A Human-optimized Model Predictive Control Scheme and Extremum Seeking Parameter Estimator for Slip Control of Electric Race Cars

📄 arXiv: 2411.15823v1 📥 PDF

作者: Wytze de Vries, Jorn van Kampen, Mauro Salazar

分类: eess.SY

发布日期: 2024-11-24

备注: 7 pages, 7 figures

💡 一句话要点

提出一种人机协同优化的MPC-ESC纵向滑移控制方案，用于电动赛车牵引力优化。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 极值搜索控制 滑移控制 电动赛车 人机协同优化

📋 核心要点

  1. 电动赛车滑移控制旨在优化牵引力与能量回收，传统方法依赖精确的轮胎模型，难以适应复杂工况。
  2. 该论文结合MPC的快速优化能力和ESC的无模型自适应性，实现滑移率的实时优化控制。
  3. 通过人机协同优化控制参数，使控制策略更符合驾驶员的偏好，提升驾驶体验和赛车性能。

📝 摘要（中文）

本文提出了一种用于后轮驱动电动耐力赛车的纵向滑移控制系统。该控制系统集成了模型预测控制（MPC）与极值搜索控制（ESC），以优化动力总成的牵引力和再生制动性能。MPC包含一个解析解，从而产生可忽略的计算时间，同时为多目标优化问题提供最优解。ESC算法允许连续估计最优滑移参考值，而无需假设任何关于轮胎动力学的先验知识。最后，控制参数使用基于人类驾驶偏好的优化算法确定，以获得期望的响应。仿真结果以及与其他方法的比较证明了该系统自动确定和跟踪最优滑移值的能力，在各种条件下均表现出稳定性和高性能。

🔬 方法详解

问题定义：电动赛车的纵向滑移控制旨在最大化牵引力并优化能量回收，但传统方法依赖于精确的轮胎模型，而轮胎模型在实际应用中难以准确获取，且随工况变化。此外，驾驶员对车辆操控的偏好也会影响控制效果，现有方法难以兼顾。

核心思路：该论文的核心思路是将模型预测控制（MPC）与极值搜索控制（ESC）相结合，利用MPC的快速优化能力和ESC的无模型自适应性，实现滑移率的实时优化控制。同时，引入人机协同优化，使控制策略更符合驾驶员的偏好。

技术框架：该控制系统主要包含三个模块：MPC模块、ESC模块和人机协同优化模块。MPC模块基于车辆动力学模型，预测未来一段时间内的车辆状态，并计算最优的控制输入；ESC模块通过实时测量车辆状态，估计最优滑移率；人机协同优化模块则根据驾驶员的反馈，调整MPC和ESC的参数，以获得最佳的控制效果。

关键创新：该论文的关键创新在于将MPC与ESC相结合，并引入人机协同优化。MPC的解析解保证了计算效率，ESC的无模型特性使其能够适应各种工况，人机协同优化则使控制策略更符合驾驶员的偏好。这种组合方式能够有效地提高电动赛车的牵引力和能量回收效率。

关键设计：MPC采用解析解，显著降低了计算复杂度。ESC使用梯度估计算法，无需轮胎模型的先验知识。人机协同优化采用基于偏好的优化算法，通过驾驶员的反馈来调整控制参数。具体的参数设置和损失函数的设计旨在平衡牵引力、能量回收和驾驶员的舒适性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，该系统能够自动确定和跟踪最优滑移值，并在各种条件下表现出稳定性和高性能。与传统方法相比，该系统能够显著提高牵引力和能量回收效率。人机协同优化能够使控制策略更符合驾驶员的偏好，提升驾驶体验。

🎯 应用场景

该研究成果可应用于电动赛车的牵引力控制和能量回收系统，提高赛车的性能和续航能力。此外，该方法也可推广到其他车辆的滑移控制，例如自动驾驶车辆和工程车辆，提高车辆的安全性和效率。人机协同优化思路也可应用于其他控制系统，提升用户体验。

📄 摘要（原文）

This paper presents a longitudinal slip control system for a rear-wheel-driven electric endurance race car. The control system integrates Model Predictive Control (MPC) with Extremum Seeking Control (ESC) to optimize the traction and regenerative braking performance of the powertrain. The MPC contains an analytical solution which results in a negligible computation time, whilst providing an optimal solution to a multi-objective optimization problem. The ESC algorithm allows continuous estimation of the optimal slip reference without assuming any prior knowledge of the tire dynamics. Finally, the control parameters are determined using a human-driven preference-based optimization algorithm in order to obtain the desired response. Simulation results and comparisons with other methods demonstrate the system's capability to automatically determine and track the optimal slip values, showing stability and performance under varying conditions.