用于加速踏板控制的混合动力电动车辆动力系的控制方法

摘要

本发明提供一种用于加速踏板控制的混合动力电动车辆动力系的控制方法。车辆动力系控制器包括具有学习能力的基于模糊逻辑的自适应算法，该算法估计驾驶员的长期驾驶偏好。自适应算法仲裁良好的燃料经济性、防侵扰以及车辆操控性的竞争要求。根据驾驶员的驾驶风格来保持车辆性能。

说明书

技术领域

本发明涉及实现混合动力电动车辆燃料经济性提高的自适应实时驾驶员 咨询控制，尤其涉及一种用于加速踏板控制的混合动力电动车辆动力系的控 制方法。

背景技术

混合动力电动车辆依靠两种动力源将动力提供给车辆牵引轮。一种动力 源通常是内燃发动机，另一种动力源是电池和电动机连同发电机。在所谓的 动力分流式混合动力电动车辆动力系中，发电机被机械地结合到发动机并被 电结合到电池和电动机。例如，在第7,467,033号美国专利中，通过简单的行 星齿轮单元来建立分流式动力传递路径，由此，发电机被可驱动地连接到行 星齿轮单元的中心齿轮，发动机被连接到行星齿轮单元的行星架。行星齿轮 单元的齿圈被机械地连接到电动机。尽管动力分流式混合动力电动车辆动力 系能够实施本发明，但是其他类型的混合动力电动车辆动力系构架(包括以内 燃发动机作为动力源的非混合动力式动力系)也可实施本发明。

尽管与传统的动力系相比，已知的混合动力电动车辆动力系使动力系的 整体燃料经济性得到显著提高并降低不期望的废气排放，但是通过对诸如驾 驶员风格、驾驶员行为和驾驶员偏好的因素进行调整，仍有可能进一步提高 燃料经济性。这可通过给驾驶员提供关于影响燃料经济性的调整的适当的反 馈来实现。所述反馈可以是视觉指示器或显示器的形式。

混合动力式动力系通常包括车辆控制系统，所述车辆控制系统协调来自 每种动力源的动力分配，以实现来自每种动力源的动力、速度和扭矩的最佳 平衡。所述车辆控制系统包括发动机控制器、变速器控制器、高电压电池控 制器、再生制动系统以及高电压电池。车辆系统控制器通过与若干子系统控 制器通信来执行对整个车辆系统的协调和监管。所述车辆系统控制器管理和 协调动力系的功能，以满足驾驶员的扭矩请求并使来自子系统以及流向子系 统的能量流平衡。实时咨询系统能够给驾驶员提供关于输入到车辆系统控制 器的最佳的加速踏板输入和制动踏板输入的直接建议。

发明内容

本发明包括一种利用具有学习策略的基于模糊逻辑的自适应算法的实时 驾驶员咨询系统，该算法估计驾驶员的长期驾驶偏好和短期驾驶偏好。所述 算法用于使已知的非自适应实时燃料经济性咨询系统(包括反馈给驾驶员的 视觉和触觉反馈信息)的能力得到显著提高，从而驾驶员能够针对给定的车辆 状况来改变驾驶风格或行为，以提高燃料经济性。申请人的算法被调整，以 在不对车辆的性能造成显著影响且不对驾驶员造成侵扰的情况下使燃料经济 性最佳化。所述算法通过监测驾驶风格和驾驶员行为来获悉驾驶员意图，其 解决了由于咨询反馈而造成的侵扰的问题。这通过保持车辆性能为驾驶员习 得的驾驶风格和行为所接受而使操控性和提高的燃料经济性的竞争要求平 衡，同时为提高燃料经济性提供机制。

通过监测加速踏板和制动踏板，咨询系统将驾驶员对牵引轮处的动力请 求传送到控制器。请求级别和方式会影响存在一种以上能量源的电动车辆的 燃料经济性。基于驾驶员对牵引扭矩的请求，可选择混合动力电动车辆的不 同的运行模式。该选择对实现最佳的燃料效率可能是最佳的或者可能不是最 佳的。

本发明的控制器利用输入变量、输出变量和相关的模糊规则集来确保驾 驶员选择的运行模式对实现最佳的燃料效率而言将是最佳的。所述控制器将 操控性和燃料消耗连同预测的要素考虑在内并利用伺机条件(opportunistic  condition)。

本发明的自适应算法能够在不被视为无效或侵扰的情况下改善驾驶员行 为和驾驶风格，同时实现燃料经济性的提高。

为了识别燃料消耗和车辆驾驶状态，所使用的动力系输入是归一化的燃 料消耗(fc_n)和车辆速度(vs)。为了提出用于可接受的操控性或性能(车辆应当随 时都能达到可接受的最小加速度)的标准，其他输入中被使用的一个输入是归 一化的车辆加速度(a_n)。为了预测驾驶员的行为并利用驾驶行为的伺机状态， 驾驶员踏板响应(ζ_ΔA)被用作最终输入。

控制器的输出是建议的加速踏板位置变化(Δ)(ΔA_{u_lim})连同两个其他输 出，即，最大积分补偿(I_{oft_max})和最小积分补偿(I_{oft_min})。这种建议的加速踏板 位置变化被提供到积分器中以获得建议的加速踏板位置阈值(A_th)，其受限于 下限和上限。基于实际的踏板位置、最小积分补偿和最大积分补偿来计算这 些下限和上限。建议的加速踏板位置阈值A_th被用作将建议的加速踏板位置与 实际的加速踏板位置A_pp进行比较的阈值，从而如果A_pp大于A_th，则可将反馈 信号(触觉或视觉)发送给驾驶员，该反馈信号指示存在可通过降低加速踏板位 置A_pp来提高车辆的燃料经济性的条件。

根据本发明的一方面，提供一种用于加速踏板控制的混合动力电动车辆 动力系的控制方法，所述动力系具有机械式动力源和机电式动力源，自适应 实时燃料经济性咨询系统包括具有自适应算法的控制器，所述自适应算法用 于获悉车辆驾驶员的驾驶偏好，所述方法包括：监测在由多个车辆运行条件 表征的给定驾驶事件的限定期限期间驾驶员的驾驶风格；向车辆驾驶员提供 用于针对给定的车辆运行条件改变驾驶员行为的咨询反馈信息，所述咨询反 馈信息基于驾驶员的驾驶偏好，由此实现为驾驶员的驾驶风格所接受的车辆 性能，同时保持与该驾驶风格相对应的良好的燃料经济性。

附图说明

图1示出了能够实施本发明的动力分流式混合动力电动车辆动力系的示 意图。

图2是用于图1的动力系的模糊咨询控制器的示意性框图。

图3是图2的模糊控制器的隶属函数的图示，其中，该隶属函数的特征 在于其被分类为“接受”和“拒绝”。

图4是示出用于将驾驶员行为结果转换为输入到模糊咨询控制器的输入 的自适应算法的自适应实时咨询控制系统的示意性框图。

具体实施方式

图1以示意的形式示出了能够实施本发明的改进的控制系统的动力分流 式混合动力电动车辆动力系。图1示出了驱动桥10，驱动桥10包括两个电 机(发电机12和电动机14)连同发动机16。行星齿轮单元18提供从发动机到 扭矩传递齿轮装置(其将驱动扭矩传递到如22所示的用于车辆牵引轮的车桥 和差速器总成)的机械分流式动力传递路径。提供协调的车辆控制系统，该系 统用于管理从每种动力源到牵引轮的动力分配。这种协调需要控制算法来执 行来自两种动力源的动力、速度和扭矩的平衡。

所述控制系统包括用于发动机16的控制器、变速器控制模块(TCM)、高 电压电池和电池控制模块(BCM)以及再生制动系统模块(BSM)，以分别控制发 动机、驱动桥、电池和再生制动子系统。车辆系统控制器(VSC)通过与子系统 控制器通信来执行对整个车辆的评价和协调控制。车辆系统控制器管理和协 调动力系的功能，以满足驾驶员的动力请求并使来自多个子系统以及流向多 个子系统的能量流平衡。本发明将使用驾驶员行为变量，这是因为该变量在 实现最佳的车辆燃料经济性并降低车辆废气排放方面发挥重要作用。实时咨 询系统能够利用本发明给驾驶员提供关于加速踏板输入和制动踏板输入的最 佳操作的直接建议，以帮助驾驶员提高燃料经济性而不使用侵扰性命令。

模糊咨询控制器是自适应咨询系统的主要部件。模糊咨询控制器使用具 有模糊谓词(fuzzy predicate)的一组规则和近似推理方法(如随后的描述中的表 1所示)来大致概括说明瞬时燃料消耗、车辆速度、车辆加速度和驾驶员的扭 矩请求的策略，以确定说明最佳的燃料效率和操控性的扭矩请求的上限。控 制器计算的扭矩上限曲线(profile)是加速踏板位置的动态阈值，其被用作对在 意燃料经济性的驾驶员的咨询警告。控制器的输入变量由燃料消耗(fc_n或x₁)、 车辆速度(v_s或x₂)、车辆加速度(a_n或x₃)以及驾驶员加速踏板响应位置(ΔA_pp或x₄)的归一化(换算)值组成。

控制器的主要输出是建议的踏板位置变化(ΔA_{u_lim}或y₁)。这种建议的加 速踏板位置变化被积分，以获得进一步与实际的加速踏板位置A_pp进行比较的 建议的加速踏板位置阈值(A_th)。在当A_pp大于A_th的情况下，反馈信号(利用触 觉或视觉人-机界面HMI)被发送给驾驶员，该反馈信号指示存在可通过降低 加速踏板位置A_pp(即，通过减少瞬时扭矩请求)来提高车辆的燃料经济性的条 件。

除主要输出建议的踏板位置变化y₁之外，模糊咨询控制器还包括在传统 的模糊逻辑控制器中不常见的两个额外的输出。如图2中所示，这些额外的 输出是最大积分补偿50(I_{oft_max}或y₂)和最小积分补偿55(I_{oft_min}或y₃)。这两个 额外的输出将建议的加速踏板位置阈值的下限(A_pp+y₃)和上限(A_pp+y₂)动态 地调节到由实际的踏板位置限定的当前运行点。这些可调界限的目的在于避 免积分饱卷(integral windup)以及相关的饱和效应、随之发生的过冲和不期望 的瞬态。图2示出了这种模糊咨询控制器。这种模糊咨询控制器利用车辆驾 驶方面的经验和人类专家控制知识来直观地构造模拟期望的驾驶行为的策 略。

为了引入描述控制器中的输入-输出关系的规则库(rule-base)模型，输入 变量和输出变量被划分成模糊子集。控制器的输入变量被划分成两个模糊子 集(低或F_i，L以及高或F_i，H，i＝[1，4])，以更好地描述输入-输出的逻辑关系。输 入模糊子集被梯形函数形式化。针对最小积分补偿，积分补偿输出变量被划 分成三个模糊子集：高或h_2H、低或h_2L以及零或h_2Z，而建议的加速踏板位置 变化被量化成四个子集：高或h_1H、低或h_1L、负低或-h_1L以及负高或-h_1H。所 有的输出模糊子集均为模糊单点。输入-输出变量的划分分解了影响车辆燃料 经济性和性能的主要因素(瞬时燃料消耗、加速度、速度和加速踏板位置)的空 间，并作为咨询策略的基于规则的模型的基础。

表1 高级MIMO模糊咨询控制器的规则库

通过对表1中的16个规则的集合应用简单的推理方法来推导模糊咨询控 制器的这三个输出的确定值的矢量y＝[y₁ y₂ y₃]：

$y=\frac{{\Sigma }_j{F}_{1,j_1}\left(x_1\right)F_{2,j_2}\left(x_2\right)F_{3,j_3}\left(x_3\right)F_{4,j_4}\left(x_4\right)\left[h_{1,k_1}{h}_{2,k_2}{h}_{3,k_3}\right]}{{\Sigma }_j{F}_{1,j_1}\left(x_2\right)F_{2,j_2}\left(x_2\right)F_{3,j_3}\left(x_3\right)F_{4,j_4}\left(x_4\right)}---\left(1\right)$

其中，j_s＝{低，高}(s＝[1，4])，k₁＝{高，低，负高，负低}、k₂＝{高， 低，零}、k₃＝{零，负低，负高}表示这三个输出的矢量，是归一化输 入x_i触发(匹配)前提条件的隶属函数的程度。完整的模糊控制器系统在 对输出y₁积分之后的输出可通过下面的式子来描述：

其中，

0≤A_pp+y₂≤A_pp-y₃≤1                (3)

将y₁、y₂和y₃的值代入到式子(2)，得到下面的结果：

其中，A_th是建议的加速踏板位置阈值，如果A_th遵循式子(4)，则将导致 由表1中的规则库限定的燃料经济性的提高。可通过各种机构(例如，振动电 机安装在加速踏板上的触觉机构；或者仪表盘通过视觉HMI(人-机界面)来显 示建议的视觉机构)来提供这种建议。

模糊划分和规则库被用于使给节约燃料的驾驶提供建议的专家限定的策 略形式化。近似推理机制(1)-(4)将规则库转换成咨询控制器的非线性多输入多 输出(MIMO)的非线性映射。

实时咨询控制器是基于模糊规则的控制器，其使用与主要的驾驶员和车 辆相关的输入以及模糊规则库来将反馈提供给驾驶员，因此可提高车辆的燃 料经济性。

尽管具有规则库的这种实时咨询控制器在不对车辆的性能造成显著影响 的情况下使燃料经济性最佳化，但是具有不同类型的驾驶员风格的驾驶员(例 如，温和的驾驶员、一般的驾驶员或激进的驾驶员)会以不同的方式感知所述 反馈。例如，一方面，一些驾驶员基于其驾驶风格可能会认为这种反馈是侵 扰性的。即使有可能提高燃料经济性，这样的驾驶员也不会接受导致性能降 低的这种反馈或建议。另一方面，另一类驾驶员可能会认为这种反馈非常适 合他们的驾驶风格以及对燃料经济性与性能的偏好。因此，可通过监测驾驶 员的驾驶风格和行为来获悉驾驶员意图的自适应算法可被用于解决这些问 题。因此，这种算法的目的在于利用估计的驾驶员表征来使模糊咨询控制器 (表1)的参数动态地适应具体的驾驶员并提高其有效性。

自适应算法持续地监测驾驶员对咨询系统的建议(触觉信号)的反应，并 估计驾驶员对性能与燃料经济性的偏好。该自适应咨询算法背后的主要思想 在于：如果反馈机制不是驾驶员所期望的，则他或她的加速响应或行为将指 示反馈机制不是他或她所期望的这一事实。

从咨询反馈算法的角度来看，可定义两类驾驶风格。第一种类别的特点 是通常接受咨询系统的建议。由于咨询算法被设计成用来提高燃料经济性， 因此这种类别可与“在意燃料效率的驾驶风格”相关。第二种类别代表大部 分时间拒绝或忽视咨询系统的建议的驾驶风格。类似地，该类别可与“以性 能为导向的驾驶风格”相关。假设具体目标、驾驶条件、负载、驾驶员的认 知/情绪状态等会导致特定的驾驶员在不同的环境下表现出不同的驾驶风格， 那么与其对驾驶员进行表征倒不如对驾驶风格进行表征。

在数字上，可通过建议的踏板位置与实际的踏板位置之间的差(dA＝A_th- A_pp)来量化对咨询系统的建议的接受或拒绝。由于关于咨询系统的建议对驾驶 风格的评价未被明确定义并且是主观的，因此使用模糊子集来量化这两类驾 驶风格。利用基于具体的驾驶员行动的概率来评价这些类别。通过在dA全域 [-1，1]上定义的下面的隶属函数μ_a(dA_n)和μ_r(dA_n)来描述与接受/拒绝的类别相 关的模糊子集。图3示出了这两种类别在A_th和A_pp所有可能的组合的全域[-1，1] 上的隶属度之间的关系。

图3中的隶属函数可被赋给由特定的dA_k利用二维矢量L_n＝[μ_a(dA_n)， μ_r(dA_n)]′(表示对接受/拒绝类别中的每种类别的隶属度)表示的任何事件。例 如，dA_n＝0.2将转换成对接受和拒绝类别的隶属度：μ_a(0.2)＝0；μ_r(0.2)＝1。

隶属值的矢量L₀(n)在单一的驾驶事件和关于该事件的可能的驾驶员表 征之间进行关联。为了表征驾驶员的长期行为，我们需要利用由多个事件产 生的概率的解释。通过给每个事件添加隶属值，对总的可能性进行合计，由 此可将驾驶风格分类为接受/拒绝：

$L=\underset{n=1}{\overset{N}{\Sigma }}{[{\mu }_a\left({\mathrm{dA}}_n\right),{\mu }_r\left({\mathrm{dA}}_n\right)]}^{\prime }---\left(5\right)$

其中，N是样本总数。合计的可能性可被认为是频率(有时被称为模糊频 率)，这是因为它们显示了驾驶员的行动可被级联(cascade)成这两种类别的频 率和程度。

合计该可能性(即，添加隶属函数)的替代方案是：如果特定的隶属等级 大于规定的阈值(例如，0.9)，则加1，否则为0，从而计算所述类别的传统频 率。

根据合计的可能性，我们可计算接受/拒绝类别的概率： p_i＝L_i/(L₁+L₂)；i＝1，2。

由合计的可能性(模糊频率)来计算概率p_i，所述概率可被认为是“模糊” 概率。在此模糊化的原因是在表征这两种类别之间的关系时的不确定性。对 于类别被清楚地限定(由区间表示，而不是由模糊子集表示)的特殊情况，可能 性转换成布尔值，它们的合计值变成频率。因此，“模糊概率”p_i被转换为传 统概率。

概率p_i基于频率的计算可在形式上按照平均频率p_i＝(L_i/N)/(L₁/N+L₂/N) i＝1，2进行表达。

或者，平均频率可被它们的指数加权平均对应频率代替，此时，将较高 的权重赋给与最近的事件相关的可能性。在数字上，可通过应用在时域中实 现指数平滑算法的低通滤波器来实现产生较高的权重对应于近期的观测的加 权平均数的过程，如下所示：

L(n)＝FL(n-1)+(1-F)L₀(n)                (6)

其中，通过将一组指数地减小的权重赋给较早的观测，常数遗忘因子 0＜F≤1控制更新平均值L^*的速度。对于常数遗忘因子(F)，利用单位和(unit  sum)获得正权重(W)的矢量：

W＝[Fⁿ (1-F)F^n-1 (1-F)F^n-2…(1-F)]          (7)

矢量W描绘权重指数地减小的加权平均型合计算子，所述权重通过遗忘 因子F被参数化。参数F定义加权平均合计算子的存储深度(memory depth)(移 动窗的长度)。可见，存储深度K_F近似为遗忘因子的倒数，即，K_F＝1/(1-F)。 因此，隶属等级矢量的低通滤波值L^*(n)表示各个可能性在权重W上的加权 平均数。由于所有的合计可能性都是在长度为K_F＝1/(1-F)的同一移动窗上计 算出来的，因此我们可将其认为是与两种类别中的每种类别均相关的频率的 表示。加权平均数在指数属于软区间(soft interval)s∈{n-K_F+1，n]的事件上计算 得出；其中，符号“{”表示软下限，该软下限包括指数比(n-K_F)小且贡献度 相对低的值。因此，形成矢量L的合计可能性可被转换成概率。

通过运用遗忘因子或使其依赖于特定条件，我们从根本上改变了移动窗 长度并获得驾驶员偏好的长期或短期的接受/拒绝类别。

在数字上，如果通过划分成两个不相交区间来代替图3中的模糊划分， 则可显著简化驾驶员的风格的表征过程。在这种情况下，仅表征其中一种类 别就足够了。例如，如果拒绝类别被表征，那么我们得到：

L(n)＝FL(n-1)+(1-F)1    如果A_pp＞A_th    (8a)

L(n)＝FL(n-1)           其他            (8b)

对于不同值的遗忘因子F，我们获悉驾驶员风格的不同表征。然而，这 种简化对所获悉的关于驾驶员的信息的准确性有影响；例如，dA＝A_th-A_pp的小值和大值在式子(8a)和(8b)中的解释相同。

简化的基于学习的驾驶风格的表征由式子(8a)和(8b)限定。慢速定向遗忘 因子和快速定向遗忘因子被分别用于获悉长期的驾驶员行为和短期的驾驶员 行为两者。

学习控制方法的框架如下：

M1)确定使用学习机制的条件：在该步骤中，在可接受的驾驶条件(例如， 可接受的加速踏板位置、可接受的车辆速度和可接受的加速度)下激活该学习 机制。

M2)确定驾驶风格L_s的长期表征。在该步骤中，按如下方式确定基于慢 速遗忘因子的拒绝分类的学习：

M2-a)当加速踏板位置正在增加或者ΔA_pp为正时，按如下方式确定 慢速遗忘因子F_s：

F_s＝F_sp                (9)

其中，F_sp是当加速踏板位置正在增加或者ΔA_pp为正时慢速遗忘因 子的值。

M2-b)当加速踏板位置正在降低或者ΔA_pp为负时，按如下方式确定 慢速遗忘因子F_s：

 F_s＝F_sn                (10)

其中，F_sn是当加速踏板位置正在降低或者ΔA_pp为负时慢速遗忘因 子的值。

M2-c)当加速踏板位置A_pp小于或等于A_th时，则按如下方式确定驾 驶风格L_s的长期表征：

L_s(n)＝F_sL_s(n-1)         (11)

M2-d)当加速踏板位置A_pp大于A_th时，则按如下方式确定驾驶风格 L_s的长期表征：

L_s(n)＝F_sL_s(n-1)+(1-F_s)    (12)

驾驶风格L_s的长期表征缓慢地适应驾驶员的风格并总结其长期的主 要偏好。

M3)确定驾驶风格的短期表征。存在这样的情形，在该情形下，即使是 最在意燃料经济性的驾驶员也可能希望暂时牺牲对燃料经济性的提高。例如， 如果驾驶员正在并道或者超越另一辆车，则他或她可能希望暂时牺牲对燃料 经济性的提高来获得额外的车辆性能。在这样的情况下，驾驶员可能不希望 有反馈(触觉或视觉)侵扰。因此，使用驾驶风格的短期表征，并可使用快速遗 忘因子参数来暂时脱敏(desensitize)或降低在燃料经济性的提高方面的系统有 效性，以实现额外(高于驾驶员通常所期望的)的车辆性能或加速度。按如下方 式确定这种以降低燃料效率为代价来暂时提高性能的短期表征：

M3-a)当加速踏板位置A_pp大于A_th时，按如下方式确定快速遗忘因 子F_f：

F_f＝F_fp                (13)

其中，F_fp是当加速踏板位置A_pp大于A_th时快速遗忘因子的值。

M3-b)当加速踏板位置A_pp小于或等于A_th时，按如下方式确定快速 遗忘因子F_f：

F_f＝F_fnw               (14)

其中，F_fnw是当加速踏板位置A_pp小于或等于A_th时快速遗忘因子的 值(在快速遗忘临时状况的影响之前等待)。

M3-c)当加速踏板位置A_pp小于或等于A_th时，按如下方式确定快速 遗忘因子F_f：

F_f＝F_fnq               (15)

其中，F_fnq是当加速踏板位置A_pp小于或等于A_th时快速遗忘因子的 值(这导致快速遗忘临时状况的影响)。

M3-d)当加速踏板位置A_pp小于或等于A_th时，则按如下方式确定驾 驶风格L_f的短期表征：

L_f(n)＝F_fL_f(n-1)       (16)

M3-e)当加速踏板位置A_pp大于A_th时，则按如下方式确定驾驶风格 L_f的短期表征：

L_f(n)＝F_fL_f(n-1)+(1-F_f)    (17)

驾驶风格L_f的短期表征获悉并快速适应驾驶员的临时意图(即，由于 非一般的状况或期望而意图改变他或她的驾驶风格)，并在这样的状 况下设法阻止用于改善他或她的驾驶行为的反馈。因此，触觉或视 觉反馈根本不会对驾驶员的意图(即，以降低燃料经济性为代价来提 高性能)造成侵扰。

M4)确定驾驶风格的总的合计表征。通过长期表征和短期表征的乘积型 合计按如下方式来确定最终合计的驾驶员风格表征：

L_adpt(n)＝L_f(n)L_s(n)            (18)

这种合计分类L_adpt被迭代地调整并乘以模糊输入信号，即，归一化的燃 料消耗(fc_n)。因此，在基于多输入多输出模糊逻辑的实时咨询系统中，输入到 模糊燃料消耗隶属函数的归一化的燃料消耗被这种获悉的参数修改，该参数 根据估计的驾驶风格来调整实时咨询系统的行为。此外，该参数还修改实时 咨询控制器的行为，以适应提高燃料经济性的重要性被提高性能的期望所取 代的临时(或短期)状况。

这样，实时咨询系统中利用模糊推理机制的多输入多输出规则库(分解了 影响车辆燃料经济性和性能(瞬时燃料消耗、加速度、速度和加速踏板位置) 的主要因素的空间)可被获悉或适应具体的驾驶员风格和行为。

模糊咨询控制器可被有效地调整，以将反馈提供给驾驶员，从而可在现 实世界的驾驶环境中提高车辆的燃料经济性。然而，不同类型的驾驶员会以 不同的方式发现或感知该反馈。即使有可能提高燃料经济性，导致性能降低 的这种反馈或建议也不会被某类驾驶员接受。类似地，另一类驾驶员会认为 这种反馈太温和或者就其驾驶风格和对燃料经济性的提高的偏好而言低于他 们的期望，因此这类驾驶员会期望有更多的反馈或建议来自系统，以进一步 提高他们的车辆的燃料经济性。或者，某类驾驶员会认为这种反馈非常适合 他们的驾驶风格和对燃料经济性与期望性能的偏好。最后，即使对于同一驾 驶员，在不同环境下对燃料经济性与性能的偏好也有可能不同。因此，可通 过监测驾驶员的驾驶风格和行为来获悉驾驶员意图的自适应算法可被用于解 决这些问题。

该自适应算法利用估计的驾驶员表征来使模糊咨询控制器的参数动态地 适应具体的驾驶员并提高其有效性。如在前面的讨论中所解释的，所述自适 应算法持续地监测驾驶员对咨询系统的建议(触觉或视觉)的反应，并估计驾驶 员对性能与燃料经济性的偏好。自适应算法背后的主要思想在于：如果反馈 机制不是驾驶员所期望的，则他或她的加速响应或行为将指示反馈机制不是 他或她所期望的这一事实。因此，当前的驾驶员响应方面的控制信息可被用 于获悉反映驾驶员经权衡所期望的性能和燃料经济性的类型的参数。这样， 驾驶员对性能和燃料经济性的权衡的期望可随着时间的推移而被汇集成获悉 的因素，该因素然后将会被用于模糊咨询控制器的增益调整。换句话说，提 出的自适应算法持续地获悉驾驶员对由模糊咨询控制器发出的建议是接受或 拒绝，并随着时间的推移使其适应驾驶员期望的行为。

由于基于规则的模糊算法提供可被驾驶员接受或拒绝的建议，因此针对 这种算法我们可将驾驶风格分类成两种类别。就第一种类别而言，来自控制 器的建议被接受，这表示驾驶员期望提高燃料经济性。因此，这种类别可与 在意燃料效率的驾驶风格相关。第二种类别与拒绝或忽视来自咨询系统的建 议的驾驶员相关。这里应该注意的是，对驾驶风格进行表征而不对驾驶员进 行表征，这是因为驾驶风格包括具体的驾驶员和车辆环境目标(例如，驾驶条 件、负载、驾驶员的认知/情绪状态等)，而这些会导致特定的驾驶员在不同的 环境下表现出不同的驾驶风格。

对咨询系统建议是接受或拒绝可通过所述建议的频率而被量化。由于接 受/拒绝事件是互补的，因此计算接受/拒绝事件中的一个事件(例如，拒绝事 件)的发生频率就足够了。在数字上，可通过应用实现指数平滑算法的低通滤 波器来实现拒绝事件(较高的权重对应于近期的观测)的加权频率的递归计算 过程：

如果A_pp＞A_th        (19)

其他                (20)

其中，常数遗忘因子控制更新拒绝系统建议的事件(即，A_pp＞A_th) 的加权平均值L的速度。对于常数遗忘因子可利用单位和来获得正权重 的矢量，如下所示：

矢量W描绘权重指数地减小的加权平均型合计算子，所述权重通过遗忘 因子被参数化。参数定义加权平均合计算子的存储深度(移动窗的长度)。 可见，存储深度近似为遗忘因子的倒数，即，加权平均数在 指数属于软区间的事件上计算得出；其中，符号“{”表示软下 限，该软下限包括指数比小且贡献度相对低的值。

通过运用遗忘因子或使其依赖于特定条件，从根本上改变了移动窗长度 并获得驾驶员偏好的长期或短期的拒绝类别。

对于不同值的遗忘因子获悉驾驶员风格的不同表征(长期或短期)。 然而，这种简化对所获悉的关于驾驶员的信息的准确性有影响；例如，dA＝A_th-A_pp的小值和大值在式子(19)和(20)中的解释相同。

包括在式子(19)和(20)中的慢速遗忘因子和快速遗忘因子被分别用于获 悉长期的驾驶员行为和短期的驾驶员行为两者。慢速遗忘因子被用 于提供对驾驶风格在较长时间上的长期表征：

如果A_pp＞A_th    (22)

其他            (23)

存在这样的情形，在该情形下，即使是最在意燃料经济性的驾驶员也可 能希望暂时牺牲或忽视提高燃料经济性的重要性。例如，如果驾驶员正在并 道或者超越另一辆车，则他或她可能希望暂时牺牲对燃料经济性的提高来获 得额外的车辆性能。在这样的情况下，驾驶员可能不希望有反馈(触觉或视觉) 侵扰。因此，使用驾驶风格的短期表征和快速遗忘因子：

如果A_pp＞A_th    (24)

其他            (25)

其中，是快速遗忘因子的值其提供驾驶员的瞬时偏好的替 代措施。通过长期表征和短期表征的乘积型合计按如下方式来确定总体合计 的驾驶员风格表征：

L_adpt(n)＝L_f(n)L_s(n)            (26)

这种合计的表征值L_adpt被用于咨询控制器的增益调整。通过以当前合计 的表征值L_adpt乘以(换算)输入x₄(归一化的燃料消耗(fc_n))来执行该增益调整。 归一化的燃料消耗fc_n的这种动态缩放的作用是使表达式(27)中的隶属函数值 适应对系统建议的加速踏板位置阈值A_th(即，估计的驾驶风格) 的拒绝率。因此，这导致对从规则的前提条件合计的隶属值以及如下所示的 由模糊控制器推导出的输出的调整：

$y=\frac{{\Sigma }_j{F}_{1,j_1}\left(x_1\right)F_{2,j_2}\left(x_2\right)F_{3,j_3}\left(x_3\right)F_{4,j_4}\left(L_{\mathrm{adapt}}{x}_4\right)\left[h_{1,k1}{h}_{2,k2}{h}_{3,k3}\right]}{{\Sigma }_j{F}_{1,j_1}\left(x_1\right)F_{2,j_2}\left(x_2\right)F_{3,j_3}\left(x_3\right)F_{4,j_4}\left(L_{\mathrm{adapt}}{x}_4\right)}---\left(27\right)$

显然，获悉的参数修改实时咨询控制器的行为，以适应提高燃料经济性 的重要性被提高性能的期望所取代的临时(或短期)状况。

图4示出了用于改变驾驶员行为的影响以给模糊咨询控制器提供输入的 自适应算法40。尽管符号“′”被添加到图4中的标号，但是图4的图示的其 他部件与图2中相应的部件携带相同的标号。

在图4的设计中，限定了基于模糊规则的驾驶员咨询控制器、输入变量、 输出变量以及相关的模糊规则集。其中的两个输入是燃料经济性误差和燃料 经济性误差的变化率。除这些输入之外，第三输入是发动机功率。这些输入 仅对HEV的总体燃料经济性有影响，而不考虑操控性和对驾驶员的侵扰。另 外，这些输入仅可提供完全基于反馈的基于非线性模糊逻辑的控制，且既不 会考虑可预测性也不会考虑伺机条件，从而在不影响操控性的情况下提高燃 料经济性。

为了将操控性考虑在内，预测的要素和利用伺机状态的能力很重要。在 图2的图示中使用的输入(如52所示)中的一个输入是燃料经济性，其被计算 为车辆速度与燃料消耗之比。由于车辆速度是车辆驾驶状态(城市型或高速公 路驾驶)的良好的指示器，因此使用燃料消耗和车辆速度作为输入(而不是仅使 用燃料经济性作为输入)更为恰当。因此，用于实现提高的燃料经济性和操控 性的这两个新的输入是归一化的燃料消耗(fc_n)和车辆速度(vs)。归一化的燃料 消耗是在给定的驾驶条件期间瞬时或实际的燃料消耗与最大燃料消耗之比。

为了提出用于可接受的操控性或性能的标准，车辆应当随时都能达到可 接受的最小加速度。因此，其他输入中所需要的一个输入是归一化的车辆加 速度(a_n)，即，在给定的驾驶条件期间瞬时或实际的车辆加速度与可能的最大 车辆加速度之比。

为了预测驾驶员行为并利用驾驶员行为的伺机状态，驾驶员踏板响应 (ζ_ΔA)(实际的踏板位置和经适当滤波的踏板位置之间的差)也被选为输入(如52 所示)。

改进的控制器的至少一个输出是建议的加速踏板位置变化(Δ)(ΔA_{u_lim})53 连同两个其他输出，即，最大积分补偿50(I_{oft_max})和最小积分补偿55(I_{oft_min})， 从而产生多输入多输出(MIMO)的高级模糊控制器。来自这种控制器的所述建 议的加速踏板位置变化被提供到积分器42中，基于实际的踏板位置48和最 小积分补偿以及实际的踏板位置和最大积分补偿50来计算积分器42的下限 和上限，如图2中所示。图2的这种高级模糊控制器利用对模糊咨询控制器 的测试和使用的经验以及人类控制知识来直观地构造更加先进的智能控制 器，从而构造而成的控制器将在一定程度上模拟期望的驾驶行为。图2示出 了模糊咨询控制器46。

基于MIMO(多输入/多输出)模糊规则的驾驶员咨询控制器的设计特性如 下：1)输入变量由驾驶员加速踏板响应(ζ_ΔA)、车辆速度(vs)、归一化的车辆加 速度(a_n)以及归一化的燃料消耗(fc_n)组成；2)输出变量由建议的踏板位置变化 (ΔA_{u_lim})、最大积分补偿(I_{oft_max})以及最小积分补偿(I_{oft_min})组成；3)输入模糊集 或隶属函数被选择为低梯形函数和高梯形函数，其中，b_1L、b_2L、b_3L、b_4L表 示梯形函数的低值；4)针对建议的加速踏板位置变化(Δ)、最大积分补偿以及 最小积分补偿的三个输出模糊集是单点型的。针对最大积分补偿的输出模糊 集是表示高值(h_2H)、低值(h_2L)和零值(h_2z)的单点型。类似地，针对最小积分补 偿的输出模糊集是表示负高值(负高或-h_3H)、负低值(负低或-h_3H)和零值(h_3Z) 的单点型。最后，针对建议的加速踏板位置变化的输出模糊集是表示高值 (h_1H)、低值(h_1L)和负高值(负高或-h_1H)的单点型。以上在表1中描述了用于这 种控制器的模糊规则。

表1中的规则举例说明了不同的HEV条件，例如，稳态和瞬态连同基于 反馈的校正、伺机和预测条件。这些条件由规则前提以及相应地建议的加速 踏板上限的变化(作为结果)来限定。制定这些规则使得它们描述并讨论各种不 同的驾驶条件，在这些驾驶条件下，可提高燃料效率并可实现可接受的车辆 性能。

如上所述，制定模糊规则使得它们能够在各种HEV驾驶行为之间进行区 分并作出伺机、预测或校正的决定。在这些模糊规则当中，一些规则意在覆 盖稳态条件，其他规则将覆盖瞬态条件。此外，这些模糊规则覆盖需要快速 的校正措施或缓慢的校正措施来提高车辆的燃料经济性的条件。另外，一些 其他模糊规则为控制器提供对情况进行预见的能力，在这种情况下，控制器 可检测到由于一些环境因素而导致燃料消耗效率低的条件，并将适当地设置 其输出以寻找机会指示驾驶员改善驾驶行为。此外，一些其他规则查看当前 燃料消耗低的当前条件，但由于驾驶员行为而使其能够预测燃料经济性在不 久的将来将会降低，因此可采取预测措施，以提供机制来避免可能的不期望 的行为。

例如，规则8(其中，x₁(n)低，但x₂(n)、x₃(n)和x₄(n)都高)示出了车辆加 速度和燃料消耗都高的基本稳态条件，因此需要通过向驾驶员指示他/她需要 减速来采取快速的校正措施，这通过为第一输出(y₁(n)或ΔA_{u_lim})设定负高值 (-h_1H)，为第二输出(y₂(n)或I_{oft_max})设定零值(h_2Z)并为第三输出(y₃(n)或I_{oft_min}) 设定负高值(-h_3H)来实现。

规则6(其中，x₁(n)低，x₂(n)高且x₃(n)低，x₄(n)高)指示系统处于稳态条件 并且燃料消耗高的伺机条件，因此控制器需要指示驾驶风格良好但同时需要 准备寻找机会改善燃料消耗，这通过为第一输出(y₁(n)或ΔA_{u_lim})设定低值 (h_1L)，为第二输出(y₂(n)或I_{oft_max})设定低值(h_2L)并为第三输出(y₃(n)或I_{oft_min})设 定零值(h_3Z)来实现。

规则9(其中，x₁(n)高但x₂(n)、x₃(n)和x₄(n)都低)指示当前燃料消耗和加 速条件都良好的预测条件，但由于驾驶员响应较快而使控制器需要采取预测 措施来应对燃料消耗方面的任何即将到来的低效率，这通过为第一输出(y₁(n) 或ΔA_{u_lim})设定负低值(-h_1L)，为第二输出(y₂(n)或I_{oft_max})设定高值(h_2H)并为第 三输出(y₃(n)或I_{oft_min})设定零值(h_3Z)来实现。

总之，这些规则提供一种根据动力系的条件为高级MIMO模糊咨询控制 器安排适当的输出的方法。

尽管公开了本发明的具体实施例，但是在不脱离本发明的情况下，本领 域技术人员可进行修改。所有的这些修改均意在落入权利要求的范围之内。