федеральное государственное бюджетное образовательное

учреждение высшего образования «Московский

автомобильно-дорожный государственный технический
университет (МАДИ)»

На правах рукописи

ШАДРИН СЕРГЕЙ СЕРГЕЕВИЧ

УДК 629.33

МЕТОДОЛОГИЯ СОЗДАНИЯ СИСТЕМ УПРАВЛЕНИЯ ДВИЖЕНИЕМ

АВТОНОМНЫХ КОЛЕСНЫХ ТРАНСПОРТНЫХ СРЕДСТВ,
ИНТЕГРИРОВАННЫХ В ИНТЕЛЛЕКТУАЛЬНУЮ
ТРАНСПОРТНУЮ СРЕДУ

Специальность 05.05.03 – колесные и гусеничные машины

ДИССЕРТАЦИЯ
на соискание ученой степени
доктора технических наук

Москва - 2017
 2

СОДЕРЖАНИЕ
Стр.
Введение……………………………………………………………………... 5
ГЛАВА 1. ОБЗОР И АНАЛИЗ РАБОТ В ОБЛАСТИ
АВТОМАТИЗАЦИИ ДВИЖЕНИЯ АВТОМОБИЛЯ……...……………... 13
1.1. История развития исследований………………….…………….. 13
1.2. Автономное АТС в составе кооперативных
интеллектуальных транспортных систем……………...…………… 28
1.3. Обзор подходов к созданию математических моделей
движения автотранспортных средств………………………………. 32
1.4. Стандартизация в исследуемой области……………………….. 52
1.4.1. Анализ стандарта SAE J3016 «Системы
автоматизированного управления движением АТС.
Классификация, термины и определения»…………………... 57
1.4.2. Обзор стандартов SAE J3018 и SAE J3092……………. 79
1.5. Выводы, постановка цели и задач диссертации……………….. 80
ГЛАВА 2. КОНЦЕПЦИЯ СОЗДАНИЯ СИСТЕМ УПРАВЛЕНИЯ
ДВИЖЕНИЕМ АВТОНОМНЫХ КОЛЕСНЫХ ТРАНСПОРТНЫХ
СРЕДСТВ……………………………………………………………………. 83
2.1. Структура системы «Водитель – Система Автономного
Вождения – Автомобиль – Дорога – Транспортная Среда –
Информационное Поле»……………………………………………... 83
2.2. Концепция системы управления движением автомобиля……. 86
2.3. Архитектура сети и состав системы автономного вождения… 107
2.4. Актуализация технических задач………………………………. 109
2.5. Общие проблемы создания автономных колесных
транспортных средств……………………………………………….. 113
2.6. Выводы по главе 2………………………………………………. 115
 3

Стр.
ГЛАВА 3. ПРЕДЛОЖЕНИЯ ПО СОЗДАНИЮ СИСТЕМЫ
УПРАВЛЕНИЯ ДВИЖЕНИЕМ АВТОНОМНОГО КОЛЕСНОГО
ТРАНСПОРТНОГО СРЕДСТВА…………………………………………... 116
3.1. Математическое моделирование управляемого движения
автомобиля……………………………………………………………. 116
3.2. Методика уточнения параметров математической модели
на основе результатов дорожных испытаний………………………. 150
3.3. Проверка адекватности математической модели……………… 156
3.3.1. Дорожные испытания микроавтобуса (задний
привод, категория М2)………………………………………… 156
3.3.1.1. Объект и программа испытаний………………. 156
3.3.1.2. Измерительное оборудование…………………. 161
3.3.1.3. Обработка экспериментальных данных………. 166
3.3.1.4. Оценка точности результатов моделирования.. 188
3.3.2. Дорожные испытания легкового автомобиля
(полный привод, категория М1)………………………………. 201
3.3.2.1. Объект и программа испытаний………………. 201
3.3.2.2. Измерительное оборудование…………………. 202
3.3.2.3. Обработка экспериментальных данных………. 204
3.3.2.4. Оценка точности результатов моделирования.. 213
3.3.3. Дорожные испытания легкового автомобиля
(передний привод, категория М1)…………………………….. 220
3.3.3.1. Объект и программа испытаний………………. 220
3.3.3.2. Измерительное оборудование…………………. 221
3.3.3.3. Обработка экспериментальных данных………. 223
3.3.3.4. Оценка точности результатов моделирования.. 227
3.4. Математическая модель расчета закона управления рулевым
колесом при движении по заданной траектории…………………… 234
 4

Стр.
3.5. Экспериментально-расчетная методика определения типа
опорного покрытия в режиме реального времени…………………. 239
3.6. Адаптация математической модели управляемого движения
для использования в составе предикторной системы управления... 243
3.7. Выводы по главе 3……………………………………………….. 245
ГЛАВА 4. МЕТОДЫ ИНТЕГРАЦИИ АВТОНОМНЫХ КОЛЕСНЫХ
ТРАНСПОРТНЫХ СРЕДСТВ В ИНТЕЛЛЕКТУАЛЬНУЮ
ТРАНСПОРТНУЮ СРЕДУ………………………………………………… 247
4.1. Декодирование данных, передаваемых по бортовым сетям
современных колесных транспортных средств…………………….. 247
4.2. Использование данных бортовых сетей автомобилей
при проведении дорожных испытаний, в задачах ИТС и
автоматизации управляемого движения, обоснование
применимости……………………………………………………….... 260
4.2.1. Дорожные испытания легкового полноприводного
автомобиля (категория М1)…………………………………… 267
4.2.2. Дорожные испытания легкового переднеприводного
автомобиля (категория М1)…………………………………… 276
4.3. Информационное обеспечение взаимодействия автономных
КТС с интеллектуальной транспортной средой……………………. 279
4.4. Выводы по главе 4……………………………………………….. 285
ГЛАВА 5. РАЗРАБОТКА И ИСПЫТАНИЯ ОПЫТНЫХ ОБРАЗЦОВ
АВТОНОМНЫХ КОЛЕСНЫХ ТРАНСПОРТНЫХ СРЕДСТВ…………. 287
5.1. Платформа микроавтобуса……………………………………… 287
5.2. Платформа легкового автомобиля……………………………… 298
5.3. Выводы по главе 5……………………………………………….. 332
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ………………………………... 333
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ……………………………. 335
ПРИЛОЖЕНИЕ……………………………………………………………... 354
 5

ВВЕДЕНИЕ

Актуальность работы
Повышение эффективности транспортного обслуживания населения за счет
применения инновационных организационных и технических решений связано с
развитием и внедрением интеллектуальных транспортных систем,
интеллектуальных (автономных) транспортных средств, а также с уменьшением
степени влияния человеческого фактора на процессы управления транспортными
средствами. Естественным является то обстоятельство, что автономные колесные
транспортные средства, в зависимости от степени автоматизации, будут уменьшать
нагрузку, оказываемую на водителей, не будут ухудшать дорожную ситуацию, но
будут улучшать эффективность транспортного обслуживания и повышать
безопасность дорожного движения. Снижение тяжести дорожно-транспортных
происшествий, сохранение и поддержание трудоспособности населения,
повышение производительности труда, в том числе, за счет автоматизации
технологических процессов, всегда находилось в сфере государственных
интересов Российской Федерации.
Вместе с тем, при выполнении специальных транспортно-технологических
операций с использованием колесных транспортных средств имеют место
ситуации, когда участие водителя в процессе управления связано с риском для его
жизни, например, при ликвидации чрезвычайных ситуаций, при проведении
войсковых операций, в т.ч. при противодействии терроризму.
В то же время, общемировая тенденция показывает, что современные
автомобили и дорожная транспортная техника все в меньшей мере остаются
одиночными транспортными средствами, все более интегрируясь в
информационную транспортную среду.
Таким образом, разработка методологии создания систем управления
движением автономных колесных транспортных средств, интегрированных в
интеллектуальную транспортную среду, имеет и гражданскую, и военную
направленности, является актуальной и соответствует приоритетным
 6

направлением развития автотранспортного комплекса Российской Федерации, что,

в свою очередь, подтверждается следующими официальными документами:
- концепция долгосрочного социально-экономического развития Российской
Федерации на период до 2020 года (Распоряжение Правительства Российской
Федерации от 17 ноября 2008 г. № 1662-р);
- перечень критических технологий Российской Федерации, утвержденный Указом
Президента Российской Федерации от 7 июля 2011 г. № 899;
- стратегия развития автомобильной промышленности Российской Федерации на
период до 2020 года, утвержденная приказом Минпромторга России от 23 апреля
2010 г. № 319 (ред. от 27.12.2013).
В мировом масштабе разработкой технологий управления автономными
колесными транспортными средствами активно занимаются и автопроизводители
(Volvo, Volkswagen, Mercedes-Benz, General Motors), и крупные инженерные
центры (Google, Continental, Delphi, Siemens, Bosch), и военные ведомства
(DARPA), и университеты (Stanford University, Carnegie Mellon University,
Technical University of Munich, University of Karlsruhe, Fraunhofer Institute,
University of Minnesota), и многие другие, что подчеркивает актуальность
выбранного направления исследований. Из зарубежных официальных документов
отдельно выделим Европейскую стратегию развития интеллектуальных
транспортных систем до 2050 года, одним из индикаторов которой значится
достижение нулевого уровня смертности на дорогах, в том числе, за счет
распространения автономных колесных транспортных средств, интегрированных в
интеллектуальную транспортную среду.
Цель работы
Целью диссертационной работы является повышение безопасности
дорожного движения путем внедрения автономных колесных транспортных
средств, интегрированных в интеллектуальную транспортную среду.
Задачи исследования
В соответствии с поставленной целью были сформулированы следующие
задачи исследований:
 7

- провести обзор и анализ работ в области автоматизации движения

автомобиля, рассмотреть тенденции развития интеллектуальных транспортных
систем;
- разработать принципиальную концепцию создания систем управления
движением автономных колесных транспортных средств, радикально
повышающую безопасность дорожного движения;
- разработать комплексную математическую модель расчета динамики
движения автомобиля, подробно описывающую неустановившиеся режимы
движения, а также режимы движения с высокими скоростями на разных типах
опорных поверхностей;
- разработать методику верификации параметров математической модели на
основе результатов дорожных испытаний;
- определить адекватность разработанной математической модели,
адаптировать модель к использованию в системах управления движением
автономных колесных транспортных средств, интегрированных в
интеллектуальную транспортную среду;
- разработать методы интеграции автономных колесных транспортных средств
в интеллектуальную транспортную среду;
- обосновать работоспособность предлагаемой методологии путем создания
опытных образцов автономных колесных транспортных средств.
Объект исследования – система «Водитель – Система Автономного
Вождения – Автомобиль – Дорога – Транспортная Среда – Информационное
Поле».
Предмет исследования – процессы функционирования систем управления
движением автономных колесных транспортных средств, интегрированных в
интеллектуальную транспортную среду.
Методы исследования
Теоретические исследования проводятся на основе фундаментальных
положений теории движения автомобиля, теоретической механики,
электротехники, теории математического анализа, теории эксперимента, методов
 8

компьютерного моделирования, теории автоматизированного управления, методов

синтеза систем управления и средств связи, методов обработки видеоинформации
в системах технического зрения. Экспериментальные исследования проводятся в
условиях испытательного автополигона МАДИ, автополигона ФГУП «НАМИ» и
на дорогах общего пользования на автомобилях категорий «М1» и «М2» с
использованием современных измерительных комплексов Corrsys Datron, Kistler,
IMC с интеграцией в бортовые мультиплексные сети передачи данных, с
применением средств технического зрения и специализированного
навигационного оборудования. Обработка экспериментальных данных и
компьютерное моделирование реализуются с использованием пакетов прикладных
программ CeCalWin, TurboLab, imc FAMOS, Matlab. Прототипирование систем
управления, интерфейсов и протоколов связи осуществляется в среде Matlab,
программирование процессоров модуля управления системами автомобиля и
модулей обработки выполняется на языке C, приложения дистанционного
управления, а также приложения сервисов V2P (Vehicle-to-Person) реализуются на
языке Java.
Научная новизна результатов проведенного исследования заключается:
- в разработке концепции создания систем управления движением автономных
колесных транспортных средств, интегрированных в интеллектуальную
транспортную среду, включающей в себя следующие отличительные особенности:
сформулированный и обоснованный состав системы автономного вождения;
функциональные и технические требования к системе и элементам системы, а
также методы выполнения требований; методологию оборудования новых и
дооснащения находящихся в эксплуатации колесных транспортных средств для
выполнения задач автономного движения; методы интеграции автономных
колесных транспортных средств в интеллектуальную транспортную среду;
- в разработке комплексной математической модели расчета динамики
движения автомобиля, пригодной для использования в системах управления
движением автономных колесных транспортных средств, отличающейся
 9

подробным описанием неустановившихся режимов движения, а также режимов

движения с высокими скоростями на разных типах опорных поверхностей;
- в разработке методики верификации математической модели на основе
результатов ускоренных дорожных испытаний (впервые установлены
минимальный набор испытаний для верификации модели и возможность
автоматического уточнения параметров в процессе эксплуатации).
Практическая значимость результатов диссертации
Разработана методология создания систем управления движением
автономных колесных транспортных средств, интегрированных в
интеллектуальную транспортную среду, применимая как при создании новых, так
и дооснащении находящихся в эксплуатации автотранспортных средств категорий
L6, L7, M1, M2, M3, N1, N2, N3.
Обоснован состав системы автономного вождения, технические и
функциональные требования к элементам системы, а также методы выполнения
требований. Решена прикладная задача создания трехмерного сканирующего
устройства, пригодного для использования в системе бионического машинного
зрения.
Сформулированы актуальные проблемы и риски массового внедрения систем
автономного вождения для использования в стратегии развития автономного
транспорта.
Разработана предикторная система управления движением на основе
подробной математической модели, описывающей криволинейное движение
автомобиля с высокой точностью (в т.ч. неустановившиеся режимы, режимы
движения с высокими скоростями и на разных типах опорных поверхностей),
определяемой экспериментальным характером получения исходных данных.
Математическая модель используется в системе управления движением, в т.ч. в
подсистеме предотвращения ДТП, пригодна для использования в учебных
процессах высших учебных профильных заведений.
Обоснован перечень параметров, передаваемых в интеллектуальную
транспортную среду в рамках V2V (Vehicle-to-Vehicle) и V2I (Vehicle-to-
 10

Infrastructure) коммуникаций, рассчитаны минимальные требования к скорости

передачи данных, проведены натурные эксперименты – результаты могут быть
использованы в процессе стандартизации технологий ИТС, а также при создании
дорожной инфраструктуры современной транспортной сети.
Разработана методика декодирования данных, передаваемых по бортовым
мультиплексным сетям автотранспортных средств, для использования в задачах
автоматизации управляемого движения и интеграции автономного колесного
транспортного средства в интеллектуальную транспортную среду. Оценена
точность штатных бортовых средств измерения современных автотранспортных
средств.
Экспериментально определены диапазоны запаса пропускной способности
высокоскоростных и среднескоростных шин CAN современных автотранспортных
средств в эксплуатации, определены уровни дополнительной нагрузки на шины
CAN от внешних устройств, обоснована применимость разработанной методики
интеграции внешнего оборудования в бортовые сети для создания систем
управления движением автономных колесных транспортных средств. Обоснован
выбор интерфейсов связи и разработаны протоколы передачи данных между
модулями системы автономного вождения.
Созданы опытные образцы автономных колесных транспортных средств
третьего и четвертого уровней автоматизации SAE на платформах микроавтобуса
и легкового автомобиля, использующиеся для разработки и тестирования
алгоритмов систем автономного вождения, в т.ч. в учебном процессе.
Реализация результатов работы
Разработанная методология может использоваться при создании систем
управления движением автономных колесных транспортных средств,
интегрированных в интеллектуальную транспортную среду. Основные результаты
работы реализованы и подтверждены соответствующими актами внедрения в:
- ООО «Объединенный Инженерный Центр» (группа ГАЗ) в части практического
применения концепции создания систем управления движением автономных
колесных транспортных средств (г.Нижний Новгород);
 11

- ООО «Шинный испытательный центр «Вершина» при проведении дорожных

испытаний (г.Ярославль);
- ЗАО «НПП Транснавигация» при разработке технических требований к
аппаратно-программному обеспечению бортового навигационно-связного
оборудования колесных транспортных средств (г.Москва).
На защиту выносятся:
1. Научно обоснованная структура системы «Водитель – Система Автономного
Вождения – Автомобиль – Дорога – Транспортная Среда – Информационное
Поле», включающая связи физических и информационных взаимодействий.
2. Концепция создания систем управления движением автономных колесных
транспортных средств, интегрированных в интеллектуальную транспортную
среду.
3. Комплексная математическая модель расчета динамики движения
автомобиля, подробно описывающая неустановившиеся режимы движения, а
также режимы движения с высокими скоростями на разных типах опорных
поверхностей.
4. Методика уточнения параметров математической модели на основе
результатов ускоренных дорожных испытаний.
5. Прикладные результаты применения методологии, продемонстрированные
на опытных образцах автономных колесных транспортных средств.
Апробация работы
Основные положения диссертации были доложены и обсуждены на 79-ой
международной научно-технической конференции «Безопасность транспортных
средств в эксплуатации» (Нижний Новгород, 2012); международной конференции
«Прогресс транспортных средств и систем» (Волгоград, 2013); 72-ой научно-
методической и научно-исследовательской конференции МАДИ (Москва, 2014);
86-ой международной научно-технической конференции ААИ «Конструктивная
безопасность автотранспортных средств» (МО, п. Автополигон, центр испытаний
«НАМИ», 2014); 73-ей научно-методической и научно-исследовательской
конференции МАДИ (Москва, 2015); 94-ой международной научно-технической
 12

конференции ААИ «Беспилотные транспортные средства: проблемы и

перспективы» (Нижний Новгород, 2016); во время стажировки в федеральном
дорожном агентстве Германии BAST (Германия, г. Бергиш-Гладбах, 2014).
Публикации
Основные положения работы опубликованы в 38 научных статьях, 23 из
которых в журналах перечня ВАК РФ, 6 статей в журналах баз данных Scopus и
Web of Science. По результатам работы получено 6 свидетельств о государственной
регистрации программ для ЭВМ. Общий объем публикаций составляет 15,13 п.л.
Структура и объем работы
Диссертация содержит 400 страниц, включая 250 рисунков и 17 таблиц,
состоит из введения, 5 глав, основных результатов и выводов, списка используемой
литературы (180 наименований) и приложения.
 13

ГЛАВА 1. ОБЗОР И АНАЛИЗ РАБОТ В ОБЛАСТИ АВТОМАТИЗАЦИИ

ДВИЖЕНИЯ АВТОМОБИЛЯ

1.1. История развития исследований

Отметим научные труды, заложившие фундаментальные основы создания

современного автомобиля. Благодаря работам таких исследователей, как
А.С.Литвинов [2,3], Е.А.Чудаков [4], Я.Е.Фаробин [5,6], А.А.Хачатуров [7,8],
Д.А.Антонов [9,10], Л.Л.Гинцбург [11-13], А.М.Иванов [14,15], А.Б.Дик [16],
Б.Л.Бухин [17], А.А.Юрчевский [18,19], О.В.Майборода [20], С.В.Бахмутов [21-
25], В.Г.Бутылин [26], Э.Н.Никульников [27], Р.П.Кушвид [28-30], Я.М.Певзнер
[31], Вонг [32], J.R.Ellis [33,34], Y.Furukawa [35], H.B.Pacejka [36-39] и многих
других, удалось создать основы научных школ и выработать пути развития
современного автомобилестроения, удовлетворяющие постоянно
ужесточающимся производственным и эксплуатационным требованиям.
Вопросам автоматизации управляемого движения автомобиля было
посвящено множество работ и научных исследований [13, 18-19, 40-62], в
большинстве которых рассматривались отдельные автоматизированные системы,
например, система автоматического торможения автомобиля, либо автоматические
приводы и математические постановки задачи управления. В общем случае
теоретические аспекты автоматизации движения автомобиля были рассмотрены
Ветлинским В.Н. и Осиповым А.В. [40]. В работах [41] и [42] авторы уделили
внимание вопросу создания системы автоматического торможения для
предотвращения попутных столкновений городских транспортных средств, в то
время, как синтез систем предотвращения столкновений автомобилей был
подробно описан намного ранее в работе [19], все дело в том, что вопросами
автоматизации управления автомобилем во всем мире занимаются исследователи
вот уже порядка ста лет [18]. Таким образом, меняется компонентная база объектов
испытаний, математический аппарат и его реализация, решения для систем
технического зрения и даже появляются опытные образцы автономных
 14

транспортных средств [54], однако, до серийного производства в настоящее время

доходят только некоторые технологии частичной автоматизации, объединяемые
термином ADAS (Advanced Driver Assistance Systems) и современной идеологией
Интеллектуальных Транспортных Систем [63-65].
В диссертационной работе 1968 года Юрчевского А.А. [18] упоминается
термин «автоводитель» для обозначения системы автоматического управления
движением автомобиля, и на дорожном участке аэродрома проводится натурный
эксперимент по обеспечению автоматического движения автомобиля ГАЗ-21
«Волга» по заданной траектории. Алгоритм программы управления поворотом
рулевого колеса в зависимости от задаваемой траектории движения основывается
на следующих положениях:
1) желаемая траектория задается в виде аналитической функции y  f (x) в
неподвижной декартовой системе координат, связанной с ровной
горизонтальной опорной поверхностью;
2) радиус кривизны R задаваемой траектории, по которой должна проследовать
точка проекции на опорную поверхность центра задней оси автомобиля, в
каждой точке определяется выражением:
dy 2 3 / 2
[1  ( ) ]
R dx (1.1)
d2y
dx 2
3) далее в формуле (1.1) радиус кривизны R заменяется следующим выражением:
L
R , (1.2)
tan(   1 )  tan( 2 )

где:
 - среднее арифметическое значение углов поворота управляемых колес;
 1 и  2 - углы увода передней и задней оси соответственно.

Отметим, что для расчета закона управления поворотом рулевого колеса

использовалась упрощенная одноколейная схема автомобиля (так называемая
«велосипедная» модель).
 15

4) система, состоящая из уравнений (1.1) и (1.2), решается аналитически

относительно среднего угла поворота управляемых колес  , а требуемый угол
поворота рулевого колеса  находится далее из зависимости:
  i р. у .   , (1.3)
где:
i р. у. - передаточное число рулевого управления (в общем случае – нелинейная

характеристика);
В результате проведенных испытаний делается вывод о том, что автомобиль
не может быть использован для полностью автоматизированного движения по
заданной траектории из-за трудностей определения положения автомобиля на
дороге, невозможности оптимизации скорости движения в зависимости от
кривизны траектории и условий по сцеплению шин с опорной поверхностью,
сложности учета упругих связей в рулевом механизме и приводе, сложности учета
кинематических характеристик систем подрессоривания и других причин.
Отметим, что указанный вывод был сделан исходя из развития уровня техники и на
тот момент времени был правомерен. Также в диссертационной работе [18] была
предложена методика определения точности движения автомобиля по заданной
траектории на основании оценки дисперсий отклонений, курсовых колебаний
автомобиля на траектории и ширины полосы движения.
В диссертационной работе [49] проводится исследование траекторной
управляемости автомобиля на основании оценки параметров бокового смещения и
ускорения центра масс, устанавливается взаимосвязь геометрических параметров
автомобиля, режимов движения и дорожных условий от выбранных
контролируемых параметров, предлагается к использованию безразмерный
коэффициент управляемости, рассчитываемый на основании сопоставления
боковых смещений и ускорений центра масс автомобиля при движении по
фактической траектории по отношению к таким же параметрам, рассчитанным
теоретически по упрощенной математической модели квазистатического движения
автомобиля. Применительно к рассматриваемому вопросу решения задачи
 16

управления движением колесных автономных транспортных средств можно

отметить, что определение оригинального показателя управляемости в работе [49]
схоже с методом предикторного управления, т.е. управления по предсказывающим
моделям, подробно описанным в диссертационной работе [50]. Суть метода
заключается в нахождении управляющих воздействий из условий минимизации
отклонения желаемой и прогнозируемой траекторий движения, которые
рассчитываются дискретно для каждого интервала времени. Схема предикторной
системы управления траекторией движения автомобиля показана на Рисунке 1.1.

ПР – предикторный регулятор; ПРУ – привод рулевого управления; ОУ – объект управления.

Рисунок 1.1. Схема предикторной системы управления траекторией движения
автомобиля

Очевидно, что качество управления в первую очередь будет зависеть от

детализации математической модели расчета прогнозируемой траектории
движения. Чаще всего в качестве такой модели используют упрощенную модель
эквивалентного автомобиля «велосипедной» схемы [50] с коэффициентами
описания физических свойств (например, коэффициентами сопротивления
боковому уводу), не изменяющимися во времени, т.е. не учитываются переходные
процессы изменения силовых и кинематических параметров движения в динамике.
 17

Также в работе [50] разрабатывается система управления движением автомобиля с

использованием аппарата нечеткой логики и, как результат, достигаются
аналогичные или лучшие показатели управления (время регулирования,
установившаяся ошибка) при имитационном моделировании. В диссертационной
работе [51] с использованием аппарата нечеткой логики проводится разработка и
исследование человеко-машинных систем управления автомобилем, в частности
особое внимание уделяется вопросам стратегического и тактического управления
[52, 53] (Рисунок 1.2), определяется влияние особенностей водителей на принятие
решений в ситуационной задаче, исследование проводится аналитически-
расчетными методами.

Рисунок 1.2. Структурная схема системы управления движением автомобиля

Действительно, при отсутствии достаточного количества исходных данных и

высокой степени детализации математической модели объекта исследования,
управление движением автомобиля системой с использованием аппарата нечеткой
логики может оказаться более эффективным, чем предикторное управление.
Из относительно успешных Европейских проектов по созданию автономных
автотранспортных средств можно упомянуть проект «Прометей» (PRОMЕTHЕUS
– Prоgrаmmаblе fоr аll Еurоpеаn Trаffiс with Highеst Еffiсiеnсy аnd Unprесеdеnt Sаfеty
in Еurоpе) [64], имевший место в 1987-1995 годах, в рамках которого автомобиль
 18

Mercedes-Benz S-класса проехал расстояние в 1600 км по маршруту из Мюнхена в

Копенгаген, при этом максимальная скорость составила 175 км/ч, в пути
автомобиль выполнял сложные маневры по обгону других транспортных средств.
Тем не менее, полностью исключить человеческий фактор из процесса вождения
не удалось – водителю приходилось периодически вмешиваться в процесс
управления в различных дорожных ситуациях.
Существенным стимулом для развития рассматриваемого направления за
рубежом послужила серия соревнований автомобилей-роботов – DARPA Grand
Challenge [54], финансируемая агентством передовых оборонных
исследовательских проектов правительства США DARPA (Defense Advanced
Research Projects Agency), целью которых являлось создание полностью
автономных автотранспортных средств. Так, из соревнований, проводимых в 2004,
2005 и 2007 годах, особый интерес представляет последнее, в финальном заезде
которого (DARPA Grand Challenge 2007), проходившем в воссозданных городских
условиях на заброшенной базе ВВС «Джордж» близ города Викторвилл, приняли
участие 11 роботов (в отборочных турах участвовало 53 команды). Протяженность
трассы составляла 96 км, роботы должны были соблюдать правила дорожного
движения, принимая во внимание установленные дорожные знаки, двигаться в
потоке автомобилей, уметь парковаться, также в перечень выполняемых задач
входила доставка условного груза в заданную точку менее чем за 6 часов. Первым
финишировал автомобиль Junior Стэнфордского университета, однако, он
допустил ряд ошибок при выполнении заданий и занял лишь второе место – первое
место по очкам было присуждено роботу Boss (Рисунок 1.3), созданному на базе
внедорожника «Chevrolet Tahoe» исследователями из университета Карнеги-
Меллон при участии корпораций General Motors, Caterpillar и Continental.
 19

Рисунок 1.3. Автономное АТС Boss – победитель DARPA Grand Challenge 2007

Особый интерес представляет аппаратная оснащенность рассматриваемых

роботизированных автомобилей, а также подходы, реализованные в задачах
управления движением на исполнительном уровне. Принципиально, процесс
вождения автомобиля можно разделить на 3 уровня [52]: стратегический,
тактический и исполнительный. Стратегические действия включают планирование
поездки, например, принятие решения о том, куда, когда и как именно двигаться,
какой лучше выбрать маршрут и т.п. Тактические действия определяют процесс
маневрирования автомобиля в дорожном потоке во время поездки, включая
принятие решений о том, где и как обогнать другой автомобиль или сменить полосу
движения и стоит ли это делать, какую выбрать скорость движения и т.д.
Исполнительные действия включают непосредственно воздействия на органы
управления автомобилем, т.е. моментальные реакции водителя, которые можно
считать интуитивными или рефлективными, к которым относятся, например,
небольшие воздействия на рулевое управление, торможение и разгон для
сохранения положения в нужной полосе движения или для объезда
непредвиденного препятствия или места дорожно-транспортного происшествия на
пути следования автомобиля. Стратегический уровень в значительной степени
связан с вопросами логистики, маршрутизации, навигации и описывается в работах
 20

[51, 54, 58, 59, 62], а также многих других. Тактический уровень управления связан
с вопросами психофизиологии [63] и в большей части зависит от правильности
функционирования системы технического зрения [56, 57, 62, 64, 65], которая также
непосредственно не входит в предметную область настоящего исследования.
Итак, не акцентируя внимание на состав системы технического зрения
автономного АТС Boss, состоящей из множества радаров, лидаров и видеокамер,
можно отметить, что все вычисления проводились с помощью 10 двуядерных
процессоров Intel Core2Duo с тактовой частотой 2,16 Гц, оперативной памятью 2
Гб и флэш-накопителем 4 Гб каждый, объединенные двумя гигабитными сетями
Ethernet. Также в состав вычислительной системы входили два твердотельных
накопителя по 500 Гб каждый и импульсный генератор для обеспечения временной
синхронизации всех процессоров. Система электропитания дополнительного
оборудования состояла из двух независимых контуров с напряжениями 12В и 24В
соответственно: источниками питания первой линии были 12-вольтовый АКБ с
генератором повышенной мощности; во второй линии использовался
дополнительный АКБ с напряжением 24В и дополнительный генератор [54].
Операционное управление (на исполнительном уровне) движением
автономным АТС Boss осуществлялось следующим образом: желаемая траектория
движения задавалась набором точек X C , каждая из которых содержала координаты
( xC , yC ) и угол ориентации главной продольной оси автомобиля  C в неподвижной

декартовой системе координат, связанной с опорной поверхностью, т.е.:

X C  [ xC , yC , C ]T (1.4)
Изменение положения АТС из исходного X I в расчетное X F ( p, x) под
воздействием комбинации управляющих действий p за шаг времени t f
определялось зависимостью:
tf

X F ( p, x)  X I   x ( p, x)dt (1.5)
0
 21

Далее вводилась функция C ( x, p) и на каждом расчетном шаге решалась

задача оптимизации по нахождению комбинации управляющих действий p таких,
чтобы функция C ( x, p) обратилась или стремилась к нулю:
C ( x, p)  X C  X F ( p, x) (1.6)
Таким образом, автономное АТС Boss перемещалось из положения X I в
положение X F , максимально близкое к желаемому X C .
В качестве математической модели движения рассматриваемого АТС
использовался набор параметрических функций, определенных при дорожных
испытаниях конкретного автомобиля с водителем-испытателем за рулем, т.е.
использовалась «черная», либо, возможно, «серая» модели (см. п.1.3). Естественно,
что такая реализация схемы предикторного управления автомобилем потребовала
введение ряда, в т.ч. существенных, ограничений на возможные условия движения
в автономном режиме. Так, ограничения были введены на минимальный радиус
кривизны траектории, ограничена скорость, на которой может происходить
автоматическое руление, ограничено максимальное ускорение и замедление.
Очевидно, что расчетная модель не могла учитывать изменения условий по
сцеплению пневматических шин с опорной поверхностью и многих других
факторов.
Как уже отмечалось выше, второе место в соревнованиях DARPA Grand
Challenge 2007 занял роботизированный автомобиль Junior Стэнфордского
университета (Рисунок 1.4).
На Рисунке 1.5 показано размещение аппаратного обеспечения системы
управления автомобилем и сбора данных, в состав которой вошли: два сервера Intel
(снизу справа); силовой блок распределения электропитания; навигационный блок
GPS; устройства управления узлами автомобиля; блок инерциальной навигации с
6 степенями свободы.
 22

Рисунок 1.4. Автономное АТС Junior

Рисунок 1.5. Аппаратное обеспечение системы управления и сбора данных

автономного АТС Junior

Управление процессом руления автономного АТС Junior, по данным

источника [66], осуществлялось с помощью следующего закона поворота
управляемых колес  c (t ) (среднее значение) в зависимости от желаемого бокового
смещения ye (t ) центра передней оси и угла  e (t ) между продольной осью
 23

автомобиля в текущей момент времени и продольной осью автомобиля в

следующий желаемый момент времени:
k  y e (t )
 c (t )   e (t )   ss  arctan 
v(t )  k soft , (1.7)
 k yaw  (rtraj (t )  rmeas (t ))  k steer  ( meas (i  1)   meas (i ))

где:
k , k soft , k yaw , k steer , k ag - индивидуально настраиваемые под конкретный автомобиль

константы;
v(t ) - скорость движения автомобиля;

rtraj (t ), rmeas (t ) - угловые скорости для точек траектории и кузова автомобиля

соответственно;
 meas (i),  meas (i  1) - средний угол поворота управляемых колес в текущий и

предыдущий расчетный момент времени.

Соответственно зависимость для определения  ss :
m  v(t )  rtraj
 ss   k ag  v(t )  rtraj (t ) , (1.8)
b
C y  (1  )
a
где:
m - масса автомобиля;
a, b - расстояния от центра масс до передней и задней оси соответственно;

Cy - коэффициент боковой жесткости условных пневматических шин

эквивалентной модели.
Подробный анализ слагаемых, входящих в зависимость (1.7), представлен в
работе [66]. Отметим, что в рассмотренном методе используется упрощенная
одноколейная схема автомобиля («велосипедная») и, также, как и в методе
управления АТС Boss, не учитываются ни условия по сцеплению пневматических
шин с опорной поверхностью, ни кинематические характеристики систем
подрессоривания, ни динамические переходные процессы (см. п.1.3).
Отметим еще одно автономное АТС Talus, занявшее на соревнованиях
DARPA Grand Challenge 2007 четвертое место и примечательное тем, что
 24

управление процессом руления осуществлялось слежением за направляющей

точкой [54, 67]. Итак, требуемый усредненный угол поворота управляемых колес
 рассчитывался по формуле:
 L  sin  
   tan 1   , (1.9)
 0.5  L1  l a  cos  

где:
L - колесная база автомобиля;

l a - постоянное расстояние между контрольной неподвижной точкой слежения и

задней осью автомобиля;

 - угол между продольной осью автомобиля и желаемой траекторией движения;

L1 - расстояние до направляющей точки, меняющееся в зависимости от скорости

движения автомобиля (Рисунок 1.6).

Рисунок 1.6. Расстояние до направляющей точки в функции задаваемой скорости

движения автономного АТС Talus

Рассмотренный алгоритм управления процессом руления повторяет

недостатки предыдущих, а также крайне зависим от качества функционирования
системы технического зрения.
 25

Следующий алгоритм управления известен как «скользящий режим

управления» (Sliding Mode Control) [66] и, применительно к управлению процессом
руления, заключается в следующем: боковая и угловая погрешности y e и  e (см.
Рисунок 1.7) объединяются функцией  :
  y e  k  ye  k 0  sgn( ye )   e (1.10)
Соответственно закон управления:
  Q    P  sgn( ) (1.11)
пытается уменьшить переменные y e и  e , сводя их к нулю.

Рисунок 1.7. Погрешности (ошибки) продольного, бокового и углового смещений

от заданной траектории при «скользящем режиме управления»

Из уравнений (1.10) и (1.11) путем дифференцирования первого и

последующей подстановки во второе получается следующий закон управления
поворотом управляемых колес  c :
 26

l  Q    P  sgn( )  vr  sin  e  k  y e

tan  c   ( d  ), (1.12)
vr vr  cos  e  k 0  sgn( ye )

где:
k , k 0 , Q, P - положительные константы, индивидуально настраиваемые под
конкретный автомобиль;
l - колесная база автомобиля;
v r - скорость движения автомобиля;

 d - желаемая угловая скорость автомобиля относительно вертикальной оси.

Отметим, что при достижении значениями ошибок бокового и углового

смещений y e и  e нуля, формула (1.12) примет вид формулы (1.2) только без учета
эффекта эластичности шин (без учета углов увода). Таким образом, «скользящий
режим управления», изложенный в [66], может быть пригоден только для малых
скоростей движения автомобиля (в зависимости от типа автомобиля – до 20…40
км/ч).
Ввиду того, что кампания Google являлась спонсором и участником команды
Стэнфордского университета, выступавшего на соревнованиях DARPA Grand
Challenge 2007 с автономным АТС Junior и занявшего второе место, то дальнейшее
развитие технологий автономных АТС в США сконцентрировалось вокруг
коммерческого проекта кампании Google, в рамках которого была создана
отдельная лаборатория Google[x] с задачей разработать технологию полностью
автономного автомобиля (Google Self-Driving Car). Концепция проекта Google
сводится к разработке технологии автопилота для последующей продажи
автопроизводителям.
На время написания данного обзора (2015 год) проходят тестовые и
отладочные испытания на дорогах общего пользования штатов Калифорния и
Невада 48 автономных АТС (в основном, на базе автомобилей Toyota Prius, Audi
TT, Lexus RX), уже успевших проехать порядка 2,7 млн. км и поучаствовавших в
11 дорожно-транспортных происшествиях, по заявлениям разработчиков – по вине
других участников дорожного движения. На Рисунке 1.8 показано одно из
 27

автономных АТС Google с указанием основных элементов системы технического

зрения.

Рисунок 1.8. Автономное АТС Google на базе автомобиля Toyota Prius

В основе интеллектуальной системы навигации лежит точная

картографическая база данных Google. С помощью установленного на крыше
сканера LIDAR (Light Detection and Ranging) воссоздается детальная трехмерная
карта окружающего пространства в радиусе более 60 м, которая сопоставляется с
картографической трехмерной базой данных. Координаты автомобиля
вычисляются с помощью установленных GPS приемников и датчика частоты
вращения, установленного на заднем левом колесе. В передней и задней частях
автомобиля установлены радары (3 спереди, 1 сзади), в районе зеркала заднего вида
установлена видеокамера высокого разрешения. Таким образом, на основании
данных реального времени системы технического зрения и подробной трехмерной
карты местности интеллектуальная система управления автомобилем способна
 28

распознавать препятствия, пешеходов, дорожные знаки, светофоры и прочее на

достаточном расстоянии, чтобы принять меры к предотвращению создания
аварийных ситуации.
Отметим, что в штатах Калифорния и Невада США с 2012 года
законодательно разрешено движение автономных АТС по дорогам общего
пользования, при условии, что на данных автомобилях установлены специальные
номерные знаки, имеются все основные органы управления, человек-водитель
всегда присутствует в автомобиле на своем месте и в любой момент готов взять на
себя управление автомобилем.
Действительно, появление автономных АТС на дорогах общего пользования
поднимает массу вопросов, как технического, так и морального, социального,
правового характера, которые должны быть урегулированы в ближайшее время на
законодательном уровне. Так, в январе 2014 года в США появился первый
утвержденный национальный стандарт SAE J3016 «Системы автоматизированного
управления движением АТС. Классификация, термины и определения», анализ
которого приведен в разделе 1.4.
Помимо кампании Google созданием автономных АТС, автомобильных
технологий технического зрения и технологий управления занимаются корпорации
Robert Bosch GmbH, Siemens AG, Continental, Delphi, а также автопроизводители
Volvo, Mercedes-Benz и другие.

1.2. Автономное АТС в составе кооперативных интеллектуальных

транспортных систем

Общемировая тенденция показывает, что современные автомобили и

дорожная транспортная техника все в меньшей мере остаются одиночными
транспортными средствами, все более интегрируясь в информационную
транспортную среду [68].
 29

Интеллектуальные Транспортные Системы (ИТС) – системы предоставления

инновационных услуг в сфере транспорта по оптимизации использования
транспортных сетей, управления дорожным движением, информированности
участников дорожного движения и обеспечения безопасности дорожного движения
(Intelligent Transport Systems, ITS) [69].
Соответственно задачами ИТС [56, 57, 60, 63, 64], применительно к колесным
машинам, являются: обеспечение безопасности дорожного движения; повышение
эффективности использования дорог; повышение эффективности использования
транспортных средств. Очевидно, что в обозримом будущем технологии ИТС
распространятся и на автономные АТС.
Стоит отметить, что во всем мире активно идут разработки технологий
межобъектного взаимодействия транспортных средств V2V (Vehicle-to-Vehicle), а
также V2I (Vehicle-to-Infrastructure), однако, частотные диапазоны
функционирования беспроводных динамических сетей DSRC (Dedicated Short
Range Communication) в разных странах выбираются разными и общее понимание
об алгоритмах, структуре, количестве и типах передаваемых данных на тот момент
времени отсутствовало, также за рамками проводимых исследований оставались
вопросы интеграции «станций ИТС» в бортовую электронику легкового
автомобиля. Основные алгоритмы V2V и V2I взаимодействий демонстрировались
компаниями Kapsch, Car2Car Communication Consortium, Siemens, BMW и другими
на примере следующих дорожных ситуаций:
- прием передатчиком, установленным в АТС, сигнала о режиме работы
светофора и предоставление рекомендаций водителю о выборе скорости для
движения в «зеленом коридоре»;
- прием передатчиком, установленным в АТС, навигационных координат
другого движущегося в потоке автомобиля с системой V2V;
- предупреждение водителя о сломавшемся по ходу движения автомобиле;
- предупреждение водителя об экстренном торможении впереди идущего
автомобиля;
 30

- предупреждение водителя, в условиях отсутствия прямого визуального

контакта, о движущемся в потоке мотоцикле с установленной системой V2V;
- информирование водителя о количестве свободных парковочных мест,
времени отправления поездов, самолетов, автобусов и предоставление
прочей информации от инфраструктурной части ИТС;
- предупреждение водителя о ДТП и дорожных заторах через системы V2V и
V2I.
В части рассмотрения работ, связанных с применением комбинации
технологий автономных АТС и технологий ИТС, отметим японский проект JARI
по организации автоматизированного движения грузового транспорта по
автомагистралям в составе автоколонн, результаты которого были представлены на
научных сессиях описываемого конгресса. Основной задачей проекта являлось
обеспечение снижения выбросов в атмосферу грузовым транспортом за счет
автоматического поддержания минимальной дистанции между грузовиками и,
соответственно, снижения аэродинамического сопротивления и, как следствие,
снижение расхода топлива. Пятилетний проект финансировался правительством
Японии с 2008 и выполнялся 15-тью организациями, в состав которых входили
ведущие японские научные организации, автопроизводители и производители
компонентной базы.
В рамках рассматриваемого проекта грузовое транспортное средство
оснащалось (Рисунок 1.9): лазерным дальномером; радаром и системой
стереозрения спереди автомобиля для контроля дистанции; электромотором
привода рулевого вала и системой управления ЭБУ двигателя и тормозной
системы; боковой камерой, распознающей дорожную разметку, и боковым
лазерным дальномером для определения приближающихся с боку транспортных
средств; системой стереозрения в задней части автомобиля для видеоконтроля за
ведомым объектом; системой V2V на основе технологии DSRC (5,8 ГГц) для
организации «виртуальной стыковки» транспортных средств к ведущему.
Принципиальная схема работы системы заключалась в следующем: через систему
V2V новый «стыкующийся» к эшелону автопоездов грузовик запрашивал
 31

разрешение, получив которое, занимал свое место в составе автоколонны, после

чего у водителя оставались только «надзорные» функции за работой системы.
Далее, каждое грузовое транспортное средство отслеживало и корректировало,
согласно заданным алгоритмам, дистанцию до впереди идущего грузовика, в то
время как боковые перемещения контролировались системой автоматизированного
рулевого управления по распознаваемой дорожной разметке. Таким образом, в
описанной концепции заключается принципиальное отличие от системы движения
в составе автоколонн компании Volvo, в которой каждый автомобиль на основе
данных видеозахвата профиля впереди идущего автомобиля пытается повторить
траекторию движения, и которая как раз имеет негативный эффект отсутствия
контроля боковых перемещений транспортных средств относительно дорожной
разметки, связанный с накоплением погрешностей по мере увеличения количества
транспортных средств в автоколонне.

Рисунок 1.9. Оснащение грузового автомобиля японского проекта JARI

автоматизированного движения в составе автоколонн
 32

Таким образом, при реализации проекта JARI автоматизированного

движения грузового транспорта в составе автоколонн, японским разработчикам
удалось добиться снижения количества вредных выбросов в атмосферу примерно
на 10-15%.
Отдельного внимания заслуживает демонстрация межобъектного
взаимодействия транспортных средств V2V, показанная на международном
конгрессе ИТС 2012 компанией BMW на примере предупреждения водителя об
экстренном торможении впереди идущего автомобиля. Особенность заключалась
в том, что сигнал о нажатии на педаль тормоза «станция ИТС», установленная на
автомобиле BMW 5-ой серии, получала с бортовой шины CAN передачи данных,
т.е. имела место интеграция внешнего коммуникационного оборудования в
штатную систему электрооборудования. Однако, технический консультант
отказался отвечать на вопросы о методах данного подключения, возможности
унификации используемого разъема и вопросы декодирования CAN сообщений,
сославшись на коммерческую тайну. Естественным является то обстоятельство,
что непосредственно у самого автопроизводителя имеются в наличие базы данных
декодирования сигналов с шин передачи данных выпускаемых им легковых
автомобилей, однако, информация эта является закрытой и тщательно охраняемой.
Вопросы, связанные с интеграцией внешнего оборудования в штатную бортовую
сеть передачи данных АТС, рассматриваются далее в главе 4.

1.3. Обзор подходов к созданию математических моделей движения

автотранспортных средств

В задачах проектирования систем управления автономных АТС необходимы

математические модели, отражающие основные свойства автомобиля, как объекта
управления, и позволяющие прогнозировать реакцию и поведение автомобиля на
 33

воздействия внешней среды, воздействия со стороны исполнительных механизмов

системы автоматического управления и воздействия со стороны водителя.
Схемы математических моделей колесных машин и систем моделирования
по сложности и качеству реализуемых функций можно разделить на 4 основные
группы [70]:
1) Аналитический расчет традиционными методами. Расчетные соотношения для
выходных показателей представляются в виде конечных функциональных
зависимостей [3], [10], [32].
2) Аналитический расчет с применением пакетов символьной математики [33].
Реализуется чаще всего в универсальных прикладных программах, например,
MathCad, MatLab, Scientific, Mathematics и др. В качестве примера можно привести
модель движения АТС, разработанную в Московском автомобильно-дорожном
институте и нашедшую отражение в диссертациях [71], [72]. Особенность создания
модели заключается в приведении системы уравнений, описывающей
криволинейное движение АТС и ряда учитываемых факторов, к единому
матричному уравнению, которое далее решается и исследуется в среде прикладной
программы. Стоит отметить, что данный подход является эффективным для
решения некоторых четко сформулированных задач, однако сама модель не
отличается гибкостью и универсальностью, т.е. при изменении целей и задач
исследования необходимо составлять и затем исследовать новое приведенное
матричное уравнение.
3) Имитационное визуальное (твердотельное) моделирование. Может быть
реализовано в программах моделирования динамики многокомпонентных
механических систем, например, Euler, MatLab SimMechanics и др.
4) Специализированные программы моделирования движения АТС. В качестве
примера можно привести программу LapSim, предназначенную для оптимизации
параметров гоночного автомобиля в соответствии с конкретной трассой по
критерию минимального времени прохождения трассы (разработана кампанией
Bosch в среде MatLab). Идеология работы программы заключается в сравнении
результатов компьютерного моделирования с показаниями регистрирующей
 34

аппаратуры, записанными с гоночного автомобиля во время «тестового заезда»,

введении поправок в расчетные алгоритмы программы и вывод рекомендуемых
оптимальных настраиваемых параметров гоночного автомобиля для данной
трассы. Так же стоит отметить пакет MatLab Simdriveline, представляющий собой
библиотеку стандартных элементов (пневматическая шина, кузов, двигатель,
система подрессоривания, КП и т.д.), из которых можно составить комплексную
схему автомобиля или отдельных узлов. Каждый библиотечный элемент является
укрупненным блоком, записанным в модуле Simulink в виде математических
уравнений, описывающих определенный элемент или процесс. Детальное
рассмотрение данного модуля выявило возможности моделирования
исключительно прямолинейного движения, оценки динамических характеристик,
проектирования трансмиссий, моделирования некоторых систем безопасности. В
качестве еще одного примера специализированных программ моделирования
движения автотранспортных средств приведем реализацию в среде Matlab Simulink
модели автомобиля с колесной формулой 6х6 и равномерным распределением
осей, позволяющую прогнозировать характеристики криволинейного движения по
ровному горизонтальному недеформируемому опорному основанию с
возможностью реализации различных законов управления поворотом колес задней
оси, а также при всеколесном управлении [92].
Вне зависимости от схемы математической модели, исследователям
(например, [71], [73], [74]) часто приходится прибегать к упрощению зависимостей
взаимодействия пневматической шины с опорной поверхностью, упрощать
тригонометрические функции в расчетах углов увода и кинематики рулевого
управления, накладывать ограничения на углы поворота колес и минимальную
скорость движения и т.д. Все это не лучшим образом сказывается на точности
получаемых результатов и показывает расхождение расчетных данных с
экспериментальными в пределах 20%. При оценке и прогнозировании
эксплуатационных характеристик АТС с применением алгебраических или
частотных критериев устойчивости [75, 76], очевидным является то
 35

обстоятельство, что результаты подобных оценок варьируются в зависимости от

составленной системы уравнений, принятых допущений и исходных данных.
Стоит отметить, что более точные, с точки зрения описания процессов,
математические модели [29], [72], [77] требуют большего числа входных величин
и характеристик. Однако чаще всего исследователю не представляется возможным
определить данные параметры без проведения дополнительных экспериментов или
изысканий, поэтому остается лишь возможность подстановки приближенных
значений, определяемых эмпирическими зависимостями. Математическая модель,
подробно описывающая физику процессов, теряет свою актуальность из-за
подстановки некорректных исходных данных.
Основные возможности описаний каких-либо процессов [78], [79]:
1) функциональная зависимость;
2) «черная модель» - эмпирическая многомерная зависимость [80-82];
3) «серая» модель.
Преимуществом описания процесса функциональной зависимостью является
наличие четкой структуры и явного физического смысла и, как следствие,
возможности варьирования входящими в состав уравнений коэффициентами и
решения задач оптимизации. К недостаткам можно отнести лишь прикладные
трудности, возникаемые при решении.
К преимуществам «черной модели» можно отнести потенциальную
способность точного описания процессов на основе экспериментально полученных
данных, а к недостаткам – отсутствие физического смысла и невозможность
проведения оптимизаций.
«Серая модель», являясь нечто средним между аналитическим описанием и
«черной моделью», включает в себя все положительные и отрицательные стороны,
описанные выше. Имеет физический смысл.
В общем виде, любая модель представляет собой математическую запись
преобразования входного и выходного сигнала системы. В реальной системе на
выходные параметры действует в той или иной степени множество различных
факторов, которые могут иметь природу помех (шума), а могут быть параметрами,
 36

о которых мы не имеем представления. На Рисунке 1.10 показано классическое

представление динамической системы.
e

u y
Объект

Рисунок 1.10. Блок-схема динамической системы

На объект действуют входные сигналы u и случайные воздействия e,

выходные параметры – y. В общем случае, сигналы u, e, y представляют собой
вектора произвольной размерности. Все эти сигналы – непрерывные функции
времени. Стоит отметить, что чаще всего в задачах идентификации приходится
работать с дискретными значениями сигналов, что, в свою очередь, обусловлено
возможностями измерительного оборудования. Таким образом, проблема
моделирования состоит в определении зависимости между входными и выходными
сигналами. В качестве основной зависимости выступают линейные
дифференциальные уравнения.
Предполагается, что имеются данные о значениях входных и выходных
параметров, измеренные с некоторым интервалом времени. Следовательно,
входной и выходной сигналы представляют собой дискретные функции, т.е. вход –
u(t); t = 1, 2, …, N, выход – y(t); t = 1, 2, …, N.
Предположим, что сигналы связаны системой линейно, тогда преобразование
«вход-выход» может быть записано в виде:
y(t )  G(q)  u(t )   (t ) , (1.13)
где:
q - оператор сдвига;

G(q) - передаточная функция системы;

 (t ) - дополнительная функция, представляющая собой шум (помехи).

 37

G(q)  u (t )   g (k )  u (t  k ) (1.14)
k 1


G (q)   g (k )  q  k ; q 1  u (t )  u (t  1) (1.15)
k 1

Числа {g (k )} называются импульсной передаточной функцией системы.

Ясно, что g (k ) является выходом системы во время k , если в начальный момент
времени на вход системы подается импульс. Функция G(q) названа передаточной
функцией системы. Эта функция, определенная на единичном круге (q  e i ) , дает
частотную передаточную функцию G(e i ) . В (1.13)  (t ) - дополнительная функция,
представляющая собой шум (помехи). Его характеристикой может выступать
спектральная плотность (спектр):

ФV ( ) 

R  
V ( )  e i  , (1.16)

где: RV ( ) – ковариационная функция шума  (t ) .

RV ( )  M { (t ) (t   )} , (1.17)
где: M – символ математического ожидания. Альтернативно, помеха может быть
описана как отфильтрованные белые шумы:
 (t )  H (q)  e(t ) , (1.18)
где: H (q) – белые шумы с параметром l и
2
ФV ( )    H  e i (1.19)

Все приведенные выше уравнения (1.13) – (1.19) вместе дают описание

временной области системы:
y(t )  G(q)  u(t )  H (q)  e(t ) (1.20)
Функции G(e i ) и ФV ( ) составляют описание частотной области системы.
Основное описание (1.20) может использоваться и в случае множества
переменных. Пусть nu – количество входных сигналов системы, ny – количество
выходных сигналов. В таком случае, G(q) будет являться матрицей размерности
ny x nu, а H(q) и ФV ( ) матрицами размерности ny x ny. Функции G и Н могут быть
описаны как рациональные функции от q 1 . Одна из моделей, включенная в
 38

надстройку System Identification Toolbox пакета MatLab – модель ARX, которая

имеет вид:
B( q ) 1
G(q)  q nk  ; H (q)  ,
A(q) A(q)

где: B и А - многочлены в операторе задержки q 1 :

A(q)  a1  a 2  q 1    a na  q  na1
, (1.21)
B(q)  b1  b2  q 1    bnb  q nb1

где: na и nb – порядки соответствующих полиномов.

Модель обычно записывается в виде:
A(q)  y(t )  B(q)  u(t  nk )  e(t ) , (1.22)
где: nk – число задержек от ввода (входа) до выхода.
Запись уравнения (1.22) в явном виде:
y(t )  a1  y(t  1)    a na  y(t  na) 
(1.23)
 b1  u (t  nk )  b2  u (t  nk  1)    bnb  u (t  nk  nb  1)  e(t )

Выражения (1.22) и (1.23) могут быть обобщены для случая со многими

переменными. Тогда A(q) станет матрицей размерности ny x ny, а B(q) матрицей
размерности ny x nu.
Другой главной, и более общей моделью является ARMAX структура:
A(q)  y(t )  B(q)  u(t  nk )  C(q)  e(t ) , (1.24)
где: A(q) и B(q) определяются в соответствии с (1.21), а
C (q)  1  c1  q 1    cnc  q  nc

Структура модели ошибки выходной величины (OE) получена как

B( q )
y(t )   u (t  nk )  e(t ) ,
F (q)

где:
F (q)  1  f1  q 1    f nf  q  nf

Так называемая модель Бокса-Джекинса (BJ) имеет следующий вид:

B(q ) C (q)
y (t )   u (t  nk )   e(t ) , (1.25)
F (q) D( q )
 39

где:
D(q)  1  d1  q 1    d nd  q  nd

Все эти модели – частные случаи общей параметрической модели:

B(q) C (q)
A(q)  y (t )   u (t  nk )   e(t ) (1.26)
F (q) D( q )

Параметры белого шума {e(t)} приняты за l. В пределах структуры (1.26),

могут быть фактически получены все линейные модели систем типа «черного
ящика». Модель ARX очевидно получена при nc = nd = nf = 0. Структура ARMAX
соответствует nс = nf = 0. Модель ОЕ получена для na = nc = nd = 0, в то время как
модель BJ переписывается c nd = nd = nf =0.
Тот же самый тип моделей может быть определен для систем с произвольным
числом входов, тогда:
B1 (q) B (q) C (q)
A(q)  y(t )   u1 (t  nk1 )    nu  u nu (t  nk nu )   e(t ) (1.27)
F1 (q) Fnu (q) D( q )

Общий подход к описанию линейных систем состоит в том, чтобы

использовать модели в пространстве состояний:
x(t  1)  Ax (t )  Bu (t )
(1.28)
y( y)  Cx(t )  Du(t )   (t )

Здесь зависимость между входом и выходом определяется через nx-мерный

вектор состояний. В форме (1.3.16) передаточная функция переписывает в виде:
G(q)  C (q  I nx  A) 1  B  D , (1.29)

где: I nx – единичная матрица размерности nx.

Ясно, что (1.28) может рассматриваться как один из способов
параметризации передаточная функции. С помощью (1.29) G(q) становится
функцией матриц A, B, C и D. В System Identification Toolbox (Matlab) используется
следующая модель в пространстве состояний:
x(t  1)  Ax (t )  Bu (t )  Ke(t )
(1.30)
y( y)  Cx(t )  Du(t )  e(t )
 40

Использование этого представления позволяет учитывать шумы и находить

линеаризованные уравнения нелинейных объектов. В случае (1.30) G(q)
определяется по формуле (1.29), а H(q):
H (q)  C (q  I nx  A) 1  K  I ny , (1.31)
где: ny – размерность y(t) и e(t).
Часто возможно установить описание системы прямо в (1.30). В других
случаях, предпочтительно описать сначала шумы, которые действуют на систему.
Это ведет к стохастическому пространству состояний. Модель:
x(t  1)  Ax (t )  Bu (t )  w(t )
, (1.32)
y( y)  Cx(t )  Du(t )  e(t )

где: w(t) и e(t) – стохастические процессы с некоторой степенью

коррелированности. В условиях стационарности и в зависимости от вида
преобразования «вход-выход», можно записать (1.32) эквивалентно (1.30). Тогда
матрица K выбирается как фильтр Калмана.
Часто проще описать систему в виде непрерывной динамической модели.
Причина в том, что, как правило, физические законы представляют собой
дифференциальные уравнения. Поэтому, моделирование физических явлений
обычно ведет к описаниям пространства состояний

x(t )  Fx (t )  Gu(t ) (1.33)
y (t )  Hx(t )  Du(t )   (t )

Здесь kT ≤ t ≤ (k+1)T, тогда зависимость между u[k] = u(kT) и y[k] = y(kT)

может быть точно выражена через (1.28), причем:
T
A  e FT ; B   e F Gd (1.34)
0

Непрерывная динамическая модель пространства состояний в MatLab System

Identification Toolbox [82]:

x(t )  Fx (t )  Gu(t )  K~e(t ) (1.35)
y (t )  Hx(t )  Du(t )   (t )
 41

Соответствие между K~ и K осуществляется на основе выражения:

T
~d
K   e F K
0

Таким образом, «черная модель» строится по экспериментальным данным

посредством выбора ряда входных и выходных величин и генерирования
зависимости разнообразными методами. Полученная зависимость проверяется
повторным экспериментом или выборкой экспериментальных данных, не
участвовавших в генерации зависимости. Физического смысла такая модель не
имеет.
«Серая модель» включает в себя, в отличие от «черной модели»,
структурированное аналитическое описание, в которое, в свою очередь, входят
ряды заведомо неизвестных переменных, которые далее определяются через
экспериментальные данные инструментарием «черной модели».
Таким образом, наиболее перспективной с точки зрения точности описания
процессов представляется либо модель с функциональными зависимостями, либо
«серая модель», состоящая из аналитического описания динамики движения
автомобиля и взаимодействиями пневматических шин с опорной поверхностью,
реализованными в виде «черных моделей».
Возвращаясь к вопросу создания математической модели движения
автомобиля на основе функциональных зависимостей, отметим, что исторически
широко применялась простейшая линейная плоская одноколейная
(«велосипедная») модель автомобиля в инерциальной системе координат [83]. В
данной модели отсутствовала подвеска, рулевое управление и колеса были жестко
закреплены, принималась постоянная скорость прямолинейного движения,
уравнения динамики записывались только для движения в поперечном
направлении и во вращении относительно вертикальной оси, проходящей через
центр масс автомобиля. Принималось допущение, что колеса не имеют массы, а
боковой увод возникает за счет деформаций пневматических шин, оцениваемых их
боковыми жесткостями. Результаты исследований позволили получить значение
 42

критической скорости автомобиля, при которой боковое движение изменяет свой

характер от устойчивого апериодического движения к неустойчивому
колебательному:
2  K y1  K y 2  (l1  l 2 ) 2
Vкр  , (1.36)
ma  ( K y1  l1  K y 2  l 2 )

где: ma – масса автомобиля; K y1 , K y 2 – коэффициенты сопротивления боковому

уводу передней и задней оси соответственно; l1 , l 2 – расстояние от центра тяжести
автомобиля до передней и задней оси соответственно.
Таким образом, простейший автомобиль с закрепленным рулевым
управлением будет устойчив при всех скоростях движения, если по абсолютной
величине произведение расстояния от задней оси до центра тяжести автомобиля на
коэффициент сопротивления боковому уводу задних колес будет меньше
произведения расстояния от передней оси автомобиля до центра тяжести на
коэффициент сопротивления боковому уводу передних колес.
Данная упрощенная модель автомобиля не учитывает многих существенных
факторов и при сравнении расчетных значений с экспериментальными получается
не только количественное, но и качественное расхождение [2]. Более глубоко
вопросы устойчивости были исследованы в работах [3, 9], были даны
представления критической скорости для различных режимов движения:
установившегося прямолинейного, в режиме поворота, разгона, торможения, в том
числе, и для многоосных колесных машин. Дальнейшие исследования
устойчивости [3, 7, 8, 12, 13, 84] отражают учет воздействия случайных боковых
возмущений, наклона профиля дороги, действий водителя. Там же сделаны первые
попытки изучения устойчивости автомобиля как системы с числом степеней
свободы более четырех.
Таким образом, большинство последующих исследований управляемого
движения автомобиля, и, в частности, оценки показателей управляемости и
устойчивости, в основе своей базировались на стратегии модернизации исходной
расчетной модели [3, 10, 83] с учетом необходимых факторов.
 43

При описании характеристик управляемости автомобиля, связанных с его

курсовым движением, используют понятия избыточной и недостаточной
поворачиваемости, которые были введены М.Олеем [38] и касаются
установившейся траектории автомобиля при действии боковой силы, приложенной
в центре тяжести. Если  1   3 , то автомобиль обладает нейтральной
поворачиваемостью, в таком случае радиус поворота RП и угловая скорость

поворота z не зависят от действующих на автомобиль боковых сил. При  1   3

имеет место избыточная поворачиваемость, при этом в результате действия
боковых сил z возрастает, а RП уменьшается. При  1   3 имеет место
недостаточная поворачиваемость, в таком случае, при действии боковых сил RП

возрастает, а z уменьшается.
В работе [2] установлена взаимосвязь линейной боковой скорости V y и ее
   
производных V y , V y ; угловой скорости z и ее производных  z ,  z с углом поворота

 и скоростью его изменения  . Также, рассматривая круговое движение
автомобиля, А.С.Литвинов вывел зависимость между коэффициентом
поворачиваемости K ПВ и коэффициентом чувствительности к повороту  z /  ,
зависящим от скорости V x . При недостаточной поворачиваемости автомобиля
чувствительность стремится к некоторому максимальному значению, при
избыточной поворачиваемости чувствительность стремится к бесконечности, а при
нейтральной имеет линейную зависимость от скорости.
В ранних теоретических исследованиях курсового движения автомобиля [4,
32, 83] связь пневматической шины с опорной поверхностью описывалась
линейной зависимостью, определяющей боковую реакцию в пятне контакта
пневматической шины с опорной поверхностью прямопропорциональной
произведению коэффициента сопротивления боковому уводу на соответствующий
угол увода. В дальнейших работах [2, 3, 7, 8, 10] получила развитие теория
нелинейного увода [10], учитывающая влияние углов установки колеса,
 44

вертикальной нагрузки, угла увода, давления в шине, тяговых и тормозных

нагрузок, состояния протектора, неровностей дороги и типа опорной поверхности
на формирование боковой реакции в пятне контакта с соответствующими
геометрическими зависимостями, полученными экспериментальным путем для
конкретных пневматических шин. Отношения между всеми этими факторами
сложны и нелинейны.
Одним из простых способов описания нелинейности боковой силы является
использование при вычислении углов увода обратной тригонометрической
функции – arctg – имеющей линейную зависимость при малых значениях аргумента
и «насыщение» значения функции при увеличении аргумента. Так, например, в
работе [85] для плоской одноколейной схемы автомобиля со всеми управляемыми
колесами была применена следующая зависимость:
   (V y  l1   z )  cos   V x  sin  
 1   2  arctan  
  V x  cos   (V y  l1   z )  sin  
 (1.37)
  (V y  l 2   z )  cos   V x  sin  
 3   4  arctan V  cos   (V  l   )  sin  
  x y 2 z 

Для плоской схемы четырехколесного автомобиля с передними

управляемыми колесами и с учетом продольных сил, приложенных к колесам,
применяются следующие зависимости [76]:
   
 V y  (nt  cos  )    (nt  cos   l1 )   z 
 1    arctan   
  Va  (nt  sin  )    (nt  sin   B )   z 
  2 

   
    arctan y  V  ( n t  cos  )    ( n t  cos   l1 )   z 
 2   
 B
 V  (nt  sin  )    (nt  sin   )   z 
  a 2 
 , (1.38)
  
  Va  l 2   z 
  3   arctan  
 B
 Va    z 
 
 2 
  
  Va  l 2   z 
 4   arctan  
 Va  B   z 
  2 
 45

где: Va – скорость движения автомобиля, м/с; nt – длина пятна контакта

пневматической шины с опорной поверхностью, м.
В работе [7] предложены две модели бокового увода с учетом
K yi   i
проскальзывания шин: в первой, боковая реакция i-ой шины R yi  зависит от
1  f пр

функции проскальзывания f пр , определяемой по экспериментальным данным; во

второй, рассматривается только полное проскальзывание, пренебрегая частичным:
 R yi  K yi   i
 , (1.39)
R yi   yi  mi  g  sign i

где:  yi – коэффициент сцепления пневматической шины с опорной поверхностью

в боковом направлении; sign – знак угла увода.
Широко распространены нелинейные модели пневматической шины,
используемые в численных расчетах, например, модель Сегела или «магическая
формула» Пасейки [36, 86], встречающаяся в работе [76] и полученная путем
аппроксимации экспериментальной зависимости боковой реакции от угла увода:
R yi  Di  sin[Ci  arctg{Bi  (1  Ei )   i  Ei  arctg ( Bi   i )}] , (1.40)
где: Bi , Ci , Di , Ei – эмпирические коэффициенты, зависящие от свойств конкретной
шины и учитывающие изменение коэффициента поперечного сцепления шины с
дорожным покрытием. Представленная формула позволяет моделировать боковую
силу с высокой точностью, однако требует большого количества исходных данных,
которые зачастую неизвестны. Использование нелинейных моделей шины
затруднительно при аналитическом исследовании, кроме того, для каждой модели
шины необходимо проведение эксперимента для получения соответствующих
расчетных коэффициентов.
В отличие от моделей геометрической связи шины с дорогой, реже
используются характеристики взаимодействия шин с опорной поверхностью,
выраженные уравнениями кинематических (неголономных) связей, в которых
реакции дороги являются функциями обобщенных координат и скоростей.
Кинематические уравнения в полном виде впервые были получены
 46

М.В.Келдышем, а теория качения эластичного колеса получила развитие в работах

Л.Г.Лобаса [87] и А.А.Хачатурова [7, 8]. А.А.Хачатуров отметил, что модели
качения, основанные на теории М.В.Келдыша оказываются необходимыми лишь
при решении специальных задач (движение по существенно неровной поверхности
с быстроизменяющимися нагрузками) [8].
При рассмотрении качения колеса стоит ясно разделять режимы
установившегося (квазистационарного) (формулы 1.39, 1.40) и неустановившегося
(нестационарного) качения (формула 1.41). В реальных условиях не
осуществляются в чистом виде квазистационарные режимы качения, так как колесо
всегда осуществляет колебания относительно основного – прямолинейного или
криволинейного движения. Пневматическая шина, ввиду своих эластичных
свойств, реагирует на возмущающие воздействия с некоторым запаздыванием. В
обзорной работе [17] Б.Л.Бухин приводит экспериментальную зависимость
нарастания боковой реакции во времени от скачкообразного изменения угла увода
(Рисунок 1.11). Приведенные данные были получены на шинном стенде при
рассмотрении качения одиночного колеса с малыми значениями угла увода,
боковой реакции и скорости качения.
 47

Рисунок 1.11. Развитие боковой силы при внезапном повороте колеса: 1,2 –
обороты колеса; А,Б – нестационарное и стационарное качение, В – колебания
силы, вызванные неоднородностью шины

При рассмотрении боковых колебаний шины Б.Л.Бухин приводит

экспериментальные зависимости уменьшения амплитуды ( F / F0 ) и сдвига фаз (  )
боковой реакции пневматической шины в зависимости от кинематической частоты
(  /V ) в сравнении со стационарным качением ( F0 ) (Рисунок 1.12).
Рассматривается качение одиночного колеса с нагружением по гармоническому
закону sin(  t ) , где  - угловая частота.
 48

Рисунок 1.12. Зависимость боковой силы (амплитуда и сдвиг фаз) от

кинематической частоты для различных шин

Графическое представление вышеописанного динамического процесса в

системе координат R y ( ) встречается в работе А.Б.Дика [16], который отмечает,
что при малой кинематической частоте возмущения  /V динамическая
зависимость протекает примерно симметрично относительно статической, в то
время как с увеличением кинематической частоты происходит увеличение наклона
динамической кривой увода по отношению к статической (Рисунок 1.13). Для
аналитического описания нестационарного качения с уводом предлагается
зависимость:

R y  (C y  V / C sy )  R y  C y  V   (t ) , (1.41)

где: C y  Csy / Ly 0 - боковая жесткость шины;

L y 0 - длина релаксации шины;

 49

R y
C sy  , принимается const - частная производная боковой реакции по
S y

коэффициенту проскальзывания в боковом направлении.

Рисунок 1.13. Стационарная (1) и нестационарная (2) характеристики

бокового увода: а) V  4,47 м / с ,  / V  0,95 рад / м , С sy  33кН ; б) V  0,893м / с ,

 / V  4,72 рад / м , С sy  35кН . Сплошная линия – эксперимент Д.Шуринга, шина

G78-14, пунктирная – расчет А.Б.Дика [16] по формуле (1.41).

Таким образом, несмотря на то, что характеристики сцепления

пневматической шины с опорной поверхностью считаются в достаточной степени
изученными в теории автомобиля, ни стендовые испытания шин, ни испытания
шин на измерительных автомобилях не позволили на данный момент получить
точные зависимости поведения колеса во всем многообразии режимов движения
[26].
В работе [70] приводится экспериментально-расчетная характеристика
зависимости боковой реакции от угла увода «приведенной» шины (шины
эквивалентной модели одноколейного автомобиля), полученная на основании
 50

полигонных испытаний автомобиля (Рисунок 1.14), в отличие от характеристик,

полученных на различных стендах для отдельных одиночных пневматических шин
[16, 17, 29].
4
x 10
1.5

0.5
Ry, [Н]

-0.5

Переставка, 63 км/ч
-1
Переставка, 56 км/ч
Змейка
Поворот, 75 км/ч
-1.5
-15 -10 -5 0 5 10 15
Угол увода, [град]

Рисунок 1.14. Зависимости боковых реакций R y от углов увода  , передняя ось

(а/м Nissan Pathfinder, сухое ровное асфальтобетонное покрытие)

Также в рассматриваемой работе [70] предлагается эмпирическая

зависимость для расчета боковых реакций «приведенных» шин в функции угла
увода, скорости изменения угла увода, скорости движения колеса и шага
дискретизации получаемых данных для конкретного исследуемого автомобиля.
В иностранных источниках также отмечается проблема аналитического
описания неустановившегося качения колеса [88], по-разному решаемая разными
исследователями. Так, в работах [89, 90] предлагается следующая зависимость для
учета переходных динамических процессов в шине (по физическому смыслу
идентична и может быть выведена из уравнения (1.41) А.Б.Дика [16]):
FY _ lagi VW i
  ( FYC i  FY _ lagi ) , (1.42)
t d
где:
 51

FY _ lagi - рассчитываемая боковая реакция в пятне контакта пневматической шины

с опорной поверхностью;
FYC i - боковая реакция, которая могла бы быть при стационарном качении колеса с

такими же показателями коэффициентов относительного проскальзывания, т.е.

FX  i FYC i 2
реакция, рассчитываемая из зависимости ( )2  ( )  1 (в работе [90]
FX _ max i FY i

используется «магическая формула» Пасейки);

VW i - скорость колеса;

d - длина релаксации пневматической шины.

В качестве другого примера попытки решения задачи аналитического
описания неустановившегося качения колеса приведем работу [91], в которой
исследователи вводят переменные коэффициенты сопротивления боковому уводу,
как функцию скорости движения автомобиля. Полученные значения характерных
точек зависимостей для легкового автомобиля типа SUV (неофициальная
классификация), при применении плоской одноколейной схемы автомобиля,
показаны в Таблице 1.
Таблица 1.
Эквивалентные коэффициенты сопротивления боковому уводу

Отметим, что в упомянутых работах [89-91] адекватность разработанных

математических моделей проверялась путем сопоставления результатов
имитационного моделирования с результатами моделирования в
специализированных коммерческих программах расчета динамики движения
автомобиля, т.е. объективность предложенных методов вызывает некоторые
сомнения.
 52

Таким образом, особую сложность при математическом моделировании

управляемого движения автомобиля представляют процессы взаимодействия
пневматической шины с опорной поверхностью при неустановившихся режимах
качения колеса, и в настоящее время в мире нет единого и достоверного подхода к
решению данной задачи.

1.4. Стандартизация в исследуемой области

За развитием любых новых технологий неизбежно следует процесс

стандартизации, призванный ускорить внедрение передовой практики, повысить
эффективность производства, обеспечить рост промышленного потенциала и
задать правила функционирования нового или расширяющегося рынка товаров и
услуг. Существуют международные и государственные организации по
стандартизации и, соответственно, международные, государственные,
обязательные и носящие рекомендательный характер стандарты.
Отметим, что специализированный комитет по работе с технологиями
автономных АТС функционирует в настоящее время только в организации SAE
(Society of Automotive Engineers), выпускаемые стандарты которой являются
обязательными в США, в то время, как в международном правовом пространстве
они рассматриваются просто как справочная информация, хотя, зачастую, и
становятся основой некоторых международных стандартов ISO (International
Organization for Standardization).
В международной, российской и европейской системах стандартизации
отдельные технологии частичной автоматизации управляемого движения
(например, адаптивный круиз-контроль, система предупреждения о съезде с
полосы движения, системы автоматического торможения и другие) объединяются
термином ADAS (Advanced Driver Assistance Systems) и отнесены к
Интеллектуальным Транспортным Системам (ИТС). Например, стандарт ISO
 53

17361:2007 «Интеллектуальные транспортные системы. Системы предупреждения

о съезде с полосы движения. Требования к рабочим характеристикам и методы
испытаний», стандарт ISO 15622:2010 «Интеллектуальные транспортные системы.
Адаптивные устройства для поддержания заданной скорости. Требования к
эксплуатационным характеристикам и методы испытания» и многие другие
публикуются в группе «интеллектуальные транспортные системы», а не
«дорожный транспорт» (road vehicles – ISO или surface vehicles – SAE).
Итак, в Европейском комитете по стандартизации (CEN – Comité Européen de
Normalisation) вопросами, пересекающимися с тематикой проводимого
исследования, занимается технический комитет (ТК) 278 «интеллектуальные
транспортные системы», состоящий из рабочих групп (РГ), представленных в
Таблице 2.
Таблица 2.
Структура ТК 278 (CEN) «Intelligent transport systems»
№ РГ НАЗВАНИЕ
РГ 1 Электронное взимание платежей и контроль доступа (EFC)
Грузовые перевозки, логистика и операции с коммерческим
РГ 2
транспортом
РГ 3 Общественный транспорт (PT)
РГ 4 Транспортная и дорожная информация (TTI)
РГ5 Управление транспортными потоками (TC)
РГ 7 Данные ГИС ИТС
РГ 8 Дорожно-транспортные данные (RTD)
РГ 9 Выделенная связь малой дальности (DSRC)
РГ 10 Интерфейс человек-машина (MMI)
Автоматическая идентификация транспортных средств и
РГ 12
оборудования (AVI/AEI)
РГ 13 Архитектура и терминология
РГ 14 Системы возврата угнанных транспортных средств
 54

Таблица 2 – окончание.
РГ 15 Система безопасности eSafety
РГ 16 Кооперативные системы ИТС

Разработкой стандартов, связанных с организацией межобъектного

взаимодействия интеллектуальных, в т.ч. автономных транспортных средств в ТК
278 (CEN) занимаются рабочие группы 9, 13 и 16 «кооперативные системы ИТС».
В международной организации по стандартизации (ISO) вопросами,
пересекающимися с тематикой проводимого исследования, занимается
технический комитет 204 «интеллектуальные транспортные системы», состоящий
из рабочих групп, представленных в Таблице 3.
Таблица 3.
Структура ТК 204 (ISO) «Intelligent transport systems»
№ РГ НАЗВАНИЕ
РГ 1 Архитектура
РГ 3 Технология баз данных TICS
Автоматическая идентификация транспортных средств и
РГ 4
оборудования
РГ5 Система сбора платежей за проезд и комиссий
Системы управления подвижным составом и коммерческим
РГ 7
транспортом
РГ 8 Общественный транспорт / аварийные ситуации
РГ 9 Интегрированная транспортная информация, управление и контроль
РГ 10 Информационные системы для участников движения
РГ 14 Автомобильные/дорожные системы предупреждения и контроля
РГ 16 Передача данных
РГ 17 Мобильные устройства в системах ИТС
РГ 18 Кооперативные системы
 55

Разработкой стандартов, пересекающихся с темой создания автономных АТС

и организацией межобъектного взаимодействия интеллектуальных транспортных
средств в ТК 204 (ISO) занимаются рабочие группы 1, 14, 16 и 18 «кооперативные
системы».
В целях мониторинга актуального состояния деятельности технического
комитета 204 («интеллектуальные транспортные системы»), автор принял участие
в заседаниях рабочих групп 18 («кооперативные системы») и 14
(«автомобильные/дорожные системы предупреждения и контроля»)
международной организации по стандартизации ISO с 14 по 19 октября 2012 г.,
которые проходили в Москве на территории международного центра торговли.
На заседаниях рабочей группы 18 обсуждались проекты стандартов,
описывающие в общем виде уровни модели OSI протоколов передачи данных
между «станциями ИТС», установленными на автомобилях и объектах дорожной
инфраструктуры, обсуждались вопросы защиты передаваемых данных,
возможности доступа к передаваемым данным со стороны специальных служб
(полиции и других), необходимости реализации функций авторизации
транспортных средств при получении доступа к динамическим сетям DSRC и
другие вопросы. Стоит отметить, что под «станцией ИТС» понималось внешнее, но
при этом установленное на транспортном средстве, электронно-вычислительное
устройство, т.е. вопрос интеграции рассматриваемого контроллера ИТС в
бортовую систему электрооборудования автомобиля не рассматривался в
принципе, равно как и возможность использования данных со штатных
измерительных средств автомобиля. На заседаниях рабочей группы 14
обсуждались проекты стандартов функционирования и тестирования систем
контроля за соблюдением полосы движения, систем экстренного торможения и
другие системы предупреждения и помощи водителю (ADAS). Примечательным
является то обстоятельство, что на заседаниях обоих групп присутствовало
значительное количество представителей вполне конкретных иностранных бизнес-
структур (Volvo, Nissan, Kapsch и другие), а также организованных делегаций от
США, Японии, Кореи, Германии и других стран, которые проводили между собой
 56

закрытые переговоры и голосовали исключительно с учетом интересов

промышленности своих стран или представляемых бизнес-структур, т.к.
обсуждаемые вопросы тесным образом связаны с очередными этапами развития
автомобильной промышленности, зарождением новых рынков сервисов и услуг,
развитием бизнес-процессов.
В Российской Федерации в 2012 году на базе Московского автомобильно-
дорожного государственного технического университета (МАДИ) начал
функционировать технический комитет №57 «Интеллектуальные транспортные
системы» (Росстандарт), состоящий из следующих подкомитетов:
- ПК1 Архитектура ИТС, терминология, интеграция ИТС в ВИС;
- ПК2 Управление и контроль на транспорте, управление дорожным
движением. Информационные системы для участников движения;
- ПК3 Бортовые интеллектуальные системы автомобилей.
Кооперативные системы;
- ПК4 Платные сервисы в ИТС;
- ПК5 Системы управления подвижным составом и грузовым
коммерческим транспортом;
- ПК6 Общественный транспорт;
- ПК7 Системы противодействию угонам и возврата угнанных
транспортных средств.
Разработкой стандартов, связанных с организацией межобъектного
взаимодействия интеллектуальных транспортных средств и развитием технологий
ADAS в ТК 57 (Росстандарт) занимается подкомитет 3 «Бортовые
интеллектуальные системы автомобилей. Кооперативные системы».
Отметим, что повышение эффективности транспортного обслуживания
населения за счет применения инновационных организационных и технических
решений связано с развитием и внедрением интеллектуальных транспортных
систем, в свою очередь использование ИТС обеспечивает экономию до 20-30%
емкости дорожных сетей и способно, в зависимости от степени развертывания, в
разы снизить аварийность и смертность на дорогах [63]. К примеру, в европейской
 57

стратегии развития ИТС до 2050 года одним из индикаторов значится достижение

нулевого уровня смертности.
В США концепции ИТС начали развиваться с 1991 года, в Японии с 1996
года, в Китае с 1997 года, в ЕС с 2006 года, в России только в 2012 году официально
был создан Технический комитет по стандартизации в сфере ИТС (ТК57) при том,
что утвержденного Федерального Закона РФ об ИТС на настоящий момент все еще
нет. К сожалению, в системе стандартизации РФ в вопросах, касающихся создания
и применения технологий автономных АТС и интеллектуальных транспортных
систем, прослеживается отставание от стран Запада.

1.4.1. Анализ стандарта SAE J3016 «Системы автоматизированного

управления движением АТС. Классификация, термины и определения»

В январе 2014 года в США был утвержден первый национальный стандарт в

сфере автономных АТС – SAE J3016 «Системы автоматизированного управления
движением АТС. Классификация, термины и определения» (SAE J3016 «Taxonomy
and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving
Systems») [53]. Стандарт разрабатывался вновь созданным комитетом «On-Road
Automated Vehicle Standards Committee» и содержит определения, терминологию и
классификацию уровней автоматизации дорожных автотранспортных средств
(АТС). Рассматриваемый документ является основой для последующей разработки
стандартов и определяет будущий язык общения сообщества, занимающегося
вопросами автоматизированных и автономных АТС.
Настоящий стандарт предоставляет классификацию автоматизации
автотранспортных средств на уровнях от отсутствия какой-либо автоматизации до
полной автоматизации. Однако подробные определения в классификации даны
только для трех высших уровней автоматизации (а именно: для «условной»,
«повышенной» и «полной» автоматизации) в контексте колесных транспортных
 58

средств (которые также обозначаются как «автомобиль» или «автомобили») и их

функционирования на дорогах общего пользования. Указанные три высших уровня
расширенной автоматизации относятся к ситуациям, при которых задача
управления динамикой движения автомобиля полностью решается системой
автоматического управления вождением при заданном режиме или условиях
движения. Упоминания в научно-популярной литературе, средствах массовой
информации и законодательных актах подразумевают под «автономными» или
«автоматически управляемыми» автомобилями некоторые или все из описываемых
уровней автоматизации. Рассматриваемые определения могут применяться для
описания автоматизации: 1) дорожных автотранспортных средств; 2)
определенных систем в составе таких автомобилей; 3) управления такими
автомобилями. Понятие «дорожные» относится к дорогам общего пользования,
которые в совокупности обслуживают пользователей автомобилей всех классов и
уровней автоматизации (включая отсутствие автоматизации), а также
мотоциклистов, велосипедистов и пешеходов.
Рассматриваемый документ не содержит в полном объеме определений,
применимых к более низким уровням автоматизации (а именно: «без
автоматизации», «помощь водителю» или «частичная автоматизация»), однако они
описаны как исходные предпосылки для помощи в охвате всех разновидностей
автоматизации автомобилей. Активные системы безопасности и помощи
водителю, которые частично и/или временно автоматизируют определенные
аспекты управления автомобилем (включая системы, которые автоматически
предотвращают и/или смягчают последствия аварийных ситуаций, а затем сразу же
отключаются), но в остальных случаях автотранспортное средство управляется в
реальном времени водителем, также не включены в состав классификации
«условной», «повышенной» и «полной» автоматизации, которые в основном
рассматриваются в SAE J3016.
Классификация уровней автоматизации управления движением автомобиля
представлена в Таблице 4.
 2 1 0 Уровень SAE

Частичная автоматизация Помощь водителю Без автоматизации Наименование SAE

Выполнение специфических для Выполнение специфических

Постоянное
режима вождения задач одной для условий движения задач
выполнение
или несколькими системами системой помощи водителю
водителем всех
помощи водителю как задачи посредством воздействия на
аспектов задачи
рулевого управления, так и рулевое управление или
управления
задачи ускорения/торможения, процесс разгона/торможения
динамикой движения Описательное
на основе информации о автомобиля на основе
автомобиля, даже при определение SAE
дорожной обстановке и с информации о дорожной
вмешательстве в
ожиданием выполнения обстановке и с ожиданием
процесс управления
водителем всех остальных выполнения водителем всех
активных систем
аспектов задачи управления остальных аспектов задачи
обеспечения
динамикой движения управления динамикой
безопасности
Водитель контролирует условия движения

автомобиля движения автомобиля

59

Воздействие на рулевое
Система Водитель и система Водитель управление и процесс
разгона / торможения
Уровни автоматизации АТС

Контроль за условиями
Водитель Водитель Водитель
движения

Водитель
Некоторые режимы движения
Водитель
Некоторые режимы движения
Выполнение задачи
Водитель динамического
управления автомобилем
Возможности системы
Не определено
(режимы движения)

Частично автоматизированный Вспомогательный Только водитель Уровень BASt

Таблица 4.

2 1 0 Уровень NHTSA
 5 4 3

Полная автоматизация Повышенная автоматизация Условная автоматизация

Выполнение
Постоянное выполнение
специфических для
автоматизированной Выполнение специфических для
условий движения задач
системой вождения всех условий движения задач
автоматизированной
аспектов задачи автоматизированной системой
системой вождения для
управления динамикой вождения для всех аспектов
всех аспектов задачи
движения автомобиля задачи управления динамикой
управления динамикой
для всех дорог и движения автомобиля, даже если
движения автомобиля с
условий движения водитель не реагирует
ожиданием
(окружающей соответствующим образом на
соответствующей реакции
обстановки) вместо запрос вмешательства
водителя на запрос
водителя
Автоматизированная система вождения

вмешательства
(«система» контролирует условия движения)
60

Система Система Система

Система Система Система

Система Система Водитель

Все режимы движения Некоторые режимы движения Некоторые режимы движения

Полностью автоматизированный Высоко автоматизированный

помощи водителю или к автоматизированной системе вождения, в зависимости от

нормативный характер, и являются скорее техническими, чем юридическими. В

понятие «система» относится к системе помощи водителю, комбинации систем

ячейках Таблицы 4 указаны в основном минимальные, а не максимальные

контекста. Кроме того, таблица показывает степень соответствия уровней SAE

Уровни автоматизации вождения SAE носят скорее описательный, чем

возможности каждого из уровней автоматизации. В рассматриваемой таблице

3/4 3
Таблица 4 – окончание.
 61

уровням, разработанным Федеральным автодорожным научно-исследовательским

институтом Германии (BASt), а также приблизительное соответствие уровням,
предписанным Национальной администрацией по безопасности дорожного
движения США (NHTSA) 30 мая 2013г. в документе «Предварительное
постановление о политике в отношении автоматизированных автомобилей»
(«Preliminary Statement of Policy Concerning Automated Vehicles»).
В Таблице 5 более детально описаны различные уровни автоматизации
вождения – весь диапазон от отсутствия автоматизации до полной автоматизации.
Приведенное в колонке 2 описание оговаривает роль (при ее наличии) водителя при
выполнении задачи управления динамикой движения автомобиля. Приведенное в
колонке 3 описание оговаривает роль (при ее наличии) автоматизированной
системы вождения при выполнении задачи управления динамикой движения
автомобиля. Указанные задачи (роли) описывают технические возможности, а не
правовые требования. Как и в Таблице 4, под «системой» подразумевается система
помощи водителю, комбинация систем помощи водителю или автоматизированная
система вождения, в зависимости от контекста.
Таблица 5.
Задачи водителя и «системы» в зависимости от уровней автоматизации
Уровень
автоматизации Роль водителя Роль «системы»
вождения
ВОДИТЕЛЬ КОНТРОЛИРУЕТ ДОРОЖНУЮ ОБСТАНОВКУ
Уровень 0 • Контролирует условия • Без активной автоматизации
движения. (но может выдавать
без • Выполняет задачу предупреждения).
автоматизации управления динамикой
движения автомобиля
(рулевое управление, разгон,
торможение).
Уровень 1 • Контролирует условия • При включении выполняет
движения. части задачи управления
помощь • Выполняет задачу динамикой движения
водителю управления динамикой автомобиля, которые не
движения автомобиля либо в выполняются водителем
продольном (разгон,
 62
Таблица 5 – продолжение.
торможение), либо в (либо в продольном, либо в
поперечном (рулевое поперечном направлениях).
управление) направлениях. • Может немедленно
• Постоянно контролирует отключаться по запросу на
выполнение задачи срочную передачу
управления динамикой управления водителю.
движения автомобиля
системой помощи водителю.
• Определяет порядок
включения или выключения
системы помощи водителю, за
исключением систем,
автоматически
срабатывающих в случае
опасности.
• При необходимости
немедленно берет управление
на себя.
Уровень 2 • Контролирует условия • При включении выполняет
движения. задачи управления динамикой
частичная • Постоянно контролирует движения автомобиля в
автоматизация выполнение задачи продольном (разгон,
управления динамикой торможение) и поперечном
движения автомобиля (рулевое управление)
частично направлениях.
автоматизированной • Может немедленно
системой. отключаться по запросу на
• Определяет порядок срочную передачу
включения или выключения управления водителю.
системы помощи водителю, за
исключением систем,
автоматически
срабатывающих в случае
опасности.
• При необходимости
немедленно берет управление
на себя.
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВОЖДЕНИЯ КОНТРОЛИРУЕТ
ДОРОЖНУЮ ОБСТАНОВКУ
Уровень 3 • Определяет подходящий для • После активации
активации контролирует условия
условная автоматизированной системы движения.
автоматизация вождения момент. • Разрешает активацию только
при таких условиях
 63
Таблица 5 – продолжение.
• Принимает на себя (сценариях использования),
управление по запросу в для которых она
течение некоторого интервала предназначена.
времени. • При включении выполняет
• Может выдавать запрос на задачи управления динамикой
отключение движения автомобиля в
автоматизированной системы продольном (разгон,
вождения. торможение) и поперечном
(рулевое управление)
направлениях.
• Отключается только после
запроса водителя на передачу
управления в течение
некоторого интервала
времени.
• При определенных особых
условиях может переходить в
состояние минимального
риска совершения ДТП, если
водитель не принимает
управление на себя.
• Может кратковременно
задержать отключение, если
немедленная передача
управления водителю может
вызвать опасную дорожную
ситуацию.
Уровень 4 • Определяет подходящий для • После активации
активации контролирует условия
повышенная автоматизированной системы движения.
автоматизация вождения момент. • Разрешает активацию только
• Принимает управление на при таких условиях
себя по запросу в течение (сценариях использования),
некоторого интервала для которых она
времени. предназначена.
• Может выдавать запрос на • При включении выполняет
отключение задачи управления динамикой
автоматизированной системы движения автомобиля в
вождения. продольном (разгон,
• Некоторые приложения в торможение) и поперечном
данной категории могут не (рулевое управление)
нуждаться в наличие человек- направлениях.
водителя. • Инициирует отключение при
утрате соответствия
 64
Таблица 5 – окончание.
запрограммированным
условиям движения.
• Отключается только после
запроса водителя на передачу
управления в течение
некоторого интервала
времени.
• При определенных особых
условиях может переходить в
состояние минимального
риска совершения ДТП, если
водитель не принимает
управление на себя.
• Может кратковременно
задержать отключение, если
немедленная передача
управления водителю может
вызвать опасную дорожную
ситуацию.
Уровень 5 • Может активировать • При включении выполняет
автоматизированную систему задачи управления динамикой
Полная вождения. движения автомобиля в
автоматизация • Может выдавать запрос на продольном (разгон,
отключение торможение) и поперечном
автоматизированной системы (рулевое управление)
вождения. направлениях.
• Данная категория может • Может немедленно
допускать отсутствие отключаться по запросу на
человека-водителя. срочную передачу
управления водителю.

Таблица 6 повторяет Таблицу 5, но концентрирует внимание на разделении

задач между водителем и «системой» при управлении АТС с разными уровнями
автоматизации. Как и ранее, приводимые ниже характеристики представляют
скорее минимальные, а не максимальные возможности для каждого из уровней
автоматизации.
 Уровень 3: Уровень 2: Уровень 1: Уровень 0: Уровень
условная частичная помощь водителю без автоматизации автоматизации
автоматизация автоматизация вождения
Воздействие на
Система Система Водитель и система Водитель рулевое управление
и процесс разгона /
торможения
Контроль за
Система Водитель Водитель Водитель условиями движения

Время перехода от
управления
Да Нет Нет Не определено водителем к
65

управлению
«системой»
Постоянная
возможность
Нет Нет Нет Не определено создания условий

ДОРОЖНУЮ ОБСТАНОВКУ
минимального риска
разными уровнями автоматизации

Необходимость в
Да Да Да Да водителе при
включенной системе

Условия движения
ВОДИТЕЛЬ КОНТРОЛИРУЕТ ДОРОЖНУЮ ОБСТАНОВКУ

Некоторые Некоторые Некоторые Нет автоматизированной

системы вождения

АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВОЖДЕНИЯ КОНТРОЛИРУЕТ

Распределение задач между водителем и «системой» при управлении АТС с
Таблица 6.
 66
Таблица 6 – окончание.

автоматизация
повышенная
Уровень 4:

Некоторые
Система

Система

Нет
Да

Да
автоматизация
Уровень 5:

Система

Система
полная

Нет

Все
Да

Да
В стандарте SAE J3016 вводятся следующие понятия и приводятся к ним
определения:
1) АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВОЖДЕНИЯ – аппаратное и
программное обеспечение, которое в совокупности способно к выполнению всех
аспектов задачи управления динамикой движения автомобиля (либо временно,
либо постоянно).
2) ВОЖДЕНИЕ – управление движущимся или неподвижным автомобилем на
общественных или частных дорогах в любом местоположении между местом
отправления и местом назначения.
3) УСЛОВИЯ ДВИЖЕНИЯ – тип сценария движения с характерными
требованиями задачи управления динамикой движения (например, выезд на
скоростную автостраду, движение с высокой скоростью, движение на малой
скорости в дорожных заторах и т.п.).
4) ЗАДАЧА УПРАВЛЕНИЯ ДИНАМИКОЙ ДВИЖЕНИЯ АВТОМОБИЛЯ –
все функции реального времени, необходимые для управления автомобилем в
условиях дорожного движения, за исключением выбора места назначения и
промежуточных остановок (например, навигация или планирование маршрута), и
включающие без ограничений следующее:
• обнаружение, распознавание и классификация объектов и событий;
• реакция на объект или событие;
 67

• планирование маневра;
• маневрирование, выполнение поворотов, удержание автомобиля в полосе
движения и смена полосы движения;
• ускорение и замедление;
• проявление видимой активности (управление светом фар, звуковым
сигналом, указателями поворотов и т.д.).
5) ВОДИТЕЛЬ – человек, управляющий и находящийся внутри отдельно
взятого автомобиля, оснащенного автоматизированной системой вождения, в
процессе управления по мере необходимости попеременно с такой системой
решающий задачу управления динамикой движения автомобиля.
6) УСЛОВИЯ МИНИМАЛЬНОГО РИСКА – условия управления
автотранспортным средством с минимальным риском, которые
автоматизированная система вождения автоматически организует либо при сбое
системы, либо в случае, когда водитель после соответствующего запроса системы
не принимает управление автомобилем на себя.
ПРИМЕЧАНИЕ: Условия минимального риска будут изменяться в зависимости от
типа и масштаба определенной ошибки. Организация условий минимального риска
может повлечь за собой автоматическую остановку автомобиля, предпочтительно
вне активной полосы движения – на обочине (при наличии).
7) МОНИТОР – функции и/или автоматизированные процедуры, которые
целиком выполняют обнаружение, распознавание и классификацию объектов и
событий, а также подготовку соответствующей реакции, необходимой для
правильного решения задачи управления динамикой движения автомобиля.
ПРИМЕЧАНИЕ: При управлении автомобилями, которые не оснащены
автоматизированными системами вождения, водители достаточно точно визуально
оценивают дорожную обстановку для полного решения задачи управления
динамикой движения автомобиля, при этом, успевая решать второстепенные
задачи, которые требуют кратковременного прерывания контроля за дорогой
(например, настройка системы климат-контроля, чтение дорожных указателей,
 68

настройка радио и т.п.). В приведенном примере, мониторинг не подразумевает

постоянного визуального контроля за дорожными условиями со стороны водителя.
8) АВТОТРАНСПОРТНОЕ СРЕДСТВО (АВТОМОБИЛЬ) – безрельсовое
транспортное средство, приводящееся в движение с помощью механической
энергии и предназначенное в первую очередь для использования на дорогах общего
пользования [93].
9) ЗАПРОС НА ВМЕШАТЕЛЬСТВО – уведомление, выдаваемое водителю
автоматизированной системой вождения, о том, что он/она должен/на срочно
начать или возобновить выполнение задачи управления динамикой движения
автомобиля.
10) ПОЕЗДКА – преодоление целой дистанции пути автомобилем от момента его
«пуска/включения» в месте отправления до момента «выключения» на
промежуточной или конечной остановке.

Таким образом, в стандарте SAE J3016 описываются следующие уровни

автоматизации управления движением автомобиля:
1) УРОВЕНЬ 0 – БЕЗ АВТОМАТИЗАЦИИ
Постоянное выполнение водителем всех аспектов решения задачи управления
динамикой движения автомобиля.
2) УРОВЕНЬ 1 – ПОМОЩЬ ВОДИТЕЛЮ
Временное, или выполняемое в зависимости от условий движения, решение
системой помощи водителю либо задачи траекторного управления, либо задачи
разгона/торможения, с возложением на водителя выполнения всех остальных
аспектов решения задачи управления динамикой движения автомобиля.
3) УРОВЕНЬ 2 – ЧАСТИЧНАЯ АВТОМАТИЗАЦИЯ
Временное, или выполняемое в зависимости от условий движения, решение одной
или несколькими системами помощи водителю как задачи траекторного
управления, так и задачи разгона/торможения, с возложением на водителя
выполнения всех остальных аспектов решения задачи управления динамикой
движения автомобиля.
 69

4) УРОВЕНЬ 3 – УСЛОВНАЯ АВТОМАТИЗАЦИЯ

Временное, или выполняемое в зависимости от условий движения, решение
автоматизированной системой вождения всех аспектов задачи управления
динамикой движения автомобиля, с расчетом на то, что водитель будет
соответствующим образом реагировать на запрос о вмешательстве в процесс
управления.
Примечания:
• Условная автоматизация требует от водителя включения автоматизированной
системы вождения в соответствующий момент поездки и подразумевает
возобновление водителем решения задачи управления динамикой движения
автомобиля, если система выдает запрос на вмешательство в процесс управления
(например, вследствие неисправности автомобиля или системы, либо изменения
дорожной обстановки, которые выходят за пределы возможностей
автоматизированной системы вождения).
• С технической точки зрения водитель не обязан контролировать работу
автоматизированной системы вождения, если она включена, однако, должен быть
готов к возобновлению решения задачи управления динамикой движения
автомобиля, если система выдает запрос на вмешательство в процесс управления.
• Система условной автоматизации вождения будет оповещать водителя (т.е.
выдавать запрос на вмешательство) о необходимости возобновления управления
динамикой движения автомобиля с достаточным для обычного водителя
упреждением, позволяющим ему отреагировать правильно.
• «Правильная» реакция водителя на запрос на вмешательство в управление может
быть разной в зависимости от непосредственных обстоятельств (например,
воздействие на рулевое управление, торможение или просто поддержание текущих
параметров движения), но так или иначе подразумевает своевременное, безопасное
и правильное решение задачи управления динамикой движения автомобиля в
сложившихся обстоятельствах.
ПРИМЕР: автомобиль, оснащенный автоматизированной системой
вождения, способный к полному решению задачи управления динамикой движения
 70

автомобиля при движении с малой скоростью, например, при движении в

«пробках».
5) УРОВЕНЬ 4 – ПОВЫШЕННАЯ АВТОМАТИЗАЦИЯ
Временное, выполняемое в зависимости от условий движения или
территориальных ограничений, решение автоматизированной системой вождения
всех аспектов задачи управления динамикой движения автомобиля, даже если
водитель неправильно реагирует на запрос на вмешательство в процесс
управления.
Примечания:
• Повышенная автоматизация обычно требует включения водителем в
соответствующий момент поездки (например, водитель может активировать
автоматизированную систему вождения в особых условиях движения, на которые
рассчитана рассматриваемая система, например, при движении по скоростной
автомагистрали).
• С технической точки зрения водитель не обязан контролировать работу
автоматизированной системы вождения, если она включена, однако должен в
общем случае быть готов к возобновлению решения задачи управления динамикой
движения автомобиля, если система выдаст запрос на вмешательство.
• Система повышенной автоматизации вождения будет оповещать водителя за
несколько секунд до необходимости передачи управления, т.е. выдавая запрос на
вмешательство. Однако рассматриваемая автоматизированная система вождения
способна автоматически привести автомобиль в состояние минимального риска,
если водитель не сможет взять управление на себя. Способность к автоматическому
приведению автомобиля в состояние минимального риска является единственным
различием систем повышенной и условной автоматизации.
ПРИМЕР 1: автомобиль, оснащенный автоматизированной системой
вождения, способный к полному решению задачи управления динамикой движения
при выполнении операции автоматической парковки в заданном месте (дверями к
тротуару или наоборот) без необходимости в каких-либо действиях или контроле
 71

со стороны водителя. С технической точки зрения присутствие водителя в

автомобиле во время выполнения маневра парковки не требуется.
ПРИМЕР 2: автомобиль, оснащенный автоматизированной системой
вождения, способный к полному решению задачи управления динамикой движения
при продолжительном движении по автомагистрали. С технической точки зрения
присутствие водителя в автомобиле перед въездом на автомагистраль, а также при
выезде с нее, обязательно.
ПРИМЕР 3: автомобиль, оснащенный автоматизированной системой
вождения, способный к полному решению задачи управления динамикой движения
при следовании по заранее заданному маршруту в пределах закрытой или частично
закрытой территории, например, жилого массива, воинской части, студенческого
кампуса и т.п. С технической точки зрения присутствие водителя в автомобиле во
время движения по заранее заданному маршруту не требуется.
6) УРОВЕНЬ 5 – ПОЛНАЯ АВТОМАТИЗАЦИЯ
Постоянное и не ограниченное условиями решение автоматизированной системой
вождения всех аспектов задачи управления динамикой движения автомобиля, как
минимум на всех дорогах общего пользования и при любых состояниях
окружающей среды и дорожной обстановки, при которых управление могло бы
быть выполнено водителем, включая возможность автоматического перевода
автотранспортного средства в состояние минимального риска в случае критической
неисправности автомобиля или системы, либо в другой экстренной ситуации.
Примечания:
• С технической точки зрения водитель не обязан контролировать работу
автоматизированной системы вождения.
• При достижении автоматизированной системой вождения пределов ее
функциональных возможностей, она автоматически переводит автомобиль в
состояние минимального риска.
ПРИМЕР: автомобиль с автоматизированной системой вождения, которая,
будучи один раз запрограммирована на место назначения, способна к полному
решению задачи управления динамикой движения на всем протяжении пути по
 72

дорогам общего пользования, вне зависимости от точки старта, проложенного

маршрута, дорожного движения и погодных условий.

Ниже приведены часто встречающиеся разговорные термины для

обозначения систем повышенной или полной автоматизации управления
автомобилем:
• автономный (autonomous) автомобиль;
• самоуправляющийся (self-driving);
• без водителя (driverless);
• беспилотный (unmanned);
• роботизированный (robotic);
• автоматизированный (automated).
Материалы профильной научной конференции «Autonomous Vehicle Test &
Development Symposium 2015» (Германия, г. Штутгарт, 16-18 июня 2015г.)
позволяют сделать вывод о том, что, несмотря на то, что стандарт SAE J3016 не
является международным и был опубликован сравнительно недавно,
представленная терминология и уровни градации степеней автоматизации
автотранспортных средств уже прочно вошли в обиход профессионального
международного сообщества. Таким образом, считаем приемлемым использование
термина «автономное колесное транспортное средство» с дальнейшим указанием
уровня автоматизации, в соответствии с классификацией SAE J3016. Например,
автономное колесное транспортное средство пятого уровня автоматизации SAE.

Три нижних уровня автоматизации управления движением автомобиля в

стандарте SAE J3016 определяются исключительно для полноты классификации.
Указанные уровни могут включать некоторые системы помощи водителю, включая
отдельные экстренные системы реагирования, которые функционируют с тем
исключением, что за дорожной обстановкой следит водитель. В отличие от них,
автоматизированные системы вождения, характерные для трех верхних уровней
 73

автоматизации SAE, функционируют с расчетом на то, что водитель не нужен, и,

таки образом, он не будет постоянно контролировать дорожную обстановку.
Условная и повышенная автоматизация – одно и то же, за исключением того,
что первая может или не может поддерживать ограниченную возможность
автоматического перевода автомобиля в состояние минимального риска, тогда как
последняя всегда предусматривает возможность перехода в состояние
минимального риска. Как условная, так и повышенная автоматизация
подразумевают, что автоматизированная система вождения решает задачу
управления динамикой движения автомобиля, которая обычно выполняется
водителем, но только когда водитель это разрешает, и только в ограниченном
интервале времени и/или на определенной территории, в определенных условиях
движения или во время выполнения специфических маневров. В отличие от них,
полная автоматизация подразумевает всеобъемлющее решение задачи управления
динамикой движения автомобиля во время любых поездок и, как минимум, на
любых дорогах общего пользования и при любых состояниях окружающей среды
и дорожной обстановки, при которых управление могло бы было быть
осуществлено водителем.
При условной автоматизации водитель находится в автомобиле и способен
взять управление на себя в течение приемлемого интервала времени после
получения запроса от автоматизированной системы на вмешательство, или если
водитель самостоятельно решает взять управление автомобилем на себя.
При повышенной автоматизации присутствие водителя, способного
возобновить решение задачи управления динамикой движения автомобиля, не
всегда обязательно с технической точки зрения – все зависит от применяемой
системы.
При управлении движением автомобиля системой с полной автоматизацией
нет необходимости в присутствии водителя, готового возобновить решение задачи
управления динамикой движения, поскольку автоматизированная система
вождения способна к выполнению всех аспектов решения задачи управления
динамикой движения автомобиля, включая перевод автотранспортного средства в
 74

состояние минимального риска в случае критической неисправности автомобиля

или системы, либо в других экстренных ситуациях.
Например, с технической точки зрения, система повышенной автоматизации
парковки, которая автоматически выводит автомобиль с места стоянки и подает ее
для посадки водителя со стороны тротуара, не нуждается в присутствии водителя,
готового возобновить решение задачи управления динамикой движения
автомобиля во время выполнения предписанного маневра, поскольку маневр
рассчитан на выполнение до посадки человека в автомобиль, а системы
повышенной автоматизации всегда способны привести автотранспортное средство
в состояние минимального риска.
Однако система условной или повышенной автоматизации, которую
водитель включает на скоростной автомагистрали для автоматического следования
за впереди идущим автомобилем на фиксированной дистанции, требует
присутствия водителя, готового возобновить решение задачи управления
динамикой движения автомобиля при запросе автоматизированной системы
вождения, т.к. система рассчитана на присутствие водителя – как для запуска, так
и для прекращения работы системы.
Как условная, так и повышенная автоматизация рассчитаны на готовность
водителя к принятию управления автомобилем на себя по запросу
автоматизированной системы вождения. Отметим, что для некоторых систем
повышенной автоматизации (четвертый уровень SAE), например, для
автоматизированных автомобилей, выполняющих челночные рейсы в пределах
жилого массива, воинской части и т.п., в которых отсутствует водитель, запрос на
вмешательство не будет применяться, т.к. наличие водителя изначально не
предполагается. Причины выдачи запросов на вмешательство могут быть
различными в зависимости от назначения системы, но, как минимум, такие запросы
должны выдаваться в ситуациях, выходящих за пределы функциональных
возможностей автоматизированной системы вождения или в случае критической
неисправности автомобиля или системы. Если автоматизированная система
вождения обнаруживает состояние, которое вызывает формирование запроса на
 75

вмешательство, водитель должен быть оповещен о необходимости возобновления

решения им задачи управления динамикой движения автомобиля в течение
некоторого интервала времени. Например, если система вождения условной или
повышенной автоматизации, активированная в условиях «пробки» при движении
на автомагистрали, обнаруживает впереди участок дорожного строительства, она
сигнализирует водителю о необходимости возобновления решения им задачи
управления динамикой движения в течение нескольких секунд. В тех случаях,
когда немедленное прекращение решения задачи управления динамикой движения
автомобиля автоматизированной системой вождения может отрицательно
сказаться на функционировании автомобиля или безопасности дорожного
движения, система может задержать прекращение решения ей задачи управления,
т.е. передавать управление постепенно, чтобы обеспечить плавный переход к
возобновлению решения задачи управления динамикой движения автомобиля
водителем. Например, если автомобиль выполняет маневр кругового движения,
автоматизированная система вождения не остановит воздействие на рулевое
управление немедленно, а будет делать это постепенно, по мере поступления
информации о приложении водителем усилия к рулевому колесу.
При использовании повышенной автоматизации, если водитель не успевает
отреагировать на запрос о вмешательстве в процесс управления от
автоматизированной системы вождения, она автоматически перейдет в состояние
минимального риска, например, путем парковки автомобиля на обочине дороги.
Полностью автоматизированные системы управления вождением могут выдавать
или не выдавать запрос водителю, в зависимости от назначения системы, но в
любом случае будут при необходимости автоматически переводить автомобиль в
стояние минимального риска, как минимум с тем же уровнем качества, которого
можно ожидать от водителя в таких же обстоятельствах.
 76

Ниже перечислены примеры режимов движения при условной или

повышенной автоматизации:
• Автоматизированная парковка – маневры параллельной парковки или парковки
на обозначенное машино-место на автостоянке, выполняемые без каких-либо
действий со стороны водителя.
• Автопилотирование на скоростной автомагистрали – сочетание систем удержания
в полосе движения [94], адаптивного круиз-контроля (ACC) [95, 96], возможностей
перестроения, обгона и объезда препятствий.
• Автопилотирование в городском массиве – сочетание систем удержания в полосе
движения, адаптивного круиз-контроля, возможностей перестроения, обгона и
объезда препятствий.
• Автопилотирование в условиях дорожного затора – сочетание систем удержания
в полосе движения и поддержания дистанции до впереди идущего автомобиля.
Высший уровень автоматизации управления движением автомобиля – полная
автоматизация – обеспечивает возможность «самостоятельного движения»
автомобиля без необходимости участия или контроля со стороны водителя на всем
протяжении пути, при любых состояниях окружающей среды, в которых возможно
было бы управление автомобилем водителем. Чтобы автомобиль можно было
считать «полностью автоматизированным», система автоматизированного
вождения должна полностью решать задачу управления динамикой движения
автомобиля от пункта отправления до пункта назначения, задаваемого
пользователем. Присутствие водителя и решение им задачи управления динамикой
движения автомобиля может быть предусмотрено или нет, в то же время,
автоматизированная система вождения должна быть способна к переводу
автомобиля в состояние минимального риска.
Уровень полной автоматизации представляет собой вершину развития
автомобильных технологий в рассматриваемой предметной области и является
противоположностью уровня отсутствия автоматизации. На сегодняшний день
существуют технические сложности, связанные с надежностью рассматриваемых
систем, а также специфические трудности, обусловленные функционированием
 77

автомобилей, оснащенных автоматизированными системами вождения, на дорогах

общего пользования совместно с автомобилями без таких систем, велосипедистами
и пешеходами. Следует также отметить, что существуют юридические и
ведомственные проблемы, относящиеся ко всем уровням технологий
автоматизированных систем вождения, которые еще предстоит разрешить в
обозримом будущем. Таким образом, уровень SAE полной автоматизации
управления движением автомобиля является идеалистическим, на сегодняшний
день не достигнутым, уровнем развития автомобильных технологий.
Уровни автоматизации, описанные стандарте SAE J3016, в значительной
степени аналогичны, но не идентичны уровням автоматизации, предлагаемым
Федеральным автодорожным научно-исследовательским институтом Германии
(BASt) и уровням, регламентированным Национальной администрацией по
безопасности дорожного движения США (NHTSA) в документе «Preliminary
Statement of Policy Concerning Automated Vehicles» («Предварительное
постановление о политике в отношении автоматизированных автомобилей», 30 мая
2013 г.).
Уровни SAE существенно отличаются от уровней BASt прежде всего в том,
что последние не включают в свой состав 5-й уровень автоматизации SAE,
отличающийся отсутствием каких-либо функциональных ограничений при работе
системы, которая должна справляться с задачей управления автомобиля не хуже
водителя на любых дорогах общего пользования. Как отмечалось ранее, высший
уровень автоматизации SAE был включен в рассматриваемый стандарт для
полноты классификации, являясь в настоящий момент времени идеалистическим.
Кроме того, следует отметить, что термин SAE «условная автоматизация»
соответствует термину BASt «высоко автоматизированный», а термин SAE
«повышенная автоматизация» соответствует термину BASt «полностью
автоматизированный». Несмотря на эти терминологические различия,
функциональные определения этих уровней BASt и SAE одинаковы.
В отношении определенных NHTSA уровней автоматизации основное
функциональное отличие заключается в том, что определения национальной
 78

администрацией по безопасности дорожного движения сводят уровни 4 и 5 SAE в

уровень 4 NHTSA. Кроме того, определения NHTSA для каждого из уровней
содержат нормативную информацию, рассчитанную на предоставление
предварительных рекомендаций для правительства США, которое принимает или
рассматривает возможность принятия законодательных и/или нормативных
требований к автоматизированным автомобилям. В отличие от такого подхода,
определения, приведенные в стандарте SAE J3016, являются только
описательными и намеренно избегают нормативных терминов и утверждений, а
также не предназначены для использования в качестве требований.
Ниже приведена сводная таблица, которая иллюстрирует близкое
функциональное соответствие между тремя наборами уровней автоматизации
вождения, установленными разными организациями: SAE, BASt и NHTSA.
Таблица 7.
Соответствие между уровнями автоматизации SAE, BASt, NHTSA
Полная
Без автома- Помощь Частичная Условная Повышенная
автома-
SAE

тизации водителю автоматизация автоматизация автоматизация

тизация
(Уровень 0) (Уровень 1) (Уровень 2) (Уровень 3) (Уровень 4)
(Уровень 5)
Частично Высоко Полностью (не
Только Вспомога-
BASt

автоматизи- автоматизи- автоматизи- рассматри-

водитель тельный
рованный рованный рованный вается)
Автоматизация
Функциональ- Функциональ-
для
Без автома- но специа- но комбиниро- Автоматизация для полного
NHTSA

ограниченного
тизации лизированная ванная самоуправления
само-
(Уровень 0) автоматизация автоматизация (Уровень 4)
управления
(Уровень 1) (Уровень 2)
(Уровень 3)

Таким образом, классификации SAE, BASt и NHTSA уровней автоматизации

управления движением автомобиля отличаются не принципиально, однако,
массовое международное распространение получила именно классификация SAE.
 79

1.4.2. Обзор стандартов SAE J3018 и SAE J3092

В марте 2015 года в США был опубликован очередной национальный

стандарт в сфере автономных АТС – SAE J3018 «Руководство по безопасности
проведения дорожных испытаний прототипов автономных АТС 3, 4 и 5 уровней
автоматизации SAE» (SAE J3018 «Guidelines for Safe On-Road Testing of SAE Level
3, 4, and 5 Prototype Automated Driving Systems (ADS)») [97], речь в котором уже
идет о рекомендациях при проведении испытаний прототипов автономных АТС с
3, 4 или 5 уровнями автоматизации SAE на дорогах общего пользования. Стандарт
распространяется на все типы АТС, но является описательным и не содержит
каких-либо конкретных технических параметров, которым должны удовлетворять
тестируемые АТС. В основном, рекомендации сводятся к обеспечению
безопасности при проведении подобных испытаний. Так, в стандарте описываются
три уровня подготовки с соответствующими компетенциями, необходимые
водителям-испытателям, система менеджмента процесса испытаний, требования к
регистрирующей аппаратуре со ссылками на стандарты [98] и [99]. Отмечается, что
испытаниям прототипов на дорогах общего пользования должны предшествовать
лабораторные, а также испытания на закрытых территориях. Идеология
планирования испытаний сводится к парадигме «от простого к сложному», т.е.
сначала рассматривается ровный, прямолинейный участок дороги с сухим
асфальтобетонным покрытием, со свеженанесенной дорожной разметкой, с
минимальным количеством дорожных знаков, светофоров и участников дорожного
движения в ясный солнечный день. Далее в стандарте приводятся примеры
возможных вариантов комбинаций состояний окружающей АТС среды для
проведения дальнейших испытаний (типы дорог, погодные условия, время суток,
наличие пешеходов, велосипедистов, пересечений дорог, характеристики потока
транспортных средств и т.д.). В общем, стандарт носит рекомендательный характер
и предназначен для организаций, осуществляющих разработку и тестирование
автономных АТС третьего, четвертого и пятого уровней автоматизации SAE.
 80

Отметим стандарт SAE J3092 «Методы проведения динамических испытаний

для проверки и подтверждения функциональных требований, предъявляемых к
автоматизированным системам вождения (ADS)» (SAE J3092 «Dynamic Test
Procedures for Verification & Validation of Automated Driving Systems (ADS)») [100],
который в настоящий момент времени еще не опубликован, но выход которого уже
анонсирован. Ожидается, что стандарт будет содержать методы проверки
автоматизированных систем вождения уровней 3, 4, 5 SAE при проведении
полигонных дорожных испытаний. Анонсировано, что будет представлена
информация о практических примерах проведения подобных испытаний от
представителей автомобильной промышленности. Вероятно, будут приведены и
какие-то базовые технические требования функционирования рассматриваемых
систем.
Таким образом, можно констатировать активное развитие технологий
автономных АТС, а также сопутствующих правовых процессов [101] за рубежом,
особенно в США.

1.5. Выводы, постановка цели и задач диссертации

Проведенный анализ позволяет сделать следующие выводы:

1. Опытные образцы автономных КТС отражают традиционную тенденцию
насыщения или перенасыщения автомобиля вычислительными мощностями и
технологиями технического зрения и навигации, в то время, как модели
предикторного управления движением автомобиля остаются либо упрощенными,
либо параметризованными.
2. Современные автомобили все в меньшей мере остаются одиночными
транспортными средствами, все более интегрируясь в информационную
транспортную среду. Очевидно, что технологии ИТС в обозримом будущем
распространятся и на автономные АТС.
 81

3. Особую сложность при математическом моделировании управляемого движения

автомобиля представляют процессы взаимодействия пневматической шины с
опорной поверхностью при неустановившихся режимах качения колеса, и в
настоящее время нет единого и достоверного подхода к решению данной задачи.
4. Международно признанную классификацию уровней автоматизации управления
движением автомобиля отражает стандарт SAE J3016, опубликованный в январе
2014 г., в связи с чем в работе будет использоваться термин «автономное колесное
транспортное средство» с дальнейшим указанием уровня автоматизации по
классификации SAE.
5. Автономные колесные транспортные средства с уровнями автоматизации SAE с
третьего по пятый в обязательном порядке должны оборудоваться устройствами
записи параметров движения, в т.ч. управляющих воздействий со стороны
водителя и со стороны системы управления движением, для объективного анализа
причин возникновения дорожно-транспортных происшествий.
6. Существуют юридические и ведомственные проблемы, относящиеся ко всем
уровням технологий автоматизированных систем вождения, которые еще
предстоит разрешить в обозримом будущем.
Проведенный анализ позволил сформулировать цель и задачи работы.

Целью диссертационной работы является повышение безопасности

дорожного движения путем внедрения автономных колесных транспортных
средств, интегрированных в интеллектуальную транспортную среду.

Для достижения поставленной цели необходимо решить следующие задачи:

1) провести обзор и анализ работ в области автоматизации движения автомобиля,
рассмотреть тенденции развития интеллектуальных транспортных систем;
2) разработать принципиальную концепцию создания систем управления
движением автономных колесных транспортных средств, радикально
повышающую безопасность дорожного движения;
 82

3) разработать комплексную математическую модель расчета динамики движения

автомобиля, подробно описывающую неустановившиеся режимы движения, а
также режимы движения с высокими скоростями на разных типах опорных
поверхностей;
4) разработать методику верификации параметров математической модели на
основе результатов дорожных испытаний;
5) определить адекватность разработанной математической модели, адаптировать
модель к использованию в системах управления движением автономных колесных
транспортных средств, интегрированных в интеллектуальную транспортную
среду;
6) разработать методы интеграции автономных колесных транспортных средств в
интеллектуальную транспортную среду;
7) обосновать работоспособность предлагаемой методологии путем создания
опытных образцов автономных колесных транспортных средств.
 83

ГЛАВА 2. КОНЦЕПЦИЯ СОЗДАНИЯ СИСТЕМ УПРАВЛЕНИЯ

ДВИЖЕНИЕМ АВТОНОМНЫХ КОЛЕСНЫХ ТРАНСПОРТНЫХ
СРЕДСТВ

2.1. Структура системы «Водитель – Система Автономного Вождения –

Автомобиль – Дорога – Транспортная Среда – Информационное Поле»

Развитие технологий ИТС способствует тому, что современный автомобиль

перестает быть одиночным колесным транспортным средством и, интегрируясь в
информационную транспортную среду, становится «сетевым». Применение
технологий автономного вождения меняет роль водителя в системе «водитель-
автомобиль-дорога-среда», да и сама система приобретает новые связи и
трансформируется в более сложную, а именно – систему «Водитель – Система
Автономного Вождения – Автомобиль – Дорога – Транспортная Среда –
Информационное Поле», схема которой представлена на Рисунке 2.1.

Окружающая среда (погодные условия)

Водитель Автомобиль Дорога

Транспортная среда

Информационное поле

физическое взаимодействие
информационное взаимодействие
Рисунок 2.1. Схема современной системы «В-А-Д-С»

Поясним некоторые обозначения и связи, изображенные на Рисунке 2.1. Под

«транспортной средой» понимается симбиоз автомобильных дорог, дорожных
знаков, светофоров, электронных динамических табло, систем управления
 84

парковочными пространствами, систем управления железнодорожными

переездами, диспетчерских систем аэро-, железнодорожных и речных вокзалов, а
также систем управления дорожным движением (транспортными потоками). Под
«автомобилем» понимается колесное транспортное средство с любым возможным
уровнем автоматизации SAE [53]. Информационное взаимодействие по
направлению от «автомобиля» к «водителю», в общем случае, представляет собой
аудиовизуальный канал связи, посредством которого водитель воспринимает
информацию, в частности, с панели приборов. Информационное взаимодействие в
обратном направлении, т.е. от «водителя» к «автомобилю», также, в общем случае,
представляет собой аудиовизуальный канал связи. В качестве примера можно
привести систему определения степени утомленности водителя, а также систему
управления мультимедийными системами автомобиля с помощью жестов рук или
голосовых команд.
При рассмотрении частного случая дистанционно управляемого автомобиля
с Рисунка 2.1 исчезнут каналы физического взаимодействия между «окружающей
средой» и «водителем», а также «водителем» и «автомобилем», в то время, как
информационное взаимодействие между «водителем» и «автомобилем»
трансформируется в цифровой канал связи, реализуемый, например, посредством
сетей 4G/5G, а в остальном, представленная система «Водитель – Система
Автономного Вождения – Автомобиль – Дорога – Транспортная Среда –
Информационное Поле» останется неизменной.
Таким же образом можно рассмотреть идеалистическую систему
автономного автомобиля 5 (высшего) уровня автоматизации SAE – в таком случае,
с Рисунка 2.1 исчезнет звено «водитель», а в остальном, схема останется
неизменной, соответственно система автономного вождения, заменяющая
водителя, будет являться уже частью автомобиля.
На Рисунке 2.2 показаны потоки обмена данными в системе «Водитель –
Система Автономного Вождения – Автомобиль – Дорога – Транспортная Среда –
Информационное Поле», а также обозначены технологии межобъектного
 85

взаимодействия интеллектуальных транспортных систем «Vehicle-to-Vehicle»

(V2V), «Vehicle-to-Infrastructure» (V2I) и «Vehicle-to-Person» (V2P).

Водитель Автомобиль Дорога

Транспортная среда

Мобильное
устройство
V2P V2I

Информационное поле ИТС

V2V
Другие транспортные средства (автомобили, мотоциклы и пр.)

интерфейсы связи с водителем

межобъектное взаимодействие ИТС
Рисунок 2.2. Информационный обмен данными

Отметим ключевую особенность технологии ИТС межобъектного

взаимодействия (V2V, V2I), реализуемую посредством, например, сетей
DSRC/ITS-G5, заключающуюся в том, что подключение к сети не требует какой-
либо авторизации, а сами данные транслируются постоянно вне зависимости от
того, принимает их кто-либо или нет. Каждый участник сети ИТС и отправляет, и
принимает, и ретранслирует данные, в том числе, не предназначенные для него (в
соответствии с установленной логикой). Радиус действия передаваемого сигнала, в
зависимости от выбранной частоты, погодных условий, частоты застройки или
особенностей ландшафта, на сегодняшний день составляет примерно от 50 до 300
метров, и, в общем случае, сеть может функционировать и без стационарных
объектов дорожной инфраструктуры при наличии достаточного количества
«сетевых» автомобилей.
 86

2.2. Концепция системы управления движением автомобиля

Очевидным является то обстоятельство, что на сегодняшний день, пока еще

не разработаны автомобили 5 уровня автоматизации SAE, лучше всех с задачей
управления колесными транспортными средствами справляется человек. В таком
случае, воспользуемся подходами биомимикрии, заключающимися в подражании
природе при решении инженерных задач, и проведем анализ процесса управления
автомобилем человеком-водителем. Обобщенная схема рассматриваемого
процесса управления показана на Рисунке 2.3.

Водитель
Восприятие Анализ, Действия
Органы чувств: принятие
- зрение; решений
Окружающее
пространство

Автомобиль
- слух;

Моторика
Центральная

- вкус (не исп.);

система
нервная

- обоняние;
- осязание;
- вестибулярный
аппарат.

Рисунок 2.3. Обобщенная схема процесса управления автомобилем водителем

Автомобиль по отношению к водителю является частью окружающего

человека пространства, поэтому схему, изображенную на Рисунке 2.3 можно
считать замкнутой. Таким образом, в процессе управления автомобилем водитель
выполняет функции восприятия, анализа и принятия решений, а также действия,
каждая из которых более подробно будут проанализированы далее.
Аналогично рассмотренному процессу, представим схему управления
автомобилем системой автономного вождения, показанную на Рисунке 2.4.
 87

Система автономного вождения

Восприятие Анализ, Действия
принятие

системами автомобиля
решений

Модуль управления
Окружающее
пространство

Автомобиль
Датчики,

автономного
камеры,

вождения
Модуль
излучатели,
анализаторы

Рисунок 2.4. Обобщенная схема процесса управления автомобилем системой

автономного вождения

Таким образом, в системе автономного вождения органы чувств человека

заменяются на техническую систему восприятия, центральная нервная система –
на модуль автономного вождения, моторика водителя – на модуль управления
системами автомобиля. Теперь более подробно рассмотрим основные функции,
выполняемые в процессе управления автомобилем:
1. Восприятие
Восприятие окружающего пространства водителем осуществляется с
помощью органов чувств. В процессе управления автомобилем человек пользуется
пятью чувствами: зрение, слух, обоняние, осязание, вестибулярный аппарат.
Обратим внимание на то, что большинство этапов процесса зрительного
восприятия человека реализуется центральной нервной системой (бинокулярное,
стереоскопическое зрение, распознавание цветов, образов и пр.), но, так как эти
процессы носят неосознаваемый (рефлекторный) характер, мы их условно будем
рассматривать внутри функции «восприятия» (Рисунок 2.3). К примеру,
распознавание дорожных знаков будет реализовываться зрением функции
«восприятия», а применение этой информации уже центральной нервной системой
в функции «анализ, принятие решений».
 88

В Таблице 8 представлено сравнение способов восприятия окружающего

пространства человеком и системой автономного вождения.
Таблица 8.
Соответствие восприятия окружающего пространства человеком и системой
автономного вождения в процессе управления автомобилем
Водитель (человек) Система автономного Комментарии
вождения
№ Органы чувств: Системы восприятия:
1 Зрение Техническое зрение: Техническое зрение имеет
- радар; потенциальное преимуще-
- лидар; ство перед человеческим в
- ультразвуковые дат- том, что функционально
чики; не ограничено распознава-
- стереозрение; емыми диапазонами и ча-
- камеры отдельных зон. стотами излучения, уг-
лами зрения, количеством
одновременно отслежива-
емых областей и объектов.
2 Слух Звуковой анализ Необходимо обеспечить
(микрофон); распознавание некоторых
специфических звуков,
таких, как звук сирены,
звуковой сигнала и пр.
3 Обоняние Газоанализатор Необходимо обеспечить
распознавание некоторых
специфических запахов,
например, гари.
4 Осязание Датчики усилий и пере- Человек использует осяза-
мещений ние для формирования
управляющих воздей-
ствий и отслеживания ре-
акций на органах управле-
ния автомобилем.
5 Вестибулярный Датчики ускорений и Человек использует
аппарат угловых скоростей вестибулярный аппарат
для субъективной оценки
свойств управляемости и
устойчивости конкретного
автомобиля и внесения
поправок в процесс
управления.
 89
Таблица 8 – окончание.
6 ------- Связь с Важное преимущество
интеллектуальной технической системы
транспортной средой восприятия.

1.1. Зрение
К основным задачам функции восприятия (в которые мы условно включили
и функции обработки/распознавания), реализуемым посредством зрения, в
процессе управления автомобилем при движении по дорогам общего пользования
можно отнести:
- распознавание дорожной разметки;
- распознавание дорожных знаков;
- распознавание сигналов светофоров/семафоров/регулировщиков дорожного
движения;
- распознавание систем контроля проезда (например, шлагбаумы, цепи, тросы);
- распознавание границ дорожного полотна;
- распознавание типа покрытия дорожного полотна;
- распознавание искусственных и естественных неровностей дорожного полотна;
- распознавание других участников дорожного движения, в т.ч. пешеходов;
- распознавание световых сигналов участников дорожного движения (сигналы
поворотов, аварийная сигнализация, проблесковые маячки, «моргание» дальним
светом);
- распознавание действий (жестов) сотрудников дорожной полиции;
- распознавание непредвиденных неподвижных препятствий на пути следования
(например, упавшее дерево, открытый канализационный люк, рассыпавшиеся
строительные материалы и пр.);
- распознавание непредвиденных подвижных объектов по пути следования
(например, дикие животные или непредвиденные предметы);
- распознавание погодных условий (снег, дождь, туман, порывы ветра и пр.).
Указанные выше задачи человек решает, в общем случае, с помощью двух
глаз, центральной нервной системы и зеркал заднего вида, установленных в
автомобиле.
 90

Таким образом, минимальный состав системы технического зрения

теоретически может быть сведен к двум видеокамерам, модулю обработки
(вычислительный блок) и системе зеркал.
Для определения необходимых характеристик кадровой частоты видеокамер
(Frames Per Second, fps) заметим, что минимальная инертность рецепторов
светочувствительных клеток сетчатки глаза центрального зрения человека
составляет примерно 20 мс, т.е. 50 Гц. Для периферического зрения, максимально
чувствительного к распознаванию движения, а не форм/цветов/расстояний,
показатель инертности принимает значение порядка 10 мс, т.е. 100 Гц. В случае с
человеком, при управлении автомобилем в зону периферического зрения
попадают, в том числе, и зеркала заднего вида, но, заметив в них какое-либо
движение водитель не может ничего распознать, поэтому переводит взгляд
(направление центрального зрения) уже на конкретное зеркало, чтобы понять, что
происходит сзади. Таким образом, если две видеокамеры системы технического
зрения будут иметь постоянные зоны интересов (распознавания) на зеркалах
заднего вида, либо будут установлены дополнительные видеокамеры
соответствующих зон, то достаточно будет обеспечить минимальную кадровую
частоту в 50 fps, и тогда, при должной адекватности работы вычислительного
блока, задача управления движением автомобиля будет решаться системой
автономного вождения не хуже, чем могла бы быть решена человеком.
С другой стороны, если предположить, что автомобиль движется со
скоростью 100 км/ч, то получится, что обновление кадров видеопотока системы
технического зрения, а, соответственно, распознавание и принятие решений
происходит каждые 0,56 м пройденного пути, что, несомненно – много. В
действительности, это функциональное ограничение зрения человеком
преодолевается только за счет способности центральной нервной системы
предугадывать дальнейшее развитие дорожной ситуации. В таком случае, наряду с
требованием о необходимости реализации функции прогнозирования развития
дорожной ситуации в блоке «анализа и принятия решений» системы автономного
 91

вождения, мы бы рекомендовали иметь кадровую частоту фронтальных камер в 100

fps при разрешении матрицы не менее 1 Mpx.
На сегодняшний день технические системы стереоскопического зрения еще
не способны выполнять все перечисленные выше задачи восприятия при движении
автономного автомобиля по причинам нехватки вычислительных мощностей в
модулях обработки и несовершенства алгоритмов распознавания. Поэтому для
обеспечения надежности функционирования системы технического зрения ее
дополняют дополнительными устройствами:
- радарами (электромагнитное излучение);
- сканирующими лидарами (LIDAR – Light Identification Detection and Ranging);
- ультразвуковыми датчиками;
- видеокамерами отдельных зон.
Радары способны распознавать только металлические объекты и
используются для определения скорости сближения и расстояния до других
автомобилей. Основное преимущество, которое система технического зрения
получает от применения радаров заключается в том, что они могут работать в
неблагоприятных погодных условиях, например, в дождь, туман и пр., т.е. в
условиях, когда существенно снижается эффективность и человеческого зрения, и
видеокамер, и сканирующих лидаров, т.к. все перечисленное работает в
оптическом диапазоне. Дальность современных автомобильных радаров
составляет примерно от 60 до 200 метров (в зависимости от сканируемых углов),
частота срабатывания порядка 15 Гц, определение предельной скорости сближения
примерно в 250 км/ч.
Сканирующие лидары в общем случае представляют собой инфракрасные
лазерные активные дальномеры и различаются, в основном, областями и
дальностью сканирования. Дальность сканирования обычно не превышает 60…100
метров. В отличие от радаров, лидары могут определять расстояния практически
до любых объектов, хотя радиусы их действия в разы меньше, они существенно
теряют эффективность при плохой видимости. Выходными данными лидаров
 92

являются трехмерные карты сканируемых областей, частота обновления которых

зависит от углов сканирования.
Отметим, что на сегодняшний день из-за несовершенства алгоритмов
распознавания технических систем стереоскопического зрения практически
невозможно отличить неподвижно стоящего на обочине человека в неприметной
одежде от, например, столба. Поэтому в автономных АТС Google воссоздаваемая
лидаром трехмерная карта окружающего пространства вокруг автомобиля
постоянно сравнивается с ранее записанной трехмерной картой на которой, к
примеру, не было этого человека на обочине. Именно по этой причине, помимо
законодательных, на данном этапе развития технологий автономного вождения
автомобили Google двигаются не по всем дорогам общего пользования, а только
там, где уже записаны подробные трехмерные карты.
Естественно, что описанные выше технологические решения требуют
огромных вычислительных мощностей от модулей обработки системы
технического зрения. Мы в своей концепции считаем, что требования к
вычислительным мощностям могут быть на порядки снижены при реализации
технической системы бионического зрения. В действительности, водитель при
управлении автомобилем не «сканирует» все окружающее пространство с
определением расстояний до каждого объекта – эта информация избыточна, а
выделяет лишь зоны интересов (внимания). Поэтому считаем, что при создании
технической системы бионического зрения необходимо решить проблему
алгоритмизации выделения зон интересов и распознавания формализованных
выше объектов и ситуаций. Только такой подход позволит в перспективе создать
автомобили пятого уровня автоматизации SAE.
1.2. Слух
К основным задачам функции восприятия, реализуемым посредством слуха,
в процессе управления автомобилем можно отнести:
- распознавание звуков сирены;
- распознавание звуков автомобильных сигналов;
 93

- распознавание дополнительных звуков, которые могут использоваться для

самодиагностики механических систем автомобиля (рекомендательно).
Указанные задачи достаточно просто могут быть реализованы при установке
на автомобиль дополнительных микрофонов или использования штатных,
например, системы hands-free или ЭРА-Глонасс и пр., и модуля обработки и
распознавания звуков. Тем не менее, на сегодняшний день на экспериментальных
автономных транспортных средствах такие системы не устанавливаются. Мы
считаем, что раз в определении автомобилей пятого уровня автоматизации SAE
упоминается, что система автономного вождения должна выполнять транспортную
работу не хуже человека, то обязательным требованием к системе технического
восприятия должно являться наличие подсистемы распознавания звуков.
1.3. Обоняние
К основным задачам функции восприятия, реализуемым посредством
обоняния, в процессе управления автомобилем можно отнести:
- распознавание специфических запахов, которые могут использоваться для
дополнительной самодиагностики систем автомобиля или оценки состояния
окружающей среды.
Указанная задача может быть решена путем установки на автомобиль
газоанализатора с соответствующим модулем обработки. Однако, задача не
относится непосредственно к процессу автономного вождения, поэтому
требование к установке рассматриваемой подсистемы может носить только
рекомендательный характер.
1.4. Осязание
К основным задачам функции восприятия, реализуемым посредством
осязания, в процессе управления автомобилем можно отнести:
- контроль прикладываемых усилий и отслеживание перемещений на органах
управления автомобилем;
- отслеживание реакций автомобиля на органах управления.
Перечисленные задачи могут быть решены путем установки дополнительных
датчиков усилий и перемещений на органы управления автомобилем, либо
 94

подключением к штатным датчикам, либо интеграцией системы автономного

вождения в бортовые мультиплексные сети передачи данных автомобиля.
Последний вариант является предпочтительным с экономической точки зрения,
вопросы подключения, расшифровки и интерпретации данных освещены в главе 4.
Особого отдельного решения требует вопрос обеспечения кибернетической
безопасности бортовых автомобильных сетей, кооперативных сетей ИТС и,
непосредственно, системы автономного вождения.
1.5. Вестибулярный аппарат
К основным задачам функции восприятия, реализуемым посредством
вестибулярного аппарата, в процессе управления автомобилем можно отнести:
- определение пространственного положения автомобиля;
- определение динамических параметров движения;
- (подсознательное, на основе имеющегося опыта) определение свойств
управляемости и устойчивости каждого конкретного автомобиля.
С технической точки зрения инструментарий вестибулярного аппарата
человека мог бы быть заменен на трех-осевые датчики ускорений и угловых
скоростей системы технического восприятия вместе с модулем обработки
информации и гибридной навигационной системой, причем данные продольного и
бокового ускорений центра масс автомобиля вместе с угловой скоростью рысканья
можно получать с бортовых мультиплексных сетей большинства современных
автомобилей.
В действительности, когда опытный водитель садится за руль неизвестного
ему ранее автомобиля, начав движение и «покрутив» рулевое колесо, «понажимав»
на педали и т.д., он достаточно быстро адаптируется к массово-габаритным и
другим конструктивным особенностям конкретного транспортного средства, а
также к дорожным условиям, внося корректировки в свою стратегию управления.
Таким образом, необходимо решить проблему формализации оценки свойств
управляемости и устойчивости автотранспортных средств и разработать
соответствующие методы адаптации алгоритмов управления движением.
 95

Для контроля положения автомобиля в пространстве необходимо включить

в состав системы технического восприятия гибридную навигационную систему,
представляющую собой симбиоз спутниковой, инерциальной и расчетно-
аналитической навигации. Под последней понимается построение траектории
движения на основании данных скоростей колес, ускорений и угловой скорости
рысканья автомобиля, получаемых с бортовых мультиплексных сетей. Наши
экспериментальные исследования позволяют утверждать, что с применением
предлагаемого подхода можно обеспечить контроль положения автомобиля на
дороге с точностью до нескольких сантиметров.
1.6. Связь с интеллектуальной транспортной средой
Возможность осуществления связи с интеллектуальной транспортной
средой, посредством которой реализуются V2X коммуникации (V2P, V2V, V2I),
является существенным преимуществом системы технического восприятия перед
человеческим. Именно в этой возможности заключается потенциал радикального
повышения безопасности дорожного движения.
К основным задачам функции восприятия, реализуемым посредством связи с
интеллектуальной транспортной средой, можно отнести:
- передачу данных телеметрии, траектории, условий движения и прочих
параметров (более подробно исследуется в разделе 4.3) другим участникам
движения и дорожным службам;
- прием аналогичных данных от других участников движения и дорожных служб
(элементов инфраструктуры) для того, чтобы:
- избегать столкновений с другими участниками движения (повышение
безопасности);
- корректировать управляющие воздействия в автономном режиме вождения
на основе данных о характеристиках сцепления и состоянии дорожного
полотна по ходу следования (повышение безопасности);
- реализовывать эффективное использование дорог и транспортных средств
(например, функции движения в «зеленом» коридоре, движения в составе
автоколонны, оптимизации расхода топлива на маршруте и другие);
 96

- ретрансляцию данных других участников движения и дорожных служб.

С технической точки зрения связь автономного колесного транспортного
средства с интеллектуальной транспортной средой реализуется с помощью
пиринговых динамических сетей (технологии DSRC, ITS-G5).
Отметим, что характеристики сцепления и состояния дорожного покрытия
должны храниться и постоянно обновляться в подробной навигационной карте
облачного сервиса. Соответственно мониторинг состояния дороги будет
автоматически проводится каждым проезжающим интеллектуальным («сетевым»)
автомобилем, в т.ч. автономным, а также специализированными дорожными
машинами.
2. Анализ, принятие решений
Модуль автономного вождения получает в качестве исходных данных
транспортную задачу либо от человека/оператора, либо от системы более высокого
уровня, например, системы искусственного интеллекта, системы управления
группами автономных средств, каких-либо роботов и пр. Фактически автономному
КТС сообщается точка назначения, время начала движения и прочие условия,
например, промежуточные точки маршрута, интервалы остановок, желаемое время
прибытия. Также отметим, что, в частном случае, весь маршрут следования может
быть задан принудительно.
Как отмечалось в главе 1, процесс управления автомобилем разделяется на
стратегический, тактический и исполнительный (operational) уровни [52, 53], и мы
приходим к тому, что такое разделение уже не применимо к автономному КТС, т.к.
уровень стратегического планирования переходит либо к человеку, либо к системе
более высокого уровня. Лишь в частном случае у системы автономного вождения
остается возможность выбора маршрута движения.
Итак, сформулируем функциональные требования к модулю автономного
вождения:
- наличие интерфейса связи с водителем и/или внешней системой управления;
- возможность построения маршрута движения;
- получение данных от системы технического восприятия;
 97

- формирование и отправка команд в модуль управления системами автомобиля;

- обеспечение безопасности движения;
- возможность передачи управления автомобилем.
Для выполнения функциональных требований в модуле автономного
вождения необходимо решить и реализовать ключевые задачи:
- формирования динамической цифровой карты окружающего пространства;
- взаимодействия динамической цифровой карты окружающего пространства с
подробной навигационной картой облачного сервиса (решение проблем
нечитаемой дорожной разметки или знаков, мониторинга состояния дорожной сети
и информирования других участников движения – двусторонний обмен данными
инструментариями, в том числе, интеллектуальных транспортных систем);
- адаптации модели управления в зависимости от условий движения, а также
свойств управляемости и устойчивости автомобиля;
- прогнозирования развития дорожной ситуации и анализа рисков ДТП;
- алгоритмизации управления автомобилем на тактическом уровне;
- адаптации поведенческой стратегии управления к социотипам [63] других
участников дорожного движения;
- создания адаптивной модели предикторного управления движением автономного
колесного транспортного средства на исполнительном уровне;
- соблюдения правил дорожного движения;
- мониторинга состояния систем автомобиля для контроля условий эксплуатации,
состояния систем автомобиля (диагностика неисправностей);
- обеспечения безопасной передачи управления от системы автономного вождения
человеку, обусловленной, в т.ч. психофизиологическими особенностями
последнего;
- обеспечения приведения автомобиля в состояние «минимального риска» [53] при
возникновении нештатных ситуаций;
- взаимодействия с другими участниками движения и элементами дорожной
инфраструктуры посредством технологий ИТС;
 98

- записи параметров движения, в т.ч. управляющих воздействий со стороны

водителя и со стороны системы управления движением, для последующего
определения причин возникновения ДТП, обеспечить надежность и безопасность
хранения данных.
3. Действия
Водитель посредством, в общем случае, моторики рук и ног оказывает
воздействия на органы управления автомобиля, изменяя тем самым условия и
режимы работы узлов и агрегатов автотранспортного средства. Ввиду того, что
автономным автомобилем в разные моменты времени может управлять и водитель,
и система автономного вождения, необходимо обеспечить преимущество действий
водителя, в то время, как процесс и безопасность передачи управления должны
отслеживаться модулем автономного вождения. На Рисунке 2.5 показана
принципиальная схема управления узлами и агрегатами автономного колесного
транспортного средства.

Автомобиль
Водитель

Исполнительные

Узлы и агрегаты
управления

Окружающая,
Органы

автомобиля
устройства

транспортная,
информационная
автомобиля
управления
системами

среды и водитель
Модуль

Рисунок 2.5. Схема управления узлами и агрегатами автомобиля

В общем случае, при рассмотрении процесса создания автономных колесных

транспортных средств возможно два варианта: 1) разработка и производство
нового автономного КТС (уровень автопроизводителей); 2) дооснащение
автомобиля, находящегося в эксплуатации.
 99

Как в первом, так и во втором случаях необходимо решить задачи стороннего

управления основными системами автомобиля:
- рулевым управлением;
- тормозной системой;
- силовой установкой (ДВС, электрические и гибридные силовые установки);
- трансмиссией;
- электрооборудованием автомобиля (указатели поворотов, звуковой сигнал,
стеклоочистители и пр.).
Мониторинг состояния систем автомобиля функционально относится к
модулю автономного вождения, но технически реализуется через модуль
управления системами автомобиля. Обобщенная схема создания системы
управления движением КТС представлена на Рисунке 2.6.
 Электромотор рулевого вала Внешний привод

Программное управление

Рулевое
управление
Изменение входных Управление
управляющих сигналов ЭБУ штатной системой
Управление электромотором
усилителя рулевого управления
Воздействие на педаль
тормоза
Внешний привод
Врезка в контуры
тормозного привода
Программное управление
Тормозное
управление

Изменение входных Управление штатной

управляющих сигналов ЭБУ системой
Внешняя связь

Управление модулятором
АБС
Воздействие на педаль
Внешний привод
акселератора

Программное управление

Изменение входных Управление штатной

управляющих сигналов ЭБУ системой
Силовая установка
100

Управление дроссельной
заслонкой (бензиновые ДВС)
Воздействие на переключатель
режимов (АТ)
Внешний привод
Модуль автономного вождения

Врезка в привод сцепления +

переключение передач (МТ)
Модуль управления системами автомобиля

Программное управление
Трансмиссия

Изменение входных Управление

управляющих сигналов ЭБУ штатной системой
Управление блоком Программное
клапанов (АТ) управление
Врезка в
Электро-

электрические цепи
оборудование

Рисунок 2.6. Обобщенная схема создания системы управления движением КТС

Диагностические
Система технического восприятия

процедуры
Инженерный
систем

доступ к
бортовым сетям
Мониторинг состояния

100
 101

При разработке и производстве нового автономного КТС оптимальным будет

являться выбор программного управления всеми перечисленными системами, в то
время, как при дооснащении автомобиля, находящегося в эксплуатации, выбор
способа управления той или иной системой будет зависеть от конструктивных
особенностей рассматриваемого образца.
Поясним обобщенную схему создания системы управления движением КТС,
изображенную на Рисунке 2.6:
3.1. Рулевое управление
В случае оснащения автомобиля электроусилителем рулевого управления
(ЭРУ), возможны следующие варианты внешнего управления штатной системой:
- программное управление (оптимально для автопроизводителей, в то время, как
при работе с автомобилем, находящимся в эксплуатации, необходима
декомпиляция и модернизация программного обеспечения ЭБУ ЭРУ – задача не
тривиальная, но технически выполнимая с применением оригинальных
электронных устройств и методик, разработанных в МАДИ на кафедре
«Автомобили»);
- изменение входных управляющих сигналов ЭБУ ЭРУ (известно, что основными
данными, которыми оперирует ЭБУ ЭРУ для управление электромотором
усилителя, являются данные с датчика момента на рулевом валу. Датчики момента
на современных автомобилях интеллектуальные, т.е. передающие в ЭБУ цифровой
кодированный сигнал. Соответственно, если подключиться в разрыв между
датчиком момента на рулевом валу и ЭБУ ЭРУ специальным «шлюзовым
устройством», то станет возможным после расшифровки протокола управлять
электромотором усилителя РУ. Стоит отметить, что такой способ внешнего
подключения не будет вызывать ошибок в бортовой сети, а контроль за
показаниями датчика момента на рулевом валу позволит отслеживать ситуацию,
когда водитель будет пытается взять управление на себя);
- непосредственное управление электромотором усилителя РУ (теоретически
можно предусмотреть возможность прямого силового подключения к
электромотору усилителя, которые, в основном, на современных автомобилях
 102

представляют собой 3-х фазные электромоторы постоянного тока, однако, такое

управление может вызывать ошибки в бортовой сети. В свою очередь
автопроизводители всячески стараются защитить рассматриваемую систему от
сторонних вмешательств. На Рисунке 2.7 показан ЭБУ ЭРУ, совмещенный с платой
силовой разводки и выполненный неразборным в крышке электромотора с защитой
от вскрытия).

Рисунок 2.7. Вскрытый ЭБУ ЭРУ автомобиля Chevrolet Orlando 2012MY

В остальных случаях воздействие на рулевое управление автомобиля

рекомендуется осуществлять с помощью внешнего привода, оптимальным местом
размещения которого будет являться рулевой вал [102] с тем, чтобы обеспечить
функционирование штатного гидравлического или пневматического усилителей
при их наличии.
Помимо кинематического способа поворота автомобиля, реализуемого за
счет поворота управляемых колес, известны кинематический способ поворота
сочлененными звеньями, а также бортовой поворот (силовой способ). Оба способа
аналогичным образом могут быть переведены на стороннее управление внешним
сервоприводом, либо вмешательством в штатную систему управления.
 103

3.2. Тормозное управление

В случае заводского оснащения автомобиля системой автоматического
торможения возможны следующие варианты стороннего управления тормозной
системой:
- программное управление (оптимально для автопроизводителей, в то время, как
при работе с автомобилем, находящимся в эксплуатации, необходима
декомпиляция и модернизация программного обеспечения соответствующего
ЭБУ);
- изменение входных управляющих сигналов ЭБУ (отметим, что модуляторы АБС
легковых автомобилей, даже в случае оснащения противобуксовочной или
системой курсовой устойчивости, способны лишь кратковременно оказывать
воздействия на тормозные механизмы по причине низкой производительности
гидравлических насосов, поэтому не подходят в качестве инструмента управления
тормозной системой автономного КТС. Вместе с тем, модуляторы АБС тех же
автомобилей, но дополнительно оснащенных системой автоматического
торможения, выглядят более массивно и содержат в себе уже более
производительные насосы. Соответственно, если подключиться в разрыв
коммуникационной шины, входящей в рассматриваемый модулятор АБС,
специальным «шлюзовым устройством», то станет возможным после расшифровки
протокола управлять давлением в контурах тормозного привода, т.е. процессом
торможения);
- непосредственное управление модулятором АБС (прямое подключение к
электрогидравлическим клапанам и насосам модулятора АБС – методика МАДИ,
разработанная и реализованная на опытных образцах доцентом А.Р.Спиновым
[103]).
В остальных случаях воздействие на систему тормозного управления
автомобиля рекомендуется осуществлять с помощью внешнего привода:
- педали тормоза;
 104

- при управлении внешним гидравлическим блоком, врезанным в контуры

тормозного привода между главным тормозным цилиндром и штатным
модулятором (гидроблоком) АБС [103-106].
3.3. Силовая установка
В подавляющем большинстве современных колесных транспортных средств
педаль акселератора является электронной [107], в связи с чем рекомендуются
следующие варианты внешнего управления процессом разгона автомобиля:
- программное управление (оптимально для автопроизводителей, в то время, как
при работе с автомобилем, находящимся в эксплуатации, необходима
декомпиляция и модернизация программного обеспечения ЭБУ ДВС);
- изменение входных управляющих сигналов ЭБУ (известно, что выходной
характеристикой электронной педали акселератора являются 2 канала напряжения,
являющиеся, в общем случае, нелинейными функциями процента нажатия.
Соответственно, если подключиться в разрыв между электронной педалью
акселератора и ЭБУ ДВС специальным «шлюзовым устройством», то станет
возможным, после снятия фактической выходной характеристики педали,
управлять процессом разгона автомобиля. Принципиальная схема подключения
для изменения входных управляющих сигналов ЭБУ показана на Рисунке 2.8.
Оптические пары применены для гальванической развязки соответствующих
электрических цепей. Отметим, что такой способ стороннего подключения не
будет вызывать ошибок в бортовой сети, а контроль за фактическим нажатием на
педаль акселератора позволит модулю автономного вождения осуществлять
плавную передачу управления водителю);

Процессор
Штатный (АЦП- Штатный
Оптопара Оптопара
датчик обработка- ЭБУ
ЦАП)

«Шлюзовое устройство»

Рисунок 2.8. Схема изменения входных управляющих сигналов ЭБУ

 105

- непосредственное управление дроссельной заслонкой (современные бензиновые

ДВС оснащаются электронной дроссельной заслонкой, в связи с чем, становится
возможным управление оборотами ДВС путем прямого подключения к заслонке,
однако, такое вмешательство может вызывать ошибки в бортовой сети).
В остальных случаях управление процессом разгона автомобиля
рекомендуется осуществлять с помощью внешнего сервопривода педали
акселератора.
3.4. Трансмиссия
В случае заводского оснащения автомобиля автоматической трансмиссией
(АТ) возможны следующие варианты внешнего управления режимами работа
автоматической коробки передач (АКП):
- программное управление (оптимально для автопроизводителей, в то время, как
при работе с автомобилем, находящимся в эксплуатации, необходима
декомпиляция и модернизация программного обеспечения ЭБУ АКП);
- изменение входных управляющих сигналов ЭБУ (данный подход реализуем
только на автомобилях с установленным электронным переключателем режимов
работы АКП и заключается в установке «шлюзового устройства» между
селектором и ЭБУ АКП);
- непосредственное управление блоком клапанов АКП (прямое подключение к
блоку клапанов – трудоемко, возможно, будет вызвать ошибки в бортовой сети,
рассмотрено теоретически для отражения полноты картины возможных вариантов
стороннего управления системами автомобиля).
В остальных случаях управление режимами работы трансмиссии
рекомендуется осуществлять с применением внешних приводов в следующих
вариантах:
- для автоматической трансмиссии – внешний сервопривод на переключатель
режимов работы АКП, находящийся на корпусе коробки;
- для механической трансмиссии (МТ) – управление сцеплением с помощью
внешнего гидравлического блока, врезанного в контур гидропривода сцепления
между главным и рабочим цилиндрами (методика МАДИ [104]), а также
 106

электромоторы переключения передач, устанавливаемые в зависимости от

конструктивных особенностей автомобиля либо на рычаге МКП [105], либо на
корпусе МКП.
3.5. Электрооборудование
При организации автономного движения колесного транспортного средства
в городской среде необходимым является обеспечение возможности стороннего
управления бортовым электрооборудованием, например, указателями поворотов,
звуковым сигналом, стеклоочистителями и стеклоомывателями, аварийной
сигнализацией, фарами головного освещения, противотуманными фарами,
дополнительными функциями автомобиля (режимы работы системы
подрессоривания, расширенные режимы работы трансмиссии, круиз-контроль,
дорожные сообщения и пр.). Реализовать указанные функции возможно двумя
способами:
- с помощью программного управления (оптимально для автопроизводителей, в то
время, как при работе с автомобилями, находящимися в эксплуатации, необходимо
решать обратные инженерные задачи «reverse engineering» [108]);
- осуществляя врезку в соответствующие электрические цепи органов управления
(схемотехнические решения будут являться индивидуальными для различных
автотранспортных средств).
3.6. Мониторинг состояния систем
Очевидным является то обстоятельство, что для надежного
функционирования системы управления движением колесного транспортного
средства необходимо проводить периодический мониторинг состояния систем
автомобиля: во-первых, для получения своевременной информации о
неисправностях систем автомобиля; во-вторых – для получения информации о
состоянии систем и условий движения (уровень топлива в баке, уровень зарядки
аккумуляторной(ых) батареи(ей), температура ДВС, температура окружающей
среды и пр.). Мониторинг состояния систем автономного автомобиля относится к
функциональному требованию обеспечения безопасности движения модуля
автономного вождения. Тем не менее, получение и передача необходимых для
 107

анализа данных осуществляется модулем управления системами автомобиля. Итак,

выполнить поставленные задачи возможно комбинацией двух способов:
- с помощью периодического проведения диагностических сеансов (отправка
запросов в бортовые мультиплексные сети передачи данных [108]);
- имея доступ и базу данных декодирования сообщений, передаваемых по
бортовым мультиплексным сетям автомобиля (подробнее в главе 4).

2.3. Архитектура сети и состав системы автономного вождения

На основании разработанной концепции создания системы управления

движением автономного колесного транспортного средства и проведенного
анализа исследований в сфере автоматизации управляемого движения
представляем архитектуру сети и принципиальную схему минимально
необходимого состава системы автономного вождения, изображенную на Рисунке
2.9.

Интеграция в бортовые Модуль управления системами

V2P Wi-Fi
сети передачи данных автомобиля (Server)

Коммутатор проводной
сети

Модуль Модуль Модуль Модуль Модуль Модуль Модуль

автономного обработки обработки обработки обработки обработки обработки
вождения
Камера Камера Передняя Передняя Камера Трехмерное
левого правого левая правая заднего сканирующее
Блок гибридной вида
борта борта камера камера устройство
навигации

Блок внешней связи V2V, V2I, облачные

2G/3G/4G/DSRC (G5) сервисы, центр
управления

Рисунок 2.9. Архитектура сети и схема состава системы автономного вождения

 108

Поясним принципиальные особенности схемы:

- под сервисами V2P (Vehicle-to-Person) понимаются коммуникации между
бортовыми системами автомобиля и устройством пользователя/водителя (в
частном случае – смартфоном) для решения задач ИТС [109-115];
- связь Wi-Fi модуля управления системами автомобиля обеспечивает реализацию
сервисов V2P, а также служит для организации режима дистанционного
управления автомобилем на коротких расстояниях, в то время, как проводной
сегмент сети обеспечивает непосредственно режимы автономного вождения;
- анализ управляющих воздействий на систему рулевого управления при движении
по скоростной автомагистрали, а также результаты японского проекта JARI (п.1.2)
позволяют констатировать, что для удержания автомобиля в полосе движения [116]
на высоких скоростях лучшим решением является контроль дорожной разметки
[117] боковыми камерами, расположенными по бортам (для легкового автомобиля
– под зеркалами заднего вида);
- модули первичной обработки служат для того, чтобы снизить вычислительную
нагрузку с модуля автономного вождения, а также уменьшить требования к
пропускной способности проводного сегмента сети, представляющего собой сеть
Ethernet;
- две передние видеокамеры должны иметь разрешение не менее 1 Mpx с частотой
не менее 50 fps (рекомендовано 100 fps, п.2.2) и формируют систему
стереоскопического зрения, которая вместе с остальными камерами и трехмерным
сканирующим устройством формирует техническое зрение системы технического
восприятия автономного КТС;
- модуль автономного вождения получает уже обработанную информацию от
элементов системы технического восприятия и формирует динамическую
цифровую карту окружающего пространства. Далее модуль автономного вождения
на основе заданной или расчетной траектории движения с помощью подробной
математической модели движения (глава 3) формирует управляющие сигналы
(разработанный протокол приведен в главе 5) на модуль управления системами
автомобиля и отслеживает отклонения фактической траектории от расчетной,
 109

вводя поправки в модель управления. Отметим, что для обеспечения высокой

точности управления необходима адекватная математическая модель движения;
- вопросы интеграции системы автономного вождения в бортовые мультиплексные
сети передачи данных автомобиля подробно освещены в главе 4;
- предлагаемый формат и характеристики передаваемых данных в рамках V2V и
V2I [118] коммуникаций разработаны и приведены в главе 4;
- гибридная навигационная система представляет собой симбиоз спутниковой,
инерциальной и расчетно-аналитической навигации;
- под «облачными» сервисами в рассматриваемом контексте, в основном,
понимаются последние поколения динамических навигационных карт местности;
- под «центром управления», в общем случае, понимается центр управления
дорожным движением, который может обеспечить управление автономным КТС
на стратегическом уровне (выбор маршрута движения) с учетом загруженности
дорог, светофорного регулирования, прогнозируемых маршрутов других
участников движения и пр. Также под «центром управления» может пониматься
любая система более высокого уровня управления.

2.4. Актуализация технических задач

Подводя промежуточный итог изложенному, сформулируем перечень

технических задач, требующих решения для создания системы управления
движением автономного колесного транспортного средства, интегрированного в
интеллектуальную транспортную среду.
Необходимо в системе автономного вождения:
1) для подсистемы технического восприятия:
1.1) разработать подсистему технического зрения, осуществляющую:
1.1.1) распознавание дорожной разметки;
1.1.2) распознавание дорожных знаков;
 110

1.1.3) распознавание сигналов светофоров/семафоров/регулировщиков

дорожного движения;
1.1.4) распознавание систем контроля проезда (например, шлагбаумы,
цепи, тросы);
1.1.5) распознавание границ дорожного полотна;
1.1.6) распознавание типа покрытия дорожного полотна;
1.1.7) распознавание искусственных и естественных неровностей
дорожного полотна;
1.1.8) распознавание других участников дорожного движения, в т.ч.
пешеходов;
1.1.9) распознавание световых сигналов участников дорожного
движения (сигналы поворотов, аварийная сигнализация, проблесковые
маячки и пр.);
1.1.10) распознавание действий/жестов сотрудников полиции;
1.1.11) распознавание непредвиденных неподвижных препятствий на
пути следования;
1.1.12) распознавание непредвиденных подвижных объектов по пути
следования;
1.1.13) распознавание погодных условий (снег, дождь, туман, порывы
ветра и пр.).
1.2) разработать подсистему распознавания звуков, осуществляющую:
1.2.1) идентификацию звуков сирены;
1.2.2) распознавание звуков автомобильных сигналов.
1.3) разработать подсистему контроля управляющих воздействий,
осуществляющую:
1.3.1) контроль прикладываемых усилий и отслеживание перемещений
на органах управления автомобилем;
1.3.2) отслеживание реакций автомобиля на органах управления.
1.4) разработать подсистему контроля динамики движения автомобиля,
осуществляющую:
 111

1.4.1) определение пространственного положения автомобиля;

1.4.2) определение динамических параметров движения;
1.4.3) определение свойств управляемости и устойчивости каждого
конкретного автомобиля.
1.5) разработать подсистему связи с интеллектуальной транспортной средой,
осуществляющую:
1.5.1) передачу данных;
1.5.2) прием данных;
1.5.3) ретрансляцию данных.
2) для модуля автономного вождения реализовать:
2.1) возможность построения маршрута движения (стратегический уровень
управления);
2.2) формирование динамической цифровой карты окружающего
пространства;
2.3) взаимодействие динамической цифровой карты окружающего
пространства с подробной навигационной картой облачного сервиса;
2.4) алгоритмизацию управления автомобилем на тактическом уровне;
2.5) подсистему прогнозирования развития дорожной ситуации и анализа
рисков ДТП;
2.6) адаптацию поведенческой стратегии управления к социотипам [63]
других участников дорожного движения;
2.7) адаптивную модель предикторного управления движением автономного
колесного транспортного средства на исполнительном уровне;
2.8) адаптацию модели управления в зависимости от условий движения, а
также свойств управляемости и устойчивости автомобиля;
2.9) соблюдение правил дорожного движения;
2.10) мониторинг условий эксплуатации и состояния систем автомобиля;
2.11) обеспечение безопасной передачи управления от системы автономного
вождения человеку;
 112

2.12) обеспечение приведения автомобиля в состояние «минимального

риска» [53] при возникновении нештатных ситуаций;
2.13) взаимодействие с другими участниками движения и элементами
дорожной инфраструктуры посредством технологий ИТС;
2.14) запись параметров движения, в т.ч. управляющих воздействий со
стороны водителя и со стороны системы управления движением.
3) для модуля управления системами автомобиля:
3.1) разработать подсистему управления процессом руления;
3.2) разработать подсистему управления тормозной системой;
3.3) разработать подсистему управления силовой установкой;
3.4) разработать подсистему управления трансмиссией;
3.5) разработать подсистему управления электрооборудованием.

Поставленные выше технические задачи имеют широкое

междисциплинарное покрытие, в связи с чем, в рамках сформулированной темы
диссертационного исследования, а также паспорта специальности 05.05.03, далее
проводятся подробные исследования и решаются следующие задачи:
- распознавание дорожной разметки (глава 5, п.5.2);
- распознавание типа покрытия дорожного полотна (глава 3, п.3.5);
- разрабатывается подсистема контроля управляющих воздействий,
осуществляющая контроль прикладываемых усилий и отслеживание
перемещений на органах управления автомобилем, а также отслеживание
реакций автомобиля на органах управления (глава 5);
- разрабатывается подсистема контроля динамики движения автомобиля,
осуществляющая:
- определение пространственного положения автомобиля (глава 5,
п.5.2);
- определение динамических параметров движения (глава 4, глава 5);
- определение свойств управляемости и устойчивости каждого
конкретного автомобиля (глава 3, п.3.2);
 113

- формирование динамической цифровой карты окружающего пространства

(глава 5, п.5.2);
- разрабатывается подсистема прогнозирования развития дорожной ситуации
и анализа рисков ДТП (в части прогнозирования траектории движения
автономного колесного транспортного средства – п.3.5, п.5.2);
- разрабатывается адаптивная модель предикторного управления движением
автономного колесного транспортного средства на исполнительном уровне
(глава 3);
- проводится адаптация модели управления в зависимости от условий
движения, а также свойств управляемости и устойчивости автомобиля
(глава 3);
- взаимодействие с другими участниками движения и элементами дорожной
инфраструктуры посредством технологий ИТС (вопросы интеграции
автомобиля в интеллектуальную транспортную среду – п.4.3);
- запись параметров движения, в т.ч. управляющих воздействий со стороны
водителя и со стороны системы управления движением (глава 5, п.5.2);
- разрабатывается подсистема управления процессом руления (глава 5);
- разрабатывается подсистема управления тормозной системой (глава 5);
- разрабатывается подсистема управления силовой установкой (глава 5);
- разрабатывается подсистема управления трансмиссией (глава 5);
- разрабатывается подсистема управления электрооборудованием (глава 5).

2.5. Общие проблемы создания автономных колесных транспортных средств

Помимо создания системы автономного вождения для того, чтобы на дорогах

общего пользования появились автономные колесные транспортные средства,
необходимо решить следующие важные проблемы:
 114

1) законодательно определить статус автономных КТС, области применения,

условия эксплуатации, процедуры регистрации, учета и технического
обслуживания;
2) стандартизовать ключевые технологии систем автономного вождения;
3) разработать процедуры и методы сертификационных испытаний;
4) законодательно разграничить юридические ответственности между
собственником автономного КТС, водителем (оператором или службой
управления), автопроизводителем, дорожными службами (например,
неправомерно установленный дорожный знак и отсутствие дорожной разметки
привели к ДТП с участием автономного КТС);
5) разработать условия страхования автономных КТС и методы разбора ДТП;
6) внести поправки в процедуры подготовки водителей;
7) определить квалификационные требования к водителю/пассажиру,
дистанционному оператору и системе более высокого уровня, которые могут
задавать маршрут движения автономного КТС и вмешиваться в процесс
управления автомобилем (должны ли быть водительские права и какой категории,
применимы ли возрастные ограничения, ограничения по состоянию здоровью и
пр.);
8) обеспечить неприкосновенность частной жизни;
9) гармонизировать законодательства всех стран по теме автономных КТС, т.к.
перемещения подобных автомобилей потенциально не ограничиваются
территориальными пределами государств;
10) организовать интеграцию автономных КТС в интеллектуальную транспортную
среду, разработать методы взаимодействия с дорожной инфраструктурой и
различными службами (дорожные службы, полиция, МЧС и пр.), обеспечив
правовое регулирование;
11) разработать меры обеспечения кибернетической безопасности автономных
колесных транспортных средств;
12) разрешить вопросы принятия обществом автономно движущихся автомобилей.
 115

2.6. Выводы по главе 2

1. Разработана научно обоснованная структура системы «Водитель – Система

Автономного Вождения – Автомобиль – Дорога – Транспортная Среда –
Информационное Поле», включающая связи физических и информационных
взаимодействий.
2. Разработана концепция создания систем управления движением автономных
колесных транспортных средств.
3. Структурированы последовательности функций, выполняемых при управлении
движением автомобиля.
4. Определен состав системы автономного вождения, функциональные требования
и методы их выполнения.
5. Обоснованы минимальные технические требования к подсистемам технического
восприятия, автономного вождения, управления системами автомобиля.
6. Разработана методология создания новых и модернизации существующих
колесных транспортных средств для выполнения задач автономного движения.
7. Предложены методы интеграции автономных колесных транспортных средств в
интеллектуальную транспортную среду.
8. Разработана базовая архитектура сети системы автономного вождения.
9. Актуализированы технические задачи, требующие решения для создания систем
управления движением автономных колесных транспортных средств,
интегрированных в интеллектуальную транспортную среду.
10. Определены нетехнические проблемы, требующие решения для повсеместного
распространения технологий автономных колесных транспортных средств.
 116

ГЛАВА 3. ПРЕДЛОЖЕНИЯ ПО СОЗДАНИЮ СИСТЕМЫ УПРАВЛЕНИЯ

ДВИЖЕНИЕМ АВТОНОМНОГО КОЛЕСНОГО ТРАНСПОРТНОГО
СРЕДСТВА

При рассмотрении процесса выполнения задач исполнительного уровня

управления движением автомобиля модулем автономного вождения отметим, что
входными параметрами будут являться желаемая траектория, желаемые скорости
и текущие параметры движения, а выходными – спрогнозированные временные
функции управляющих воздействий на системы автомобиля. Очевидно, что
качество управления будет зависеть от точности и свойств адаптивности
математической модели, заложенной в предикторную систему управления
движением автономного колесного транспортного средства.

3.1. Математическое моделирование управляемого движения автомобиля

На Рисунке 3.1 стрелками показаны степени свободы моделируемого

автомобиля, а также положительные направления осей [88, 90, 122] подвижных
систем координат и угловых перемещений. В общей сложности модель имеет 18
степеней свободы.
 117

Рисунок 3.1. Степени свободы модели автомобиля

Поясним, представленные на Рисунке 3.1, обозначения:

xCoG , yCoG , zCoG - оси системы координат, связанной с центром масс автомобиля;

xUn , yUn , zUn - оси системы координат, связанной с неподрессоренными массами

автомобиля;
xW , yW , zW - оси систем координат, связанных с центрами колес автомобиля;

x In , y In , z In - оси инерциальной (неподвижной) системы координат;

 - угол ориентации главной продольной оси автомобиля xCoG в неподвижной

системе координат (угол «рысканья», вращение вокруг оси z CoG );

 - угол продольного крена (угол тангажа, вращение вокруг оси yCoG );

 - угол поперечного крена (вращение вокруг оси xCoG );

 W - угол вращения колеса;

 W - угол поворота управляемого колеса.

 118

Таким образом, для обозначений, указанных выше, а также использующихся

далее, применяются следующие индексы, характеризующие принадлежность
параметра соответствующей системе координат:
 «CoG» - подвижная декартовая система координат, связанная с
центром масс снаряженного автомобиля;
 «Un» - подвижная декартовая система координат, связанная с
неподрессоренной массой автомобиля. Центр системы координат
лежит в плоскости дорожного полотна под центром задней оси,
ориентация осей идентична «CoG»;
 «W» - подвижные системы координат, связанные с центрами колес
автомобиля;
 «In» - неподвижная система координат, связанная с инерциальной
системой отсчета.
При создании имитационной математической модели движения колесного
транспортного средства наиболее важной задачей является достоверное описание
физики взаимодействия пневматической шины с опорной поверхностью для
определения реакций, действующих в пятне контакта. Исходными параметрами
для расчетов одиночного колеса являются: коэффициенты относительного
проскальзывания, коэффициенты сцепления и угол увода [70, 88, 123]. Для расчета
коэффициентов относительного проскальзывания важными исходными данными
являются угловые скорости вращения всех колеса, соответственно для расчета
углов увода необходимо принимать во внимание продольные и боковые смещения
точек приложения равнодействующих реакций в пятнах контакта пневматических
шин с опорной поверхностью (см. Рисунок 3.2) и кинематику движения
автомобиля. Обратим внимание, что как продольное смещение n L , так и боковое

смещение n S точки приложения равнодействующей силы сцепления 2

FWL  FWS
2

относительно точки проекции центра колеса на опорную поверхность в подвижной

системе координат колеса обусловлены не только геометрией направляющего
устройства системы подрессоривания, в частности углами продольного и
 119

поперечного наклонов оси шкворня, но и приложением вертикальных и боковых

усилий FZ и FY соответственно.

Рисунок 3.2. Пятно контакта пневматической шины с опорной поверхностью, вид

сверху

Здесь и далее, индексы L и S будут означать ориентацию размера или вектора

в продольном (longitudinal) и боковом (поперечном) (side (lateral)) направлениях
соответственно. Для обозначения колес автомобиля будем использовать
следующую индексацию: FL – переднее левое колесо (front left); FR – переднее
правое колесо (front right); RL – заднее левое колесо (rear left); RR – заднее правое
колесо (rear right). Например, параметр nSRL будет означать боковое смещение точки
приложения равнодействующей силы сцепления относительно проекции центра
заднего правого колеса на опорную поверхность.
Таким образом, параметры n L и n S каждого колеса будут динамически
изменяться при движении автомобиля и могут быть определены по следующим
эмпирическим зависимостям [124]:
 1 FZ
 n L  2  (l 0  l1  F )
 , (3.1)
Z0
FY
n S  3  n L  tan( ) 
 c press

где:
FZ - вертикальное усилие, с которым колесо воздействует на опорную поверхность;

FZ 0 - вертикальное усилие в статическом состоянии;

 120

l 0 ,l1 - параметры продольного смещения (для легковых автомобилей могут быть

приняты примерно следующие значения: l0  0.03м, l1  0.12 м [88]);


 - угол увода (угол между осью xW и вектором скорости VW );

FY - боковая сила взаимодействия колеса с опорной поверхностью;

c press - параметр боковой жесткости пневматической шины (для легковых

автомобилей может быть принят c press  230000 Н / м ).

На Рисунке 3.3 показана реализация в среде Matlab Simulink расчета
смещений равнодействующей силы сцепления относительно точки проекции
центра колеса на опорную поверхность в подвижной системе координат колеса
«W».

Рисунок 3.3. Блок расчета параметров смещения n L и n S (Matlab Simulink)

Очевидно, что для расчета динамики движения автомобиля в каждый момент

времени необходимо определять положения точек приложения равнодействующих
сил взаимодействия пневматических шин с опорной поверхностью в подвижной
системе координат «CoG», связанной с центром масс автомобиля. В таком случае,
достаточно будет определить расстояния от центра масс до соответствующих точек
приложения сил взаимодействия ( rFL , rFR , rRL , rRR ) и соответствующие направляющие
углы ( FL ,FR ,RL ,RR ) (см. Рисунок 3.4 и Рисунок 3.5).
 121

Рисунок 3.4. Расчетная схема определения векторов скоростей колес автомобиля

Рисунок 3.5. Расчетная схема определения расстояния rFR

 122

Поясним некоторые обозначения, указанные на Рисунках 3.4 и 3.5:

l F - расстояние от центра масс автомобиля до передней оси;

l R - расстояние от центра масс автомобиля до задней оси;

bF - колея передней оси;

bR - колея задней оси;

VWFL ,VWFR ,VWRL ,VWRR - скорости переднего левого, переднего правого, заднего левого и

заднего правого колес соответственно;

VCoG - скорость центра масс автомобиля;

 - угол между главной продольной осью xCoG и вектором скорости центра масс

автомобиля VCoG (в иностранной литературе для обозначения рассматриваемого
угла используется термин «vehicle body side slip angle», в отечественной литературе
встречаются разные термины – угол дрейфа [25, 65, 70], курсовой угол [125], угол
траекторного увода [26], направляющий угол [126]).
Таким образом, исходя из геометрических соображений:
rFL  (l F  n LFL  cos  W  n SFL  sin  W ) 2  (0.5  bF  n SFL  cos  W  n LFL  sin  W ) 2
rFR  (l F  n LFR  cos  W  n SFR  sin  W ) 2  (0.5  bF  n SFR  cos  W  n LFR  sin  W ) 2
(3.2)
rRL  (l R  n LRL ) 2  (0.5  bR  n SRL ) 2
rRR  (l R  n LRR ) 2  (0.5  bR  n SRR ) 2

и для соответствующих углов:

 0.5  bF  n SFL  cos  W  n LFL  sin  W 
 FL  arctan  
 l F  n LFL  cos  W  n SFL  sin  W 
 l F  n LFR  cos  W  n SFR  sin  W 
 FR  arctan  
 0.5  bF  n SFR  cos  W  n LFR  sin  W 
(3.3)
 l  n LRL 
 RL  arctan  R 
 0.5  bR  n SRL 
 0.5  bR  n SRR 
 RR  arctan  
 l R  n LRR 

На Рисунке 3.6 показана реализация в среде Matlab Simulink расчета

положения точек приложения равнодействующих сил взаимодействия
пневматических шин с опорной поверхностью для переднего левого колеса.
 123

Рисунок 3.6. Блок расчета параметров rFL и  FL

Далее для нахождения скоростей колес (см. Рисунок 3.4) воспользуемся

положениями теоретической механики [127] и запишем:
  
VWFL  (VCoG  cos     rFL  sin  FL )  e X  (VCoG  sin     rFL  cos  FL )  eY
  
VWFR  (VCoG  cos     rFR  cos  FR )  e X  (VCoG  sin     rFR  sin  FR )  eY
   , (3.4)
VWRL  (VCoG  cos     rRL  cos  RL )  e X  (VCoG  sin     rRL  sin  RL )  eY
  
VWRR  (VCoG  cos     rRR  sin  RR )  e X  (VCoG  sin     rRR  cos  RR )  eY
 
где: e X , eY - единичные векторы системы координат «CoG», связанной с центром
масс автомобиля.
Тогда значения скоростей колес будут рассчитываться:
VWFL  (VCoG  cos     rFL  sin  FL ) 2  (VCoG  sin     rFL  cos  FL ) 2
VWFR  (VCoG  cos     rFR  cos  FR ) 2  (VCoG  sin     rFR  sin  FR ) 2
(3.5)
VWRL  (VCoG  cos     rRL  cos  RL ) 2  (VCoG  sin     rRL  sin  RL ) 2
VWRR  (VCoG  cos     rRR  sin  RR ) 2  (VCoG  sin     rRR  cos  RR ) 2

Для расчета углов увода  ij колес автомобиля воспользуемся уравнениями

(3.4) и схемой, показанной на Рисунке 3.7 (на Рисунке 3.7 синус угла дрейфа 
заменен на значение аргумента, а косинус на единицу, т.к. обычно
рассматриваемый угол не превышает значений порядка 10°).
 124

Рисунок 3.7. Схема для расчета угла увода переднего левого колеса

В таком случае, для расчета углов увода будут справедливы следующие

уравнения:
 VCoG  sin     rFL  cos  FL 
 FL   W  arctan  
 VCoG  cos     rFL  sin  FL 
 VCoG  sin     rFR  sin  FR 
 FR   W  arctan  
 VCoG  cos     rFR  cos  FR 
(3.6)
 V  sin     rRL  sin  RL 
 RL   arctan  CoG 
 VCoG  cos     rRL  cos  RL 
 V  sin     rRR  cos  RR 
 RR   arctan  CoG 
 VCoG  cos     rRR  sin  RR 
На Рисунке 3.8 показана реализация расчета скорости движения и угла увода
переднего левого колеса в среде Matlab Simulink.
 125

Рисунок 3.8. Блок расчета скорости движения и угла увода переднего левого
колеса

В случае, когда автомобиль движется без увода, скоростью проскальзывания

является разность окружной скорости колеса VRij  ij  rdyn (эквивалентной линейной
скорости центра диска колеса, соответствующей свободному режиму качения без
увода с угловой скоростью  ij ) и линейной скорости центра диска колеса,
спроецированной на опорную поверхность (в рассматриваемом случае VWij  VCoG ).
При введении понятий скоростей проскальзывания в продольном и
поперечном направлениях в специализированной литературе встречаются разные
подходы. Так, Буркхард [Burckhardt] определяет продольные направления силы,
действующей в пятне контакта пневматической шины с опорной поверхностью, и
скорости проскальзывания как соответствующие направлению движения колеса
(см. Рисунок 3.9) [128], в то время как Раймпель [Reimpell] в качестве продольного
направления выбирает непосредственно продольную ось колеса [129]. Мы будем
использовать подход Буркхарда. Таким образом, продольное направление вектора
 126

скорости проскальзывания определено в направлении линейной скорости центра


диска колеса, спроецированной на опорную поверхность ( VWij ).

Рисунок 3.9. Расчетная схема коэффициентов относительного проскальзывания

Формулы для расчета коэффициентов относительного проскальзывания в

продольном и поперечном направлениях для разных режимов движения
представлены в Таблице 9.
Таблица 9.
Расчет коэффициентов относительного проскальзывания
тормозной режим тяговый режим
VR  cos   VW VR  cos   VW
коэффициент
относительного VR  cos   VW VR  cos   VW
проскальзывания в SL  SL 
VW VR  cos 
продольном
направлении – S L
коэффициент
относительного
VR  sin 
проскальзывания в SS  S S  tan 
VW
поперечном
направлении – S S
 127

Отметим, что коэффициент относительного проскальзывания в продольном

направлении S L в зависимости от режима движения может принимать значения от
-1 до +1 включительно. Достигается это за счет того, что разности скоростей
(Таблица 9) делятся на соответствующие большие значения скоростей, т.е. для
тормозного режима движения в знаменателе присутствует значение скорости VW , в
то время как для тягового режима VR  cos  . Коэффициент общего относительного
проскальзывания колеса S Re s принимает значения от 0 до +1 включительно и
рассчитывается по следующей формуле:
S Re s  S L2  S S2 (3.7)
Коэффициент сцепления  Re s может быть определен как отношение силы
сцепления F fric , действующей в пятне контакта пневматической шины с опорной
поверхностью, к вертикальной силе FZ , действующей со стороны колеса на
опорную поверхность, т.е.:
F fric
 Re s  (3.8)
FZ

Расчет коэффициента сцепления в функции общего относительного

проскальзывания колеса можно выполнять с помощью метода Буркхарда [128]:
 Re s (S Re s )  c1  (1  exp(c2  S Re s ))  c3  S Re s (3.9)
Выражение (3.9) может быть дополнено коэффициентом c 4 , описывающим
условие движения автомобиля с высокими скоростями, и коэффициентом c5 ,
характеризующим повышенную вертикальную нагрузку на колесо. Оба
коэффициента могут принимать максимальное значение, равное 1, и приводят к
снижению коэффициента сцепления. Неправильно выставленное давление в
пневматических шинах также может приводить к снижению коэффициента
сцепления, однако, этим эффектом можно пренебречь при колебаниях давления в
пределах 0,3 кгс/см2 [88]. С учетом изложенного, выражение (3.9) может быть
представлено следующим образом:
 Re s (S Re s )  (c1  (1  exp(c2  S Re s ))  c3  S Re s )  exp(c4  S Re s  VCoG )  (1  c5  FZ2 ) (3.10)
 128

Значения коэффициентов c1 , c 2 и c3 для различных типов покрытий опорной

поверхности представлены в Таблице 10 [88, 128, 130]. Коэффициент c 4 принимает
значения от 0,02 с/м до 0,04 с/м и его использование, к примеру, для коэффициента
общего относительного проскальзывания 0,1 (10%) и скорости движения
автомобиля 20 м/с (72 км/ч), приведет к уменьшению общего коэффициента
сцепления примерно на 8%. Использование коэффициента c5  0,0015 (1 / кН ) 2 ,
например, для случая динамического изменения вертикальной нагрузки до 8 кН,
приведет к уменьшению коэффициента сцепления на 9,6% [88].

Таблица 10.
Значения коэффициентов ci
Тип дорожного покрытия c1 c2 c3
сухой асфальт 1,2801 23,99 0,52
мокрый асфальт 0,857 33,822 0,347
сухой бетон 1,1973 25,168 0,5373
сухой гравий 1,3713 6,4565 0,6691
мокрый гравий 0,4004 33,708 0,1204
снег 0,1946 94,129 0,0646
лед 0,05 306,39 0

Графическое представление функций зависимости коэффициента сцепления

от общего относительного проскальзывания для разных типов покрытий показано
на Рисунке 3.10 и относится только к квазистатическим (установившимся)
режимам движения автомобиля, т.е. не описывает быстро изменяющиеся
динамические процессы. Анализ зависимости во времени боковых реакций в пятне
контакта пневматических шин с опорной поверхностью от быстро изменяющихся
углов увода, вертикальных реакций и пр. представлен в источниках [70], [88], [90],
[131] и будет рассмотрен далее.
 129

Рисунок 3.10. Характеристики коэффициента сцепления

Направление вектора общего относительного проскальзывания совпадает с

направлением действия силы сцепления, исходя из чего, можно ввести понятия
коэффициентов сцепления в продольном (  L ) и поперечном (  S ) направлениях,
вычисляемые по формулам:
SL SS
 L   Re s  и  S   Re s  (3.11)
S Re s S Re s

На Рисунке 3.11 изображена так называемая «окружность Камма»,

иллюстрирующая условное распределение общего коэффициента сцепления на
коэффициенты сцепления в продольном и поперечном направлениях. Пятно
контакта пневматической шины с опорной поверхностью, скорость автомобиля и
вертикальная нагрузка на колесо определяют максимальное значение
коэффициента сцепления  Re s,MAX , который условно может быть распределен на
коэффициенты сцепления в продольном и поперечном направлениях. Знаки
коэффициентов сцепления будут определять направления действия
соответствующих сил.
 130

Рисунок 3.11. Окружность Камма

Отметим, что при наличии у пневматической шины направленного

протектора максимальный коэффициент сцепления в продольном направлении
будет больше максимального коэффициента сцепления в поперечном направлении,
в связи с чем, окружность Камма трансформируется в эллипс. Данное
обстоятельство может быть учтено в формулах (3.11) введением дополнительного
коэффициента k S , тогда:
SL SS
 L   Re s  и  S  k S   Re s  (3.12)
S Re s S Re s

При k S  1 формулы (3.11) и (3.12) становятся идентичными. Обычно для

низкопрофильных шин коэффициент k S принимает значения от 0,9 до 0,95 [88].
Коэффициенты сцепления также могут меняться при интенсивном разгоне и
торможении, но эти эффекты в данном случае мы не рассматриваем. Окружность
Камма позволяет определить максимально возможную силу сцепления в пятне
контакта, абсолютное значение которой не может быть превышено фактически
реализуемыми силами, т.е.:
2
FWLij  FWSij
2
  Re s ,ij  FZij (3.13)

На Рисунках 3.12, 3.13 и 3.14 показаны характеристики сцепления

пневматических шин в зависимости от углов увода для сухого асфальта. Отметим,
что на практике углы увода не являются постоянными величинами и изменяются в
процессе торможения или при криволинейном движении.
 131

На Рисунке 3.12 показана зависимость коэффициентов сцепления

пневматической шины в поперечном направлении от коэффициентов сцепления в
продольном направлении для разных значений углов увода. Боковая реакция в
пятне контакта пневматической шины с опорной поверхностью не возникает при
отсутствии угла увода, в связи с чем, на Рисунке 3.12 кривая, соответствующая углу
увода в 0º расположена на оси абсцисс. При наличии угла увода в 2º появляется
возможность реализации коэффициента сцепления в поперечном направлении
вплоть до значения  S  0,7 , т.к. относительное проскальзывание в поперечном
направлении уже достигает S S  3,5% , что и обеспечивает высокое сцепление на
сухих опорных поверхностях. На Рисунке 3.12 показано, что увеличение угла увода
приводит к уменьшению продольного коэффициента сцепления.

Рисунок 3.12. Характеристики коэффициентов сцепления

На Рисунке 3.13 изображены функции продольного коэффициента сцепления

от продольного относительного проскальзывания в зависимости от изменяющихся
углов увода. При торможении в повороте происходит уменьшение продольного
коэффициента сцепления и увеличение тормозного пути, при этом угол увода
вызывает появление боковой реакции в пятне контакта и изменение траектории
движения. Максимальный угол поворота управляемых колес зависит от типа
 132

транспортного средства и обычно составляет примерно 30º. Для устойчивых

режимов движения автомобиля углы увода не превышают 16º, в таком же
диапазоне находится и угол дрейфа.

Рисунок 3.13. Характеристики продольного коэффициента сцепления

На Рисунке 3.14 изображены функции поперечного коэффициента сцепления

от продольного относительного проскальзывания в зависимости от изменяющихся
углов увода. При повороте без торможения возможна реализация максимального
поперечного коэффициента сцепления. При угле увода примерно в 8º  S достигает
максимального значения. При увеличении продольного относительного
проскальзывания SL резкое падение значений поперечного коэффициента
сцепления лишь частично может быть компенсировано увеличением угла увода.
Графики, показанные на Рисунках 3.10, 3.12, 3.13, 3.14 были аналитически
построены по зависимостям (3.7), (3.8), (3.9), (3.11) в среде Matlab. На Рисунке 3.15
показана реализация расчета коэффициентов сцепления пневматической шины с
опорной поверхностью на языке графического программирования Matlab Simulink.
 133

Рисунок 3.14. Характеристики поперечного коэффициента сцепления

Рисунок 3.15. Блок расчета коэффициентов сцепления

Отметим, что в статическом состоянии колесо автомобиля устанавливается с

определенными углами схождения и развала, которые в динамике могут
изменяться при ходах системы подрессоривания в соответствии с кинематической
характеристикой подвески. Очевидно, что будут происходить и изменения в
реакциях, действующих в пятнах контакта пневматических шин с опорной
поверхностью, и, если при имитационном моделировании угол схождения мы
можем включить в состав параметра угла поворота колеса, то влияние угла развала
 134

на формирование рассматриваемых реакций необходимо учитывать отдельно. Так,

в источниках [129] и [130] предлагается учитывать угол развала путем
корректировки угла увода, т.е.:
 *    k camb   , (3.14)
где:
 * - угол увода, скорректированный с учетом развала колеса;
k camb - коэффициент угла развала ( k camb  0.1 );

 - угол развала (отрицательным считается наклон колеса к центру кривизны

траектории движения).

Коэффициенты сцепления в направлении вектора скорости колеса VW (  L ) и
перпендикулярно ему (  S ) могут быть рассчитаны по зависимостям (3.7), (3.10),
(3.12), что, в свою очередь, позволит рассчитать силы сцепления FWL и FWS в этих
же направлениях (см. Рисунок 3.16) по уравнению (3.8).

Рисунок 3.16. Направления проекций сил сцепления

Таким образом:
SL
FWL   L  FZ   Re s   FZ (3.15)
S Re s

SS
FWS   S  FZ   Re s  k S   FZ (3.16)
S Re s
 135

Осуществим перенос полученных сил сцепления в систему координат «W»,

связанную с центром колеса автомобиля:
FL  FWL  cos   FWS  sin  (3.17)
FS  FWS  cos   FWL  sin  (3.18)
Подставляя (3.15), (3.16) в (3.17) и (3.18) получим:
SL S
FL  (  Re s   cos    Re s  k S  S  sin  )  FZ (3.19)
S Re s S Re s

SS S
FS  (  Re s  k S   cos    Re s  L  sin  )  FZ (3.20)
S Re s S Re s

Для того, чтобы при моделировании в критических режимах движения

рассчитываемые усилия в пятне контакта пневматической шины с опорной
поверхностью не превысили предела по сцеплению (уравнение 3.13), необходимо
ввести понижающий коэффициент k red , который будет определяться зависимостью:
 Re s ,ij  FZij
k red ,ij  , (3.21)
2
FWLij  FWSij
2

причем k red ,ij  0,1 . Таким образом мы сможем гарантировать нахождение

геометрической суммы векторов проекций силы сцепления внутри «окружности
Камма».
Далее осуществим перенос проекций FL и FS сил сцепления из систем
координат «W», связанных с центрами колес автомобиля, в систему координат
«Un», связанную с неподрессоренными массами автомобиля (фактически,
подвижная система координат «Un» отличается от системы координат «CoG»,
связанной с центром масс автомобиля, только отсутствием угловых перемещений,
обусловленных продольным и поперечным кренами кузова автомобиля) для
передних колес:
FXFL  FLFL  cos  WFL  FSFL  sin  WFL
FYFL  FSFL  cos  WFL  FLFL  sin  WFL
(3.22)
FXFR  FLFR  cos  WFR  FSFR  sin  WFR
FYFR  FSFR  cos  WFR  FLFR  sin  WFR
 136

Обратим внимание на то, что в состав параметра угла поворота колеса  Wij

входит непосредственно сам угол поворота управляемого колеса  Wij

*
и угол

схождения  toein,ij , который может быть постоянной величиной или функцией хода
подвески, т.е.:
 Wij   Wij
*
  toein,ij (3.23)
Аналогично получаем проекции сил сцепления в системе координат «Un» для
задних колес с тем отличием, что в состав параметров углов поворота колес будут
входить только углы схождения:
FXRL  FLRL  cos  WRL  FSRL  sin  WRL
FYRL  FSRL  cos  WRL  FLRL  sin  WRL
(3.24)
FXRR  FLRR  cos  WRR  FSRR  sin  WRR
FYRR  FSRR  cos  WRR  FLRR  sin  WRR

Отметим, что описанный выше алгоритм расчета боковой реакции,

возникающей в пятне контакта пневматической шины с опорной поверхностью
(итоговое уравнение 3.20), может быть применим только для описания
установившихся (квазистатических) режимов движения автомобиля, да еще и при
том, что боковое ускорение автомобиля не должно превышать 4 м/с2 [16, 17, 70, 88-
91, 131, 132]. Для указанных режимов движения формула (3.20) является
эквивалентной и может быть заменена на более простую зависимость из теории
линейного увода [2, 9], т.е.:
FS  K y 0   , (3.25)
где:
K y 0 - коэффициент сопротивления боковому уводу (который далее в теории

нелинейного увода Д.А. Антонова [9, 10] домножается на произведение различных

функций коэффициентов коррекций q i , зависящих от вертикальной, тяговой и
тормозной нагрузок, давления в шине и пр.).
Для движения автомобиля с боковым ускорением более 4 м/с2, а также для
неустановившихся (динамических) режимов движения параметры, входящие в
состав уравнения (3.25) становятся функциями времени, т.е.:
 137

FS (t )  c(t )   (t ) , (3.26)
где:
c(t ) - адаптированный коэффициент сопротивления боковому уводу.

Известно, что наибольшее влияния на формирование боковой реакции в

пятне контакта пневматической шины с опорной поверхностью оказывает
вертикальная нагрузка, качественное влияния которой на характеристику FS ( )
показано на Рисунке 3.17.

Рисунок 3.17. Влияние FZ на характеристику FS ( )

Предлагается использовать следующую эмпирическую зависимость для

расчета боковой силы FS (реакции в пятне контакта) [88, 133]:
 FZij 
FSij ( , FZ , k )  k red ,ij  1    FZij  arctan k y 2   (t ) , (3.27)
 k 
 y1 

где:
k y1 , k y 2 - динамические коэффициенты сопротивления боковому уводу, методика

определения которых на основании результатов дорожных испытаний изложена в

п.3.2.
Экспериментальные исследования показали, что формула (3.27) хорошо
описывает снижение амплитуд боковой силы от динамично изменяющихся
 138

внешних воздействий, но физически не описывает запаздывание нарастания

боковой силы, обусловленное эластичностью шины (хотя рассматриваемым
запаздыванием для низкопрофильных шин можно было бы и пренебречь). Таким
образом, изменяя уравнение (3.27) с учетом (1.41) и (1.42), получим итоговую
зависимость для расчета боковой силы (реакции в пятне контакта):
FSij   FZij  

VW
  k red ,ij  1    FZij  arctan k y 2   (t )   FSij  (3.28)
t Ly0   k y1  
  
На Рисунке 3.18 показана реализация расчета силы сцепления переднего
левого колеса с опорной поверхностью в среде Matlab Simulink.

Рисунок 3.18. Блок расчета силы сцепления переднего левого колеса

В состав уравнений, представленных в Таблице 9 и участвующих в блоке

расчета коэффициентов сцепления (Рисунок 3.15), используется окружная скорость
колеса VRij , равная произведению угловой скорости вращения колеса  ij на

динамический радиус качения rdyn . Динамический радиус качения колеса может

быть примерно рассчитан из уравнения:
FZ
rdyn  rstat  , (3.29)
kT

где:
rstat - статический радиус колеса;
 139

k T - радиальная жесткость шины.

Для расчета угловой скорости вращения колеса  ij запишем:

I W    TDr  TBr  FL  rdyn  FRR  rdyn , (3.30)

где:
I W - приведенный момент инерции колеса;

TDr - подводимый к колесу тяговый момент;

TBr - подводимый к колесу тормозной момент;

FRR - приведенная сила сопротивления качению колеса.

Для расчета силы сопротивления качению колеса воспользуемся

зависимостью [125]:

FRR  f 0  k f  VCoG
2

 FZ , (3.31)
где:
f 0 - коэффициенты сопротивления качению, принимаемый разные значения для

различных типов дорожных покрытий;

k f - коэффициент, учитывающий увеличение сопротивления качению с ростом

скорости движения ( k f  7  10 6 ).
Методика определения приведенного коэффициента сопротивления
движению и коэффициента аэродинамического сопротивления автомобилей,
находящихся в эксплуатации, изложена в [134] и будет приведена в п.3.2.
На Рисунке 3.19 показана реализация расчета угловой и окружной скоростей,
а также силы сопротивления качению переднего левого колеса.
 140

Рисунок 3.19. Блок расчета  FL , VW , FL , FRR , FL

Блоки расчетов, показанные на Рисунках 3.3, 3.6, 3.8, 3.15, 3.18, 3.19,
объединяются в модель качения одиночного колеса с соответствующими связями,
изображенными на Рисунке 3.20.

Рисунок 3.20. Схема Simulink математической модели автомобильного колеса

Далее модель качения одиночного колеса преобразовывается в блок расчета

(Рисунок 3.21), который может использоваться в составе комплексных программ
моделирования динамики движения автотранспортных средств [135].
 141

Рисунок 3.21. Блок расчета переднего левого колеса

Таким образом, для расчета проекций силы сцепления, действующей в пятне

контакта пневматической шины с опорной поверхностью, в координатной системе,
связанной с центром масс автомобиля, а также силы сопротивления качению,
исходными, динамически изменяемыми параметрами, являются:
- вертикальное усилие;
- угол поворота колеса;
- угловая скорость кузова автомобиля относительно главной вертикальной
оси;
- скорость центра масс автомобиля;
- угол дрейфа;
- номер типа опорной поверхности (сухой асфальт, мокрый асфальт, сухой
бетон, сухой гравий, мокрый гравий, снег, лед);
- подводимый тяговый момент;
- подводимый тормозной момент.
 142

Для расчета динамики движения кузова автомобиля запишем следующую

систему дифференциальных уравнений:
  xIn   FXFL  FXFR  FXRL  FXRR  FwindX  FGX  FRR 
    
mCoG   yIn   TUIn   FYFL  FYFR  FYRL  FYRR  FwindY  FGY 
  zIn   FZFL  FZFR  FZRL  FZRR  FwindZ  FGZ 
 I    I  I      ( F  F )  0.5  b  ( F  F )  0.5  b  m  y  h
 X

Z Y ZFL ZFR F ZRL ZRR R CoG CoG CoG
,
 I Y    I X  I Z      ( FZFL  FZFR )  l F  ( FZRL  FZRR )  l R  mCoG  xCoG  hCoG
 I Z   I Y  I X       ( FYFR  FYFL )  (l F  0.5  (n LFL  n LFR )  cos  W ) 
 ( FYRL  FYRR )  (l R  0.5  (n LRL  n LRR )  cos  W )  ( FXRR  FXRL )  0.5  bR 

  FXFR  (0.5  bF  n LFR  sin  W )  FXFL  (0.5  bF  n LFL  sin  W )

(3.32)
где:
mCoG - масса автомобиля;

xIn , yIn , zIn - проекции ускорения центра масс автомобиля в инерциальной

(неподвижной) системе отсчета;
xCoG , yCoG , zCoG - проекции ускорения центра масс автомобиля в подвижной системе

координат «CoG»;
TUIn - матрица поворота для переноса соответствующих векторов из системы

координат, связанной с неподрессоренными массами автомобиля, в инерциальную

систему отсчета [136];
индексы X , Y , Z - определяют направленность вектора относительно осей системы
координат «Un», связанной с неподрессоренными массами автомобиля;
FwindX , FwindY , FwindZ - силы аэродинамического сопротивления;

FGX , FGY , FGZ - проекции вектора силы тяжести автомобиля на оси системы
координат, связанной с неподрессоренными массами автомобиля;
I X , I Y , I Z - главные моменты инерции автомобиля (методика определения изложена

в [70]);
hCoG - высота центра масс автомобиля (при отсутствии возможности
экспериментального-расчетного определения для легкового автомобиля можно
воспользоваться эмпирической зависимостью hCoG  0.125  (bF  bR ) ).
 143

Общая матрица поворота TUIn является произведением трех матриц поворота

вокруг каждой из декартовых координатных осей. В свою очередь, матрицы
TRotX , TRotY , TRotZ находятся из выражений [137]:

1 0 0   cos  0 sin   cos  sin 0

TRotX 
 0 cos   sin   ; TRotY   0
 1 0  ; TRotZ   sin
 cos 0
0 sin  cos    sin  0 cos    0 0 1

(3.33)
Отметим, что порядок перемножения матриц поворота будет оказывать
влияние на конечный результат, поэтому в технической литературе распространена
следующая последовательность – Z-Y-X, т.е.:
TUIn  TRotZ  TRotY  TRotX (3.34)
И тогда:
cos  cos   sin  cos   cos  sin   sin  sin  sin   cos  sin   cos  
TUIn   sin  cos  cos  cos   sin  sin   sin   cos  sin   sin  sin   cos  
  sin  cos   sin  cos   cos  

(3.35)
Для того, чтобы выполнить обратный перенос вектора, например, из
инерциальной системы отсчета «In» в систему координат, связанную с центром
масс автомобиля, необходимо выполнить повороты осей в обратной
последовательности, т.е. X-Y-Z и, благодаря геометрической особенности матриц
поворота, будет справедливо следующее выражение:
1
TInCoG  TRotX  TRotY  TRotZ  TRotZYX  TRotZYX
T
 TRotZYX    ,   (    road ),   (   road ) ,

(3.36)
где:
 road - продольный угол наклона профиля опорной поверхности (дорожного

полотна);
 road - поперечный уклон профиля опорной поверхности.
 144

Силы аэродинамического сопротивления, входящие в состав системы

уравнений (3.32), будут определяться следующим образом:
 FwindX    0.5  c airX  AL    (VCoGX  VwindX  cos  VwindY  sin ) 2 
F    0.5  c  A    (V 
CoGY  VwindX  sin  VwindY  cos )  sign(VwindX  sin  VwindY  cos ) 
2
 windY   airY S

 FwindZ   0 


(3.37)
где:
c airX , c airY - коэффициенты аэродинамического сопротивления в продольном и

боковом направлениях соответственно;

AL , AS - лобовая и боковая площади поверхности автомобиля;

VwindX , VwindY - составляющие скорости ветра в продольном и боковом направлениях

инерциальной системы координат;

 - плотность воздуха (   1.22625 кг / м 3 ).

Проекции вектора силы тяжести автомобиля на оси системы координат,

связанной с неподрессоренными массами автомобиля, найдем из уравнения:
 FGX   cos(  road ) sin(  road )  sin( road ) sin(  road )  cos( road )   0 
F    0 cos( road )  sin( road )  0 , (3.38)
 GY     
 FGZ   sin(  road ) cos(  road )  sin( road ) cos(  road )  cos( road ) mCoG  g 

где:
g - ускорение свободного падения ( g  9.81 м / с 2 ).

Распределение вертикальных сил FZFL , FZFR , FZRL , FZRR найдем из следующих

уравнений [70, 88]:
l h   1 h  y 
FZFL  mCoG   R  g  CoG  xCoG     CoG CoG 
 l l  2 bF  g 
l h   1 h  y 
FZFR  mCoG   R  g  CoG  xCoG     CoG CoG 
 l l  2 bF  g 
(3.39)
l h   1 h  y 
FZRL  mCoG   F  g  CoG  xCoG     CoG CoG 
 l l  2 bR  g 
l h   1 h  y 
FZRR  mCoG   F  g  CoG  xCoG     CoG CoG 
 l l  2 bR  g 
 145

На Рисунке 3.22 показан фрагмент блока динамики кузова автомобиля,

иллюстрирующий реализацию расчета поступательного движения в среде Matlab
Simulink (первые 3 уравнения системы (3.32) с учетом (3.35) и (3.36)),
соответственно на Рисунке 3.23 показан фрагмент расчета вращательного
движения относительно главной вертикальной оси автомобиля (последнее
уравнение системы (3.32)).

Рисунок 3.22. Фрагмент расчета поступательного движения блока динамики

кузова автомобиля
 146

Рисунок 3.23. Фрагмент блока расчета динамики кузова автомобиля

Содержимое блока расчета сил аэродинамического сопротивления

(уравнения 3.37) показано на Рисунке 3.24, блока расчета проекций вектора силы
тяжести (уравнения 3.38) – на Рисунке 3.25, блока расчета перераспределения
вертикальных реакций (уравнения 3.39) – на Рисунке 3.26, а также рассмотренные
блоки на верхнем уровне имитационной модели – на Рисунке 3.27.

Рисунок 3.24. Блок расчета сил аэродинамического сопротивления

 147

Рисунок 3.25. Блок расчета проекций вектора силы тяжести

Рисунок 3.26. Блок расчета перераспределения вертикальных усилий

Рисунок 3.27. Фрагмент верхнего уровня имитационной модели

В разработанной имитационной модели движения автомобиля

предусмотрена возможность задания виртуальной карты местности (пример
показан на Рисунке 3.28), представляющей собой аналитически описанную
поверхность с сегментацией участков, соответствующих различным типам
покрытий опорной поверхности с индивидуальными характеристиками сцепления
(сухой асфальт, мокрый асфальт, сухой бетон, сухой гравий, мокрый гравий, снег,
лед). Каждому из 7 типов дорожных покрытий соответствуют индивидуальные
коэффициенты сопротивления качению колес [125]. Вспомогательная
подпрограмма Matlab, задающая геометрию и характеристики опорной
поверхности, представлена в Приложении.
 148

Рисунок 3.28. Пример задания сегментированной карты местности

На Рисунке 3.29 показано содержимое блока, рассчитывающего углы уклона

дорожного полотна и определяющего тип опорного покрытия под каждым колесом
в текущий момент времени, а также записывающего параметры движения
автомобиля для последующей анимации. Код подпрограммы визуализации
движения представлен в Приложении.

Рисунок 3.29. Блок расчета углов уклона дорожного полотна

 149

На Рисунке 3.30 представлена комплексная имитационная модель Matlab

Simulink расчета динамики движения автомобиля, обладающая 18 степенями
свободы, возможностью моделирования управляемого движения по опорной
поверхности задаваемого профиля с реализацией 7 различных типов дорожных
покрытий, подробно описывающая неустановившиеся, а также режимы движения
с высокими скоростями.

Рисунок 3.30. Имитационная модель Matlab Simulink движения автомобиля

Решение дифференциальных уравнений осуществляется комбинацией

неявного метода Рунге-Кутта и метода, использующего формулы обратного
дифференцирования 2-го порядка.
 150

3.2. Методика уточнения параметров математической модели на основе

результатов дорожных испытаний

Методика определения приведенного коэффициента сопротивления

движению и коэффициента аэродинамического сопротивления автомобилей,
находящихся в эксплуатации, изложена автором в [134] и заключается в
следующем: испытание проводится на сухом, ровном, чистом, прямолинейном
участке дороги с асфальтобетонным покрытием в безветренную погоду,
испытуемый автомобиль разгонялся до максимально допустимой (разрешенной)
скорости, после чего осуществляется движение накатом до достижения
минимально установившейся скорости, при этом происходит запись значений
скорости движения с бортовой мультиплексной сети автомобиля (например, HS
CAN) (см. главу 4), то же самое может быть выполнено и в условиях автополигона
при использовании внешнего измерительного оборудования.
Для рассматриваемого в процессе испытаний режима движения автомобиля,
с учетом зависимостей (3.31) и (3.37), будет справедливо следующее уравнение
равновесия сил [70]:
2

mCoG  xCoG  0.5  cairX  AL    VCoG  f 01  k f  VCoG
2
 mCoG  g , (3.40)
где:
f 01 - приведенный коэффициент сопротивления движению, учитывающий
сопротивления в трансмиссии и прочие неуточненные факторы.
Структурная схема уравнения (3.40) на языке графического
программирования MatLab Simulink, адаптированная для решения задачи
оптимизации, представлена на Рисунке 3.31.
Входным параметром представленной математической модели является
начальное (максимальное) значение скорости выполнения экспериментального
заезда, выходным параметром – скорость движения автомобиля в функции
времени. В состав уравнения (3.40) входят три неизвестных параметра:
коэффициент аэродинамического сопротивления cairX , приведенный коэффициент
 151

сопротивления движению f 01 и коэффициент k f , учитывающий увеличение

сопротивления качению с ростом скорости движения, определить которые можно,
решив задачу оптимизации с использованием модуля MatLab «Simulink Design
Optimization» и экспериментальных данных заезда. Нахождение неизвестных
параметров осуществляется методом градиентного поиска при решении задачи
нелинейной оптимизации с ограничениями.

Рисунок 3.31. Структурная схема уравнения (3.40)

На Рисунке 3.32 показан пример сопоставления результатов расчета с

данными эксперимента при решении задачи оптимизации для автомобиля Land
Rover Discovery 3.

Рисунок 3.32. Сопоставление результатов расчета с данными эксперимента при

решении задачи оптимизации (Land Rover Discovery 3)
 152

В результате решения задачи оптимизации для Land Rover Discovery 3 были

определены: коэффициент аэродинамического сопротивления cairX  0.41 ,

приведенный коэффициент сопротивления движению f 01  0.04 и коэффициент,

учитывающий увеличение сопротивления качению с ростом скорости движения
k f  5.41  10 6 .

Для имитационного моделирования динамики движения автомобиля особую

важность представляют динамические коэффициенты сопротивления боковому
уводу k y1 и k y 2 , длина релаксации шины L y 0 и коэффициент эллипсности
окружности трения (окружности Камма) k S , так как именно они принимают
участие в аналитическом описании неустановившихся режимов движения. Для их
нахождения будем использовать адаптированную имитационную модель движения
и экспериментальные данные полигонных испытаний, часть которых будет
являться входными данными для модели, а часть – данными для подтверждения
результатов моделирования. Соответственно искомые параметры будут
находиться методом многокритериальной оптимизации имитационной модели.
Фрагмент адаптированной для оптимизационных процедур имитационной
модели движения автомобиля, описанной в п.3.1, показан на Рисунке 3.33.
Входными данными являются продольное и боковое ускорения центра масс
автомобиля и углы поворота управляемых колес в функциях времени, записанные
и обработанные при выполнении дорожных испытаний. Для нахождения
параметров k y1 , k y 2 , L y 0 , k S рекомендуем использовать максимально динамичные
заезды, например «Переставка SП=20», «змейка» или произвольное
маневрирование с высокими скоростями. Выходными параметрами
адаптированной имитационной модели для сопоставления с результатами
полигонных испытаний будут являться боковое ускорение центра масс и угловая
скорость кузова автомобиля относительно главной вертикальной оси.
 153

Рисунок 3.33. Фрагмент модели поиска неизвестных параметров k y1 , k y 2 , L y 0 , k S

Экспериментально полученные продольные и боковые ускорения центра

масс автомобиля, являющиеся функциями, задающими работу модели, будут
формировать тяговые и тормозные моменты, подводимые к колесам
моделируемого автомобиля. На Рисунке 3.34 показан пример блока,
пересчитывающего экспериментально полученные ускорения для
заднеприводного автомобиля ГАЗ-322132. Идея заключается в том, чтобы
«заставить» моделируемый автомобиль двигаться точно с такой же скоростью, как
при дорожных испытаниях. В таком случае, т.к. мы реализуем тяговые и тормозные
моменты на колесах, в точности обеспечивающие движение модели автомобиля с
идентичной эксперименту скоростью, необходимо отключить блок расчета сил
аэродинамического сопротивления (уравнения 3.37, Рисунок 3.24) и расчет
приведенных сил сопротивления движению (обнулить коэффициенты f 01 и k f ).
 154

Рисунок 3.34. Блок адаптированной к решению оптимизационной задачи

имитационной модели, обеспечивающий повторение скорости движения

Далее нахождение неизвестных параметров k y1 , k y 2 , L y 0 , k S осуществляется

методом градиентного поиска при решении задачи нелинейной оптимизации с
ограничениями.
Отметим особенность уточнения рассматриваемых параметров на основе
результатов полигонных испытаний для автомобиля ГАЗ-322132, обусловленную
тем, что на задней оси автомобиля установлены колеса с двухскатной ошиновкой.
Тогда выражение (3.28) для задних колес примет вид:
FSij   FZij  

VW
  k red ,ij  1    FZij  arctan k y 2   (t )   FSij  (3.41)
t Ly0   2k  
  y1  
В результате решения задачи оптимизации для ГАЗ-322132 были
определены: динамические коэффициенты сопротивления боковому уводу
k y1  15746 (Н) и k y 2  16.393 (рад1 ) , длина релаксации шины L y 0  1.1924 (м) и

коэффициент эллипсности окружности трения k S  0.79987 () .

 155

Итак, подводя промежуточный итог, можно констатировать, что для

уточнения параметров математической модели движения автомобиля необходимо
выполнить следующее (дорожные испытания проводятся на сухом, ровном
асфальтобетонном покрытии):
1) взвешивание объекта испытаний (определение развесовки в статическом
состоянии);
2) заезд, предполагающий разгон с последующим прямолинейным
движением накатом. Для условий автополигона – это испытание «разгон-
выбег» (с тем отличием, что для автоматической трансмиссии остается
активированным режим «Drive»). При использовании дорог общего
пользования обязательным является соблюдении правил дорожного
движения (ПДД). Замеры, следующие один за другим, выполняются по
одному разу в обоих направлениях движения, соответственно попутном и
обратном. В результате обработки экспериментальных данных определяются
коэффициенты cairX , f 01 и k f ;
3) прямолинейное движение с последующим торможением (определяется
характеристика хода педали тормоза от реализуемого замедления, пример
приведен в разделе 5.2);
4) максимально динамичный заезд с движением по криволинейной
траектории. Для условий автополигона предпочтительными являются
испытания «Переставка» и/или «Змейка» с максимально реализуемыми
скоростями движения. На дорогах общего пользования и/или закрытых
территориях допустимо выполнение произвольного маневрирования (резкие
повороты в разные стороны, предпочтительны высокие скорости движения).
В результате обработки экспериментальных данных определяются
коэффициенты k y1 , k y 2 , L y 0 , k S .
 156

3.3. Проверка адекватности математической модели

Адекватность разработанной математической модели будем определять

сопоставлением расчетных характеристик с экспериментальными при идентичных
условиях движения и управляющих воздействиях, а также на основе
статистического анализа функций ошибок.
Обратим внимание, что экспериментальные данные, использовавшиеся для
уточнения параметров математической модели (п.3.2), не применяются при оценке
ее адекватности, т.е. используются разные выборки для верификации и
последующей валидации модели.

3.3.1. Дорожные испытания микроавтобуса (задний привод, категория М2)

3.3.1.1. Объект и программа испытаний

Объект испытаний – транспортное средство категории М2 ГАЗ-322132

«Газель» (Рисунок 3.35). Технические характеристики [138] и габаритные размеры
приведены в Приложении. Пробег автомобиля на момент начала проведения
испытаний составил 7 342 км.

а) б)
Рисунок 3.35. Объект испытаний ГАЗ-322132 и участки экспериментального
автополигона МАДИ: а – «Умная дорога»; б – участок скоростных испытаний
 157

Дорожные испытания проводились на экспериментальном полигоне МАДИ,

заезды осуществлялись на горизонтальном, сухом, ровном участке дороги с
асфальтобетонным покрытием [139].
Проводимые испытания:
1. Запись параметров движения на неподвижном ТС, проверка оборудования,
запись «шума» измерительного оборудования – 1 раз в день перед испытаниями;
2. Вариации прямолинейного движения: разгон, движение накатом, торможение с
разной интенсивностью, движение задним ходом – 13 заездов;
3. Криволинейное движение с произвольным маневрированием на разных режимах
– 12 заездов;
4. Круговое движение по траектории с фиксированным радиусом: разгон, движение
с постоянной скоростью на разных скоростях, движение с максимальной
скоростью, движение накатом, разные направления движения – 4 заезда.
5. «Переставка Sп=20м» (ГОСТ 31507-2012 [139]) – 27 заездов, из них по 3 заезда
на скоростях 7, 10, 15, 20, 25, 30, 35 км/ч без нарушений разметки, 6 заездов с
максимально реализуемой в условиях полигона скоростью, без выхода за границы
разметки. Схема разметки испытания представлена на Рисунке 3.36.

Рисунок 3.36. Разметка испытания «переставка Sп=20м»

6. «Змейка, 18м» – 27 заездов, из них по 3 заезда на скоростях 7, 10, 15, 20, 25, 30,
35 км/ч без нарушений разметки, 6 заездов с максимально реализуемой скоростью
 158

и фиксацией сбитых конусов и заездов с потерей управляемости. Схема разметки

испытания представлена на Рисунке 3.37.

Рисунок 3.37. Разметка испытания «змейка»

Общее количество проведенных испытаний – 95. Этапы испытаний и

промежуточные результаты фиксировались в протоколе полигонных испытаний,
представленном в Таблице 11.
Таблица 11.
Протокол полигонных испытаний ГАЗ-322132
Первый день
Скорость, Доп.
Время Тип испытания Имя файла Комментарий
км/ч комментарий
11:28 на месте, idle 0 Shadrin.006 10 секунд
поворот TANS3 в 3
11:32 на месте, idle 0 Shadrin.008 80 секунд
плоскостях,*
11:41 idle 0 Shadrin.009 23 секунды
11:45 по прямой 11 Shadrin.010 11 секунд подруливал
по прямой 14 Shadrin.011 20 секунд подруливал
11:50 по прямой 23 Shadrin.012 с торможением
движение задним
11:50 по прямой 13 Shadrin.013 15 секунд
ходом
предварительно
11:52 по прямой 16 Shadrin.014 36 секунд повернул РК:
|,<,>,|,поехал
разгон, накат,
11:56 по прямой Shadrin.015
остановка
11:59 "круг" по часовой 34 Shadrin.017 50 секунд **
12:02 "круг" по часовой 37 Shadrin.018 43 секунды **
"круг" против
12:04 35 Shadrin.019 28 секунд
часовой ***
"круг" против
12:05 39 Shadrin.020 26 секунд
часовой ***
12:15 "змейка" 41 Shadrin.021 25 секунд ∆
12:16 "змейка" 32 Shadrin.022 26 секунд ∆
12:20 "змейка" max Shadrin.023 ∆ с юзом
const=20
12:22 "змейка" Shadrin.024 36 секунд
км/ч ∆
const=25
12:23 "змейка" Shadrin.025 33 секунд
км/ч ∆
const=15
12:26 "змейка" Shadrin.026 56 секунд
км/ч ∆
 159
Таблица 11 – продолжение.
произвольные
12:27 произвольно произвольно Shadrin.027 120 секунд
маневры

Второй день
Скорость, Доп.
Время Тип испытания Имя файла Комментарий
км/ч комментарий
на месте, не завед калибровка TANS3
10:47 0 Shadrin.029
ДВС
10:51 на месте, idle 0 Shadrin.030 15 секунд шум оборудования
20 сек; руль из нейтрального
на месте, idle,
10:58 0 Shadrin.031 положения выкрутили до упора влево,
калибровка троса
замерили 92мм перемещения тросика
//S11:11 означает
время записи
Shadrin.032 пробная прибором
11:11 переставка
+S11:11 переставка Scanmatik
параметров с K-
линии а/м
Shadrin.033
11:15 змейка пробная змейка
+S11:14
проверка кнопки
11:41 на месте, idle 0 Shadrin.036
метки (CAN7)
11:42 переставка 7 Shadrin.037 1-ый заезд
змейка (5 конусов, через каждые 18м,
вход в "змейку" с левой стороны от
11:45 змейка 7 Shadrin.038
первого конуса, нажатие кнопки CAN7
у 1 конуса)
11:48 переставка 7 Shadrin.039
11:48 змейка 7 Shadrin.041 змейка
11:52 переставка 7 Shadrin.042
11:53 змейка 7 Shadrin.043
11:53 переставка 10 Shadrin.044
змейка 10 Shadrin.045
переставка 10 Shadrin.046
змейка 10 Shadrin.047
переставка 10 Shadrin.048
11:54 змейка 10 Shadrin.049
11:56 переставка 15 Shadrin.050
11:57 змейка 15 Shadrin.051
12:00 переставка 15 Shadrin.052
12:02 змейка 15 Shadrin.053
12:04 переставка 15 Shadrin.054
12:06 змейка 15 Shadrin.055
12:13 переставка 20 Shadrin.056
12:14 змейка 20 Shadrin.057
12:14 переставка 20 Shadrin.058
12:14 змейка 20 Shadrin.059
12:15 переставка 20 Shadrin.060
12:16 змейка 20 Shadrin.061
12:17 переставка 25 Shadrin.062
 160
Таблица 11 – продолжение.
может не быть
змейка 25 Shadrin.063
метки
переставка 25 Shadrin.064
змейка 25 Shadrin.065
переставка 25 Shadrin.066
змейка 25 Shadrin.067
12:20 переставка 30 Shadrin.068
метка с
змейка 30 Shadrin.069
опозданием
переставка 30 Shadrin.070
змейка 30 Shadrin.071
переставка 30 Shadrin.072
змейка 30 Shadrin.073
12:30 переставка 35 Shadrin.074
змейка 35 Shadrin.075 сбили покрышку
переставка >35 Shadrin.076
сильный занос
змейка 35 Shadrin.077
задней оси
переставка >35 Shadrin.078
сбили 3-ью
змейка 35 Shadrin.079 покрышку
(центральную)
переставка 35 Shadrin.080
12:40 прямая 40 Shadrin.081 разгон до 40 км/ч и движение накатом
12:40 переставка 30 Shadrin.082 ошибочный
вышли за границы разметки и сбили
змейка max Shadrin.083 покрышку зоны переставки, долго не
выключали запись
переставка 30 Shadrin.084 ошибочный
змейка 30 Shadrin.085
Shadrin.086
13:02 переставка >30 без метки CAN7
+S13:02
Shadrin.087
змейка
+S13:04
Shadrin.088
переставка 48 накатом (т.е. сама переставка на N)
+S13:06
Shadrin.089 не проехали 2 последних конуса,
змейка
+S13:07 потеря управляемости
по ГОСТ 52302-2004 (на 3-ей
13:20 переставка 50 Shadrin.090
передаче, "без газа")
** - разметка та же, только вход в
змейка** 30 Shadrin.091 "змейку" с правой стороны от первого
конуса
13:25 прямая 40 Shadrin.092 разгон + накат + торможение
прямая Shadrin.093 разгон + накат + торможение
разгон из-за поворота + прямая +
экстр. торможение Shadrin.094
торможение
13:29 экстр. торможение Shadrin.095 разгон + прямая + торможение
произвольное
Shadrin.096 вернулись в место старта
маневрирование
задним ходом, по
Shadrin.098 разгон задним ходом + торможение
прямой
 161
Таблица 11 – окончание.
разгон задним ходом + накат по
задним ходом, по
Shadrin.099 прямой + торможение (не остановил
прямой
вовремя запись)
диаметр 20м (R10м), движение против
движение по кругу, часовой стрелки (+ въезд/выезд с
14:00 против часовой max 33 Shadrin.100 круга); свист резины при скорости
стрелки выше 27 км/ч; скорость повышали
ступенчато
диаметр 20м (R10м) по часовой
стрелке (+ въезд/выезд с круга); свист
резины при скорости выше 27 км/ч;
движение по кругу,
14:04 max 28 Shadrin.101 скорость повышали ступенчато; от
по часовой стрелке
конусов до внутреннего колеса
примерно 1м; плохая видимость
конусов для водителя
разгон по кругу (движение против
движение по кругу,
часовой стрелки) до 32 км/ч,
14:09 против часовой 32 Shadrin.102
дальнейшее движение по кругу
стрелки
накатом
разгон по кругу (движение по часовой
движение по кругу,
14:11 28 Shadrin.103 стрелке) до 28 км/ч, дальнейшее
по часовой стрелке
движение по кругу накатом

Во время проведения испытаний с измерительного комплекса Corrsys Datron

(Kistler) производилась поточная запись 23 параметров с частотой 20Гц, которые
сохранялись в регистраторе данных под названиями файлов, зафиксированными в
протоколе полигонных испытаний (Таблица 11), далее через программу
«CeCalWin» файлы импортировались в текстовом формате с разделителями на
персональный компьютер. Диагностический прибор «Scanmatik» осуществлял в
некоторых испытаниях запись 6 параметров ЭБУ ДВС с К-линии с частотой
дискретизации 2Гц (в виду низкой скорости передачи данных по диагностической
шине KWP2000 [140]).

3.3.1.2. Измерительное оборудование

При подготовке и проведении испытаний использовалось следующее

измерительное оборудование МАДИ:
1) Автомобильные весы «Intercomp Racing SW500 E-Z Weigh Cabled Scale
Systems», состоящие из блока регистрации данных (Рисунок 3.38) и 4-х
 162

электронных напольных весов (Рисунок 3.39) с габаритными размерами

381x381x64 мм каждый и максимальным измеряемым весом в 700кг, что
соответствует максимальному измеряемому с помощью данного комплекса
весу автомобиля в 2800 кг, заявленная производителем «Intercomp Racing»
относительная погрешность измерений комплекса составляет 0,1%;
2) Tri-Axial Navigational Sensor (Corrsys Datron / Kistler) – датчик (Рисунки 3.40,
3.41), измеряющий продольные ускорения и угловые скорости относительно
трех декартовых координатных осей, был смонтирован приблизительно в
центре масс автомобиля;
3) 100Hz CDS GPS-Glonass регистратор данных (Corrsys Datron / Kistler),
базирующийся на системе DAS3 и состоящий из модуля сбора данных
(Рисунки 3.42, 3.43), дисплея (Рисунок 3.44), выносной антенны GPS/Glonass
(Рисунок 3.45) и осуществляющий поточную запись данных с частотой до
1 кГц;
4) Датчик перемещений тросового типа «Wire Potentiometer»
D8.3A1.0125.A223.000 (Corrsys Datron / Kistler) (Рисунок 3.46), неподвижно
закрепленный на балке управляемого моста и измеряющий в динамике
изменение расстояния до шарнирного соединения поперечной тяги с
наклонным рулевым рычагом переднего правого колеса (Рисунок 3.47) для
дальнейшего расчета положений колес и углов поворота рулевого колеса при
выполнении маневров;
5) Hand-Lever Force Sensor (Corrsys Datron / Kistler) – датчик измерения усилия
нажатия, использовался в качестве «цифровой метки» начала выполнения
маневров;
6) Аналого-цифровой преобразователь CSM AD-Scan MiniModul (Corrsys
Datron / Kistler) – коммутатор, осуществляющий оцифровку данных с восьми
входных каналов и передающий преобразованные данные по CAN шине в
блок регистратора данных CDS;
7) Блок распределения питания (Corrsys Datron / Kistler) с независимой
аккумуляторной батареей;
 163

8) Универсальный диагностический сканер «Сканматик», подключающий ПК к

диагностической шине K-line автомобиля (по ISO 14230-2 [140]) и
регистрирующий в реальном времени с частотой 2 Гц следующие параметры:
частоту вращения коленчатого вала; положение дроссельной заслонки;
скорость автомобиля; положение педалей сцепления и тормоза; напряжение
датчика положения педали «газа», по данным ЭБУ ДВС.

Рисунок 3.38. Автомобильные весы Рисунок 3.39. Взвешивание

Рисунок 3.40. Датчик ускорений Рисунок 41. Датчик ускорений

и угловых скоростей и угловых скоростей
 164

Рисунок 3.42. CDS GPS-Glonass Рисунок 3.43. CDS GPS-Glonass

Рисунок 3.44. Дисплей DAS3 Рисунок 3.45. Антенна

GPS/Glonass

Рисунок 3.46. Датчик перемещений Рисунок 3.47. Датчик

перемещений
 165

После установки на автомобиль измерительного оборудования было

определено распределение статической вертикальной нагрузки. Давление в
передних и задних шинах было выставлено 3,4 кгс/м2, и 3,0 кгс/м2 [138]
соответственно, углы установки колес были проверены на соответствие
нормативным значениям. Взвешивание автомобиля проводилось без водителя и
оператора, в связи с чем, для дальнейших расчетов осуществлялся пересчет
полученных величин. Уровень топлива при взвешивании составлял ¼ бака.
Результаты взвешивания объекта испытаний ГАЗ-322132:
mCoG  2247,5 кг
m FL  517,0 кг
m FR  530,5 кг
m RL  625,0 кг
m RR  575,0 кг

Перед каждым днем испытаний агрегаты и шины автомобиля доводились до

рабочих температур пробегом не менее 15 км [139].

Технические характеристики используемого измерительного оборудования

приведены в Приложении.

Регистрируемые параметры при испытаниях:

- время выполнения испытаний;
- скорость автомобиля по данным спутниковой навигации GPS/Glonass;
- ускорение автомобиля по данным GPS/Glonass;
- путь, пройденный автомобилем, по данным GPS/Glonass;
- продольное ускорение центра масс автомобиля по данным акселерометра;
- боковое ускорение центра масс автомобиля по данным акселерометра;
- вертикальное ускорение центра масс автомобиля по данным акселерометра;
- три угловые скорости относительно трех декартовых координатных осей центра
масс автомобиля, по данным гироскопа;
 166

- усилие нажатия на датчик «Hand-Lever Force Sensor», использовалось в качестве

«цифровой метки» начала выполнения маневров;
- расстояние между датчиком перемещений, неподвижно закрепленном на балке
управляемого моста, и шарнирным соединением поперечной тяги рулевой
трапеции с наклонным рулевым рычагом переднего правого колеса;
- географическая широта по данным GPS/Glonass;
- географическая долгота по данным GPS/Glonass;
- географическая эллиптическая высота по данным GPS/Glonass;
- географический угол направления движения по данным GPS/Glonass;
- количество спутников GPS/Glonass, используемых для определения координат
автомобиля в каждый момент времени;
- параметр PDOP геометрии расположении спутников GPS/Glonass;
- частота вращения коленчатого вала по данным ЭБУ ДВС;
- положение дроссельной заслонки по данным ЭБУ ДВС;
- положение педали сцепления по данным ЭБУ ДВС;
- положение педали тормоза по данным ЭБУ ДВС;
- напряжение датчика положения педали «газа» по данным ЭБУ ДВС;
- скорость автомобиля по данным ЭБУ ДВС.

3.3.1.3. Обработка экспериментальных данных

Расчет углов поворота управляемых колес и рулевого колеса

Масштабная схема рулевой трапеции объекта испытаний с установленным

датчиком перемещений тросового типа и исходными геометрическими
параметрами для расчетов представлена на Рисунке 3.48 [141].
 167

Рисунок 3.48. Схема рулевой трапеции объекта испытаний ГАЗ-322132

Датчик перемещений был неподвижно закреплен на балке управляемого

моста (Рисунок 3.46) и измерял в динамике изменение расстояния до шарнирного
соединения поперечной тяги с наклонным рулевым рычагом переднего правого
колеса (Рисунок 3.47).
Расчетная схема поворота управляемых колес объекта испытаний
представлена на Рисунке 3.49. Таким образом, датчик перемещений измерял в
динамике обозначенное на схеме расстояние XD.

Рисунок 3.49. Расчетная схема поворота управляемых колес

За положительный угол поворота обоих управляемых колес будем принимать

угол, соответствующий повороту автомобиля влево по ходу движения.
 168

В качестве исходных данных для расчета примем:

AB  b  1545 мм
CD  n  1420 мм
AC  BD  m
C 0 OC  c  195 мм
XO X  k  97 мм
BO X  r  510 мм

Для определения угла поворота правого управляемого колеса  П в функции,

измеряемого датчиком перемещений, расстояния XD , рассмотрим XBD из
которого, по теореме косинусов, запишем:
XD 2  XB 2  BD 2  2  XB  BD  cos( XBD ) (3.42)
Отметим, что:
 XBD  XBD0   П (3.43)
C 0 OC XO X
 XBD 0     XBO X  arctan( )  arctan( )
AOC BO X
(3.44)
2  C 0 OC XO X 2c k
 arctan( )  arctan( )  arctan( )  arctan( )
AB  CD BO X bn r

Из XBO X :

XB  XO X  BO X  k 2  r 2
2 2
(3.45)

Из AC 0 OC :

AB  CD 2 (b  n) 2
BD  m  AC  AOC  C0 OC  ( )  C0 OC   c2
2 2 2
(3.46)
2 4

Подставляя выражения (3.45) и (3.46) в (3.42), получим:

(b  n) 2
k2  r2   c 2  XD 2
 XBD  arccos( 4 ) (3.47)
(b  n) 2
2  (k  r )  (
2 2
c )
2

Подставляя (3.44) и (3.47) в (3.43), получим формулу расчета угла поворота

правого управляемого колеса  П в функции, измеряемого датчиком перемещений,
расстояния XD , в общем виде:
 169

(b  n) 2
k2  r2   c 2  XD 2
4 2c k
П  arccos( )  arctan( )  arctan( ) (3.48)
(b  n) 2 bn r
2  (k 2  r 2 )  (  c2 )
4

Подставив исходные данные в формулу (3.48), получим частное решение

рассматриваемой задачи:
311437,1  XD 2
 П  arccos( )  1,0727 [ рад] (3.49)
212608,6

Для определения угла поворота левого управляемого колеса  Л в функции

угла поворота правого колеса  П , рассмотрим DAB (Рисунок 3.49) из которого:
BD  sin(    П ) m  sin(    П )
 DAB  arctan( )  arctan( ) (3.50)
AB  BD  cos(   П ) b  m  cos(   П )

Из ABD по теореме косинусов:

AD  AB 2  BD 2  2  AB  BD  cos(    П ) 
(3.51)
 b 2  m 2  2  b  m  cos(    П )

Из ACD по теореме косинусов:

CD 2  AD 2  AC 2  2  AD  AC  cos( CAD) (3.52)
Подставляя (3.51) в (3.52), получим:
CD 2  AB 2  2  AC 2  2  AB  AC  cos(   П ) 
2  AC  cos( CAD )  AB 2  AC 2  2  AB  AC  cos(   П )

b 2  2  m 2  n 2  2  b  m  cos(   П )
 CAD  arccos( ) (3.53)
2  m  b 2  m 2  2  b  m  cos(   П )

Из  C0 AB запишем:

   Л  DAB  CAD (3.54)

Подставляя (3.50) и (3.53) в (3.54), получим формулу расчета угла поворота
левого управляемого колеса  Л в функции угла поворота правого колеса  П , в
общем виде:
 170

m  sin(    П )
 Л    arctan( )
b  m  cos(    П )
(3.55)
b 2  2  m 2  n 2  2  b  m  cos(    П )
 arccos( )
2  m  b 2  m 2  2  b  m  cos(    П )

Подставив исходные данные в формулу (3.55), получим частное решение

рассматриваемой задачи:
204,77  sin(1,2606   П )
 Л  1,2606  arctan( )
1545  204,77  cos(1,2606   П )
[рад] (3.56)
454486,5  632739,3  cos(1,2606   П )
 arccos( )
409,54  2428955,7  632739,3  cos(1,2606   П )

На Рисунке 3.50 представлены графики зависимости углов поворота

управляемых колес объекта испытаний ГАЗ-322132 от длины тросика XD датчика
перемещений, построенные по расчетным зависимостям (3.49) и (3.56).

45
40
35
30
25
Угол поворота колеса, град

20
15
10
5
0
-5320 345 370 395 420 445 470 495 520 545 570
-10
-15
-20
-25
-30
-35
-40
-45

Длина тросика XD, мм

Правое колесо Левое колесо

Рисунок 3.50. Графики зависимостей углов поворота управляемых колес от длины

тросика датчика перемещений
 171

Рулевой механизм объекта испытаний представлял собой передачу типа

«винт – шариковая гайка – рейка – зубчатый сектор». Передаточное число рулевого
управления U РУ  16,6 [138]. Из определения передаточного числа рулевого
управления [125] следует, что расчетный угол поворота рулевого колеса  РК может
быть определен по формуле:
Л П
 РК  ( )  U РУ (3.57)
2
Углы поворота левого и правого управляемых колес будем рассчитывать по
формулам (3.56) и (3.49) соответственно.

Калибровка датчика перемещений

Датчик перемещений тросового типа выдавал на записывающую аппаратуру

электрический сигнал, линейно зависящий от фактической длины вытянутого из
датчика тросика в каждый конкретный момент времени, т.е.:
XD  fa  U  Os , (3.58)
где:
U - выходное напряжение датчика перемещений;

fa - коэффициент коррекции;

Os - осевое смещение.
Для калибровки датчика перемещений, был выполнен замер показаний
датчика, при котором рулевое колесо, соответствующее прямолинейному
положению управляемых колес, было повернуто на максимальное количество
оборотов влево, при этом по меткам было измерено фактическое изменение 
длины вытянутого из датчика тросика (файл записи «Shadrin.031», Таблица 11).
Отметим, что расчетная длина тросика XD (Рисунок 3.49) датчика
перемещений не соответствует фактической длине тросика l тр в виду
погрешностей измерения геометрии рулевой трапеции и положения крепления
датчика перемещений, а также того, что конец тросика был намотан на шарнир
 172

наклонного рулевого рычага переднего правого колеса (Рисунок 3.47). Однако, в

виду линейной зависимости выходного сигнала датчика перемещений от длины
тросика, можно принять расчетную характеристику датчика перемещений
правомерной для определения относительных изменений длины тросика (Рисунок
3.51).

Рисунок 3.51. Выходная характеристика датчика перемещений

Таким образом, для определения расчетной характеристики датчика

перемещений, воспользовавшись данными калибровочного замера, решим
следующую систему уравнений:
 XD0  fa  U 1  Os
 (3.59)
 XD0    fa  U 2  Os

где:
AB  CD 2 bn 2
XD0  ( BO X  )  (C0 OC  XO X ) 2  (r  )  (c  k ) 2 ;
2 2

U1 ,U 2 ,  - данные калибровочного замера.

Подставив исходные данные в систему уравнений (3.59), получим расчетную

характеристику датчика перемещений:
XD  0,03612  U  12,04268 [ мм] (3.60)
 173

Расчет положения центра масс снаряженного автомобиля

Ввиду того, что взвешивание автомобиля проводилось без водителя и

испытателя, необходимым представляется внесение корректировок в
перераспределение вертикальных реакций, действующих в пятнах контакта
пневматических шин с опорной поверхностью, в статическом положении
транспортного средства. Обратимся к расчетной схеме, представленной на
Рисунке 3.52.

Рисунок 3.52. Расчетная схема определения вертикальных реакций в статическом

положении
Где:
Pи -вес испытателя;

Pв - вес водителя;

Pа - вес автомобиля при взвешивании;

K 1 - колея передней оси;

K 2 - колея задней оси;

B - колесная база;
 174

X C , YC - положение центра масс автомобиля относительно осей симметрии

переднего левого колеса;

R zi - вертикальная реакция, действующая в пятне контакта i-ой
пневматической шины с опорной поверхностью;
индексы 1,2,3,4 - переднее левое (FL), переднее правое (FR), заднее правое
(RR) и заднее левое (RL) колеса соответственно.
Заменим, действующие на транспортное средство, распределенные нагрузки
от веса водителя и испытателя условно сосредоточенными, тогда от действия сил
Pи и Pв в пятнах контакта пневматических шин с опорной поверхностью появятся

дополнительные реакции 1 ,  2 ,  3 ,  4 , такие, что:

Rzi  Rz 0   i , (3.61)
где:
R z 0 - реакции, определенные при взвешивании автомобиля.

Воспользовавшись расчетной схемой Рисунка 3.52, запишем уравнения

равновесия:
( Pи  Pв )  l x  ( 3   4 )  B  0
( P  P )  ( B  l )  (   )  B  0
 и в x 1 2
 K  K2 K  K2
 Pв  ( K1  l y1 )  Pи  l y 2  1  K1   4  ( K 2  1 )  3  ( 1 )0 (3.62)
 2 2
 K1  K 2 K  K2
 Pв  l y1  Pи  ( K1  l y 2 )   2  K1   3  ( K 2  )  4  ( 1 )0
 2 2
Представив систему уравнений (3.62) в матричном виде и, подставив
м
исходные данные, а также Pи  70  g , [ Н ] и Pв  100  g , [ Н ] ( g  9,81 [ 2 ] ), найдем
с
численное решение:
0 0 B B 
B   1   ( Pи  Pв )  l x 
 B 0 0     
K1  K 2 K1  K 2  2   ( Pи  Pв )  ( B  l x ) 
 K1 0 K2   
 2 2    3   Pв  ( K1  l y1 )  Pи  l y 2 
 K1  K 2 K 1  K 2     P  l  P  ( K  l )
 0 K1 K2 
2 2   4   в y1 и 1 y2  
 175

  1  68,2
  60,8
 2   , кг
  3  14,9 
   
 4   26,1

Таким образом, из уравнения (3.61) получим скорректированные значения

вертикальных реакций:
R z1  5740,7 [ Н ]
R z 2  5800,4 [ Н ]
(3.63)
R z 3  5787,3 [ Н ]
R z 4  6387,2 [ Н ]

Для определения положения центра масс снаряженного автомобиля

запишем:
( R z1  Rz 2 )  X C  ( Rz 3  Rz 4 )  ( B  X C )

 K  K2 K  K2 (3.64)
 Rz1  YC  Rz 4  (YC  1 )  Rz 2  ( K1  YC )  R z 3  ( K1  YC  1 )
 2 2

Преобразовав (3.64), получим:

 B
 X C  ( R  R ) /( R  R )  1
 z1 z2 z3 z4

 K  K2 K  K2
 Rz 2  K1  Rz 3  ( 1 )  Rz 4  ( 1 ) (3.65)
YC  2 2
 4




i 1
R zi

Подставив исходные данные в (3.65), определим положение центра масс

снаряженного автомобиля:
 X C  1,4887 [ м]
 (3.66)
YC  0,8324 [ м]

Расчет скорости центра масс автомобиля

Отметим, что используемый при испытаниях измерительный комплекс

Corrsys Datron (Kistler) определял скорость транспортного средства по данным
спутниковой навигации GPS/Глонасс, т.е. фактически, измерялось значение
вектора абсолютной скорости антенны GPS/Глонасс, закрепленной в районе
 176

правого зеркала заднего вида (Рисунок 3.45) и направление вектора скорости в

абсолютной системе координат. Подвижная и неподвижная (инерциальная)
системы координат показаны на Рисунке 3.53.

Рисунок 3.53. Подвижная и неподвижная системы координат

Очевидно, что для расчета угла направления вектора скорости антенны

относительно продольной оси автомобиля необходимо воспользоваться
преобразованием:
t
          z dt , (3.67)
0

где:
 - направление вектора скорости антенны относительно продольной оси
автомобиля;
 - географическое направление движения;

 - угол поворота автомобиля относительно оси X';

 z - угловая скорость автомобиля относительно вертикальной оси.

Обратим внимание, что географическое направление движения принимает

значения   [0,360) (Рисунок 3.54), т.е. использование данного параметра в
исходном виде для расчета формулы (3.67) не представляется возможным.
Подпрограмма пересчета  в непрерывную функцию представлена в Приложении,
результат расчета показан на Рисунке 3.55.
 177

Рисунок 3.54. Запись параметра  испытания «круговое движение»

Рисунок 3.55. Пересчет параметра  в непрерывную функцию

Итак, для расчета скорости центра масс снаряженного автомобиля

воспользуемся положениями курса теоретической механики [127] и запишем
(Рисунок 3.56): скорость т.А крепления спутниковой антенны, векторно
складывается из скорости т.С центра масс автомобиля и скорости т.А вокруг т.С:
  
V A  VC  V AC (3.68)
 178

Рисунок 3.56. Схема распределения скоростей

 
Вектор VC может быть записан в виде: VC  (VCX ,VCY ,0)

Радиус-вектор: r  ( X C  c2 , c1 ,0)
   
Скорость V AC от вращательного движения: V AC   z  r
  
V AC   z  r  (0,0, z )  ( X C  c2 , c1 ,0)  ( z  c1 ,  z  ( X C  c2 ), 0)

Тогда:
  
V A  VC  V AC  (VCX   z  c1 ,VCY   z  ( X C  c2 ),0)

При разложении вектора скорости т.А на координатные оси:


V AX  VCX   z  c1

V  V    ( X  c )
 AY CY z C 2

Откуда следует:

VCX  V AX   z  c1
 (3.69)
V  V    ( X  c )
 CY AY z C 2

Отклонение вектора скорости центра масс от главной продольной оси (угол

дрейфа) может быть вычислен по формуле:
VCY V   z  ( X C  c2 )
 C  arctg  arctg AY (3.70)
VCX V AX   z  c1
 179

Фильтрация экспериментальных данных

В соответствии с Глобальными техническими правилами №8 ООН [142]
фильтрацию значений ускорений и угловых скоростей при выполнении дорожных
испытаний рекомендуется осуществлять с помощью 12-полюсного бесфазового
фильтра Баттерворта (Butterworth) с частотой отсечки 6 Гц. На Рисунках 3.57 и 3.58
показаны примеры фильтрации бокового ускорения и угловой скорости рысканья
для испытания «Переставка Sп=20» (файл записи «Shadrin.090», Таблица 11)
фильтром Баттерворта и методом скользящего среднего с параметром усреднения
5 (частота дискретизации экспериментальных данных составляла 20 Гц).

Рисунок 3.57. Пример фильтрации значений бокового ускорения

Из представленных графиков следует, что применение фильтра по

рекомендациям ГТП №8 ООН не приводит к улучшению результатов, в то время,
как визуально фиксируется искажение данных в виде фазового сдвига.
Объясняются данные обстоятельства тем, что в используемом измерительном
комплексе 100Hz CDS GPS-Glonass (Corrsys Datron) при записи значений
ускорений и угловых скоростей применялась аппаратная фильтрация указанных
сигналов.
 180

Рисунок 3.58. Пример фильтрации значений угловой скорости

Таким образом, для дальнейшей фильтрации всех значений ускорений и

угловых скоростей будем применять метод скользящего среднего с параметром 5.

Корректировка значений бокового ускорения

Ввиду того, что датчик, измеряющий боковое ускорение в центре масс
автомобиля a y ,дат был закреплен не на гиростабилизированной платформе,

необходимо производить корректировку бокового ускорения a y с учетом значения

угла поперечного крена автомобиля  [70] по формуле [139]:
a y  a y ,дат  g  sin  (3.71)
Измерения угла поперечного крена  при проведении эксперимента в явном
виде не производилось, однако, для каждого заезда, функция угла крена  (t ) может
быть рассчитан по зависимости угловой скорости автомобиля относительно
продольной оси  x (t ) (при задании начальных условий интегрирования):
 (t )   x (t )dt (3.72)

Характер изменения измеренного бокового ускорения и рассчитанного

значения поперечного крена динамичного заезда «змейка» (Рисунок 3.59) (файл
записи «Shadrin.087», Таблица 11) и экспериментально-расчетная характеристика
 181

 (a y ,дат ) (Рисунок 3.60) позволяют сделать вывод о том, что зависимость угла

поперечного крена от измеренного бокового ускорения может быть принята

линейной:   0,6835  a y ,дат , [] .

Рисунок 3.59. Зависимости измеренного бокового ускорения и расчетного угла

поперечного крена автомобиля от времени для испытания «змейка»

Рисунок 3.60. Расчетно-экспериментальная зависимость угла поперечного крена

от бокового ускорения
 182

Таким образом, корректировку значения бокового ускорения в дальнейших

расчетах будем производить по полученной эмпирической зависимости:
a y  a y ,дат  g  sin(0,68  a y ,дат   / 180) (3.73)

Построение траекторий заездов по географическим координатам

Во время проведения испытаний измерительный комплекс Corrsys Datron

(Kistler) фиксировал геоположение транспортного средства по данным
спутниковой навигации GPS/Глонасс: происходила запись в реальном времени
параметров широты, долготы, эллиптической высоты и угла направления движения
(0° = север, 90° = восток, 180° = юг, 270° = запад). Графическое пояснение к системе
общепринятого геопозиционирования представлено на Рисунке 3.61.

Рисунок 3.61. Геопозиционирование объектов на поверхности Земли

Таким образом:
Широта – угол  между местным направлением зенита и плоскостью
экватора, отсчитываемый от 0° до 90° в обе стороны от экватора. Географическую
широту точек, лежащих в северном полушарии (северную широту), принято
считать положительной, широту точек в южном полушарии — отрицательной.
 183

Долгота – угол  между плоскостью меридиана, проходящего через данную

точку, и плоскостью начального нулевого меридиана, от которого ведётся отсчёт
долготы. Долготы от 0° до 180° к востоку от нулевого меридиана называют
восточными, к западу — западными. Восточные долготы принято считать
положительными, западные — отрицательными. За нулевой меридиан принят
Гринвичский меридиан.
Отметим, что для расчета расстояний (траекторий) на поверхности Земли
Евклидова геометрия не применима, в то время как, необходимо использовать
сферическую тригонометрию.
Расстояние между двумя измеренными точками положения автомобиля
будем считать, воспользовавшись сферической теоремой косинусов:
d  R  arccos(sin 1  sin  2  cos 1  cos  2  cos(2  1 )) , (3.74)
где:
d - расстояние между двумя точками;
R - радиус Земли (принимаем за 6371000 км);

1 ,  2 - географические широты;

1 , 2 - географическая долгота.

Координаты для построения траектории движения на плоскости в каждый

момент времени будем определять зависимостями:
 xi  d  cos  xi 1
 , (3.75)
 yi  d  sin  yi 1

где:
 - географическое направление движения.

Траектория заезда «змейка» (файл записи «Shadrin.087», Таблица 11),

рассчитанная по зависимостям (3.74) и (3.75) представлена на Рисунке 3.62.
 184

60

50

40

Y, [м]
30

20

10

0
0 10 20 30 40 50 60 70 80 90
X, [м]

Рисунок 3.62. Построение траектории по географическим координатам

Учитывая то обстоятельство, что заезды выполнялись на площадке не

соизмеримо меньшей по размерам масштабам поверхности Земли, попробуем
пренебречь сферической составляющей поверхности, построив траекторию
рассматриваемого заезда, приняв за координаты по оси абсцисс значения
измеренной долготы, а за координаты по оси ординат – значения географической
широты, скорректированные соответствующими масштабными коэффициентами
 x и  y , вычисленными по зависимостям:

 n

  S xi
 x  i 2

  n  1
 n
, (3.76)

  S yi
 y 
i 2

  n  1

где:
 
S xi  S  cos( 2   )
 - расстояния между соседними измеренными точками,
S  S  sin(    )
 yi 2

отнесенные к декартовой системе координат;

 185

S - расстояние между соседними измеренными точками;

i  1, n - индексы первого и последнего, определенного измерительным комплексом,

положения транспортного средства при рассмотрении единичного испытания.

Для рассматриваемого испытания «змейка» (файл записи «Shadrin.087»)

определим значения масштабных коэффициентов и построим траекторию
(Рисунок 3.63, траектория 2):
 x  62547,1826 м/

 y  110595,5433 м/

60

50

40
Y, [м]

30

20

10

0
0 10 20 30 40 50 60 70 80 90 100
X, [м]

Траектория1 Траектория2

Рисунок 3.63. Сравнение траекторий, построенных разными методами

Отметим, что на графике траектории, полученном вторым расчетным

методом (масштабными коэффициентами), имеются резкие «скачкообразные»
отклонения траектории от предполагаемой линии, что соответствует случаям
ухудшения приема сигналов Глонасс/GPS, а так же измерительным погрешностям
используемого метода геопозиционирования. Для рассматриваемого испытания
статус сигнала для всех измеренных точек соответствовал значению 2
(достаточный прием спутникового сигнала), тем не менее, количество
используемых для определения положения объекта испытаний спутников
 186

варьировалось от 14 до 18 (среднее количество 16,85) и параметр PDOP геометрии

расположения спутников (показатель точности определения геопозиции) принимал
значения от 0,92 до 1,11 (среднее 0,98) (значение PDOP=1 считается лучшим
показателем, PDOP=6 – худшим допустимым показателем). Естественно, что
первый метод построения траектории, основанный на определении расстояний
между соседними точками и учитывающий направление движения, не имеет таких
«скачкообразных» отклонений, однако имеет существенный недостаток,
связанный с накапливанием погрешностей всех единичных измерений за
испытание. Из Рисунка 3.63 видно, что конечные точки выполнения маневра,
рассчитанные разными методами, отстоят друг от друга примерно на 10 м для
рассматриваемого испытания. Сравним повторно оба расчетных метода
определения траектории на испытании «круговое движение» («Shadrin.102»)
(Рисунок 3.64).
Заметим, что скорость движения автомобиля при выполнении испытаний
определялась измерительным комплексом 100Hz CDS GPS-Glonass Corrsys Datron
(Kistler) по данным геопозиционирования, таким образом, в используемой в
дальнейших расчетах измеренной скорости движения так же будет присутствовать
составляющая рассматриваемой измерительной погрешности.

Рисунок 3.64. Сравнение траекторий, построенных разными методами

 187

Таким образом, первый метод построения траектории не желателен, т.к. при

расчетах пройденного пути, отнесенного к декартовым координатам, происходит
суммирование погрешностей всех единичных измерений, выполненных во время
испытания, в дальнейших расчетах будем применять второй метод, основанный на
построении траектории по масштабным коэффициентам.
 188

3.3.1.4. Оценка точности результатов моделирования

В результате применения методики уточнения параметров математической

модели на основе результатов дорожных испытаний (раздел 3.2) для автомобиля
ГАЗ-322132 были определены:
1) коэффициент лобового аэродинамического сопротивления cairX  0.6 ;
2) приведенный коэффициент сопротивления движению f 01  0.02637 (для
сухого асфальта);
3) коэффициент, учитывающий увеличение сопротивления качению с ростом
скорости движения k f  5.536  10 6 ;
4) динамический коэффициент сопротивления боковому уводу
пневматической шины k y1  15746 , характеризующий изменение боковой реакции в
зависимости от вертикальной нагрузки;
5) динамический коэффициент сопротивления боковому уводу
пневматической шины k y 2  16.393 , характеризующий изменение боковой реакции
в зависимости от угла увода;
6) длина релаксации шины L y 0  1.1924 , характеризующая, в зависимости от
скорости движения, время запаздывания при нарастании боковой реакции;
7) коэффициент эллипсности окружности трения k S  0.79987 ,

характеризующий уменьшение коэффициента сцепления в поперечном

направлении по причине наличия у пневматической шины направленного рисунка
протектора.

Проведем сравнение экспериментальных данных динамичного испытания

«змейка, 18м» (файл записи «Shadrin.087», Таблица 11) с результатами
имитационного моделирования. Ниже приведены Рисунки 3.31-3.72, отражающие
управляющие воздействия и кинематические параметры движения объекта
испытаний, полученные экспериментальным и расчетным способами.
 189

Рисунок 3.65. Углы поворота управляемых колес (ГАЗ-322132, «змейка»)

Рисунок 3.66. Скорость движения (ГАЗ-322132, «змейка»)

 190

Рисунок 3.67. Вращение колес, моделирование (ГАЗ-322132, «змейка»)

Рисунок 3.68. Углы увода, моделирование (ГАЗ-322132, «змейка»)

 191

Рисунок 3.69. Вертикальные реакции, моделирование (ГАЗ-322132, «змейка»)

Рисунок 3.70. Боковые реакции, моделирование (ГАЗ-322132, «змейка»)

 192

Рисунок 3.71. Боковое ускорение, сравнение (ГАЗ-322132, «змейка»)

Рисунок 3.72. Угловая скорость рысканья, сравнение (ГАЗ-322132, «змейка»)

Оценим адекватность математической модели на основе статистического

анализа функций ошибок бокового ускорения и угловой скорости рысканья,
представляющих собой функции разностей экспериментальных и расчетных
значений. На Рисунке 3.73 показана функция абсолютных погрешностей бокового
ускорения, а также функция относительных погрешностей, построенная для уровня
доверительной вероятности 97%.
 193

Рисунок 3.73. Оценка погрешностей расчета бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило 0,073817 (простая выборочная дисперсия 0,11829). Для
уровня доверительной вероятности 97% максимальная относительная погрешность
расчета бокового ускорения при выполнении испытания «змейка» (файл записи
«Shadrin.087», Таблица 11) составила 4,81%.
На Рисунке 3.74 представлена графическая интерпретация оценки точности
расчета угловой скорости рысканья.

Рисунок 3.74. Оценка погрешностей расчета угловой скорости

 194

Математическое ожидание функции абсолютной погрешности угловой

скорости составило 0,0016653 (простая выборочная дисперсия 0,00037312). Для
уровня доверительной вероятности 97% максимальная относительная погрешность
расчета угловой скорости рысканья при выполнении испытания «змейка» (файл
записи «Shadrin.087», Таблица 11) составила 2,83%.
Особо отметим точность математической модели при описании
неустановившихся динамичных режимов движения, в т.ч. с боковыми ускорениями
более 4 м/с2.

Проведем сравнение экспериментальных данных следующего динамичного

испытания «Переставка, Sп=20» (файл записи «Shadrin.088», Таблица 11) с
результатами имитационного моделирования. Ниже приведены Рисунки 3.75-3.83,
отражающие управляющие воздействия и кинематические параметры движения
объекта испытаний, полученные экспериментальным и расчетным способами.

Рисунок 3.75. Углы поворота управляемых колес (ГАЗ-322132, «переставка»)

 195

Рисунок 3.76. Скорость движения (ГАЗ-322132, «переставка»)

Рисунок 3.77. Вращение колес, моделирование (ГАЗ-322132, «переставка»)

 196

Рисунок 3.78. Углы увода, моделирование (ГАЗ-322132, «переставка»)

Рисунок 3.79. Вертикальные реакции, моделирование (ГАЗ-322132, «переставка»)

 197

Рисунок 3.80. Боковые реакции, моделирование (ГАЗ-322132, «переставка»)

Рисунок 3.81. Боковое ускорение, сравнение (ГАЗ-322132, «переставка»)

 198

Рисунок 3.82. Угловая скорость рысканья, сравнение (ГАЗ-322132, «переставка»)

Рисунок 3.83. Сравнение траекторий (ГАЗ-322132, «переставка»)

Оценим адекватность математической модели на основе статистического

анализа функций ошибок бокового ускорения и угловой скорости рысканья,
представляющих собой функции разностей экспериментальных и расчетных
значений. На Рисунке 3.84 показана функция абсолютных погрешностей бокового
ускорения, а также функция относительных погрешностей, построенная для уровня
доверительной вероятности 95%.
 199

Рисунок 3.84. Оценка погрешностей расчета бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило 0,024781 (простая выборочная дисперсия 0,065). Для уровня
доверительной вероятности 95% максимальная относительная погрешность
расчета бокового ускорения при выполнении испытания «переставка» (файл записи
«Shadrin.088», Таблица 11) составила 4,77%.
На Рисунке 3.85 представлена графическая интерпретация оценки точности
расчета угловой скорости рысканья.
Математическое ожидание функции абсолютной погрешности угловой
скорости составило 0,0074176 (простая выборочная дисперсия 0,00035278). Для
уровня доверительной вероятности 95% максимальная относительная погрешность
расчета угловой скорости рысканья при выполнении испытания «переставка»
(файл записи «Shadrin.088», Таблица 11) составила 7,92%.
 200

Рисунок 3.85. Оценка погрешностей расчета угловой скорости

Анализ точности расчетных параметров математической модели при

сопоставлении с экспериментальными данными для остальных, менее
«динамичных» заездов (Таблица 11), показал еще лучшие результаты, т.е. чем ниже
уровни и скорости изменения ускорений и угловых скоростей, тем выше точность
расчетных параметров разработанной имитационной модели.
Таким образом, погрешность расчетных параметров движения автомобиля
при использовании разработанной математической модели не превышает 8% при
уровне доверительной вероятности 95%.
 201

3.3.2. Дорожные испытания легкового автомобиля

(полный привод, категория М1)

3.3.2.1. Объект и программа испытаний

Объект испытаний – транспортное средство категории М1 Land Rover

Discovery 3 (Рисунок 3.86). Габаритные размеры и технические характеристики
приведены в Приложении.

Рисунок 3.86. Объект испытаний LR Discovery 3 на автополигоне МАДИ

Цель испытаний – уточнение параметров математической модели

автомобиля и проверка ее адекватности, статистический анализ управляющих
воздействий при движении по дорогам общего пользования.
Задачи:
- декодировать значимые данные с бортовой шины HS CAN;
- определить передаточную функцию рулевого управления;
- разработать методику обработки данных HS CAN в режиме реального времени;
- обеспечить при испытаниях запись кинематических параметров движения
автомобиля, управляющих воздействий и навигационных данных;
 202

- провести анализ управляющих воздействий при движении по скоростной

автомагистрали;
- уточнить параметры математической модели;

3.3.2.2. Измерительное оборудование

При подготовке и проведении испытаний использовалось следующее

измерительное оборудование:
1) автомобильные весы «Intercomp Racing SW500 E-Z Weigh Cabled Scale Systems»
(Рисунок 3.87);
2) декодер высокоскоростной шины передачи данных CAN «NI-8473s» (National
Instruments);
3) GPS/GLONASS приемник GlobalSat BU-353G.
Технические характеристики используемого оборудования приведены в
Приложении.

Рисунок 3.87. Взвешивание объекта испытаний LR Discovery 3

 203

Результаты взвешивания LR Discovery 3 в снаряженном состоянии (полный

бак, водитель за рулем):
mCoG  2688,5кг
m FL  669,0 кг
m FR  683,5кг
m RL  708,5кг
m RR  627,5кг

Регистрируемые параметры при выполнении дорожных испытаний:

- время выполнения заезда;
- скорость автомобиля по данным спутниковой навигации GPS/Glonass;
- географическая широта (GPS/Glonass);
- географическая долгота (GPS/Glonass);
- географическая эллиптическая высота (GPS/Glonass);
- географический угол направления движения (GPS/Glonass);
- приведенная скорость движения автомобиля с бортовой шины HS CAN;
- боковое ускорение центра масс автомобиля (HS CAN);
- приведенная угловая скорость «рысканья» автомобиля (HS CAN);
- обороты ДВС (HS CAN);
- линейные скорости четырех колес (HS CAN);
- режимы работы автоматической трансмиссии (HS CAN);
- значения четырех датчиков высоты пневматической системы подрессоривания
(HS CAN);
- угол поворота рулевого колеса (HS CAN);
- скорость поворота рулевого колеса (HS CAN);
- положение педали акселератора (HS CAN);
- положение педали тормоза (HS CAN).
Запись параметров движения осуществлялась на автополигоне МАДИ, а
также на дорогах общего пользования – на автомагистрали М9 и в условиях
г.Москвы. В общей сложности были записаны данные порядка 200 км пробега.
 204

3.3.2.3. Обработка экспериментальных данных

Экспериментально-расчетное определение передаточной функции рулевого

управления

Для расчета передаточных функций рулевого управления (РУ) автомобиля

Land Rover Discovery3 угол поворота рулевого колеса выставлялся по данным с
шины HS CAN от соответствующего ЭБУ, углы поворота управляемых колес и
направления отчерчивались мелом на асфальте (Рисунок 3.88). Результаты
измерений показаны на Рисунке 3.89. Отрицательный угол поворота рулевого
колеса (РК) соответствует повороту автомобиля «направо» по ходу движения,
положительный – «налево», «левое» и «правое» управляемые колеса определяются
так, как их видит водитель, т.е. по ходу движения.

Рисунок 3.88. Экспериментальное определение передаточной функции РУ

 205

Рисунок 3.89. Аппроксимация общей передаточной функции РУ

Далее была построена усредненная общая передаточная функция РУ, на

основании которой, с применением инструмента MatLab/CurveFittingToolbox, была
получена линейная эмпирическая зависимость передаточной функции
усредненного угла поворота управляемых колес:
 W  0,05998   S , (3.77)
где:
 W - усредненный угол поворота управляемых колес в градусах;

 S - угол поворота РК в градусах.

Таким образом, общее передаточное число РУ составило примерно 16,67.

Критерии пригодности приближения аппроксимационной функции следующие:
сумма квадратов ошибок (SSE) – 4,414; квадрат смешанной корреляции (R-square)
– 0,9989; уточненный R-квадрат (Adjusted R-square) – 0,9989; корень из среднего
для квадрата ошибки (RMSE) – 0,7003.
Для нахождения аналитических зависимостей передаточных функций РУ для
левого и правого управляемых колес, аналогичным образом использовался
инструментарий MatLab/CurveFittingToolbox с тем отличаем, что для
 206

представления искомых функциональных зависимостей (Рисунок 3.90) были

выбраны ряды Фурье:
 LW  2.553  109 - 2.553  109  cos(7.082  10 -8   S )  8.592  105  sin(7.082  10 -8   S ) (3.78)
 RW  1.099  109  1.099  109  cos(-1.266  10 -7   S ) - 4.725  105  sin(-1.266  10 -7   S ) , (3.79)
где:
 LW - угол поворота левого управляемого колеса в градусах;

 RW - угол поворота правого управляемого колеса в градусах.

Рисунок 3.90. Передаточные функции РУ объекта испытаний

Построение траектории движения

Для определения географического местоположения использовался

навигационный приемник GPS/GLONASS GlobalSat BU-353G, запись и обработка
данных с которого осуществлялась в среде MatLab (подпрограмма обработки
представлена в Приложении). Ниже показан пример получаемых с прибора через
интерфейс RS-232 данных, в соответствии со спецификацией NMEA 0183 [121]:
'$GNRMC,063620.000,A,5600.0245,N,03603.7542,E,68.49,96.20,211013,,,D*78
'$GNRMC,063621.000,A,5600.0226,N,03603.7880,E,68.51,95.59,211013,,,D*7B
'$GNRMC,063622.000,A,5600.0209,N,03603.8218,E,68.51,95.30,211013,,,D*7E
'$GNRMC,063623.000,A,5600.0192,N,03603.8556,E,68.50,95.04,211013,,,D*75
 207

'$GNRMC,063624.000,A,5600.0177,N,03603.8893,E,68.45,94.63,211013,,,D*79
'$GNRMC,063625.000,A,5600.0162,N,03603.9230,E,68.43,94.39,211013,,,D*77
Для анализа параметров движения автомобиля по скоростным
автомагистралям была выполнена серия экспериментальных заездов по
федеральной трассе М9, один из которых показан на Рисунке 3.91.

Рисунок 3.91. Начальная и конечная точки маршрута при сборе статистических

данных о движении по скоростной автомагистрали

В соответствии с алгоритмами обработки данных геопозиционирования

(п.3.3.1.3) была воссоздана траектория движения транспортного средства,
изображенная на Рисунке 3.92.

Рисунок 3.92. Траектория движения по автомагистрали

 208

Расчетная длина пройденного пути составила 9592,68 м, погрешность

измерения – 0,38%. На Рисунке 3.93 показано наложение построенной траектории
движения на карту местности.

Рисунок 3.93. Сравнение построенной траектории с картой местности

Обработка данных с бортовой шины HS CAN в режиме реального времени

Ниже представлен фрагмент из базы данных сообщений HS CAN автомобиля

Land Rover Discovery 3, полученной с применением методики декодирования
данных, передаваемых по бортовым мультиплексным сетям автотранспортных
средств:

BO_ 2306456240 Gearbox_position: 4 Vector__XXX

SG_ Gearbox_position : 7|8@0+(1,0) [0|140] "" Vector__XXX
BO_ 2544500704 Pedal_of_acceleration: 5 Vector__XXX
SG_ Pedal_of_acceleration : 31|8@0+(0.5,0) [0|255] "%" Vector__XXX
SG_ Kick_down : 39|8@0+(1,0) [0|252] "" Vector__XXX
BO_ 2227304112 Steering: 6 Vector__XXX
SG_ Steering_wheel_speed : 31|8@0+(3.967,0) [0|255] "deg/s" Vector__XXX
SG_ Steering_wheel_angle : 39|16@0+(-0.1,780) [0|255] "deg" Vector__XXX
BO_ 2464802464 Air_suspension: 8 Vector__XXX
SG_ Air_suspension_height_RL_wheel : 15|8@0+(1,-200) [0|255] "mm" Vector__XXX
SG_ Air_suspension_height_RR_wheel : 31|8@0+(1,-200) [0|255] "mm" Vector__XXX
SG_ Air_suspension_height_FR_wheel : 47|8@0+(1,-200) [0|255] "mm" Vector__XXX
 209

SG_ Air_suspension_height_FL_wheel : 63|8@0+(1,-200) [0|255] "mm" Vector__XXX

BO_ 2546788000 Air_suspension_position: 1 Vector__XXX
SG_ Air_suspension_position : 7|8@0+(1,0) [0|80] "" Vector__XXX
BO_ 2504325616 Wheels_speed: 8 Vector__XXX
SG_ front_right_wheel : 7|16@0+(0.01,-327.68) [0|255] "km/h" Vector__XXX
SG_ rear_left_wheel : 23|16@0+(0.01,-327.68) [0|255] "km/h" Vector__XXX
SG_ rear_right_wheel : 39|16@0+(0.01,-327.68) [0|255] "km/h" Vector__XXX
SG_ front_left_wheel : 55|16@0+(0.01,-327.68) [0|255] "km/h" Vector__XXX
BO_ 2346057200 Vehicle_speed: 6 Vector__XXX
SG_ Vehicle_speed : 39|16@0+(0.01,0) [0|255] "km/h" Vector__XXX
BO_ 2545811424 Engine_RPM: 4 Vector__XXX
SG_ Engine_RPM : 23|16@0+(1,-8192) [0|255] "RPM" Vector__XXX
BO_ 2425156080 Acceleration: 5 Vector__XXX
SG_ lateral_acceleration : 39|8@0+(0.1055,-11.5999) [0|255] "m/s^2" Vector__XXX
BO_ 2147611120 Yaw_rate: 2 Vector__XXX
SG_ Brake_pedal : 7|6@0+(1,0) [0|24] "" Vector__XXX
SG_ Omega_z : 1|10@0+(0.2,-100) [0|255] "grad/s" Vector__XXX

При выполнении дорожных тестов проводилась запись и обработка в

реальном времени в среде MatLab/Simulink с использованием пакета
VehicleNetworkToolbox параметров, получаемых с помощью декодера «NI-8473s»
с бортовой высокоскоростной шины передачи данных CAN. На Рисунке 3.94
показана структурная схема модели Simulink сбора данных с HS CAN на примере
декодирования сигнала частоты вращения коленчатого вала ДВС.
 210

Рисунок 3.94. Обработка в реальном времени сигналов с шины HS CAN

Обзор параметров движения автомобиля на скоростной автомагистрали

Для экспериментального заезда по трассе М9 протяженностью 9,6 км

приведем сравнение данных скоростей, записанных с HS CAN и приемника
спутниковой навигации (Рисунок 3.95), а также значения угла поворота РК
(Рисунок 3.96), бокового ускорения (Рисунок 3.97) и угловой скорости «рысканья»
(Рисунок 3.98) в функции времени (время выполнения заезда составляло 5 мин).
 211

Рисунок 3.95. Сравнение данных скоростей движения, записанных с HS CAN и

приемника спутниковой навигации

Рисунок 3.96. Углы поворота РК при движении по автомагистрали

 212

Рисунок 3.97. Боковое ускорение центра масс автомобиля

Рисунок 3.98. Угловая скорость «рысканья» автомобиля

 213

3.3.2.4. Оценка точности результатов моделирования

В результате применения методики уточнения параметров математической

модели на основе результатов дорожных испытаний (раздел 3.2) для автомобиля
Land Rover Discovery 3 были определены:
1) коэффициент лобового аэродинамического сопротивления cairX  0.41;
2) приведенный коэффициент сопротивления движению f 01  0.04 (для сухого
асфальта);
3) коэффициент, учитывающий увеличение сопротивления качению с ростом
скорости движения k f  5.41  10 6 ;
4) динамический коэффициент сопротивления боковому уводу
пневматической шины k y1  18729 , характеризующий изменение боковой реакции в
зависимости от вертикальной нагрузки;
5) динамический коэффициент сопротивления боковому уводу
пневматической шины k y 2  25.425 , характеризующий изменение боковой реакции
в зависимости от угла увода;
6) длина релаксации шины L y 0  0.18055 , характеризующая, в зависимости от
скорости движения, время запаздывания при нарастании боковой реакции;
7) коэффициент эллипсности окружности трения k S  0.96684 ,

характеризующий уменьшение коэффициента сцепления в поперечном

направлении по причине наличия у пневматической шины направленного рисунка
протектора.

Проведем сравнение экспериментальных данных динамического испытания

на дороге общего пользования с результатами имитационного моделирования.
Заезд выполнялся на ровном, сухом асфальтобетонном покрытии и начинался с
выруливания с обочины на полосу движения, далее следовал интенсивный разгон
и резкий вход в поворот, далее – «слалом» и торможение. Исходные данные для
моделирования и подпрограмма обработки экспериментальных данных приведены
 214

в Приложении. Ниже показаны Рисунки 3.99-3.106, отражающие управляющие

воздействия и кинематические параметры движения объекта испытаний,
полученные экспериментальным и расчетным способами.

Рисунок 3.99. Управляющие воздействия на рулевое колесо

Рисунок 3.100. Скорость движения автомобиля

 215

Рисунок 3.101. Вращение колес, моделирование и эксперимент

Рисунок 3.102. Углы увода, моделирование

 216

Рисунок 3.103. Вертикальные реакции, моделирование

Рисунок 3.104. Боковые реакции, моделирование

 217

Рисунок 3.105. Боковые ускорения, сравнение

Рисунок 3.106. Угловая скорость рысканья, сравнение

Оценим адекватность математической модели на основе статистического

анализа функций ошибок бокового ускорения и угловой скорости рысканья,
представляющих собой функции разностей экспериментальных и расчетных
значений. На Рисунке 3.107 показана функция абсолютных погрешностей бокового
ускорения, а также функция относительных погрешностей, построенная для уровня
доверительной вероятности 95%.
 218

Рисунок 3.107. Оценка погрешностей расчета бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило -0,051213 (простая выборочная дисперсия 0,14203). Для
уровня доверительной вероятности 95% максимальная относительная погрешность
расчета бокового ускорения составила 6,95%.
На Рисунке 3.108 представлена графическая интерпретация оценки точности
расчета угловой скорости рысканья.

Рисунок 3.108. Оценка погрешностей расчета угловой скорости

 219

Математическое ожидание функции абсолютной погрешности угловой

скорости составило -0,0042653 (простая выборочная дисперсия 0,00059607). Для
уровня доверительной вероятности 95% максимальная относительная погрешность
расчета угловой скорости рысканья составила 7,18%.
Отметим пригодность математической модели для описания
неустановившихся динамичных режимов движения, в т.ч. с боковыми ускорениями
более 4 м/с2.
Таким образом, испытания автомобиля Land Rover Discovery 3 подтвердили
применимость разработанных методик и адекватность математической модели.
Погрешность расчетных параметров движения автомобиля не превысила 8% при
уровне доверительной вероятности 95%.
 220

3.3.3. Дорожные испытания легкового автомобиля

(передний привод, категория М1)

3.3.3.1. Объект и программа испытаний

Объект испытаний – транспортное средство категории М1 Chevrolet Orlando

1.8 LTZ AT (KBF6) (Рисунок 3.109). Габаритные размеры и технические
характеристики приведены в Приложении. Дорожные испытания проводились на
автополигоне МАДИ, внутренней территории МАДИ и дорогах общего
пользования.

Рисунок 3.109. Объект испытаний Chevrolet Orlando

Цель испытаний – уточнение параметров математической модели

автомобиля и проверка ее адекватности, обоснование применимости
использования данных бортовых сетей.
Задачи:
- расшифровать значимые данные с бортовой шины HS CAN;
- провести дорожные испытания и сравнить данные кинематических параметров
движения с шины HS CAN и внешнего измерительного комплекса IMC/Kistler;
- определить передаточную функцию рулевого управления;
 221

- обеспечить при испытаниях запись кинематических параметров движения

автомобиля, управляющих воздействий и навигационных данных;
- уточнить параметры математической модели.

3.3.3.2. Измерительное оборудование

При подготовке и проведении испытаний использовалось следующее

измерительное оборудование:
1) автомобильные весы «Intercomp Racing SW500 E-Z Weigh Cabled Scale Systems»
(Рисунок 3.110);
2) декодер высокоскоростной шины передачи данных CAN «NI-8473s» (National
Instruments);
3) измерительная система сбора и обработки данных CS 1016 FAMOS Online (IMC)
(Рисунок 3.111);
4) блок распределения питания Small 12V Power Distributor Box (KISTLER);
5) модуль сбора данных CDS-GPS CLOGMA;
6) датчик ускорений и угловых скоростей Tri-Axial Navigational Sensor (KISTLER);
7) GPS/GLONASS приемник GlobalSat BU-353G.
 222

Рисунок 3.110. Взвешивание автомобиля Chevrolet Orlando

Рисунок 3.111. Внешний измерительный комплекс

Результаты взвешивания объекта испытаний в снаряженном состоянии:

mCoG 1894,5кг
m FL  544,5 кг
m FR  494,5кг
m RL  416,5кг
m RR  439,0кг
 223

Регистрируемые параметры при выполнении дорожных испытаний:

- время выполнения заезда;
- скорость автомобиля по данным двух спутниковых навигаций GPS/Glonass,
приемники которых были установлены посередине передней и задней оси а/м;
- три ускорения датчика Tri-Axial Navigational Sensor, размещенного в центре масс;
- три угловые скорости с датчика Tri-Axial Navigational Sensor;
- географическая широта (GPS/Glonass);
- географическая долгота (GPS/Glonass);
- географическая эллиптическая высота (GPS/Glonass);
- географический угол направления движения (GPS/Glonass);
- приведенная скорость движения автомобиля с бортовой шины HS CAN;
- боковое ускорение центра масс автомобиля (HS CAN);
- приведенная угловая скорость «рысканья» автомобиля (HS CAN);
- обороты ДВС (HS CAN);
- линейные скорости четырех колес (HS CAN);
- режимы работы автоматической трансмиссии (HS CAN);
- угол поворота рулевого колеса (HS CAN);
- положение педали акселератора (HS CAN);
- положение педали тормоза (HS CAN).

3.3.2.3. Обработка экспериментальных данных

Экспериментально-расчетное определение передаточной функции рулевого

управления
Для расчета передаточных функций рулевого управления (РУ) автомобиля
Chevrolet Orlando угол поворота рулевого колеса (РК) выставлялся по данным с
шины HS CAN, углы поворота управляемых колес и направления отчерчивались на
ровной горизонтальной поверхности (Рисунок 3.112). Результаты измерений
 224

показаны на Рисунке 3.113. Отрицательный угол поворота рулевого колеса

соответствует повороту автомобиля «направо» по ходу движения, положительный
– «налево», «левое» и «правое» управляемые колеса определяются так, как их
видит водитель, т.е. по ходу движения.

Рисунок 3.112. Экспериментальное определение передаточной функции РУ

Далее была построена усредненная общая передаточная функция РУ, на

основании которой, с применением инструмента MatLab/CurveFittingToolbox, была
получена линейная эмпирическая зависимость передаточной функции
усредненного угла поворота управляемых колес:
 W  0,06928   S , (3.80)
где:
 W - усредненный угол поворота управляемых колес в градусах;

 S - угол поворота РК в градусах.

Рисунок 3.113. Аппроксимация общей передаточной функции РУ

 225

Таким образом, общее передаточное число РУ составило примерно 14,43.

Критерии пригодности приближения аппроксимационной функции следующие:
сумма квадратов ошибок (SSE) – 4,181; квадрат смешанной корреляции (R-square)
– 0,9992; уточненный R-квадрат (Adjusted R-square) – 0,9992; корень из среднего
для квадрата ошибки (RMSE) – 0,6165.
Для применения передаточных функций РУ левого и правого колес в
математической модели использовались массивы экспериментальных данных, из
которых, методом линейной интерполяции (для ускорения расчетов), по углу
поворота РК определялись индивидуальные углы поворота управляемых колес (см.
Приложение).

Построение траектории движения

Построение траектории движения по данным спутниковой навигации

осуществлялось в соответствии с описанной в подразделе 3.3.2.3 методикой.
Построение траектории по данным кинематических параметров движения
(экспериментальных или расчетных) выполнялось по методике, описанной в
подразделе 3.1 (подпрограмма визуализации приведена в Приложении).
На Рисунке 3.114 показан пример визуализации движения
экспериментального автомобиля по внутренней территории МАДИ.

Рисунок 3.114. Расчетная траектория движения

 226

Обработка данных с бортовой шины HS CAN в режиме реального времени

Ниже представлен фрагмент из базы данных сообщений HS CAN автомобиля

Chevrolet Orlando, полученной с применением методики декодирования данных,
передаваемых по бортовым мультиплексным сетям автотранспортных средств:

BO_ 201 Pedals_and_RPM: 5 Vector__XXX

SG_ Accel_pedal : 39|8@0+(0.392157,0) [0|255] "%" Vector__XXX
SG_ Engine_RPM : 15|16@0+(0.25,0) [0|255] "RPM" Vector__XXX
BO_ 485 Steering: 7 Vector__XXX
SG_ Steer_wheel_angle_1 : 14|15@0-(0.0625,0) [-16383|16383] "grad" Vector__XXX
SG_ Steer_wheel_angle_2 : 46|15@0-(0.0625,0) [0|32767] "grad" Vector__XXX
BO_ 840 Wheels_front: 4 Vector__XXX
SG_ Front_left_wheel : 7|16@0+(0.0305,0) [0|255] "km/h" Vector__XXX
SG_ Front_right_wheel : 23|16@0+(0.0305,0) [0|255] "km/h" Vector__XXX
BO_ 842 Wheels_rear: 4 Vector__XXX
SG_ Rear_left_wheel : 7|16@0+(0.0305,0) [0|255] "km/h" Vector__XXX
SG_ Rear_right_wheel : 23|16@0+(0.0305,0) [0|255] "km/h" Vector__XXX
BO_ 241 Brakes: 2 Vector__XXX
SG_ Brake_pedal : 15|8@0+(0.392157,0) [0|255] "%" Vector__XXX
BO_ 249 Speed: 5 Vector__XXX
SG_ Vehicle_speed : 31|16@0+(0.03,0) [0|255] "km/h" Vector__XXX
BO_ 489 Vehicle_dynamics: 6 Vector__XXX
SG_ omega_z : 35|12@0-(0.0625,0) [-2047|2047] "grad/s" Vector__XXX
SG_ ay : 3|12@0-(0.0161,0) [-2047|2047] "m/s2" Vector__XXX
BO_ 501 Gearbox: 4 Vector__XXX
SG_ Gearbox_position : 31|8@0+(1,0) [0|4] "" Vector__XXX
 227

3.3.3.4. Оценка точности результатов моделирования

В результате применения методики уточнения параметров математической

модели на основе результатов дорожных испытаний (раздел 3.2) для автомобиля
Chevrolet Orlando были определены:
1) коэффициент лобового аэродинамического сопротивления cairX  0.32 ;
2) приведенный коэффициент сопротивления движению f 01  0.03 (для сухого
асфальта);
3) коэффициент, учитывающий увеличение сопротивления качению с ростом
скорости движения k f  5.29  10 6 ;
4) динамический коэффициент сопротивления боковому уводу
пневматической шины k y1  13808 , характеризующий изменение боковой реакции в
зависимости от вертикальной нагрузки;
5) динамический коэффициент сопротивления боковому уводу
пневматической шины k y 2  20.376 , характеризующий изменение боковой реакции
в зависимости от угла увода;
6) длина релаксации шины L y 0  0.35771 , характеризующая, в зависимости от
скорости движения, время запаздывания при нарастании боковой реакции;
7) коэффициент эллипсности окружности трения k S  0.98203 ,

характеризующий уменьшение коэффициента сцепления в поперечном

направлении по причине наличия у пневматической шины направленного рисунка
протектора.

Проведем сравнение экспериментальных данных динамичного испытания на

дороге общего пользования с результатами имитационного моделирования. Заезд
выполнялся на ровном, сухом асфальтобетонном покрытии на внутренней
территории МАДИ. Исходные данные для моделирования и подпрограмма
обработки экспериментальных данных приведены в Приложении. Ниже показаны
Рисунки 3.115-3.122, отражающие управляющие воздействия и кинематические
 228

параметры движения объекта испытаний, полученные экспериментальным и

расчетным способами.

Рисунок 3.115. Углы поворота управляемых колес

Рисунок 3.116. Скорость движения автомобиля

 229

Рисунок 3.117. Вращение колес, моделирование и эксперимент

Рисунок 3.118. Углы увода, моделирование

 230

Рисунок 3.119. Вертикальные реакции, моделирование

Рисунок 3.120. Боковые реакции, моделирование

 231

Рисунок 3.121. Боковые ускорения, сравнение

Рисунок 3.122. Угловая скорость рысканья, сравнение

Оценим адекватность математической модели на основе статистического

анализа функций ошибок бокового ускорения и угловой скорости рысканья,
представляющих собой функции разностей экспериментальных и расчетных
значений. На Рисунке 3.123 показана функция абсолютных погрешностей бокового
ускорения, а также функция относительных погрешностей, построенная для уровня
доверительной вероятности 95%.
 232

Рисунок 3.123. Оценка погрешностей расчета бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило -0,014426 (простая выборочная дисперсия 0,25411). Для
уровня доверительной вероятности 95% максимальная относительная погрешность
расчета бокового ускорения составила 4,95%.
На Рисунке 3.124 представлена графическая интерпретация оценки точности
расчета угловой скорости рысканья.

Рисунок 3.124. Оценка погрешностей расчета угловой скорости

 233

Математическое ожидание функции абсолютной погрешности угловой

скорости составило -0,0058727 (простая выборочная дисперсия 0,0018357). Для
уровня доверительной вероятности 95% максимальная относительная погрешность
расчета угловой скорости рысканья составила 4,79%.
Отметим пригодность математической модели для описания
неустановившихся динамичных режимов движения, в т.ч. с боковыми ускорениями
более 4 м/с2.
Таким образом, испытания автомобиля Chevrolet Orlando подтвердили
применимость разработанных методик и адекватность математической модели.
Погрешность расчетных параметров движения автомобиля не превысила 5% при
уровне доверительной вероятности 95%.
 234

3.4. Математическая модель расчета закона управления рулевым колесом

при движении по заданной траектории

При движении автономного АТС по заданной траектории одной из важных

задач является определение управляющих воздействий, в частности на систему
рулевого управления [143]. Для исследования особенностей управления
автомобиля был проведен эксперимент, в рамках которого микроавтобус ГАЗ-
322132 выполнял стандартный маневр «Переставка Sп=20» (ГОСТ 31507-2012
[139], взамен ГОСТ Р 52302-2004) с разной скоростью движения. В результате
автомобиль двигался примерно по одной и той же траектории, но с разными
управляющими воздействиями на рулевое колесо [144]. На Рисунке 3.125 показаны
графики угла поворота рулевого колеса в функции пройденного пути для разных
скоростей движения.

Рисунок 3.125. Движение автомобиля по фиксированной траектории

Таким образом, можно констатировать, что с увеличением скорости

движения автомобиля для прохождения одной и той же фиксированной траектории
будет происходить уменьшение амплитуды угла поворота рулевого колеса и
фазовый сдвиг в сторону опережения.
 235

Угол поворота управляемых колес в зависимости от кинематических

параметров движения автомобиля может быть рассчитан, например, по следующей
зависимости [145]:
l V2  lR lF 
W   mCoG  CoG   , (3.81)
R R lK l  K y0R 
 y0F 

где:
 W - угол поворота управляемых колес;

l - колесная база;
R - радиус поворота (соответственно R 1 - кривизна траектории);

K y 0 F - коэффициент сопротивления боковому уводу передней оси;

K y 0 R - коэффициент сопротивления боковому уводу задней оси.

В иностранной литературе [65] при описании принципов работы системы

динамической стабилизации [132] встречается зависимость, из которой может быть
выражен угол поворота управляемых колес:
VCoGX 1
   W  2
l V 
1   CoGX 
 Vch 

 V 
2

  l  1   CoGX  
  Vch  
W   , (3.82)
VCoGX

где:
Vch - характеристическая скорость автомобиля, т.е. параметр, в котором обобщены

геометрические и физические свойства автомобиля.

Проведенные испытания показали, что формула (3.4.1) начинает показывать
приемлемые результаты, если заменить коэффициенты K y 0 F и K y 0 R на функции
скорости (см. Рисунок 3.126) и при том, что как и формула (3.82), такие расчеты
могут описывать только установившиеся режимы движения. Сравнительные
расчеты угла поворота управляемых колес по разработанной методике и по
 236

формуле (3.82) будут показаны далее, формула (3.82) будет обозначена на графиках
как «формула Bosch».

Рисунок 3.126. Зависимости коэффициентов сопротивления боковому уводу

«приведенных» шин [70] от скорости движения

Учитывая особенности моделирования динамики движения автомобиля при

неустановившихся режимах движения, изложенные в разделе 3.1, сформулируем
последовательность расчета угла поворота управляемых колес (Рисунок 3.127),
считая, что известными параметрами являются траектория движения,
представляющая собой массив из географических координат долготы, широты и
времени, а также угол дрейфа, записанные и рассчитанные по ранее проведенным
испытаниям. Подпрограмма, рассчитывающая угол поворота управляемых колес
при движении по заданной траектории, представлена в Приложении.
На Рисунках 3.128 и 3.129 показаны сравнения записанных при полигонных
испытаниях усредненных углов поворота управляемых колес с рассчитанными по
разработанной методике (Рисунок 3.127) и по формуле (3.82).
 237

Угол ориентации Угол ориентации

Исходные Расчет скорсти
вектора скорости продольной оси
данные [t,x,y,β] ЦМ [t,VCoG]
[t,(ψ+β)] а/м [t,ψ]

Угловая скорость Кривизна Угол увода Ускорения ЦМ

[t,dψ/dt] траектории [t,R-1] задней оси [t,αR] [t,ax,ay]

Динамическая Угол увода Угол поворота

Боковые усилия
развесовка по передней оси управляемых
на осях [t,FYF,FYR]
осям [t,FZF,FZR] [t,αF] колес [t,δW]

Рисунок 3.127. Последовательность расчета угла поворота управляемых колес при

движении по заданной траектории

Рисунок 3.128. Микроавтобус ГАЗ-322132, «Переставка Sп=20», скорость 48 км/ч

Визуально заметно, что расчет угла поворота управляемых колес по

предлагаемой методике хорошо повторяет экспериментальные данные, совпадая и
по фазе, и по амплитуде воздействий.
 238

Рисунок 3.129. Микроавтобус ГАЗ-322132, «Змейка, 18м», скорость 37 км/ч

Для испытания с Рисунка 3.129 максимальные боковые ускорения были

порядка 5,5 м/с2. Сравнение расчетных и экспериментальных боковых сил,
действующих на автомобиль, показано на Рисунке 3.130. Как и ожидалось,
формулу (3.82), справедливую только для установившихся режимов движения, не
правомерно применять при решении задач автоматизации управляемого движения
автомобиля. Таким образом, предложенная методика может использоваться в
предикторной системе управления автономного КТС.

Рисунок 3.130. Микроавтобус ГАЗ-322132, «Змейка, 18м», скорость 37 км/ч

 239

3.5. Экспериментально-расчетная методика определения типа опорного

покрытия в режиме реального времени

Как отмечалось ранее в описании концепции создания систем управления

движением автономных колесных транспортных средств, интегрированных в
интеллектуальную среду, крайне важными параметрами, хранящимися в
подробной навигационной карте облачного сервиса, являются характеристики
сцепления (типы) и состояния (ровность) дорожного полотна. Обновление
рассматриваемых данных будет осуществляться с применением
специализированных дорожных машин, а также других участников движения через
динамические сети ИТС.
В рамках настоящего исследования была разработана и опробована на
практике упрощенная методика определения в режиме реального времени типа
опорного покрытия под колесами автомобиля, опубликованная ранее в статьях
[146-148]. Приведем краткое описание.
В качестве расчетной была принята «велосипедная» схема, в которой
скорости переднего и заднего колес равнялись среднему арифметическому
скоростей колес передней и задней оси соответственно:
v1  v 2
vf  (3.83)
2
v3  v 4
vr  , (3.84)
2
где:
v f - средняя арифметическая скорость колес передней оси;

v r - средняя арифметическая скорость колес задней оси.

Коэффициент относительного проскальзывания в продольном направлении

(sх) с учетом только прямолинейного движения и тягового режима, а также того
обстоятельства, что объектом испытаний являлся переднеприводный автомобиль,
рассчитывался следующим образом:
 240

 f  rd  va v f  vr
sx   , (3.85)
va vr

где:
 f - усредненная угловая скорость вращения передних колес;

rd - динамический радиус качения колеса.

Уравнение движения автомобиля по прямолинейной траектории в тяговом

режиме, без учета уклона дорожного полотна, выглядит следующим образом:
mCoG  xCoG  FT  FK  Fa , (3.86)
где:
mCoG - масса автомобиля;

xCoG - линейное ускорение центра масс автомобиля в продольном направлении;

FT - суммарная тяговая сила;

FK - суммарная сила сопротивления качению;

Fa - сила аэродинамического сопротивления.

Суммарная тяговая сила, в свою очередь, может быть рассчитана по формуле:

FT   x  md  g , (3.87)
где:
 x - реализуемый в настоящий момент времени коэффициент сцепления в

продольном направлении;
md  g - сцепной вес автомобиля (изменяется в динамике и рассчитывается по

зависимостям (3.1.39)).
Уточняя зависимости, входящие в состав уравнения (3.5.4), получим:

mCoG  xCoG   x  md  g  f 01  k f  xCoG
2

 mCoG  g  0.5  cairX  AL    xCoG
2
(3.88)
И выразим коэффициент сцепления в продольном направлении, реализуемый
в настоящий момент времени:
 x  (mCoG  xCoG   f 01  k f  xCoG
2
 mCoG  g  0.5  cairX  AL    xCoG
2
) /( md  g ) (3.89)
Для проверки справедливости изложенных положений был спланирован,
подготовлен и проведен натурный эксперимент с использованием следующего
 241

объекта испытаний – транспортного средства категории М1 – Chevrolet Orlando 1.8

LT AT 2012 года выпуска, оснащенного системой сбора и записи данных с
бортовой высокоскоростной шины CAN передачи данных.
Ускорение центра масс автомобиля в продольном направлении определялось
методом численного дифференцирования показаний приведенной скорости
движения.
При проведении эксперимента использовались следующие данные с CAN
шины:
- приведенная скорость движения автомобиля;
- линейные скорости четырех колес;
- угол поворота рулевого колеса;
- положение педали акселератора;
- положение педали тормоза.
Поскольку расчеты проводились только для прямолинейного движения,
были введены следующие условия выполнения расчетов:
- минимальная скорость движения автомобиля – 10 км/ч;
- углы поворота рулевого колеса – в пределах ±5 градусов.
Еще одним условием для расчетов являлся тяговый режим, поэтому расчеты
не проводились при нажатии на педаль тормоза и при отсутствии факта нажатия на
педаль газа.
Испытания проводились в условиях движения в городской среде со
скоростями, не превышающими 80 км/ч. Результаты расчетов фактических
коэффициентов сцепления в продольном направлении и коэффициентов
относительного проскальзывания для одного из ездовых циклов представлены на
Рисунке 3.131.
 242

Рисунок 3.131. Результаты экспериментальных расчетов µx и sx

Для дальнейшего анализа была проведена аппроксимация

экспериментальной µx-sx кривой и выполнено сопоставление с теоретическими
характеристиками для определения, по углу наклона линейной зоны, типа
дорожного покрытия, находящегося в настоящее время под колесами автомобиля.
Результат сопоставления фактической экспериментально-расчетной
характеристики с теоретическими показан на Рисунке 3.132.

Рисунок 3.132. Расчетная µx-sx характеристика, совмещенная с теоретическими

 243

По проведенному испытанию не представилось возможным точно

установить, по какому типу дорожного покрытия двигался автомобиля, т.к.
полученная µx-sx характеристика совпала с линейными зонами теоретических
характеристик, соответствующих движению по сухому асфальту, мокрому
асфальту или сухому бетону. В действительности эксперимент проводился на
мокром асфальте. В любом случае, было получено экспериментальное
подтверждение реализуемости предлагаемого подхода по определению в режиме
реального времени типа опорного покрытия под колесами автомобиля.
Предложенная методика далее может быть усовершенствована за счет
исключения принятых допущений (рассмотрение криволинейного движения –
раздел 3.1), а также за счет оценки рассматриваемой характеристики и для процесса
торможения.

3.6. Адаптация математической модели управляемого движения для

использования в составе предикторной системы управления

Модуль автономного вождения на основе траектории движения (расчетной

или задаваемой) с помощью подробной математической модели движения
формирует управляющие сигналы на модуль управления системами автомобиля и
отслеживает отклонения фактической траектории от расчетной, вводя поправки в
расчетную модель. Из имитационной модели движения автомобиля, описанной в
разделах 3.1 и 3.2 формируется исполняемый код, входными параметрами для
которого являются:
1) дискретный набор параметров движения за последнюю 1 секунду по
настоящий момент времени включительно (скорость автомобиля, угол поворота
руля, продольное и боковое ускорения, скорость рысканья, координаты положения
центра масс);
 244

2) прогнозируемые функции нарастания/убывания управляющих

воздействий во времени (процент нажатия на педаль газа, на педаль тормоза, угол
поворота рулевого колеса);
3) тип опорной поверхности под каждым колесом в текущий и
прогнозируемые моменты времени (данные, получаемые из интеллектуальной
транспортной среды);
4) адаптируемые в процессе движения коэффициенты модели, уточняемые на
основе постоянного анализа связи управляющих воздействий и кинематических
параметров движения автомобиля.
Исследования показали, что время одного расчета прогнозируемой
траектории движения на 5 секунд вперед (процессор i7, среда Win7, ОЗУ 16Гб)
составляет примерно 0,05 с. В действительности в экспериментальном автомобиле
(п.5.2) применялись многомерные массивы заранее рассчитанных траекторий.
Исполнительная программа модуля автономного вождения рассчитывает
прогнозируемую траекторию движения, которая далее сравнивается с желаемой и,
в случае не совпадения, меняются функции управляющих воздействий и расчет
повторяется до тех пор, пока траектории не совпадут с доверительной точностью,
после чего рассчитанные управляющие воздействия передаются в модуль
управления системами автомобиля. Подбор функций изменения управляющих
воздействий осуществляется инструментарием нечеткой логики (fuzzy logic) [79,
149].
Отличительной особенностью разработанной предикторной системы
управления является отказ от рассмотрения отдельно продольной и боковой
динамики движения автомобиля [150, 151] и использование оригинальной
математической модели, описывающей неустановившиеся режимы движения и
режимы движения с высокими скоростями.
Результаты функционирования разработанной системы прогнозирования
траектории движения экспериментального автономного колесного транспортного
средства приведены в разделе 5.2.
 245

3.7. Выводы по главе 3

1. Разработана комплексная математическая модель расчета динамики движения

автомобиля, подробно описывающая неустановившиеся, а также режимы
движения с высокими скоростями на разных типах опорных поверхностей.
2. Предложена аналитическая зависимость для расчета силы взаимодействия
пневматической шины с опорной поверхностью в боковом направлении:
FSij   FZij  

VW
  k red ,ij  1    FZij  arctan k y 2   (t )   FSij 
t Ly0   k y1  
  
3. Разработана и применена на практике методика уточнения параметров
математической модели на основе анализа результатов дорожных испытаний,
позволяющая для каждого автомобиля определить:
- коэффициент лобового аэродинамического сопротивления cairX ;
- приведенный коэффициент сопротивления движению f 01 ;
- коэффициент, учитывающий увеличение сопротивления качению с ростом
скорости движения k f ;
- динамический коэффициент сопротивления боковому уводу пневматической
шины k y1 , характеризующий изменение боковой реакции в зависимости от
вертикальной нагрузки;
- динамический коэффициент сопротивления боковому уводу пневматической
шины k y 2 , характеризующий изменение боковой реакции в зависимости от угла
увода;
- длину релаксации пневматической шины Ly0 , характеризующую, в
зависимости от скорости движения, время запаздывания при нарастании боковой
реакции;
- коэффициент эллипсности окружности трения kS , характеризующий
уменьшение коэффициента сцепления в поперечном направлении.
 246

4. Спланированы, подготовлены и проведены дорожные испытания трех

автотранспортных средств (ГАЗ-322132, Land Rover Discovery 3, Chevrolet Orlando)
на автополигоне МАДИ и дорогах общего пользования.
5. Проведена проверка адекватности разработанной математической модели путем
сопоставления результатов дорожных испытаний с результатами имитационного
моделирования и статистического анализа функций ошибок. Погрешность
расчетных параметров движения не превысила 8% при уровне доверительной
вероятности 95%.
6. Разработана и подтверждена экспериментально методика ускоренного расчета
закона управления рулевым колесом при движении по заданной траектории.
7. Проведена адаптация разработанной математической модели управляемого
движения для использования в составе системы автономного вождения.
 247

ГЛАВА 4. МЕТОДЫ ИНТЕГРАЦИИ АВТОНОМНЫХ КОЛЕСНЫХ

ТРАНСПОРТНЫХ СРЕДСТВ В ИНТЕЛЛЕКТУАЛЬНУЮ
ТРАНСПОРТНУЮ СРЕДУ

При создании системы автономного вождения для многих подсистем (п.2.2,

п.2.4) требуется организация постоянного проведения множественных измерений,
большинство из которых может быть выполнено посредством штатных
инструментальных средств. Такой подход экономически целесообразен как при
создании новых автономных колесных транспортных средств, так и при
переоснащении автомобилей, находящихся в эксплуатации.
В настоящей главе раскрывается методология организации потока передачи
данных между бортовой мультиплексной сетью и сетью системы автономного
вождения (п.2.3), а также динамической беспроводной сетью интеллектуальных
транспортных систем.

4.1. Декодирование данных, передаваемых по бортовым сетям современных

колесных транспортных средств

Практически все производимые в настоящее время транспортные средства

категорий M и N [152] оборудуются бортовыми шинами передачи данных, самая
распространенная из которых – шина CAN [107]. Для транспортных средств
категорий N1, N2, N3, M3 и T применяется единый формат кодировок,
передаваемых по шине CAN параметров, описанный в стандарте SAE J1939-71
[153]. Среди европейских производителей грузовой техники разработан
унифицированный протокол передачи данных (стандарт FMS [154]) и
устанавливается единый разъем для подключения цифровых тахографов, который
также может использоваться и для работы внешнего оборудования. Ситуация с
транспортными средствами категорий M1 и M2 обстоит иначе. Основная проблема
при работе с шиной CAN современных легковых автомобилей и микроавтобусов
 248

(категории M1 и M2) заключается в том, что базы данных декодирования CAN

сообщений у всех автопроизводителей индивидуальные и, более того, они
отличаются даже для разных моделей автомобилей одного и того же
автопроизводителя и относятся к строго охраняемой, конфиденциальной
информации [108]. Автопроизводители объясняют данное обстоятельство
дополнительной степенью защиты рассматриваемых автомобилей от угонов.
Ассоциация автомобильных инженеров (SAE) определила три основных
класса шины CAN:
1) протокол класса А – самый медленный, обеспечивает скорость передачи данных
до 10,4 Кбит/с, описан в серии стандартов ISO-9141;
2) протокол класса В – поддерживает обмен сообщениями со скоростью до 125
Кбит/с, описан в серии стандартов SAE-J1850 [155];
3) протокол класса С – обеспечивает скорость до 1 Мбит/с, в настоящее время
самый широко используемый, описан в серии стандартов ISO 15765 [156].
Основные актуальные на данный момент времени международные стандарты
по шинам CAN и системе бортовой диагностики следующие: ISO 15765-1:2011, ISO
15765-2:2011, ISO 15765-3:2004, ISO 15765-4:2011, ISO 11898-1:2003, ISO 11898-
2:2003, ISO 11898-3:2006, ISO 11898-4:2004, ISO 11898-5:2007, ISO 11898-
1:2003/Cor 1:2006, ISO 11898-3:2006/Cor 1:2006, ISO 14229-1:2006, ISO 15031-
5:2011, SAE J1939, SAE J1939-01, SAE J1939-02, SAE J1939-03, SAE J1939-05, SAE
J1939-11, SAE J1939-13, SAE J1939-15, SAE J1939-21 [157], SAE J1939-31, SAE
J1939-71, SAE J1939-73, SAE J1939-74, SAE J1939-75, SAE J1939-81 [158], SAE
J1939-82, SAE J1939-84.
Для понимания структуры передаваемых по мультиплексным бортовым
сетям CAN данных приведем общий вид сообщения CAN (CAN frame),
описываемый в стандарте ISO 11898-1 [161] (Рисунок 4.1).

Рисунок 4.1. Общая структура CAN сообщения

 249

Где:
SOF (start-of-frame) bit – индикатор начала CAN сообщения;
Arbitration ID – идентификатор CAN сообщения, определяющий его
приоритетность (существуют 2 разных формата сообщений: с 11-битным
идентификатором или 29-битным, так называемым «расширенным»
идентификатором);
IDE (identifier extension) bit – позволяет определить формат используемого
идентификатора CAN сообщения;
RTR (remote transmission request) bit – индикатор, отличающий сообщение запроса
(«логический 0») от CAN сообщения с передаваемыми данными («логическая 1»);
DLC (data length code) – определяет количество передаваемых байт данных;
Data Field – поле, содержащее от 0 до 8 байт передаваемых данных;
CRC (cyclic redundancy check) – поле, состоящее из 15 бит контрольной суммы и 1
рецессивного бита-разделителя (поле CRC используется для определения ошибок
в передаче данных);
ACK (ACKnowledgement) slot – электронный блок управления (ЭБУ), успешно
принявший необходимое для его работы CAN сообщение, посылает в конце
данного сообщения ACK бит и, в таком случае, передающий ЭБУ получает
подтверждение об успешной доставке сообщения, в противном случае, повторяет
трансляцию.
Итак, основными интересующими нас частями CAN сообщения являются
поля с идентификатором и непосредственно данными.
Для каждого CAN сообщения существуют правила конвертации
содержащихся в поле данных (Data Field) байт в инженерные единицы. Правила
для всех CAN сообщений соединены в общую базу данных декодирования CAN
сообщений конкретного автомобиля. Информация, необходимая для
декодирования CAN сообщения:
- идентификатор сообщения;
- номер первого бита и количество бит для конкретного сигнала в поле
данных;
 250

- тип нумерации бит в поле данных сообщений (слева направо или справа
налево – соответственно формат Intel или Motorola);
- тип сигнала (число, показатель и т.д.);
- коэффициент пересчета (scaling factor) и параметр смещения (offset);
- единица измерений;
- диапазон измерений;
- значение по умолчанию;
- комментарии.
На Рисунке 4.2 показан пример конвертации изначально абстрактных байт
поля данных CAN сообщения с идентификатором 0х10 (шестнадцатеричный
формат) в инженерные значения.

Рисунок 4.2. Пример декодирования CAN сообщения

На Рисунке 4.3 показан пример трафика высокоскоростной шины CAN

реального автомобиля Land Rover Discovery 3 (в архитектуре сети применены 29-
битные идентификаторы). Как отмечалось выше, при отсутствии базы
декодирования (так называемого, dbc-файла) с бортовой сети можно подчерпнуть
только минимальный набор данных, посредством стандартных запросов.
 251

Рисунок 4.3. Трафик высокоскоростной шины CAN а/м Land Rover Discovery 3

Отметим принципиальный момент: данные по CAN шине любого

транспортного средства можно получать двумя способами:
1) Первый способ – считывая в «пассивном» режиме все сообщения, проходящие
по шине и фильтруя необходимые сообщения по идентификаторам (при этом
дополнительная нагрузка на CAN шину не создается, могут быть получены данные
динамики движения, данные о всех управляющих воздействиях на автомобиль,
данные температуры окружающей среды и другие, в зависимости от оснащенности
рассматриваемого автомобиля, пример декодированных данных при выполнении
кругового движения в городской среде показан на Рисунке 4.4). К примеру,
параметр приведенной скорости движения рассматриваемого автомобиля
транслируется с интервалом дискретизации 20 мс (50 Гц);
 252

Рисунок 4.4. Декодированные данные высокоскоростной шины CAN а/м Land

Rover Discovery 3 (скорость а/м, угол поворота рулевого колеса, угловая скорость
относительно главной вертикальной оси, боковое ускорение центра масс а/м)

2) Второй способ – посылая специальные запросы в шину (например,

диагностические запросы по стандарту OBD-II) и получая ответные сообщения.
Отметим, что диагностические запросы имеют меньший приоритет и
соответственно больший интервал дискретизации получаемых данных. На Рисунке
4.5 показана отправка диагностического запроса на получение от ЭБУ ДВС
параметра оборотов двигателя. К примеру, тот же параметр приведенной скорости
движения рассматриваемого транспортного средства можно получать, отправляя
диагностические запросы с идентификатором «18DB33F1» [160] и данными
запроса «02 01 0D 55 55 55 55 55» [163] (шестнадцатеричный формат), получая в
ответ от ЭБУ ДВС сообщение «18DAF110» со значением скорости автомобиля
(км/ч) в байте №4 пакета данных (формат нумерации байт «Motorola»), однако, в
таком случае интервал дискретизации данных будет составлять уже примерно 160
мс (6,25 Гц), и все это при том, что создается дополнительная нагрузка на шину
CAN.
 253

Рисунок 4.5. Отправка диагностических запросов в CAN шину

Учитывая вышеизложенное, можно констатировать, что при интеграции

внешнего оборудования в бортовую мультиплексную шину передачи данных CAN
приоритетным способом коммуникации является способ считывания параметров в
«пассивном» режиме (первый способ), для которого необходима база
декодирования, создать которую можно с применением разработанной методики.

Методика декодирования данных, передаваемых по бортовым мультиплексным

сетям автотранспортных средств

Используемое аппаратное и программное обеспечение:

- декодер CAN шины «NI-8473s» (National Instruments);
- специализированный декодер автомобильных сетей передачи данных «neoVI
FIRE» (Intrepid Control Systems);
- разветвитель OBD-II разъема универсальный;
 254

- программное обеспечение «Vehicle Spy3 Professional»;

- программный комплекс MatLab с модулями Simulink, Vehicle Network Toolbox,
Curve Fitting Toolbox;
- высокопроизводительный ноутбук, дилерское диагностическое оборудование;
- навигационный приемник Глонасс/GPS.

При расшифровке CAN сообщений будем иметь в виду, что сообщения с

более высоким приоритетом (меньшим абсолютным значением идентификатора)
появляются в сети чаще (меньше шаг дискретизации сигнала) и относятся к
сигналам основных ЭБУ, таких как ЭБУ ДВС, АБС, АКП, SRS и пр. Очевидно, что
сообщения от ЭБУ климат-контроля и других будут появляться в
высокоскоростной шине реже, либо вовсе будут присутствовать только в
среднескоростной шине CAN, либо в других сетях.
Метод №1 подключения к CAN шине автомобиля:
- к диагностическому разъему подключается универсальный декодер «neoVI
FIRE», к которому в свою очередь, через USB-разъем подключается ноутбук,
декодирование сигналов проводится в программе «Vehicle Spy3 Professional». При
таком подключении ноутбук начинает выполнять функцию ЭБУ автомобиля, при
этом имеется возможность как работы в пассивном режиме считывания всех
сообщений, так и в режиме трансляции в шину CAN сообщений с
диагностическими запросами. Метод является универсальным и подходит для
декодирования сообщений CAN трафика любого автомобиля.
Метод №2 подключения к CAN шине автомобиля:
- к диагностическому разъему подключается универсальный разветвитель OBD-II
разъема, к одному концу которого подключается декодер «neoVI FIRE», к которому
в свою очередь, через USB-разъем подключается ноутбук, а ко второму разъему
разветвителя подключается оригинальное дилерское диагностическое
оборудование. Таким образом, становится возможным выявление специфических
заводских запросов на программирование и управление электронными системами
автомобиля [108].
 255

Определим алгоритмы действий для декодирования CAN сообщений,

соответствующие следующим режимам (состояниям) автомобиля:
Режим №1. Зажигание включено, ДВС не заведен. Таким образом, мы
получаем минимальный трафик в CAN шине, что упрощает процесс поиска
нужных сообщений. Оказывая воздействия на органы управления автомобиля
(педаль акселератора, педаль тормоза, рулевое колесо, селектор передач и пр.)
фиксируем изменения в трафике CAN шины и помечаем интересующие
идентификаторы сообщений. Идентифицировав изменяющиеся биты в пакетах
создаем правила конвертации получаемых значений в инженерные. К примеру, для
педали акселератора можно зафиксировать два значения CAN, соответствующие
отпущенной педали (процент нажатия 0) и полностью выжатой (100%), исходя из
чего высчитать масштабный коэффициент (scaling factor) и параметр смещения
(offset), необходимые для базы данных декодирования. Этим же способом можно
пометить для дальнейшего декодирования идентификаторы и примерные
диапазоны бит в пакете следующих параметров: угол поворота и скорость поворота
рулевого колеса (покачиванием руля); боковое ускорение (раскачиванием кузова в
поперечном направлении); показания датчиков высоты пневматической системы
подрессоривания (раскачивание кузова) и другие. Для дальнейшего
декодирования, например, сигнала угла положения и скорости вращения рулевого
колеса переходим к режиму №2.
Режим №2. ДВС заведен, декодер «neoVI FIRE» работает в пассивном
режиме. Примерно на порядок увеличивается количество сообщений в шине,
продолжаем исследовать сообщения с помеченными ранее идентификаторами. Для
декодирования, к примеру, положения рулевого колеса записываем значения с
шины CAN, соответствующие углам поворота РК на 0º, ±90º, ±180º, ±270º и т.д.
Результат линейной аппроксимации показан на Рисунке 4.6.
 256

Рисунок 4.6. Декодирование сигнала положения рулевого колеса

Ниже приведены результаты определения масштабного коэффициента и

параметра смещения в MatLab с использованием Curve Fitting Toolbox (получен
масштабный коэффициент «-0,1» и параметр смещения «780», единица измерения
«град»):
%% Декодирование CAN сигнала положения рулевого колеса
% (CAN ID x4C1F6B0, start byte 5, lenght 2 bytes)
fact_steer = [-540,-450,-360,-270,-180,-90,0,90,180,270,360,450,540];
can_signal = [13200,12302,11409,10500,9603,8698,7803,6901,6015,5093,...
4196,3298,2408];
%% Результат Curve Fitting Toolbox при округлении коэффициентов p1 и p2
%Linear model Poly2:
% f(x) = p1*x + p2
%Coefficients (with 95% confidence bounds):
% p1 = -0.1
% p2 = 780
%Goodness of fit:
% SSE: 4.66
% R-square: 1
% Adjusted R-square: 1
% RMSE: 0.5987

Для декодирования сигнала скорости вращения рулевого колеса произведем

запись трафика CAN шины за момент времени, в течение которого будем на
заведенном автомобиле на месте вращать рулевым колесом в разные стороны с
разной интенсивностью. Записанные данные далее импортируются в среду MatLab,
 257

по определенным ранее коэффициентам получаем дискретную функцию

зависимости угла поворота РК от времени, интерполируем дискретный ряд данных,
проводим численное дифференцирование и, аналогично предыдущему способу с
использованием Curve Fitting Toolbox, определяем неизвестные коэффициенты
(Рисунок 4.7).

Рисунок 4.7. Декодирование сигнала CAN скорости вращения РК

Программная реализация определения масштабного коэффициента и

параметра смещения в MatLab с использованием Curve Fitting Toolbox (получен
масштабный коэффициент «3,967» и параметр смещения «0», единица измерения
«град/с»):
%% Декодирование данных скорости вращения рулевого колеса, полученных с CAN
шины а/м LR3
time_x=data(1:36472,1);
steer_wheel_speed_0=data(1:36472,2);
steer_wheel_angle_0=data(1:36472,3);
% Интерполируем временные ряды данных:
steer_wheel_speed=interp1(time_x,steer_wheel_speed_0,time_x,'spline');
steer_wheel_angle=interp1(time_x,steer_wheel_angle_0,time_x,'spline');
% Дифференцируем угол поворота рулевого колеса по времени:
steer_wheel_speed_calc=diff(steer_wheel_angle)./diff(time_x);
steer_wheel_speed_calc_abs=abs(steer_wheel_speed_calc);
time_x_minus1=data(1:36471,1);
steer_wheel_speed_minus1=steer_wheel_speed(1:36471);
% Принимаем линейную зависимость параметра скорости поворта РК от сигнала
скорости поворота РК общего трафика CAN-шины
% steer_wheel_speed_abs = k1*steer_wheel_speed_CAN =
 258

% = steer_wheel_speed_calc_abs
% Результат Curve Fitting Toolbox при определении значения коэффициента k1:
%Linear model Poly1:
% f(x) = p1*x + p2
%Coefficients (with 95% confidence bounds):
% p1 = 3.967 (3.96, 3.974)
% p2 = 0 (fixed at bound)
%Goodness of fit:
% SSE: 8.439e+007
% R-square: 0.9459
% Adjusted R-square: 0.9459
% RMSE: 48.1

Режим №3. ДВС заведен, декодер «neoVI FIRE» переведен из пассивного в

активный режим отправки и приема сообщений по запросам. Посылаем в CAN
шину стандартные запросы OBD-II (ISO 15765-4 [156, 160]) на мониторинг
параметров в режиме реального времени. Далее находим методом сопоставления
таким же образом изменяющиеся параметры общего CAN трафика, как и данные
ответных сообщений ЭБУ ДВС. Записанные данные импортируются в среду
MatLab, выполняется интерполяция дискретных данных и определение
неизвестных коэффициентов аналогично предыдущим примерам (Рисунок 4.8).

Рисунок 4.8. Декодирование данных оборотов ДВС

 259

Результаты определения масштабного коэффициента и параметра смещения

для сигнала скорости вращения коленчатого вала ДВС в MatLab с использованием
Curve Fitting Toolbox (получен масштабный коэффициент «1» и параметр смещения
«-8192», единица измерения «об/мин»):
%% Декодирование параметра оборотов ДВС, полученных с CAN-шины а/м LR3.
x=data(1:38236,1);
y_engine_response_0=data(1:38236,2);
y_engine_engineering_0=data(1:38236,3);
% Интерполируем временные ряды данных:
y_engine_response=interp1(x,y_engine_response_0,x,'spline');
y_engine_engineering=interp1(x,y_engine_engineering_0,x,'spline');
% Принимаем линейную зависимость параметра оборотов ДВС
% от сигнала оборотов ДВС общего трафика CAN-шины.
% engine_RPM = k * engine_engineering + b = engine_response
% На заглушенном ДВС определяем значение коэффициента b:
b = - 8192;
% Результат Curve Fitting Toolbox при определении значения коэффициента k:
%Linear model Poly1:
% f(x) = p1*x + p2
%Coefficients (with 95% confidence bounds):
% p1 = 1 (0.9999, 1)
% p2 = -8192 (fixed at bound)
%Goodness of fit:
% SSE: 6.259e+007
% R-square: 0.9982
% Adjusted R-square: 0.9982
% RMSE: 40.46

Аналогичным образом декодируются сигналы давления топлива, давления во

впускном коллекторе, массового расхода воздуха, положения дроссельной
заслонки и прочие при необходимости.
Режим №4. Аналогичен режиму №3 с тем отличаем, что на автомобиле
совершается дорожный тест, при этом декодер «neoVI FIRE» в автоматическом
режиме посылает диагностические запросы и принимает ответы от ЭБУ ДВС, а
также записывает трафик с CAN шины. Дальнейший алгоритм обработки данных
соответствует алгоритму режима №3. Таким методом декодируются в общем
трафике шины CAN сигналы скорости движения автомобиля, скоростей колес,
бокового ускорения, угловой скорости рысканья и прочие. Для калибровки
некоторых кинематических параметров движения предпочтительно осуществлять
вместе с записью трафика шины CAN навигационные данные с Глонасс/GPS
приемника (подключается параллельно).
 260

4.2. Использование данных бортовых сетей автомобилей при проведении

дорожных испытаний, в задачах ИТС и автоматизации управляемого
движения, обоснование применимости

Очевидным становится то обстоятельство, что раз современные

автотранспортные средства, оснащенные массой электронных систем, в заводской
комплектации оснащены множеством измерительных устройств (датчиков),
оцифрованные данные с которых присутствуют в бортовых коммуникационных
шинах, то было бы неплохо использовать рассматриваемые данные, например, при
решении исследовательских задач, в задачах ИТС при обеспечении межобъектного
взаимодействия V2V и V2I, в задачах автоматизации управляемого движения, что,
как минимум, должно упростить и удешевить исполнение упомянутых задач.
К примеру, для дорожных испытаний можно было бы использовать с
бортовой шины CAN современного автомобиля, в зависимости от оснащенности,
следующие параметры:
- приведенную скорость движения автомобиля;
- скорости колес (Рисунок 4.9);
- боковое и продольное ускорения центра масс;
- скорость рыскания;
- угол поворота рулевого колеса;
- скорость поворота рулевого колеса;
- положение педали газа;
- положение педали тормоза;
- обороты ДВС;
- значения датчиков высоты системы подрессоривания для определения
кренов кузова;
- и другие.
Причем частоты дискретизации данных с шины CAN индивидуальные и
варьируются, но, в среднем, составляют от 10 до 200 Гц, т.е. сопоставимы с
характеристиками профессиональных комплексов измерительного оборудования
 261

динамики движения автотранспортных средств. При этом дополнительная

нагрузка на бортовую шину CAN не создается, нужна только база декодирования и
ответ на вопрос о том, с какой точностью измеряются параметры штатными
датчиками автомобиля и достаточно ли данной точности для задач испытаний.
Сопоставления динамических параметров движения автомобиля, полученных с
бортовой сети, с данными внешнего измерительного комплекса представлены в
разделе 4.2.1.

Рисунок 4.9. Пример записи скоростей колес с HS CAN а/м LR Discovery3

Развитию интеллектуальных транспортных систем во всем мире уделяется

особое внимание [56, 57, 60, 63, 64] и, конечно же, вопрос интеграции внешнего
оборудования в бортовую электронику автотранспортных средств является
актуальным. Однако, в рассматриваемой задаче уже недостаточно просто
получения каких-то данных с бортовой сети, необходимо еще и проводить аудио-
визуальное оповещение водителя через штатные системы, отправлять какие-то
диагностические или специфические запросы для обеспечения работы
дополнительных телематических сервисов, например, удаленной диагностики, и, в
таком случае, встает вопрос о допустимости использования бортовых
мультиплексных сетей передачи данных, в частности CAN, с точки зрения
 262

безопасности эксплуатации автомобиля. В связи с изложенным, был проведен

анализ запаса пропускной способности шин передачи данных CAN современных
автотранспортных средств, а также анализ нагрузки на шину CAN, которую могут
создать внешние устройства ИТС:
1) Автомобиль категории М1 Land Rover Discovery 3, оснащенный в штатной
комплектации высокоскоростной шиной CAN (класс С, скорость передачи данных
500 Кбит/с) и среднескоростной шиной CAN (скорость передачи данных 125
Кбит/с). Исследование проводилось с применением декодера «NI-8473s» (National
Instruments). При включенном зажигания загрузка высокоскоростной шины CAN
(HS CAN) составила примерно 7% (от 500 Кбит/с). При заведенном двигателе, а
также при выполнении дорожных тестов, загрузка HS CAN составила порядка 31%
(Рисунок 4.10). После дорожного теста двигатель был заглушен, и загрузка HS CAN
составила 19%. При постановке автомобиля на штатную охранную сигнализацию
единожды была зафиксирована максимальная загрузка шины в 94%, возможно,
связанная с алгоритмами охранной системы и не относящаяся к нормальным
режимам эксплуатации автомобиля.

Рисунок 4.10. Загрузка HS CAN а/м LR Discovery3 в эксплуатации

При анализе записанных данных множества дорожных тестов была

зафиксирована максимальная загрузка высокоскоростной шины CAN в 31,9% и
среднескоростной шины CAN (MS CAN) в 27,8%. При выполнении
диагностической сессии с управлением по шине MS CAN в режиме реального
времени звуковым сигналом, аварийной сигнализацией, освещением в салоне
автомобиля и показаниями приборов была зафиксирована максимальная загрузка
MS CAN в 31,8%. При отправке в HS CAN диагностических запросов OBD-II на
 263

считывание 5 параметров работы двигателя загрузка HS CAN увеличивалась

примерно на 1,7%. Таким образом, в дорожных условиях на рассматриваемом
автомобиле минимальный запас HS CAN составил 68,1%, а MS CAN 72,2% от
максимальной загрузки шин передачи данных, что более чем достаточно для
подключения внешних устройств ИТС.
2) Автомобиль категории М1 Ford Focus 2, оснащенный в штатной
комплектации высокоскоростной шиной CAN (класс С, скорость передачи данных
500 Кбит/с) и среднескоростной шиной CAN (скорость передачи данных 125
Кбит/с). При заведенном двигателе, а также при выполнении дорожных тестов,
загрузка HS CAN составила порядка 14% (Рисунок 4.11). После дорожного теста
двигатель был заглушен, и загрузка HS CAN составила 12%. При анализе
записанных данных дорожных тестов была зафиксирована максимальная загрузка
высокоскоростной шины CAN в 14,2% и среднескоростной шины CAN в 9,9%.

Рисунок 4.11. Загрузка HS CAN а/м Ford Focus 2 в эксплуатации

Таким образом, в дорожных условиях на рассматриваемом автомобиле (Ford

Focus2) минимальный запас HS CAN составил 85,8%, а MS CAN 90,1% от
максимальной загрузки шин передачи данных, что более чем достаточно для
подключения внешних устройств ИТС.
Отметим, что в исследовании участвовали не самые современные
автомобили. Известно, что в автомобилях BMW последнего поколения
навигационные данные передаются по среднескоростной шине CAN, увеличивая
ее загрузку. Известны исследования фирмы Continental по обеспечению передачи
данных трехмерной карты местности с радара, установленного в передней части
автомобиля, посредством высокоскоростной шины CAN. Тем не менее, было
 264

установлено, что максимальная дополнительная нагрузка на шины CAN от

внешних устройств ИТС будет являться кратковременной и может варьироваться
от 0,1% до 4% пропускной способности шины, что позволит устанавливать,
интегрированные в бортовые сети, внешние устройства ИТС практически на
любые транспортные средства без риска нарушения эксплуатационной
безопасности.
В целях информирования водителя, как в задачах ИТС, так и при организации
автономного вождения, посредством вывода текстовой информации на экран
щитка приборов автомобиля, необходимо предусмотреть возможность отправки
соответствующих команд в шину передачи данных CAN. Был проанализирован
процесс вывода штатных сообщений на экран щитка приборов автомобиля Land
Rover Discovery 3. Установлено, что ЭБУ кузовом (BCU ECU) по MS CAN с
частотой в 30 мс отправляет сообщения с идентификатором #8AC0AB0 (hex),
воспринимаемые ЭБУ щитка приборов (IC ECU). В данном сообщении содержится
номер текстового сообщения, которое необходимо вывести на экран, т.е.
непосредственно тексты выводимых сообщений не передаются по шинам CAN (в
шинах HS и MS CAN рассматриваемых автомобилей были обнаружены только
транслирования VIN кода в кодировке ASCII для обеспечения противоугонной
безопасности), а передаются только их условные номера, в то время как сами
тексты сообщений прописываются в ЭБУ щитка приборов при программировании.
Подобная схема применяется практически на всех современных автомобилях и
дает принципиальное понимание того, что для вывода на штатные дисплеи
автомобиля информационных сообщений от внешних устройств необходимо
внесение изменений в программное обеспечение как минимум ЭБУ кузовом и
щитком приборов, что при рассмотрении вопроса массового внедрения
представляется маловероятным ввиду большого количества автопроизводителей и
огромного числа выпускаемых моделей транспортных средств.
Рассмотрим следующие возможности информирования водителей
посредством управления звуковым сигналом, аварийной сигнализацией,
освещением в салоне автомобиля, показаниями приборов и другими опциями,
 265

реализованными через диагностические запросы по шине CAN. К исследуемому

автомобилю LR Dicovery 3 через диагностический разъем был подключен
универсальный разветвитель, к одному концу которого подключался декодер «NI-
8473s» с ноутбуком, ко второму – оригинальное заводское диагностическое
оборудование (диагностический комплекс SDD с декодером CAN-шины VCM).
Таким образом, становилось возможным выявление специфических заводских
запросов на управление электронными системами автомобиля в рамках
диагностической сессии. Процесс включения звукового сигнала автомобиля с
диагностического оборудования показан на Рисунке 4.12. Так, в среднескоростную
шину CAN посылались диагностические запросы с идентификатором #18DA52F1
и принимались ответы #18DAF152 от ЭБУ кузовом автомобиля.

Рисунок 4.12. Включение звукового сигнала по диагностическому запросу

Статус включенного звукового сигнала соответствует значению #01 пятого

байта ответного сообщения. Далее был написан небольшой скрипт, посылающий
такую же последовательность данных запроса, однако, некоторые ответные
сообщения от BCU ECU содержали уже другие данные и включения звукового
сигнала не происходило, что говорит о том, что, либо в процесс диагностических
 266

запросов, либо в процесс начальной инициализации диагностического

оборудования заложен алгоритм авторизации подключения. Конечно же можно
далее локализовать и декодировать алгоритм авторизации, однако, данный подход
не может быть использован при рассмотрении массового внедрения технологий
ИТС.
В рамках рассматриваемого вопроса отметим исследование по
экспериментальной оценке безопасности шин передачи данных современного
легкового автомобиля [164]. В качестве объекта испытаний использовался серийно
выпускаемый легковой автомобиль, все электронные блоки управления которого
были демонтированы, подключены к генерирующим, считывающим сигналы
устройствам и программаторам. В итоге было декомпилировано и переписано
программное обеспечение щитка приборов, расшифрованы алгоритмы
авторизации на управление практически всеми электронными системами
автомобиля, в т.ч. тормозной системой, системой климат-контроля и охранной
сигнализацией. В заключении отмечалась крайняя уязвимость бортовой
электроники от «противоправных действий третьих лиц», и в качестве основного
обстоятельства, препятствующего распространению вредоносных программ и
«противоправных действий» отмечалась важность отсутствия у злоумышленников
в настоящее время физического доступа к шинам передачи данных автомобиля.
Однако, появление в последнее время в автомобилях беспроводных интерфейсов
и, в том числе, технологий ИТС поднимает актуальность вопросов безопасности,
требующих проведение дальнейших исследований.
Для решения задач автоматизации управляемого движения и создания
автономных АТС 3-5 уровней автоматизации SAE возможны разные степени
интеграции внешней управляющей системы в бортовые коммуникационные сети,
поэтому все приведенное выше будет справедливо. В частности, при создании
автономного АТС 4 уровня автоматизации SAE на базе автомобиля Chevrolet
Orlando использовалась бортовая шина HS CAN только как источник информации
о динамических параметрах движения и управляющих воздействиях.
 267

4.2.1. Дорожные испытания легкового полноприводного автомобиля

(категория М1)

Цель испытаний – оценка точности показаний штатных датчиков

автомобиля, обоснование применимости использования данных бортовых сетей.

Объект испытаний

В качестве объекта испытаний выступал автомобиль Nissan X-Trail III 2013

года выпуска, показанный на Рисунке 4.13. Дорожные испытания проводились на
спецдорогах Дмитровского автополигона (ФГУП «НАМИ») с привлечением
водителей-испытателей научно-исследовательского центра по испытаниям и
доводке автомототехники отдела безопасности автомобилей.

Рисунок 4.13. Объект испытаний

Дорожные испытания проводились в зимний период времени на

заснеженных и ледяных покрытиях. Технические характеристики объекта
испытаний приведены в Приложении.

Измерительное оборудование
 268

Использовалось следующее измерительное оборудование:

- внешний датчик скорости колеса WPT (KISTLER);
- измерительная система сбора и обработки данных CS 1016 FAMOS Online (IMC)
(Рисунок 4.14);
- блок распределения питания Small 12V Power Distributor Box (KISTLER);
- датчик ускорений и угловых скоростей Tri-Axial Navigational Sensor (KISTLER);
- измерительное рулевое колесо MSW/S Measurement Steering Wheel (KISTLER)
(Рисунок 4.15);
- модуль сбора данных CDS-GPS CLOGMA.

Рисунок 4.14. Система сбора данных Рисунок 4.15. Измерительный руль

Оценка точности данных, получаемых с бортовой шины HS CAN

Оценка точности данных, получаемых с бортовой шины HS CAN,

осуществлялась сопоставлением параметров движения автомобиля, полученных с
бортовой сети, с данными внешнего измерительного комплекса (IMC+Kistler), и
статистическим анализом функций ошибок.
 269

На Рисунке 4.16 показано сравнение значений скорости движения

автомобиля, полученных с бортовой высокоскоростной шины CAN, а также двух
навигационных датчиков, расположенных по середине передней и задней оси
автомобиля. В представленном заезде сначала осуществлялся прямолинейный
разгон автомобиля на льду, а затем имело место синусоидальное воздействие на
рулевое колесо рулевым роботом. Для дальнейшего сравнения данных ускорений,
угловой скорости и скорости вращения колеса будет использоваться этот же заезд.

Рисунок 4.16. Сравнение значений скорости движения автомобиля

Отметим, что на фазе разгона на льду (особенно первые 10 секунд) данные

скорости автомобиля с бортовой сети принципиально отличаются от данных
внешнего измерительного комплекса IMC/Kistler. Объясняется данное
обстоятельство несовершенством алгоритма расчета скорости движения
автомобиля бортовыми системами, т.к. при разгоне на льду происходило
буксование передних колес (см. Рисунок 4.20). На оставшемся участке движения
точность определения скорости штатными бортовыми системами автомобиля
соизмерима с точностью навигационных приемников, работающих в условиях
стабильного, качественного приема спутниковых данных, т.к. испытания
проводились на открытом участке спецдорог Дмитровского автополигона. Пример
 270

приема навигационных данных в условиях плотной застройки мегаполиса

представлен в следующем подразделе.
Таким образом, при проведении испытаний, в задачах ИТС и создания
автономных транспортных средств допустимость использования данных скорости
движения автомобиля с бортовой шины HS CAN будет обусловлена
совершенством используемых штатной электроникой алгоритмов. Известно, что в
последних поколениях современных легковых автомобилей (Jaguar XE, Discovery
Sport и другие) в сети HS CAN присутствует индикатор достоверности расчетной
скорости движения, принимаемый значения «точно/неточно». Также обратим
внимание на объективность использования навигационных данных только в
условиях стабильного и качественного приема спутниковых сигналов,
резюмировав в качестве оптимального – применение блоков гибридной навигации.
На Рисунке 4.17 показано сравнение значений угловой скорости рысканья,
полученной с бортовой шины HS CAN, со значениями датчика TANS внешнего
измерительного комплекса IMC/Kistler.

Рисунок 4.17. Сравнение значений угловой скорости рысканья

Оценим точность получаемых с бортовой сети автомобиля данных на основе

статистического анализа функций ошибок, представляющих собой функции
 271

разностей данных внешнего измерительного комплекса, считаемых «эталонными»,

и данных с бортовой сети.
Математическое ожидание функции абсолютной погрешности угловой
скорости рысканья составило -0,093353 град/с (простая выборочная дисперсия
0,60329). Математическое ожидание функции относительной погрешности
составило 0,20358%. Таким образом, можно констатировать, что относительная
погрешность измерения угловой скорости рысканья штатной бортовой системой
автомобиля не превышает погрешности внешнего датчика TANS измерительного
комплекса IMC/Kistler (производителем заявлена погрешность в 10%).
На Рисунке 4.18 показано сравнение значений бокового ускорения,
полученного с бортовой шины HS CAN, со значениями датчика TANS внешнего
измерительного комплекса IMC/Kistler (приведены неотфильтрованные сигналы).

Рисунок 4.18. Сравнение значений бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило -0,1598 (простая выборочная дисперсия 0,30933).
Математическое ожидание функции относительной погрешности составило
0,70515%. Относительная погрешность измерения бокового ускорения штатной
бортовой системой автомобиля не превышает погрешности внешнего датчика
 272

TANS измерительного комплекса IMC/Kistler (производителем заявлена

погрешность в 1%).
На Рисунке 4.19 показано сравнение значений продольного ускорения,
полученного с бортовой шины HS CAN, со значениями датчика TANS внешнего
измерительного комплекса IMC/Kistler (приведены неотфильтрованные сигналы).

Рисунок 4.19. Сравнение значений продольного ускорения

Математическое ожидание функции абсолютной погрешности продольного

ускорения составило -0,074758 (простая выборочная дисперсия 0,032117).
Математическое ожидание функции относительной погрешности составило
– 0,93146%. Относительная погрешность измерения продольного ускорения
штатной бортовой системой автомобиля не превышает погрешности внешнего
датчика TANS измерительного комплекса IMC/Kistler (производителем заявлена
погрешность в 1%).
На Рисунке 4.20 показано сравнение значений скорости заднего правого
колеса, полученной с бортовой шины HS CAN, со значениями выносного датчика
WPT внешнего измерительного комплекса IMC/Kistler.
Математическое ожидание функции абсолютной погрешности скорости
заднего правого колеса составило 0,00031226 км/ч (простая выборочная дисперсия
0,14929). Математическое ожидание функции относительной погрешности
 273

составило 0,00021915%. Относительная погрешность измерения скорости заднего

правого колеса штатной бортовой системой автомобиля не превышает
погрешности внешнего выносного датчика WPT измерительного комплекса
IMC/Kistler (об этом свидетельствуют малые значения дисперсии абсолютной
погрешности и математического ожидания относительной погрешности функций
ошибок).

Рисунок 4.20. Сравнение значений скорости заднего правого колеса

На Рисунке 4.21 представлено сравнение значений угла поворота рулевого

колеса, полученного с бортовой шины HS CAN, со значениями внешнего
измерительного рулевого колеса MSW/S комплекса IMC/Kistler, при выполнении
маневра «переставка» на льду.
 274

Рисунок 4.21. Сравнение значений угла поворота рулевого колеса

Отметим важную особенность установки любого внешнего измерительного

рулевого колеса (в частности, MSW/S Kistler), заключающуюся в необходимости
неподвижного закрепления одного из вращающихся дисков (см. Рисунок 4.15).
Принцип работы измерительного устройства заключается в том, что один диск
вращается вместе со штатным рулевым колесом под действием усилий водителя, в
то время, как второй диск неподвижен относительно кузова автомобиля, таким
образом определяется угол поворота руля. На Рисунке 4.15 описанное крепление
осуществлено поперечной системой рычагов через вакуумную присоску к
лобовому стеклу. Бывают конструкции измерительных рулевых колес с
креплениями в виде тросовых растяжек.
Из вышеизложенного следуют два принципиальных момента, объясняющих
ухудшение точности измерений внешним комплексом: 1) технически сложно
«выставить в ноль» внешний измерительный руль; 2) при выполнении испытаний
технически сложно обеспечить неподвижность одного из измерительных дисков
(по причине вытягивания тросиков, податливости шарниров систем рычагов,
вибраций и прочего). Указанных недостатков лишена штатная система измерения
угла поворота рулевого колеса, обусловленная особенностями крепления датчика.
 275

На Рисунке 4.21 отчетливо видно несовпадение нулевых положений рулевого

колеса, выраженное в смещении неподвижного диска измерительного руля MSW/S
Kistler на 21,17° относительно истинного нулевого значения. На Рисунке 4.22
выполнено смещение данных измерительного руля на указанную величину.

Рисунок 4.22. Сравнение значений угла поворота рулевого колеса

Математическое ожидание функции абсолютной погрешности угла поворота

рулевого колеса составило 0,10358° (простая выборочная дисперсия 16,584).
Математическое ожидание функции относительной погрешности составило
0,075337%. Относительно высокое значение дисперсии объясняется задержкой в
процессе передачи данных от штатного датчика положения руля до
измерительного комплекса, оцененное в 0,05 с (датчик-ЭБУ-CAN_автомобиля-
CAN_IMC-запись).
Таким образом, из проведенного анализа следует, что точность измерения
угла поворота рулевого колеса штатной бортовой системой автомобиля
существенно выше точности внешнего измерительного рулевого колеса MSW/S
комплекса IMC/Kistler.
 276

4.2.2. Дорожные испытания легкового переднеприводного автомобиля

(категория М1)

Объектом испытаний выступало транспортное средство категории М1

Chevrolet Orlando 1.8 LTZ AT (KBF6), характеристики которого и описания
приведены в подразделе 3.3.3.1 и Приложении. Используемое измерительное
оборудование указано в подразделе 3.3.3.2.

Оценка точности данных, получаемых с бортовой шины HS CAN

Оценка точности данных, получаемых с бортовой шины HS CAN,

осуществлялась сопоставлением параметров движения автомобиля, полученных с
бортовой сети, с данными внешнего измерительного комплекса (IMC+Kistler), и
статистическим анализом функций ошибок.
На Рисунке 4.23 показано сравнение скорости автомобиля, полученной с HS
CAN, со скоростями, рассчитанными внешним измерительным комплексом по
данным двух выносных приемников Глонасс/GPS.

Рисунок 4.23. Сравнение значений скорости движения автомобиля

 277

Представленная иллюстрация в очередной раз подтверждает правомерность

одного из функциональных требований к подсистеме технического восприятия
системы автономного вождения (раздел 2.2) об обязательном наличии гибридной
навигационной системы, представляющей собой симбиоз спутниковой,
инерциальной и расчетно-аналитической навигаций.
На Рисунке 4.24 показано сравнение значений бокового ускорения,
полученного с бортовой шины HS CAN, со значениями датчика TANS внешнего
измерительного комплекса IMC/Kistler. Оценим точность получаемых с бортовой
сети автомобиля данных на основе статистического анализа функций ошибок,
представляющих собой функции разностей данных внешнего измерительного
комплекса и данных с бортовой сети.

Рисунок 4.24. Сравнение значений бокового ускорения

Математическое ожидание функции абсолютной погрешности бокового

ускорения составило 0,022297 (простая выборочная дисперсия 0,038887).
Математическое ожидание функции относительной погрешности составило
0,12607%. Относительная погрешность измерения бокового ускорения штатной
бортовой системой автомобиля не превышает погрешности внешнего датчика
TANS измерительного комплекса IMC/Kistler (производителем заявлена
погрешность в 1%).
 278

На Рисунке 4.25 показано сравнение значений угловой скорости рысканья,

полученной с бортовой шины HS CAN, со значениями датчика TANS внешнего
измерительного комплекса IMC/Kistler.

Рисунок 4.25. Сравнение значений угловой скорости рысканья

Математическое ожидание функции абсолютной погрешности угловой

скорости рысканья составило 0,58905 град/с (простая выборочная дисперсия
0,098913). Математическое ожидание функции относительной погрешности
составило 1,5863%. Таким образом, можно констатировать, что относительная
погрешность измерения угловой скорости рысканья штатной бортовой системой
автомобиля не превышает погрешности внешнего датчика TANS измерительного
комплекса IMC/Kistler (производителем заявлена погрешность в 10%).
Приведенные показатели не уступают по точности современным
измерительным комплексам, применяемым при сертификационных испытаниях
автотранспортных средств.
 279

4.3. Информационное обеспечение взаимодействия автономных колесных

транспортных средств с интеллектуальной транспортной средой

Автономное КТС в составе кооперативных интеллектуальных транспортных

систем имеет существенно больший потенциал улучшения безопасности
дорожного движения, эффективности использования дорог и собственно самих
транспортных средств. Так, в статье [120] о возможности увеличения пропускной
способности автомагистралей и нейтрализации заторов от эффекта
распространения волн торможения транспортных средств экспериментальным
путем было установлено, что если в потоке примерно 20% автомобилей относятся
к кооперативным интеллектуальным транспортным средствам, то весь поток
является полностью управляемым и средняя скорость движения увеличивается
примерно на 15%, а также максимально быстро нейтрализуются волны от
торможения транспортных средств.
Итак, рассмотрим одну из подсистем ИТС – систему межобъектного
взаимодействия, которая может быть реализована в виде V2V или V2I
коммуникаций. В настоящее время многими исследовательскими центрами и
коммерческими организациями во всем мире проводятся работы по созданию,
исследованию и испытаниям рассматриваемых систем, в т.ч. построенных на
основе технологий беспроводных динамических сетей DSRC (в Европе – ITS-G5) в
различных частотных диапазонах. Однако отметим, что единого понимания
относительно состава и характеристик передаваемых данных, например, со
стороны автомобиля в сеть ИТС, пока что не сформировано.
Мы считаем, что в рамках V2V и V2I коммуникаций от автомобиля в
динамическую сеть ИТС должны передаваться следующие наборы данных:
1) географические данные положения центра масс автомобиля в текущий и
прогнозируемый, через задаваемый интервал (считаем оптимальным интервал
прогноза в 5 секунд), моменты времени (долгота, широта, абсолютное время,
курсовой угол, эллиптическая высота), полученные с применением бортовой
гибридной системы навигации;
 280

2) кинематические параметры движения (приведенная скорость автомобиля,

продольное и боковое ускорения, приведенная угловая скорость вращения кузова
автомобиля относительно вертикальной оси);
3) данные об управляющих воздействиях на автомобиль со стороны водителя
или системы автономного вождения (положение педали газа, нажатие на педаль
тормоза, угол поворота рулевого колеса, режим работы указателей поворота,
режим включения аварийной сигнализации, статус системы управления – т.е.
информация о том, водитель или система автономного вождения управляет
автомобилем или же происходит процесс передачи управления);
4) параметры, характеризующие условия движения (значение температуры
окружающей среды, усредненный и уточненные типы опорной поверхности под
колесами автомобиля, международный индекс ровности IRI [118] дорожного
полотна, режим работы системы головного освещения автомобиля, режим работы
стеклоочистителей, индикатор срабатывания систем активной безопасности ABS,
TC, ESP/DSC и других);
5) идентификаторы автомобиля (категория транспортного средства, масса,
габариты, колесная база и колея, идентификационный номер).
В Таблице 12 представлены передаваемые со стороны интеллектуального
автомобиля в сеть ИТС данные и их характеристики.
Таблица 12.
Характеристики передаваемых в сеть ИТС данных
Время Диапазон
Размер Ед.
№ Описание обновле- измерений
данных изм.
ния*, мс / шаг
I) Географические данные положения центра масс автомобиля
локальный штамп
1 - - 32 бита мс
времени
NMEA NMEA
2 долгота 1000
0183 [121] 0183
NMEA NMEA
3 широта 1000
0183 0183
NMEA NMEA
4 абсолютное время 1000
0183 0183
 281
Таблица 12 – продолжение.
NMEA NMEA
5 курсовой угол 1000
0183 0183
NMEA NMEA
6 эллиптическая высота 1000
0183 0183
7 интервал прогноза - - 8 бит с
NMEA NMEA
8 долгота 1000
0183 [121] 0183
NMEA NMEA
9 широта 1000
0183 0183
NMEA NMEA
10 абсолютное время 1000
0183 0183
NMEA NMEA
11 курсовой угол 1000
0183 0183
NMEA ∑≈145 NMEA
12 эллиптическая высота 1000
0183 байт 0183
II) Кинематические параметры движения
приведенная скорость 0 – 250
13 20 16 бит км/ч
движения автомобиля / 0,004
продольное ускорение -11 – 11
14 20 8 бит м/с2
центра масс автомобиля / 0,1
боковое ускорение -11 – 11
15 20 8 бит м/с2
центра масс автомобиля / 0,1
приведенная угловая -1,8 – 1,8
16 10 16 бит рад/с
скорость автомобиля / 0,003
III) Данные об управляющих воздействиях на автомобиль
0 – 100
17 положение педали газа 20 8 бит %
/ 0,5
положение педали вкл -
18 10 - 8 бит
тормоза выкл
угол поворота рулевого -780 – 780
19 10 16 бит град
колеса / 0,1
режим работы лево-0-
20 100 - 4 бита
указателей поворота право
режим включения вкл -
21 100 - 4 бита
аварийной сигнализации выкл
статус системы вод-ль
22 - - 4 бита
управления - сист.
IV) Параметры, характеризующие условия движения
температура -100 – 100
23 1000 8 бит C
окружающей среды / 0,1
усредненный тип №
24 - - 4 бита
опорной поверхности типа
 282
Таблица 12 – окончание.
под колесами
автомобиля
международный индекс
25 ровности IRI дорожного - 0 – 20 / 0,1 8 бит м/км
полотна
тип опорной
поверхности под №
26 - - 4 бита
передним левым типа
колесом
тип опорной
поверхности под №
27 - - 4 бита
передним правым типа
колесом
тип опорной
№
28 поверхности под задним - - 4 бита
типа
правым колесом
тип опорной
№
29 поверхности под задним - - 4 бита
типа
левым колесом
выкл-
режим работы системы ближ-
30 1000 - 4 бит
головного освещения дальн-
птф
выкл-
режим работы прер-
31 1000 - 4 бит
стеклоочистителей пост-
быстро
сигнал срабатывания
вкл -
32 систем активной 20 - 4 бита
выкл
безопасности
V) Идентификаторы автомобиля
категория транспортного
33 - - 16 бит ASCII
средства
34 снаряженная масса - - 16 бит кг
35 колесная база - - 16 бит м
36 колея - - 16 бит м
37 габаритная длина - - 16 бит м
38 габаритная ширина - - 16 бит м
39 габаритная высота - - 16 бит м
идентификационный
17 байт
40 номер транспортного 250*3 ASCII ASCII
/136 бит
средства
* - ориентировочное время обновления описываемых параметров на шинах HS/MS CAN
современных транспортных средств, приведено для справки.
 283

Отметим, что минимальная частота обновления рассматриваемых данных в

бортовой сети транспортных средств составляет 1 Гц, в связи с чем примем, что
описанный набор данных, состоящий из 40 параметров и необходимый для
осуществления межобъектного взаимодействия интеллектуальных транспортных
средств, будет передаваться от автомобиля в сеть ИТС по технологии V2V/V2I с
частотой не менее 1 Гц.
На основании данных, приведенных в Таблице 12, посредством
элементарных расчетов далее получаем, что минимально необходимая скорость
передачи данных для реализации межобъектного взаимодействия должна
составлять (с учетом служебной информации типа идентификаторов, контрольных
сумм и других, т.к. в Таблице 12 приведены только размеры самих данных, а не
передаваемых пакетов) примерно 2592 бит/с (2,53 Кбит/с).
Далее опишем эксперименты, проведенные для оценки скоростей передачи
данных между транспортными объектами в зависимости от расстояния и условий
видимости. На участке автополигона МАДИ «умная дорога» были проведены
дорожные испытания интерактивной передачи данных между движущимся
транспортным средством и объектом дорожной инфраструктуры (Рисунки 4.26 и
4.27) по технологии межобъектного взаимодействия V2I с использованием
динамической сети DSRC на частоте 5,9 ГГц (протокол RAW-Socket IEEE 802.11a).
Испытания показали, что в условиях открытой местности максимальный радиус
действия при обеспечении минимально необходимой скорости передачи данных
составляет примерно 300 метров.
 284

Рисунок 4.26. Антенны DSRC Рисунок 4.27. Декодер HS CAN

и GPS/Глонасс

На территории университета МАДИ проводились статические замеры

скорости передачи данных между двумя автомобилями в зависимости от
расстояний, условий видимости и перекрытия визуального контакта сторонними
объектами. Результаты представлены на Рисунке 4.28.

Рисунок 4.28. Зависимость скорости передачи данных от расстояния между

объектами испытаний
 285

Учитывая расчетную минимально необходимую скорость передачи данных

для реализации межобъектного взаимодействия в 2,53 Кбит/с, можно
констатировать, что даже с применением стандарт IEEE 802.11a, хотя в мировой
практике производители перешли на стандарт IEEE 802.11p, можно обеспечить
стабильную передачу данных в радиусе 100 метров в условиях мегаполиса.
Полученные данные коррелируются с результатами иностранных исследований
[56, 57, 60].

4.4. Выводы по главе 4

1. Разработана методика декодирования данных, передаваемых по бортовым

мультиплексным сетям автотранспортных средств, позволяющая решать задачи
глубокой интеграции внешнего оборудования в бортовую электронику
автотранспортных средств.
2. Рассмотрены возможности использования данных с бортовых мультиплексных
сетей АТС при проведении дорожных испытаний, в задачах ИТС и автоматизации
управляемого движения.
3. Экспериментально определены запасы пропускной способности шин HS и MS
CAN на примерах двух легковых автомобилей, определены уровни
дополнительной нагрузки на шины HS и MS CAN от внешних устройств в
диапазоне от 0,1% до 4% пропускной способности соответствующих шин.
4. Проведены дорожные испытания двух автомобилей (Nissan X-Trail III, Chevrolet
Orlando) для оценки точности данных штатных мультиплексных сетей.
Относительная погрешность бортовых средств измерения составила для
определения:
- угла поворота рулевого колеса – 1%;
- бокового и продольного ускорений центра масс автомобиля – 1%;
- угловой скорости рысканья – 10%.
 286

5. Обоснована применимость использования данных, получаемых с бортовых

мультиплексных сетей современных транспортных средств при решении
исследовательских задач, проведении дорожных испытаний, разработке устройств
интеллектуальных транспортных систем, а также систем управления движением
автономных транспортных средств.
6. Определен перечень обязательных параметров (40 шт.), передаваемых от
автономного КТС в динамическую сеть ИТС, и требования к скорости передачи
данных (не менее 2,53 Кбит/с). Проведены подтверждающие натурные испытания.
7. Обнаружена необходимость стандартизации единого формата кодировок данных
из перечня обязательных параметров (40 шт.), передаваемых по штатным бортовым
мультиплексным сетям автотранспортных средств категорий M1, M2 и N1, с
последующими внесениями изменений в Технический регламент Таможенного
союза «О безопасности колесных транспортных средств».
 287

ГЛАВА 5. РАЗРАБОТКА И ИСПЫТАНИЯ ОПЫТНЫХ ОБРАЗЦОВ

АВТОНОМНЫХ КОЛЕСНЫХ ТРАНСПОРТНЫХ СРЕДСТВ

5.1. Платформа микроавтобуса

В качестве объекта испытаний был выбран автомобиль категории М2 –

маршрутное такси ГАЗ-322132, оборудованное системой автоматического
торможения [165, 166] по сигналу с внешнего лазерного дальномера [104] и
системой управления процессом руления [102]. Технические характеристики
автомобиля приведены в подразделе 3.3.1.
При разработке системы автоматического торможения решалась задача
создания давлений в приводе сцепления и тормозном приводе без участия водителя
с помощью дополнительно установленных гидроблоков, реализующих функции
системы динамической стабилизации (ESP/DSC).
В состав системы автоматического торможения вошли: дальномер NOPTEL
CMP3-30, контроллер OMRON CP1H-XA40DR-A, два гидроблока, включающих в
себя насосы с электроприводом и электромагнитные клапаны.
Гидроблок, управляющий сцеплением в автоматическом режиме, был
включен в контур сцепления между главным и рабочим цилиндрами сцепления. В
тормозную систему автомобиля для обеспечения автоматического торможения
между главным тормозным цилиндром и штатным гидроблоком АБС был включен
дополнительный гидроблок управления тормозными механизмами автомобиля
[103]. При этом была сохранена работоспособность штатной антиблокировочной
системы. Реализуемое замедление автомобиля при автоматическом торможении
определялось временем работы электромотора гидравлического насоса. Раздельное
управление электромагнитными клапанами гидроблоков позволило реализовывать
различные давления в независимых друг от друга контурах тормозной системы, а
также в контуре гидравлического привода сцепления, обеспечивая в
автоматическом режиме необходимую интенсивность торможения [106].
 288

Наряду с системами автоматизированного управления процессом

торможения и работой сцепления, на экспериментальном автомобиле была
установлена система автоматического переключения передач [105], состоящая из
двух сервоприводов, концевых датчиков и направляющего устройства. Более
подробно системы автоматического торможения, управления сцеплением и
переключением передач рассматриваемого автомобиля описаны авторами в
источниках [102-106, 165-166].
Для функционирования системы автоматического управления курсовым
движением использовалось следующее дополнительное оборудование:
- электромотор рулевого вала с датчиком положения (Рисунок 5.1);
- силовая плата управления электромотором рулевого вала на основе 4
твердотельный реле Crydom D1D20 (Рисунок 5.3);
- плата (Рисунок 5.2) на базе микропроцессора STM8S208S8TC управления
электромотором рулевого вала, оснащенная интерфейсом Wi-Fi для связи с
управляющей программой, запускаемой на персональном компьютере (ноутбуке);
- ноутбук Sony Vaio SVS1311S9RB;
- видеокамера Logitech HD Webcam C525 (Рисунок 5.4), подключаемая к
ноутбуку.

Рисунок 5.1. Электромотор рулевого вала Рисунок 5.2. Плата управления

 289

Рисунок 5.3. Релейный блок Рисунок 5.4. Видеокамера

Общая схема участка автополигона МАДИ «Умная дорога» показана на

Рисунке 5.5. Для организации циклического движения объекта испытаний в
режиме автоматического руления была предложена траектория, изображенная на
Рисунке 5.6. Для обеспечения безопасности проводимых заездов участок полигона
был огорожен типовыми дорожными блоками, причем блоки красного цвета
использовались в качестве направляющих траектории для системы технического
зрения.

Рисунок 5.5. Общая схема участка автополигона МАДИ «Умная дорога»

 290

Рисунок 5.6. Траектория движения в автономном режиме

На объекте испытаний к электромотору рулевого вала была подключена

силовая плата управления, к которой, в свою очередь, была подключена с помощью
проводов микропроцессорная плата (Рисунок 5.2) управления, обработки и
передачи данных с модулем Wi-Fi. Программа автоматического управления рулем
была разработана и запускалась в среде MatLab Simulink на ноутбуке и
осуществляла обработку видеопотока с вебкамеры, распознавание направляющих
блоков и расчет требуемого угла поворота рулевого колеса. Далее по беспроводной
сети передачи данных Wi-Fi ноутбук отправлял на модуль Wi-Fi
микропроцессорной платы информацию о необходимом управляющем
воздействии на рулевое колесо, для чего был разработан специальный протокол
обмена информацией. Далее процессор STM8S208S8TC на основе получаемых
данных модулировал широтно-импульсный сигнал (ШИМ) и управлял
электромотором через силовую плату твердотельных высокочастотных реле. По
мере приближения автомобиля к красным блокам программа определяла
оставшееся до блоков расстояние и, при достижении предустановленного
значения, осуществляла разворот автомобиля по заданному алгоритму и на
основании счетчика пройденного в повороте пути, что делало алгоритм управления
адаптивным к переменной скорости движения. Состав системы управления
схематично показан на Рисунке 5.7. На Рисунке 5.8 представлен фрагмент процесса
испытаний.
 291

Рисунок 5.7. Состав системы управления

направляющие блоки

видеокамера

электромотор

ноутбук, Wi-Fi

Рисунок 5.8. Фрагмент процесса испытаний

Также к микропроцессорной плате на базе STM8S208S8TC были

подключены провода от энкодера электромотора рулевого вала и с датчика
вращения выходного вала коробки передач. Таким образом, микропроцессорная
плата рассчитывала фактический угол поворота руля и пройденный путь, а также
обеспечивала передачу указанных данных по Wi-Fi с помощью разработанного
протокола обратно к ноутбуку в среду MatLab. Так была реализована обратная
связь процесса управления рулем в дополнение к обратной связи, получаемой при
обработке изменяющегося видеопотока с фронтальной камеры автомобиля.
Электрическая схема платы управления показана на Рисунке 5.9.
 292

Рисунок 5.9. Электрическая схема платы управления процессом руления

 293

Алгоритм работы программы MatLab Simulink управления процессом

руления объекта испытаний при движении по циклической траектории:
1) прием в среду MatLab/Simulink видеопотока с камеры Logitech HD Webcam C525
с частотой 30 кадров/с. Соответственно программа работала в дискретном режиме
в реальном времени с частотой расчетов 30 Гц;
2) конвертация кадра изображения из формата RGB в YCbCr для выявления на
изображении пикселей с красной цветоразностной компонентой Cr выше
установленного значения, бинаризация изображения;
3) вырезка интересующей для дальнейшей обработки части кадра, границы
которого задаются начальными условиями;
4) поиск в кадре красного блока, удовлетворяющего заданным размерам площади
объекта, расчет геометрического центра найденного объекта, вывод координат
центра найденного блока в пикселях по ширине и высоте кадра;
5) фильтрация шумов и резких перемещений координат найденного блока;
6) горизонтальная координата центра направляющего дорожного блока в
зависимости от смещения относительно условного «центра» кадра,
соответствующего прямолинейному движению автомобиля, использовалась для
расчета требуемого угла поворота руля, который далее через блок «Wi-Fi
Connection» отправлялся на управляющую микропроцессорную плату;
7) вертикальная координата центра направляющего дорожного блока
использовалась для определения начала процесса разворота автомобиля, контроль
которого осуществлялся по счетчику пройденного пути – это данные, которые
управляющая микропроцессорная плата вместе с фактическим углом поворота
руля отправляла обратно по Wi-Fi к ноутбуку.
Структурная схема Simulink программы автоматизации рулевого управления
объекта испытаний при движении по циклической траектории показана на Рисунке
5.10.
 294

Рисунок 5.10. Схема Simulink программы управления процессом руления автомобиля

 295

Структурные схемы блоков «Zero_fix» и «Jump_cut», предназначенных для

обеспечения плавности отслеживания направляющих дорожных блоков, показаны
на Рисунках 5.11 и 5.12.

Рисунок 5.11. Структурная схема блока «Zero_fix»

Рисунок 5.12. Структурная схема блока «Jump_cut»

Структурная схема блока «Wi-Fi Connection», осуществляющего отправку

управляющих данных и прием данных измерений с микропроцессорной платы,
показана на Рисунке 5.13.
 296

Рисунок 5.13. Структурная схема блока «Wi-Fi Connection»

 297

Описание протокола обмена информацией между программой управления и

микропроцессорной платой:
1) Отправка сообщений. Сообщения отправлялись по Wi-Fi на установленный
адрес и порт микропроцессорной платы с частотой 30 Гц, каждое сообщение
состояло из 8 байт:
1 байт – начало сообщения – установленное значение «2»;
2 байт – команда – использовалось значение «112»;
3 байт – сброс счетчика угла поворота РК на значение, соответствующее
прямолинейному движению (значение «1», посылалось единожды при
запуске программы, при этом необходимо было проконтролировать, чтобы
рулевое колесо действительно находилось в положении, соответствующем
прямолинейному движению);
4 байт – включение/выключение автоматического руления («0» или «1»);
5 и 6 байт – требуемый угол поворота рулевого колеса (значение «300»
соответствует положению РК при прямолинейном движении);
7 байт – контрольная сумма – сумма первых 6 байт пакета;
8 байт – конец сообщения – установленное значение «3».
2) Прием сообщений. Принимаемые от микропроцессорной платы сообщения
также состояли из 8 байт и отправлялись в ответ на каждое полученное сообщение:
1 байт – начало сообщения – установленное значение «2»;
2 байт – команда, в ответ на которую высылается данный пакет («112»);
3 и 4 байт – счетчик дистанции пройденного автомобилем пути (передается в
количестве импульсов датчика выходного вала КП с масштабным
коэффициентом);
5 и 6 байт – фактический угол поворота рулевого колеса (рассчитывается по
количеству двух линий импульсов энкодера электромотора руля);
7 байт – контрольная сумма – сумма первых 6 байт пакета;
8 байт – конец сообщения – установленное значение «3».
 298

5.2. Платформа легкового автомобиля

В качестве объекта испытаний выступал автомобиль категории М1 –

Chevrolet Orlando (Рисунок 5.14), технические характеристики которого приведены
в подразделе 3.3.3.

Рисунок 5.14. Объект испытаний

На Рисунке 5.15 представлена архитектура сети и уточненная схема состава

системы автономного вождения экспериментального автомобиля, учитывающая
разработанные требования и методы их выполнения.

HS CAN Модуль управления системами

Сервисы V2P Wi-Fi
автомобиля МАДИ

TP-Link 8-port Gigabit

Switch

IBM PC (i7- Raspberry PI Raspberry PI Raspberry PI Raspberry PI Raspberry PI Raspberry PI

3.2, 4 ядра, model B+ model B+ model B+ model B+ model B+ model B+
16ГГб DDR3)
Слева: Справа: Перед: Перед: Сзади: 3D сканер на
Глонасс/GPS 0.3 Mpx, 0.3 Mpx, SJ5000+ SJ5000+ 0.3 Mpx, базе Noptel
60 fps 60 fps 2Mpx, 2Mpx, 60 fps CMP3-30
Globalsat BU-353G 60fps 60fps

Блок внешней связи V2V, V2I, облачные

DSRC 5.9ГГц (ITS-G5) сервисы, центр
управления

Рисунок 5.15. Архитектура сети и схема состава системы автономного вождения

экспериментального автомобиля
 299

В разделе 2.2 приводился общий алгоритм оборудования любых автомобилей

системой автономного вождения – конкретизируем обобщенную схему
применительно к объекту испытаний, классифицируемому как автомобиль
четвертого уровня автоматизации SAE. На Рисунке 5.16 цветом показаны
фактически установленные системы и примененные технологические решения.

На экспериментальном автомобиле, в соответствии с разработанной

архитектурой сети, изображенной на Рисунке 5.15, установлены:
- модуль управления системами автомобиля (Рисунок 5.17);
- сервопривод педали тормоза (Рисунок 5.18);
- механизм переключения режимов работы АКП (Рисунок 5.19);
- компьютерная сеть Ethernet с соответствующим коммутатором (Рисунок
5.20);
- 2 внешние боковые видеокамеры, размещенные в специальных корпусах,
напечатанных на 3D-принтере, для функционирования системы контроля
движения в полосе (Рисунок 5.21);
- 1 видеокамера сзади (Рисунок 5.22);
- 2 высокоскоростные фронтальные видеокамеры системы стереозрения
(Рисунок 5.23);
- 6 модулей промежуточной обработки данных (мини-компьютеры);
- трехмерное авторское сканирующее устройство (Рисунок 5.23);
- модуль автономного вождения (высокопроизводительный компьютер)
(Рисунок 5.24);
- навигационный приемник Глонасс/GPS (Рисунок 5.23);
- точка доступа к сетям LTE/4G (Рисунок 5.23).
 Электромотор рулевого вала Внешний привод

Программное управление

Рулевое
управление
Изменение входных Управление
управляющих сигналов ЭБУ штатной системой
Управление электромотором
усилителя рулевого управления
Воздействие на педаль
тормоза
Внешний привод
Врезка в контуры
тормозного привода
Программное управление
Тормозное
управление

Изменение входных Управление штатной

управляющих сигналов ЭБУ системой
Внешняя связь

Управление модулятором
АБС
Воздействие на педаль
Внешний привод
акселератора

Программное управление

Изменение входных Управление штатной

управляющих сигналов ЭБУ системой
Силовая установка
300

Управление дроссельной
заслонкой (бензиновые ДВС)
Воздействие на переключатель
режимов (АТ)
Внешний привод
Модуль автономного вождения

Врезка в привод сцепления +

переключение передач (МТ)
Модуль управления системами автомобиля

Программное управление
Трансмиссия

Изменение входных Управление

управляющих сигналов ЭБУ штатной системой
Управление блоком Программное
клапанов (АТ) управление
Врезка в
Электро-

электрические цепи
оборудование

Диагностические
Система технического восприятия

процедуры
Инженерный
Рисунок 5.16. Схема системы управления движением экспериментального автомобиля Chevrolet Orlando
систем

доступ к
бортовым сетям
Мониторинг состояния

300
 301

Рисунок 5.17. Модуль управления системами автомобиля

Рисунок 5.18. Сервопривод педали тормоза Рисунок 5.19. Механизм АКП

Рисунок 5.20. Монтаж сети Ethernet, коммутатор сети

 302

Рисунок 5.21. Внешние видеокамеры Рисунок 5.22. Задняя камера с модулем

обработки видео

Рисунок 5.24. Модуль

Рисунок 5.23. Видеокамеры, 3D-сканер, Глонасс, LTE автономного вождения

Внешнее управление рулем на экспериментальном автомобиле было

реализовано путем изменения входных управляющих сигналов ЭБУ ЭРУ, т.е.
сигналов штатного датчика момента, размещенного на рулевом валу (Рисунок
5.25).
 303

Рисунок 5.25. Датчик момента на рулевом валу автомобиля Chevrolet Orlando

На Рисунке 5.26 представлена фотография процесса расшифровки протокола

обмена данными между датчиком момента и ЭБУ электроусилителя рулевого
управления.

Рисунок 5.26. Процесс расшифровки заводского протокола обмена данными

 304

Цифровой сигнал датчика момента представлял собой пульсацию

напряжения на проводе питания (8В) в диапазоне 7,5 – 8 В. Ширина пакета данных
составляла примерно 207 микросекунд, интервал времени между пакетами
равнялся 280 микросекундам (Рисунок 5.27).

Рисунок 5.27. Цифровой сигнал датчика момента на рулевом валу

На Рисунке 5.28 показан преобразованный оптопарой сигнал датчика

момента, подаваемый для дальнейшей обработки на один из микропроцессоров
модуля управления системами автомобиля.

Рисунок 5.28. Цифровой сигнал датчика момента на рулевом валу

Дальнейшая интерпретация протокола сводилась к следующему: был

подобран интервал времени в 3,916 мкс, падение сигнала в котором принималось
 305

за логический «0», а подъем – за логическую «1», т.е. было сделано предположение,

что в автомобиле применяется манчестерское кодирование [167-169]. Пакет
данных далее мы приводили к форме, состоящей из четырех 12-битных частей
(суммарно 48 бит). Приведем пример последовательности из трех пакетов:
028 1FF 220 3AA
029 1AA 2DF 38E
02A 1EA 231 3E2
Дальнейший анализ показал, что каждые первые 4 бита каждого сегмента не
изменяются и представляют собой номер сегмента в пакете. В первом 12-битном
сегменте содержится циклический счетчик. Итоговое преобразование
приведенного примера последовательности пакетов сводится к следующему:
F20 FAA
ADF A8E
E31 AE2
Таким образом, было установлено, что в каждом пакете от цифрового
датчика момента рулевого вала содержатся две важные цифры (значения двух
каналов). На Рисунке 5.29 показано изменение значений каналов при плавном
вращении рулевым колесом в разные стороны и преобразование значений каналов
в непрерывные функции.

Рисунок 5.29. Изменение значений каналов датчика момента при вращении РК

 306

Для дальнейшего анализа были записаны значения каналов датчика момента

при вращении рулевым колесом в разные стороны и построен график зависимости
первого канала от второго (Рисунок 5.30).

Рисунок 5.30. Интерпретация данных протокола цифрового датчика момента

рулевого вала автомобиля Chevrolet Orlando

На основе экспериментальных данных при решении задачи оптимизации

была построена аппроксимирующая окружность с доверительной точностью,
изображенная на Рисунке 5.31.
 307

Рисунок 5.31. Анализ данных протокола датчика момента рулевого вала

Красным крестиком на Рисунке 5.31 отмечена точка, координаты которой

соответствуют значениям каналов, передаваемым в цифровом протоколе от
датчика момента к ЭБУ ЭРУ и означающим, что внешний крутящий момент к
рулевому валу не прикладывается.
В таком случае, внешний крутящий момент, прикладываемый к рулевому
колесу, будет прямо пропорционален углу, образованному радиусом
аппроксимирующей окружности, проходящим через точку нулевого момента
(красный крестик) и радиусом, проходящим через текущую точку с координатами
(channel2, channel1). Далее рассматриваемый угол будем называть эквивалентным
моментом рулевого вала.
 308

Крутящий момент, прикладываемый водителем через рулевое колесо к

рулевому валу, будет определяться зависимостью:
M SW  k SW  M SWE , (5.1)
где:
M SW - крутящий момент на рулевом валу, [Н*м];

k SW - коэффициент пропорциональности, [Н*м/рад];

M SWE - эквивалентный момент рулевого вала, [рад].

И тогда эмпирическая формула эквивалентного момента рулевого вала
примет вид:
  2  888 2 - (2 + 437) 2 - (1 + 820) 2  
M SWE   arccos     sgn 2  1  368 , (5.2)
 2 
  2 888 
где:
1 - преобразованное значение, передаваемое в первом канале протокола датчика;
2 - преобразованное значение, передаваемое во втором канале протокола датчика.
Для управления штатным мотором электроусилителя руля в ЭБУ необходимо
подавать в модулируемом протоколе расчетные значения каналов, определяемые
следующими эмпирическими расчетными зависимостями:
  474  
1 = - 69 + 888  sin M SWE - arccos  -   (5.3)
  888  

  474  
2 = 37 + 888  cos M SWE - arccos  -   (5.4)
  888  

Для того, чтобы ЭБУ электроусилителем рулевого управления успешно

проходил процедуры самодиагностики и не переходил в аварийный режим, в
«шлюзовое устройство» (раздел 2.2), интегрированное в модуль управления
системами автомобиля, были заложены соответствующие алгоритмы
инициализации.
На физическом уровне функции «шлюзового устройства» системы рулевого
управления выполнял отдельный процессор – STM32F105RCT6 LQFP64 со
следующими характеристиками: ядро – ARM Cortex-M3; разрядность – 32-бита;
 309

FLASH – 256 Кбайт; RAM – 64 Кбайт; каналов АЦП– 16; разрядов АЦП– 12 бит;
скорость АЦП – 1 МГц.
Схема печатной платы разработанного модуля управления системами
автомобиля (Рисунок 5.17) показана на Рисунке 5.32.

Рисунок 5.32. Схема печатной платы модуля управления системами автомобиля

Основным процессором модуля управления системами автомобиля являлся –

STM32F407VGT6 LQFP100 со следующими характеристиками: ядро – ARM
Cortex-M4, разрядность – 32-бита; FLASH – 1 Мбайт; RAM – 192 Кбайт; каналов
АЦП – 24; разрешение АЦП – 12; скорость АЦП – 2.4 МГц; количество каналов
ЦАП – 2; разрешение ЦАП – 12; разрешение ШИМ – 16; сторожевой таймер – 2;
часы реального времени – 1; количество интерфейсов UART – 6; количество
интерфейсов CAN – 2; количество интерфейсов USB-хост – 2; количество
 310

интерфейсов USB-устройство – 2; количество интерфейсов ETHERNET – 1;

напряжение питания периферии – 1,8…3,6В; рабочая температура – -40…85°C.
Также в модуле управления системами автомобиля использовался драйвер
CAN шины TJA1042T.118 и Wi-Fi модуль связи HLK-RM04 с интерфейсом UART.
Связь между процессорами осуществлялась по шине SPI со скоростью 1 Мбит/с.
Для синтеза алгоритмов управления рулевым колесом экспериментального
автомобиля были проведены следующие эксперименты: при заведенном ДВС,
функционирующем ЭУР и неподвижном автомобиле водитель осуществлял
вращение рулем на один оборот влево с шагами в 90°, затем возвращал руль в
положение, соответствующее прямолинейному движению, затем повторял
«ступенчатое» вращение рулем в противоположную сторону. Испытания
проводились на разных типах опорных поверхностей. При достижении каждого
значения угла поворота РК, кратного 90°, водитель сначала удерживал руль, затем
отпускал. Результаты испытания, проведенного на опорной поверхности с низким
коэффициентом сцепления (кафельная плитка), показаны на Рисунке 5.33.

Рисунок 5.33. Угол поворота РК и прикладываемое усилие (плитка)

Результаты испытания, проведенного на сухом асфальтобетонном покрытии,

показаны на Рисунке 5.34.
 311

Рисунок 5.34. Угол поворота РК и прикладываемое усилие (асфальт)

Обратим внимание на то, что после прекращения прикладывания усилия к РК

водителем, угол поворота РК уменьшался за счет имевшей место упругой
деформации пневматических шин управляемых колес (особенно выражено на
Рисунке 5.34). Соответственно управляющие воздействия (сигналы датчика
крутящего момента рулевого вала в данном случае) для реализации одного и того
же закона поворота РК на разных типах покрытий, а также при разных скоростях и
условиях движения будут различны (из-за нелинейных стабилизирующих
моментов и моментов сопротивления). Таким образом, аналитический расчет
генерируемого эквивалентного момента рулевого вала для обеспечения
определенного закона управления РК системой автономного вождения
затруднителен из-за наличия априори неизвестных и изменяющихся в процессе
движения параметров и закономерностей. Предпочтительным является
алгоритмизация процесса управления РК с помощью инструментария нечеткой
логики.
Для управления процессом разгона автомобиля использовалось еще одно
«шлюзовое устройство», входящее в состав модуля управления системами
автомобиля, подключаемое между электронной педалью акселератора и ЭБУ ДВС.
 312

На Рисунке 5.35 изображена оригинальная электронная педаль акселератора

объекта испытаний в разобранном виде.

Рисунок 5.35. Педаль акселератора автомобиля Chevrolet Orlando

Экспериментальная характеристика изменения напряжений выходных

каналов в зависимости от хода педали акселератора показана на Рисунке 5.36.

G185 G79
ВЫХОДНОЕ НАПРЯЖЕНИЕ, В

0
0 10 20 30 40 50 60 70 80 90 100
НАЖАТИЕ ПЕДАЛИ АКСЕЛЕРАТОРА ,%

Рисунок 5.36. Характеристика штатной педали акселератора

На Рисунке 5.37 изображен фрагмент коммутации электронной педали

акселератора общей электросхемы (Рисунок 5.38) модуля управления системами
автомобиля.
 313

Рисунок 5.37. Схема коммутации электронной педали акселератора

Рисунок 5.38. Электросхема модуля управления системами автомобиля

 314

В качестве внешних приводов педали тормоза и переключателя режимов

работы АКП использовались электромоторы LA12 GoMotorWorld (Рисунки 5.18 и
5.19) с габаритными размерами, показанными на Рисунке 5.39. Основные
характеристики электромоторов следующие: напряжение – 12В; ток потребления –
4А; усилие – 450Н; скорость – 20мм/с; ход – 100мм; встроенный потенциометр.

Рисунок 5.39. Геометрические параметры сервоприводов

На Рисунке 5.40 показан пример экспериментальных данных, полученных

при торможении автомобиля системой автономного вождения.
Проведенный анализ позволил построить зависимость хода педали тормоза
от реализуемого замедления для сухого асфальтобетонного покрытия (Рисунок
5.41). Эмпирические зависимости, применимые к объекту испытаний, для
использования системой автономного вождения:
a x  (0.0004721 brped
2
 0.06702  brped  2.975)  (a x  0) (5.5)

brped  (0.2251 a x2  9.364  a x  36.05)  (a x  0) , (5.6)

где:
a x - замедление автомобиля, [м/с2];

brped - положение педали тормоза, [%].

 315

Рисунок 5.40. Пример торможения системой автономного вождения

Рисунок 5.41. Зависимость хода педали тормоза от реализуемого замедления

 316

На Рисунке 5.42 показан внешний вид разработанного на базе лазерного

дальномера Noptel CMP3-30 трехмерного сканирующего устройства для
применения в составе технического зрения экспериментального автономного
колесного транспортного средства. Особенности устройства подробно описаны
авторами в статье [119]. Применение разработанного трехмерного сканера
позволило с частотой два раза в секунду (2 Гц) получать дистанции до объектов по
ходу следования автомобиля (горизонтальный угол зрения 60°, вертикальный – 45°,
дальность – 90 м). Реализована возможность перенаправления потока излучения в
зоны интересов.

Рисунок 5.42. Внешний вид трехмерного сканирующего устройства

В качестве модуля автономного вождения экспериментального автомобиля

выступал персональный компьютер (Рисунок 5.24) со следующими
характеристиками: процессор Intel Core i7 - 4790S Socket 1150, 4-ядерный, 3200
МГц, Turbo: 4000 МГц, Haswell, Кэш L2 - 1024 Кб, Кэш L3 - 8192 Кб, Intel HD
Graphics 4600, 22 нм, 65 Вт; оперативная память 2x8Gb DDR-III 1600Mhz Kingston
SO-DIMM (KVR16S11/8); блок питания Chieftec IX-03B 90W; кулер Noctua NH-
L9I; материнская плата Gigabyte GA-H81TN.
 317

Программная среда разработки технических решений

В качестве программной среды для разработки и отладки алгоритмов

управления элементов системы автономного вождения, а также записи и анализа
результатов стендовых и дорожных испытаний использовался программный
комплекс MatLab (лицензия МАДИ № 925024). На Рисунке 5.43 показан верхний
уровень отладочной программы MatLab Simulink, запускаемой на компьютере,
представляющим собой модуль автономного вождения экспериментального
автомобиля (компьютер изображен на Рисунке 5.24).

Рисунок 5.43. Верхний уровень программы MatLab Simulink модуля автономного

вождения

При разработке систем управления экспериментального автономного

колесного транспортного средства использовались принципы модельно-
 318

ориентированного проектирования. Для организации связи между модулем

автономного вождения и модулем управления системами автомобиля был
разработан специальный протокол связи. Модель Matlab Simulink, отправляющая
запросы и принимающая от модуля управления системами автомобиля данные,
показана на Рисунке 5.44. Функции обработки «Data Receive» и «Data Unpack»
приведены в Приложении. Показанная модель обмена данными между двумя
модулями экспериментального автомобиля, как и следующие далее, представляет
собой отдельный файл (сгенерированный код), входящий в состав проекта и
запускаемый программой верхнего уровня, изображенной на Рисунке 5.43.

Рисунок 5.44. Модель Simulink обмена данными между модулем автономного

вождения и модулем управления системами автомобиля

На Рисунке 5.45 показана модель Simulink, позволяющая модулю

автономного вождения получать поток измеренных расстояний до объектов,
находящихся перед автомобилем, с трехмерного сканирующего устройства,
разработанного на базе лазерного дальномера Noptel CMP3-30.
 319

Рисунок 5.45. Модель Simulink обмена данными между модулем автономного

вождения и трехмерным сканирующим устройством

На Рисунке 5.46 показана модель Simulink, позволяющая модулю

автономного вождения получать и анализировать данные, передаваемые модулем
обработки видеокамеры левого борта и модулем обработки видеокамеры правого
борта (камеры размещены под наружными зеркалами заднего вида, см. Рисунок
5.21).

Рисунок 5.46. Модель Simulink обмена данными между модулем автономного

вождения и модулями обработки видео с камер левого и правого бортов

На Рисунке 5.47, в качестве примера, показана диаграмма управляющей

логики (Matlab Stateflow) одной из подсистем модуля автономного вождения –
 320

системы автоматического торможения, входящей в состав блока «Controller»

модели верхнего уровня.

Рисунок 5.47. Модель Stateflow подсистемы автоматического торможения модуля

автономного вождения

В соответствии с рекомендациями стандартов SAE J 3018 и SAE J 3092 в

экспериментальном автомобиле предусмотрена аварийная кнопка («emergency
button»), помимо этого реализовано программное отслеживание управляющих
воздействий со стороны водителя, при наличии которых система автономного
вождения отключается.
Для исследовательских, а также демонстрационных целей [170] было
разработано специальное приложение для операционной системы Android
дистанционного управления движением экспериментального автомобиля с
планшета/смартфона пользователя (Wi-Fi), в т.ч. удаленно по сетям LTE [171].

Навигационная система экспериментального автомобиля

Одной из проблем, с которыми сталкиваются разработчики, является

сложность определения точного пространственного положения автомобиля. В
принципе, проблема решается с применением высокоточной спутниковой
 321

навигации с дифференциальными поправками, однако, такое решение является

слишком дорогостоящим в настоящее время для массового внедрения, а также не
способствует решению проблем нахождения положения автомобиля в условиях
отсутствия спутниковых сигналов, плотной городской застройки и критических
погодных условий.
Логичным представляется использование гибридной навигационной
системы (Рисунок 5.48), представляющей собой симбиоз спутниковой,
инерциальной и расчетно-аналитической навигации. Под последней понимается
система, позволяющая определять траекторию движения на основании данных
скоростей колес, скорости и ускорений центра масс автомобиля, угловой скорости
рысканья и данных об управляющих воздействиях, получаемых с бортовых
мультиплексных сетей. Использование гибридной навигационной системы
позволяет использовать преимущества и устранять недостатки каждой из
навигационных подсистем.
Гибридная
навигационная
система

Инерциальная Расчетно-
Спутниковая
навигационная аналитическая
навигация
система навигация

Рисунок 5.48. Схема гибридной навигационной системы автомобиля

Особенности расчета траектории движения автомобиля в реальном времени

(расчетно-аналитическая навигация) опубликованы автором в статье [172],
отметим лишь, что ошибки, допущенные при расчете приращений, накапливаются
со временем. Поэтому важно: во-первых, максимально точно определять скорость
движения автомобиля и угловую скорость рысканья; во-вторых, проводить оценку
накапливаемой расчетной ошибки и осуществлять коррекцию на основе данных
других навигационных подсистем (Рисунок 5.49).
 322

Положение
автомобиля в
пространстве
Корректировка Определение
местоположения местоположения
спутниковой и расчетно-
инерциальной аналитическим
навигациями способом

Оценка
накопления
расчетной ошибки

Рисунок 5.49. Функциональный цикл гибридной навигационной системы

На Рисунке 5.50 показана модель Simulink расчетно-аналитического блока

гибридной навигации модуля автономного вождения, подпрограмма «navi_local»
приведена в Приложении.

Рисунок 5.50. Модель Simulink расчетно-аналитического блока гибридной

навигации

На Рисунке 5.51 показана модель Simulink спутникового блока гибридной

навигации модуля автономного вождения, подпрограмма «BU353G_GPS_Glonass»
представлена в Приложении.
 323

Рисунок 5.51. Модель Simulink спутникового блока гибридной навигации

Дорожные испытания проводились на дорогах общего пользования г.Москвы

и внутренней территории университета МАДИ. При проведении эксперимента шел
дождь со снегом, было пасмурно. Погодные условия вместе с условиями высотной
застройки критическим образом повлияли на точность построения траекторий с
помощью спутниковой навигации (Рисунок 5.52). Точки начала и окончания
маршрутов движения совпадали для последующей оценки точности построения
пройденного пути.

Рисунок 5.52. Результаты записи траектории движения, осуществленные

расчетно-аналитическим и спутниковым блоками гибридной навигации
 324

Результаты оценки точности расчетно-аналитического блока гибридной

навигации экспериментального автомобиля при выполнении дорожных испытаний
с движением по замкнутой (циклической) траектории приведены в Таблице 13.
Таблица 13.
Сравнительные результаты дорожных испытаний
№ Описание Путь, м Время, с Ошибка, м Ошибка, %
Водитель №1,
1 привычная манера 268.26 63.44 0.89 0.33
вождения
Водитель №1,
2 268.18 188.43 1.64 0.61
движение накатом
Водитель №2,
3 265.06 41.57 2.53 0.95
максимально быстро
Водитель №2,
4 привычная манера 535.38 136.41 0.56 0.10
вождения, два круга

На Рисунке 5.53 показана траектория движения заезда №4 (Таблица 13),

построенная в реальном времени, т.е. в процессе движения, расчетно-
аналитическим блоком (Рисунок 5.50) гибридной навигации экспериментального
автономного колесного транспортного средства.

Рисунок 5.53. Траектория движения заезда №4 (расчетно-аналитический блок)

 325

Проведенные экспериментальные исследования установили, что

накапливаемая относительная погрешность построения траектории пройденного
пути разработанным расчетно-аналитическим блоком гибридной навигации не
превышает 1% от пройденного пути в независимости от условий и режимов
движения экспериментального автономного колесного транспортного средства.

Система контроля движения в полосе

Вместе с широким распространением электромеханического усилителя

рулевого управления перед автопроизводителями открылись новые возможности
улучшения свойств активной безопасности автомобилей путем внедрения
дополнительных систем помощи водителю (ADAS). К таким системам может быть
отнесена и система удержания автомобиля в полосе движения (Lane keeping
assistance systems – LKAS) [94], которой исторически предшествовала система
контроля движения в полосе (Lane departure warning system) [173]. Рассматриваемая
система априори входит в состав систем управления движением автомобилей с
уровнями автоматизации SAE с третьего по пятый [101], т.е. относится к базовым
технологиям автономных колесных транспортных средств [68, 102]. Подробное
описание требований и методов испытаний рассматриваемых систем опубликовано
автором в статье [174]. Ниже приводится описание разработанной системы вместе
с результатами тестирования. Так, на Рисунке 5.54 показана модель Simulink
распознавания дорожной разметки модулем (Raspberry Pi Model B+) видеокамеры
правого борта (размещение камеры – Рисунок 5.21), текст функции «rcam»
приведен в Приложении.

Рисунок 5.54. Модель Simulink распознавания дорожной разметки модулем

Raspberry Pi видеокамеры правого борта
 326

На Рисунке 5.55 показан кадр видеокамеры правого борта и нанесенная

калибровочная сетка для того, чтобы привести в соответствие координаты
пикселей изображения к координатам в сантиметрах. Использование сантиметров
было обусловлено тем, что итоговое расстояние от борта автомобиля до
ближайшей линии дорожной разметки передавалось 1 байтом (utf8), еще 1 байт в
отправляемом пакете использовался для обозначения количества распознанных
линий разметки.

а) б)
Рисунок 5.55. Кадр с видеокамеры правого борта: а – черно-белое изображение;
б – с нанесенной калибровочной сеткой.

Проведенный анализ позволил установить следующую зависимость,

применимую к объекту испытаний, для использования системой контроля
движения в полосе:
dist  0.0007136  pixelX 2  0.2313  pixelX , (5.7)
где:
dist - расстояние до левого/правого борта экспериментального автомобиля, [см];

pixelX - координата пикселя на кадре видеопотока по оси Х, [-].

 327

Учитывая симметричность установки камер левого и правого бортов,

зависимость (5.7) является справедливой для обоих модулей обработки
(установленных, соответственно, под обшивками левой и правой передних дверей).
На Рисунке 5.56 показаны примеры распознавания дорожной разметки в
движении модулем камеры левого борта. Вертикальными черными линиями
показаны итоговые линии распознанных объектов, т.е. линий, до которых далее
производился расчет расстояний по формуле (5.7).

а) б)
Рисунок 5.56. Примеры распознавания дорожной разметки в движении модулем
камеры левого борта (г.Москва, Ленинградский пр-кт, ≈90 км/ч, пасмурная
снежно-дождливая погода): а – двойная сплошная; б – одинарная сплошная в
процессе перестроения.

Итак, два модуля обработки видеоизображений с камер левого и правого

борта, распознавая количество полос и расстояние до ближайшей, отправляли
рассчитываемые данные по протоколу UDP через сеть Ethernet
экспериментального автомобиля в модуль автономного вождения. На Рисунке 5.57
показано сведение данных с модулей двух бортов в модуле автономного вождения.
 328

Рисунок 5.57. Результаты распознавания положения автомобиля относительно

дорожной разметки при движении по дорогам общего пользования

Отметим, что наличие систем распознавания дорожной разметки по бортам

автомобиля не является достаточным при создании автономного колесного
транспортного средства 5 уровня автоматизации. При увеличении скорости
движения становятся необходимыми данные о дорожной разметке впереди
автомобиля. Для решения данной задачи была задействована одна из фронтальных
камер экспериментального автомобиля.
Для распознавания дорожной разметки впереди автомобиля использовалась
функция «fcam», приведенная в Приложении.
На Рисунках 5.58 и 5.59 показаны интерфейсы отладки разработанной
системы контроля движения в полосе. Слева сверху в виде графиков показаны
расстояния в сантиметрах до полос дорожной разметки по левому (желтый цвет) и
правому (синий цвет) бортам, получаемые модулем автономного вождения от
модулей боковых камер автомобиля. Снизу посередине выведен текущий
обрабатываемый фрагмент кадра видеопотока фронтальной камеры с нанесением
черных точек на обнаруженные зоны полос дорожной разметки. Сверху справа
показана масштабная карта распознаваемой впереди дорожной разметки (вид
сверху).
 329

Рисунок 5.58. Результаты распознавания дорожной разметки при движении по

дорогам общего пользования (г.Москва, Ленинградский пр-кт)

Масштабная карта распознаваемой впереди дорожной разметки (сверху

справа на Рисунках 5.58 и 5.59) имеет следующие характеристики: ±6 метров
влево/вправо от центра масс автомобиля и 40 метров вперед в направлении
продольной оси автомобиля, т.е. 12х40 м.
 330

На Рисунке 5.59 показан пример распознавания дорожной разметки при

смене полосы движения, соответственно на масштабной карте отчетливо видно
отклонение пути следования автомобиля от направления дорожной разметки.

Рисунок 5.59. Результаты распознавания дорожной разметки при движении по

дорогам общего пользования, смена полосы движения

Проведенные экспериментальные исследования подтвердили

работоспособность разработанной системы контроля движения в полосе.
 331

Результаты испытания системы прогнозирования траектории движения

На Рисунке 5.60 синей пунктирной линией показана фактическая траектория

центра масс экспериментального автомобиля во внутренней системе координат
гибридной навигации при движении на развороте в центр по Ленинградскому
проспекту в г.Москве. В целях безопасности автомобилем управлял человек,
обработка данных осуществлялась после эксперимента. Красными линиями
показаны прогнозируемые траектории движения, если бы управляющие
воздействия, актуальные для начальных точек расчетов, оставались бы
неизменными в течение следующих 3 секунд движения. Черными линиями
показаны прогнозируемые траектории движения при подаче на входы
адаптированной математической модели (раздел 3.5) действительных
управляющих воздействий, записанных во время испытаний.

Рисунок 5.60. Прогнозирование траектории движения экспериментального

автономного колесного транспортного средства

Прогнозируемые участки траектории движения (черные линии) совпадают с

фактической траекторией движения с доверительной точностью, что подтверждает
применимость разработанной подсистемы.
 332

5.3. Выводы по главе 5

1. Создан опытный образец автономного колесного транспортного средства

на базе маршрутного такси ГАЗ-322132 с реализацией функций:
- автоматического управления сцеплением;
- автоматического торможения;
- управления переключением передач;
- управления процессом разгона;
- автоматического движения по криволинейной траектории.
Дорожные испытания, проходившие на автополигоне МАДИ, подтвердили
применимость разработанной методологии создания систем управления
движением автономных колесных транспортных средств. Автомобиль может быть
классифицирован как автотранспортное средство третьего уровня автоматизации
SAE.
2. Создан опытный образец автономного колесного транспортного средства
на базе легкового автомобиля Chevrolet Orlando. Применены авторские технологии
глубокой интеграции внешнего оборудования в бортовые мультиплексные сети
передачи данных.
Накапливаемая относительная погрешность построения траектории
пройденного пути разработанным расчетно-аналитическим блоком гибридной
навигации не превышает 1% от пройденного пути в независимости от условий и
режимов движения.
Экспериментальные исследования подтвердили работоспособность
разработанной системы контроля движения в полосе, а также подсистемы
прогнозирования траектории движения.
В экспериментальном автомобиле реализована разработанная концепция
создания систем управления движением автономных колесных транспортных
средств и подтверждена работоспособность предложенной методологии.
Автомобиль может быть классифицирован как автотранспортное средство
четвертого уровня автоматизации SAE.
 333

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В результате выполнения диссертационной работы:

1. Проведен обзор и анализ работ в области автоматизации движения автомобиля,
установлены особенности создания зарубежных опытных образцов автономных
КТС, тенденции развития ИТС, рассмотрены вопросы стандартизации технологий.
2. Разработана концепция создания систем управления движением автономных
колесных транспортных средств, направленная на радикальное повышение
безопасности дорожного движения путем предотвращения возможных
столкновений. Концепция включает в себя:
- сформулированный и обоснованный состав системы автономного вождения;
- функциональные и технические требования к системе и элементам системы, а
также методы выполнения требований;
- методологию оборудования новых и дооснащения находящихся в эксплуатации
колесных транспортных средств для выполнения задач автономного движения;
- методы интеграции автономных КТС в интеллектуальную транспортную среду.
3. Установлены проблемы организационно-экономического характера, требующие
решения для повсеместного распространения и внедрения технологий автономных
колесных транспортных средств.
4. Разработана комплексная математическая модель расчета динамики движения
автомобиля, подробно описывающая неустановившиеся режимы движения
(экспериментально доказана новая зависимость расчета реакций опорного
основания в пятне контакта пневматической шины с дорогой), а также режимы
движения с высокими скоростями на разных типах опорных поверхностей,
отличающаяся тем, что пригодна к использованию в системе управления
движением автономного колесного транспортного средства.
5. Разработана, доказана и применена на практике методика верификации
комплексной математической модели на основе анализа результатов дорожных
испытаний. Установлены минимальный набор испытаний и возможность
автоматического уточнения параметров в процессе эксплуатации.
 334

6. Выполнена оценка адекватности математической модели с проведением

дорожных испытаний трех автомобилей. Погрешность расчетных параметров
движения не превысила 8% при уровне доверительной вероятности 95%.
7. Разработана и применена на практике методика декодирования данных,
передаваемых по CAN-шинам транспортных и технологических машин.
8. Установлена применимость использования данных, получаемых с бортовых
мультиплексных сетей современных транспортных средств при решении
исследовательских задач, проведении дорожных испытаний, разработке устройств
интеллектуальных транспортных систем, а также систем управления движением
автономных транспортных средств. Проведены дорожные испытания двух
автомобилей для оценки точности данных штатных мультиплексных сетей.
9. В задаче интеграции автономных колесных транспортных средств в
интеллектуальную транспортную среду установлен перечень параметров (40 шт.),
состоящий из групп географических данных текущего и прогнозируемого
положений, кинематических параметров движения, данных об управляющих
воздействиях, условиях движения, состоянии опорной поверхности и
идентификаторах автономного КТС, передаваемых в динамическую сеть ИТС, а
также требования к скорости передачи данных (не менее 2,53 Кбит/с).
10. Созданы и испытаны опытные образцы автономных колесных транспортных
средств на базе микроавтобуса (третий уровень автоматизации SAE) и легкового
автомобиля (четвертый уровень автоматизации SAE) с реализацией функций
автоматического торможения и поддержания дистанции, высокоточного
позиционирования и записи маршрута движения, контроля и удержания
автомобиля в полосе дорожной разметки, движения по заданной траектории,
прогнозирования траектории движения в режиме реального времени,
отслеживания действий водителя при функционировании системы автономного
вождения. Доказана работоспособность разработанной методологии создания
систем управления движением автономных колесных транспортных средств,
интегрированных в интеллектуальную транспортную среду, направленной на
повышение безопасности дорожного движения.
 335

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

1. ГОСТ Р 7.0.11-2011. Система стандартов по информации, библиотечному и

издательскому делу. Диссертация и автореферат диссертации. Структура и правила
оформления. М.: Стандартинформ, 2012. 11 с.
2. Литвинов А.С. Управляемость и устойчивость автомобиля. М.:
Машиностроение, 1971. 415 с.
3. Литвинов А.С., Фаробин Я.Е. Автомобиль. Теория эксплуатационных
свойств: Учебник для втузов. М.: Машиностроение, 1989. 240 с.
4. Чудаков Е.А. Теория автомобиля: учеб. для высш. учеб. заведений. 3-е изд.,
перераб. М.: Машгиз, 1950. 343 с.
5. Фаробин Я.Е., Гринберг Н.С., Самойленко Ю.А. Разработка методологии
комплексной оценки управляемости автомобильных транспортных средств //
Известия вузов. 1988. №4. С. 88-92.
6. Фаробин Я.Е. Теория поворота транспортных машин. М.: Машиностроение,
1970. 176 с.
7. Хачатуров А.А. Динамика системы дорога шина автомобиль водитель. М.:
Машиностроение, 1976. 534 с.
8. Хачатуров А.А. Расчет эксплуатационных параметров движения автомобиля
и автопоезда. М.: Транспорт, 1982. 264 с.
9. Антонов Д.А. Расчет устойчивости движения многоосных автомобилей. М.:
Машиностроение, 1984. 168 с.
10. Антонов Д.А. Теория устойчивости движения многоосных автомобилей. М.:
Машиностроение, 1978.
11. Гинцбург Л.Л., Носенков М.А. Методы оценки управляемости автомобиля на
поворотах // Автомобильная промышленность. 1971. №2. С. 14-17.
12. Гинцбург Л.Л. Модель водителя для исследования движения автомобиля по
заданной траектории // Автомобильная промышленность». 1997. №8. С. 23-29.
13. Гинцбург Л.Л. Теория управляемого движения автомобиля относительно
заданной траектории: дис. ... докт. техн. наук. М.: НАМИ, 1988.
 336

14. Иванов А.М. Оптимизация кинематических параметров рулевого привода

многоосных автомобилей: дис. … канд. техн. наук. 05.05.03 [Место защиты:
МАДИ]. М. 1981. 185 с.
15. Иванов А.М. Технические пути повышения конструктивной эффективности
грузовых автотранспортных средств: дис. … докт. техн. наук. 05.05.03 [Место
защиты: МАДИ]. М. 1995. 533 с.
16. Дик А.Б. Расчет стационарных и нестационарных характеристик
тормозящего колеса при движении с уводом: дис. … канд. техн. наук. 05.05.03.
Омск. 1988. 228 с.
17. Бухин Б.Л. Выходные характеристики пневматических шин. М.:
ЦНИИТЭнефтехим, 1978. 77 с.
18. Юрчевский А.А. Исследование автомобиля, как объекта программного
управления: дис. … канд. техн. наук. 05.05.03. М. 1968. 211 с.
19. Юрчевский А.А. Синтез систем предотвращения столкновений автомобилей
(теория, эксперимент, реализация): дис. … докт. техн. наук. 05.05.03. М. 1984. 407
с.
20. Майборода О.В. Повышение надежности управления боковым движением
автомобиля. дис. ... канд. техн. наук. Дмитров. 1982. 258 с.
21. Бахмутов С.В., Рыков Е.О., Шемякин Ю.В. Для оценки активной
безопасности АТС // Автомобильная промышленность. 1989. № 9. С. 28-29.
22. Бахмутов С.В., Рыков Е.О., Шемякин Ю.В. Обобщенная силовая диаграмма
как инструмент оценки устойчивости и управляемости автомобиля //
Автомобильная промышленность. 1992. № 9. С. 15-18.
23. Бахмутов С.В., Ахмедов А.А. Оптимизация АТС по критериям
управляемости и устойчивости в условиях неровной дороги // Автомобильная
промышленность. 2004. № 10. С. 32-35.
24. Бахмутов С.В., Богомолов С.В., Висич Р.Б. Технология двухэтапной
оптимизации эксплуатационных свойств автомобиля // Автомобильная
промышленность. 1998. № 12. 18-21.
 337

25. Бахмутов С.В. Научные основы параметрической оптимизации автомобиля

по критериям управляемости и устойчивости: дис. … докт. техн. наук. 05.05.03. М.
2001. 350 с.
26. Бутылин В.Г. Активная безопасность автомобиля. Минск: НИРУП
«Белавтотракторостроение», 2002. 193 с.
27. Боковые силы и устойчивость движения автомобиля в режиме торможения /
Э. Н. Никульников [и др.]. // Автомобильная промышленность. 2007. №12. С. 15-
17.
28. Кушвид Р.П., Мирзоев Г.К., Фалькевич Б.С. Исследование рулевого
управления автомобиля // Межвуз. сб. науч. тр. «Безопасность и надежность
автомобиля». М.: МАМИ, 1976. С. 17-32.
29. Кушвид Р.П. Прогнозирование показателей управляемости и устойчивости
автомобиля с использованием комплекса экспериментальных и теоретических
методов: дис. … докт. техн. наук. 05.05.03. М., 2004. 348 с.
30. Кушвид Р.П., Горобцов А.С., Карцов С. К. Развитие теории управляемости и
устойчивости автомобиля на базе пространственных компьютерных моделей. М.:
Машиностроение-1, 2004. 136 с.
31. Певзнер Я.М. Теория устойчивости автомобиля. М.: Машгиз, 1947. 155 с.
32. Вонг Дж. Теория наземных транспортных средств. Пер. с англ. М.:
Машиностроение, 1982. 284 с.
33. Эллис Д.Р. Управляемость автомобиля: (пер. с англ.). М.: Машиностроение,
1975. 216 с.
34. Ellis J.R., Sharp R.S. Measurements of Vehicle Handling Characteristics For Ride
and Handling // Proc.Auto.Div.I.Mech.E. 1968. Vol 182. Part 3B. P. 71-81.
35. Furukawa Y., Nakaya H. Effects of Steering Response Characteristics on Control
Perfomance of the Driver-Vehicle System. // Int. J. of Vehicle Design. 1986. Spesial Issue
on Vehicle Safety. P. 262-278.
36. Pacejka H.B. Tire and Vehicle Dynamics. U.S.A.: Society of Automotive
Engineers, 2002. ISBN 0768011264. 627 p.
 338

37. Pacejka H.B. The wheel shimmy phenomenon: A theoretical and experimental
investigation with particular reference to the non-linear problem: dissertation … doctoral
thesis. Technical University of Delft. 1966. 192 p.
38. Pacejka H.B. Non-linearities in Road Vehicl Dynamics // Vehicle System
Dynamics. 1986. №15(5). P. 237-254.
39. Pacejka H.B. Reseach in Vehicle Dynamics and Tyre Mechanics. DGT PROGB
REPT 7. 1982. P. 3-4.
40. Ветлинский В.Н., Осипов А.В. Автоматические системы управления
движением автотранспорта. Л.: Машиностроение, Ленинградское отделение, 1986.
216 с.
41. Дик Д.И. Метод предотвращения попутных столкновений автомобилей: дис.
… канд. техн. наук. Тюмень. 2005. 242 с.
42. Иванов А.Л. Обеспечение регулируемого действия рабочей тормозной
системы автомобиля в эксплуатации: дис. … канд. техн. наук. Омск. 2003. 127 с.
43. Хасанов Р.И. Управление скоростным режимом автомобиля в эксплуатации
на основе бортовых средств оперативной оценки состояния дорожного полотна:
дис. … канд. техн. наук. 05.22.10 [Место защиты: Оренбург. гос. ун-т]. Оренбург.
2012. 203 с.
44. Козлов И.В. Исследование и моделирование процессов автоматизированного
контроля параметров движения транспортных средств, влияющих на дорожно-
транспортные происшествия: дис. … канд. техн. наук. 05.13.06. Орел. 2005. 153 с.
45. Андриков Д.А. Интеллектуальная система повышения управляемости
колесного транспортного средства при торможении на основе Н∞-оптимизации:
дис. … канд. техн. наук. 05.13.01 [Место защиты: Моск. гос. техн. ун-т им. Н.Э.
Баумана]. Москва. 2008. 156 с.
46. Кисуленко Б.В. Бочаров А.В. Интеллектуальные системы безопасности
автомобилей // Автомобильная промышленность. 2008. №3. С. 16-18.
47. Кузьмин В.В. Шпатенк Т.В. Опыт создания и эксплуатации
интеллектуальных транспортных систем. М.: МАДИ(ГТУ), 2009. 287 с.
 339

48. Ходес И.В. Бондаренко М.В. Компьютерная поддержка активной

безопасности водителя // Автомобильная промышленность. 2008. №7. С. 20-23.
49. Нгуен Т.М. Методика расчётной оценки траекторной управляемости
автомобиля по относительным боковым смещениям и ускорениям: дис. … канд.
техн. наук. 05.05.03. Волгоград. 2012. 159 с.
50. Малявин А.А. Разработка системы управления движением автомобиля с
использованием нечеткой логики: дис. … канд. техн. наук. 05.13.06. Москва. 2011.
180 с.
51. Андреев С.В. Исследование и разработка человеко-машинных систем
управления автомобилем с использованием аппарата нечеткой логики: дис. …
канд. техн. наук. 05.11.16. СПб. 2005. 134 с.
52. Michon J.A. A CRITICAL VIEW OF DRIVER BEHAVIOR MODELS: WHAT
DO WE KNOW, WHAT SHOULD WE DO? // In L. Evans & R. C. Schwing (Eds.).
Human behavior and traffic safety. New York: Plenum Press, 1985. P. 485-520
53. SAE J3016. Taxonomy and Definitions for Terms Related to On-Road Motor
Vehicle Automated Driving Systems. U.S.A.: SAE, 2014. 12 p.
54. Buehler M., Iagnemma K., Singh S. The DARPA Urban Challenge. Autonomous
Vehicles in City Traffic. Springer. 2009. 651 p.
55. Vlacic L., Parent M., Harashima F. Intelligent Vehicle Technologies. Theory and
Applications. Butterworth-Heinemann. 2001. 519 p.
56. Özgüner Ü., Acarman T., Redmill K. Autonomous Ground Vehicles. Artech
House. 2011. 289 p.
57. Eskandarian A. Handbook of Intelligent Vehicles. Springer. 2012. 1628 p.
58. Tahirovic A., Magnani G. Passivity-Based Model Predictive Control for Mobile
Vehicle Motion Planning. Springer. 2013. 64 p.
59. Autonomous Control Systems and Vehicles. Intelligent Unmanned Systems /
Nonami K [et al.]. // Springer Japan. 2013. 306 p.
60. Meyer G. Advanced Microsystems for Automotive Applications. Springer. 2012.
365 p.
 340

61. Gonzalez R., Rodriguez F., Guzman JL. Autonomous Tracked Robots in Planar
Off-Road Conditions. Modelling, Localization, and Motion Control. Springer. 2014. 122
p.
62. Cheng H. Autonomous Intelligent Vehicles. Theory, Algorithms, and
Implementation. Springer. 2011. 163 p.
63. Жанказиев С.В. Научные основы и методология формирования
интеллектуальных транспортных систем в автомобильно-дорожных комплексах
городов и регионов: дис. … докт. техн. наук. 05.22.01. М. 2012. 449 с.
64. Жанказиев С.В., Власов В.М. Научные подходы к формированию
государственной стратегии развития интеллектуальных транспортных систем //
Автотранспортное предприятие. 2010. №7. С. 2-8.
65. Иванов А.М., Шадрин С.С. Разработка системы межобъектного
взаимодействия интеллектуальных транспортных средств // Известия ВолгГТУ.
Серия «Наземные транспортные системы». Вып. 7 : межвуз. сб. науч. ст. /
Волгоград : ВолгГТУ, 2013. № 21 (124). C. 74-77.
64. Иванов А.М., Шадрин С.С., Карпухин К.Е. Интеллектуальное транспортное
средство. Адаптация подсистемы определения взаимного положения движущихся
транспортных средств // Известия МГТУ «МАМИ». 2013. Т. 1, №2(16). С. 57-62.
65. Автомобильный справочник Bosch. Пер. с англ. ООО «СтарСПб» 3-е изд.,
перераб. и доп. М.: ООО «Книжное издательство «За рулем», 2012. 1280 с.: ил.
66. MARTIN T.C., ORCHARD M.E., SANCHEZ P.V. Design and simulation of
control strategies for trajectory tracking in an autonomous ground vehicle // IFAC
Proceedings Volumes (IFAC-PapersOnline). 2013. P. 118-123.
67. Долгов И.А. Анализ управляемого движения автомобиля в системе
"ВОДИТЕЛЬ-АВТОМОБИЛЬ-ДОРОГА" математическими методами: дис. …
канд. техн. наук. 05.05.03. М. 2013. 214 с.
68. Иванов А.М., Шадрин С.С. Обоснование выбора ключевых технологий
функционирования системы межобъектного взаимодействия интеллектуальных
транспортных средств при движении по скоростным автомагистралям // Вестник
МАДИ. 2013. Вып. 1(32). С. 7-13.
 341

69. DIRECTIVE 2010/40/EU OF THE EUROPEAN PARLIAMENT AND OF THE

COUNCIL of 7 July 2010 on the framework for the deployment of Intelligent Transport
Systems in the field of road transport and for interfaces with other modes of transport //
Official Journal of the European Union. 2010. 13 p.
70. Шадрин С.С. Методика расчетной оценки управляемости и устойчивости
автомобиля на основе результатов полигонных испытаний: дис. ... канд. техн. наук.
05.05.03. М. 2009. 132 с.
71. Карпов В.В. Разработка методов оценки безопасности маневра автомобиля:
дис. … канд. техн. наук. 05.22.10, 05.05.03. М. 2005. 180 с.
72. Русаков В.З. Безопасность автотранспортных средств в эксплуатации: дис. ...
докт. техн. наук. 05.22.10. М. 2004. 360 с.
73. Ахмедов А.А. Улучшение управляемости и устойчивости автомобиля при
движении по неровной дороге методами многокритериальной параметрической
оптимизации: дис. ... канд. техн. наук. 05.05.03. М. 2004. 169 с.
74. Гаевский В.В. Расчетное определение показателей управляемости и
устойчивости для сертификации АТС: дис. … канд. техн. наук. 05.05.03. М. 1998.
169 с.
75. Гурьянов М.В. Частотный метод оценки курсовой устойчивости автомобиля
на основе его моделей в виде систем с многими степенями свободы и нелинейным
взаимодействием шин с дорожным покрытием: дис. … канд. техн. наук. 05.13.18.
Ульяновск. 2007. 226 с.
76. Rodrigues A.O. Evaluation of an active steering system. Master’s degree project.
[Электронный ресурс] / Sweden, 2004. 41 p. URL:
http://www.s3.kth.se/~kallej/grad_students/rodriguez_orozco_thesis04.pdf (дата
обращения: 03.02.2014).
77. Ходес И.В. Методология прогнозирования управляемости колесной машины:
дис. ... докт. техн. наук. 05.05.03. Волгоград. 2006. 377 с.
78. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6.
Инструменты искусственного интеллекта и биоинформатики. М.: СОЛОН-ПРЕСС,
2006. 456 с.: ил.
 342

79. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH.

СПб.: БХВ-Петербург, 2005. 736 с.: ил.
80. Льюнг. Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.
432 с.
81. Пупков К.А., Егупов Н.Д., Трофимов А.И. Статистические методы анализа,
синтеза и идентификации систем автоматического управления: учеб. пособие для
втузов. М.: МГТУ им.Н.Э.Баумана, 1998. 561 с.
82. Никульчев Е.В. Геометрический подход к моделированию нелинейных
систем по экспериментальным данным: монография. М.: МГУП, 2007. 162 с.
83. Рокар И. Неустойчивость в механике. Автомобили, самолеты, висячие мосты.
М.: ИИЛ, 1959. 288 с.
84. Гришкевич А.И. Автомобили. Теория. Минск.: Высшая школа, 1986. 207 с.
85. Maren C.L.A.van, Sika J. Scaled vehicle dynamics of Davinci project // Faculty of
Design, Engineering and Production, Vehicle Technology Section. Delft University of
Technology. 2001. 46 p.
86. Bakker E., Nyborg L., Pacejka H. Tyre modelling for use in vehicle dynamics
studies // Society of Automotive Engineerings Transactions. 1988. №96(2). P. 190-204.
87. Лобас Л.Г. Качественные и аналитические методы в динамике колесных
машин. АН УССР. Ин-т механики. Киев: Наук. думка, 1990. 232 с.
88. Kiencke U., Nielsen L. Automotive Control Systems for Engine, Driveline, and
Vehicle (Second Edition). Berlin: Springer-Verlag Heidelberg, 2005. 512 p.
89. Guiggiani M. Dinamica del veicolo. Italy: CittàStudiEdizioni, 2007. ISBN 978-88-
251-7300-0. 384 p.
90. Vehicle dynamics modeling for real-time simulation. / VANDI G. [et al.]. // SAE
Technical Papers. 2013. 2013-24-0144. Published 09/08/2013. DOI: 10.4271/2013-24-
0144. 11 p.
91. Li Zhanqi, Li Fei, Liu Quanzhou Calibration of Equivalent Tire Cornering Stiffness
for Vehicle Reference Model in ESP Based on Fminsearch Method // 2nd International
Conference on Electronic & Mechanical Engineering and Information Technology
(EMEIT-2012). Paris. 2012. P. 184-188.
 343

92. Горелов В.А. Прогнозирование характеристик криволинейного движения

полноприводного автомобиля с формулой рулевого управления 1-0-3 при
различных законах управления колесами задней оси: дис. … канд. техн. наук.
05.05.03. М. 2008. 195 с.
93. United States Code, 2008 Edition, Supplement 5, Title 49 TRANSPORTATION,
Sec. 30102 Definitions, pp: 56.
94. ISO 11270:2014. Intelligent transport systems Lane keeping assistance systems
(LKAS) Performance requirements and test procedures. Published in Switzerland, 2014.
19 p.
95. ISO 22179:2009. Intelligent transport systems Full speed range adaptive cruise
control (FSRA) systems Performance requirements and test procedures. Published in
Switzerland, 2009. 34 p.
96. ISO 15622:2010. Intelligent transport systems Adaptive Cruise Control systems
Performance requirements and test procedures. Published in Switzerland, 2010. 25 p.
97. SAE J3018. Guidelines for Safe On-Road Testing of SAE Level 3, 4, and 5
Prototype Automated Driving Systems (ADS). U.S.A.: SAE, 2015. 12 p.
98. SAE J1698. Event Data Recorder [Электронный ресурс] / U.S.A.: SAE, 2014.
URL: http://standards.sae.org/j1698_201405/ (дата обращения: 08.10.2014).
99. SAE J1698-1. Event Data Recorder Output Data Definition. U.S.A.: SAE, 2013.
41 p.
100. SAE J3092. Dynamic Test Procedures for Verification & Validation of Automated
Driving Systems (ADS) [Электронный ресурс] / U.S.A.: SAE, 2015. URL:
http://standards.sae.org/wip/j3092/ (дата обращения: 10.05.2015).
101. Шадрин С.С., Иванов А.М. Аналитический обзор стандарта SAE J3016
«Системы автоматизированного управления движением АТС. Классификация,
термины и определения» // Естественные и технические науки. 2015. Вып. 6(84). С.
305-308.
102. Шадрин С.С., Иванов А.М., Невзоров Д.В. Автономное колесное
транспортное средство в составе интеллектуальных транспортных систем //
Естественные и технические науки. 2015. Вып. 6(84). С. 309-311.
 344

103. Пат. 2518112 Российская Федерация, МПК B60T8/32, B60T8/66, B60T8/86,

B60T7/12. Способ управления гидравлическим тормозным приводом для
обеспечения автоматического торможения автомобиля [Текст] / Спинов А. Р. ;
заявитель и патентообладатель Московский автомобильно-дорожный
государственный технический университет (МАДИ) (RU). № 2012149350 ; заявл.
20.11.2012 ; опубл. 10.06.2014.
104. Разработка системы автоматического торможения колесного транспортного
средства / С.С. Шадрин [и др.]. // Журнал Автомобильных Инженеров. 2013.
№6(83). С. 36-39.
105. Разработка системы автоматизированного движения в «пробках» городского
транспортного средства / С.С. Шадрин [и др.]. // Вестник МАДИ. 2014. Вып. 3(38).
С. 106-112.
106. Свидетельство о государственной регистрации программы для ЭВМ №
2014610891. Российская Федерация. Программа управления гидравлическим
тормозным приводом для обеспечения автоматического торможения автомобиля
[Текст] / Спинов Александр Русланович, Иванов Андрей Михайлович, Шадрин
Сергей Сергеевич ; заявитель и патентообладатель федеральное государственное
бюджетное образовательное учреждение высшего профессионального образования
«Московский автомобильно-дорожный государственный технический университет
(МАДИ)» (RU). № 2013660839 ; заявл. 21.11.2013 ; опубл. 17.01.2014.
107. Основы конструкции автомобиля / А.М. Иванов [и др.]. М.: ООО «Книжное
издательство «За рулём», 2005. 316 с.
108. Шадрин С.С., Иванов А.М. Возможности использования бортовых сетей
передачи данных автотранспортных средств в задачах интеллектуальных
транспортных систем // Автотранспортное предприятие. 2014. № 5. C. 43-46.
109. Иванов А.М., Шадрин С.С. Разработка дополнительных сервисов с
использованием интерфейса Vehicle-to-Person (V2P) // Автотранспортное
предприятие. 2014. № 9. C. 16-18.
 345

110. Разработка индирективной системы контроля давления в пневматических

шинах / С.С. Шадрин [и др.]. // Естественные и технические науки. 2014. Вып. 5(73).
С. 104-106.
111. Разработка программного обеспечения штурманского прибора для ралли
третьей категории с использованием технологии ИТС V2P (Vehicle-to-Person) / С.С.
Шадрин [и др.]. // Естественные и технические науки. 2015. Вып. 6(84). С. 297-300.
112. Иванов А.М., Шадрин С.С., Карпухин К.Е. Разработка внешней косвенной
системы контроля давления в пневматических шинах // Известия МГТУ «МАМИ».
2014. Т. 1, №3(21). С. 16-19.
113. Prikhodko V.M., Ivanov A.M., Shadrin S.S. The development of additional
services using Vehicle-to-Person (V2P) interface // Life Sci J. 2014. №11(12s). P. 862-
864.
114. Свидетельство о государственной регистрации программы для ЭВМ
№2015614186. Российская Федерация. Программа V2P контроля давления в шинах
[Текст] / Шадрин Сергей Сергеевич, Иванов Андрей Михайлович, Невзоров Денис
Викторович ; заявитель и патентообладатель федеральное государственное
бюджетное образовательное учреждение высшего профессионального образования
«Московский автомобильно-дорожный государственный технический университет
(МАДИ)» (RU). № 2015611069 ; заявл. 20.02.2015 ; опубл. 08.04.2015.
115. Ivanov A.M., Prikhodko V.M., Shadrin S.S. Development of the external indirect
pressure control system in pneumatic tires // Life Sci J. 2014. №11(12s). P. 336-338.
116. Проект стандарта ГОСТ Р ИСО 22178. Интеллектуальные транспортные
системы. Низкоскоростные системы слежения. Требования к эксплуатации и
процедуре испытаний. 48 с.
117. AL-ZAHER T.S.A., BAYOUMY A.M., SHARAF A.M. Lane tracking and
obstacle avoidance for Autonomous Ground Vehicles // 9th France-Japan and 7th Europe-
Asia Congress on Mechatronics, MECATRONICS 2012. 13th International Workshop
on Research and Education in Mechatronics, REM 2012. 2012. P. 264-271.
 346

118. Шадрин С.С., Иванов А.М., Солнцев А.Н. Разработка автомобильной

системы V2I мониторинга состояния дорожного покрытия // Естественные и
технические науки. 2015. Вып. 6(84). С. 312-314.
119. Иванов, А.М., Шадрин С.С., Невзоров Д.В. Разработка трехмерного
сканирующего устройства системы технического зрения автономного колесного
транспортного средства // Естественные и технические науки. 2015. Вып. 6(84). С.
301-304.
120. Frank Engels. Developing In-Vehicle Traffic Jam Alleviation Technology for
Android Using Simulink [Электронный ресурс] /
URL: http://www.mathworks.com/tagteam/77455_91995v00_developing-traffic-jam-
alleviation-technology-using-simulink.pdf (дата обращения 25.08.15).
121. IEC 61162-1:2010/COR1:2013. Maritime navigation and radiocommunication
equipment and systems Digital interfaces. Аппаратура и системы морской навигации
и радиосвязи. Цифровые интерфейсы. Published by International Electrotechnical
Commission. 170 p.
122. ОСТ 37.001.051-86. Управляемость и устойчивость автотранспортных
средств. Термины и определения. М. 11 с.
123. Шадрин С.С. Математическое моделирование процесса взаимодействия
пневматической шины с опорной поверхностью [Электронный ресурс] // АДИ:
Автомобиль. Дорога. Инфраструктура. 2014. №2(2). С. 8. / URL: http://www.adi-
madi.ru/madi/article/view/89/pdf_35 (дата обращения 19.05.15).
124. W. Breuer. State and parameter estimation for four-wheel-drive passenger cars. //
Proc. of the 2nd European Control Conference, Groningen. Netherlands. 1993. P. 992-
997.
125. Автомобили: Теория эксплуатационных свойств: учебник для студ.
учреждений высш. проф. образования (Сер. Бакалавриат) / А.М. Иванов, А.Н.
Нарбут, А.С. Паршин [и др.] под ред. А.М. Иванова. М.: Издательский центр
«Академия», 2013. 176 с. ISBN 978-5-7695-9140-2.
126. Ларин В.В. Теория движения полноприводных колесных машин: учебник.
М.: Изд-во МГТУ им. Н.Э. Баумана, 2010. 391 с. : ил.
 347

127. Тарг С.М. Краткий курс теоретической механики. Учебн. для втузов. М.:
Высш. шк., 1998. 416 с.
128. M. Burckhardt. Fahrwerktechnik: Radschlupf-Regelsysteme. Vogel Fachbuch,
Würzburg. 1993.
129. J. Reimpell and P. Sponagel. Fahrwerktechnik: Reifen und Räder. Vogel Fachbuch,
Würzburg. 1995.
130. M. Mitschke and H. Wallentowitz. Dynamik der Kraftfahrzeuge. Berlin: Springer
Verlag. 4th edition. 2004.
131. D. Ammon. Radlastschwankungen, Seitenführungsvermögen und Fahrsicherheit,
volume 1088 of VDI Fortschrittberichte. VDI Verlag, Düsseldorf, 1993.
132. Экспериментальная проверка методов оценки эффективности систем
динамической стабилизации АТС / С.С. Шадрин [и др.]. // Автомобильная
промышленность. 2009. №7. С. 31-33.
133. Cornering stiffness adaptation for improved side slip angle observation / M.
Hiemer [et al.]. // Proceedings of the First IFAC Symposium on advances in Automotive
Control (AAC04). Italy. 2004. P 667-672.
134. Шадрин С.С. Идентификация параметров сопротивления движению
колесных транспортных средств в эксплуатации // Известия МГТУ «МАМИ». 2013.
Т. 1, №2(16). С. 248-251.
135. Свидетельство о государственной регистрации программы для ЭВМ
№2015614464. Российская Федерация. Программа имитационного моделирования
динамики движения двухзвенного автопоезда (тягач с полуприцепом) [Текст] /
Иванов Андрей Михайлович, Солнцев Александр Николаевич, Шадрин Сергей
Сергеевич ; заявитель и патентообладатель федеральное государственное
бюджетное образовательное учреждение высшего профессионального образования
«Московский автомобильно-дорожный государственный технический университет
(МАДИ)» (RU). № 2015611317 ; заявл. 04.03.2015 ; опубл. 20.04.2015.
136. Sergey Sergeevich Shadrin, Andrey Mikhailovich Ivanov, Vyacheslav
Mikhailovich Prikhodko. Usage of Smartphones in the Education Process of MADI
 348

during Vehicle Road Tests Conduction // Modern Applied Science. 2015. Vol. 9, No. 1.
P. 83-88.
137. Шадрин С.С., Иванов А.М. Использование смартфонов в образовательном
процессе МАДИ при проведении дорожных испытаний автотранспортных средств
// Известия ВолгГТУ. Серия «Наземные транспортные системы». Вып. 9 : межвуз.
сб. науч. ст. / Волгоград : ВолгГТУ, 2014. № 19 (146). C. 81-85.
138. Руководство по эксплуатации. Автомобили семейства ГАЗель. Второе
издание. Нижний Новгород: ООО «Автозавод «ГАЗ», 2010. 79 с.
139. ГОСТ 31507-2012. Автотранспортные средства. Управляемость и
устойчивость. Технические требования. Методы испытания. М.: Стандартинформ,
2013. 51 с.
140. International Standard ISO 14230-2. Road vehicles Diagnostic systems Keyword
Protocol 2000 Part 2: Data link layer. Switzerland: ISO, 1999. 34 p.
141. Шадрин С.С. Расчетно-экспериментальный метод определения углов
поворота управляемых колес транспортного средства при проведении полигонных
испытаний // Вестник МАДИ. 2013. Вып. 4(35). С. 13-17.
142. ECE/TRANS/180/Add.8 31.07.2008 Организация Объединенных Наций.
Соглашения о введении глобальных технических правил для колесных
транспортных средств, предметов оборудования и частей, которые могут быть
установлены и/или использованы на колесных транспортных средствах.
Глобальные технические правила №8. Электронные системы контроля
устойчивости.
143. BAE I., KIM J.H., KIM S. Steering rate controller based on curvature of trajectory
for autonomous driving vehicles // IEEE Intelligent Vehicles Symposium, Proceedings.
2013. P. 1381-1386.
144. Фадин А.М., Иванов А.М., Шадрин С.С. Методика оценки алгоритмов
управления автомобилем в автоматическом режиме // Вестник МАДИ. 2013. Вып.
3(34). С. 3-7.
 349

145. Фадин А.М., Иванов А.М., Шадрин С.С. Методика расчета углов поворота
рулевого колеса по координатам движения автомобиля // Естественные и
технические науки. 2013. Вып. 4. С. 198-201.
146. Экспериментально-расчетная методика определения сцепных свойств
пневматических шин в эксплуатации / С.С. Шадрин [и др.]. // Естественные и
технические науки. 2014. Вып. 5(73). С. 107-109.
147. Шадрин С.С., Иванов А.М. Экспериментально-расчетная методика
определения сцепных свойств пневматических шин легкового автомобиля в
эксплуатации // Известия МГТУ «МАМИ». 2014. Т. 1, №3(21). С. 65-68.
148. Sergey Sergeevich Shadrin, Andrey Mikhailovich Ivanov, Vyacheslav
Mikhailovich Prikhodko. Experimental and calculated procedure for determining the
adhesion properties of the vehicle pneumatic tires in use // Adv. Environ. Biol. 2014.
№8(13). P. 294-297.
149. Нгуен Т.Н. Бортовая информационно-измерительная и управляющая система
беспилотного автомобиля для циклических тестовых заездов: дис. ... канд. техн.
наук. 05.11.16, 05.13.01. Рязань. 2014. 190 с.
150. Дыгало В.Г. Методология виртуально-физических испытаний
автоматизированных тормозных систем колесных машин: дис. ... докт. техн. наук.
05.05.03. Волгоград. 2015. 348 с.
151. Рязанцев В.И. Прогнозирование устойчивости движения автомобиля с
активно управляемым схождением колес: дис. … докт. техн. наук. 05.05.03. М.
2008. 359 с.
152. ГОСТ Р 52051‑2003. Механические транспортные средства и прицепы.
Классификация и определения. М.: Стандартинформ, 2006. 15 с.
153. SAE STANDARD J1939-71. SURFACE VEHICLE RECOMMENDED
PRACTICE. VEHICLE APPLICATION LAYER. U.S.A.: SAE, 06/2006. 686 p.
154. FMS-Standard Working Group. FMS-Standard. Interface description. Vers. 02.00,
11.11.2010.
 350

155. SAE STANDARD J1850. CLASS B DATA COMMUNICATION NETWORK

INTERFACE. U.S.A.: SAE, 2/15/94. 65 p.
156. ISO 15765-4. Road vehicles Diagnostic on Controller Area Networks (CAN). Part
4: Requirements for emissions-related systems. Switzerland: ISO, 2005. 21 p.
157. SAE STANDARD J1939-21. SURFACE VEHICLE RECOMMENDED
PRACTICE. DATA LINK LAYER. U.S.A.: SAE, 04/2001. 47 p.
158. SAE STANDARD J1939-81. SURFACE VEHICLE RECOMMENDED
PRACTICE. NETWORK MANAGEMENT. U.S.A.: SAE, 05/2003. 39 p.
159. ГОСТ Р ИСО 15765-1-2014. Транспорт дорожный. Передача
диагностических сообщений по локальной сети контроллера (DoCAN). Часть 1.
Общая информация и описание случаев использования. М.: Стандартинформ, 2015.
21 с.
160. ГОСТ Р ИСО 15765-4-2014. Транспорт дорожный. Передача
диагностических сообщений по локальной сети контроллера (DoCAN). Часть 4.
Требования к системам, связанным с выбросами. М.: Стандартинформ, 2015. 54 с.
161. Проект стандарта ГОСТ Р ИСО 11898-1. Транспорт дорожный. Местная
контроллерная сеть (CAN). Часть 1. Канальный уровень и передача сигналов. 63 с.
162. Проект стандарта ГОСТ Р ИСО 11898-2. Транспорт дорожный. Местная
контроллерная сеть (CAN). Часть 2. Устройство доступа к высокоскоростной среде.
30 с.
163. ISO 15031-5:2011(E). Road vehicles Communication between vehicle and
external equipment for emissions-related diagnostics. Part 5: Emissions-related
diagnostic services. Second edition. Switzerland: ISO, 2011. 140 p.
164. Karl Koscher, Stephen Checkoway. Experimental Security Analysis of a Modern
Automobile. [Электронный ресурс] / Department of Computer Science and
Engineering, University of Washington, University of California San Diego. IEEE
Symposium on Security and Privacy, 2010. URL: http://www.autosec.org/pubs/cars-
oakland2010.pdf (дата обращения 25.08.15).
 351

165. Система автоматического торможения автомобиля. Адаптация штатной

тормозной системы автомобили ГАЗ-32213 для работы в составе СПСА / А.И.
Попов [и др.]. // Журнал Автомобильных инженеров. 2011. № 6(71). С. 28-31.
166. Франсис О.О. Совершенствование методики разработки алгоритма
функционирования системы предотвращения столкновений автомобилей: дис. …
канд. техн. наук. 05.05.03. М., 2013. 208 с.
167. Forster R. Manchester encoding: Opposing definitions resolved // Engineering
Science & Education Journal. 2000. No 9(6). P. 278. doi:10.1049/esej:20000609.
168. Tanenbaum Andrew S. Computer Networks (4th Edition). Prentice Hall. 2002. P.
274–275. ISBN 0-13-066102-3.
169. Stallings William. Data and Computer Communications (7th ed.). Prentice Hall.
2004. P. 137–138. ISBN 0-13-100681-9.
170. Иванов А.М., Шадрин С.С. Автономные колесные транспортные средства –
проблемы развития технологий // Беспилотные транспортные средства: проблемы
и перспективы: сборник материалов 94 международной научно-технической
конференции Ассоциации автомобильных инженеров. Нижний Новгород : НГТУ
им. Р.Е. Алексеева, 2016. С. 39-43.
171. Разработка и исследование системы управления движением автомобиля в
сетях LTE / С.С. Шадрин [и др.]. // Беспилотные транспортные средства: проблемы
и перспективы: сборник материалов 94 международной научно-технической
конференции Ассоциации автомобильных инженеров. Нижний Новгород : НГТУ
им. Р.Е. Алексеева, 2016. С. 32-38.
172. Шадрин С.С., Иванов А.М., Юдин В.В. Разработка гибридной навигационной
системы автономного колесного транспортного средства // Беспилотные
транспортные средства: проблемы и перспективы: сборник материалов 94
международной научно-технической конференции Ассоциации автомобильных
инженеров. Нижний Новгород : НГТУ им. Р.Е. Алексеева, 2016. С. 18-24.
173. ISO 17361:2007. Intelligent transport systems -Lane departure warning systems -
Performance requirements and test procedures. Switzerland: ISO, 2007. 19 p.
 352

174. Шадрин С.С., Иванов А.М., Сининкин И.В. Разработка и экспериментальные

исследования автомобильной системы контроля движения в полосе // Беспилотные
транспортные средства: проблемы и перспективы: сборник материалов 94
международной научно-технической конференции Ассоциации автомобильных
инженеров. Нижний Новгород : НГТУ им. Р.Е. Алексеева, 2016. С. 25-31.
175. Шадрин С.С., Иванов А.М., Карпухин К.Е. Использование данных бортовых
мультиплексных сетей автотранспортных средств при дорожных испытаниях,
разработке ИТС и автоматизации управления движением // Вестник
машиностроения. 2016. № 7. C. 25-29.
176. Свидетельство о государственной регистрации программы для ЭВМ №
2016617706. Российская Федерация. Программа внешнего управления штатным
электроусилителем руля автомобиля [Текст] / Невзоров Денис Викторович,
Шадрин Сергей Сергеевич, Иванов Андрей Михайлович ; заявитель и
патентообладатель федеральное государственное бюджетное образовательное
учреждение высшего образования «Московский автомобильно-дорожный
государственный технический университет (МАДИ)» (RU). № 2016615076 ; заявл.
18.05.2016 ; опубл. 20.08.2016.
177. Свидетельство о государственной регистрации программы для ЭВМ №
2016617387. Российская Федерация. Программное обеспечение модуля управления
системами автомобиля [Текст] / Шадрин Сергей Сергеевич, Иванов Андрей
Михайлович, Невзоров Денис Викторович ; заявитель и патентообладатель
федеральное государственное бюджетное образовательное учреждение высшего
образования «Московский автомобильно-дорожный государственный технический
университет (МАДИ)» (RU). № 2016615090 ; заявл. 18.05.2016 ; опубл. 20.07.2016.
178. Свидетельство о государственной регистрации программы для ЭВМ №
2016617707. Российская Федерация. Программа прогнозирования траектории
движения автомобиля [Текст] / Шадрин Сергей Сергеевич, Иванов Андрей
Михайлович ; заявитель и патентообладатель федеральное государственное
бюджетное образовательное учреждение высшего образования «Московский
 353

автомобильно-дорожный государственный технический университет (МАДИ)»

(RU). № 2016615075 ; заявл. 18.05.2016 ; опубл. 20.08.2016.
179. Sergey Sergeevich Shadrin, Andrey Mikhailovich Ivanov. Technical Aspects of
External Devices into Vehicles’ Networks Integration // International Journal of Applied
Engineering Research. 2016. Vol. 11, No. 10. P. 7003-7006.
180. Sergey Sergeevich Shadrin, Andrey Mikhailovich Ivanov. Algorithm of
Autonomous Vehicle Steering System Control Law Estimation while the Desired
Trajectory Driving // ARPN Journal of Engineering and Applied Sciences. 2016. Vol. 11,
No. 15. P. 9312-9316.
 354

ПРИЛОЖЕНИЕ
П.1. Технические характеристики объектов испытаний и измерительного
оборудования

Объект испытаний – транспортное средство категории М2 ГАЗ-322132

«Газель» (см. п.3.3.1). Габаритные размеры показаны на Рисунке П.1.1,
технические характеристики приведены в Таблице П.1.1.

Рисунок П.1.1. Габаритные размеры объекта испытаний ГАЗ-322132

Таблица П.1.1.
Технические характеристики ГАЗ-322132
Параметр Значение
Маршрутное такси для перевозки
Общее описание транспортного пассажиров, имеет салон с круговым
средства остеклением, с правой сдвижной и
задними распашными дверями
Колесная формула 4х2
Двигатель ЗМЗ-405
4 цилиндра, с рядным расположением,
ДВС: тип, количество цилиндров
4 клапана на цилиндр
ДВС: система питания многоточечный впрыск топлива
ДВС: система зажигания микропроцессорная
ДВС: рабочий объем, см3 2464
ДВС: номинальная мощность, кВТ
91 (123,8) / 4500
(л.с.) / об/мин.
ДВС: максимальный крутящий
205 / 4000
момент, Н∙м / об/мин.
ДВС: экологический класс ЕВРО-3
 355
ДВС: применяемое топливо
ДВС: минимальный расход топлива,
л/100 км (по ГОСТ 20306-90)
Коробка передач
4,05; II-2,34; III-1,395; IV-1,0; V-0,849;
Сцепление
Коническая, гипоидная, передаточное
Главная передача
Передняя подвеска
Задняя подвеска
Шины
Рулевое управление
Минимальный радиус поворота (по оси
следа переднего внешнего колеса), м
Рабочая тормозная система
усилителем и регулятором давления в
Запасная тормозная система
Стояночная тормозная система
Масса автомобиля без нагрузки, кг
Снаряжённая масса автомобиля, кг
Полная масса автомобиля, кг
Таблица П.1.1 – окончание.
Аи 92-95
9,5
Механическая, пятиступенчатая,
полностью синхронизированная,
трехвальная. Передаточные числа: I-
ЗХ-3,53
Однодисковое, сухое, с
гидравлическим приводом
число 5,127
Зависимая, рессорная (из двух
продольных полуэллиптических
рессор), с гидравлическими
телескопическими амортизаторами
Зависимая, рессорная, с
гидравлическими телескопическими
амортизаторами, без стабилизатора
поперечной устойчивости
175 R16C 98/96N
Рулевой механизм типа «винт-
шариковая гайка» с встроенным
гидроусилителем. Рулевая колонка с
двухшарнирным рулевым валом и
компенсатором, с механизмом
регулировки рулевого колеса
5,5
Передние тормозные механизмы –
дисковые, задние – барабанные.
Привод гидравлический,
двухконтурный, с вакуумным
заднем контуре
Каждый контур рабочей тормозной
системы
Тросовый, с приводом на тормозные
механизмы задних колес
2160
2500
3500
 356

Технические характеристики датчика ускорений и угловых скоростей «Tri-

Axial Navigational Sensor» (п.3.3.1, Рисунок П.1.2):
диапазон измерения ускорений ± 3g;
диапазон измерения угловых скоростей ± 150 град/с;
частота измерения ускорений – 10 Гц ;
частота измерения угловых скоростей – 25 Гц;
относительная погрешность измерений ускорений ± 1%;
относительная погрешность измерений угловых скоростей ± 10%;
нелинейность сигнала ± 1%;
температурный предел измерений: -40ºС…+85ºС;
удароустойчивость – до 2000g неударной нагрузки / 1000g ударной нагрузки;
питание – постоянный ток 12В ±5В, 60мА ±10мА;
вес – 230±25 г.

Рисунок П.1.2. Датчик ускорений и угловых скоростей «Tri-Axial Navigational

Sensor» (Corrsys Datron / Kistler)

Технические характеристики 100Hz CDS GPS-Glonass регистратора данных

(п.3.3.1):
частота дискретизации регистратора данных до 1 кГц;
 357

частота дискретизации GPS-Glonass сигнала 100 Гц;

измеряемый диапазон скоростей 0,1…1600 км/ч;
разрешающая способность 0,036 км/ч;
погрешность измерений 0,1 км/ч;
интерфейсы подключения: CAN, USB, Ethernet/LAN, CF-Slot (8 Гб CF-Card);
напряжение питания 10…28 В;
потребляемая мощность – менее 15 Вт;
удароустойчивость: ±50g на протяжении 6 мс;
виброзащищенность: 10g при 10…150 Гц;
температурный предел измерений: -20ºС…+50ºС;
класс защиты регистратора данных IP67;
габариты регистратора данных – 195х126х95 мм;
габариты дисплея DAS3 – 190х115х35 мм;
вес регистратора данных – 1200 г;
вес дисплея DAS3 – 450 г.

Технические характеристики датчика перемещений Wire Potentiometer

(п.3.3.1, Рисунок П.1.3):
максимальная длина тросика 1250 мм;
максимальная скорость размотки – 10 м/с;
максимальное ускорение размотки – 100 м/с2;
материал троса – нержавеющая сталь 0,5 мм;
напряжение питания: 12…30 В;
ток потребления 22,5 мА;
температурный предел измерений: -20ºС…+60ºС;
выходное напряжение: 0…10 В;
вес 330 г.
 358

Рисунок П.1.3. Датчик перемещений «Wire Potentiometer»

Следующий объект испытаний – транспортное средство категории М1 Land

Rover Discovery 3 (см. п.3.3.2). Габаритные размеры показаны на Рисунке П.1.4,
технические характеристики приведены в Таблице П.1.2.

Рисунок П.1.4. Габаритные размеры объекта испытаний Land Rover Discovery 3

 359

Таблица П.1.2.
Технические характеристики Land Rover Discovery 3
Параметр Значение
Колесная формула 4х4
Двигатель Дизельный ДВС с турбонаддувом
6 цилиндров, V-образный, 4 клапана на
ДВС: тип, количество цилиндров
цилиндр
ДВС: система питания Common Rail
ДВС: рабочий объем, см3 2720
ДВС: номинальная мощность, л.с. /
190 / 4000
об/мин.
ДВС: максимальный крутящий
440 / 1900
момент, Н∙м / об/мин.
ДВС: экологический класс ЕВРО-4
ДВС: применяемое топливо Дизельное топливо
ДВС: расход топлива в смешанном
10,4
цикле, л/100 км
Коробка передач Автоматическая, 6 ступенчатая
Постоянный полный привод,
раздаточная КПП с понижающим
Тип привода
рядом, блокировка заднего
дифференциала
Пневматическая, независимая, на
двойных поперечных рычагах со
Передняя подвеска
стабилизатором поперечной
устойчивости
Пневматическая, независимая, на
двойных поперечных рычагах со
Задняя подвеска
стабилизатором поперечной
устойчивости
Шины 255/60R18 M+S (Good Year Wrangler)
Реечный рулевой механизм с
Рулевое управление
гидроусилителем + servotronic
Все тормозные механизмы – дисковые,
Рабочая тормозная система вентилируемые; привод
гидравлический
Каждый контур рабочей тормозной
Запасная тормозная система
системы
Электромеханическая, с приводом на
Стояночная тормозная система
тормозные механизмы задних колес
Масса автомобиля без нагрузки, кг 2718
Полная масса автомобиля, кг 3230
 360

Технические характеристики декодера высокоскоростной шины передачи

данных CAN «NI-8473s» (National Instruments) (см. п.3.3.2, Рисунок П.1.5):
напряжение питания – 5 В;
ток потребления – 250 мА;
количество портов – 1;
физический уровень – высокоскоростная шина CAN;
максимальная скорость передачи данных – 1 Мбит/с;
минимальная скорость передачи данных – 40 Кбит/с;
чипсет – Philips TJA1041;
синхронизация с аппаратными средствами – поддерживается;
частоты синхронизации – 10, 20, 1 МГц;
аппаратная простановка меток времени – поддерживается;
точность временных меток – 1 мкс;
соединительные разъемы – 9-pin D-Sub (DB-9), 3-pin COMBICON;
габаритные размеры – 78,7х71,1х25,4 мм;
температура эксплуатации: 0ºС…+55ºС;

Рисунок П.1.5. Декодер HS CAN «NI-8473s»

Технические характеристики GPS/GLONASS приемника GlobalSat BU-353G

(см. п.3.3.2, Рисунок П.1.6):
чипсет – MTK MT3333;
частота – L1 GPS + L1 GLONASS;
 361

количество каналов – 66, «All-in-View», -165 dBm;

Точность:
определение скорости – 0,1 м/с, 95% (селективный доступ отключён);
определение времени – 1 мкс, синхронизация по атомным часам GPS-
спутников;
датум – WGS-84.
Время захвата позиции:
обновление данных – 0,1 с;
горячий старт – 1 с (в среднем);
холодный старт – 33 с (в среднем).
Последовательный порт:
протоколы GPS – NMEA 0183 (вер. 3.0);
данные GPS – NMEA 0183 (вер. 3.0): GGA, GSA, GSV, RMC (GLL, VTG
- опционально);
скорость передачи – изменяется программно, по умолчанию 115200 б/с.
Питание:
напряжение питания – 5 В ± 5%, постоянный ток (от USB-порта);
потребляемый ток – 50 мА.
Ограничения:
максимальная высота – до 18000 м;
максимальная скорость – до 515 м/с;
максимальная вибрация – 20 м/сек3;
максимальное ускорение – до 4g.
Характеристики окружающей среды:
температура эксплуатации: - 40° ... + 80°C;
влажность – до 95%, неконденсированная.
Физические характеристики:
габариты – 53 мм (диаметр) x 19,2 мм (высота);
длина кабеля – 1,5 м;
вес – 69 г.
 362

Рисунок П.1.6. Приемник GPS/GLONASS GlobalSat BU-353G

Следующий объект испытаний – транспортное средство категории М1

Chevrolet Orlando 1.8 LTZ AT (KBF6) (см. п.3.3.3). Габаритные размеры показаны
на Рисунке П.1.7, технические характеристики приведены в Таблице П.1.3.

Рисунок П.1.7. Габаритные размеры объекта испытаний Chevrolet Orlando

Таблица П.1.3.
Технические характеристики Chevrolet Orlando
Параметр Значение
Колесная формула 4х2
Двигатель Бензиновый ДВС
 363

Таблица П.1.3 – окончание.

4 цилиндра, рядный, спереди
ДВС: тип, количество цилиндров
поперечно, 4 клапана на цилиндр
ДВС: система питания Распределенный впрыск
ДВС: рабочий объем, см3 1796
ДВС: степень сжатия 10,5
ДВС: номинальная мощность, л.с. /
141 / 6200
об/мин.
ДВС: максимальный крутящий
176 / 3800
момент, Н∙м / об/мин.
ДВС: экологический класс ЕВРО-4
ДВС: применяемое топливо Аи-95
ДВС: расход топлива в смешанном
7,9
цикле, л/100 км
Коробка передач Гидромеханическая, 6 ступенчатая
Тип привода Передний
Независимая типа Макферсон, со
Передняя подвеска стабилизатором поперечной
устойчивости
Задняя подвеска Полунезависимая
Continental ContiSport Contact 3
Шины
225/50 R17 94V
Реечный рулевой механизм с
Рулевое управление
электроусилителем
Передние тормозные механизмы –
Рабочая тормозная система дисковые, вентилируемые; задние –
дисковые; привод гидравлический
Масса автомобиля без нагрузки, кг 1614
Полная масса автомобиля, кг 2171

Следующий объект испытаний – транспортное средство категории М1 Nissan

X-Trail III 2013 года выпуска (см. п.4.2.1). Технические характеристики приведены
в Таблице П.1.4.
Таблица П.1.4.
Технические характеристики Nissan X-Trail III
Параметр Значение
Ширина 1820 мм
Длина 4643 мм
Высота 1695 мм
 364

Таблица П.1.4 – окончание.

Колесная база 2706 мм
Колея передняя 1575 мм
Колея задняя 1575 мм
Дорожный просвет 210 мм
Тип двигателя бензин
Расположение двигателя переднее, поперечное
Объем двигателя 1997 см³
Мощность 144 л.с.
При оборотах 6000
Мощность (кВт) 106
При оборотах 4400
Крутящий момент 200 Н*м
Система питания непосредственный впрыск
Газораспределительный механизм DOHC
Расположение цилиндров рядное
Количество цилиндров 4
Диаметр цилиндра и ход поршня 84.0x90.1 мм
Степень сжатия 11,2
Количество клапанов на цилиндр 4
Экологический стандарт Euro 5
Тип передней подвески независимая, пружинная
Тип задней подвески независимая, пружинная
Тип КП вариатор
Привод полный
Передние тормоза дисковые вентилируемые
Задние тормоза дисковые
Максимальная скорость 180 км/час
Время разгона (0-100 км/ч) 12,1 с
Снаряженная масса автомобиля 1642 кг
Допустимая полная масса 2060 кг
Объем топливного бака 60 л
Размер шин 225/60/R18
 365

П.2. Тексты вспомогательных подпрограмм (Matlab)

Подпрограмма, задающая геометрию и характеристики опорной поверхности

%% Исходные данные для расчета поверхности движения
x01 = -10; % начальная координата по оси Ox, м
x02 = 150; % конечная координата по оси Ox, м
y01 = -30; % начальная координата по оси Oy, м
y02 = 30; % конечная координата по оси Oy, м
step = 5; % шаг сетки, м
a1 = 30; % длина первого горизонтального участка, м
u1 = 15*pi/180; % угол подъема, рад
h1 = 10; % высота подъема (второго горизонтального участка), м
a3 = 30; % длина второго горизонтального участка (после подъема), м
u2 = 15*pi/180; % угол спуска, рад

%% Расчет поверхности движения

x = x01:step:x02;
y = y01:step:y02;
[X,Y] = meshgrid(x,y);

z0=[zeros(1,a1/step),0:step*tan(u1):h1,zeros(1,a3/step)+h1,h1:-
step*tan(u2):0];
fix1=size(x);
fix2=size(z0);
z=[z0,zeros(1,fix1(1,2)-fix2(1,2))];

Z=meshgrid(z,y);

colormap([0.5 0.5 0.5;... % 1 - сухой асфальт (серый)

0 0 1;... % 2 - мокрый асфальт (синий)
1 0 1;... % 3 - сухой бетон (фиолетовый)
0 1 0;... % 4 - сухой гравий (зеленый)
1 1 0;... % 5 - мокрый гравий (желтый)
1 1 1;... % 6 - снег (белый)
0 1 1]); % 7 - лед (бирюзовый)

C=Z*0+1;
C(1:(y02-y01)/step/2,(a1/step-1):(a1/step+2))=7;
C(((y02-y01)/step/2+1):(y02-y01)/step,(a1/step+4):(a1/step+5))=7;
C(1:(y02-y01)/step/2,(a1/step+7):(a1/step+10))=6;
C(1:(y02-y01)/step/2,(fix2(1,2)-2):(fix2(1,2)+2))=7;
C(((y02-y01)/step/2+1):(y02-y01)/step,(fix2(1,2)-
1):(fix2(1,2)+1))=6;
terr = C-1;

surf(X,Y,Z,C,'CDataMapping','direct');

axis equal;

clear x01 x02 y01 y02 step a1 u1 h1 a3 u2 x y z0 fix1 fix2 z;

 366

Подпрограмма визуализации движения автомобиля

axis manual;
set(gcf, 'Position', [35, 45, 960, 630]);
set(gca, 'Position', [0.05, 0.05, 0.9, 0.9]);
set(gca, 'FontName', 'MS Sans Serif');
axis equal;
set(gcf, 'DoubleBuffer', 'on');

L = l_F + l_R;
x_k = [l_F l_F -l_R -l_R];
y_k = [b_F/2 -b_F/2 -b_R/2 b_R/2];
r_k = rd;

axis([(min(visual_data(:, 1)) - L) (max(visual_data(:, 1)) + L)

(min(visual_data(:, 2)) - L) (max(visual_data(:, 2)) + L)]);

% Разбиваем входные величины (для первого кадра)

x_0 = visual_data(1, 1);
y_0 = visual_data(1, 2);
teta_0 = visual_data(1, 3);
teta_k = visual_data(1, 4 : 7);
%fx = visual_data(1, 8 : 11)*fx_scale;
%fy = visual_data(1, 12 : 15)*fy_scale;
%mcp_x = visual_data(1, 16);
%mcp_y = visual_data(1, 17);

% Рисуем траекторию (первый кадр)

x_tr_1 = x_0 + x_k(1) * cos(teta_0);
y_tr_1 = y_0 + x_k(1) * sin(teta_0);
x_tr_2 = x_0 + x_k(4) * cos(teta_0);
y_tr_2 = y_0 + x_k(4) * sin(teta_0);
tr_1 = line(x_tr_1, y_tr_1, 'Color', [0.8 0 0]);
tr_2 = line(x_tr_2, y_tr_2, 'Color', [0 0 0.7]);

% Рисуем корпус (первый кадр)

x_rect = x_0 + x_k * cos(teta_0) + y_k * cos(pi/2 + teta_0);
y_rect = y_0 + x_k * sin(teta_0) + y_k * sin(pi/2 + teta_0);
korpus = line([x_rect x_rect(1)], [y_rect y_rect(1)], 'Color', [0 0
0]);

% Рисуем колеса (первый кадр)

x_1 = x_rect(1) + [r_k -r_k] * cos(teta_0 + teta_k(1));
x_2 = x_rect(2) + [r_k -r_k] * cos(teta_0 + teta_k(2));
x_3 = x_rect(3) + [r_k -r_k] * cos(teta_0 + teta_k(3));
x_4 = x_rect(4) + [r_k -r_k] * cos(teta_0 + teta_k(4));
y_1 = y_rect(1) + [r_k -r_k] * sin(teta_0 + teta_k(1));
y_2 = y_rect(2) + [r_k -r_k] * sin(teta_0 + teta_k(2));
y_3 = y_rect(3) + [r_k -r_k] * sin(teta_0 + teta_k(3));
y_4 = y_rect(4) + [r_k -r_k] * sin(teta_0 + teta_k(4));
koleso_1 = line(x_1, y_1, 'LineWidth', 5, 'Color', [0 0 0]);
koleso_2 = line(x_2, y_2, 'LineWidth', 5, 'Color', [0 0 0]);
koleso_3 = line(x_3, y_3, 'LineWidth', 5, 'Color', [0 0 0]);
 367

koleso_4 = line(x_4, y_4, 'LineWidth', 5, 'Color', [0 0 0]);

drawtime = 0;
animtime = cputime; % системное время

% Анимация (последующие кадры)

for i = 2 : size(visual_data, 1)
% Разбиваем входные величины
x = visual_data(i, 1);
y = visual_data(i, 2);
teta = visual_data(i, 3);
teta_k = visual_data(i, 4 : 7);

% Рисуем траекторию
x_tr_1 = visual_data(1 : i, 1) + x_k(1) * cos(visual_data(1 : i,
3));
y_tr_1 = visual_data(1 : i, 2) + x_k(1) * sin(visual_data(1 : i,
3));
x_tr_2 = visual_data(1 : i, 1) + x_k(4) * cos(visual_data(1 : i,
3));
y_tr_2 = visual_data(1 : i, 2) + x_k(4) * sin(visual_data(1 : i,
3));
set(tr_1, 'XData', x_tr_1, 'YData', y_tr_1);
set(tr_2, 'XData', x_tr_2, 'YData', y_tr_2);

% Рисуем корпус
x_rect = x + x_k * cos(teta) + y_k * cos(pi/2 + teta);
y_rect = y + x_k * sin(teta) + y_k * sin(pi/2 + teta);
set(korpus, 'XData', [x_rect x_rect(1)], 'YData', [y_rect
y_rect(1)]);

% Рисуем колеса
x_1 = x_rect(1) + [r_k -r_k] * cos(teta + teta_k(1));
x_2 = x_rect(2) + [r_k -r_k] * cos(teta + teta_k(2));
x_3 = x_rect(3) + [r_k -r_k] * cos(teta + teta_k(3));
x_4 = x_rect(4) + [r_k -r_k] * cos(teta + teta_k(4));
y_1 = y_rect(1) + [r_k -r_k] * sin(teta + teta_k(1));
y_2 = y_rect(2) + [r_k -r_k] * sin(teta + teta_k(2));
y_3 = y_rect(3) + [r_k -r_k] * sin(teta + teta_k(3));
y_4 = y_rect(4) + [r_k -r_k] * sin(teta + teta_k(4));
set(koleso_1, 'XData', x_1, 'YData', y_1);
set(koleso_2, 'XData', x_2, 'YData', y_2);
set(koleso_3, 'XData', x_3, 'YData', y_3);
set(koleso_4, 'XData', x_4, 'YData', y_4);

% Задержка на обновление кадров анимации

drawtime = cputime - drawtime;
tik = cputime;
while (cputime - tik) < (0.035 - drawtime)
end
drawtime = cputime;
drawnow
end
 368

Подпрограмма, рассчитывающая угол поворота управляемых колес при

движении по заданной траектории
%% Обратный расчет воздействий на рулевое управление автомобиля по
данным экспериментально записанной траектории движения
clearvars calc_data2 V_ch;

%% Исходные данные: t,x,y,betta

calc_data2(:,1) = to_print_time(:,1); %
calc_data2(:,2) = to_print_coord(:,1); %
calc_data2(:,3) = to_print_coord(:,2); %
data_array_dimension = size(calc_data2);
data_end3 = data_array_dimension(1,1);
clearvars data_array_dimension;
время, с
координата по оси X, м
координата по оси Y, м
% определяем размер массива

% Определяем скорость движения

calc_data2(:,4) = [0;
smooth(sqrt(diff(calc_data2(:,2),1).^2+diff(calc_data2(:,3),1).^2)./
diff(calc_data2(:,1),1))]; % м/с

% Рассчитываем угол ориентации продольной оси автомобиля

calc_data2(:,5) =
[atan(diff(calc_data2(:,3),1)./diff(calc_data2(:,2),1)); 0]; % угол
ориентации вектора скорости, рад
calc_data2(data_end3,5) = calc_data2(data_end3-1,5);
calc_data2(:,5) = calc_data2(:,5) - to_print_betta(:,1); % угол
ориентации продольной оси автомобиля, рад

% Расчет угловой скорости вращения кузова автомобиля

diff_step = 5; % определяем шаг при численном дифференцировании
for i=(2+diff_step):1:(data_end3-1-diff_step)
calc_data2(i,6) = (calc_data2(i+1+diff_step,5) - calc_data2(i-1-
diff_step,5))/...
(calc_data2(i+1+diff_step,1) - calc_data2(i-1-diff_step,1));
% угловая скорость wz, рад/с
end
calc_data2(:,6) = smooth(calc_data2(:,6),15);
clearvars diff_step i;

% Определяем функцию кривизны траектории (1/R)

calc_data2(:,7) =
calc_data2(:,6)./(calc_data2(:,4).*cos(to_print_betta(:,1))); %
кривизна траектории, 1/м

% Определяем угол увода задней оси

calc_data2(:,8) = atan((l_R-
tan(to_print_betta)./calc_data2(:,7)).*calc_data2(:,7)); % угол
увода задней оси, рад

% Рассчитываем продольное и боковое ускорения

diff_step = 5; % определяем шаг при численном дифференцировании
for i=(2+diff_step):1:(data_end3-1-diff_step)
 369

calc_data2(i,9) = (calc_data2(i+1+diff_step,4) - calc_data2(i-1-

diff_step,4))/...
(calc_data2(i+1+diff_step,1) - calc_data2(i-1-diff_step,1));
end
temp(:,1) = [atan(diff(calc_data2(:,3),1)./diff(calc_data2(:,2),1));
0]; % угол ориентации вектора скорости, рад
temp(data_end3,1) = temp(data_end3-1,1);
diff_step = 5;
for i=(2+diff_step):1:(data_end3-1-diff_step)
temp(i,2) = (temp(i+1+diff_step,1) - temp(i-1-diff_step,1))/...
(calc_data2(i+1+diff_step,1) - calc_data2(i-1-diff_step,1));
% угловая скорость вектора скорости, рад/с
end
temp(:,2) = smooth(temp(:,2),15);
calc_data2(:,12) = calc_data2(:,4).*temp(:,2); % боковое ускорение,
м/с^2 (далее столбец будет замене на суммарную боковую силу)

calc_data2(:,9) = calc_data2(:,9).*cos(to_print_betta) +
(calc_data2(:,4).^2).*calc_data2(:,7).*sin(to_print_betta);
calc_data2(:,9) = smooth(calc_data2(:,9),5); % продольное
ускорение ЦМ а/м, м/с^2
clearvars diff_step i temp;
for i=2:1:data_end3 % убираем скачки ускорения
if abs(calc_data2(i,9)-calc_data2(i-1,9))/(calc_data2(i,1)-
calc_data2(i-1,1))>100
calc_data2(i,9)=calc_data2(i-1,9);
end
end

% Рассчитываем перераспределение вертикальных реакций между осями

автомобиля
calc_data2(:,10) = m_a*(l_F/l_a*g+h_CoG/l_a*calc_data2(:,9));
% вертикальная реакция на задней оси, Н
calc_data2(:,11) = m_a*g - calc_data2(:,10);
% вертикальная реакция на передней оси, Н

% Расчет суммарной боковой силы, действующий на а/м

calc_data2(:,12) = m_a*smooth(calc_data2(:,12),5); % суммарная
боковая сила, Н

% Расчет боковой реакции задней оси

calc_data2(:,13) = 2*(k1-
0.5*calc_data2(:,10)/k2).*calc_data2(:,10)*0.5.*atan(k3*calc_data2(:
,8)); % боковая реакция на задней оси, Н
% пересчитываем от двух задних колес на одно "приведенное"

% Расчет боковой реакции на передней оси

calc_data2(:,14) = calc_data2(:,12) - calc_data2(:,13); %
боковая реакция на передней оси, Н

% Расчет разницы усредненного угла поворота управляемых колес и угла

увода передней оси
 370

calc_data2(:,15) =
atan((l_F+tan(to_print_betta)./calc_data2(:,7)).*calc_data2(:,7));

calc_data2(isnan(calc_data2))=0; % заменяем все неопределенности

NaN в рабочем массиве на нули

%% Находим углы увода передней оси

temp = zeros(201,1);
temp2 = calc_data2(:,9);
temp2(temp2>=0)=0;
for i=1:1:data_end3
j = 1;
for uvod=(-10*pi/180):(0.1*pi/180):(10*pi/180)
temp(j,1) = abs(2*(k1-
0.5*calc_data2(i,11)/k2)*0.5*calc_data2(i,11)*atan(k3*uvod) ...
- calc_data2(i,14)*cos(calc_data2(i,15)+uvod) -
0*temp2(i,1)*(calc_data2(i,11)/g)*sin(calc_data2(i,15)+uvod) );
temp(j,2) = uvod;
j = j+1;
end
minimum = min(temp(:,1));
calc_data2(i,16) = temp(temp(:,1)==minimum,2); % угол увода
передней оси, рад
end

calc_data2(:,17) = calc_data2(:,15) + calc_data2(:,16); %

усредненный угол поворота управляемых колес, рад
clearvars temp temp2;

%% Проверяем формулу из справочника Bosch

V_ch(:,1) =
(to_print_V_kmh(:,2)/3.6).*sqrt(abs(to_print_omega_z(:,1)*(l_F+l_R).
/...
((to_print_V_kmh(:,2)/3.6).*to_print_steer1(:,1)*pi/180 -
to_print_omega_z(:,1)*(l_F+l_R))));

V_ch_fix = mean(V_ch);

Q_steer =
to_print_omega_z(:,1)*(l_F+l_R).*(1+((to_print_V_kmh(:,2)/3.6)./V_ch
_fix).^2)./(to_print_V_kmh(:,2)/3.6);

Подпрограмма импорта экспериментальных данных ГАЗ-322132

filename = 'D:\РАБОТА\МАДИ - научная работа\2012-полигон МАДИ-
ГАЗель\temp\SHADRIN.088.TXT';
delimiter = '\t';
startRow = 3;
 371

formatSpec =
'%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%f%[^\n\r]';

fileID = fopen(filename,'r');

dataArray = textscan(fileID, formatSpec, 'Delimiter', delimiter,

'HeaderLines' ,startRow-1, 'ReturnOnError', false);

fclose(fileID);

exper_data = [dataArray{1:end-1}];

clearvars filename delimiter startRow formatSpec fileID dataArray

ans;

%% Отсекаем начальные и конечные нулевые данные скорости а/м

data_array_dimension = size(exper_data);
data_end = data_array_dimension(1,1);

i=1;
while exper_data(i,14)==0
i=i+1;
end
start = i-1;

while exper_data(i,14)~=0
i=i+1;
if i==data_end
break
end
end
stop = i;

if start==0
start = 1;
end

exper_data((stop+1):data_end,:)=[];
exper_data(1:(start-1),:)=[];

data_array_dimension = size(exper_data);
data_end = data_array_dimension(1,1);

clearvars data_array_dimension i start stop;

%% Выставляем шкалу времени с началом в 0

t0 = exper_data(1,1);
exper_data(:,1)=exper_data(:,1)-t0;
clearvars t0;

%% Фильтрация сигналов ускорений и угловых скоростей бесфазовым 12-

полюсным фильтром Баттерворта с частотой отсечки 6 Гц
 372

% (ГТП8 ООН)
[b,a] = butter(12,2*6/20);
ay_butter = filter(b,a,exper_data(:,7));
wz_butter = filter(b,a,exper_data(:,9));

% Из графиков следует, что применение фильтра из ГТП8 ООН в данном

случае не приводит к улучшению результатов, объясняется это тем, что
в измерительном оборудовании 100Hz CDS GPS-Glonass (Corrsys Datron)
при записи значений ускорений и угловых скоростей применялась
аппаратная фильтрация указанных сигналов.

% В таком случае, отфильтруем рассматриваемые сигналы методом

скользящего среднего с параметром усреднения 5.

exper_data(:,24)=smooth(exper_data(:,6)); % продольное ускорение,

м/с^2
exper_data(:,25)=smooth(exper_data(:,7)); % боковое ускорение (с
учетом крена, т.е. то, что измеряли), м/с^2
exper_data(:,26)=exper_data(:,25)-
9.81*sin(0.68*exper_data(:,25)*pi/180); % боковое ускорение с
вычетом составляющей g от крена кузова, м/с^2
exper_data(:,27)=-smooth(exper_data(:,9))*pi/180; % угловая скорость
wz, рад/с

% Калибровка продольного ускорения по данным скорости

V_integral_ax =
cumtrapz(exper_data(:,1),exper_data(:,24))+exper_data(1,14);
delta_ax = (V_integral_ax(data_end)-
exper_data(data_end,14))/(max(exper_data(:,1))-
min(exper_data(:,1)));
V_integral_ax = cumtrapz(exper_data(:,1),exper_data(:,24)-
delta_ax)+exper_data(1,14);
exper_data(:,24)=exper_data(:,24)-delta_ax;

% Калибровка значений боковых ускорений и угловых скоростей

if exper_data(1,14)==0
exper_data(:,25)=exper_data(:,25)-exper_data(1,25);
exper_data(:,26)=exper_data(:,26)-exper_data(1,26);
exper_data(:,27)=exper_data(:,27)-exper_data(1,27);
end

clearvars a b V_integral_ax delta_ax;

%clearvars ay_butter wz_butter;

%% Расчет углов поворота колес и рулевого колеса

exper_data(:,28) = acos((311437.1-
(0.03612*exper_data(:,13)*10+12.04268).^2)/212608.6)-1.0727; % угол
поворота правого колеса, рад // "*10" т.к. фактор сигнала был 0.1 -
см.файл my_config.ccw
exper_data(:,29) = 1.2606-
atan(204.77*(sin(1.2606+exper_data(:,28)))./(1545-
204.77*cos(1.2606+exper_data(:,28))))...
 373

-acos((454486.5-
632739.3*cos(1.2606+exper_data(:,28)))./(409.54*sqrt(2428955.7-
632739.3*cos(1.2606+exper_data(:,28))))); % угол поворота левого
колеса, рад
exper_data(:,30) = (exper_data(:,28)+exper_data(:,29))/2; %
усредненный угол поворота управляемых колес, рад
exper_data(:,31) = exper_data(:,30)*16.6*180/pi; % угол поворота
рулевого колеса, град

%% Пересчет географического направления движения (направления

вектора антенны в абсолютной системе координат) в углы направления
движения относительно начального положения автомобиля при каждом
испытании и без ограничения диапазона измерения углов в [0, 360).

% Для справки: направления движения exper_data(:,20) в град

(0°=север, 90°=восток, 180°=юг, 270°=запад)

i=1;

while exper_data(i,20)==0
exper_data(i,32)=0;
i=i+1;
end

track_0 = exper_data(i,20);
exper_data(i,32)=0;

k=data_end;

while exper_data(k,20)==0
exper_data(k,32)=0;
k=k-1;
end

for j=(i+1):1:k
if exper_data(j,20)-exper_data(j-1,20)>300
track_0=track_0+360;
elseif exper_data(j,20)-exper_data(j-1,20)<-300
track_0=track_0-360;
else
%track_0=track_0;
end
exper_data(j,32)=exper_data(j,20)-track_0;
end

if k==(data_end-1)
exper_data(k+1,32)=exper_data(k,32);
end

clearvars i j k track_0;

%% Расчет траектории движения по географическим координатам

 374

scale_x = 62547.1826; % m/grad

scale_y = 110595.5433; % m/grad
x0 = 0*exper_data(1,17); % столбец 17 - долгота - Longitude
y0 = 0*exper_data(1,16); % столбец 16 - широта - Latitude

exper_data(:,33) = (exper_data(:,17) - x0)*scale_x; % координата по

оси X
exper_data(:,34) = (exper_data(:,16) - y0)*scale_y; % координата по
оси Y

% Доворот траектории и фильтрация координат методом скользящего

среднего:
fi = 0*(mean(exper_data(2:21,20))-90)*pi/180;
exper_data(:,35) = smooth(exper_data(:,33))*cos(fi)-
smooth(exper_data(:,34))*sin(fi);
exper_data(:,36) =
smooth(exper_data(:,33))*sin(fi)+smooth(exper_data(:,34))*cos(fi);

clearvars x0 y0 scale_x scale_y fi;

%% Расчет продольной скорости центра масс, расчет продольного

ускорения

% угол отклонения вектора скорости антенны от продольной оси

автомобиля:
fi_V_ant = (-exper_data(:,32)-
cumtrapz(exper_data(:,1),exper_data(:,27))*180/pi)*pi/180; % рад
% продольная скорость центра масс автомобиля:
V_COG_X = exper_data(:,14).*cos(fi_V_ant)-
exper_data(:,27)*0.5*2.075*cos(atan(1.5484/(0.5*2.075))); % м/с
exper_data(:,37) = V_COG_X;
% расчетное продольное ускорение центра масс автомобиля (чтобы при
% моделировании скорости совпали):
a_x_COG = [0; smooth(diff(V_COG_X,1)./diff(exper_data(:,1),1))];
exper_data(:,38) = a_x_COG; % м/с^2

clearvars fi_V_ant V_COG_X a_x_COG;

%% Расчет пройденного пути

exper_data(:,39) = cumtrapz(exper_data(:,1),exper_data(:,37));

%% Итак, расположение основных данных для дальнейшей обработки:

% exper_data(:,1) шкала времени, с

% exper_data(:,14) скорость антенны, м/с
% exper_data(:,24) продольное ускорение, м/с^2
% exper_data(:,25) боковое ускорение (с учетом крена, т.е. то,
что измеряли, отфильтрованное), м/с^2
% exper_data(:,26) боковое ускорение с вычетом составляющей g
от крена кузова, м/с^2
% exper_data(:,27) угловая скорость wz (отфильтрованная), рад/с
% exper_data(:,28) угол поворота правого колеса, рад
 375

% exper_data(:,29) угол поворота левого колеса, рад

% exper_data(:,30) усредненный угол поворота управляемых колес,
рад
% exper_data(:,31) угол поворота рулевого колеса, град
% exper_data(i,32) траекторный угол, град
% exper_data(:,35) координата по оси X (с фильтром), м //
сейчас установлена абс.сист.коорд. с т.(0,0) на пересечении экватора
с гринвич.меридианом
% exper_data(:,36) координата по оси Y (с фильтром), м
% exper_data(:,37) продольная скорость центра масс автомобиля,
м/с
% exper_data(:,38) продольное ускорение центра масс а/м,
рассчитанное от скорости, м/с^2
% exper_data(:,39) пройденный путь, м

% [exper_data(:,1) exper_data(:,38)] % форма записи данных для ввода

в модели Simulink

Подпрограмма, задающая исходные данные для моделирования ГАЗ-322132

g = 9.81; % ускорение свободного падения, [м/с^2]

%% Развесовка автомобиля в статическом положении

l_a = 2900; % колесная база, [мм]
b_F = 1700; % колея передних колес, [мм]
b_R = 1560; % колея задних колес, [мм]

lx = 700; % продольное расстояние от передней оси до

сосредоточенной
% нагрузки от веса водителя и испытателя, [мм]
ly1 = 350; % поперечное расстояние от оси переднего левого колеса до
% сосредоточенной нагрузки от веса водителя, [мм]
ly2 = 350; % поперечное расстояние от оси переднего правого колеса
до
% сосредоточенной нагрузки от веса испытателя, [мм]

Pv = 100*g; % вес водителя, [Н]

Pi = 70*g; % вес испытателя, [Н]

Fz_FL_0 = 517*g; % вес, приходящийся на переднее левое колесо,

% определенный при взвешивании снаряженного
автомобилям
% без водителя и испытателя, [Н]
Fz_FR_0 = 530.5*g; % ... на переднее правое колесо, [Н]
Fz_RR_0 = 575*g; % ... на заднее правое колесо, [Н]
Fz_RL_0 = 625*g; % ... на заднее левое колесо, [Н]

m_a = ((Fz_FL_0+Fz_FR_0+Fz_RL_0+Fz_RR_0)+(Pv+Pi))/g; % масса

снаряженного автомобиля с водителем и испытателем, [кг]
 376

%% Расчет перераспределения вертикальных реакций снаряженного

автоомбиля в статическом положении

A_matrix = [0 0 l_a l_a

l_a l_a 0 0
b_F 0 (b_F-b_R)/2 (b_R+(b_F-b_R)/2)
0 b_F (b_R+(b_F-b_R)/2) (b_F-b_R)/2];

B_matrix = [(Pv+Pi)*lx
(Pv+Pi)*(l_a-lx)
Pv*(b_F-ly1)+Pi*ly2
Pv*ly1+Pi*(b_F-ly2)];

Delta = A_matrix\B_matrix;

Fz0_FL = (Delta(1)+Fz_FL_0); % вертикальная реакция в статическом

% положении на переднем левом колесе,
[Н]
Fz0_FR = (Delta(2)+Fz_FR_0); % ... на переднем правом колесе, [Н]
Fz0_RR = (Delta(3)+Fz_RR_0); % ... на заднем правом колесе, [Н]
Fz0_RL = (Delta(4)+Fz_RL_0); % ... на заднем левом колесе, [Н]

%% Расчет положения центра масс и моментов инерции снаряженного

автомобиля

% расстояние от передней оси до центра масс, мм

Xc = l_a/((Fz0_FL+Fz0_FR)/(Fz0_RL+Fz0_RR) + 1);

% левого колеса до центра масс (в поперечном направлении), мм

Yc = ((Fz0_FR*b_F + Fz0_RR*0.5*(b_F+b_R) + Fz0_RL*0.5*(b_F-
b_R))/(Fz0_FL+Fz0_RL+Fz0_FR+Fz0_RR));

Iz = (Fz0_FL/g)*((Xc/1000)^2+(Yc/1000)^2) + ...
(Fz0_FR/g)*((Xc/1000)^2+((b_F-Yc)/1000)^2) + ...
(Fz0_RR/g)*(((l_a-Xc)/1000)^2+((b_F-Yc-(b_F-b_R)/2)/1000)^2) +
...
(Fz0_RL/g)*(((l_a-Xc)/1000)^2+((Yc-(b_F-b_R)/2)/1000)^2);
% момент инерции а/м относительно оси Oz, [кг*м^2]
% Iz_1 = m_a*(5.475^2+2.075^2)/12; % проверка расчета

Ix = (Fz0_FL/g)*(Yc/1000)^2 + (Fz0_FR/g)*((b_F-Yc)/1000)^2 + ...

(Fz0_RR/g)*((b_F-Yc-(b_F-b_R)/2)/1000)^2 + ...
(Fz0_RL/g)*((Yc-(b_F-b_R)/2)/1000)^2;
% момент инерции а/м относительно оси Ox, [кг*м^2]
% Ix_1 = m_a*(2.075^2+2.3^2)/12; % проверка расчета

Iy = ((Fz0_FL+Fz0_FR)/g)*(Xc/1000)^2 + ...
((Fz0_RR+Fz0_RL)/g)*((l_a-Xc)/1000)^2;
% момент инерции а/м относительно оси Oy, [кг*м^2]
% Iy_1 = m_a*(5.475^2+2.3^2)/12; % проверка расчета

l_a = l_a/1000; b_F = b_F/1000; b_R = b_R/1000; % [м]

 377

l_F = Xc/1000; % расстояние от ЦТ а/м до оси передних колес, [м]

l_R = l_a - l_F; % ... до оси задних колес, [м]
h_CoG = 0.25*((b_F+b_R)/2); % высота центра масс (эмпирическая), [м]

%% Задаем типы опорных поверхностей с характеристиками по сцеплению

(Burckhardt method)

c_terr = [1.2801 23.99 0.52;...

0.857 33.822 0.347;...
1.1973 25.168 0.5373;...
1.3713 6.4565 0.6691;...
0.4004 33.7080 0.1204;...
0.1946 94.129 0.0646;...
0.05 306.39 0].'; % коэфф. c1, c2, c3 для разных типов
покрытий

% В модели каждого колеса тип опорной поверхности задается

переменной "road_type" со следующими значениями:
% 0 - сухой асфальт
% 1 - мокрый асфальт
% 2 - сухой бетон
% 3 - сухой гравий
% 4 - мокрый гравий
% 5 - снег
% 6 - лед

%% Исходные данные для математической модели колеса

l_0 = -0.03; % параметр продольного смещения точки приложения
реакций в пятне контакта относительно геометрического центра пятна
контакта, вызванного углом продольного наклона оси шкворня
(продольный угол "кастера"), [м]
l_1 = 0.12; % параметр продольного смещения ..., [м]

c_press = 230000; % параметр для расчета бокового смещения точки

% приложения реакций в пятне контакта относительно
% геометрического центра пятна контакта (связано с
% боковой податливостью шины), [Н/м]

ks = 0.9; % коэффициент эллипса трения (окружности "Камма")

% Коэффициенты для корректировки боковой реакции в зависимости от

угла увода и вертикальной реакции (нелинейный увод)
k1 = 1;
k2 = 14000;
k3 = 0.36*180/pi;

relax_length = 0.28352;

f0_r_t = [0.02637 0.02 0.02 0.04 0.04 0.04 0.01]; % коэффициенты

сопротивления качению для разных типов покрытий;
%kf = 7*10^(-6); % коэффициент, учитывающий увеличение сопротивления
% качению с ростом скорости движения;
 378

kf = 5.536*10^(-6); % после оптимизации

rd = 0.32; % динамический радиус колеса, [м]

Iwf = 0.5*20*rd^2; % момент инерции колеса передней оси, [кг*м^2]
Iwr = 0.5*2*20*rd^2; % момент инерции колеса задней оси, [кг*м^2]

toe_in_f = 0*0.05*pi/180; % предустановленный угол схождения колес

передней оси, [рад]
toe_in_r = 0*0.05*pi/180; % предустановленный угол схождения колес
задней оси, [рад]

%% Аэродинамическое сопротивление
c_air_x = 0.6; % коэффициент аэродинамического сопротивления в
продольном направлении
c_air_y = 0.76; % ... в поперечном направлении
rho_air = 1.22625; % плотность воздуха, [кг/м^3]
A_L = 2.075*2.3*0.9; % лобовая площадь автомобиля, [м^2]
A_S = 5.475*2.3*0.8; % боковая площадь автомобиля, [м^2]

V_wind_X = 0; % скорость ветра в ин.сист.отсчета отн-но оси X, [м/с]

V_wind_Y = 0; % скорость ветра в ин.сист.отсчета отн-но оси Y,
[м/с]

%% Начальные интегрирования
V_y_0 = 0;
V_z_0 = 0;

Обработка и запись навигационных данных с приемника GlobalSat BU-353G

format long g
R = 6378000; % радиус Земли, км

%% Подключение к COM-порту
BU353_Glonass = instrfind('Type', 'serial', 'Port', 'COM5', 'Tag',
'');

if isempty(BU353_Glonass)
BU353_Glonass = serial('COM5');
else
fclose(BU353_Glonass);
BU353_Glonass = BU353_Glonass(1);
end

% Устанавливаем скорость передачи данных

BU353_Glonass.BaudRate = 115200;

% Подключаемся к датчику BU-353 GPS Glonass

fopen(BU353_Glonass);
 379

%% Считываем и обрабатываем строки данных с идентификатором $GNRMC

(система ГНСС, рекомендуемый минимум навигационных данных)
BU353_data = zeros(oper_end,6);

for i=1:1:oper_end
data='';
while isempty(strmatch('$GNRMC',data))
BU353_data_original{i,1} = fscanf(BU353_Glonass);
data = BU353_data_original{i,1};
end

[time_utc,data] = strtok(data,','); % чтобы убрать $GNRMC

[time_utc,data] = strtok(data,','); % время по UTC - «hhmmss.ss»:
«hh» - часы, «mm» - минуты, «ss.ss» - секунды
[status,data] = strtok(data,','); % статус: «A» - данные
достоверны, «V» - недостоверны
[lat_nmea,data] = strtok(data,','); % широта - «GGMM.MM»: 2 цифры
градусов(«GG»), 2 цифры целых минут, точка и дробная часть минут
переменной длины
[nsCardinal,data] = strtok(data,','); % «N» для северной или «S»
для южной широты
[long_nmea,data] = strtok(data,','); % долгота - «gggmm.mm»: 3 цифры
градусов(«ggg»), 2 цифры целых минут, точка и дробная часть минут
переменной длины
[ewCardinal,data] = strtok(data,','); % «E» для восточной или «W»
для западной долготы
[velocity_knots,data] = strtok(data,','); % скорость, в узлах
[track,data] = strtok(data,','); % направление вектора скорости,
град (0° = север, 90° = восток, 180° = юг, 270° = запад)
[date,data] = strtok(data,','); % текущая дата, день/месяц/год

temp_lat = textscan(lat_nmea, '%2n %n');

lat = temp_lat{1} + temp_lat{2}/60; % широта в десятичном формате
градусов

temp_long = textscan(long_nmea, '%3n %n');

long = temp_long{1} + temp_long{2}/60; % долгота в десятичном формате
градусов

velocity = str2double(velocity_knots)*1.852; % скорость, км/ч

track = str2double(track);

disp({status,lat,nsCardinal,long,ewCardinal,velocity,track});

% Записываем результаты измерений

BU353_data(i,:) = [long,lat,velocity,track]; % [долгота.град,
широта.град, скорость.км/ч, направление.град]
end

% Отключаемся от серийного порта

fclose(BU353_Glonass);
 380

Подпрограмма обработки экспериментальных данных HS CAN (Discovery 3)

%% Загрузка данных дорожных испытаний а/м Land Rover Discovery 3
load('LR3 start - accel - right turn - serpentine - stop.mat');

clearvars Air_suspension_height_FL_wheel
Air_suspension_height_FR_wheel Air_suspension_height_RL_wheel
Air_suspension_height_RR_wheel Air_suspension_position Brake_pedal
Engine_RPM Gearbox_position header Kick_down Pedal_of_acceleration
Steering_wheel_speed;

%% Формирование массива необходимых данных

data_array_dimension = size(Steering_wheel_angle.time);
data_end = data_array_dimension(1,1);

exper_data(:,1) = Steering_wheel_angle.time;% общая шкала времени, с

exper_data(:,2) = interp1(Vehicle_speed.time,
Vehicle_speed.signals.values/3.6, ...
Steering_wheel_angle.time,'linear','extrap'); % скорость а/м,
м/с

exper_data(:,3) = 0; % временное заполнение

exper_data(:,4) = interp1(lateral_acceleration.time, ...

(-0.1055*lateral_acceleration.signals.values+11.5999), ...
Steering_wheel_angle.time,'linear','extrap'); % боковое
ускорение а/м, м/с^2

exper_data(:,5) = interp1(Omega_z.time, (-
0.2*Omega_z.signals.values+100)*pi/180, ...
Steering_wheel_angle.time,'linear','extrap'); % угловая скорость
"рысканья" а/м, рад/с

exper_data(:,6) = -Steering_wheel_angle.signals.values; % угол

поворота РК, град

exper_data(:,7) = (2.553e+09 - 2.553e+09*cos(-

Steering_wheel_angle.signals.values*7.082e-08) ...
+ 8.592e+05*sin(-Steering_wheel_angle.signals.values*7.082e-
08))*pi/180; % угол поворота левого управляемого колеса, рад

exper_data(:,8) = (-1.099e+09 +
1.099e+09*cos(Steering_wheel_angle.signals.values*1.266e-07) ...
- 4.725e+05*sin(Steering_wheel_angle.signals.values*1.266e-
07))*pi/180; % угол поворота правого управляемого колеса, рад

exper_data(:,9) = interp1(front_left_wheel.time,
front_left_wheel.signals.values/3.6, ...
Steering_wheel_angle.time,'linear','extrap'); % линейная
скорость переднего левого колеса, м/с
 381

exper_data(:,10) = interp1(front_right_wheel.time,
front_right_wheel.signals.values/3.6, ...
Steering_wheel_angle.time,'linear','extrap'); % линейная
скорость переднего правого колеса, м/с

exper_data(:,11) = interp1(rear_left_wheel.time,
rear_left_wheel.signals.values/3.6, ...
Steering_wheel_angle.time,'linear','extrap'); % линейная
скорость заднего левого колеса, м/с

exper_data(:,12) = interp1(rear_right_wheel.time,
rear_right_wheel.signals.values/3.6, ...
Steering_wheel_angle.time,'linear','extrap'); % линейная
скорость заднего правого колеса, м/с

%% Отсекаем начальные и конечные нулевые данные скорости а/м

i=1;
while exper_data(i,2)==0
i=i+1;
end
start = i-1;

while exper_data(i,2)~=0
i=i+1;
if i==data_end
break
end
end
stop = i;

if start==0
start = 1;
end

exper_data((stop+1):data_end,:)=[];
exper_data(1:(start-1),:)=[];

data_array_dimension = size(exper_data);
data_end = data_array_dimension(1,1);

clearvars data_array_dimension i start stop;

%% Выставляем шкалу времени с началом в 0

t0 = exper_data(1,1);
exper_data(:,1)=exper_data(:,1)-t0;
clearvars t0;

% Калибровка значений боковых ускорений, угловых скоростей,

скоростей колес
if exper_data(1,2)==0
exper_data(:,4)=exper_data(:,4)-exper_data(1,4);
exper_data(:,5)=exper_data(:,5)-exper_data(1,5);
 382

exper_data(:,9)=exper_data(:,9)-exper_data(1,9);
exper_data(:,10)=exper_data(:,10)-exper_data(1,10);
exper_data(:,11)=exper_data(:,11)-exper_data(1,11);
exper_data(:,12)=exper_data(:,12)-exper_data(1,12);
end

%% Расчет продольного ускорения и пройденного пути

diff_step = 15; % определяем шаг численного дифференцирования
for i=(2+diff_step):1:(data_end-1-diff_step)
exper_data(i,3) = (exper_data(i+1+diff_step,2) - exper_data(i-1-
diff_step,2))/...
(exper_data(i+1+diff_step,1) - exper_data(i-1-diff_step,1));
% продольное ускорение а/м, м/с^2
end

exper_data(:,13) = cumtrapz(exper_data(:,1),exper_data(:,2)); %
пройденный путь, м
exper_data(:,14) = exper_data(:,4)*0.9;
clearvars diff_step i;

Подпрограмма, задающая исходные данные для моделирования LR Discovery3

g = 9.81; % ускорение свободного падения, [м/с^2]

%% Развесовка автомобиля в статическом положении

l_a = 2.885; % колесная база, [м]
b_F = 1.605; % колея передних колес, [м]
b_R = 1.612; % колея задних колес, [м]

Fz0_FL = 669*g; % вертикальная реакция в статическом положении,

% определенная при взвешивании снаряженного автомобиля,
% на переднем левом колесе, [Н]
Fz0_FR = 683.5*g; % ... на переднем правом колесе, [Н]
Fz0_RL = 708.5*g; % ... на заднем левом колесе, [Н]
Fz0_RR = 627.5*g; % ... на заднем правом колесе, [Н]

m_a = (Fz0_FL+Fz0_FR+Fz0_RL+Fz0_RR)/g; % масса снаряженного

автомобиля, [кг]

%% Расчет положения центра масс и моментов инерции снаряженного

автомобиля
l_F = (Fz0_RL+Fz0_RR)*l_a/(m_a*g); % расстояние от центра масс до
оси передних колес, [м]
l_R = l_a - l_F; % ... до оси задних колес, [м]
h_CoG = 0.25*((b_F+b_R)/2); % высота центра масс (эмпирическая), [м]

Ix = m_a*(1.915^2+1.887^2)/12; % момент инерции а/м относительно оси

Ox, [кг*м^2]
Iy = m_a*(4.835^2+1.887^2)/12; % момент инерции а/м относительно оси
Oy, [кг*м^2]
 383

Iz = m_a*(4.835^2+1.915^2)/12; % момент инерции а/м относительно оси

Oz, [кг*м^2]

%% Задаем типы опорных поверхностей с характеристиками по сцеплению

(Burckhardt method)

c_terr = [1.2801 23.99 0.52;...

0.857 33.822 0.347;...
1.1973 25.168 0.5373;...
1.3713 6.4565 0.6691;...
0.4004 33.7080 0.1204;...
0.1946 94.129 0.0646;...
0.05 306.39 0].'; % коэфф. c1, c2, c3

%% Исходные данные для математической модели колеса

l_0 = -0.03; % параметр продольного смещения точки приложения
реакций в пятне контакта относительно геометрического центра пятна
контакта, вызванного углом продольного наклона оси шкворня
(продольный угол "кастера"), [м]
l_1 = 0.12; % параметр продольного смещения ..., [м]

c_press = 230000; % параметр для расчета бокового смещения точки

% приложения реакций в пятне контакта относительно
% геометрического центра пятна контакта (связано с
% боковой податливостью шины), [Н/м]

ks = 0.96684; % коэффициент эллипса трения (окружности "Камма")

% Коэффициенты для корректировки боковой реакции в зависимости от
угла
% увода и вертикальной реакции (нелинейный увод)
k1 = 1;
k2 = 18729;
k3 = 25.425;

relax_length = 0.18055; % длина релаксации шины, [м]

f0_r_t = [0.04 0.02 0.02 0.04 0.04 0.04 0.01]; % приведенные

коэффициенты
% сопротивления движению для разных типов
покрытий;
kf = 5.41*10^(-6); % коэффициент, учитывающий увеличение
сопротивления качению с ростом скорости движения (после оптимизации)

rd = 0.36; % динамический радиус колеса, [м]

Iwf = 0.5*20*rd^2; % момент инерции колеса передней оси, [кг*м^2]
Iwr = 0.5*20*rd^2; % момент инерции колеса задней оси, [кг*м^2]

toe_in_f = 0*0.05*pi/180; % предустановленный угол схождения колес

передней оси, [рад]
toe_in_r = 0*0.05*pi/180; % предустановленный угол схождения колес
задней оси, [рад]
 384

%% Аэродинамическое сопротивление
c_air_x = 0.41; % коэффициент аэродинамического сопротивления
% в продольном направлении (после оптимизации)
c_air_y = 0.7; % ... в поперечном направлении
rho_air = 1.22625; % плотность воздуха, [кг/м^3]
A_L = 1.915*1.887*0.9; % лобовая площадь автомобиля, [м^2]
A_S = 4.835*1.887*0.8; % боковая площадь автомобиля, [м^2]

V_wind_X = 0; % скорость ветра в ин.сист.отсчета отн-но оси X, [м/с]

V_wind_Y = 0; % скорость ветра в ин.сист.отсчета отн-но оси Y, [м/с]

%% Начальные интегрирования
V_x_0 = exper_data(1,2)+0.01; % начальная скорость движения
(начальная интегрирования), [м/с]
V_y_0 = 0;
V_z_0 = 0;
w_wheel_0 = V_x_0/rd;

Подпрограмма обработки экспериментальных данных IMC/Kistler/HS CAN

(Chevrolet Orlando)
load('imc_orlando_log08.mat');

%% Формирование массива необходимых данных

data_array_dimension = size(Steer_wheel_angle_1_time);
data_end = data_array_dimension(1,1);

exper_data(:,1) = Steer_wheel_angle_1_time; % общая шкала времени, с

exper_data(:,2) = smooth(Vehicle_speed,50)/3.6; % скорость а/м, м/с

exper_data(:,15) = Vehicle_speed/3.6; % скорость а/м зашумленная,
м/с

exper_data(:,3) = 0; % временное заполнение

exper_data(:,4) = ay*0.0161; % боковое ускорение а/м, м/с^2

exper_data(:,5) = omega_z*0.0625*pi/180; % угловая скорость рысканья

а/м, рад/с

exper_data(:,6) = Steer_wheel_angle_1; % угол поворота РК, град

% угол поворота РК
left_wheel_matrix(:,1) = [-450,-360,-270,-180,-
90,0,90,180,270,360,450,475]; % град, угол поворота "налево"
положительный, "направо" - отрицательный
% угол поворота левого управляемого колеса, определенный графически
left_wheel_matrix(:,2) = [-29.07,-22.92,-17.52,-11.52,-
5.97,0,5.87,12.21,18.7,25.93,34.82,37.42]; % град
 385

exper_data(:,7) = (interp1(left_wheel_matrix(:,1),
left_wheel_matrix(:,2), ...
exper_data(:,6),'linear','extrap'))*pi/180; % угол поворота
левого управляемого колеса, рад

% угол поворота РК
right_wheel_matrix(:,1) = left_wheel_matrix(:,1);
% угол поворота правого управляемого колеса, определенный графически
right_wheel_matrix(:,2) = [-34.39,-25.93,-18.71,-11.95,-
5.94,0,5.92,11.49,17.22,23.11,28.7,30.46]; % град
exper_data(:,8) = (interp1(right_wheel_matrix(:,1),
right_wheel_matrix(:,2), ...
exper_data(:,6),'linear','extrap'))*pi/180; % угол поворота
правого управляемого колеса, рад

exper_data(:,9) = Front_left_wheel/3.6; % линейная скорость

переднего левого колеса, м/с

exper_data(:,10) = Front_right_wheel/3.6; % линейная скорость

переднего правого колеса, м/с

exper_data(:,11) = Rear_left_wheel/3.6; % линейная скорость заднего

левого колеса, м/с

exper_data(:,12) = Rear_right_wheel/3.6; % линейная скорость заднего

правого колеса, м/с

%% Выбираем нужный интервал времени заезда ([10:35] c)

i=1;
while exper_data(i,1)<=10
i=i+1;
end
start = i-1;

while exper_data(i,1)<35
i=i+1;
if i==data_end
break
end
end
stop = i;

if start==0
start = 1;
end

exper_data((stop+1):data_end,:)=[];
exper_data(1:(start-1),:)=[];

data_array_dimension = size(exper_data);
data_end = data_array_dimension(1,1);
 386

clearvars data_array_dimension i start stop;

%% Выставляем шкалу времени с началом в 0

t0 = exper_data(1,1);
exper_data(:,1)=exper_data(:,1)-t0;
clearvars t0;

% Калибровка значений боковых ускорений, угловых скоростей,

скоростей колес
if exper_data(1,2)==0
exper_data(:,4)=exper_data(:,4)-exper_data(1,4);
exper_data(:,5)=exper_data(:,5)-exper_data(1,5);
exper_data(:,9)=exper_data(:,9)-exper_data(1,9);
exper_data(:,10)=exper_data(:,10)-exper_data(1,10);
exper_data(:,11)=exper_data(:,11)-exper_data(1,11);
exper_data(:,12)=exper_data(:,12)-exper_data(1,12);
end

%% Расчет продольного ускорения и пройденного пути

diff_step = 5; % определяем шаг численного дифференцирования
for i=(2+diff_step):1:(data_end-1-diff_step)
exper_data(i,3) = (exper_data(i+1+diff_step,15) - exper_data(i-
1-diff_step,15))/...
(exper_data(i+1+diff_step,1) - exper_data(i-1-diff_step,1));
% продольное ускорение а/м, м/с^2
end

exper_data(:,13) = cumtrapz(exper_data(:,1),exper_data(:,2)); %
пройденный путь, м
exper_data(:,14) = exper_data(:,4)*0.9;
clearvars diff_step i;

Подпрограмма, задающая исходные данные для моделирования движения

автомобиля Chevrolet Orlando
g = 9.81; % ускорение свободного падения, [м/с^2]

%% Развесовка автомобиля в статическом положении

l_a = 2.76; % колесная база, [м]
b_F = 1.584; % колея передних колес, [м]
b_R = 1.588; % колея задних колес, [м]

Fz0_FL = 544.5*g; % вертикальная реакция в статическом положении,

% определенная при взвешивании снаряженного автомобиля,
% на переднем левом колесе, [Н]
Fz0_FR = 494.5*g; % ... на переднем правом колесе, [Н]
Fz0_RL = 416.5*g; % ... на заднем левом колесе, [Н]
Fz0_RR = 439*g; % ... на заднем правом колесе, [Н]
 387

m_a = (Fz0_FL+Fz0_FR+Fz0_RL+Fz0_RR)/g; % масса снаряженного

автомобиля, [кг]

%% Расчет положения центра масс и моментов инерции снаряженного

автомобиля
l_F = (Fz0_RL+Fz0_RR)*l_a/(m_a*g); % расстояние от центра масс до
оси передних колес, [м]
l_R = l_a - l_F; % ... до оси задних колес, [м]
h_CoG = 0.25*((b_F+b_R)/2); % высота центра масс (эмпирическая), [м]

Ix = m_a*(1.835^2+1.635^2)/12; % момент инерции а/м относительно оси

Ox, [кг*м^2]
Iy = m_a*(4.665^2+1.635^2)/12; % момент инерции а/м относительно оси
Oy, [кг*м^2]
Iz = m_a*(4.665^2+1.835^2)/12; % момент инерции а/м относительно оси
Oz, [кг*м^2]

%% Задаем типы опорных поверхностей с характеристиками по сцеплению

(Burckhardt method)
c_terr = [1.2801 23.99 0.52;...
0.857 33.822 0.347;...
1.1973 25.168 0.5373;...
1.3713 6.4565 0.6691;...
0.4004 33.7080 0.1204;...
0.1946 94.129 0.0646;...
0.05 306.39 0].'; % коэфф. c1, c2, c3

%% Исходные данные для математической модели колеса

l_0 = -0.03; % параметр смещения ..., [м]
l_1 = 0.12; % параметр продольного смещения ..., [м]

c_press = 230000; % параметр для расчета бокового смещения точки

% приложения реакций в пятне контакта относительно
% геометрического центра пятна контакта (связано с
% боковой податливостью шины), [Н/м]

ks = 0.98203; % коэффициент эллипса трения (окружности "Камма")

% Коэффициенты для корректировки боковой реакции в зависимости от

% угла увода и вертикальной реакции (нелинейный увод)
k1 = 1;
k2 = 13808;
k3 = 20.376;

relax_length = 0.35771; % длина релаксации шины, [м]

f0_r_t = [0.04 0.02 0.02 0.04 0.04 0.04 0.01]; % приведенные

коэффициенты сопротивления движению для разных типов покрытий;
kf = 5.41*10^(-6); % коэффициент, учитывающий увеличение
сопротивления качению с ростом скорости движения (после оптимизации)

rd = 0.33; % динамический радиус колеса, [м]

 388

Iwf = 0.5*20*rd^2; % момент инерции колеса передней оси, [кг*м^2]

Iwr = 0.5*20*rd^2; % момент инерции колеса задней оси, [кг*м^2]

toe_in_f = 0*0.05*pi/180; % предустановленный угол схождения колес

передней оси, [рад]
toe_in_r = 0*0.05*pi/180; % предустановленный угол схождения колес
задней оси, [рад]

%% Аэродинамическое сопротивление
c_air_x = 0.32; % коэффициент аэродинамического сопротивления
% в продольном направлении (после оптимизации)
c_air_y = 0.6; % ... в поперечном направлении
rho_air = 1.22625; % плотность воздуха, [кг/м^3]
A_L = 1.835*1.635*0.9; % лобовая площадь автомобиля, [м^2]
A_S = 4.665*1.635*0.8; % боковая площадь автомобиля, [м^2]

V_wind_X = 0; % скорость ветра в ин.сист.отсчета отн-но оси X, [м/с]

V_wind_Y = 0; % скорость ветра в ин.сист.отсчета отн-но оси Y, [м/с]

%% Начальные интегрирования
V_x_0 = exper_data(1,2)+0.01; % начальная скорость движения, [м/с]
V_y_0 = 0;
V_z_0 = 0;
w_wheel_0 = V_x_0/rd;

Подпрограмма обработки принимаемых данных от модуля управления

системами автомобиля («Data Receive»)
function [data_good, cut] = MADI(data_in, data_cut, data_old_good)

temp = uint8(zeros(37,1));
cut = uint8(zeros(37,1));
data_good = data_old_good;

if data_cut(1,1)>0
temp(1:data_cut(1,1),1) = data_cut(2:(data_cut(1,1)+1),1);
temp((data_cut(1,1)+1):37,1) = data_in(1:(37-data_cut(1,1)),1);
if uint16(sum(uint16(temp(1:34)))) ==
uint16(bitor((bitsll(uint16(temp(35,1)),8)),(uint16(temp(36,1)))))
data_good = temp;
for i=(38-data_cut(1,1)):1:33
if data_in(i,1)==73 && data_in(i+1,1)==78 &&
data_in(i+2,1)==70 && data_in(i+3,1)==49 && data_in(i+4,1)==32
cut(1,1) = uint8(38-i);
cut(2:(39-i),1)= data_in(i:37,1);
break
else
if i==33
cut(:,1) = uint8(zeros(37,1));
 389

end
end
end
else
for i=1:1:33
if data_in(i,1)==73 && data_in(i+1,1)==78 &&
data_in(i+2,1)==70 && data_in(i+3,1)==49 && data_in(i+4,1)==32
if i==1
cut(:,1) = uint8(zeros(37,1));
if uint16(sum(uint16(data_in(1:34)))) ==
uint16(bitor((bitsll(uint16(data_in(35,1)),8)),(uint16(data_in(36,1)
))))
data_good = data_in;
else
data_good = data_old_good;
end
else
cut(1,1) = uint8(38-i);
cut(2:(39-i),1)= data_in(i:37,1);
data_good = data_old_good;
end
break
else
if i==33
cut(:,1) = uint8(zeros(37,1));
data_good = data_old_good;
end
end
end
end
else
for i=1:1:33
if data_in(i,1)==73 && data_in(i+1,1)==78 &&
data_in(i+2,1)==70 && data_in(i+3,1)==49 && data_in(i+4,1)==32
if i==1
cut(:,1) = uint8(zeros(37,1));
if uint16(sum(uint16(data_in(1:34)))) ==
uint16(bitor((bitsll(uint16(data_in(35,1)),8)),(uint16(data_in(36,1)
))))
data_good = data_in;
else
data_good = data_old_good;
end
else
cut(1,1) = uint8(38-i);
cut(2:(39-i),1)= data_in(i:37,1);
data_good = data_old_good;
end
break
else
if i==33
cut(:,1) = uint8(zeros(37,1));
 390

data_good = data_old_good;
end
end
end
end

end

Подпрограмма обработки принимаемых данных от модуля управления

системами автомобиля («Data Unpack»)
function [header, brake_CAN, brake_motor, accel_CAN, accel_ext, ...
steer_CAN, str_t_ch1, str_t_ch2, str_t_ch1_e, str_t_ch2_e, ...
velocity_CAN, engine_CAN, wz_CAN, ay_CAN, horn_etc, ...
gbox_pos_CAN, gbox_motor, reserve, time_RX, check_sum, ...
hex_0D] = u(data)

header = int16(data(1:5,1));
brake_CAN = (single(data(6,1)))*0.3921568627; % brake pedal
CAN, %
brake_motor = int16(data(7,1)); % brake motor position sensor, %
accel_CAN = (single(data(8,1)))*0.3921568627; % accelerator
pedal CAN, %
accel_ext = int16(data(9,1)); % accelerator pedal external
request, %
steer_CAN =
(single(bitor((bitsll(int16(data(10,1)),8)),(int16(data(11,1))))))*0
.0625; % steering wheel angle CAN, grad ("+" to the left, "-" to
the right)
str_t_ch1 =
int16(bitor((bitsll(int16(data(12,1)),8)),(int16(data(13,1))))); %
steering torque sensor - channel 1
str_t_ch2 =
int16(bitor((bitsll(int16(data(14,1)),8)),(int16(data(15,1))))); %
steering torque sensor - channel 2
str_t_ch1_e =
int16(bitor((bitsll(int16(data(16,1)),8)),(int16(data(17,1))))); %
steering torque sensor external request (ch1)
str_t_ch2_e =
int16(bitor((bitsll(int16(data(18,1)),8)),(int16(data(19,1))))); %
steering torque sensor external request (ch2)
velocity_CAN =
(single(bitor((bitsll(int16(data(20,1)),8)),(int16(data(21,1))))))*0
.03; % vehicle velocity from CAN, km/h
engine_CAN =
(single(bitor((bitsll(int16(data(22,1)),8)),(int16(data(23,1))))))*0
.25; % engine speed from CAN, RPM
 391

wz_CAN =
(single(bitor((bitsll(int16(data(24,1)),8)),(int16(data(25,1))))))*0
.0625; % yaw speed (wz) from CAN, grad/s
ay_CAN =
(single(bitor((bitsll(int16(data(26,1)),8)),(int16(data(27,1))))))*0
.0161; % lateral acceleration from CAN (ay), m/s^2
horn_etc = int16(data(28,1)); % status of horn, turning
signals, etc.
gbox_pos_CAN = int16(data(29,1)); % gearbox position from CAN, (1-
P, 2-R, 3-N, 4-D)
gbox_motor = int16(data(30,1)); % gearbox motor position sensor,
%
reserve =
uint16(bitor((bitsll(int16(data(31,1)),8)),(int16(data(32,1))))); %
reserve
time_RX =
uint16(bitor((bitsll(uint16(data(33,1)),8)),(uint16(data(34,1)))));
% time stamp of vehicle control ECU
check_sum =
int16(bitor((bitsll(int16(data(35,1)),8)),(int16(data(36,1))))); %
package check sum
hex_0D = int16(data(37,1)); % packages separator, hex'0D'
end

Функция подпрограммы распознавания дорожной разметки фронтальной

камерой («fcam»)
function map = fcam(video)

inputImg = video;

% Вырезаем нужную часть

inputImg = imcrop(inputImg, [1 220 640 179]);

dimension = size(inputImg);
x_end = dimension(1,2);
y_end = dimension(1,1);

laneImg = double(zeros(y_end,x_end));

gridImg = double(zeros(y_end,x_end));
line1 = insertShape(gridImg,'line',[0 120 270 0])>0;
line2 = insertShape(gridImg,'line',[180 180 320 0])>0;
line3 = insertShape(gridImg,'line',[320 0 490 180])>0;
line4 = insertShape(gridImg,'line',[380 0 640 120])>0;
gridImg = gridImg + line1(:,:,1) + line2(:,:,1) + line3(:,:,1) +
line4(:,:,1);

for y=1:1:y_end
 392

peaks = zeros(2,4);
x_start = round(-2.25*y+270);
if x_start<=0
x_start = 1;
end
x_finish = round(-0.7778*y+320);
dInt = diff(double(inputImg(y,x_start:x_finish)))*255;

[peaks(1,1:2),peaks(2,1:2)]=findpeaks(dInt,'SortStr','descend','NPea
ks',2);
[peaks(1,3:4),peaks(2,3:4)]=findpeaks(-
dInt,'SortStr','descend','NPeaks',2);
peaks(1,3:4) = -peaks(1,3:4);
peaks=(sortrows(peaks',2))';
for i=1:1:3
if peaks(1,i)>=7 && peaks(1,i+1)<=-7 && (peaks(2,i+1)-
peaks(2,i))<(0.1354*y+6.979)
laneImg(y,x_start+peaks(2,i+1)) = 1;
end
end

peaks = zeros(2,4);
x_start = round(0.9444*y+320);
x_finish = round(2.167*y+380);
if x_finish>x_end
x_finish = x_end;
end
dInt = diff(double(inputImg(y,x_start:x_finish)))*255;

[peaks(1,1:2),peaks(2,1:2)]=findpeaks(dInt,'SortStr','descend','NPea
ks',2);
[peaks(1,3:4),peaks(2,3:4)]=findpeaks(-
dInt,'SortStr','descend','NPeaks',2);
peaks(1,3:4) = -peaks(1,3:4);
peaks=(sortrows(peaks',2))';
for i=1:1:3
if peaks(1,i)>=7 && peaks(1,i+1)<=-7 && (peaks(2,i+1)-
peaks(2,i))<(0.1354*y+6.979)
laneImg(y,x_start+peaks(2,i)) = 1;
end
end
end

[yw, xw] = find(laneImg);

invtform = [-0.000025485875499 0.007101383718606 -

6.539673337018762;
0.005764036133248 0.000008528885362 -1.847837608769927;
-0.000001512996315 -0.004143236991650 1.000000000000000];
GG = 260;

scale = invtform(3,:) * [xw yw+GG ones(size(xw))]';

 393

xw_tr = invtform(1,:) * [xw yw+GG ones(size(xw))]'./scale;

yw_tr = invtform(2,:) * [xw yw+GG ones(size(xw))]'./scale;

% Формируем масштабную карту

dimension2 = size(xw_tr);
map_vehicle_axes = double(zeros(2,dimension2(1,2)));

map_vehicle_axes(1,:)=xw_tr.*(xw_tr<=40);
map_vehicle_axes(2,:)=-1*yw_tr.*(-yw_tr>=-6).*(-yw_tr<=6);
map_vehicle_axes(:,~map_vehicle_axes(1,:)~=0)=[];
map_vehicle_axes(:,~map_vehicle_axes(2,:)~=0)=[];

mapImg = double(zeros(400,121));
map = double(zeros(400,120));

dimension3 = size(map_vehicle_axes);
data_end3 = dimension3(1,2);
for j=1:1:data_end3
mapImg(400-
round(map_vehicle_axes(1,j)*10),round(map_vehicle_axes(2,j)*10+61))
= 1;
end
mapImg(400-40,:) = 1;
map = mapImg(:,1:120);

end

Функция подпрограммы распознавания дорожной разметки камерой правого

борта («rcam»)
function [lanes_count, dist_sm] = rcam(video)

inputImg = video;

dimension = size(inputImg);
x_end = dimension(1,1);
y_end = dimension(1,2);

laneImg = (zeros(x_end,y_end));
lane_search = zeros(1,y_end);
temp_i_start = 0;

for x=1:1:x_end
max_int = max(inputImg(x,:));
lines_count = 0;
for y=y_end:-1:1
if (inputImg(x,y)>0.75*max_int) && (temp_i_start==0)
temp_i_start = y;
end
 394

if (inputImg(x,y)<=0.75*max_int) && (temp_i_start~=0)

temp_i_end = y;

if (-temp_i_end+temp_i_start)>=20 && (-
temp_i_end+temp_i_start)<=50
lines_count = lines_count+1;
if lines_count<=2
laneImg(x,temp_i_start) = 1;
temp_i_start = 0;
else
temp_i_start = 0;
end
else
temp_i_start = 0;
end
end
end
end

lane_search(1,:)=sum(laneImg);
temp_i_start=0;
approx_lines = [0 0];
k=1;

for y=1:1:y_end
if lane_search(1,y)>4 && (temp_i_start==0)
temp_i_start = y;
end
if lane_search(1,y)<=4 && (temp_i_start~=0)
temp_i_end = y;

if sum(lane_search(1,temp_i_start:temp_i_end))>50 &&
(approx_lines(k)==0)
approx_lines(k) = y_end-
round(mean(temp_i_start:temp_i_end));
elseif sum(lane_search(1,temp_i_start:temp_i_end))>50 &&
(approx_lines(k)~=0)
if (round(mean(temp_i_start:temp_i_end))-
approx_lines(k))<50
approx_lines(k) = y_end-
round(0.5*(approx_lines(k)+round(mean(temp_i_start:temp_i_end))));
else
k = k+1;
approx_lines(k) = y_end-
round(mean(temp_i_start:temp_i_end));
end
end
temp_i_start=0;
end
end

if approx_lines(2)~=0
 395

lanes_count = uint8(2);
else
if approx_lines(1)~=0
lanes_count = uint8(1);
else
lanes_count = uint8(0);
end
end

lanes_count = uint8(lanes_count+1);
dist_sm = uint8(round(0.0007136*approx_lines(1)^2 +
0.2313*approx_lines(1))); % расстояние до ближайшей линии, см

end

Функция подпрограммы расчетно-аналитического блока гибридной

навигации («navi_local»)
function [data_set, wz_out_0] = navi_local(time, time_old, wz_old,
wheel_RL_old, ...
wheel_RR_old, gbox_pos, data_set_old, wz_in_0)

X_local = double(0);
Y_local = double(0);
data_set = double([0 0 0 0 0 0]);
wz_out_0 = double(0);

t = double(time); % current time from server in ms (cyclic counter

0...60 s)
t_old = double(time_old); % time from previous server message, ms
wz = double(wz_old*pi/180); % yaw rate, rad/s
wh_RL = double(wheel_RL_old/3.6); % rear left wheel velocity, m/s
wh_RR = double(wheel_RR_old/3.6); % rear right wheel velocity, m/s
gbox = double(gbox_pos); % gearbox position (1-P, 2-R, 3-N, 4-D)
data_old = double(data_set_old); % previous data set [dS dPsi S Psi
X Y]

if t_old==0
dt = 0;
else
if t<t_old
dt = t + 65535 - t_old;
else
dt = t - t_old;
end
end
dt = dt/1000; % delta time, s

if gbox==1
 396

wz_out_0 = wz;
else
wz_out_0 = wz_in_0;
end

wz = wz - wz_out_0;
if abs(wz)>=0.01 && abs(wz)<0.1 % wz calibration
wz = wz*1.1;
elseif abs(wz)>=0.1
wz = wz*1.03;
end

if gbox>1 && (wh_RL+wh_RR)>0

dPsi = wz*dt;
if gbox==2
dS = -0.5*(wh_RL+wh_RR)*dt;
else
dS = 0.5*(wh_RL+wh_RR)*dt;
end
S = data_old(3) + dS;
Psi = data_old(4) + dPsi;
X_local = data_old(5) + dS*cos(Psi+0.5*dPsi);
Y_local = data_old(6) + dS*sin(Psi+0.5*dPsi);
data_set = [dS dPsi S Psi X_local Y_local];
else
data_set = [0 0 data_old(3) data_old(4) data_old(5)
data_old(6)]; % dS=0 & dPsi=0
end

end

Функция подпрограммы спутникового блока гибридной навигации

(«BU353G_GPS_Glonass»)
function [data_out, zero_pos_out] = BU353G_GPS_Glonass(data_in,
zero_pos_in)

coder.extrinsic('textscan');
coder.extrinsic('cell2mat');
temp_lat = double([0 0]);
temp_long = double([0 0]);

data_out = double(zeros(7,1));
zero_pos_out = double(zero_pos_in);
data = uint8(zeros(1,160));

k=0;
for i=1:1:160
if data_in(i)==13 || data_in(i)==10
 397

else
k=k+1;
data(1,k) = data_in(i);
end
end

for i=1:1:(80-5)
if data(1,i)==36 && data(1,i+1)==71 && data(1,i+2)==80 && ...
data(1,i+3)==82 && data(1,i+4)==77 && data(1,i+5)==67
data_GNRMC = data(1,i:(i+79));
GNRMC = char(data_GNRMC);

[time_utc,GNRMC] = strtok(GNRMC,',');
[time_utc,GNRMC] = strtok(GNRMC,',');
[status,GNRMC] = strtok(GNRMC,',');
[lat_nmea,GNRMC] = strtok(GNRMC,',');
[nsCardinal,GNRMC] = strtok(GNRMC,',');
[long_nmea,GNRMC] = strtok(GNRMC,',');
[ewCardinal,GNRMC] = strtok(GNRMC,',');
[velocity_knots,GNRMC] = strtok(GNRMC,',');
[track,GNRMC] = strtok(GNRMC,',');
stat = [status-0];
temp_lat = cell2mat(textscan(lat_nmea, '%2n %n'));
lat = temp_lat(1) + temp_lat(2)/60;
temp_long = cell2mat(textscan(long_nmea, '%3n %n'));
long = temp_long(1) + temp_long(2)/60;
velocity = cell2mat(textscan(velocity_knots, '%n'))*1.852;
track2 = cell2mat(textscan(track, '%n'));
if zero_pos_in(1)==0 && stat(1)==65
zero_pos_out = [long; lat];
end
X_gps = (long-zero_pos_out(1))*62547.1826;
Y_gps = (lat-zero_pos_out(2))*110595.5433;
data_out = [stat; long; lat; velocity; track2; X_gps; Y_gps];
end
end
398
399
400