【滑模控制】从理论到实战（2）：FSAE牵引力控制系统（TCS）算法设计

---

前言

在【滑模控制】从理论到实战（1）：理论基础中，介绍了滑模控制器的设计步骤（基于趋近律设计）。
本文将开始进入实战，设计基于滑模控制的FSAE牵引力控制系统（TCS）。
以下内容将包括动力学建模、控制器设计，以及如何使用MATLAB进行公式推导。

牵引力控制系统：当车辆轮胎与地面的摩擦力不足，车轮容易失去牵引力，导致打滑现象。当车轮转速过快时，车辆无法有效地加速或保持稳定行驶。牵引力控制系统通过监测车轮转速并对失去牵引力的车轮进行干预，减少或避免打滑，帮助车辆稳定行驶，提高车辆在不同路况下的适应性和稳定性。

---

系统建模

忽略滚动阻力等较小外力的影响，对车轮进行受力分析：

有：

$$J\dot{\omega }=T_d-F_x{R}_e\text{\hspace{1em}(1)}$$

其中，$v_x$为车轮纵向速度，$J$为车轮转动惯量，$\omega$为车轮转速，$T_d$为驱动力矩（系统输入），$F_x$为地面对轮胎的纵向力，$R_e$为车轮等效半径。
为了描述车轮的滑转程度，定义在驱动下的滑移率$\lambda$为：

$$\lambda =\frac{\omega R_e-v_x}{v_x}=\frac{\omega R_e}{v_x}-1$$

轮胎纵向力与载荷、滑移率有着以下曲线关系（横轴为滑移率，纵轴为轮胎纵向力，不同颜色曲线对应不同载荷）：

如图所示，在一定载荷下，滑移率约在0.8~0.25的范围内达到最大的轮胎纵向力（牵引力），更大的滑移率反而会使牵引力下降。
在FSAE中，为了使赛车拥有最佳的加速性能，在加速过程中需要避免过大的驱动力使轮胎打滑，控制滑移率在特定范围内。

控制器设计

（1）滑模面与趋近律设计

牵引力控制系统的控制目标为控制滑移率到达某一目标值，以发挥出轮胎的最大纵向力。
定义误差为：

$$e={\lambda }_d-\lambda$$

注意到，误差的一阶导数显含控制输入$T_d$（详见下文MATLAB推导）。
故设滑模面为：

$$s=e$$

有：

$$\dot{s}={\dot{\lambda }}_d-\dot{\lambda }$$

路面条件和载荷一般不会剧烈变化，为了简化计算，可设${\dot{\lambda }}_d=0$，得：

$$\dot{s}=-\dot{\lambda }\text{\hspace{1em}(4)}$$

注意到此时$\dot{s}$可与控制输入$T_d$建立方程，可在设计趋近律后求解得控制律$T_d$。
设计趋近律为：

$$\dot{s}=-k_1\mathrm{sgn}(e)-k_{2}e\text{\hspace{1em}(5)}$$

（2）使用MATLAB进行公式推导

求解$\dot{\lambda }$：

syms m mu Re J
syms omega(t) vx(t)
lambda = omega*Re/vx - 1;

d_lambda = diff(lambda, t);

得：

$$\dot{\lambda }=\frac{R_e\omega }{v_x}-\frac{R_e\dot{\omega }{v}_x}{{v_x}^2}\text{\hspace{1em}(2)}$$

联立式(1)、式(2)消去$\dot{\omega }$：

syms T Fx x
equ1 = J*x == T - Fx*Re; % x == d_omega
d_omega = solve(equ1, x);

d_lambda1 = subs(d_lambda, diff(omega(t), t), d_omega);

得：

$$\dot{\lambda }=\frac{R_e\left(T-F_x{R}_e\right)}{J{v}_x}-\frac{R_e\omega {\dot{v}}_x}{{v_x}^2}\text{\hspace{1em}(3)}$$

联立式(3)-(5)求解控制律：

syms k1 k2 e
equ2 = -d_lambda1 == -k1*sign(e)-k2*e;
syms d_vx
equ2 = subs(equ2, diff(vx(t), t), d_vx); % 存在导数diff时求解会出错，将diff(vx(t), t)记为d_vx

u = solve(equ2, T);

得：

$$T_d=\frac{F_x{R_e}^2{v}_x+J{k}_1\mathrm{sgn}\left(e\right){v_x}^2+J{R}_e{\dot{v}}_x\omega +Je{k}_2{v_x}^2}{R_e{v}_x}\text{\hspace{1em}(6)}$$

注意到式(6)中还包含未知量$F_x$，$F_x$可通过魔术公式等轮胎模型得到较为准确的估计，但这在实车中对车辆状态的实时感知有很高的要求，而从上一篇理论基础中可感受到滑模控制鲁棒性之强大（可适应完全未知的$f(x)$），$F_x$可粗略地计算为：

$$F_x=\mu F_z$$

式中，$\mu$为路面附着系数，$F_z$为轮胎载荷，轮胎载荷也可进一步建模计算，此处不再展开。
或：

$$F_x=\xi m{A}_x$$

式中，$m$为整车质量，$A_x$为车辆的纵向加速度，$\xi$为将合力$F=m{A}_x$分配到目标驱动轮的系数，可结合具体情况分析。
在下文中将对比$F_x$的准确度对控制效果的影响。

（3）系统稳定性分析

联立式(3)(4)(6)反求$\dot{s}$：

d_error = -subs(d_lambda1, T, u);
d_error = -subs(d_error, d_vx, diff(vx(t), t));
d_error = simplify(d_error);
pretty(d_error)

得：

$$\dot{s}=-k_1\mathrm{sgn}(e)-k_{2}e$$

其实就是先前设计得趋近律。
设李雅普诺夫函数$V(s)=\frac{1}{2}{s}^2$，有$\dot{V}(s)=s\dot{s}$，显然满足：
（1）$V(s)$正定
（2）$\dot{V}(s)$负定
（3）当$||s||\to \infty$， $V(s)\to \infty$
故系统渐近稳定，有当$t\to \infty$，$s\to 0$。
此处滑模面$s=e$比较特殊，但同样可使误差趋向于0。
可尝试使用$s=\dot{e}+ce$作为滑模面，可预见的是，公式将更加复杂，并引入了更高阶的状态导数，如${\ddot{v}}_x$、$\ddot{\omega }$，在实车部署时将对车辆状态感知带来挑战。

仿真与分析

仿真将通过CarSim与Simulink联合仿真进行。

（1）代码实现

式(6)给出了TCS的目标转矩（记为$T_t$），但在车辆运行中TCS应只在车手给出的驱动转矩（记为$T_r$）过大时才介入，且$T_t\ge 0$，最终输出的转矩 $T_d$为：

$$T_d=\min (T_r,\max (T_t,0))$$

在Simulink建立仿真模型：

（2）仿真结果分析

上帝模式（使用CarSim提供的准确$F_x$）

将参数$k_2$设为500，$k_1$设为0，假设车手进行全力加速（设$T_r=800$Nm），得到的控制效果如下：

（图中kappa为滑移率、目标滑移率为0.12，error为误差，Torque为驱动轮输出的扭转）
将参数$k_2$设为500，$k_1$设为100，假设车手进行全力加速（设$T_r=800$Nm），得到的控制效果如下：

可见，系统建模足够准确时，
$k_1$设为0，即不引入滑模等速趋近项${\dot{s}}_1=-k_1\mathrm{sgn}(e)$也可取得很好的效果（类似于反演控制器），
而$k_1$设为100后，即引入滑模等速趋近项${\dot{s}}_1=-k_1\mathrm{sgn}(e)$（也称滑模项，滑模控制的灵魂），出现了滑模控制常见的抖动问题，且剧烈跳变的控制动作需要我们关注和优化。

常规模式（设$F_x$为常值）

将参数$k_2$设为500，$k_1$设为0，假设车手进行全力加速（设$T_r=800$Nm），得到的控制效果如下：

将参数$k_2$设为500，$k_1$设为100，假设车手进行全力加速（设$T_r=800$Nm），得到的控制效果如下：

对比可见引入滑模等速趋近项${\dot{s}}_1=-k_1\mathrm{sgn}(e)$的优越性，滑模控制强大的鲁棒性可兼容不准确的系统模型。

注意：本文TCS存在参数、抖动问题等必须优化的地方，应用时需针对特定车辆进行优化。尤其在实车部署时需注意安全！在实车中，影响驱动力矩的控制策略具有危险性，任意的BUG可能会造成严重后果，部署控制策略前应针对实车进行充分的验证与评估，实验时做好防护工作，谨防失控！

结语：在中国大学生方程式赛事中，一些强队拥有研究生成员来进行整车控制策略开发，但大部分车队还是靠本专科阶段的学生进行设计，其实现已有许多书籍、文献给出了相关控制器设计方案，对于初学阶段的本专科学生而言，可能还比较缺乏查找和翻阅相关专业资料的能力，希望本文能给大家在车辆控制的路上提供帮助。

未来计划：
写博客还是比较耗时间，如果能为大家提供帮助的话，后续将陆续分享整车动力学建模、基于LQR/MPC的自动驾驶控制算法等。
如果觉得文章对您有帮助，可以通过打赏功能为控制老哥加鸡腿>>欢迎大家点赞、关注、在评论区留言讨论<<