《汽车工程》2025年第4期发表了长安大学汽车学院研究成果“融合机器视觉的插电式混合动力汽车预测型能量管理策略”一文。论文提出了一种融合机器视觉的插电式混合动力汽车预测型能量管理策略，通过考虑自车信息与外部实时交通信息，有效增加了车速预测精度。在基于模型预测控制框架的能量管理中融合深度强化学习算法，引入电池荷电状态下降平衡因子实现参考轨迹的优化规划。通过仿真试验验证，提出的能量管理策略不仅能够提高整车行驶经济性，还具有较好的工况适应性。

　　一、研究背景

　　能量管理策略作为插电式混合动力汽车（PHEV）实现多动力源高效协同控制的核心技术，其控制水平直接决定了整车经济性。当前，基于深度强化学习的能量管理策略因出色的适应能力和优化性能而备受关注，然而其通常忽略未来行驶速度的不确定性。基于模型预测控制的能量管理策略控制效果和鲁棒性高度依赖于未来时域内汽车行驶速度的准确可靠预测，以及强适应性的电池荷电状态参考轨迹生成。因此，将两种策略相融合可实现优势互补，对开发节能高效的能量管理策略具有重要的现实意义。

　　二、研究内容

　　1. 电池荷电状态（SOC）参考轨迹规划模型构建：在并联PHEV动力系统和电池模型的基础上，提出了基于改进深度确定性策略梯度（DDPG）的SOC参考轨迹规划模型，在奖励函数中增加单位时间内SOC下降平衡因子，以实现SOC参考轨迹的合理有效规划。

　　图1 混合动力构型

　　2. 融合机器视觉的车速预测模型构建：使用YOLOv3对车载视觉传感器采集到的图像进行车辆目标检测，并选用DeepSORT对自车前方特定区域车辆进行跟踪。同时，通过透视变换对原始图像进行几何校正，实现外部交通信息的准确获取。进一步以自车前方特定区域内车辆数目和车速、自车与正前方车辆车距、自车车速与加速度分别作为逐级输入，构建基于级联式长短期记忆网络（LSTM）的车速预测模型，对自车车速进行预测。

　　图2 逆透视变换效果图

　　图3 特定区域的多目标检测及追踪效果图

　　图4 级联式车速预测模型结构

　　3. 预测型能量管理策略设计：通过融合机器视觉的车速预测模型得到自车未来时域内的车速序列，并使用SOC参考轨迹规划模型对预测时域内的SOC参考轨迹进行规划。进一步采用基于模型预测控制的能量管理框架，在每一时刻基于车速预测信息和SOC参考轨迹在线求解预测时域内的最优解集，并将控制序列的第一个动作传输给车辆进行更新，依次循环直至工况结束。

　　图5 能量管理控制框架

　　三、研究结果

　　1. 车速预测模型精度对比：所提出的融合机器视觉的级联式LSTM车速预测模型预测结果的RMSE和MAE为2.096和1.511（km/h），具有良好的预测精度。

　　图6 车速预测值与实际值对比

　　表1 三种预测模型的结果

　　2. SOC轨迹规划及适应性分析：所提出的SOC参考轨迹规划模型在训练工况及测试工况下均具有良好的规划效果，加入平衡因子优化后的轨迹与最优轨迹曲线相似度达到98.903%。

　　图7 SOC轨迹规划情况

　　3. SOC轨迹跟踪有效性验证：对比了模型预测控制框架下不同SOC轨迹对能量管理策略的影响，最大绝对误差值为0.0209，表明所提出策略对SOC参考曲线的跟踪能力效果最优。

　　图8 SOC跟踪效果对比

　　4. 节能效果及计算效率验证：将外部的交通信息作为预测输入，较其他策略整车行驶经济成本最高提升了5.66%。

　　表2 不同控制策略下的成本及经济性对比

　　表3 不同控制策略下的计算时间对比

　　四、创新点与意义

　　论文以插电式混合动力汽车为研究对象，提出了一种融合机器视觉的预测型能量管理策略。基于机器视觉技术实现对外部交通信息的精准感知与获取，并通过自车信息与外部实时交通信息融合建立基于级联式LSTM的车速预测模型。同时，将改进DDPG算法嵌入基于模型预测控制的能量管理框架，根据车速信息和SOC参考轨迹的实时预测与规划结果，实现整车最优能量分配，有效提高了整车行驶经济性，具有重要的理论意义和工程应用价值。