【摘要】為了增強車輛制動能量回收效率和保持制動穩(wěn)定性，提出了一種綜合考量駕駛員風格和路面附著特性的能量回收方法。首先，根據(jù)不同駕駛員數(shù)據(jù)提取駕駛風格特征參數(shù)，基于支持向量機（SVM）訓練駕駛風格辨識模型；然后，通過U-Net網(wǎng)絡(luò)對路面圖像進行預(yù)處理，并使用輕量級網(wǎng)絡(luò)MobileNet V3訓練路面高效辨識模型；最后，結(jié)合駕駛風格與路面辨識結(jié)果，對車輛前、后軸制動力的變比值進行分配，提出一種考慮駕駛風格與路面附著條件權(quán)重來確定再生制動力的方法，并在此基礎(chǔ)上完成制動能量回收策略制定。仿真結(jié)果表明：對于不同路面，制動效能與制動穩(wěn)定性明顯提升；在WLTC與NEDC循環(huán)工況中，電池SOC分別提高了2.13百分點、1.02百分點，使整車制動穩(wěn)定性與經(jīng)濟性得到進一步提升。

主題詞：電動汽車 能量回收策略 駕駛風格 路面附著系數(shù)

中圖分類號：U469.72；TH113.2" "文獻標志碼：A" " DOI： 10.19620/j.cnki.1000-3703.20240193

Braking Energy Recovery Strategy Considering Driving Styles and Road Surfaces

Zhang Bingzhan1，2， Bian Boqian1， Yang Ziheng1， Zhao Xiaomin1， Qiu Mingming3

（1. Hefei University of Technology， Hefei 230000; 2. AnHui Key Laboratory of Digit Design and Manufacture， Hefei University of Technology， Hefei 230001; 3. National and Local Joint Engineering Research Center of Automotive Technology and Equipment， Hefei 230009）

【Abstract】In order to enhance the vehicle braking energy recovery efficiency and maintain braking stability， this paper proposes a comprehensive energy recovery method that takes the drivers’ styles and road adhesion characteristics into account. Firstly， the driving style feature parameters are extracted from different drivers’ data， and the driving style recognition model is trained based on the Support Vector Machine （SVM）. Then， the road images are preprocessed using the U-Net network， and the lightweight network MobileNet V3 is trained to recognize the road surface efficiently. Finally， combined with the recognition results of driving styles and road surfaces， the variable ratio of braking force of the front and rear axles of the vehicle is allocated， and a method is proposed to determine the regenerative braking force considering the weight of driving styles and road adhesion conditions， the braking energy recovery strategy is formulated on this basis. The simulation results show that the braking efficiency and stability are significantly improved for different road surfaces; the SOC of the battery is improved by 2.13 percentage points and 1.02 percentage points in the WLTC and NEDC cycle conditions respectively， further improving the overall braking stability and economy of vehicles.

Key words： Electric vehicle（EV）， Energy recovery strategy， Driving style， Road adhesion coefficient

1 前言

制動能量回收是提升電動汽車續(xù)駛里程的關(guān)鍵技術(shù)，在增強能源回收效率、保障制動系統(tǒng)穩(wěn)定性以及優(yōu)化駕乘舒適度方面發(fā)揮重要作用，對于電動汽車綠色、高效發(fā)展具有重要意義[1-2]。

對于考慮車輛行駛路面或行駛工況方面，Chen等根據(jù)路面附著條件對再生制動過程的影響，提出了基于實時評估路面附著系數(shù)的制動力分配方法，確保各路面條件下均能達到較好的制動性能與能量回收率，但未考慮駕駛員行為對再生制動過程的影響，且路面附著識別效果依賴于路面觀測器的設(shè)計[3-4]。李波[5]等通過考慮不同路面附著條件，選擇能量回收、穩(wěn)定性等目標進行優(yōu)化，提升了策略在高、低附著路面的適用性，但在實際復(fù)雜路況中應(yīng)用的局限性較大。

對于考慮電池、電機等車輛狀態(tài)方面，Zheng等基于模糊算法的電機制動力校正策略，在不同車速與制動強度條件下合理分配制動力，提升了電池壽命，但該算法更多依賴于專家經(jīng)驗與規(guī)則集的構(gòu)建[6-7]。Pei等以能量回收率和制動安全性為目標，制定了制動轉(zhuǎn)矩分配策略，但未考慮環(huán)境因素影響[8-9]。

對于考慮駕駛行為、環(huán)境等綜合因素方面，Xu[10]等設(shè)計了一種制動力預(yù)分配策略，在提升能量回收的同時，保證了車輛穩(wěn)定和乘客舒適，但針對駕駛員的制動意圖識別未考慮駕駛風格的變化，未考慮不同路況和系統(tǒng)復(fù)雜性的影響。Qiu[11]等根據(jù)車輛的再生制動系統(tǒng)，提出了一種綜合考慮駕駛風格與行駛工況耦合影響的控制策略，但該策略未涉及不同路面附著條件下的駕駛情況。

鑒于實際駕駛環(huán)境復(fù)雜多變，當前研究大多數(shù)只考慮路面工況、駕駛行為或車輛狀態(tài)等單一因素，本文綜合考慮駕駛風格、路面附著條件、車速、制動強度、電池荷電狀態(tài)（State Of Charge，SOC）等因素的影響，提出了一種創(chuàng)新的制動能量回收策略，并通過不同循環(huán)工況的仿真測試，驗證該策略的有效性。

2 駕駛風格辨識

2.1 駕駛風格數(shù)據(jù)采集

本文通過駕駛員在環(huán)試驗，實時采集車速、制動踏板行程、加速踏板行程等數(shù)據(jù)。該試驗平臺由駕駛模擬設(shè)備、模擬駕駛軟件、STM32單片機及上位機軟件組成。通過城市汽車駕駛（City Car Driving）軟件，設(shè)置城市工況，選取3種駕駛風格的64位駕駛員，包含冷靜型（Calm）、普通型（Normal）和激進型（Aggressive），共采集302組數(shù)據(jù)。

為了表征不同的駕駛風格，選取平均車速、車速標準差、加速度平均值等16個特征參數(shù)，經(jīng)過數(shù)據(jù)標準化處理后，駕駛風格特征參數(shù)如表1所示。

2.2 駕駛風格識別網(wǎng)絡(luò)訓練

將駕駛風格的標準化特征參數(shù)作為輸入、駕駛風格類型作為輸出，使用支持向量機（Support Vector Machine，SVM）對駕駛風格識別網(wǎng)絡(luò)進行訓練，110組測試集數(shù)據(jù)結(jié)果如圖1所示。

由圖1可知，3種駕駛風格準確識別的樣例為104個，即駕駛風格辨識模型的測試準確率能夠達到94.5%。因此，該模型可以準確進行駕駛風格的辨識。

3 基于機器視覺的路面類型識別

通過車輛配置攝像頭獲取路面信息，結(jié)合深度學習在圖像處理領(lǐng)域的優(yōu)勢，獲得較好的路面識別效果并及時調(diào)整控制策略，從而提高車輛對不同路況的適應(yīng)性及面對突發(fā)情況的響應(yīng)能力。

3.1 路面圖像數(shù)據(jù)集

本文使用Cityscapes[12]、Oxford Radar RobotCar[13]、KITTI[14]等開源數(shù)據(jù)集與自建數(shù)據(jù)集，包括干瀝青、濕瀝青和冰路面3種路面類型。其中，不同路面類型各1 200張、共3 600張圖像作為路面分類網(wǎng)絡(luò)的數(shù)據(jù)集，訓練集、驗證集和測試數(shù)據(jù)集的比例為6∶1∶1。為了提高模型的適應(yīng)性，自建數(shù)據(jù)主要為不同時段、多種環(huán)境的路面圖像，如圖2所示。

3.2 路面圖像預(yù)處理

由于車輛前視攝像頭拍攝的路面圖像包含了大量的非路面信息，場景較復(fù)雜。若使用原始圖像進行網(wǎng)絡(luò)訓練，極易影響路面識別的準確度與效率。因此，本文使用U-Net網(wǎng)絡(luò)對圖像進行語義分割，同時提高預(yù)處理實時性。

在預(yù)處理階段，采用Cityscapes數(shù)據(jù)集訓練語義分割網(wǎng)絡(luò)，該數(shù)據(jù)集主要包含19種語義類別，共5 000張圖片。使用PyTorch搭建U-Net網(wǎng)絡(luò)，并選擇平均交并比（Mean Intersection over Union，MIoU）作為語義分割網(wǎng)絡(luò)的性能評價指標。損失函數(shù)驗證集MIoU曲線如圖3所示，訓練集損失函數(shù)約在0.06處收斂，驗證集約為0.09處收斂；驗證集MIoU值呈上升趨勢，任務(wù)結(jié)束時，MIoU達到63%，表明U-Net模型在語義分割任務(wù)上有相對較高的精確度。

最后，對語義圖像進行掩膜（Mask）處理，結(jié)果如圖4所示，經(jīng)過路面圖像預(yù)處理可剔除背景信息，提取有效的路面區(qū)域。

3.3 路面分類網(wǎng)絡(luò)訓練

鑒于預(yù)處理后的路面圖像不包含復(fù)雜信息，為了提高整體識別效率，采用輕量級MobileNetV3網(wǎng)絡(luò)進行分類識別任務(wù)，測試結(jié)果如圖5所示。在第200次迭代后，訓練集與驗證集的損失趨于穩(wěn)定，且驗證集損失函數(shù)在0.023 2處收斂。

為了最終評估所訓練的路面分類網(wǎng)絡(luò)的有效性，使用測試集對網(wǎng)絡(luò)的識別準確率進行測試。測試集共600張圖像，干瀝青、濕瀝青和冰路面圖像各200張。最終的測試混淆矩陣如圖6所示，測試集中共有571張圖像識別正確，平均準確率約為95.2%。

4 制動能量回收策略

4.1 策略制定

本文將前輪驅(qū)動的純電動汽車作為研究對象，以電池SOC和制動強度作為區(qū)分機械制動、復(fù)合制動的標準，結(jié)合駕駛風格與路面的辨識結(jié)果，制定制動能量回收策略。車輛主要參數(shù)如表2所示。

當車輛的SOCgt;80%時，為了保持電池的使用壽命，不宜進行再生制動，需采用純機械制動模式；當制動強度zgt;0.7時，判定車輛正在進行緊急制動，考慮制動穩(wěn)定性，需采用純機械制動模式；當電池SOC≤80%且處于非緊急制動時，需采用混合制動。通過考慮路面類型與駕駛風格識別結(jié)果確定分配系數(shù)β與再生制動力修正因子γ，在制動過程中實時調(diào)整策略，提高車輛對各種駕駛條件的適應(yīng)性。

4.2 Burckhardt輪胎模型

本文選用Burckhardt輪胎模型[15]，其表達式為：

[μλ=c11-e-c2λ-c3λλ=v-ωRv] （1）

式中：c1、c2、c3為路面附著條件參數(shù)，μ（λ）為輪胎滑移率λ對應(yīng)的利用附著系數(shù)，v為縱向車速，ω為車輪角速度，R為車輪半徑。

3種典型路面條件下，模型參數(shù)如表3所示。

表3 Burckhardt模型參數(shù)

[路面類型 c1 c2 c3 干瀝青 1.280 23.990 0.520 濕瀝青 0.857 33.822 0.347 冰路面 0.050 306.390 0 ]

4.3 考慮路面條件的制動力變比值分配

通過不同路面附著條件，優(yōu)化車輛制動力分配系數(shù)β，保持車輛的制動穩(wěn)定性。其中，制動力變比值優(yōu)化分配應(yīng)保證車輛的前、后輪在制動時滑移率降至最低，最大限度地發(fā)揮輪胎與路面的附著作用，同時，使后輪的滑移率始終低于前輪。

分析Burckhardt輪胎模型與輪胎縱向制動力，可將制動力變比值優(yōu)化分配問題視為有約束條件的非線性多變量函數(shù)，其數(shù)學模型為：

[minf=λ21+λ22s.t.λ2lt;λ1FX b1+FX b2=mzg0≤λ1≤10≤λ2≤1FX b1=μ1λ1·Fz1FX b2=μ2λ2·Fz2] （2）

式中：Fz1、Fz2分別為地面對車輛前、后輪的法向作用力，F(xiàn)X b1、FX b2分別為前、后輪受到的地面制動力，μ1（λ1）、μ2（λ2）分別為前輪、后輪滑移率的利用附著系數(shù)，m為車輛總質(zhì)量，z為制動強度，g為重力加速度，b為車輛質(zhì)心到后軸的距離。

結(jié)合ECE法規(guī)約束[16]與輪胎縱向制動力，約束條件為：

[β≤z2hg+zb+0.07hg+0.07b0.85zLβ≥1--z2hg+za-0.07hg+0.07a0.85zLβ≥zhg+bL] （3）

式中：hg為車輛質(zhì)心的高度，a為車輛質(zhì)心到前軸的距離，L為車輛軸距。

采用MATLAB的fmincon函數(shù)聯(lián)合約束式（2）、式（3）對目標函數(shù)進行求解，得到不同路面、不同制動強度時滑移率的最優(yōu)值，進而計算最優(yōu)分配系數(shù)β，結(jié)果如圖8所示。相同制動強度下，附著條件較好的路面，其分配系數(shù)越大；冰路面條件下，分配系數(shù)主要取決于ECE法規(guī)約束。

4.4 考慮駕駛風格與路面附著條件的再生制動力修正

相同工況下，駕駛員的駕駛風格越激烈，駕駛循環(huán)內(nèi)的平均制動踏板行程越大；相反，平均制動踏板行程越小。因此，本文通過駕駛循環(huán)內(nèi)平均制動踏板行程反映駕駛員的駕駛風格，駕駛風格的再生制動力修正因子為：

[αi=FmaxFGen，max，" " i=1， 2， 3] （4）

式中：Fmax為當前行駛條件對應(yīng)的最大再生制動力，F(xiàn)Gen，max為電機提供的最大再生制動力，i=1， 2， 3分別為冷靜型、普通型與激進型駕駛風格。

再生制動力修正因子確定的原則為：駕駛風格的激進程度越高，更注重汽車制動穩(wěn)定性，相應(yīng)地減少電機參與制動的程度；相反，電機參與制動的程度應(yīng)增加。對采集的平均制動踏板行程進行柯爾莫可洛夫-斯米洛夫（Kolmogorov-Smirnov，KS）檢驗，樣本均符合正態(tài)分布。將樣本滿足的一般正態(tài)分布轉(zhuǎn)化為標準正態(tài)分布，并選取80%的置信區(qū)間，確定各駕駛風格的平均制動踏板行程范圍。最后，將3種駕駛風格的平均制動踏板行程進行區(qū)間端點統(tǒng)一并進行[0，1]區(qū)間標準化，得到不同駕駛風格修正因子的范圍：冷靜型駕駛風格區(qū)間為0.773lt;α1≤1，普通型駕駛風格區(qū)間為0.364lt;α2≤0.773，激進型駕駛風格區(qū)間為0lt;α3≤0.364。

由于路面附著條件對電機參與制動的程度也存在較大影響，所以需考慮路面附著條件進一步確定修正因子。在高附著路面時，電機頻繁參與制動可提高能量回收，提升車輛經(jīng)濟性；在低附著路面時，更加注重車輛的制動穩(wěn)定性與安全性，需要限制再生制動。

參考GB/T 33195—2016《道路交通事故車輛速度鑒定》[17]的汽車滑動附著系數(shù)參考值表，設(shè)置當前路面的平均附著系數(shù)[μi=μleft+μright2]，其中i=1， 2， 3分別為干瀝青、濕瀝青和冰路面，μleft、μright分別為附著系數(shù)的下限和上限。不同路面類型的附著系數(shù)如表4所示。

因此，本文設(shè)定在干瀝青路面，電機可以最大程度參與制動，最終的修正因子為：

[γi=μiμ1αi，right-αi，left+αi，left，" " i=1， 2， 3] （5）

式中：αi，left、αi，right為修正因子αi的左、右端點，i=1， 2， 3分別為干瀝青、濕瀝青和冰路面，μ1為干瀝青路面對應(yīng)的平均附著系數(shù)。

5 仿真驗證

通過Simulink與Cruise聯(lián)合仿真進一步證明本文策略的有效性，將路面類型作為已知條件，在干瀝青、濕瀝青與冰路面條件下，先進行制動工況仿真，驗證考慮附著條件的變比值分配策略的合理性；再根據(jù)循環(huán)工況仿真，將車速跟蹤、電池SOC變化曲線及電機參與制動程度作為評價指標。

5.1 制動工況

設(shè)置車輛初始速度為80 km/h，在保證車輪不發(fā)生抱死的情況下，分別在3種不同路面條件下進行仿真，制動距離結(jié)果見表5，車輪滑移率結(jié)果如圖9所示。

試驗結(jié)果表明：在多種路面條件下，當車輛執(zhí)行常規(guī)制動且避免車輪抱死，相較于傳統(tǒng)的固定比值分配方法，采用優(yōu)化制動力分配方法可使后輪的滑移率顯著下降，從而產(chǎn)生較大的橫向反作用力，有利于增強車輛制動的穩(wěn)定性，表現(xiàn)出更優(yōu)越的制動效能。

5.2 循環(huán)工況

對于全球輕型汽車測試循環(huán)（World Light Vehicle Test Cycle，WLTC）工況和新歐洲循環(huán)周期（New European Driving Cycle，NEDC）工況的仿真結(jié)果如表6所示。

由表6可知，在兩種循環(huán)工況中，本文控制策略均能夠精準地跟隨目標車速。在駕駛風格識別測試中，駕駛員行為多傾向于冷靜型和普通型。在干燥瀝青路面與濕滑瀝青路面條件下，通過對比WLTC與NEDC兩種工況下的再生制動力變化曲線，當路面條件由干燥轉(zhuǎn)為濕滑時，能量回收的效率將下降。主要源于濕滑路面的附著條件限制了電機參與制動程度，迫使制動系統(tǒng)更依賴傳統(tǒng)液壓制動機制。該過程使車輛在附著條件較差的路面能夠增強車輛的穩(wěn)定性及制動性。

通過在干燥瀝青路面條件下，對比本文策略與目前廣泛采用的基于車速和制動強度策略、固定比值策略的電池荷電狀態(tài)與電機再生制動力變化，結(jié)果如表7所示。在良好的路面附著條件下，駕駛員呈現(xiàn)冷靜型或普通型駕駛風格時，電機在制動過程的平均參與度較高。相較于其他策略，本文策略更加重視經(jīng)濟性，節(jié)能效果優(yōu)勢明顯。在WLTC和NEDC兩種不同的工況結(jié)束時，相比于傳統(tǒng)固定比值策略，電池SOC分別提高2.13百分點和1.02百分點。

6 結(jié)束語

本文針對前驅(qū)純電動汽車的制動能量回收策略進行了深入研究，通過優(yōu)化制動力分配策略，并綜合考慮駕駛員風格與路面附著條件兩個關(guān)鍵影響因素對再生制動力進行修正。仿真結(jié)果表明：本文策略相較于其他常用策略，在制動距離和穩(wěn)定性方面有顯著優(yōu)勢，且可以實現(xiàn)更高的能量回收率。

從純電動汽車節(jié)能與制動性能角度出發(fā)，本文策略有效提高了能量利用率，增加了汽車續(xù)駛里程，當車輛處于挑戰(zhàn)性的道路環(huán)境或激進駕駛時，仍能夠保持良好的制動表現(xiàn)。

參 考 文 獻

[1] ZHAO F Q， LIU X L， ZHANG H Y， et al. Automobile Industry under China’s Carbon Peaking and Carbon Neutrality Goals： Challenges， Opportunities， and Coping Strategies[J]. Journal of Advanced Transportation， 2022（1）： 1-13.

[2] 馬建， 李學博， 趙軒， 等. 電動汽車復(fù)合制動控制研究現(xiàn)狀綜述[J]. 中國公路學報， 2022， 35（11）： 271-294.

MA J， LI X B， ZHAO X， et al. Electric Cars Composite Braking Control Research Status Review[J]. China Journal of Highway and Transport， 2022， 35（11）： 271-294.

[3] CHEN Q P， LV Z Y， XU W H， et al. Regenerative Braking Control Strategy Based on Pavement Recognition Controller for Electric Vehicle[J]. Energy Technology， 2023， 11（10）： 2194-4288.

[4] SPICHARTZ P， SOURKOUNIS C. Brake Force Distributions Optimised with Regard to Energy Recovery for Electric Vehicles with Single Front-Wheel Drive or Rear-Wheel Drive[J]. IET Electrical Systems in Transportation， 2019， 9（4）： 186-195.

[5] 李波， 潘盼， 沈海燕， 等. 智能分布式驅(qū)動汽車路徑跟蹤/制動能量回收協(xié)同控制策略研究[J]. 中國公路學報， 2022， 35（7）： 292-304.

LI B， PAN P， SHEN H Y， et al. Research on Path Tracking/Braking Energy Recovery Collaborative Control Strategy of Intelligent Distributed Drive Vehicle[J]. China Journal of Highway and Transport， 2022， 35（7）： 292-304.

[6] ZHENG Z A， LIANG C， LV H M， et al. Research on Composite Braking Mode Switching Strategy Based on Fuzzy Algorithm[J]. Advanced Theory and Simulations， 2022， 6（2）.

[7] 常九健， 張煜帆. 基于EMB的純電動汽車制動能量回收優(yōu)化控制策略研究[J]. 汽車工程， 2022， 44（1）： 64-72.

CHANG J J， ZHANG Y F. Pure Electric Vehicle Braking Energy Recovery Based on EMB Optimization Control Strategy Research[J]. Automotive Engineering， 2022， 44（1）： 64-72.

[8] Pei X， Pan H， Chen Z， et al. Coordinated Control Strategy of Electro-Hydraulic Braking for Energy Regeneration[J]. Control Engineering Practice， 2020， 96（6）.

[9] 王偉， 曲輔凡， 楊鈁， 等. 基于NSGA-II算法的分布式驅(qū)動電動汽車制動轉(zhuǎn)矩分配控制策略研究[J]. 汽車技術(shù)， 2024（5）： 22-30.

WANG W， QU F F， YANG F， et al. Research on Braking Torque Distribution Control Strategy of Distributed Drive Electric Vehicle Based on NSGA-II Algorithm[J]. Automotive Technology， 2024（5）： 22-30.

[10] XU S W， ZHAO X， YANG N X， et al. Control Strategy of Braking Energy Recovery for Range-Extended Electric Commercial Vehicles by Considering Braking Intention Recognition and Electropneumatic Braking Compensation[J]. Energy Technology， 2020， 8（9）.

[11] QIU M， YU W， WANG L， et al. A Regenerative Braking Control Strategy for ICVs Considering the Coupling Effect of Driving Conditions and Driving Styles[J]. IEEE Transactions on Vehicular Technology， 2023， 72（6）： 7195-7210.

[12] CORDT M， OMRAN M， RAMOS S， et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA： IEEE， 2016： 3213-3223.

[13] BARNES D， GADD M， MURCUTT P， et al. The Oxford Radar Robotcar Dataset： A Radar Extension to the Oxford Robotcar Dataset[C]// Proceedings of 2020 IEEE International Conference on Robotics and Automation （ICRA）. Paris， France： IEEE， 2020： 6433-6438．

[14] GEIGER A， LENZ P， STILLER C， et al. Vision Meets Robotic： The Kitti Dataset[J]. International Journal of Robotics Research， 2013， 32（11）： 1231–1237.

[15] BURCKHARDT M， FAHRWERK T. Fahrwerktechnik， Radschlupf-Regelsysteme[M]. Wurtzburg： Vogel-Verlag， 1993.

[16] Ghana Standards Authority. Uniform Provisions Concerning the Approval of Vehicles of Categories M，N and O with Regard to Braking[S]. Ghana： Ghana Standards Authority， 2019.

[17] 全國道路交通管理標準化技術(shù)委員會. 道路交通事故車輛速度鑒定： GB/T 33195—2016[S]. 北京： 中國標準出版社， 2016.

Traffic Management. GB/T 33195—2016 Identification for the Speed of Vehicle Involved in Road Traffic Accident[S]. Beijing： Standards Press of China， 2016.

（責任編輯 瑞 秋）

*基金項目：國家自然科學基金項目（52472404）；中央高?；究蒲袠I(yè)務(wù)費專項資金項目（PA2023GDSK0065）；蕪湖市科技計劃項目（2023jc-04）。