Each language version is independently generated for its own context, not a direct translation.

这篇论文讲述了一个非常酷的故事：如何让电动赛车在赛道上跑得又快又远，同时还能让人类车手安全、轻松地驾驶。

想象一下，你正在开一辆电动赛车参加耐力赛。你的电池就像是一个有限的水桶，而赛道是一条长长的滑梯。你的目标是：在电池水漏光之前，尽可能快地滑完全程，并且还要在进站时把水加满。

但这有个大难题：

电池不够用：电动车跑不远，必须精打细算每一度电。
车手不是机器人：如果电脑告诉车手“现在把油门踩到 37.5%"，车手会晕头转向，甚至失控。车手需要的是简单的指令，比如“全速冲”或者“松油门滑行”。
零件会发烧：电机和电池如果太热，就得“退烧”，这会拖慢速度。

这篇论文就是为了解决这些难题，设计了一套**“智能教练系统”**。

🏎️ 核心概念：把复杂的数学变成简单的“红绿灯”

1. 超级大脑的“预演” (离线优化)

首先，系统里的超级计算机（就像一位拥有上帝视角的教练）会提前算好整个赛道的最佳方案。

它算得有多快？ 它能在 2.5 秒 内算完 47 公里 长的赛道（相当于绕赛道跑很多圈）的最佳路线。
它发现了什么？ 它发现，为了省电，车手需要在某些直道上稍微松一点油门，而不是全程死踩到底。

2. 给人类车手的“傻瓜指令” (人机协作)

但是，超级计算机算出的路线太完美、太复杂了（比如要求油门在 80% 到 82% 之间微调），人类车手根本做不到。

解决方案：系统把复杂的路线简化成两种状态：“全速冲刺” 或 “完全滑行”。
怎么决定什么时候滑行？ 系统利用一种叫“共态（Co-state）”的数学概念（你可以把它想象成**“能量价值地图”**）。
- 如果某个路段的“能量价值”很高（意味着现在省下的电，未来能帮你跑更快），系统就会给车手发信号：“松油门，滑行！”
- 如果能量价值低，就告诉车手：“踩死油门，冲！”

3. 自动调音的“收音机” (在线调整)

比赛现场情况千变万化（比如突然下雨、轮胎磨损、或者前面有车挡风）。

问题：如果系统设定的“滑行阈值”太死板，车手可能会在错误的地方滑行，导致时间损失。
创新：作者设计了一个**“二分法”算法，就像一个自动调音师**。
- 系统会不断微调那个“滑行阈值”。
- 如果车手滑行太早，系统就调整阈值；如果滑行太晚，也调整。
- 它还会像恒温空调一样，利用反馈机制（PI 控制），根据实际跑得快慢，自动修正指令，确保车手既不会浪费电，也不会因为滑行太久而慢下来。

🧪 三种“驾驶模式”的比拼

为了看看这套系统能不能真的装在赛车上，作者测试了三种不同复杂度的方案：

全能模式（完全在线）：
- 描述：赛车上的电脑实时计算所有数据，每几秒钟就重新规划一次路线。
- 比喻：就像有一个顶级导航员坐在副驾驶，实时看着路况，每秒钟都在给你重新规划路线。
- 结果：表现最好，几乎和“上帝视角”的完美方案一样快，只慢了 0.056%（几乎可以忽略不计）。
固定路线模式：
- 描述：赛前算好一条固定路线，车上只负责执行，不再重新计算。
- 比喻：就像跟着固定的 GPS 轨迹跑，不管路上有没有堵车，都按原计划走。
- 结果：表现也不错，只慢了 0.1% - 0.2%。但在遇到突发状况（如全场黄旗减速）时，可能会在低速时错误地让你滑行，导致时间损失。
纯反馈模式：
- 描述：连路线都不预设，只看现在的电量够不够，不够就滑行。
- 比喻：就像只看油表开车，油少了就省油，不管前面是直道还是弯道。
- 结果：最简单，但无法应对复杂的温度变化，表现稍差一点。

🏆 最终结论：为什么这很重要？

这项研究证明了：

效率极高：通过这种“智能滑行”策略，赛车在遵守人类驾驶习惯的前提下，几乎能达到理论上的最快速度（只比完美机器人慢一点点）。
安全可行：不需要车手像机器人一样操作，只需要看灯或听声音（“滑行”或“加速”）即可。
未来可期：这套系统计算速度极快，完全可以装在赛车上实时运行。这意味着未来的电动赛车，既能像 F1 一样快，又能像电动车一样省电，还能让车手轻松驾驭。

一句话总结：
这就好比给电动赛车装了一个**“懂事的副驾”**，它知道什么时候该让你“省着点跑”，什么时候该让你“全力冲刺”，并且能根据路况自动调整策略，让你在不累坏车手的情况下，跑出最完美的成绩。

Each language version is independently generated for its own context, not a direct translation.

论文技术总结：基于优化控制的电动赛车人机协同能量与热管理系统

1. 研究背景与问题定义

随着电动汽车技术的进步，电动赛车（如电动耐力赛）正逐渐兴起。然而，与燃油车相比，电动车面临能量密度低、续航里程受限的核心挑战。在赛车运动中，如何在给定的能量预算和热约束下，最大化单圈速度或最小化进站（Stint）总时间，是能量管理的关键。

本文针对电动耐力赛车提出了一种**人机协同（Human-in-the-loop）**的能量与热管理框架。主要解决以下痛点：

实时性要求：需要在赛道上实时计算最优策略，而非仅依赖离线规划。
驾驶员安全性与合规性：赛车规则通常禁止直接覆盖驾驶员的油门指令（即不能强制修改油门开度）。系统必须通过信号（如“松油门”提示）引导驾驶员，而非直接控制车辆。
热约束：电机和电池的温度限制必须被纳入优化考量，防止过热导致性能下降或损坏。
抗干扰能力：需应对赛道上的不确定性（如跟车气流、轮胎磨损、黄旗限速等）。

2. 方法论

2.1 基础模型与凸优化

作者基于先前研究中的凸优化模型，将赛道动力学简化为**空间域（Space Domain）**模型。

状态变量：车辆动能 ( $E_{kin}$ )、电池能量 ( $E_b$ )、电机温度 ( $\vartheta_m$ )、电池温度 ( $\vartheta_b$ )。
控制变量：电机力 ( $F_m$ ) 和制动力 ( $F_{brake}$ )。
目标函数：最小化进站总时间（即最小化 $\int \frac{dt}{ds} ds$ ）。
求解器：利用二阶锥规划（SOCP）求解器（如 ECOS），在约 2.5 秒 内完成 47 公里赛道的全局最优轨迹计算。

2.2 人机协同策略：升档与滑行（Lift & Coast）

由于直接控制油门不符合安全规定且难以被人类驾驶员执行，作者将平滑的最优功率轨迹转化为**“全油门”或“滑行”**的离散操作模式：

约束转换：引入约束，当车辆未受抓地力限制时，油门开度 $u_{th}$ 必须为 0%（滑行）或 100%（全油门）。
共态（Co-state）阈值法：
1. 首先求解凸优化问题，提取动能的共态变量（Co-state, $\lambda_{kin}$ ）。该变量反映了在特定位置降低速度对总时间的边际影响。
2. 定义一个阈值 $\lambda^*$ ：当 $\lambda_{kin}(s) \ge \lambda^*$ 且驾驶员处于全油门状态时，系统发出“滑行”信号。
3. 二分法（Bisection Algorithm）：在线实时调整阈值 $\lambda^*$ ，以在满足能量和热约束的前提下，最小化进站时间。

2.3 模型预测控制（MPC）与反馈机制

为了应对模型误差和外部干扰，系统采用**收缩视界（Shrinking Horizon）**的 MPC 架构：

在线重优化：每间隔一定时间（或距离），基于当前传感器测量值（状态、剩余距离）重新运行凸优化和二分法，更新共态轨迹和阈值。
PI 反馈控制：引入比例 - 积分（PI）控制器，根据预测状态与实际测量状态的偏差（如电池能量消耗速率），动态调整阈值 $\lambda^*$ ，以修正累积误差。
安全逻辑：仅在驾驶员全油门且非抓地力受限时才发出滑行信号，防止因过早松油门导致的车辆失稳（如转向过度）。

2.4 三种实现变体对比

为了评估车载计算能力的限制，作者提出了三种实现方案进行对比：

完全在线（Fully Online）：车载 ECU 实时运行凸优化求解器和二分法，并执行 PI 反馈。
固定共态轨迹（Fixed $\lambda_{kin}$ ）：预加载最优共态轨迹，仅在线运行二分法调整阈值。
固定共态与阈值（Fixed $\lambda_{kin}, \lambda^*$ ）：完全离线预设，仅基于能量消耗偏差进行简单的反馈调整（无热状态反馈）。

3. 关键贡献

实时人机协同框架：首次提出了一种能在实时计算时间内（~2.5s）处理 47 公里赛道，并生成符合人类驾驶习惯（全油门/滑行）策略的完整框架。
基于共态的阈值优化：利用凸优化解中的共态信息，通过二分法在线确定最优滑行点，避免了复杂的混合整数规划（MIP），保证了计算效率。
鲁棒性验证：通过引入 PI 反馈和 MPC 重规划，显著提高了系统对典型赛车干扰（跟车、轮胎磨损、黄旗）的鲁棒性。
热管理集成：在优化过程中显式考虑了电机和电池的热约束，确保策略在物理极限内安全运行。

4. 实验结果

实验基于 InMotion 电动耐力赛车在赞德沃特（Zandvoort）赛道的数据进行仿真，对比了三种变体与离线全局最优解（已知所有干扰）的性能：

策略适应性损失：
- 引入“全油门或滑行”约束后，相比完全平滑的功率轨迹，进站时间仅增加约 0.3% - 0.4%。这证明了该简化策略的高效性。
抗干扰性能（实时仿真）：
- 完全在线方案：表现最佳，相比离线最优解（已知干扰），时间损失仅为 0.056% - 0.22%。
- 固定共态方案：表现次之，时间损失在 0.1% - 0.2% 之间。
- 固定阈值方案：在遇到大幅速度偏差（如黄旗后加速）时表现较差，可能因无法及时调整导致在低速滑行，造成时间损失。
热约束：在长距离进站中，系统成功管理了电池和电机温度，避免了过热限制，同时为进站充电预留了空间。

5. 意义与展望

工程应用价值：该研究证明了在资源受限的车载 ECU 上实现复杂能量管理策略的可行性。即使不运行完整的凸优化求解器，仅通过预加载轨迹配合简单的反馈调整，也能达到接近最优的性能。
赛车性能提升：微小的时间节省（<0.2%）在顶级耐力赛中具有决定性意义。
扩展性：该方法不仅适用于能量管理，还可扩展至进站策略优化（如进站次数、充电时长规划）以及作为高保真模型的“热启动”（Warm-start）。
未来工作：作者指出，未来的工作将包括在实车上进行验证，优化针对热限制的反馈逻辑（如防止积分饱和），以及探索更复杂的驾驶员交互界面。

总结：本文提出了一种高效、安全且鲁棒的电动赛车能量管理方案，成功平衡了计算实时性、驾驶员操作习惯和物理约束，为电动赛车从理论优化走向实际车载应用奠定了坚实基础。

Human-in-the-loop Energy and Thermal Management for Electric Racing Cars through Optimization-based Control