格區(qū)間為0.773lt;α1≤1，普通型駕駛風(fēng)格區(qū)間為0.364lt;α2≤0.773，激進(jìn)型駕駛風(fēng)格區(qū)間為0lt;α3≤0.364。

由于路面附著條件對(duì)電機(jī)參與制動(dòng)的程度也存在較大影響，所以需考慮路面附著條件進(jìn)一步確定修正因子。在高附著路面時(shí)，電機(jī)頻繁參與制動(dòng)可提高能量回收，提升車(chē)輛經(jīng)濟(jì)性；在低附著路面時(shí)，更加注重車(chē)輛的制動(dòng)穩(wěn)定性與安全性，需要限制再生制動(dòng)。

參考GB/T 33195—2016《道路交通事故車(chē)輛速度鑒定》[17]的汽車(chē)滑動(dòng)附著系數(shù)參考值表，設(shè)置當(dāng)前路面的平均附著系數(shù)[μi=μleft+μright2]，其中i=1， 2， 3分別為干瀝青、濕瀝青和冰路面，μleft、μright分別為附著系數(shù)的下限和上限。不同路面類(lèi)型的附著系數(shù)如表4所示。

因此，本文設(shè)定在干瀝青路面，電機(jī)可以最大程度參與制動(dòng)，最終的修正因子為：

[γi=μiμ1αi，right-αi，left+αi，left，" " i=1， 2， 3] （5）

式中：αi，left、αi，right為修正因子αi的左、右端點(diǎn)，i=1， 2， 3分別為干瀝青、濕瀝青和冰路面，μ1為干瀝青路面對(duì)應(yīng)的平均附著系數(shù)。

5 仿真驗(yàn)證

通過(guò)Simulink與Cruise聯(lián)合仿真進(jìn)一步證明本文策略的有效性，將路面類(lèi)型作為已知條件，在干瀝青、濕瀝青與冰路面條件下，先進(jìn)行制動(dòng)工況仿真，驗(yàn)證考慮附著條件的變比值分配策略的合理性；再根據(jù)循環(huán)工況仿真，將車(chē)速跟蹤、電池SOC變化曲線及電機(jī)參與制動(dòng)程度作為評(píng)價(jià)指標(biāo)。

5.1 制動(dòng)工況

設(shè)置車(chē)輛初始速度為80 km/h，在保證車(chē)輪不發(fā)生抱死的情況下，分別在3種不同路面條件下進(jìn)行仿真，制動(dòng)距離結(jié)果見(jiàn)表5，車(chē)輪滑移率結(jié)果如圖9所示。

試驗(yàn)結(jié)果表明：在多種路面條件下，當(dāng)車(chē)輛執(zhí)行常規(guī)制動(dòng)且避免車(chē)輪抱死，相較于傳統(tǒng)的固定比值分配方法，采用優(yōu)化制動(dòng)力分配方法可使后輪的滑移率顯著下降，從而產(chǎn)生較大的橫向反作用力，有利于增強(qiáng)車(chē)輛制動(dòng)的穩(wěn)定性，表現(xiàn)出更優(yōu)越的制動(dòng)效能。

5.2 循環(huán)工況

對(duì)于全球輕型汽車(chē)測(cè)試循環(huán)（World Light Vehicle Test Cycle，WLTC）工況和新歐洲循環(huán)周期（New European Driving Cycle，NEDC）工況的仿真結(jié)果如表6所示。

由表6可知，在兩種循環(huán)工況中，本文控制策略均能夠精準(zhǔn)地跟隨目標(biāo)車(chē)速。在駕駛風(fēng)格識(shí)別測(cè)試中，駕駛員行為多傾向于冷靜型和普通型。在干燥瀝青路面與濕滑瀝青路面條件下，通過(guò)對(duì)比WLTC與NEDC兩種工況下的再生制動(dòng)力變化曲線，當(dāng)路面條件由干燥轉(zhuǎn)為濕滑時(shí)，能量回收的效率將下降。主要源于濕滑路面的附著條件限制了電機(jī)參與制動(dòng)程度，迫使制動(dòng)系統(tǒng)更依賴(lài)傳統(tǒng)液壓制動(dòng)機(jī)制。該過(guò)程使車(chē)輛在附著條件較差的路面能夠增強(qiáng)車(chē)輛的穩(wěn)定性及制動(dòng)性。

通過(guò)在干燥瀝青路面條件下，對(duì)比本文策略與目前廣泛采用的基于車(chē)速和制動(dòng)強(qiáng)度策略、固定比值策略的電池荷電狀態(tài)與電機(jī)再生制動(dòng)力變化，結(jié)果如表7所示。在良好的路面附著條件下，駕駛員呈現(xiàn)冷靜型或普通型駕駛風(fēng)格時(shí)，電機(jī)在制動(dòng)過(guò)程的平均參與度較高。相較于其他策略，本文策略更加重視經(jīng)濟(jì)性，節(jié)能效果優(yōu)勢(shì)明顯。在WLTC和NEDC兩種不同的工況結(jié)束時(shí)，相比于傳統(tǒng)固定比值策略，電池SOC分別提高2.13百分點(diǎn)和1.02百分點(diǎn)。

6 結(jié)束語(yǔ)

本文針對(duì)前驅(qū)純電動(dòng)汽車(chē)的制動(dòng)能量回收策略進(jìn)行了深入研究，通過(guò)優(yōu)化制動(dòng)力分配策略，并綜合考慮駕駛員風(fēng)格與路面附著條件兩個(gè)關(guān)鍵影響因素對(duì)再生制動(dòng)力進(jìn)行修正。仿真結(jié)果表明：本文策略相較于其他常用策略，在制動(dòng)距離和穩(wěn)定性方面有顯著優(yōu)勢(shì)，且可以實(shí)現(xiàn)更高的能量回收率。

從純電動(dòng)汽車(chē)節(jié)能與制動(dòng)性能角度出發(fā)，本文策略有效提高了能量利用率，增加了汽車(chē)?yán)m(xù)駛里程，當(dāng)車(chē)輛處于挑戰(zhàn)性的道路環(huán)境或激進(jìn)駕駛時(shí)，仍能夠保持良好的制動(dòng)表現(xiàn)。

參 考 文 獻(xiàn)

[1] ZHAO F Q， LIU X L， ZHANG H Y， et al. Automobile Industry under China’s Carbon Peaking and Carbon Neutrality Goals： Challenges， Opportunities， and Coping Strategies[J]. Journal of Advanced Transportation， 2022（1）： 1-13.

[2] 馬建， 李學(xué)博， 趙軒， 等. 電動(dòng)汽車(chē)復(fù)合制動(dòng)控制研究現(xiàn)狀綜述[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（11）： 271-294.

MA J， LI X B， ZHAO X， et al. Electric Cars Composite Braking Control Research Status Review[J]. China Journal of Highway and Transport， 2022， 35（11）： 271-294.

[3] CHEN Q P， LV Z Y， XU W H， et al. Regenerative Braking Control Strategy Based on Pavement Recognition Controller for Electric Vehicle[J]. Energy Technology， 2023， 11（10）： 2194-4288.

[4] SPICHARTZ P， SOURKOUNIS C. Brake Force Distributions Optimised with Regard to Energy Recovery for Electric Vehicles with Single Front-Wheel Drive or Rear-Wheel Drive[J]. IET Electrical Systems in Transportation， 2019， 9（4）： 186-195.

[5] 李波， 潘盼， 沈海燕， 等. 智能分布式驅(qū)動(dòng)汽車(chē)路徑跟蹤/制動(dòng)能量回收協(xié)同控制策略研究[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（7）： 292-304.

LI B， PAN P， SHEN H Y， et al. Research on Path Tracking/Braking Energy Recovery Collaborative Control Strategy of Intelligent Distributed Drive Vehicle[J]. China Journal of Highway and Transport， 2022， 35（7）： 292-304.

[6] ZHENG Z A， LIANG C， LV H M， et al. Research on Composite Braking Mode Switching Strategy Based on Fuzzy Algorithm[J]. Advanced Theory and Simulations， 2022， 6（2）.

[7] 常九健， 張煜帆. 基于EMB的純電動(dòng)汽車(chē)制動(dòng)能量回收優(yōu)化控制策略研究[J]. 汽車(chē)工程， 2022， 44（1）： 64-72.

CHANG J J， ZHANG Y F. Pure Electric Vehicle Braking Energy Recovery Based on EMB Optimization Control Strategy Research[J]. Automotive Engineering， 2022， 44（1）： 64-72.

[8] Pei X， Pan H， Chen Z， et al. Coordinated Control Strategy of Electro-Hydraulic Braking for Energy Regeneration[J]. Control Engineering Practice， 2020， 96（6）.

[9] 王偉， 曲輔凡， 楊鈁， 等. 基于NSGA-II算法的分布式驅(qū)動(dòng)電動(dòng)汽車(chē)制動(dòng)轉(zhuǎn)矩分配控制策略研究[J]. 汽車(chē)技術(shù)， 2024（5）： 22-30.

WANG W， QU F F， YANG F， et al. Research on Braking Torque Distribution Control Strategy of Distributed Drive Electric Vehicle Based on NSGA-II Algorithm[J]. Automotive Technology， 2024（5）： 22-30.

[10] XU S W， ZHAO X， YANG N X， et al. Control Strategy of Braking Energy Recovery for Range-Extended Electric Commercial Vehicles by Considering Braking Intention Recognition and Electropneumatic Braking Compensation[J]. Energy Technology， 2020， 8（9）.

[11] QIU M， YU W， WANG L， et al. A Regenerative Braking Control Strategy for ICVs Considering the Coupling Effect of Driving Conditions and Driving Styles[J]. IEEE Transactions on Vehicular Technology， 2023， 72（6）： 7195-7210.

[12] CORDT M， OMRAN M， RAMOS S， et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA： IEEE， 2016： 3213-3223.

[13] BARNES D， GADD M， MURCUTT P， et al. The Oxford Radar Robotcar Dataset： A Radar Extension to the Oxford Robotcar Dataset[C]// Proceedings of 2020 IEEE International Conference on Robotics and Automation （ICRA）. Paris， France： IEEE， 2020： 6433-6438．

[14] GEIGER A， LENZ P， STILLER C， et al. Vision Meets Robotic： The Kitti Dataset[J]. International Journal of Robotics Research， 2013， 32（11）： 1231–1237.

[15] BURCKHARDT M， FAHRWERK T. Fahrwerktechnik， Radschlupf-Regelsysteme[M]. Wurtzburg： Vogel-Verlag， 1993.

[16] Ghana Standards Authority. Uniform Provisions Concerning the Approval of Vehicles of Categories M，N and O with Regard to Braking[S]. Ghana： Ghana Standards Authority， 2019.

[17] 全國(guó)道路交通管理標(biāo)準(zhǔn)化技術(shù)委員會(huì). 道路交通事故車(chē)輛速度鑒定： GB/T 33195—2016[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2016.

Traffic Management. GB/T 33195—2016 Identification for the Speed of Vehicle Involved in Road Traffic Accident[S]. Beijing： Standards Press of China， 2016.

（責(zé)任編輯 瑞 秋）

*基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（52472404）；中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金項(xiàng)目（PA2023GDSK0065）；蕪湖市科技計(jì)劃項(xiàng)目（2023jc-04）。