Bu tədqiqat aktiv asqılı avtomobildə bütün yol profilini əvvəlcədən yüksək dəqiqliklə ölçmək əvəzinə, yaxınlaşan lokal bir qabarıqlığı riyazi olaraq yaradılmış yarım sinus formalı virtual pozucu ilə təmsil edərək kuzovun şaquli sürətlənməsini və pitch hərəkətini azaltmağı hədəfləyir. Təklif olunan virtual pozucu irəli qidalanma nəzarətçisi — Virtual Disturbance Feedforward Controller, VDFC — dörddəbir avtomobil və yarım avtomobil modellərindən hazırlanmış xətti kvadratik statik çıxış geribildirim nəzarətçiləri ilə birləşdirilir. Virtual qabarın hündürlüyü, eni, zaman/mövqe mərkəzi və bəzi konfiqurasiyalarda ön-arxa faz əlaqəsi çevrimdışı simulyasiya əsaslı optimallaşdırma ilə tənzimlənir. Doğrulama real avtomobildə deyil, MATLAB/Simulink 2024a ilə CarSim 8.0 birgə simulyasiyasında və lokal yarım sinus qabar girişləri altında aparılmışdır.

Tədqiqatın ən balanslı nəticə verən parametrləşdirilməsi tədqiqatçı tərəfindən VDFC4 kimi qiymətləndirilir. Yarım avtomobil LQ SOF nəzarətçisinə əlavə edilən HVDFC4, 36 km/h baza simulyasiyasında nəzarətsiz avtomobilə görə maksimum kuzov şaquli sürətlənməsini 3,7 m/s²-dən 2,1 m/s²-yə, maksimum pitch sürətini 21,8°/s-dən 4,3°/s-yə və iki tezlik zolağını birləşdirən təklif edilmiş \(J_{MS,DB}\) indeksini 0,9343-dən 0,2589-a endirmişdir. Mənbə tədqiqat bu dəyişiklikləri müvafiq olaraq təxminən %42, %80 və %72 azalma kimi bildirir.

Bununla belə “hərəkət xəstəliyinin %72 azalması” şəklində nəticə çıxarmaq olmaz. \(J_{MS,DB}\), tədqiqatçının avtomobil kuzovunun şaquli sürətlənməsi ilə pitch sürətini 0,1–0,5 Hz və 0,8–8 Hz zolaqlarında birləşdirmək üçün hazırladığı müqayisəli sayısal indeksdir. Tədqiqatçı açıq şəkildə bu indekslərin standartlaşdırılmış MSDV-ni əvəz etmək üçün hazırlanmadığını bildirir. Tədqiqatda insan iştirakçılar, subyektiv ürəkbulanma balları və ya klinik/real həyat hərəkət xəstəliyi ölçmələri yoxdur.

Təklif olunan sistem klassik “tam yol profilini bilən” preview nəzarətindən də fərqlənir. VDFC-nin ətraflı gələcək yol hündürlüyü ardıcıllığına ehtiyacı yoxdur; lakin qabarın təxmini yaranma vaxtı və ya mərkəz mövqeyi yenə əvvəlcədən aşkarlanmalıdır. Tədqiqat bu məlumatın, məsələn, ön kamera və kompüter görməsi vasitəsilə təxmin edilə biləcəyini bildirir. Buna görə üsul tamamilə önizləməsiz deyil; tam profil önizləməsi əvəzinə hadisə səviyyəsində məhdud ön məlumatdan istifadə edir.

Türkiyə baxımından: Bu yanaşma aktiv asqı, avtonom avtomobil, elektrik avtomobili şassi idarəetməsi və yol önizləmə sistemləri hazırlayan avtomobil Ar-Ge komandaları üçün nəzərdən keçirilə bilər. Xüsusilə bütün yol profilini yüksək dəqiqliklə ölçmək əvəzinə lokal qabar hadisəsini aşkarlayıb əvvəlcədən kalibrlənmiş virtual pozucu yaratmaq, onlayn hesablama yükünü azalda biləcək arxitektura təqdim edir. Lakin işdəki yaxşılaşma nisbətləri müəyyən CarSim E-Class modelinə, müəyyən asqı parametrlərinə, yarım sinus qabarına, məhdud sürət aralığına və ideallaşdırılmış aşkarlama fərziyyələrinə aiddir. Türkiyədəki real yol qüsurları, aktuator limitləri, sensor səs-küyü, şin xüsusiyyətləri və avtomobil modellərində real avtomobil/HIL doğrulaması olmadan eyni nəticələrin əldə ediləcəyi deyilə bilməz.

Tədqiqatın əsas problemi nədir?

Aktiv asqı sistemlərində iki əsas nəzarət yanaşması birlikdə istifadə edilə bilər: geribildirim və irəli qidalanma. Geribildirim nəzarətçisi avtomobil hərəkət etdikdən sonra ölçülən kuzov və asqı reaksiyalarına görə qüvvə yaradır, irəli qidalanma yanaşması isə yaxınlaşan yol pozucusunu avtomobil onun üzərindən keçməzdən əvvəl nəzərə ala bilər.

Lakin klassik yol önizləməli irəli qidalanma üsullarında yol profilinin yüksək dəqiqliklə ölçülməsi və ya proqnozlaşdırılması tələb olunur. Tədqiqat bu tələbi azaltmaq üçün real yol qabarının bütün həndəsəsindən istifadə etmək əvəzinə onu tənzimlənə bilən virtual yarım sinus qabarı ilə təmsil edir.

Təklif olunan arxitekturanın əsas prinsipi:

\[ u=u_{FB}+u_{FF} \]

şəklindədir. Burada \(u_{FB}\) LQ SOF geribildirim qüvvəsini, \(u_{FF}\) isə VDFC tərəfindən yaradılan irəli qidalanma qüvvəsini təmsil edir.

Niyə statik çıxış geribildirimi istifadə edilib?

Standart tam vəziyyət LQR nəzarətçisi kuzov və təkərlərin yerdəyişmə və sürətləri kimi bütün vəziyyət dəyişənlərinin ölçülməsini və ya qiymətləndirilməsini tələb edə bilər. Tədqiqat bunun seriyalı istehsal avtomobili üçün əlavə sensor və ya müşahidəçi tələb edə biləcəyini bildirir.

Buna görə tədqiqatda Static Output Feedback — SOF strukturu seçilmişdir. Dörddəbir avtomobil modelindəki geribildirim çıxışları kuzovun şaquli sürəti ilə asqı sürətindən; yarım avtomobil modelindəkilər isə kuzov şaquli sürəti, pitch sürəti və ön/arxa asqı sürətlərindən ibarətdir.

Akselerometr siqnalları əvvəlcə DC ofseti basdırmaq üçün yüksəkkeçirən, sonra yüksək tezlikli ölçmə səs-küyünü azaltmaq üçün alçaqkeçirən filtrlərdən keçirilir. Tədqiqatda aşağı kəsimlə əlaqəli dəyər 0,1 Hz; alçaqkeçirən filtr üçün isə təxminən 15–20 Hz aralığı istifadə olunur.

LQ SOF niyə klassik LQR ilə eyni mənada “optimal” deyil?

Tədqiqat bu fərqi xüsusi vurğulayır. Tam vəziyyət LQR problemi Riccati tənliyi ilə qlobal optimal geribildirim qazancına çata bilən standart quruluşa malikdir, statik çıxış geribildirim problemində isə Lyapunov matrisi ilə geribildirim qazancı bir-birinə bilinear bağlıdır.

Buna görə tədqiqatda MATLAB 2024a fminsearch() ilə əldə edilən LQ SOF qazancları:

qlobal optimal LQR həlli deyil, lokal olaraq optimallaşdırılmış və sabitliyi doğrulanmış SOF qazanclarıdır.

Namizəd qazanc yalnız qapalı dövr matrisinin bütün özqiymətləri vahid çevrə daxilində olduqda və müsbət müəyyən Lyapunov həlli tapıldıqda qəbul edilir.

VDFC qapalı dövr sabitliyini dəyişirmi?

Mənbə tədqiqata görə xeyr. Nominal geribildirim sistemi:

\[ x(k+1)=F_{cl}x(k)+Gw(k) \]

şəklində olduğu halda VDFC əlavə ediləndə:

\[ x(k+1)=F_{cl}x(k)+Gw(k)+Hu_{FF}(k) \]

olur. HSVD məhdud amplitudalı və sonlu müddətli olduğuna görə \(u_{FF}\) məhdud xarici giriş kimi qiymətləndirilir. VDFC, \(F_{cl}\) matrisini və ya qapalı dövr qütblərini dəyişmir; nominal sabitlik LQ SOF dövrəsi tərəfindən təmin edilir.

Yarım sinus virtual pozucu necə yaradılır?

Daha əvvəl istifadə olunan normal paylanmaya bənzər virtual pozucu yanaşmasında hündürlük və en parametrləri bir-biri ilə daha mürəkkəb bağlıdır. Tədqiqat bunun əvəzinə hündürlüyü və eni birbaşa şərh edilə bilən yarım sinus formasından istifadə edir:

\[ z_v(x)= \frac{h}{2} \left[ 1-\sin\left( \frac{2\pi}{w} (x-c-0.25w) \right) \right] \]

Burada:

• h: virtual pozucunun pik hündürlüyü,
• w: eni/müddəti ilə əlaqəli parametr,
• c: virtual pozucunun mərkəz mövqeyidir.

Tədqiqatdakı real test qabarı da yarım sinus formalıdır və 0,10 m pik hündürlüyə, 3,6 m məkan eninə malikdir.

“Profil önizləməsiz” ifadəsi nə deməkdir?

VDFC üçün yol səthinin bütün gələcək hündürlük ardıcıllığının ölçülməsi tələb olunmur. Lakin sistemin virtual pozucunu doğru zamanda başlaması üçün real qabarın təxmini mərkəz mövqeyi \(c\) və ya hadisə vaxtı bilinməlidir.

Buna görə üsul:

• tam yol profilini tələb edən klassik preview MPC yanaşmasından daha az ön məlumat istəyir,
• lakin yaxınlaşan qabar haqqında heç bir məlumat tələb etməyən tam kor nəzarət deyil.

Tədqiqatda mərkəz mövqeyinin kamera əsaslı kompüter görməsi ilə təxmin edilə biləcəyi bildirilir.

Niyə beş fərqli virtual pozucu dizaynı sınaqdan keçirilib?

Buradakı məqsəd yalnız ən çox sərbəst dəyişəndən istifadə etmək deyil. Tədqiqatçı kalibrləmə mürəkkəbliyi ilə performans arasında balans axtarır. Nəticədə VDFC4 bu baxımdan ən balanslı namizəd kimi seçilmişdir.

Virtual pozucu necə optimallaşdırılıb?

Parametrlər real vaxtda avtomobil daxilində optimallaşdırılmır. Simulation-Based Optimization Method — SBOM çevrimdışı olaraq CarSim və Simulink birgə simulyasiyalarını təkrar-təkrar işə salır.

Məqsəd funksiyası:

\[ J_{MAX} = \max |\ddot z_c| + \zeta \cdot R2D \cdot \max |\dot{\theta}| \]

şəklindədir və tədqiqatda \(\zeta=0,3\) istifadə edilmişdir. Beləliklə həm kuzov şaquli sürətlənməsinin, həm də pitch sürətinin pik dəyəri eyni vaxtda nəzərə alınır.

Optimallaşdırma aralıqları:

• \(h \in [0,01,\ 0,50]\),
• \(w \in [0,36,\ 7,2]\),
• \(c \in [12,\ 18]\)

kimi verilmişdir.

Hərəkət xəstəliyi necə qiymətləndirildi?

Tədqiqatda üç növ qiymətləndirmə birlikdə istifadə olunur:

• kuzov şaquli sürətlənməsinin pik dəyəri \(PAV(a_z)\),
• kuzov pitch sürətinin pik dəyəri \(PAV(\omega_y)\),
• MSDV və tədqiqatçının hazırladığı \(J_{MS,SB}\) və \(J_{MS,DB}\) indeksləri.

Təkzolaqlı indeks 0,1–0,5 Hz aralığındakı filtrlənmiş şaquli sürətlənmə və pitch sürətini birləşdirir:

\[ J_{MS,SB} = \left[ \alpha \left( \frac{RMS(a_{z,LF})}{a_{z,ref}} \right)^2 + (1-\alpha) \left( \frac{RMS(\omega_{y,LF})}{\omega_{y,ref}} \right)^2 \right]^{1/2} \]

İkizolaqlı \(J_{MS,DB}\) isə aşağı tezlikli komponentlə tədqiqatda oxuma zamanı hərəkət xəstəliyi ilə əlaqələndirilən 0,8–8 Hz zolağını birlikdə qiymətləndirir:

\[ J_{MS,DB} = \left[ \beta(J_{LF})^2 + (1-\beta)(J_{RF})^2 \right]^{1/2} \]

Mənbə göstərimi qeydi: \(J_{RF}\) üçün verilən Tənlik (50)-də birinci termin \(\alpha_{RF}\) ilə çəkiləndiyi halda ikinci termin çap edilmiş mənbədə \((1-\alpha_{LF})\) şəklindədir. Eyni bölmənin izahı \(J_{RF}\) üçün \(\alpha_{RF}\) çəkisindən danışır. Mənbədəki bu fərq burada səssizcə düzəldilməyib.

Tədqiqatçı bu yeni indekslərin MSDV-ni əvəz edən yeni standart olmadığını, nəzarətçi müqayisəsi üçün tamamlayıcı ölçülər olduğunu açıq şəkildə bildirir.

Simulyasiya hansı avtomobil və şəraitlə aparıldı?

Geribildirim təkbaşına nə təmin etdi?

Nəzarətsiz vəziyyətdə maksimum şaquli sürətlənmə 3,7 m/s² və maksimum pitch sürəti 21,8°/s idi.

Yarım avtomobil əsaslı LQSOFH:

• şaquli sürətlənməni 2,7 m/s²-yə,
• pitch sürətini 4,8°/s-yə,
• \(J_{MS,DB}\)-ni 0,3528-ə

endirmişdir.

Dörddəbir avtomobil əsaslı LQSOFQ isə şaquli sürətlənmə və pitch pik dəyərlərində LQSOFH qədər güclü olmamasına baxmayaraq \(J_{MS,SB}\), \(J_{MS,DB}\) və MSDV baxımından daha aşağı dəyərlər yaratmışdır. Tədqiqatçı bunu iki nəzarət arxitekturasının fərqli tezlik bölgələrində fərqli effektivlik göstərməsi ilə əlaqələndirir.

Real qabarı birbaşa irəli qidalandırmaq niyə kifayət etmədi?

LQSOFHD və LQSOFQD sınaqlarında real qabar profili birbaşa sabit qazanc ilə irəli qidalanma girişinə çevrilmişdir. Tədqiqatın Şəkil 7-sində irəli qidalanma qüvvələrinin real qabarla birəbir mütənasib olduğu görülür.

Bu birbaşa yanaşma xüsusilə yarım avtomobil əsaslı nəzarətçidə hərəkət-xəstəliyi indekslərini yaxşılaşdırmamışdır. Bu vəziyyət tədqiqatçının real qabar profilini olduğu kimi kopyalamaq əvəzinə, nəzarət hədəflərinə görə forması dəyişdirilmiş virtual pozucu istifadə etmə motivasiyasını yaratmışdır.

VDFC hansı nəticələri verdi?

HVDFC5-in \(J_{MS,DB}\) dəyəri HVDFC4-dən bir qədər aşağı olsa da, VDFC5 daha çox parametr tələb edir. QVDFC4 isə \(J_{MS,DB}=0,2484\) ilə güclü nəticə vermişdir. Tədqiqatçı həm yarım avtomobil, həm də dörddəbir avtomobil qruplarında yaxşı nəticə yaratması və parametr sayının daha məhdud olması səbəbindən VDFC4-ü ümumi performans/kalibrləmə balansı baxımından ən uyğun konfiqurasiya kimi qiymətləndirir.

VDFC aşağı tezlikli hərəkət xəstəliyi ölçüsündə həmişə daha yaxşı idimi?

Xeyr. Bu, tədqiqatın mühüm nüanslarından biridir. HVDFC2, HVDFC4 və HVDFC5 maksimum şaquli sürətlənmə ilə pitch sürətini və \(J_{MS,DB}\)-ni yaxşılaşdırsa da, HVDFC konfiqurasiyalarının heç biri \(J_{MS,SB}\)-ni LQSOFH geribildirim baza xəttinə görə yaxşılaşdırmamışdır.

MSDV baxımından da oxşar məhdudiyyət var. Deməli VDFC-nin faydası xüsusilə iki tezlik zolağını və pitch hərəkətini əhatə edən qiymətləndirmələrdə ortaya çıxır, 0,1–0,5 Hz ağırlıqlı klassik aşağı tezlik metrikində eyni yaxşılaşma görülmür.

MSDV cədvəlindəki mənbədaxili problem

Nəzarətsiz MSDV dəyəri 0,0450-dır. Buna baxmayaraq LQSOFHD üçün Cədvəl 4 və Cədvəl 6-da 0,0578 (29%) yazılmışdır. 0,0578 dəyəri 0,0450-dan yüksək olduğuna görə xam sayısal dəyər mötərizədəki ifadənin “%29 azalma” kimi oxunması ilə uyğun gəlmir. Mənbə tədqiqatda bu fərq üçün ayrıca düzəliş və ya izah verilməyib.

Sürət dəyişəndə sistem eyni performansı qorudumu?

VDFC parametrləri 36 km/h üçün optimallaşdırılıb, sonra 10–60 km/h aralığında yenidən optimallaşdırılmadan sınaqdan keçirilib. Nəticələr xüsusilə pitch nəzarətinin sürət dəyişikliyinə şaquli sürətlənmə nəzarətindən daha davamlı ola bildiyini göstərir.

Lakin tək “20–40 km/h arasında hər şəraitdə yaxşılaşır” ifadəsi nəticə cədvəllərini tam əks etdirmir. Məsələn HVDFC4 üçün:

Bu cədvəl 30–40 km/h kimi bəzi nöqtələrdə HVDFC4-ün LQSOFH-yə nisbətən yaxşılaşma verdiyini, lakin 20 km/h-də eyni sabit kalibrləmənin aydın şəkildə pisləşə bildiyini göstərir. Tədqiqatın özü də sabit VDFC kalibrləməsinin sürətlə dəyişən qabar uyarımına hər nöqtədə uyğunlaşmadığını və sürətdən asılı parametr xəritələrinin faydalı ola biləcəyini bildirir.

Hansı parametr VDFC performansına ən çox təsir etdi?

HVDFC4 üçün dörd parametr — \(h\), \(w\), \(c_f\) və \(L\) — üç səviyyədə dəyişdirilərək 3⁴ = 81 simulyasiya aparılmışdır. ANOVA nəticələrində təkbaşına ən təsirli əsas faktor \(c_f\), yəni ön virtual pozucunun mərkəz mövqeyidir.

Bununla belə ən böyük təsir tək parametrdən deyil, \(c_f \times L\) qarşılıqlı təsirindən gəlmişdir:

Nəticə virtual qabarın yalnız hündürlüyü və ya enindən çox ön və arxa oxla zaman/məkan faz uyğunluğunun kritik olduğunu göstərir. Mənbə tədqiqatda \(c_f \times L\) qarşılıqlı təsiri iki performans çıxışındakı ümumi variasiyanın təxminən %63'ünü izah edir.

VDFC ilə preview MPC arasındakı əsas fərq

Tədqiqatçı VDFC-ni MPC-nin ümumi əvəzi kimi təqdim etmir. Daha düzgün şərh, tam yol önizləməsinin olmadığı, lakin yaxınlaşan lokal hadisənin aşkarlana bildiyi hallarda aşağı hesablama yükünə malik irəli qidalanma əlavəsi olmasıdır.

Tədqiqatın dəstəklədiyi nəticələr

• Yarım sinus formalı virtual pozucudan istifadə araşdırılan lokal qabar simulyasiyalarında real qabarı birbaşa irəli qidalandırmağa görə daha faydalı nəticələr verə bilər.
• Yarım avtomobil əsaslı LQ SOF ilə VDFC kombinasiyası pitch hərəkətini azaltmaqda dörddəbir avtomobil əsaslı kombinasiyadan ümumən daha təsirli olmuşdur.
• VDFC4 sınaqdan keçirilən parametr seçimləri arasında performans və kalibrləmə mürəkkəbliyi baxımından balanslı namizəddir.
• 36 km/h sınağında HVDFC4 nəzarətsiz avtomobilə görə PAV(a_z), PAV(ω_y) və J_MS,DB-də aydın azalma yaratmışdır.
• VDFC-nin effektivliyi avtomobil sürətinə və xüsusilə virtual pozucunun zaman/mövqe uyğunlaşdırılmasına həssasdır.
• c_f × L qarşılıqlı təsiri aparılan ANOVA-da şaquli sürətlənmə və pitch sürəti variasiyasının ən böyük hissəsini izah etmişdir.
• Çevrimdışı optimallaşdırılmış parametrlərin sürətdən asılı lookup cədvəllərinə çevrilməsi ilə onlayn hesablama yükünün aşağı saxlanıla biləcəyi nəzərdə tutulur.

Tədqiqatın sübut etmədiyi nəticələr

• Real sərnişinlərdə nəqliyyat xəstəliyinin görülmə tezliyinin %72 və ya %73 azalması sübut edilməmişdir.
• J_MS,SB və J_MS,DB standartlaşdırılmış və ya klinik olaraq doğrulanmış yeni hərəkət xəstəliyi standartları deyil.
• Real avtomobil, hardware-in-the-loop və ya insan eksperimenti aparılmamışdır.
• Aktuator qüvvəsi və strok doyma limitləri açıq optimallaşdırma məhdudiyyəti kimi modelləşdirilməmişdir.
• Aşkarlanan qabar mərkəzindəki kamera/alqoritm xətalarının sayısal real dünya performansı eksperimental olaraq göstərilməmişdir.
• Üsul periodik sinus yol girişləri və ya genişzolaqlı təsadüfi ISO yol profilləri üçün doğrulanmamışdır.
• VDFC-nin preview MPC-dən daha yaxşı olduğu göstərilməyib; birbaşa eyni şərtli sayısal MPC müqayisəsi aparılmayıb.
• Tək 36 km/h kalibrləməsinin bütün sürətlərdə eyni faydanı verəcəyi göstərilməyib.

Tədqiqatın Metodu və Tapıntıları

Nəzarət dizaynının mərhələləri

1. 2-DOF dörddəbir avtomobil və 4-DOF yarım avtomobil modelləri yaradıldı.
2. Modellər fasiləsiz zamandan diskret zamana çevrildi.
3. Dörddəbir və yarım avtomobil üçün LQ performans funksiyaları müəyyən edildi.
4. Praktik sensor çıxışlarından istifadə edilərək LQ SOF geribildirim nəzarətçiləri optimallaşdırıldı.
5. Schur sabitliyi və müsbət müəyyən Lyapunov həlli ilə nominal qapalı dövr sabitliyi yoxlanıldı.
6. Sabit məlum pozucu üçün irəli qidalanma qazancı analitik çıxarıldı.
7. Real qabar profilini birbaşa istifadə etmək əvəzinə HSVD əsaslı VDFC yaradıldı.
8. Beş VDFC parametrləşdirmə ssenarisi SBOM ilə çevrimdışı optimallaşdırıldı.
9. CarSim 8.0–Simulink 2024a birgə simulyasiyasında qabar reaksiyaları müqayisə edildi.
10. 10–60 km/h sürət həssaslığı və HVDFC4 üçün 81 şəraitli parametr həssaslığı araşdırıldı.

Dörddəbir və yarım avtomobil modelləri

Dörddəbir avtomobil modeli kuzov və təkərin şaquli hərəkətlərini əhatə edən 2-DOF quruluşa malikdir. Asqı qüvvəsi:

\[ f_q= -k_s(z_s-z_u) -b_s(\dot z_s-\dot z_u) +u_q \]

şəklindədir.

Yarım avtomobil modeli isə ön və arxa təkər hərəkətləri ilə birlikdə kuzovun:

• şaquli hərəkətini,
• pitch bucağını

eyni modeldə təmsil edir. Buna görə yarım avtomobil əsaslı nəzarətçi ön və arxa asqı qüvvələri arasındakı fərq vasitəsilə kuzova pitch əks momenti də yarada bilər.

Birbaşa virtual pozucu irəli qidalanma qanunu

Əvvəlki virtual pozucu yanaşmasında kuzov şaquli yerdəyişməsinin ölçülməsi tələb olunurdu. Bu tədqiqat bunu aradan qaldıraraq:

\[ u_{FF}= K_{FF}z_v \]

şəklindəki birbaşa irəli qidalanma qanunundan istifadə edir.

Beləliklə VDFC üçün kuzovun mütləq şaquli yerdəyişməsini ölçməyə ehtiyac qalmır. Geribildirim üçün tələb olunan siqnallar isə akselerometrlərdən filtrləmə və inteqrasiya vasitəsilə əldə edilir.

Əsas VDFC4 optimallaşdırma nəticəsi

Cədvəl 5-də yarım avtomobil əsaslı VDFC4 üçün mənbədə verilən parametrlər:

• \(h=0,305\),
• \(w=1,624\),
• \(c_f=15,624\),
• \(L=3,124\)

şəklindədir.

Tədqiqatçı ən uğurlu virtual pozucuların real qabara görə ümumən daha yüksək, daha dar və daha gec başlayan profillər yaratdığını bildirir. Bu, VDFC-nin real yol həndəsəsini kopyalamaqdan çox avtomobil dinamikasının istənilən keçici cavabını yaradacaq süni giriş formalaşdırdığını göstərir.

Mənbədə VDFC4 nominal dəyərləri ilə bağlı uyğunsuzluq

Həssaslıq analizi bölməsindəki Cədvəl 9, Level 2 dəyərlərini “Cədvəl 5-də verilən nominal HVDFC4 dəyərləri” kimi müəyyən edir. Lakin Level 2:

• h = 0,130,
• w = 1,786,
• c_f = 15,705,
• L = 2,998

dəyərlərini verir. Bunlar Cədvəl 5-dəki 0,305 / 1,624 / 15,624 / 3,124 dəsti ilə eyni deyil. Buna görə 81 şəraitli ANOVA-nın hansı HVDFC4 nominal dizaynının ±%10 ətrafında yaradıldığı mənbənin öz cədvəllərindən qəti şəkildə uzlaşdırıla bilmir.

Hərəkət xəstəliyi performansının əsas sayısal müqayisəsi

Bu nəticə tək metriklə bütün nəzarət uğurunun təmsil edilə bilməyəcəyini göstərir. Məsələn HVDFC5 ikizolaqlı indeksdə güclü nəticə versə də, MSDV-si geribildirim baza xəttindən yüksəkdir. Buna görə tədqiqatın “hərəkət xəstəliyinin azaldılması” nəticəsi mütləq hansı indeks və hansı tezlik zolağı üzrə danışıldığı göstərilərək şərh edilməlidir.

Sürət həssaslığının mühəndislik mənası

Virtual pozucunun məkan eni sabit saxlananda avtomobil sürəti dəyişdikcə qabarın avtomobil tərəfindən görülmə müddəti və buna görə tezlik məzmunu da dəyişir. Buna görə 36 km/h-də optimallaşdırılmış tək HSVD profili bütün sürətlər üçün optimal deyil.

Tədqiqatçı real tətbiq üçün fərqli sürət nöqtələrində çevrimdışı optimallaşdırma aparılıb:

• h(v),
• w(v),
• c_f(v),
• lazım gələrsə L(v)

xəritələrinin əvvəlcədən saxlanıla biləcəyini və avtomobil hərəkətdə olarkən yalnız sürət ölçümü, cədvəl interpolyasiyası və qazanc vurmasının aparıla biləcəyini təklif edir.

Praktik tətbiqdə hansı problemlər həll edilməyib?

Sensor səs-küyü: LQ SOF geribildirim siqnalları akselerometrlərdən törədildiyi üçün filtrləmə xətaları və inteqrasiyadan yaranan problemlər real avtomobildə qiymətləndirilməlidir.

Aktuator doyumu: Simulyasiyada 10 Hz bant genişliyi istifadə olunub; lakin aktuator qüvvəsi və asqı stroku üçün açıq doyma məhdudiyyətləri optimallaşdırmaya daxil edilməyib.

Zamanlama xətası: Virtual pozucunun mərkəzi real qabarla düzgün uyğunlaşdırılmazsa irəli qidalanma qüvvəsinin faydası azala və ya kuzov/pitch reaksiyasını artıra bilər.

Yol növü: Üsul lokal qabar/hump tipli keçici girişlər üçün nəzərdə tutulub. Davamlı sinusoidal və ya genişzolaqlı təsadüfi yol profillərinə birbaşa ümumiləşdirilmir.

Real vaxt optimallaşdırması: SBOM onlayn işləmək üçün hazırlanmayıb. Real istifadə üçün parametrlər əvvəlcədən hesablanmalıdır.

Real avtomobil doğrulaması: Tədqiqatda real avtomobil sınağı və ya HIL sınağı aparılmayıb.

İnsan doğrulaması: Subyektiv nəqliyyat xəstəliyi və ya oxuma komfortu real sərnişinlərlə qiymətləndirilməyib.

Elmi nəticə necə məhdudlaşdırılmalıdır?

Tədqiqatın dəstəklədiyi ən düzgün nəticə budur: lokal qabar tipli uyarımlarda düzgün şəkildə çevrimdışı tənzimlənmiş yarım sinus virtual pozucu irəli qidalanma siqnalı LQ SOF aktiv asqı geribildiriminə əlavə ediləndə CarSim simulyasiyasında kuzov şaquli sürətlənməsini, pitch sürətini və xüsusilə ikizolaqlı hərəkət-xəstəliyi ilə əlaqəli performans indeksini azalda bilmişdir.

Bundan irəli gedərək üsulun real insanlarda nəqliyyat xəstəliyini eyni nisbətlə azaltdığını, bütün yol növlərində işlədiyini və ya standart preview MPC-dən üstün olduğunu demək tədqiqat tərəfindən dəstəklənmir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Design of Virtual Disturbance Feedforward Controller for Motion Sickness Mitigation

Müəllif: Seongjin Yim.

Müəllif sırası: Tədqiqat tək müəlliflidir. Araşdırılan versiyada ayrıca CRediT/Author Contributions bölgüsü yoxdur.

Məsul müəllif: Seongjin Yim.

Qurum: School of Mechanical Systems Engineering, Seoul National University of Science and Technology, 232 Gongneung-ro, Nowon-gu, Seoul 01811, Republic of Korea.

Jurnal: Machines. Nəşriyyat: MDPI, Basel, Switzerland. Cild: 14. Sayı: 5. Məqalə nömrəsi: 571. İl: 2026.

DOI: 10.3390/machines14050571

Rəsmi nəşr keçidi: https://doi.org/10.3390/machines14050571

Nəşr prosesi: Tədqiqat 21 Aprel 2026-da qəbul üçün daxil olmuş, 18 May 2026-da yenidən işlənmiş və qəbul edilmiş, 20 May 2026-da yayımlanmışdır.

Akademik redaktor: Dan Zhang.

Mənbə növü və rəy statusu: Machines jurnalında yayımlanmış rəyli tədqiqat məqaləsidir. Elmi doğrulama real avtomobil və ya insan eksperimenti əvəzinə riyazi avtomobil modeli, aktiv asqı nəzarət dizaynı, çevrimdışı optimallaşdırma və CarSim–MATLAB/Simulink birgə simulyasiyasına əsaslanır.

Lisenziya: Creative Commons Attribution (CC BY). Tədqiqat açıq girişlidir.

Maliyyələşdirmə: Ministry of Education vasitəsilə National Research Foundation of Korea Basic Science Research Program çərçivəsində RS-2019-NR040071 nömrəsi ilə dəstəklənmişdir.

Məlumat əlçatanlığı: Müəllif orijinal töhfələrin tədqiqat daxilində olduğunu, əlavə sualların məsul müəllifə yönəldilə biləcəyini bildirmişdir.

Maraqlar toqquşması: Müəllif maraqlar toqquşması olmadığını bəyan edir.

Elmi məzmun sərhədi: Bu Verianla məzmunundakı nəzarət arxitekturası, tənliklər, simulyasiya şərtləri, VDFC parametrləri, hərəkət-xəstəliyi ilə əlaqəli indekslər, sayısal performans nəticələri və məhdudiyyətlər yalnız araşdırılan tədqiqata əsaslanır. Xarici mənbələr yeni elmi tapıntı əlavə etmək üçün istifadə edilməyib; yalnız biblioqrafik nəşr kimliyini və jurnalın rəyli statusunu doğrulamaq üçün istifadə olunub.

Əsas metodoloji sərhəd: Tədqiqat real avtomobil, hardware-in-the-loop və ya insan iştirakçı doğrulaması ehtiva etmir. Aktuator qüvvə/strok doyumları açıq məhdudiyyət kimi modelləşdirilməyib. VDFC lokal qabar tipli girişlər üçün nəzərdə tutulub və real tətbiqdə hadisənin mərkəz mövqeyinin etibarlı şəkildə əvvəlcədən təxmin edilməsini tələb edir.

Hərəkət xəstəliyi indeksi sərhədi: J_MS,SB və J_MS,DB tədqiqatçı tərəfindən nəzarətçi müqayisəsi üçün təklif edilmiş ölçüsüz göstəricilərdir. Mənbə tədqiqat bunları standartlaşdırılmış MSDV-ni əvəz edən doğrulanmış hərəkət xəstəliyi standartları kimi təqdim etmir.

Mənbədaxili Tənlik (50) uyğunsuzluğu: J_RF formulunun birinci çəkisi α_RF olduğu halda ikinci termində çap edilmiş şəkildə (1 − α_LF) var. Bölmə mətni oxuma tezliyi komponenti üçün α_RF müəyyən edir. Burada mənbə göstərimi səssizcə düzəldilməyib.

Mənbədaxili MSDV uyğunsuzluğu: Nəzarətsiz MSDV 0,0450 olduğu halda LQSOFHD üçün 0,0578 dəyəri ilə birlikdə “(29%)” yazılıb. Xam dəyər nəzarətsiz dəyərdən yüksək olduğuna görə mötərizədəki faiz azalma göstəricisi kimi şərh ediləndə sayısal dəyərlərlə uyğun gəlmir.

Mənbədaxili HVDFC4 parametr uyğunsuzluğu: Cədvəl 5 HVDFC4 nominal parametrlərini 0,305 / 1,624 / 15,624 / 3,124 olaraq verir, Cədvəl 9 isə öz Level 2 sütununu Cədvəl 5-dəki nominal dəyərlər kimi müəyyən edib 0,130 / 1,786 / 15,705 / 2,998 dəyərlərini göstərir. Mənbə tədqiqat iki dəst arasındakı fərqi izah etmir.