基于最小化原则的电动汽车高速公路节能驾驶(中文)

Highway Eco-Driving of an Electric Vehicle Based on Minimum Principle

基于最小化原则的电动汽车高速公路节能驾驶

摘要：如今，乘用车车载导航系统中的数字地图使控制器能够获取计划路线的详细信息。 配备高计算能力的联网自动车辆能够处理数据并利用自动化提供的高控制自由度。 本文提出了一种高速公路巡航场景下电动汽车节能驾驶的快速优化算法。 该算法基于最优控制理论，并考虑了道路坡度以及速度限制和前车安全车距所施加的状态约束。 使用 Autonomie，通过模拟两个示例场景来评估所提出的算法。 第一个结果显示节能潜力为 4.4%。
索引术语——节能驾驶、高速公路巡航、最低化原则、电动汽车、联网自动驾驶汽车、状态约束

I. INTRODUCTION

道路运输是一项重要的人类活动，对环境产生重大影响。 随着全社会对资源可持续性和环境保护意识的日益增强，减少能源消耗成为全世界科学家关注的焦点。 在不影响交通和出行的基本需求的情况下，积极利用“绿色”能源和提高能源效率被认为是两个可行的选择。
动力总成技术必须适应绿色能源。 全电气化动力系统被视为实现零排放的一种具有吸引力的可能性。 特斯拉 Model S、日产聆风、宝马 i3 等电动汽车在市场上的成功，预示着电动汽车的光明前景。 因此本文重点研究电动汽车。
在提高能源效率的方法中，驾驶模式的优化（也称为“节能驾驶”）是一种有效的方法，因为它不需要对硬件进行根本性的改变。 节能驾驶本质上是一个最优控制问题（OCP）。 如[1]中所述，道路车辆生态驾驶的应用一般分为高速公路[2]-[4]、城市驾驶[5]、[6]、十字路口[6]、[7]和 跟车[8]、[9]。 该问题可以使用动态规划（DP）、解析解和庞特里亚金最小原理（PMP） 等多种方法来解决。 DP 以其多功能性和针对非线性的解决方案鲁棒性而闻名，并且能够产生接近最优的解决方案，该解决方案仅因离散化而受到数值不准确的影响。 其实现示例可在 [10]、[11] 中找到。 分析解决方案通常与仿射函数的利用相结合，以进行面向控制的建模。 应用最优控制的必要条件会导致开关式控制。 然而，它的计算速度非常快，因为它将问题简化为最终状态（通常是行进距离或时间）和一些参数（例如共状态）之间的分析关系，参见[4]、[6]。 PMP 方法使用高阶多项式进行系统建模。 因此，应用 PMP 的必要条件将 OCP 转换为边值问题，可以使用多种技术（例如多重射击 [12] 和搭配 [13]）进行数值求解。
在之前的研究[14]、[15]中，作者分别针对传统和并联混合动力系统的乘用车研究了基于PMP的节能驾驶。 在该工作中，受 [2]、[16] 的启发，沿驾驶路线的坡度被假定为分段常数。 本文继续讨论利用数字地图信息来优化高速公路上的车辆驾驶。 在之前的工作的基础上，本文介绍了一种使用车辆速度作为参考轴的轨迹构建技术。 该技术允许提前构建求解轨迹，从而大大缩短计算时间。 此外，本文讨论了两种状态约束：速度限制和车辆跟随，并提出了扩展现有算法来处理它们的方法。 最后部分通过仿真对该算法进行评估，以展示其在节能方面的优点。

II. CONTROL-ORIENTED MODELING

我们在本文中考虑的车辆配备了市场上常见的电池电机动力系统。 配置如 图1 所示。

A. Powertrain Modeling

电机从电池接收电力，并通过变速箱和主减速器推动驱动轮。 变速器的减速比是固定的。 车轮上的牵引力$F_t$由电机输出扭矩 $T_m$ 乘以传动比 $\gamma$ 和效率 $\eta$ 得出，

总传动比 $\gamma$ 和总效率 $\eta$ 涉及整个传动系统，并考虑变速箱、主减速器和车轮。
忽略车轮滑移，电机转速 ${\omega }_m$与车速 $v$ 成正比，

如图 1 所示，流向电机的能量是电力。 我们没有明确描述每个组件（即电池、逆变器和电机）的损耗/效率，而是将它们集中在一起来建模能量转换，这是文献 [6]、[17]、[18] 中广泛采用的方法。 因此，消耗的电池功率 $P_b$ 被描述为两个变量（电机扭矩 $T_m$ 和速度 ${\omega }_m$）的四次分段函数，其中考虑了电气路径上的所有损耗，

两组系数 $c_{m,ij}$ 和 $c_{g,ij},i,j\in [0,1,2]$，分别与电动机和发电机操作模式相关。 它们是使用最小二乘表面拟合与测量数据获得的.
在拟合过程中，需要满足两个条件：

其中上标 + 和 − 分别表示右侧和左侧极限。 第一个条件（4a）保证了电动机和发电机模式之间切换的连续性。 很容易进一步推导出 $c_{m,0j}=c_{g,0j}$ 对于 $j\in [0,1,2]$。 第二个条件 (4b) 基于对测量数据的一般观察，它确保 $T_m=0$ 时的凸并集。
图 2 将拟合结果与有关电气路径效率的原始数据进行了比较。

B. Chassis Dynamics

根据牛顿运动定律，车辆动力学由作用在底盘上的力产生，可以表示为[19]，

其中 m 是总惯量，包括车辆质量和所有旋转部件的等效质量，s 是行驶距离。 机械制动力用 $F_b$ 表示。 总阻力 $F_{res}$ 是车轮滚动阻力、空气动力阻力和上坡力的总和，可以用 v 的二次函数表示，

其中系数 $c_{0,1,2}$ 是由车辆和环境的物理特性确定的常数。 最后一项中，$mg$ 代表车辆重量（不包括旋转部件的惯量）。 道路坡度 α 是距离 s 的函数，并假定为分段常数。

III. OPTIMAL CONTROL PROBLEM

OCP 旨在最大限度地减少给定高速公路路段从开始时间到结束时间 $t_0$ 到 $t_f$ 的电池总体能耗，其数学公式为：


这里，系统转移方程(7b)的状态量 $x=[v,s{]}^T$ 和控制量 $u=[T_m,F_b{]}^T$ 在（5）中声明。 状态和控制的允许范围是（7c）中的 $X$ 和 $U$。 在(7d)和(7e)中，$x_0=[v_0,s_0{]}^T$ 且 $x_f=[v_f,s_f{]}^T$ 分别定义车辆在起点和终点的速度和位置。

A. Necessary Conditions for Optimal Solution

基于 OCP (7)，哈密顿算子可以表述为：

附加的共状态 $\lambda$。 插入系统转移的显式表达式（5），并将状态变量和控制变量 $H$ 分解为展开式，

PMP 的必要条件被称为，

其中星号*表示最优变量。 根据 (9a)，$H$ 对 $t$ 没有明确的依赖性，这表明它是一个常数值，我们将其定义为 $H(t)=H,\forall t\in [t_0,tf]$。 注意，${\lambda }_v$ 可以直接从(8)推导出来，

这里的奇怪符号找不到在哪,用H表示吧

由于分段常数 $\alpha$ 的假设，根据(9b)，${\lambda }_s$ 也是分段常数，

最后一个 PMP 条件 (9c) 产生 bang-bang 形式的最佳 $F_b$，

其中电机扭矩下限和上限 $T_{min}$ 和 $T_{max}$ 取决于 ${\omega }_m$。 在没有控制约束的情况下，分别应用系数组 $c_{m,ij}和c_{g,ij}$，无界最优电机扭矩 $T_{m+,-}^o$ 是 (9c) 的根，即 ${\Delta }_{T_m}H=0$。 下标 + 和 - 表示为电动机和发电机模式。 如[15]、[16]中所述，在(10)中插入 ${\Delta }_{T_m}H=0$可得到 $T_{m+,-}^o$的二次方程，而不涉及 ${\lambda }_v$，

由此可见，$T_{m+,-}^o$ 成为关于 v 的函数，包含两个参数 $H$ 和 ${\lambda }_s$ 的函数。
综上所述，我们根据当前车速 $v$ 以及参数 $H$ 和 ${\lambda }_s$ 获得了控制 $u$ 的瞬时最优解。

B. Trajectory Building in Reference to Vehicle Speed

OCP (7) 的结束时间 $t_f$ 在实践中通常是不明确的。 在[16]中指出，哈密顿量 $H$ 与结束时间 $t_f$ 具有非线性单调关系。 因此，我们不是通过求解具有精确 $t_f$ 的经典边值问题来推导 $H$，而是假设车辆以驾驶员设定的所需速度 $v_{set}$ 在稳定状态下在水平地面上行驶。
注意最优控制策略（12）和（13），当 $T_m^{\ast }$ 的两个根式收敛时达到稳态（$\dot{v}=0$），即 $\delta =0$，因此，

此外，上述对 $H$ 的假设意味着 $v_{set}$ 处的平衡应该在没有时间限制的情况下发生，即

同时求解 (14a) 和 (14b) 不仅可以得到任务常数 $H$，还可以得到 $\alpha =0$ 时的 ${\lambda }_s$。
假设具有不同坡度 $\alpha$ 的每个道路足够长，则存在关于 $\alpha$ 的稳态速度 $v_{ss}$ 函数，其满足条件（14）代替 $v_{set}$。 虽然 $H$ 是不变的，但 ${\lambda }_s$ 会适应 $\alpha$ 以满足条件 (14)，并用 $v_{ss}(\alpha )$ 代替 $v_{set}$。
根据第 $III-A$ 小节中的结论，既然所有道路等级的参数 $H$ 和 ${\lambda }_s$ 都已知，我们就能够根据车辆速度 $v$ 构建求解轨迹。 例如，图 3 显示了当 $\alpha =0$ 时，$T_m、{\lambda }_v、s、t$ 对于 $v$ 的轨迹，分别与加速度（$T_{m+}$ 红色）和减速度（$T_{m-}$ 蓝色）相关。

图 3. 电机扭矩 $T_m$、共态 ${\lambda }_v$、距离 $s$ 和时间 $t$ 随车速 $v$ 变化的轨迹。参数对 {$H,{\lambda }_s$} 对应于 $v_{set}=25m/s$ 的水平地面上的稳态行驶。

C. Route Segmentation and Solution Concatenation

如今，数字地图可以提供任何路段的详细海拔和坡度剖面。 在[14]中，为了符合优化计算的恒定斜率假设，提出了一种预处理程序，将现实世界的路线简化为分段恒定斜率剖面。 因此，路线被分成一系列路段，每个路段都有一个坡度。
由于 $v$ 没有明确参与 $\alpha$ 的跳跃，因此根据 Weierstrass-Erdmann 角点条件 [20]，其相应的共状态 ${\lambda }_v$ 在段之间必须是连续的。 利用这种连续性条件可以找到在段边界处 $v$ 的连接点 [2]、[14]。
现在，段之间的连接点已完全定义，每个段都成为一个独立的 OCP。 如第 III-B 小节所述，为准备中的每个斜坡构建的轨迹用于形成每个路段的解决方案。 最终的求解结果是通过将每个线段的子弧依次连接而成。

IV. STATE CONSTRAINTS IN HIGHWAY CRUISING

现实世界中的高速公路驾驶场景比简单的地形变化要复杂得多。 由于安全和法律原因，车辆经常遇到 $h(x,t)\le 0$ 形式的纯状态约束。 根据定义[21]，$p$ 阶状态约束 $h(x,t)$ 在 $t$ 中被微分 $p$ 次，直到控制变量显式出现 $h^{(p)}(x,u,t)$。 使用间接邻接方法 [21]，哈密顿量通过 $h^{(p)}$ 乘以 $\mu$ 进行扩展，

设 $t_1$ 和 $t_2$ 为状态边界的进入和退出时间。 对于 $t\in [t_1,t_2]\subset [t_0,t_f]$， $h=0$ 且乘数 $\mu >0$ 约束有效； 对于$t\in [t_0,t_1)\cup (t_2,t_f]$， $h<0$ 且乘数 $\mu =0$ 约束无效。 PMP 必要条件 (9) 的增强版本对于 $\hat{H}$ 成立，

在进入时间 $t_1$时刻，共状态 $\lambda$ 以及哈密顿量 $H$ 预计会出现不连续性，

其中 ${\nu }^k(t_1)$ 是偏导数的非负乘数。 如果 $t_1=t_2$，则有界性成为接触点，$t_1$ 称为接触时间。 在接触时间，当 ${\nu }^k(t_1)=0$ 且 $k\ge 2$ 时，(17) 仍然成立。

A. Speed Limits

分段速度限制是由交通标志规定的，规定路段上允许的最高行驶速度。 逐点限速是由强制完全停车或道路急弯造成的。 为简单起见，在本文中，我们仅关注最大速度限制。
速度限制，无论哪种类型，都可以写成

这里，$v_{max}(s)$ 是关于距离 $s$ 的分段常数函数。

其中 $i=0,1,...,n_{vlim}-1$ ， $n_{vlim}$ 是连续出现速度限制的次数。 第 $i$ 个速度限制的起始位置用 $s_{1,i}$表示。 速度限制是一阶状态约束，如 $h_1^{(1)}=\dot{v}(x,u)$ [9]。
鉴于（17），跳跃被描述为，


(21) 的第一种情况在[9]中讨论，并得出这样的结论：如果边界入口/出口不在速度限制的开始/结束处 $s\notin s_{1,i}$，则 ${\lambda }_v、{\lambda }_s和H$ 是连续的。
第二种和第三种情况如图 4 所示。与第一种情况 $s\notin s_{1,i}$ 一样，$H$ 连续性 (20c) 决定了 ${\lambda }_v$ 的连续性，因此 ${\nu }_1^1=0$。然而，根据 (20b)， $\partial v_{max}=\partial s$ 的狄拉克增量脉冲应导致 ${\lambda }_s$ 的有限跳跃。 由于坡度的变化和速度限制通常不会重叠，因此我们假设速度限制变化之前和之后的坡度相同。 因此，请注意第 III-B 小节中的分析，目标稳态速度 $v_{ss}$ 也保持不变。 如果斜率相关的 $v_{ss}$ 高于 $v_{max,i}$，则 $v^{\ast }$ 在开始前从 $v_{ss}$ 下降并在 $v_{max,i}$ 结束后飙升回 $v_{ss}$ 才是合乎逻辑的。 这一观察结果也适用于逐点限速的情况。对于 $s\in [s_{1,i},s_{1,i+1}]$ 的 ${\lambda }_s$ 的精确值是在 $h_1^{(1)}=\dot{v}=0$ 的条件下计算的，因此 $\delta (v_{max,i})=0$。值得注意的是，在边界区间上，与 (14b) 不同，$\partial \delta [v_{max,i}]=\partial v=0$ 不一定成立。
因此，速度限制起始位置 {$s_{1,i}$} 必须附加到分段位置组（恒定坡度起始位置）。 在速度限制生效的路段中，必须修改第 III-B 小节中的 $v_{ss}$ 和 ${\lambda }_s$ [14]、[15]。

B. Car Following

前方车辆存在距离限制，

距离上限 $s_b$ 考虑了前车位置 $s_{obj}$ 和安全车头时距规则 ${\sigma }_h$ [22]，

$v_{obj}$表示前车速度。 根据[22]选择系数，$c_{h1}=0.3s,c_{h0}=0.08m$。
距离约束是二阶的，即 $h_2^{(1)}=v-\dot{s_b}和h_2^{(2)}=\dot{v}(x,u)-\ddot{s_b}$。 鉴于（17），阶跃被描述为，

当${\nu }_2^1,{\nu }_2^2\ge 0$，在边界 $h_2$ 的进入（或接触）时刻，$H、{\lambda }_v和{\lambda }_s$ 可能发生跳跃。
由于距离约束 (22) 明确地依赖于时间，与速度约束不同，在没有已知状态轨迹的情况下，相对于距离（以及时间或速度），激活有界的点是不明确的。 直观上，为了观察状态有界性，我们将 $s(t)$ 的无约束解轨迹与距离界限 $s_b(t)$ 进行比较。 如前所述，路线分段是参考距离点（即斜坡起点和速度限制）进行的。 因此，使用 $s_b(t)$ 的逆形式映射到距离轴上，即 $t_b(s)$ 更方便。 距离约束变成关于距离的时间约束：$t_b(s)-t(s)\le 0$。
受[23]的启发，我们提出了一种方法来查找 $s$ 中 $t(s)$ 被距离无约束的解轨迹破坏最多的位置。 然后，路线以及 OCP 被一分为二，约束 $s、v和t$ 接触反距离约束 $t_b(s)$。 重复上述两个步骤，直到所有 $s\in [s_0,s_f]$ 满足距离约束 (22)。
递归程序如下：

• 计算距离无约束的最优解(包括速度限制),OCP边界点集初始化：$S=s_0,s_f$；如果违反距离约束，即 $t(s)-t_b(s)<0$：
• • -------重复-------
• • 找到最违反边界 $t_b(s)$ 的位置，
    
    其中 i 是递归程序的第 i 次迭代。
• • 将 ${\zeta }_i$ 添加到 $S$ 中，成为 $S$ 中的第 $j$ 个元素，记为 $s_j$。 使用附加边界值条件扩展 OCP：
    
• • 保留已计算的 $s\in [s_0,s_{j-1}]$ 和 $s\in [s_{j+1},s_f]$。
• • 求解 $s\in [s_{j-1}，s_j]$ 的子OCP，以(25)作为终止条件。 使用shooting方式调整 $H$（子OCP内），以满足该子OCP的固定结束时间。
• • 求解 $s\in [s_j，s_{j+1}]$的子OCP，以(25)为初始条件。 如果结束时间固定，则使用shooting方法调整 $H$（在子OCP内）； 否则，使用 $H$ 表示空闲结束时间情况。
• • ---------直到 $mi{n}_{s\in [s_0,s_f]}(t(s)-t_b(s))\ge {ϵ}_{tb}$，其中 ${ϵ}_{tb}$ 是最小公差 -------- 。

V. SIMULATION RESULTS

在本节中，将介绍两个高速公路巡航示例场景来展示速度优化。 然后，我们使用 Autonomie [24]（车辆燃油消耗和性能模拟框架）中开发的前瞻性车辆模型来评估所提出的算法在节能方面的优点。

A. Simulation Setup

仿真环境设置如 图5 所示。 所提出的称为“Dyn-Opt”的算法与另一种称为“Baseline”的控制策略进行了比较，其中应用了非最佳参考速度轨迹。 对于这两种策略，使用相同的车辆工厂模型，其配置如 表1 所示。

Baseline策略使用 Autonomie 中带有单速固定齿轮变速器的电动汽车的默认基于规则的控制器。 驾驶员模型（在 Autonomie 中）遵循参考速度曲线。 然后解释其加速/减速请求，并且基于规则的动力系统控制将请求转换为针对电机和制动器的更详细的命令。
Dyn-Opt策略是经济驾驶速度优化算法的离线实现。 $[T_m,F_b{]}^T$ 的最优控制策略首先通过求解 OCP (7) 进行离线计算。 求解轨迹 $[T_m,F_b{]}^T$ 参照距离 $s$ 制成表格。 然后将它们直接应用在 Autonomie 中作为完整模型仿真的控制命令，无需反馈回路。

B. Uncongested Real-World Highway

选择从芝加哥奥黑尔机场到阿贡国家实验室的高速公路作为模拟测试的真实路线示例。 高精度道路坡度和速度限制数据取自 HERE 数字地图。 为了满足优化计算中道路坡度恒定的假设，需要使用[14]中详细解释的方法将原始坡度剖面简化为分段常数。 原始和简化的坡度剖面如图 6 所示。请注意，尽管在优化计算中对道路坡度进行了近似，但在模拟中实现了原始坡度剖面。

依靠所开发的方法，根据限速或坡度的变化，将路线分为 57 段，如图 7 所示。应用所提出的优化算法获得优化的速度曲线 $v^{\ast }$，并具有所需的行程速度 $v_{set}=23.5m/s(84.6km/h)$。 由于交通不拥堵，因此无需讨论距离限制，因此任务范围内的常数 $H=13.70kW$。 段常数 ${\lambda }_s$ 的迹线显示在图 7 的最下面的图中。

除了最佳速度曲线外，该算法还同时计算控制策略。 Dyn-Opt 开环控制实现的仿真结果（离线计算）与 Baseline 进行了比较，如表 2 所示。Baseline遵循速度限制内恒定的参考速度曲线 $v^{ref}(s)$，并在恒速部分之间采用线性衰减速度过渡 [15]。 它的目标是Dyn-Opt的模拟结束时间 $t_f^{\ast }$（见图5），这会导致几乎相同的平均速度并允许公平的比较。 如图7所示，Dyn-Opt利用速度的自由度，进一步利用动能和重力势能的交换，来优化规划电机扭矩的控制策略。 它略微提高了平均电机效率。 整体速度过渡平稳，速度波动小，相对节能1.19%。

C. Car Following

跟车场景如图 8 所示。为了模拟高速公路情况，将标准高速公路测试循环 HWFET（从 20 秒到 743 秒）分配给前车的行驶时间表 $v_{obj}$。 示例场景发生在由连续两个速度限制的两个路段组成的路线上（23 和 27 m/s）。 前车放置在起始位置前方 200 m 处。 根据(23a)，行驶时间表 $v_{obj}$ 被转化为距离约束 $s_b(t)$及其反函数 $t_b(s)$。

主车辆以 $v_0=20m/s$ 开始，以 $v_f=20m/s$ 结束。 在这种情况下，所需的行进速度设置为 $v_{set}=25m/s$。 正如第 IV-B 小节所描述的，汽车跟随的约束解是迭代导出的，如图 9 所示。 每次迭代后，车头时距曲线 $(t-t_b)$ 向上移动，并且 OCP 在垂直虚线标记的位置之一处以新的边界值条件扩展。 经过三次迭代后找到最终解决方案，使主车辆在整个任务中落后于安全车距，$t(s)-t_b(s)\ge 0$ for $s\in [s_0,s_f]$。

控制轨迹的计算结果作为 Autonomie 模型的开环控制输入来评估能量消耗性能。 作为参考，Baseline遵循前车的行驶时间表，即 $v^{ref}(s)=v_{obj}(s)$，见图 5。主车和前车的配置完全相同，见表 1。
模拟结果比较并总结在 表III 中。 由于前面的车慢，主车的行驶速度比目标速度 $v_{set}$ 慢。 主车的速度轨迹比前车更加平滑，主车电机运行效率更高，节能4.4%。

VI. CONCLUSION

本文提出了一种用于电动汽车高速公路经济巡航的高效计算算法。 该算法基于所提出的 OCP 的 PMP 解决方案。 分段恒定道路坡度的重要假设使我们能够提前为每个坡度建立求解轨迹并提高计算速度。 对于现实世界的路线，坡度被近似为分段常数并相应地划分为段。 对速度限制导致的共状态 ${\lambda }_s$ 不连续条件的讨论导致在速度限制变化的位置进行额外的分割。 此外，在存在前车的情况下，主车受到距离边界的约束。 哈密顿量的其他恒定值 $H$ 在距离边界激活时跳跃。 因此，该算法通过迭代过程进行扩展，以调整 $H$ 并找到约束解。
通过在两个示例场景中以开环控制的形式进行仿真来评估所提出的算法。 在第一个不拥堵的高速公路巡航场景中，仿真结果显示与Baseline策略相比相对节能 1.2%。 在第二种情况下，主车辆以不同的速度跟随一辆缓慢的前车。 采用最优控制策略行驶，主车比前车节能4.4%。
在未来的工作中，所提出的算法将转移到使用闭环框架的实时控制，例如非线性模型预测控制。 此外，将考虑更多的交通情况以增强算法的可用性和可靠性。