Real-Time Preview Control of Active Suspensions Under Actuation Limits via Learned MPC Surrogates and Online Identification

每一辆行驶在道路上的车辆都会遇到一个恒定且令人烦躁的现实：地面很少是平坦的。当汽车驶过颠簸时，车轮会上下跳动，如果没有干预，这种运动会直接传递给乘客，造成颠簸、不舒适的乘坐体验。几十年来，工程师们一直试图通过被动系统来解决这个问题，即利用橡胶垫和机械弹簧来吸收部分冲击。后来，半主动系统出现了，它们可以调整刚度或阻尼以对路面做出反应，但这些系统仍然依赖于汽车在受到颠簸后的反应。终极目标一直是主动悬挂系统，这是一种利用电机和传感器向颠簸的反方向推动车身的装置，从而有效地在乘客感觉到振动之前就将其抵消。虽然这项技术有望带来更平稳的驾驶体验和更好的安全性，但它一直是一种仅见于最昂贵汽车的豪华配置。主要的障碍在于一个艰难的权衡：计算实时完美反向运动所需的计算机速度对于标准汽车芯片来说太慢了，而产生足够力量所需的电机往往对于大规模生产而言过于庞大或过于耗能。

来自本-古里安大学和广东技术师范学院的研究小组提出了一种弥合这一差距的新方法。他们开发了一种控制系统，该系统将先进规划的数学精确性与学习型神经网络的速度相结合，同时兼顾汽车电机的物理极限。他们的研究通过详细的计算机模拟进行了测试，表明实现理想悬挂的平顺性是不需要超级计算机或无限功率的。其核心见解在于，该系统不仅仅是对路面做出反应；它还会“向前看”。通过使用路面表面的“预视”（preview）数据——即关于几米之外即将到来的颠簸的信息——控制器可以提前准备其动作。然而，研究人员发现了一个关键的细微差别：这种预视能力在电机较弱或处于饱和状态时最为有效。当执行器力量强大时，它们只需对干扰做出反应即可；但当受到限制时，这种前瞻能力允许系统更早地重新分配其有限的力量，使得预视信息比在无约束场景下更有价值。

为了使该系统具有实用性，研究人员解决了速度问题。控制悬挂最准确的方法是称为“模型预测控制”（model predictive control）的方法，它不断计算未来几秒钟内的最佳行动。在理想情况下，这种计算应该是瞬时的，但在现实中，对于以高速行驶的汽车来说，这耗时太长。研究人员通过训练一种名为神经网络的人工智能来模拟这个缓慢、完美的计算器的决策。他们向神经网络输入了数千个理想控制器的动作示例，教会它识别路况和汽车状态并做出同样精准的响应。一旦训练完成，这个神经网络就像是一个“代理”，其决策速度比原始方法快近八十倍。这种加速程度足以让该系统运行在现代汽车配备的标准计算机芯片上，而不需要专门的、昂贵的硬件。

该研究还解决了现实驾驶中的一个常见问题：汽车重量的变化。载有满载乘客和行李的车辆比空载车辆更重，这种变化会改变悬挂系统的表现。为空车设计的控制器在满载时表现会很差。为了处理这个问题，团队添加了一个在线识别模块，在行驶过程中持续估计车辆的当前重量。通过将更新后的信息输入神经网络，系统可以实时调整其策略。在模拟中，这种自适应方法比假设重量永不变的系统减少了百分之三十二的乘客感受到的振动。

研究人员使用各种路况（从平整表面到崎岖不平的地形，甚至包括减速带等特定障碍物）对他们的方法进行了基准测试。他们模拟了车辆的四分之一模型，重点关注单个车轮及其上方车身的垂直运动，随后扩展到了包含整个汽车俯仰运动的半车模型。结果显示，新系统始终优于传统方法。当电机动力充足时，具备预视功能的系统比标准的馈送控制（feedforward controller）减少了百分之十二的振动加速度。在遇到减速带的特定情况下，改进更为显著；通过0.7秒的预视窗口，该系统比基准模型实现了57%的振动加速度降幅。该系统的工作原理是在车轮接触颠簸之前就开始向上推动车身，这种主动举措防止了电机因负荷过重而崩溃。

然而，研究也揭示了一个基本界限。研究人员发现，观察前方路面的益处在电机较弱且接近其极限时达到最大化。当平顺驾驶所需的力超过电机的最大限制时，系统就会发生饱和；在这些受限条件下，关于前方路面的额外信息变得至关重要，因为它允许控制器优化其有限力量的使用。相反，如果执行器极其强大且从未饱和，预视的优势就会减小。这一发现为工程师提供了明确的指导方针：要使预视控制有效，硬件不需要拥有无限强大的力量，但控制策略必须旨在利用预视来克服执行器的局限性。团队还发现，看得太远并无帮助；大约半秒钟的预视窗口对于他们测试的路面颠簸频率而言已足以获取必要信息。将视野延长到此范围之外会增加计算负载，却无法改善乘坐体验。

论文总结道，尽管该方法尚未在实体车辆上进行测试，但模拟结果是稳健的，并指向了一条实现大规模普及的可行路径。该方法提供了一种获得复杂最优控制性能而无需高昂计算成本的方式，使主动悬挂成为日常汽车更现实的选择。通过结合预视控制的前瞻性、学习型神经网络的速度以及实时重量检测的自适应性，研究人员展示了一个能够让每一次驾驶都感觉像驾驶豪华轿车一样平稳的系统，无论路况如何，也无论乘客人数多少。