隨著越來越多的新能源車也開始搭載智能駕駛系統，對于智能駕駛系統所承載的更多功能，新能源車需要提出一些自己的需求，以確保在維持正常的智能駕駛功能。對于節能來說，純電動車比混動車更加執著。比如常規的節能模式包含Eco模式，先進一點的節能模式為滑行能量回收和制動能量回收這兩種。但是在這兩個功能的激活期間對智駕系統會有一些功能互斥關系，也有一些單獨的需求需要梳理。

實際上滑行能量回收與制動能量回收是兩種不同的能量回收形式。比如當某個或某幾個車輪打滑時，ESP一定要調動液壓去推活塞來進行制動，可利用剎車片進行制動則是車輛動能轉換為熱能的過程。滑行能量回收要求將車輛動能轉換為電能并實現存儲的過程，而制動能量回收則是在制動行程的頭段設置一部分空行程，當我們踩制動踏板在空行程范圍內時液壓并不會推動制動活塞，隨著制動踏板行程的延伸，活塞制動加入進來，此時就是電制動、活塞制動的疊加狀態。對駕駛者造成的感覺就是加速度大幅度增加，會形成非常突兀的感覺。

相比較之下滑行能量回收SRBS（依靠滑行倒拖阻尼獲得減速度）要比制動能量回收CRBS更容易去實現，能量回收的上限也更高，甚至是可以達到1G減速度的能量回收。但如此大的減速度，制動能量回收目前則承受不住，CRBS目前能達到0.3-0.5G減速度能量回收。

滑行能量回收系統在設計、標定方面更為簡單。制動能量回收系統與ESP、ABS等電子系統會存在很大的沖突。（當然后續像iBooster這種真空助力器的設計改變了這一現狀）。

實際上我們最終的目的是面向服務的車輛控制，包括進行子服務拆解（如根據設置的導航目的地拆解子功能包括HWP、NOP、SafeStop、AEB等）、子服務最優實現模式（智駕功能結合整車功能確認哪些相互之間會有影響，其目的是獲得更優的回收能量控制）。那么對于搭載先進的智能駕駛系統的新能源車而言，又可以增進哪些更為優質的駕駛體驗服務呢？本文將對其進行針對性策略梳理。 滑行能量回收 對于新能源車而言，如果采用雙電機模式，最高可提供290kW的回收功率，大部分時候減速度可由電機完成。對于滑行能量回收而言，通常先進的新能源車會設計三種能量回收等級。包括：強、弱、自適應。三種模式的切換主要通過方向盤后方的撥片來實現，駕駛員可通過撥片位置選擇進入某一種回收模式從而產生不同的動能回收力度。其中強回收模式表示只要松開油門就會有很強的動能回收；弱回收模式表示松油門后進入滑行模式；自適應回收模式表示自車會根據路況和車距自動進行減速，能夠實現單踏板駕駛，毫不夸張的說，自動模式下最高能實現5m/s2的減速度，能夠完成單踏板駕駛。

單純的強/弱回收模式控制邏輯相對比較機械和單一，其動能回收的強度是在開發中提前標定好的數值，這是一種傳統的動能回收實現方式。即啟動車輛通過確認與前車的距離和相對速度（或前車的加速度信息）后，自動調整回收力度。通常情況下，兩車距離越近，相對速度越大（這里指本車大于前車的速度差），則能量回收的力度越大，最終確保能夠將車輛控制到停止。

自適應能量回收策略會根據工況的變化自動調節滑行階段的回饋力矩，提高能量回收效率及舒適性。

主要可以針對如下幾種不同變化參數進行能量回收：

1）基于整車質量的能量回收

顧名思義，就是基于整車質量，利用動力學方程里面的M參數對其控制扭矩進行調節，保證在不同整車質量的情況下，控制滑行回饋的減速度一致。這里需要注意，整車質量除了自身負載外，還有一部分源自于環境對整車質量可能造成的影響。比如各類附加乘客或貨物的載重。車輛自身的質量發生較大變化時，自適應能量回收功能根據當前估算質量與空載質量的比值調整回饋扭矩。

整車質量的初始值是可以提前植入VCU算法模塊的，如果車身質量發生了變化，則需要結合CAN 線中的前軸總扭矩、車速、油門深度、制動深度、ESP估算的地面附著力等參數信號，由整車動力學平衡方程通過濾波算法處理得到質量計算值。

2）基于道路路面的能量回收

路面情況影響的能量回收主要體現在路面是否有坡度和坑洼及附著力大小（是否打滑）等。比如，滑行能量回收中需要根據路面坡度，實時調節滑行回饋扭矩，使得整個控制過程更加符合駕駛員的預期感受。

當坡度小于其限定的閾值時，具體說來，過程控制如下：

當上坡工況下，坡度（該值通常可以由ESP內置的IMU檢測發出，也可由TCU檢測發出）大于0同時小于一定閾值（該閾值可以提前標定）時，VCU通過坡度值計算對應的回饋扭矩衰減系數，該衰減系數影響整個回饋扭矩的控制比重。在一定坡度范圍內，隨著坡度的增加該衰減系數可以減小回饋扭矩，降低由于坡度阻力產生的減速感。

當下坡工況下，首先需要將自車質量分解為沿著坡道的分量，VCU通過計算該分量得到疊加扭矩，該扭矩和回饋扭矩方向一致，可以增加回饋扭矩，從而產生一定的滑行減速度，避免車速增長過快。

3）基于自動跟車的能量回收

識別到本車前方有車，本車滑行能量回收功能激活，根據識別的本車與前車距離及相對速度自動調節回饋力矩，體現到整車上主要體現為可以自動調節車速，提高滑行能量回收效率及駕駛經濟性。通過滑行能量回收產生的減速度對于駕駛員來說體驗感會更加友好。

整個自適應滑行能量回收過程通過檢測本車車速、本車與前車距離、前車車速、前車減速度等信息。跟車滑行能量回收控制時，檢測到與前方車輛的距離小于一定閾值時且與前方車輛的相對速度逐漸增大時，VCU會根據與前車的相對速度及相對距離計算化性能量回收過程中需要實現的目標減速度。結合目標減速度與目標回饋扭矩的關系，計算出對應適當的回饋扭矩值做為能量回收的目標扭矩值。

首先，判斷自車是否進入跟車邏輯。當VCU接收到智駕發送的本車道前方目標為有效值時（即ADC_FollowObj==Valid）&& 坡度信號狀態為有效（Slope_Status==Valid）&& 自車車速>=標定車速（比如怠速）。當然，也可參照智駕領域的跟車邏輯判定方式判斷整車是否進入前方跟車狀態。

其次，需要根據如下公式計算在某一時刻的本車跟隨前車的目標跟車距離。

其中△V表示兩車的相對速度，tfollow表示跟車時距，dmin表示跟車需要的最小距離。

然后，由于對于能量回收而言實際是通過控制車輛的反拖力矩變化來控制減速度和減速率。因此，下一步需要重點計算減速度和減速率。

如上公式中abase表示在某一瞬時狀態下的基礎減速度值，Vobj表示跟車目標速度值，Vego表示自車速度值。整個減速度規劃是持續性的劃分的積分時間可以足夠小的一定范圍內。當然整個調整過程需要通過PID進行反饋回環控制。

如三個公式，做如下說明，首先我們根據識別到的當前目標距離與實際距離在固定時刻點t0計算一個基礎加速度值abase。然后根據在一定時間t內識別到的實際距離和目標距離差值參照PID控制邏輯構建對應的控制結構，生成跟車的最終目標加速度值aobj。

最后，也是對于滑行能量回收最重要的一步，就是根據計算生成的加速度值轉化為跟車滑行回饋扭矩，表示如下：

如上公式中，mego表示質量計算值，aroll表示滾動阻力加速度，aslope表示坡道阻力加速度，Fstr表示轉向阻力補償，R表示滾輪半徑，該值是在進行方向盤轉向標定的時候提前標定好的。可以通過查表得到具體的對應值。

從如上分析看來，整個滑行能量回收的整個控制過程可參照如上三種檢測和計算方式的控制值進行“自適應”能量回收控制。

4）車聯網相關能量回收

另一種常用的能量回收的場景是基于道路設施、標牌等相關單元的，這里舉幾個簡單的例子進行說明。比如通過紅綠燈前需要適當減速以在燈前停止；又如即將通過某一限速牌前需要適當減速；還有即將進入匝道前等等這一系列場景都需要提前減速。

因此，如果可以通過高階智駕系統識別到前方道路的紅綠燈信息（包含紅綠燈狀態、紅綠燈倒計時信息、紅綠燈距離當前車輛的距離）；通過紅綠燈倒計時和紅綠燈距離信息，兩者結合參照如上類似跟車滑行減速的方式計算合適的滑行回收力矩，用于控制車輛。即將紅綠燈看成前方靜止車輛目標，其相應的Vobj應該等于0。

其次，識別到前方道路的限速牌信息（包含限速值信息、限速標牌距離當前道路的距離信息）。前方標牌目標信息可以看成是前車為靜止目標的類似模式來進行回收扭矩計算。標牌信息顯示的限速值可看成Vobj=對應的限速值。

如果是考慮類似高速點對點駕駛的NOA場景，在車輛下匝道，即將過彎道這類場景時，其目標車速Vobj具有一定的不確定性，可以綜合考慮參照經驗值標定。通常情況下匝道限速為30-40kph，彎道可提前根據彎道半徑進行過彎速度標定。

各彎道半徑下對應的最大駕駛速度表：

制動能量回收 這里需要說明的是除開滑行能量回收外，在新能源能量回收這塊還有一種制動能量回收機制。這種機制和滑行能量回收最大的區別就在于，前者是靠松油門后VCU反拖獲得制動減速度。制動能量回收則是通過駕駛員踩制動踏板來產生一定的制動減速度從而獲得制動力。該制動力的分配由IPB參照當前車速、駕駛員踩制動踏板深度來進行估算一個請求加速度。通常是IPB首先會給VCU發送一定的降扭請求，VCU解析該請求通常是轉化為對應的滑行回饋扭矩，此過程會長生一定的反拖減速度值。IPB對該減速度值影響的車速值進行實時監控，如果速度值在某一限定的時間內小于某個閾值，則認為需要切入制動器進行強力制動。

如上整個控制過程都是由IPB自發主動完成的。有個問題大家可能會問，如果應用于智駕系統而言，該方式是否還可以完全適用。通常智駕系統在對滑行能量回收和制動能量回收進行控制時，有比較明顯的區別。體現如下：

1）對于安全性功能如AEB、FCTB、ELKA、MEB等功能，通常對于制動響應時間比較關注，在制定需求時，通常會考慮激活如上主動安全功能時，將兩種能量回收控制模式都抑制掉；

2）對于輔助駕駛功能呢如NOA、HWA、、ALC、LCC、ACC等功能，通常對于車聲控制的舒適性、平順性等有特殊要求。在制定需求時，通常會考慮激活如上輔助駕駛功能時，并不會考慮將上述兩種能量回收抑制，執行器可根據自己的響應能力進行自適應調節，只要確保在規定的時間內響應到上層的減速請求即可。實際上對于這種通過能量回收方式響應的減速度信息在執行到穩態前的狀態沖擊會更小、震蕩時間也會更短。 基于地形的動能模式自由切換 在一些常規駕駛車輛中，會有道路模式控制方案。比如針對草地/砂礫地/雪地、泥濘地面/車轍地、沙地等不同的路面情況，通過駕駛員手動選擇不同的駕駛模式可以使得整車在這些路面上得到更好的控制。該控制過程是通過VCU提前標定不同的動力扭矩控制參數，制定不同的能量回收策略，同時有部分情況還會考慮與ESP的相關功能進行聯合標定。

那么問題來了，為了提升駕駛體驗感，動力專業希望能夠有一種針對路面情況提前自適應調節動能模式切換。即，不在需要駕駛員提前識別前方道路情況按壓對應的模式按鈕切換到對應的場景調度中。比如檢測到前方為雪地，則提前一定距離自主切換為雪地模式。實際上ADAS系統做到更加智能的程度也是需要自主切換駕駛模式的。這點上與智能汽車的需求是比較契合的。

當然，結合ADAS系統感知能力，該策略是基本可以實現的。對于路面的識別目前我們還是多數依靠視覺方案來實現。傳統的識別方式是場景庫提前適配，識別過程中通過圖像匹配來實現，該方案需要提前跑較長時間的路試進行數據采集，采集的數據需要進行分類、標注，最后形成典型的匹配場景庫。在實時檢測過程中，通過識別到的道路實際環境圖像與其場景庫中的圖像進行像素級或區塊級匹配，便可以生成匹配結果供參考。

對于如上主流圖像識別方法還主要停留在大量人工標記圖片階段，即需要專門的圖片標記人員從海量的圖片中對圖片進行選擇標記，挑選出能夠用于訓練圖像識別模型的圖片。用這些標記出的圖片組成訓練集，并用于模型訓練，在上述描述的方法中，存在一些人工成本高、效率低下、標記誤操作幾率大、模型迭代優化復雜等不容忽視的缺陷。

先進一點的方法是通過自學習方式來，即邊識別邊聚類邊重建，通過一定的先驗信息作為導入，通過建立自學習神經網絡可以很輕松的從現實中提取的圖片中提取關鍵信息，識別出是否符合相應的實驗結果。

對于第一種方案可能更多的是靠圖像match的方式進行。因此，更多的是考慮常規邏輯算力的損耗，對于地形環境識別這類較為復雜的場景顯得比較吃力。而對于第二種方式則是基于點云或者紋理信息的，這就需要更多的考慮AI算力損耗。并且整個點云聚類和重建過程也是極其龐大的計算量。因此，在考慮算力不高的域控場合，其適用度不大。 總結 除開如上幾種針對新能源車所優化的性能項外，實際上還有很多可以利用智駕系統能牽起來優化的傳統功能，比如奔馳最近較火的魔毯功能（也有叫主動懸架功能）也是充分利用了智駕系統的感知能力對車輛的提前控制。

目前自動駕駛在業界進展還是比較緩慢，導致很多投資者對于其信心有些受到打擊。但是筆者想說的是智駕系統本身的利用價值并不僅僅在于讓車輛自主駕駛的更加智能，更在為傳統車型提供更多的智慧眼，也就是讓整個車輛不再是盲車。這點上對于優化整個車輛控制就顯得尤為重要了。

審核編輯 ：李倩