2. 中国人民解放军陆军研究院, 北京 100012
2. Army Research Institute of PLA, Beijing 100012, China
近年来，混合动力汽车研发受到汽车制造厂商和消费者的广泛关注[1]。针对混合动力汽车的节能控制，世界各大高校和汽车企业相继开展了相关技术研究。早期研究多集中在混合动力汽车能量管理与优化方面，包含基于规则的能量管理策略和基于优化的能量管理策略，前者包括基于确定规则和基于模糊规则的策略，后者包括基于线性规划、动态规划、遗传算法等方法的全局优化策略和基于等效能耗最小、模型预测控制、人工神经网络、最小值原理等方法的实时优化策略[2-3]。在节能驾驶辅助控制方面，急加速和急减速等激进驾驶操作被认为是高耗能行为，车辆行驶速度优化和最优速度控制成为节能控制的研究热点。Edmunds等[4]比较了急加速、急减速等激进驾驶与缓加速、缓减速等温和驾驶对能耗的影响，实验结果表明，温和驾驶比激进驾驶平均节省31%的能耗。Barth等[5]研究建立了一套动态驾驶策略，利用车辆地理位置和实时路段交通信息(包括路段平均速度和服务水平等)为车辆设置规定速度，减少频繁加速或减速，从而减少能量消耗。研究结果表明，该策略在不严重影响行驶时间的前提下，使能量消耗降低10%~20%。Grossard等[6]采用类似的方法，设计了电动车辆驾驶辅助系统，为车辆提供建议的行驶速度，同样取得了较为理想的节能效果。Kuriyama等[7]和Miyatake等[8]将最优控制模型引入到节能驾驶辅助控制中，在假定的道路交通条件、车辆性能和时间约束的情况下，以全过程的总能耗作为规划目标建立最优控制模型，求解车辆在各个时刻的最优速度，并绘制最优速度曲线，为特定条件下的车辆行驶提供指导。Mensing等[9]以速度和加速度作为控制变量，求解一定条件下的节能驾驶曲线。Wu等[10]利用能耗模型建立了车辆最优控制模型，并以此提出了一个可以实现人机交互的能耗最优控制系统。Van Keulen等[11]基于循环工况、道路坡度以及速度约束，设计了混合动力车辆的纵向最优行驶速度规划算法。但上述研究中的能量管理和节能辅助控制策略均基于特定工况制定，没有充分考虑前方车辆运动状态等复杂交通环境信息动态时变对混合动力车辆能量管理的影响，在车辆节能性方面有待进一步优化；此外系统设计过程中也没有考虑前车运动信息对混合动力车辆制动能量回收的影响，仍有一定节能空间。随着智能交通的发展，基于交通环境信息的车辆节能控制受到越来越多的关注，Rakha等[12]探讨了通过交互设备感知交通状态的前提下改变车辆驾驶方式的可能性。Bhavsar等[13]基于车联网技术研究了插电式混合动力车辆红绿灯通行时的节能优化方法，结果表明城市路况下节能可达70%。Lang等[14]和Zhang等[15]利用无线通信技术，获知前方车辆运动信息及远处交通等信息，采用Bayes网络方法对前车未来运动行为进行预测，进而实现对自车行驶速度和功率输出的优化。但是，上述研究因依赖于智能交通和无线通信技术的发展与应用，现阶段技术不成熟且实验成本较高，目前还多停留在理论层面。
为了进一步挖掘混合动力汽车的节能潜力，解决现有节能控制依赖特定工况设计造成的能量利用效率不高的问题，本文基于结构共用的思想，提出共用智能混合动力汽车的防撞雷达进行基于场景划分的节能控制策略，并进行了系统设计与实车试验验证。
1 结构共用方法及应用概述结构共用(structure sharing)的概念在机械设计领域被定义为“利用同一结构实现多个系统功能”[16]。采用结构共用方法对复杂系统进行优化，一方面可以提高资源利用率，另一方面可以在不增加成本的前提下提高系统综合性能[17]。将该方法引用到智能混合动力汽车领域，可以归纳出智能混合动力汽车结构共用方法的定义：在混合动力汽车系统集成设计中，充分利用系统某硬件蕴含的物理特性(包括信息流、能量流和机械本体)，实现系统多个功能或拓展其功能在不同子系统中的应用，进而提高系统综合性能的一种优化方法。
结构共用方法适用于智能混合动力汽车等复杂机电系统的架构设计和优化集成。在系统架构设计阶段，采用自上而下“功能定义—功能分解—组合优化—结构合并”的技术途径，在满足系统总体功能需求的前提下，通过优化组合各功能模块对应的结构单元，合并功能重叠的结构，实现结构优化与简化。在系统集成阶段，采用由前往后“系统结构分解—结构体物理特性定义—新环境下功能拓展”的技术途径，在不增加硬件结构的前提下，通过原有硬件的功能拓展来提升系统集成后的综合性能。基于该方法，拓展智能混合动力汽车中原来主要用于主动安全控制的前向雷达信息流，复用于混合动力汽车的能量管理和节能控制，提出了雷达共用型智能混合动力汽车节能控制系统，如图 1所示。将雷达感知的前车运动信息同时应用于车辆的主动安全和能量管理，通过提前优化驱动电机等动力部件工作状态，在保证行车安全和不增加硬件成本的前提下，实现节能控制。下面将详细介绍该智能节能控制(intelligent energy-saving control，IEC)系统的总体架构与控制策略。
|
| 图 1 雷达共用型智能混合动力汽车结构示意图 |
2 IEC系统总体架构与控制策略 2.1 总体架构与节能原理
混合动力汽车IEC系统采用分层式控制，共分为上、中、下3层，如图 2所示。
|
| 图 2 节能控制系统总体架构图 |
上层为场景分析层，包括驾驶员意图识别、系统状态识别和安全态势评估3部分，其中驾驶员意图识别主要是根据IEC开关、当前档位、加速踏板开度、制动踏板开度、转向灯信号或方向盘转角等识别驾驶意图；系统状态识别是根据自车速度、与前车相对距离、相对速度或目标速度、横摆角速度、系统故障信息等判断是否需要开启IEC功能；安全态势评估是根据雷达获取的前方车辆相对运动信息进行场景分析，决定IEC开启、待机与退出状态。
中层为模式决策与切换层，根据雷达获取的前方车辆相对距离与相对速度，将行车场景划分为4种状态：远距离远离、远距离接近、近距离远离和近距离接近，分别对应4种节能模式，依据自车运动状态及与前车的相对运动信息进行模式切换。
下层为转矩控制层，包括驱动转矩限制、制动模式切换和转矩协调控制，用于对各模式下的电机驱动转矩和制动转矩进行控制，并确保不同模式下输出转矩无缝衔接和平滑过渡。
图 2中，PA为IEC开关位置，α为加速踏板行程，β为制动踏板行程，PL、PR分别为左右转向指示灯开关位置，Pg为变速器当前挡位，v为自车车速，dR为相对车距，vr为相对车速, ωr为横摆角速度，CE为IEC的开启状态，Tm为电机期望转矩。
IEC系统节能基本原理为：基于雷达对前方车辆相对速度、距离的感知，对行车安全态势进行评估，并将两车之间运动场景划分为4种状态，分别对应4种模式，根据行车场景变化，对混合动力汽车进行模式切换，通过优化不同模式下的驱动转矩及增加制动能量回收，实现节能控制。
2.2 IEC系统开启与退出控制策略节能控制要遵循的原则是：符合驾驶员意图，不干扰驾驶员的操作，保证行车的安全。因此IEC是否开启取决于驾驶意图和自车运动状态，前者主要通过IEC开关位置、加速踏板行程、制动踏板行程、转向指示灯开关位置进行识别，后者包括当前档位、车速、横摆角速度、系统故障信息等。为了符合驾驶员意图，当IEC开关关闭、变速器挡置于非前进档、加速踏板行程大于设定阈值时，IEC关闭；为了不干扰驾驶员操作并保证行车安全，转向灯开启、正在转弯或换道、或系统发生故障时，IEC关闭。由此建立IEC系统的开启与退出关系式：
| $ {C_{\rm{E}}} = \left\{ \begin{array}{l} 1,\;\;\;\left( {{P_{\rm{A}}} = 1\& \alpha < {\alpha _{\rm{t}}}\& {P_{\rm{L}}} = 0\& {P_{\rm{R}}} = } \right.\\ \;\;\;\;\;\left. {0\& {P_{\rm{g}}} > 1\& {\omega _{\rm{r}}} < {\omega _{\rm{0}}}\& {d_{\rm{r}}} > 0} \right);\\ 0,\;\;\;其他. \end{array} \right. $ | (1) |
其中αt和ω0分别为设定的加速踏板开度和横摆角速度门限值。
2.3 模式决策与切换控制策略行车安全态势评估是场景划分的重要依据，为此提出用碰撞时间(time to collision，TTC)来评估行车安全态势，TTC描述当前距离下自车与前车相对速度不变的情况下，碰撞发生的时间。基于TTC建立最小安全距离模型如下：
| $ {d_{{\rm{s1}}}} = {\rm{TTC}} \cdot {v_{\rm{r}}}. $ | (2) |
考虑驾驶员预警时间和制动减速度，建立最小安全距离模型如下：
| $ {d_{{\rm{s2}}}} = {t_{\rm{n}}}{v_{\rm{r}}} + \frac{{v_{\rm{r}}^2}}{{2{a_0}}}. $ | (3) |
其中：tn为近距离防撞预警时间、vr为相对车速，a0为设定的减速度，用vr2/2a0表示避免碰撞所需要的最小制动距离。
同时，考虑前车紧急制动情况，建立两车之间的最小安全距离模型如下：
| $ {d_{{\rm{s3}}}} = \frac{{{v^2}}}{{2{a_{\rm{n}}}}}. $ | (4) |
其中：v为自车车速，an为根据驾驶习惯设的近距离期望减速度。
为保证行车安全，选取式(2)—(4)中较大者确定为场景最小安全距离ds：
| $ {d_{\rm{s}}} = \max \left( {{d_{{\rm{s1}}}},{d_{{\rm{s2}}}},{d_{{\rm{s3}}}}} \right). $ | (5) |
同理，建立IEC的最大作用距离模型如下：
| $ {d_{\rm{m}}} = \max \left( {{\rm{TTC}} \cdot {v_{\rm{r}}},{t_{\rm{f}}} \cdot {v_{\rm{r}}} + \frac{{v_{\rm{r}}^2}}{{2{a_0}}},\frac{{{v^2}}}{{2{a_{\rm{f}}}}}} \right). $ | (6) |
其中：tf为根据驾驶习惯设定的远距离防撞预警时间，af为根据驾驶习惯设定的远距离期望减速度。
根据所求的最小安全距离和最大作用距离，将行车场景划分为4种状态：远距离远离、远距离接近、近距离远离和近距离接近，分别对应4种模式，如图 3所示。
|
| 图 3 基于安全态势评估的行车场景划分 |
基于场景划分，制定各模式切换的逻辑关系，如图 4所示。图中，远距离场景与近距离场景的区分条件是dr>ds，但为了防止模式频繁切换，实际切换中并不严格按照该条件进行切换，而是增加缓冲区，即当dr>ds+d1时，由近距离模式切换进入远距离模式；当dr < ds-d2时，由远距离模式切换进入近距离模式。同理，当vr>v1时，由接近模式切换进入远离模式；当vr < v2时，由远离模式切换进入接近模式。d1、d2、v1、v2均为标定参数。
|
| 图 4 模式切换逻辑框图 |
2.4 转矩控制策略
转矩控制策略是对每个模式下的电机驱动、制动转矩进行分别优化控制以实现节能的策略。为了保证行车安全和兼顾驾驶意图，针对不同模式制定不同的转矩控制策略。
待机模式下，不对车辆的驱动或制动转矩进行任何限制，仅输出原始需求转矩：
| $ {T_0} = {T_{{\rm{req}}}}. $ | (7) |
其中：T0为IEC待机模式下的电机转矩命令，Treq为根据整车控制策略所求的电机原始需求转矩。
远距离远离模式下，对最大驱动转矩进行部分限制，以避免不必要的大加速；同时根据驾驶员减速意图和安全态势，增加电机制动。电机转矩控制策略为
| $ {T_1} = \left\{ \begin{array}{l} \min \left( {{T_{\max }}{K_{{\rm{FD}}}},{T_{{\rm{req}}}}} \right),\;\;\;\;\;\;{T_{{\rm{req}}}} > 0;\\ \left( {{T_{\min }} - {T_{{\rm{req}}}}} \right){K_{{\rm{LB}}}} + {T_{{\rm{req}}}},\;\;\;{T_{{\rm{req}}}} \le 0. \end{array} \right. $ | (8) |
其中：Tmax和Tmin分别为系统的最大驱动转矩和最大制动转矩，取决于电机的转速及电池组的荷电状态等；为了量化远距离场景中两车的相对距离接近程度，定义远距离场景安全系数Cf=(dr-ds)/(dm-ds)；KFD为远距离场景驱动转矩修正系数，是Cf的分段线性函数，是用于反映不同距离对转矩限制的不同程度；KLB为远离场景制动转矩修正系数，是Cf和制动踏板开度β的函数，用于反映不同相对距离下增加电机制动的不同比例并兼顾驾驶员意图，当β=0时代表滑行制动转矩系数，即随着相对距离减小增大滑行制动转矩，以提升制动能量回收。
远距离接近模式下，减小最大驱动转矩，并对输出转矩的变化率进行限制，避免急加速以减少能量消耗；同时根据驾驶员减速意图和安全态势，增加电机制动。电机转矩控制策略为
| $ {T_2} = \left\{ \begin{array}{l} \min \left( {{T_{\max }}{K_{{\rm{FD}}}}{K_{\rm{T}}},{T_{{\rm{req}}}}} \right)\& \frac{{{d_{\rm{T}}}}}{{{d_{\rm{t}}}}} \le {a_2},\;\;\;\;\;\;{T_{{\rm{req}}}} > 0;\\ \left( {{T_{\min }} - {T_{{\rm{req}}}}} \right){K_{{\rm{AB}}}} + {T_{{\rm{req}}}},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{T_{{\rm{req}}}} \le 0. \end{array} \right. $ | (9) |
其中：KT是为了量化评估场景安全态势而定义的防撞时距系数，是以TTC为自变量的分段线性函数；KAB为接近场景制动转矩修正系数，其含义与KLB类似，数值略大于KLB，以实现更多制动能量回收；a2是转矩变化率限值，根据驾驶习惯设定。
近距离远离模式下，对最大驱动转矩以及输出转矩的变化率进行限制；并根据驾驶员减速意图主动施加部分电机制动力，以实现制动能量回收。电机转矩控制策略为
| $ {T_3} = \left\{ \begin{array}{l} \min \left( {{T_{\max }}{K_{{\rm{ND}}}}{K_{\rm{T}}},{T_{{\rm{req}}}}} \right)\& \frac{{{d_{\rm{T}}}}}{{{d_{\rm{t}}}}} \le {a_2},\;\;\;\;\;\;{T_{{\rm{req}}}} > 0;\\ \left( {{T_{\min }} - {T_{{\rm{req}}}}} \right){K_{{\rm{LB}}}} + {T_{{\rm{req}}}},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{T_{{\rm{req}}}} \le 0. \end{array} \right. $ | (10) |
其中：KND为近距离场景驱动转矩修正系数，是Cn(Cn=dr/ds是为了量化近距离场景中两车的相对距离接近程度而定义的近距离场景安全系数)的函数，用以反映近距离场景下不同安全距离对电机转矩限制的不同程度；Cn=1时，KND=KFD，从而保证模式切换过程中转矩无缝衔接和平滑过渡。
近距离接近模式下，碰撞风险较大，直接切断动力并进入制动模式，根据安全态势和驾驶员减速意图，主动增加电机制动力矩以提高能量回收率。电机转矩控制策略为
| $ {T_4} = \left\{ \begin{array}{l} {T_{\min }}{K_{{\rm{BD}}}}{K_{{\rm{BT}}}},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{T_{{\rm{req}}}} > 0;\\ \min \left[ {{T_{\min }}{K_{{\rm{BD}}}}{K_{{\rm{BT}}}},\left( {{T_{\min }} - {T_{{\rm{req}}}}} \right){K_{{\rm{AB}}}} + {T_{{\rm{req}}}}} \right],\;\;\;\;\;\;\;{T_{{\rm{req}}}} \le 0. \end{array} \right. $ | (11) |
其中：KBD为近距离制动转矩修正系数，KBT为制动防撞时距系数，这2个系数分别是Cn和TTC为自变量的分段线性函数，反映不同安全态势下增加制动能量回收的不同程度，根据试验调试获得。
3 实车验证为了验证节能效果，基于MicroAutobox原型控制器，在某智能混联式混合动力客车上进行了试验，如图 5所示。
|
| 图 5 试验中的某混合动力客车 |
试验路况为福州市城区拥堵路段和快速路段，分别在上述路段进行了多组试验。图 6为一组在拥堵路段的试验结果，其中，图 6b中的工作模式1—4分别对应远距离远离、远距离接近、近距离远离和近距离接近。
|
| 图 6 城区典型拥堵路段实车试验结果 |
图 6显示，在2 285 s时，自车前方有车辆切入，相对距离骤减，工作模式随即进入模式1；随着自车速度增加，工作模式切换到模式2，电机驱动转矩受到部分限制；随着两车距离减小，在2 302 s时刻切换到模式4，驱动转矩被切断，提前进入电机制动模式；然后，随着两车相对距离和相对速度增大，工作模式先后切换到模式3和1；在模式1，驱动转矩的峰值被部分消减，避免了急加速等激进行为。由图 6可以看出，整个过程符合驾驶员意图，在切换过程中转矩无缝衔接，车速变化平稳。
该组试验全程(20 km)开启和关闭IEC系统后的能耗统计对比见表 1，其中SOC(state of charge)为电池的荷电状态。
| IEC 状态 |
驱动能量消耗 | 制动能量消耗 | SOC变化 | 100 km油耗 | |||
| kw·h | kw | % | L | ||||
| 开启 | 19.8 | -9.7 | 2 | 16.4 | |||
| 关闭 | 22.6 | -9.4 | -4 | 18.1 |
表 1中可以看出，IEC开启后，驱动节能率达到12.4%，且通过提前制动，制动节能率为3.2%。试验结束时的SOC值提高，油耗降低9.4%。试验结果表明：雷达共用型节能控制系统，通过限制电机驱动转矩和提前实施电机制动，在保证安全性能的同时，显著改善了拥堵路况下的节能效果。
为了进一步验证控制策略的有效性和可靠性，并比较不同路况下的节能效果，又分别在城市拥堵路段(全程20 km)和城市快速路段(全程27 km)进行了多组试验，各选取4组代表性试验结果，如表 2和3所示。
| 测试次数 | 平均车速 | 驱动节能率 | 制动节能率 | ||
| km·h-1 | % | % | |||
| 1 | 27.4 | 13.3 | 12.9 | ||
| 2 | 24.4 | 7.9 | 6.7 | ||
| 3 | 27.3 | 11.8 | 10.4 | ||
| 4 | 21.0 | 8.9 | 6.7 | ||
| 平均 | 25.0 | 10.5 | 9.2 |
| 测试 次数 |
平均车速 | 驱动节能率 | 制动节能率 | ||
| km·h-1 | % | % | |||
| 1 | 43.2 | 1.1 | 0.9 | ||
| 2 | 42.3 | 6.4 | 2.0 | ||
| 3 | 39.2 | 3.8 | 0.6 | ||
| 4 | 40.1 | 4.4 | 0.5 | ||
| 平均 | 41.2 | 3.9 | 1.0 |
从表 2和3可以看出，2种路况下，IEC系统都有节能效果。与快速路况相比，其在城市拥堵路况下的节能效果更明显。这是由于在城市拥堵路况下，车辆之间的距离较小，且车辆加减速频繁，基于雷达共用的IEC系统能根据前车距离和相对速度的变化进行模式切换，通过消减电机驱动转矩峰值和提前施加电机制动，达到了明显的节能效果。
4 结论本文运用结构共用的思想，提出共用雷达进行汽车能量优化的智能混合动力汽车节能控制策略，并进行了实车验证，得到以下结论：
1) 基于结构共用思想所提出的雷达共用型智能混合动力汽车节能控制策略，在不增加额外硬件成本的前提下，将前向雷达探测到的前车运动信息，用于能量管理优化，在保证行车安全的同时，提高了整车能量经济性。
2) 根据自车与前车的相对运动信息进行场景划分和模式切换，并基于安全态势对不同模式下的电机转矩进行分别优化控制和提前制动，能够在兼顾驾驶意图的同时实现节能。
3) 所提出的节能控制策略的节能效果与交通状况密切相关，城市拥堵路况下的节能效果比快速路况下的更明显。
| [1] | CHAN C C, BOUSCAYROL A, CHEN K Y. Electric, hybrid, and fuel-cell vehicles:Architectures and modeling[J]. IEEE Transactions on Vehicular Technology, 2010, 59(2): 589–598. |
| [2] |
赵秀春, 郭戈.
混合动力电动汽车能量管理策略研究综述[J]. 自动化学报, 2016, 42(3): 321–334.
ZHAO X C, GUO G. Survey on energy management strategies for hybrid electric vehicles[J]. Acta Automatica Sinica, 2016, 42(3): 321–334. (in Chinese) |
| [3] |
潘龙. 基于动态交通信息的电动汽车节能行驶控制模型研究[D]. 北京: 北京交通大学, 2014: 9-12. PAN L. Study on energy-saving driving control model for electric vehicle based on dynamic traffic information[D]. Beijing, China:Beijing Jiaotong University, 2014:9-12. (in Chinese) |
| [4] | Edmunds. We test the tips. (2009-05-05). http://www.Edmunds.com/fuel-economy/we-test-the-tips.html. |
| [5] | BARTH M, BORIBOONSOMSIN K. Energy and emissions impacts of a freeway-based dynamic eco-driving system[J]. Transportation Research Part D:Transport and Environment, 2009, 14(6): 400–410. DOI:10.1016/j.trd.2009.01.004 |
| [6] | GROSSARD M, KACHROUDI S, ABROUG N. An optimal energy-based approach for driving guidance of full electric vehicles[C]//Proceedings of 2012 IEEE International Symposium on Industrial Electronics (ISIE). Hangzhou, China:IEEE, 2012:1708-1713. |
| [7] | KURIYAMA M, YAMAMOTO S, MIYATAKE M. Theoretical study on eco-driving technique for an electric vehicle with dynamic programming[C]//Proceedings of 2010 International Conference on Electrical Machines and Systems (ICEMS). Incheon, Korea:IEEE, 2010:2026-2030. |
| [8] | MIYATAKE M, KURIYAMA M, TAKEDA Y. Theoretical study on eco-driving technique for an electric vehicle considering traffic signals[C]//Proceedings of 2011 IEEE Ninth International Conference on Power Electronics and Drive Systems (PEDS). Singapore:IEEE, 2011:733-738. |
| [9] | MENSING F, TRIGUI R, BIDEAUX E. Vehicle trajectory optimization for application in ECO-driving[C]//Proceedings of 2011 IEEE Vehicle Power and Propulsion Conference (VPPC). Chicago, IL:IEEE, 2011:1-6. |
| [10] | WU C X, ZHAO G Z, OU B. A fuel economy optimization system with applications in vehicles with human drivers and autonomous vehicles[J]. Transportation Research Part D:Transport and Environment, 2011, 16(7): 515–524. DOI:10.1016/j.trd.2011.06.002 |
| [11] | VAN KEULEN T, DE JAGER B, FOSTER D, et al. Velocity trajectory optimization in hybrid electric trucks[C]//Proceedings of 2010 American Control Conference. Baltimore, MD:IEEE, 2010:5074-5079. |
| [12] | RAKHA H, KAMALANATHSHARMA R K. Eco-driving at signalized intersections using V2I communication[C]//Proceedings of the 14th International IEEE Conference on Intelligent Transportation Systems. Washington DC, USA:IEEE, 2011:341-346. |
| [13] | BHAVSAR P, HE Y M, CHOWDHURY M, et al. Energy consumption reduction strategies for plug-in hybrid electric vehicles with connected vehicle technology in urban areas[J]. Transportation Research Record:Journal of the Transportation Research Board, 2014, 2424(1): 29–38. |
| [14] | LANG D, SCHMIED R, DEL RE L. Prediction of preceding driver behavior for fuel efficient cooperative adaptive cruise control[J]. Simulation & Modeling, 2014, 7(1): 14–20. |
| [15] | ZHANG S W, ZHANG D H, LUO Y G, et al. Predictive energy management strategy for electric vehicles based on estimation of preceding vehicle future movements[C]//Proceedings of 2016 IEEE International Conference on Advanced Intelligent Mechatronics. Banff, AB:IEEE, 2016:1436-1441. |
| [16] | CHAKRABARTI A. A new approach to structure sharing[J]. Journal of Computing and Information Science in Engineering, 2004, 4(1): 11–19. DOI:10.1115/1.1683817 |
| [17] | LI K Q, CHEN T, LUO Y G, et al. Intelligent environment-friendly vehicles:Concept and case studies[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(1): 318–328. DOI:10.1109/TITS.2011.2170680 |