Bu araştırma, her tekerleğinde bağımsız elektrik motoru ve direksiyon aktüatörü bulunan beş akslı bir dağıtılmış tahrik aracında, yüksek hızlı manevralar sırasında aracın yanal kararlılığını korurken tek tek tekerlek motorlarından talep edilen tepe torku azaltmayı amaçlıyor. Araştırmacılar bunun için aktif tüm tekerlek yönlendirmeyi (Active All-Wheel Steering, AWS) doğrudan yaw moment kontrolüyle (Direct Yaw Moment Control, DYC) birleştiren hiyerarşik bir kontrol mimarisi geliştirmiştir.

Üst seviye denetleyici, model öngörülü kontrol (Model Predictive Control, MPC) kullanarak ikinci, üçüncü, dördüncü ve beşinci aksların aktif direksiyon açıları ile ilave yaw momentini birlikte hesaplamaktadır. Bulanık kontrolcü, aksların direksiyon hareketlerinin birbirinden aşırı uzaklaşmasını önlemek amacıyla MPC kontrol ağırlıklarını çalışma sırasında değiştirir. Boylamsal hız için ayrı bir PID denetleyici kullanılır. Alt seviyede ise gerekli boylamsal kuvvet ve yaw momenti, on bağımsız tekerleğin motor torklarına, lastik yük oranının toplamını küçülten bir optimizasyon üzerinden dağıtılır.

MPC'nin çevrim içi optimizasyon maliyetini azaltmak için araştırmacılar ayrıca MPC çıktılarıyla eğitilen tam bağlı bir sinir ağı geliştirmiştir. NN-MPC olarak adlandırılan ağ, araç hızı, kütle merkezi sideslip açısı, gerçek yaw rate ve hedef yaw rate olmak üzere dört girdiden; ilave yaw momenti ve dört aktif aks açısı olmak üzere beş kontrol çıktısı üretmektedir. Eğitim verisi 25–95 km/sa arasında 5 km/sa aralıklarla gerçekleştirilen çift şerit değiştirme simülasyonlarından oluşturulmuş ve toplam 22.500 örnek kullanılmıştır.

80 km/sa, yol tutunma katsayısı μ = 0,8 olan yüksek hızlı simülasyonda AWS/DYC stratejisi, ARS/DYC olarak adlandırılan yalnız dördüncü ve beşinci aksların aktif yönlendirildiği karşılaştırma stratejisine göre kütle merkezi sideslip açısı tepesini %90,98, tek tekerlek tepe tork talebini ise %30,78 azaltmıştır. AWS/DYC altında maksimum lastik slip açısı 4,7° ile yaklaşık 5° olarak tanımlanan doğrusal çalışma bölgesinde kalırken ARS/DYC'de arka aks slip açısı 11,9°'ye ulaşmıştır. AWS/DYC'nin maksimum aktif direksiyon açısı 4,53° iken ARS/DYC denetleyicisi 10° olarak belirlenmiş kontrol sınırına ulaşmıştır.

Gerçek araç testleri daha düşük hızda yapılmıştır. 35 km/sa hızdaki çift şerit değiştirme testinde AWS/DYC, kontrolsüz duruma göre sideslip açısı tepesini %96,47; ARS/DYC'ye göre %66,19 azaltmıştır. ARS/DYC'ye kıyasla tepe motor torku %33,59, aktif direksiyon açısı tepesi ise %44,91 daha düşük bulunmuştur. Bununla birlikte yüksek hızlı 80 km/sa sonuçları fiziksel araçta doğrulanmamıştır; gerçek araç testi 35 km/sa ile sınırlıdır.

Türkiye açısından anlamı: Çalışmadaki 1450 kg'lık beş akslı test platformu, Türkiye'de kullanılan ağır kamyon, askeri lojistik araç veya özel amaçlı çok akslı taşıtların doğrudan temsilcisi değildir. Buna rağmen yöntem; çok akslı elektrikli araçlarda bağımsız direksiyon ile bağımsız tekerlek torklarının birlikte yönetilmesi, lastiklerin doygunluk bölgesine girmeden kullanılması ve MPC'nin sinir ağıyla gerçek zamanlı uygulamaya yaklaştırılması açısından önemli bir kontrol mimarisi örneğidir. Türkiye'de farklı araçlara uygulanması için gerçek araç kütlesi, lastik karakteristikleri, aks geometrisi, motor tork sınırları, yol tutunması, aktüatör gecikmeleri ve yüksek hızlı fiziksel testlerin bağımsız olarak yeniden doğrulanması gerekir.

Araştırmanın temel problemi nedir?

Çok akslı araçlarda uzun gövde, yüksek atalet ve çok sayıda tekerleğin aynı anda yönetilmesi nedeniyle yüksek hızlı manevralarda yaw kararlılığı ve sideslip kontrolü zorlaşabilir. Dağıtılmış elektrikli tahrik mimarisi her tekerleğin torkunun bağımsız kontrolünü mümkün kılar; bağımsız direksiyon aktüatörleri de aynı şasi üzerinde ek kontrol serbestlik dereceleri oluşturur.

Ancak yalnız diferansiyel tork kullanılarak yüksek yaw momenti üretmeye çalışıldığında her bir tekerlek motorundan talep edilen tork artabilir. Araştırmanın temel yaklaşımı, yaw hareketini yalnız tekerlek torku ile değil, aktif direksiyon açılarıyla da paylaşarak gerekli motor torkunu azaltmaktır.

Gerçek deney platformu nasıl bir araç?

Çalışmanın Şekil 1'inde gerçek fiziksel platform, beş akslı ve toplam on tekerlekli uzun bir deney aracı olarak gösterilmektedir. Her tekerlek bağımsız in-wheel motor ve direksiyon aktüatörüne sahiptir. Enerji kaynağı lityum-iyon batarya paketidir; motor, şanzıman ve diferansiyel bağlantıları TruckSim modelinde ayrılarak tork doğrudan her tekerleğe uygulanmıştır.

Kaynağın sonraki bölümünde aracın boş kütlesi 1450 kg ve nominal yükü 500 kg olarak ayrıca belirtilmektedir. Buna karşılık kontrol sınırlarını tartışan bölüm test aracını “1,7 t” olarak adlandırmaktadır. Kaynak bu kütle tanımları arasındaki farkı ayrıca açıklamamaktadır.

TruckSim modeli gerçek araçla nasıl doğrulandı?

Gerçek araçta direksiyon simidi açısı, araç gövdesi hareketi, pedal kuvveti, tekerlek direksiyon açısı ve tekerlek düşey kuvveti gibi büyüklükler sensörlerle kaydedilmiştir. Şekil 3'te sensörlerin CAN üzerinden veri kaydediciye, oradan USB ile bilgisayara bağlandığı deney mimarisi gösterilmektedir.

Araştırmacılar gerçek test parkurunun boylamsal eğimini, yanal deverini ve üç boyutlu yol koordinatlarını TruckSim'e aktararak gerçek testteki hız ve yol girdilerini yeniden oluşturmuştur.

Kütle merkezi sideslip açısı GPS ve IMU verilerinden:

\[ \beta= \frac{-v_N\sin\psi-v_E\cos\psi} {v_N\cos\psi-v_E\sin\psi} \]

ifadesiyle hesaplanmıştır.

Gerçek araç–TruckSim karşılaştırmasında maksimum yanal konum hatası %5,8, maksimum boylamsal hız hatası %6,5 olarak raporlanmıştır. Yaw rate ve sideslip açısı için ortalama bağıl hataların %9'un altında kaldığı belirtilmiştir. Araştırmacılar kalan farkları sensör gürültüsü, lastik modeli parametreleri, yol tutunma katsayısı belirsizliği ve gerçek sürücü davranışıyla ilişkilendirmektedir.

Neden klasik doğrusal lastik modeli yeterli görülmedi?

Doğrusal lastik yaklaşımında yanal kuvvet küçük slip açılarında yaklaşık olarak köşe sertliği ile slip açısının çarpımı üzerinden hesaplanır. Kaynak, slip açısının yaklaşık 5°'yi aşmasıyla lastik kuvvetinin doygunluk bölgesine yaklaşması nedeniyle doğrusal model hatasının hızla arttığını vurgulamaktadır.

Bu nedenle araştırmacılar slip açısı, boylamsal slip oranı, yol sürtünme katsayısı ve düşey yükü birlikte kullanan kontrol odaklı doğrusal parametre değişimli (Linear Parameter Varying, LPV) lastik modelini sisteme dahil etmiştir.

LPV modelinin temel yanal kuvvet ifadesi:

\[ F_y= \frac{F_z}{F_{z0}} \left(C_{y1}\omega_{y1}+C_{y2}\omega_{y2}\right)\delta_y \]

şeklindedir. Burada \(F_z\) mevcut düşey yükü, \(F_{z0}\) nominal yükü; ağırlık terimleri ise lastik durumuna bağlı parametre planlamasını temsil etmektedir.

LPV lastik modeli hangi veriyle oluşturuldu?

Buradaki “lastik testi” fiziksel lastik test makinesinde yapılmamıştır. TruckSim 2019.0 içindeki 175/65 R14 parametrik lastik modeli kullanılarak aşağıdaki çalışma alanı taranmıştır:

Parametreler doğrusal olmayan en küçük kareler yöntemiyle tanımlanmıştır. Yaklaşık gerçek çalışma yüküne en yakın 1961,33 N düşey yükte yapılan karşılaştırmada doğrusal modelin hata değeri 10° slip açısında %62,47'ye ulaşmıştır. LPV modelinde raporlanan maksimum hata ise 4,5° civarında %8,4'tür.

Bu sonuç LPV modelinin TruckSim referans lastik modeliyle daha iyi uyuştuğunu göstermektedir; fiziksel lastik kuvvet ölçümüyle bağımsız doğrulama anlamına gelmez.

İdeal araç davranışı nasıl tanımlanıyor?

Kontrolün temel hedefleri boylamsal hız, yaw rate ve kütle merkezi sideslip açısıdır. İdeal sideslip açısı mühendislik uygulaması kapsamında sıfıra ayarlanmıştır.

İdeal yaw rate, iki serbestlik dereceli araç modelinin kararlı durum kazancı ile yol tutunmasının izin verdiği maksimum yanal ivme arasında sınırlandırılır:

\[ \omega_{z,des} = \min \left( \left| \frac{v_x\delta_1} {L_e(1+v_x^2K)} \right|, \left| \frac{\mu g}{v_x} \right| \right) \operatorname{sgn}(\delta_1) \]

Böylece denetleyicinin, yalnız sürücünün direksiyon isteğini değil yol–lastik tutunma sınırını da dikkate alması amaçlanmaktadır.

Hiyerarşik kontrol mimarisi nasıl çalışıyor?

Çalışmanın Şekil 11'i, denetleyicinin en önemli şemalarından biridir. Sürücünün birinci aks direksiyon girdisi ve hedef araç hızı önce istenen araç durumuna dönüştürülür. Birinci aksın aktif direksiyon açısı değiştirilmez; böylece sürücünün doğrudan yönlendirme girdisi korunur.

Üst seviye MPC'nin kontrol vektörü:

\[ u= \begin{bmatrix} \delta_2 & \delta_3 & \delta_4 & \delta_5 & \Delta M_z \end{bmatrix}^{T} \]

olarak tanımlanmaktadır. Yani ikinci–beşinci aksların aktif direksiyon açıları ile doğrudan yaw momenti aynı optimizasyon probleminde belirlenir.

Verianla Live: Süreç görünümü bu görünür bilimsel tablodan oluşturulur; makaleye ayrı Live SVG veya JavaScript gömülmez.

MPC hangi hedefleri birlikte optimize ediyor?

Temel amaç, gerçek yaw rate ve sideslip açısını istenen değerlere yaklaştırırken kontrol hareketlerinin büyüklüğünü de sınırlamaktır. Kaynakta MPC amaç fonksiyonu:

\[ J= \frac{1}{2}e^T(k+N_p|k)Se(k+N_p|k) + \frac{1}{2} \sum_{i=0}^{N_p-1} \left[ e^TQe+u^TRu \right] \]

biçiminde tanımlanmaktadır.

Durum ağırlıkları için \(Q=\mathrm{diag}(100000,100)\), terminal ağırlığı için \(S=\mathrm{diag}(1,1)\), başlangıç kontrol ağırlıkları için:

\[ R= \mathrm{diag} (0{,}05,\ 0{,}05,\ 0{,}05,\ 0{,}05,\ 0{,}000001) \]

kullanılmıştır.

Bulanık kontrol neden eklenmiş?

MPC her aks için farklı direksiyon açısı üretebilir. Aşırı farklılıklar belirli akslarda lastik aşınmasını ve lastik kuvvet doygunluğu riskini artırabilir. Araştırmacılar bu nedenle ikinci–beşinci aksların mutlak direksiyon açılarının ortalamadan farkını bulanık kontrol girdisi yapmıştır.

Fuzzy denetleyici, ilgili MPC kontrol ağırlığını küçük miktarlarda değiştirerek aksların aktif direksiyon hareketlerini daha dengeli dağıtmayı hedefler. Girdi evreni −0,1 ile 0,1; ağırlık düzeltme çıktısı ise −0,025 ile 0,025 aralığında tanımlanmıştır.

Alt seviyede motor torku nasıl dağıtılıyor?

Üst seviye denetleyiciden gelen toplam boylamsal kuvvet ve ek yaw momenti için on bağımsız tekerlek kuvveti tek bir çözümle belirlenemez; sistem matematiksel olarak eksik belirlenmiştir. Araştırmacılar bu serbestliği lastiklerin kuvvet rezervini korumak için kullanmaktadır.

Bir lastiğin yük oranı:

\[ \rho= \frac{\sqrt{F_x^2+F_y^2}} {\mu F_z} \]

ile tanımlanmaktadır.

Alt seviyedeki optimizasyon, bütün tekerlekler için yük oranlarının karesinin toplamını küçültmektedir. Böylece gerekli toplam kuvvet ve moment üretilirken belirli bir lastiğin tutunma kapasitesinin aşırı kullanılmasının önlenmesi amaçlanmaktadır.

NN-MPC neden gerekli görüldü?

Beş kontrol değişkenli MPC her 10 ms'de bir kuadratik programlama problemi çözmek zorundadır. Bu durum gerçek araç kontrol ünitesinde hesaplama yükünü artırabilir. Araştırmacılar “çevrim içi optimizasyon yerine öğrenilmiş yaklaşık kontrol yasası” yaklaşımını benimsemiştir.

Eğitim verileri 25 km/sa'dan 95 km/sa'ya kadar 5 km/sa aralıklarla oluşturulmuştur. Her hızda 15 saniyelik çift şerit değiştirme, 100 Hz örnekleme ile gerçekleştirilmiş ve toplam 22.500 örnek toplanmıştır.

Veri seti eğitim ve doğrulama için 9:1 oranında ayrılmıştır. Adam optimizasyonu, 0,005 başlangıç öğrenme oranı, 1024 batch boyutu, en fazla 80 epoch ve erken durdurma kullanılmıştır.

Kaynak ayrıca ilk eğitimin kapsamadığı uç durumları belirlemek için çevrimsel artımlı öğrenme uygular. NN-MPC'nin başarısız olduğu simülasyon durumları yeniden MPC ile çözülür; MPC çıktıları “öğretmen sinyali” olarak eğitim verisine eklenir ve ağ yeniden eğitilir.

Ağ parametre sayısında neden bir not gerekiyor?

Kaynak 4–64–64–32–5 tam bağlı ağ için 6568 parametre raporlamaktadır. Standart tam bağlı katman aritmetiğinde yalnız ağırlık matrisleri 6560 eleman, bias terimleri de dahil edildiğinde toplam 6725 parametre oluşmaktadır. Kaynak 6568 değerinin hangi sayım kuralından üretildiğini açıklamadığından Verianla bu değeri değiştirmemekte, ancak yeniden üretilebilirlik açısından farkı görünür bırakmaktadır.

Yüksek hızlı test hangi koşulda yapıldı?

En kritik karşılaştırma gerçek araçta değil, TruckSim/Simulink eş-simülasyonunda gerçekleştirilmiştir:

• araç hızı: 80 km/sa,
• yol tutunma katsayısı: μ = 0,8,
• manevra: çift şerit değiştirme,
• kontrol periyodu: 0,01 s,
• kontrol frekansı: 100 Hz,
• MPC prediction/control horizon: 15 adım.

Üç durum karşılaştırılmıştır: kontrolsüz araç; 4. ve 5. aksların aktif yönlendirildiği ARS/DYC; 2.–5. aksların koordineli yönlendirildiği AWS/DYC.

Yaw rate ve sideslip ne kadar değişti?

AWS/DYC altında son direksiyon geri dönüşündeki yaw rate tepe değeri 0,122 rad/s içinde tutulmuştur. Kaynak bunu kontrolsüz duruma göre %41,04 ve ARS/DYC'ye göre %21,62 tepe bastırma olarak raporlamaktadır.

Kütle merkezi sideslip açısı AWS/DYC altında en fazla 0,0023 rad seviyesinde kalmıştır. Bu değer kontrolsüz duruma göre %92,31, ARS/DYC'ye göre %90,98 azalmadır.

β–\(\dot{\beta}\) faz düzlemi zarf alanının kontrolsüz duruma göre %99,69 ve ARS/DYC'ye göre %99,45 küçüldüğü bildirilmiştir.

Motor tork talebi gerçekten azaldı mı?

Evet; yüksek hızlı simülasyonda AWS/DYC altında maksimum tek tekerlek motor tork talebi 66,12 N·m olarak bulunmuştur. Bu değer ARS/DYC stratejisinden %30,78 daha düşüktür ve kaynakta test platformundaki in-wheel motorun 70,0 N·m nominal çıkış kabiliyetinin altında olduğu belirtilmektedir.

Bununla birlikte denetleyici tasarımında ek yaw momenti için \([-\infty,+\infty]\) aralığı kullanılmış ve motor torkuna doğrudan sonlu bir üst sınır konulmamıştır. Araştırmacılar bunu gelecekte 50 ton sınıfı ağır özel araçlara temel oluşturma hedefiyle gerekçelendirmektedir. Dolayısıyla 66,12 N·m sonucu belirli simülasyon koşulunda ortaya çıkan çözüm değeridir; optimizasyonun baştan 70 N·m ile sınırlandırılmış sonucu değildir.

Lastik slip açıları neden önemli?

Verianla Live: Üç stratejinin maksimum slip açıları kaynak çalışmanın Şekil 20 analizinden alınmıştır.

ARS/DYC yalnız son iki aksı kullanırken arka tekerleklerde 11,9°'ye kadar slip açısı oluşmaktadır. Bu değer araştırmacıların yaklaşık 5° olarak tanımladığı doğrusal çalışma alanının çok üzerindedir.

AWS/DYC aktif direksiyon görevini dört aksa dağıtarak maksimum değeri 4,7° seviyesinde tutmaktadır. Araştırmacılar bu sonucu lastik kuvvet kapasitesinin daha dengeli kullanılması olarak yorumlamaktadır.

Aktif direksiyon açıları ne kadar?

AWS/DYC için maksimum direksiyon açısı 0,079 rad, yani yaklaşık 4,53°'dir. Bu değer geleneksel Ackermann geometrisine göre daha yüksek olmakla birlikte belirlenen ±10° aktüatör sınırının içindedir.

ARS/DYC'de dördüncü ve beşinci aksların aktif direksiyon hareketi doğrudan 10° sınırına ulaşmıştır. Araştırmacılar, sınırlı sayıda aksa yoğunlaşan kontrolün lastik doygunluğu ve aşınma açısından daha olumsuz olabileceğini belirtmektedir.

NN-MPC hesaplama süresini ne kadar azaltıyor?

Verianla Live: Çalışma süreleri kaynak Tablo 3'ten alınmıştır; PC eş-simülasyon süresi ile gerçek VCU işlem süresi birbirine eşit kabul edilmemelidir.

AWS/DYC/NN-MPC eş-simülasyonu 8,42 s sürerken ARS/DYC/MPC 19,38 s sürmüştür. Kaynak toplam simülasyon süresinde %56,55 azalma, TruckSim'in temel 6,97 s süresi çıkarıldığında ise yalnız kontrol hesaplaması açısından %88,32 hesaplama verimliliği artışı raporlamaktadır.

Bu sonuç NN-MPC'nin çevrim içi hesaplama avantajını desteklemektedir; ancak iki karşılaştırma kolunda kontrol mimarisi de aynı değildir. ARS/DYC geleneksel MPC, AWS/DYC ise NN-MPC kullanmaktadır.

Gerçek araçta ne oldu?

Gerçek araç testi kapalı test sahasında, kuru beton üzerinde, yaklaşık μ = 0,8 yol tutunma katsayısında ve 35 km/sa hızda gerçekleştirilmiştir. Manevra yine çift şerit değiştirmedir.

Üç strateji de hedef yolu kabul edilebilir sapmayla izleyebilmiştir. Bu düşük hızda yaw rate tepe değerleri arasındaki farkların yüksek hızlı simülasyondaki kadar belirgin olmadığı kaynakta açıkça belirtilmektedir.

AWS/DYC'nin en güçlü gerçek araç etkisi sideslip açısında görülmüştür. Tepe sideslip açısı kontrolsüz araca göre %96,47, ARS/DYC'ye göre %66,19 azaltılmıştır.

Motor tork tepe değeri ARS/DYC'ye göre 8,64 N·m, yani %33,59 daha düşük; aktif direksiyon tepe değeri ise 0,048 rad, yani %44,91 daha düşük bulunmuştur.

35 km/sa gerçek test, 80 km/sa sonucu doğruluyor mu?

Yalnız kısmen. Gerçek test, kontrol yazılımının fiziksel araç üzerinde uygulanabildiğini ve düşük hızdaki yanal hareketi iyileştirebildiğini göstermektedir. Ancak yüksek hızlı 80 km/sa kaçınma manevrasının fiziksel doğrulaması değildir.

Araştırmacılar da güvenlik gerekçeleri nedeniyle gerçek araç deneylerinin düşük hızlı kararlı koşullarla sınırlı kaldığını ve gelecekte test hızlarının artırılması gerektiğini açıkça belirtmektedir.

Çalışmanın desteklediği ve desteklemediği sonuçlar

Çalışmanın desteklediği sonuç: İncelenen beş akslı test aracı ve kullanılan TruckSim modeli kapsamında, aktif direksiyon görevini dört aksa dağıtan AWS/DYC mimarisi yüksek hızlı simülasyonda ARS/DYC'ye göre daha düşük araç sideslip açısı, daha düşük motor tork talebi ve daha dengeli lastik slip açısı dağılımı sağlamıştır. Düşük hızlı gerçek araç testi de AWS/DYC'nin fiziksel platformda uygulanabilir olduğunu ve sideslip davranışını iyileştirdiğini göstermektedir.

Çalışmanın desteklemediği sonuç: Sistem 50 ton sınıfı ağır araçta doğrulanmamıştır; 80 km/sa yüksek hızlı manevra gerçek araçta test edilmemiştir; fiziksel lastik test tezgâhından tanımlanmış LPV parametreleri kullanılmamıştır; motor veya direksiyon aktüatörü arızalarında hata toleransı doğrulanmamıştır; NN-MPC'nin tüm görülmemiş yol ve araç parametrelerinde kararlı çalışacağı kanıtlanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Araştırma dört birbirine bağlı doğrulama katmanından oluşmaktadır: gerçek araç verileriyle yüksek doğruluklu TruckSim modelinin kurulması; kontrol için sadeleştirilmiş 3-DOF + LPV lastik modelinin geliştirilmesi; hiyerarşik AWS/DYC + NN-MPC kontrol algoritmasının tasarlanması; yüksek hızlı eş-simülasyon ve düşük hızlı gerçek araç testi.

Model doğrulama sonuçları

LPV lastik modeli sonucu

Bu kıyasın referansı TruckSim lastik veri tabanıdır; bağımsız laboratuvar lastik kuvvet ölçümü değildir.

Yüksek hızlı simülasyon sonuçları

Düşük hızlı gerçek araç sonuçları

NN-MPC eğitim yöntemi

Veriler Z-score standardizasyonuyla:

\[ x_{norm}= \frac{x-\mu_x}{\sigma_x} \]

şeklinde normalize edilmiştir.

Kayıp fonksiyonunda ağ çıkış hatasına ek olarak kontrol kısıtlarının ihlal edilmesini cezalandıran terim kullanılmıştır:

\[ L= \frac{1}{N} \sum_{i=1}^{N} \|y_i-\hat y_i\|_2^2 + \lambda \sum_j \max(0,g_j(\hat y_i)) \]

Kaynak, ilk NN-MPC sürümünün başarısız olduğu uç durumları MPC ile yeniden etiketleyip veri setine ekleyen döngüsel artımlı eğitim yaklaşımı kullanmaktadır. Bununla birlikte sonuç bölümünde bu iterasyonların kaç tur sürdüğü, her turda kaç yeni örnek eklendiği veya bağımsız bir test setindeki nihai hata dağılımı ayrıntılı verilmemiştir.

Önemli yöntemsel sınırlar

• Yüksek hızlı 80 km/sa performansı yalnız eş-simülasyonda doğrulanmıştır.
• Gerçek araç kontrol testi 35 km/sa ile sınırlıdır.
• LPV lastik parametreleri fiziksel lastik tezgâhından değil TruckSim'in sanal lastik modelinden tanımlanmıştır.
• LPV model parametreleri çevrim içi güncellenmemektedir; lastik sıcaklığı ve aşınma değişimleri dahil değildir.
• NN-MPC eğitim verilerinin ana kaynağı simülasyondur.
• Aktüatör arızalarında fault-tolerant kontrol çalışılmamıştır.
• Yüksek hızlı karşılaştırmada ARS/DYC geleneksel MPC, AWS/DYC ise NN-MPC kullandığından karşılaştırma yalnız aktif aks sayısını izole etmemektedir.
• Kontrol modeli süspansiyon dinamiğini ve hava direncini sadeleştirmektedir.
• Gerçek araçta iç tekerlek kamber açısındaki değişimler gözlenmiş fakat ana 3-DOF modele dahil edilmemiştir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Handling Stability Control for Multi-Axle Distributed Drive Vehicles Based on Model Predictive Control

Yazarlar ve özgün sıralama: Hongjie Cheng; Zhenwei Hou; Zhihao Liu; Jianhua Li; Jiashuo Zhang; Yuan Zhao; Xiuyu Liu.

Sorumlu yazar: Zhenwei Hou.

Eş katkı/eş birinci yazar: Kaynakta böyle bir beyan bulunmamaktadır.

Kurum: The National Key Discipline Laboratory of Armament Launch Theory & Technology, PLA Rocket Force University of Engineering, Xi’an 710025, China.

Dergi: Vehicles.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: 8 / 2 / 26.

DOI: 10.3390/vehicles8020026.

Yayın süreci: 14 Kasım 2025'te alınmış, 20 Ocak 2026'da revize edilmiş, 26 Ocak 2026'da kabul edilmiş ve 1 Şubat 2026'da yayımlanmıştır.

Kaynak türü ve hakemlik durumu: Hakemli araştırma makalesidir. Yüksek doğruluklu araç simülasyonu, model tabanlı ve yapay sinir ağı tabanlı kontrol tasarımı ile düşük hızlı gerçek araç deneylerini birlikte içermektedir.

Resmî bağlantı:https://doi.org/10.3390/vehicles8020026

Lisans: Creative Commons Attribution (CC BY) açık erişim lisansı.

Finansman: Çalışma National Natural Science Foundation of China kapsamında “Load-bearing and Stability Enhancement Control Technology for Multi-axle Distributed Drive Special Vehicles” projesi, 52472464 numaralı hibe; Young Star of Science and Technology in Shaanxi Province, 2025ZC-KJXX-84; ve Sanqin Talent Special Support Program of Shaanxi Province tarafından desteklenmiştir.

Veri erişilebilirliği: Kaynak, verilerin makale içinde bulunduğunu belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma Z.H.; yöntem H.C.; yazılım Z.H.; doğrulama J.L. ve J.Z.; ilk taslak Y.Z.; gözden geçirme ve düzenleme X.L.; proje yönetimi ve finansman edinimi Z.L. tarafından gerçekleştirilmiştir.

Gerçek araç / simülasyon ayrımı: En güçlü yüksek hızlı sonuçlar 80 km/sa TruckSim/Simulink eş-simülasyonuna aittir. Gerçek araç doğrulaması 35 km/sa ile sınırlıdır. Bu nedenle yüksek hızlı yüzdesel iyileştirmeler fiziksel 80 km/sa testi olarak sunulmamalıdır.

LPV lastik modeli doğrulama sınırı: LPV parametre tanımlama ve doğrulamasında referans olarak TruckSim'in yerleşik 175/65 R14 lastik modeli kullanılmıştır. Çalışma bağımsız bir fiziksel lastik test tezgâhından kuvvet–slip eğrisi raporlamamaktadır.

Ağ parametre sayısı notu: Kaynak, 4–64–64–32–5 tam bağlı ağ için 6568 parametre bildirmektedir. Standart matris sayımında yalnız ağırlıklar 6560, bias terimleri dahil toplam 6725 parametre oluşmaktadır. Kaynak 6568 sayısının hesaplama yöntemini açıklamamaktadır.

Durum uzayı notasyonu notu: Denklem (23)'te LPV lastik modeline bağlı ζ_i katsayıları kullanılırken Denklem (24)'ün matris gösteriminde açıklanmadan tek bir C katsayısına geçilmektedir. Ayrıca durum sırası bir yerde [β, ω_z]^T, Denklem (39) öncesinde ise [ω_z, β]^T olarak verilmektedir. Bu farklılıklar sessizce birleştirilmemiştir.

Kuadratik programlama kısıtı notu: Kaynak Denklem (40)'ta [I; −I]U eşitsizliğinin sağ tarafını [U_max; U_min] biçiminde yazmaktadır. Alt sınırın işaret dönüşümü ayrıca açıklanmamıştır. Verianla kaynak denklemini yeniden türeterek değiştirmemiştir.

Motor tork sınırı notu: MPC tasarımında ilave yaw momenti için sonlu sınır tanımlanmamıştır. Yüksek hızlı simülasyonda ortaya çıkan 66,12 N·m tepe değerinin 70 N·m nominal motor kapasitesinin altında kalması sonuç sonrasında yapılan mühendislik kontrolüdür; motor kapasitesi optimizasyonun doğrudan kısıtı değildir.

Kütle tanımı notu: Tablo 1 araç kütlesini 1450 kg vermekte ve sonraki bölüm 500 kg nominal yükten söz etmektedir; başka bir bölüm araştırma nesnesini 1,7 t araç olarak tanımlamaktadır. Kaynak bu üç kütle ifadesinin birbirleriyle ilişkisini ayrıntılı biçimde açıklamamaktadır.

Kontrol karşılaştırması sınırı: Yüksek hızlı karşılaştırmada ARS/DYC geleneksel MPC, AWS/DYC ise NN-MPC ile uygulanmaktadır. Bu nedenle performans farkı yalnız arka tekerlek yönlendirme ile tüm tekerlek yönlendirme arasındaki geometrik farkın saf ablasyonu değildir.

Gerçek zamanlılık sınırı: 6,97 s, 19,38 s ve 8,42 s süreleri Intel Ultra 7 işlemci ve 32 GB RAM kullanılan PC tabanlı 10 saniyelik eş-simülasyon ölçümleridir. Çalışma gerçek araç VCU donanımının ayrıntılı işlemci modeli ve tüm çevrimlerin zamanlama dağılımını raporlamamaktadır.

Gelecek çalışma sınırları: Araştırmacılar lastik aşınması ve sıcaklığına bağlı çevrim içi LPV parametre güncellemesini, NN-MPC'nin gerçek işletme koşullarındaki genellemesini ve tekli/çoklu motor veya direksiyon aktüatörü arızalarında aktif hata toleranslı kontrolü gelecekte ele alınması gereken başlıca konular olarak belirtmektedir.

Bu Verianla açıklamasındaki teknik bulgular, sayısal sonuçlar, matematiksel modeller ve sınırlılıklar yalnız incelenen çalışmaya dayanmaktadır. Dış doğrulama yalnız bibliyografik kimlik ve derginin hakemli yayın durumunu kontrol etmek amacıyla kullanılmış; çalışmaya dış kaynaklardan yeni araç performansı veya kontrol sonucu eklenmemiştir.