一种车辆稳定性评价方法及系统

本公开属于车辆系统，特别涉及一种车辆稳定性评价方法及系统。

背景技术：

1、当车辆行驶在湿滑、冰雪路面等低附着路面条件下，或者在高速过弯、超速行驶、连续转向等激进的驾驶行为下，车辆轮胎对地面的附着力接近饱和，车辆的横向稳定性会急剧下降，并处于临界失稳的状态。对于车辆而言，轮胎与地面之间的摩擦力，即轮胎力，是改变车辆运动的最终控制力。此时，轮胎力处于非线性区域，车辆无法满足驾驶员意图且趋向于侧滑、甩尾、侧翻的危险工况，称为极限工况。在极限工况下，车辆的抗干扰能力、行驶稳定性以及可控性均较差，极易引起重大的人员伤亡和财产损失的交通事故。因此，如何降低极限工况下的交通事故，提高车辆的安全性成为车辆领域的研究重点。

2、目前，极限工况下的技术难点主要包括：建模难、协同难以及测试评价难。其中，极限工况下汽车运动控制系统的测试和评价是汽车运动控制系统开发与应用验证的必备环节，并为其提供了改进方向。目前的测试法规和标准主要针对单一工况或单一功能，尚没有一套能涵盖多种主动安全功能的综合测试与评价体系。而且，极限工况的实车试验数据获取难度大，且极限工况下的车辆动力学呈现高度的非线性特性。现有的车辆稳定性评价研究未充分考虑极限工况下车辆的非线性动力学，且评价方法过于保守，无法对极限场景下的车辆动态进行定量、准确地综合评价。此外，极限工况下的实车测试需要针对多工况和多场景，其测试成本高、重复性差且危险性高。因此，前期的理论研究和仿真实验能够极大地降低实车测试的成本和风险，并减少不必要的测试。

3、针对车辆操纵稳定性评价的研究，现有的方法主要包括：临界速度分析法、李雅普诺夫的方法和相平面法。临界速度分析方法基于线性的车辆系统动力学方程，通过横摆角速度、侧偏角等重要变量的动态响应确定系统的稳定性。李雅普诺夫的方法主要包括基于李雅普诺夫函数的方法和基于李雅普诺夫指数的方法。基于李雅普诺夫函数的方法不局限于局部稳定性研究，不是显式地求解动力学方程组，而是通过构造标量的“类能量”函数，即李雅普诺夫函数，来确定稳定性。然而，如何确定复杂系统的李雅普诺夫函数是应用该稳定性分析方法的主要限制。基于二自由度非线性车辆模型，johnson等人运用标准和改进的动能函数分别构建了两个李雅普诺夫函数，分析了汽车的横向稳定性，并得到了一个保守的椭圆形稳定区域。李雅普诺夫指数表示相空间相邻轨迹，即迭代过程中的相邻两点的平均指数发散率的数值特征。具体而言，负的指数表征轨道的收缩，对应着系统稳定的运动状态；正的指数表征轨道的分离，对应着系统不稳定的运动状态；指数为零表示既不收缩也不发散的运动状态，即临界状态。s.sadri等人引入李雅普诺夫指数来评价车辆的稳定性，其研究结果表明车辆系统受扰后回到稳定区域的速率可以用最大李雅普诺夫指数来表征，且稳定性可通过李雅普诺夫指数的正负来判定。随后，shi等人对比了李雅普诺夫指数评价方法应用在2自由度、3自由度和5自由度的车辆模型上的差异，进一步验证了该评价方法的可行性和有效性。相平面法是基于时域,通过对系统方程进行数值积分得到的系统轨迹数来估计稳定区域，主要包括三类相平面：质心侧偏角-质心侧偏角速度相平面、质心侧偏角-横摆角速度相平面和前轮滑移角-后轮滑移角相平面。inagaki等人采用质心侧偏角-质心侧偏角速度相平面分析了反向转向和过度转向对车辆稳定性的影响，并在直接横摆力矩控制算法中验证了其有效性。bobier-tiu等人运用质心侧偏角-横摆角速度相平面确定了车辆稳定性边界，并将其应用到横摆稳定性的控制算法当中，从而提升了车辆的稳定性。为了充分利用四轮轮毂电机驱动的横摆力矩控制，li等人运用前轮滑移角-后轮滑移角相平面作为自适应滑膜控制器设计的评价指标，从而提升了整车的操纵稳定性。

4、现有的车辆操纵稳定性评价技术存在以下问题：

5、1)在汽车操纵稳定性的理论研究上，最为经典的研究成果均是基于二自由度车辆动力学模型。然而，低自由度的车辆动力学模型未能充分考虑车辆横、纵向耦合以及侧倾对车辆稳定性的影响，且在极限工况下，车辆系统的非线性特性会发生显著变化，低自由度的车辆模型不再适用；

6、2)现有的评价方法主要针对单一工况或单一功能，未充分考虑多种极限工况下的车辆稳定性评价，尚没有一套能涵盖多种主动安全功能的综合测试与评价体系；

7、3)部分评价方法只是定性地进行分析，未能定量、全面且快速地评价车辆当前行驶状态的稳定裕度。

技术实现思路

1、针对上述问题，本公开提供一种车辆稳定性评价方法，所述方法包括：

2、获取目标车辆的车辆控制指令，并基于实车或预先构建的车辆动力学模型生成执行所述车辆控制指令后的车辆状态；

3、根据所述目标车辆的车辆当前状态以及历史状态序列，预测所述目标车辆的未来运动状态；

4、根据所述目标车辆的未来运动状态确定所述目标车辆的稳定性指标。

5、优选地，所述车辆动力学模型包括纵向运动模型、侧向运动模型、横摆运动模型、侧倾运动模型和车轮转动模型。

6、优选地，根据所述目标车辆的车辆当前状态以及历史状态序列，预测所述目标车辆的未来运动状态，包括：

7、调用优化后的物理信息神经网络，将所述目标车辆的车辆当前状态和历史状态序列输入所述物理信息神经网络，确定所述目标车辆的未来运动状态。

8、优选地，所述物理信息神经网络由常微分方程表示的车辆动力学方程和深度神经网络构成。

9、优选地，所述物理信息神经网络的优化步骤包括：

10、将所述车辆动力学方程嵌入所述深度神经网络的损失函数，并以最小化所述深度神经网络的损失函数为目标对所述物理信息神经网络的参数进行优化。

11、优选地，根据所述目标车辆的未来运动状态确定所述目标车辆的稳定性指标，包括：

12、将所述目标车辆未来的运动状态作为所述车辆动力学模型的初始状态或输入，确定所述目标车辆在稳定性评价维度的演化轨迹；

13、根据所述目标车辆在稳定性评价维度的演化轨迹确定所述目标车辆处于未来运动状态时的稳定性指标。

14、优选地，所述稳定性评价维度包括侧向运动自由度、横摆运动自由度和侧倾运动自由度。

15、本公开还提出一种车辆稳定性评价系统，所述系统包括：

16、车辆系统模块，用于获取目标车辆的车辆控制指令，调用预先构建的车辆动力学模型生成执行所述车辆控制指令的车辆当前状态；

17、预测模块，用于根据所述目标车辆的车辆当前状态以及历史状态序列，预测所述目标车辆的未来运动状态；

18、稳定性评价模块，用于根据所述目标车辆的未来运动状态确定所述目标车辆的稳定性指标。

19、优选地，所述车辆动力学模型包括纵向运动模型、侧向运动模型、横摆运动模型、侧倾运动模型和车轮转动模型。

20、优选地，所述预测模块，用于根据所述目标车辆的车辆当前状态以及历史状态序列，预测所述目标车辆的未来运动状态，包括：

21、所述预测模块用于调用优化后的预测神经网络，将所述目标车辆的车辆当前状态和历史状态序列输入所述预测神经网络，确定所述目标车辆的未来运动状态。

22、本公开具有以下有益效果：

23、本公开的目的在于解决现有技术中所存在的车辆稳定性评价方法过于保守、对动力学的非线性特性和横纵垂的耦合考虑不足、无法对极限场景下的车辆动态进行定量且准确地综合评价等问题。

24、本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。