采用每轮电机的电动汽车的智能扭矩矢量方法

交通电气化目前是世界各地当局、制造商和研究中心的首要任务。电动汽车的开发及其功能的改进是该战略的关键要素。因此，需要进一步研究减排、提高效率或动态处理方法。为了实现这些目标，需要开发合适的高级驾驶辅助系统 （ADAS）。尽管传统的控制技术已广泛用于 ADAS 实施，但电动多电机动力总成的复杂性使得智能控制方法适用于这些情况。在这项工作中，提出了一种新颖的智能扭矩矢量 （TV） 系统，该系统由神经模糊垂直轮胎力估计器和模糊偏航力矩控制器组成，可以增强电动多电机汽车的动态行为。将所提出的方法与使用高保真车辆动力学模拟器 Dynacar 的传统策略进行了比较。结果表明，所提出的智能扭矩矢量系统能够将车辆的效率提高 10%，这要归功于最佳扭矩分配和使用神经模糊垂直轮胎力估计器，该估计的准确度是分析方法的 3 倍。

1. 引言

减少全球变暖、空气污染和对石油依赖的需求不仅推动了可再生能源的使用，还推动了其他领域的一些范式变化，例如交通系统，其中电动汽车 （EV） 的发展已成为一项关键战略 [1]。近年来，人们对配备电动动力总成（全电动和混合动力）的车辆的兴趣有所增加，成为汽车行业的主要研究领域之一 [2]。

将电动机集成到推进系统中不仅提供了更好的能源效率和更低的污染，而且还提供了更高的可控性，因为电动机提供了更好的响应时间 [3]。这些功能激发了人们对高级驾驶辅助系统 （ADAS） 开发的浓厚兴趣，该系统不仅增强了车辆的动态行为，还增强了车辆的效率和能耗 [4]。

在过去的几十年里，传统的控制方法已被广泛用于实施 ADAS。然而，与内燃机推进系统相比，电气化推进系统提供了更广泛的复杂性（和多种拓扑结构）。因此，智能控制方法已成为最近的主要研究兴趣之一，因为它们比传统方法更容易管理复杂的系统。

扭矩矢量分配 （TV） [5] 是增强每轮电机电动汽车动态行为和稳定性的最完整的 ADAS 之一，它侧重于最佳驱动扭矩分配。在 TV 方法中，可以使用多种策略来控制扭矩分配，其中大多数策略基于控制沿车辆垂直轴的力矩（偏航力矩）[6]。为此，使用了三种主要策略 [7]：第一种是基于扭矩在驱动轮之间的分布 [6， 8–12];第二种是基于使用主动车辆侧倾控制系统来改变横向载荷分布 [13， 14];最后，第三种策略包括在两个车轴中实施转向系统 [15， 16]。这项工作的重点是扭矩分配策略，因为全轮驱动车辆已被选为案例研究。

扭矩分配方法通常使用各种控制算法实现。在传统方法中，已经提出了更简单的方法，如基于比例-积分-微分控制（PID）的方法[6]，或更先进的算法，如模型预测控制（MPC）[17]或滑模控制（SMC）[9]。后者提供了增强的结果，尽管它们的计算成本高于基于 PID 的方法。另一方面，神经网络 [10] 或模糊逻辑系统 [11] 等智能方法已被证明能够以较低的计算成本提供良好的结果，使其成为实现扭矩分配方法的良好替代方案。

为了实现有效的驱动扭矩分配，了解轮胎力至关重要 [18]。然而，直接测量这些力是一项复杂而艰巨的任务，因此需要设计适当的估计器。然而，在文献中提出的工作中并不总是考虑这个问题，这些工作是基于对这些力的完美估计，这不是一个真实的情况。

在提出的估计车辆轮胎力的方法中，最常见的是使用基于轮胎模型的估计器，如线性轮胎模型 [19]、Dugoff 模型 [20]或半经验模型，如 Pacejka 轮胎模型 [18]。其他工作没有考虑轮胎模型，而是根据纵向和横向载荷传递以及每个车轮上的静态载荷来估计轮胎的垂直力[21–25]。还使用了智能建模方法，这减少了了解复杂轮胎动力学的需要，甚至允许模型调整。例如，神经网络、扩展卡尔曼滤波器和递归最小二乘法在 [26] 中被结合起来，以估计轮胎横向力和抓地力电位识别，即使在激进的动作中也是如此。在 [27] 中，使用了基于模糊逻辑的纵向、横向和垂直轮胎力估计器，这需要滑移角估计进行作并提供高度相关性。与传统方法相比，这两种方法都提供了更准确的估计，尽管它们的适用性带来了一些不便，因为它们需要难以测量的变量。

总之，智能方法已被证明是 ADAS 开发的合适替代方案，可提供平衡的性能与计算成本。然而，需要适当的轮胎力估计来保证在实际场景中的理论性能。在文献中，大多数作品都考虑了完美的估计或使用基于难以测量的物理变量的估计器，这需要昂贵的传感器，或者使用参数难以识别的复杂模型。这个问题降低了大多数作品在实际场景中提出的方法的可实施性和性能。

为了解决这些问题，这项工作提出了一种新颖的智能扭矩矢量方法，该方法由两种智能算法组成：首先，基于完全可测量变量的轮胎垂直力的自适应神经模糊推理系统 （ANFIS） 估计器;第二种是模糊偏航力矩控制器，它控制无人机的偏航率和侧滑角，因为它们是最具代表性的无人机动力学变量。所提出的方法能够增强电动汽车的动力学及其效率。为了证明其有效性，ANFIS 估计器和由此产生的智能电视系统已经在 Dynacar 高保真动态模拟器中的几个场景中进行了验证，使用 E 级车辆将获得的结果与以前的文献中的其他工作进行比较。

本文的其余部分分为以下几部分：在第 2 节中，详细介绍了所提出的智能扭矩矢量方法。在第 3 节中，介绍了仿真框架和实验设置。在第 4 节中，解释了执行验证的结果。最后，在第 5 节中，提出了主要结论。

2. 智能扭矩矢量系统

在本节中，详细介绍了所提出的智能扭矩矢量系统。其主要目的是在不同的驱动车轮之间分配驱动扭矩，从而提高车辆的控性和稳定性。它可以分为 5 个子系统（图 1）：横向扭矩分配使用模糊偏航力矩控制器进行，其参考是使用偏航率参考生成器计算的;纵向扭矩分布由自定义扭矩分配算法给出，该算法使用 ANFIS 垂直轮胎力估计器;纵向和横向分布提供的数据用于计算最终的扭矩分布。

图 1提出的智能扭矩矢量系统。

2.1. 偏航角速率参考生成器

开发的智能电视系统方法由横向扭矩分配方法和纵向扭矩分配方法组成。第一个是基于对车辆偏航力矩的控制;也就是说，它需要适当的偏航速率参考才能发挥其适当的性能。

为了计算所需的偏航角速率参考，使用了著名的自行车模型，因为它在精度和计算成本之间提供了良好的平衡[28]。为了进一步提高计算性能，进行了以下假设和简化：假设重心为零;每个轮胎的垂直力的变化将不被考虑在内;将考虑小滑移角假设，因此 sin（β） = β 且 cos（β） = 1（线性区域）;轮胎的横向刚度系数将是恒定的，由横向力与滑移角的比率定义。

必须注意的是，这种降低复杂性的模型专门用于控制器中的实时执行。此外，其中一些简化对于乘用车来说是合理的，因为它们直到轮胎的极限才会被驱动。

这样，偏航角速率参考方程为 [28](1)其中 m 是位于重心处的车辆的总质量，a 和 b 分别是到前轴和后轴重心的距离，L 是车轴之间的距离，δ 是前轮的旋转角度，C_αF和 C_αR分别是前轮和后轮的横向刚度系数，V 是车速。但是，出于安全原因，有必要限制生成的偏航速率参考的值。在这种情况下，限制设置如下 [6]：(2)其中 a_y是车辆的横向加速度。

2.2. 模糊偏转矩控制器

模糊偏航力矩控制器处理横向扭矩分布 （τ_纬度） 的车辆。因此，考虑到车辆的偏航率和滑移角，该系统计算要应用于车辆两侧的扭矩百分比。这样，如果 τ_纬度= 0，所有扭矩都将施加到右侧的车轮上;如果 τ_纬度= 1，则所有扭矩都施加到左侧的车轮上。

该子系统基于模糊逻辑，模糊逻辑是 Zadeh 于 1965 年 [29] 基于模糊集的数学理论对布尔逻辑的扩展。它通过将专业知识转化为规则，实现了从模型和数学公式中抽象出来，而无需放弃显着的微调功能。

最常见的 fuzzy logic system 结构如图 2 所示。首先，必须执行模糊化过程，将输入数据转换为模糊集，以便根据开发的规则继续推理系统。最后，为了将推理系统给出的结果转换为确切的值，在这种特殊情况下，确保适当的控制，因此需要一种去模糊化方法。

图 2表示模糊逻辑的方法

所提出的模糊逻辑控制器基于 Mamdani 模糊模型，因为它提供了更直观的调整 [30]。为了计算施加到车辆每一侧的扭矩百分比，τ_纬度，控制器需要三个输入：偏航角速率误差、其导数和侧滑角误差。偏航角速率误差及其导数的计算考虑了上一小节中详述的参考。计算滑移角误差时，考虑到车辆的参考侧滑角将为零，以减少滑移的实际值并实现中性控。

实际车辆侧滑角值使用以下公式 [31] 计算：(3)其中 V_y和 V_x是纵向 （x） 和横向 （y） 本地轴的车速。

对于模糊系统的设计，已实现以下结构。首先，为偏航率误差 e（ψ） 及其导数选择了 5 个隶属函数的分布，为横向滑移角 e（β） 的输入选择了 3 个隶属函数。考虑到乘用车实现的典型侧滑角和偏航角速率值，已经认为五个隶属函数覆盖了前两个变量的整个范围，具有良好的准确性。此外，侧滑角的标志决定了车辆是否具有空档、转向不足或转向过度行为。因此，已经考虑到最后一个变量只需要 3 个隶属函数。它们都被选为梯形和三角形。已为每个变量的边界和侧滑角的隶属函数选择了梯形，因为建议的控制器试图最小化该变量，因此精度不是最高优先级。三角形的变量已被用于其余变量，因为它们提供了高效的计算[32]，保持了可接受的响应平滑度，适合在传统的汽车电子控制单元（ECU）中实现。

最后，对于输出，施加到车辆两侧的扭矩百分比 τ_纬度，选择了更复杂的成员函数分布，在本例中为 9，旨在实现尽可能准确和平滑的响应。

开发的模糊控制器的结构如图 3 所示，包括隶属函数。

图 3 Fuzzy logic controller 提出

随后，根据有关系统和人类驾驶数据集的知识实施了相应的规则。表 1 显示了成员资格函数的名称和描述，而表 2-4 显示了实现的规则。

e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	ZE	ZE	NS	NM	NL
	ZE	ZE	ZE	ZE	NS	NL
	PS	PM	PS	ZE	ZE	NS
	PL	PL	PM	PS	ZE	ZE

e(β)		NL	NS	ZE	PS	PL
	NL	ZE	NS	NM	NL	NVL
	NS	PS	ZE	NS	NM	NL
	ZE	PM	PS	ZE	NS	NM
	PS	PL	PM	PS	ZE	NS
	PL	PVL	PL	PM	ZE	ZE

e(β)		NL	NS	ZE	PS	PL
	NL	ZE	ZE	NS	NS	NM
	NS	PS	ZE	ZE	NS	NS
	ZE	PM	PS	ZE	ZE	ZE
	PS	PL	PM	PS	ZE	ZE
	PL	PVL	PL	PM	PS	ZE

2.3. ANFIS 垂直轮胎力估计器

车辆的动态特性在很大程度上取决于轮胎力，因为轮胎力模拟车轮与路面之间的接触力。然而，它们的估计是车辆动力学中最复杂的问题之一，因为轮胎/道路接触动力学取决于许多不同的变量。直接测量这些力也并不总是一个解决方案，因为这些力很难测量。

在本节中，提出了一种新颖的 ANFIS 垂直轮胎力估计器。所提出的估计器提供了实时和准确的轮胎力估计，ADAS 可以利用这些估计来提高车辆的安全性、稳定性和效率。因此，此估计器将用于执行纵向动力学扭矩分布。

所提出的估计器基于一个基于模糊系统的ANFIS，该系统使用源自神经网络理论的学习算法，通过处理数据样本来确定其参数（模糊集和模糊规则）[33]。为此，使用了 Takagi-Sugeno 模型，因为它的计算效率很高 [34]，并且已被证明适用于建模应用。这种方法在利用神经网络学习能力解决隶属函数迭代调优过程问题的同时，保持了将人类知识转化为定量过程和规则的模糊逻辑能力。ANFIS 结构的简化图如图 4 所示。

图 4ANFIS 结构 [2]。

所提出的估计器使用可测量的变量来作，与参考书目中分析的变量相比，这是这项工作的主要贡献之一。输入数据由 10 个变量组成：转向角;车辆重心 （CoG） 的 x、y 和 z 线性加速度和速度分量;以及与局部轴关联的 3 个角速度。所有这些都可以使用市售传感器轻松测量，例如惯性测量单元 （IMU）、全球定位系统 （GPS） 和转向角传感器。输出数据由所选轮胎的垂直力组成。为每个车轮设计的 ANFIS 结构如图 5 所示。

图 5ANFIS 估算器结构。

提出的 ANFIS 估计器由 4 层组成。在第一个函数中，为每个输入开发了 7 个隶属函数。这些隶属函数是高斯类型的，因为它们比三角形函数提供更高的精度 [32， 35]。在第二个中，出现学习过程建立的规则。在第三层中，进行比率计算和归一化，最后在第四层添加所有信号。

由于输入数量众多，因此选择用于生成模糊推理系统的方法是 Subclustering。选择的训练方法是混合方法，它是最小二乘法和反向传播梯度下降法的组合。表 5 中详细介绍了此过程的参数。

用于训练和测试所提出的 ANFIS 结构的数据是从一圈在纽博格林赛道上运行的车辆的模拟中获得的（模拟时间为 800 秒，采样时间为 50 毫秒）。该仿真是从高保真车辆动力学模拟器Dynacar [36]获得的，其中，对于每个垂直轮胎力估计，已经捕获了上述10个变量。

2.4. 纵向扭矩分配算法

提出的纵向扭矩分配方法计算纵向扭矩分配百分比 τ_长应用于每个轴（前和后）的车轮，考虑车轮在每个轴 f 处产生的垂直法向力_车轮.这样，如果 τ_长= 0，则所有扭矩都将由后桥的车轮提供，如果 τ_长= 1，所有扭矩都将由前桥的车轮提供。

这样，该子系统允许向车轮具有更大抓地力的电机发送更大的扭矩命令。为此，提出了一种简单但有效的扭矩分配算法，该算法基于可以施加在车轴上的最大法向力（前一个已作为参考）。这边(4)其中 f_车轮是车轴上每个车轮（左和右）的垂直力之和，由轮胎垂直力估计器给出，f_麦克斯是可在前轴上施加的最大法向力（考虑到整个质量仅在一个轴中驱动）。对于所选的研究案例，此最终值为 20208 N。

2.5. 电机扭矩计算

该子系统计算要应用于每个车轮的精确电机扭矩命令 τ_我J，基于驾驶员使用油门 τ 请求的扭矩和纵向 τ_长和横向 τ_纬度扭矩分配百分比：(5)3. 验证框架

本节解释了所使用的验证方法，包括所选车辆、仿真环境以及建议的机动和测试场景。

图 6 显示了已实现的控制概念的一般概述。可以考虑三个主要模块：首先，驾驶员命令，它由自动驾驶算法生成，模拟标准驾驶员的行为，保证每次测试的性能不依赖于驾驶员;第二种是控制模块，包括上一节中详述的智能扭矩矢量方法，以及所有子系统;最后是车辆模型，它使用 Dynacar 软件 [36] 模拟车辆的高度非线性动力学，并提供可测量变量的时间演变。

图 6基于 Dynacar 的通用测试框架 [36， 37]。

3.1. Dynacar 高保真动态模拟器

车辆模型是在Dynacar中实现的，这是一个由Tecnalia Research & Innovation开发的高保真车辆动力学模拟平台[36]。该车辆仿真软件已通过多次赛道测试[37,38]进行验证，可用于模型在环框架中，以测试不同汽车目标控制系统的性能。

Dynacar 的功能之一是可以激活模拟标准驾驶员的自动驾驶模式。这允许在分析开发的 ADAS 的结果时减少驾驶员能力的影响，从而允许更好的比较。

Dynacar 的车辆物理模型仿真引擎基于多体模型并集成在 C 代码中 [39]。此 C 代码也已在 Simulink 中实现。求解器以 1 ms 的采样时间运行。轮胎使用 Pacejka “魔术公式” 模型的实现进行建模，该模型被大多数汽车制造商广泛用作车辆模型模拟的行业标准 [18]。

表 6 显示了该车辆的主要特性，该车辆是 E 级车辆。

表 6. 车辆主要特征

3.2. 控制器实现

控制模块在 Xilinx Zynq XC7Z020 SoC 中实现，其输入和输出连接到 Dynacar。这允许测试拟议的智能电视控制方法的实时性能，并且由于 Dynacar 的模型在环方法，不需要使用整车。

所选硬件由两部分组成。第一个是 programmable logic 部分，它是一个完整的 FPGA。另一部分是处理系统，它由一个双核 ARM CPU 和 800 MHz 时钟频率组成。此外，该板还具有多个 I/O 外设，例如数字和模拟输入/输出端口以及通信总线。

ARM 内核已用于实现上一节中提出的智能电视方法（图 2）的不同子系统。为此，开发的方法首先在 Matlab Simulink 中实现，然后编译为在 ARM 处理器中运行的 C 代码。

3.3.作和场景

Dynacar 的框架允许在不同的场景中模拟和测试开发的智能电视控制器，并使用一组不同的标准化作：防滑垫 [40]（图 7）和双变道作 [41]（图 8）。

图 7防滑垫试验 [40]。图 8双变道试验 [41]。

一方面，防滑垫测试的目的是测量汽车在进行恒定半径转弯时在平坦表面上的转弯能力。该测试是 FSAE 动力学事件 [40] 之一，但由于它是为公式型车辆设计的，因此有必要将其应用于乘用车。从这个意义上说，考虑到道路设计的规则，圆的直径已经被修改了[42]。这些规则规定，对于 40 公里/小时的限速，弯道的最小半径必须为 60 米。然而，由于定义这个半径是为了确保汽车在该速度下的稳定性，因此在这项工作中，半径已经减小，以便将车辆发挥到极限，然后能够评估开发的控制器的正确性能。因此，它已减少到 20 米，将测试转变为 E 级车辆的具有挑战性的场景。

另一方面，ISO 3888 规范 [41] 中详细介绍了双车道变换作（图 8）。在此测试中，车辆以特定速度进入赛道并松开油门。然后，驾驶员尝试在不撞击锥体的情况下通过赛道。测试速度逐渐提高，直到出现不稳定或无法再成功协商路线。如此严酷的机动有效地证明了车辆在两个方向的摩擦极限下行驶时的转弯能力，因此，许多汽车制造商和研究机构认为该测试是评估先进车辆动力学控制系统的合适机动。这种作通常作为闭环驾驶测试进行，用于根据专业驾驶员的主观评估调整车辆的动态。

4. 结果

在本节中，分析了在验证开发的智能电视控制方法期间获得的结果。为此，首先用 Dynacar 和 [43] 中提出的解析估计器获得的结果验证了所提出的 ANFIS 垂直力估计器，以证明其准确性。然后，验证包括所有子系统的整体智能电视方法（图 2），将其结果与更传统的解决方案进行比较。在智能电视算法的情况下，将其性能与基于 [6] 且纵向扭矩分布恒定的 PID 电视控制器进行了比较，而 ANFIS 估计器的性能与 [43] 中提出的解析估计器进行了比较。

4.1. 基于 ANFIS 的垂直轮胎力估计

为了测试该方法的有效性，将从所提出的估计器获得的数据与 （a） Dynacar 的内部高保真轮胎模型和 （b） [43] 中提出的基于模型的分析估计器进行比较，其结果已在引用的工作中得到验证，但它需要来自难以测量的变量的数据。上述两个作已用于验证力估计器。

图 9 和图 10 以及表 7 和表 8 显示了每个作和每个车轮获得的结果。它们表明，与解析方法相比，ANFIS 估计器能够将误差降低 38% 到 79%（取决于车轮和作），并且能够消除解析估计器由于瞬态条件而获得的峰值。必须注意的是，解析模型获得的误差对应于 [43] 中获得的误差。

图 9Fz 估计，防滑垫。图 10Fz 估计，双车道变化。

此外，还分析了所提出的估计器的实时性能，需要 0.9 ms 才能运行，这适用于汽车应用。

4.2. 智能扭矩矢量系统

为了验证所提出的智能电视方法增强动态处理的能力，首先，将分析与防滑垫测试相关的结果。

为了确定该方法的有效性，必须首先定义车辆的临界速度。该临界速度是允许车辆在没有电视控制的情况下正确执行防滑垫测试的最大速度。为此，没有启动电视系统，并且进行了防滑垫测试，在每次测试中提高速度，直到车辆无法遵循参考轨迹。这个临界速度被实验定义为 47 公里/小时，理论横向加速度为 0.86 g。

一旦检测到这个临界速度限制，就会执行防滑板测试，激活拟议的智能电视方法和基于 PID 的电视方法。结果如图 11 所示。可以理解的是，当没有 TV 控制器处于活动状态时，由于转向不足，车辆无法跟踪所需的轨迹，但 TV 方法允许即使在临界速度下执行此测试。

图 11防滑板轨迹。

图 12 和图 13 显示了前轮的滑移比和滑移角，可以在没有激活电视的情况下在临界速度下的不良行为得到进一步理解。可以看出，这些车轮无法将请求的力传递到道路上，并且它们会打滑，这可以通过 TV off 外壳中的高打滑比和角度值来检测。此外，当任一 TV 控制处于活动状态（模糊 TV 和 PID TV）时，滑移比和滑移角分别降低到 19% 和 23°，这意味着轮胎上的牵引力更高。这意味着防滑板测试的速度更高，如图 14 所示。此外，即使在不失去稳定性的情况下，还可以实现更高的横向加速度和偏航角速率值，如图 15 和 16 所示。

图 12车轮滑移比。图 13车轮滑动角度。图 14车速。图 15车辆横向加速度。图 16偏航率跟踪。

图 16 说明了飞行器的偏航角速率演变。可以看出，所提出的智能 Torque Vectoring 方法提供了对参考的正确跟踪，同时减少了过冲。这可以提高车辆的转弯能力，降低转向不足和过度转向的风险。事实上，如前所述，在停用 TV 的情况下，偏航角速率参考与获得的值之间的差异显示了转向不足的行为。

此外，如果进行机械能耗分析，所提出的智能扭矩矢量方法不仅可以实现正确的偏航角速率跟踪、提高转弯能力和降低滑移比，还可以提高车辆的效率。效率结果如表 9 所示，其中将所提出的方法与基于 PID 的 TV 和 no TV 情况进行了比较。可以看出，可以实现 10% 的增幅。

在分析了防滑垫的性能后，将研究双变道场景。为了执行此测试，选择了 50 km/h 的初始速度，并对电机施加了恒定扭矩参考（2300 Nm 总扭矩）。这提供了大约 0.35 g 的纵向加速度，从而获得近 90 公里/小时的最终速度，涵盖了中速道路上乘用车最常见的速度范围。

此方案的仿真结果如图 17-20 所示。图 17 显示了每种情况下车辆所遵循的轨迹。从该图中可以看出，当建议的 TV 方法被激活时，轨迹更接近横向双车道变道机动参考，这表明在如此具有挑战性的机动中车辆控性得到了改善。此外，图 18 显示，这种更好的跟踪是通过较低的转向角值实现的，这意味着滑移角减少了约 1.5°，如图 19 所示。该值的最大降低是通过拟议的智能电视控制器实现的，它可以最大化传递到道路的力。最后，车轮扭矩如图 20 所示，显示了设计控制器的正确扭矩分布。

图 17双变道轨迹。图 18转向角。图 19车轮滑动角度。图 20车轮扭矩。
5. 结论

开发实时、准确、高效的 ADAS 是开发具有独立轮毂电机的车辆的关键问题。在这项工作中，提出了一种新颖的智能扭矩矢量 （TV） 系统，该系统由神经模糊垂直轮胎力估计器和模糊偏航力矩控制器组成。

所提出的方法考虑了横向和纵向扭矩分布。纵向分布基于神经模糊垂直轮胎力估计器，该估计器完全基于可测量的变量，与现有估计器相比，这是一个重要的贡献。估计的力用于确定施加到后轴和前桥车轮的扭矩百分比，以实现最大的抓地力。

另一方面，横向扭矩分配是使用模糊偏航力矩控制器实现的。该控制器允许横向（左右车轮）分配扭矩，以最大限度地减少车轮打滑并提高转弯能力。总扭矩分布是通过考虑两种分布来计算的。

结果表明，智能扭矩矢量系统能够在各种场景中增强车辆动力学。一方面，它能够提高规避机动（例如双车道变换）的稳定性，使车辆能够更好地遵循所需的轨迹，这是此类机动中的关键安全问题。另一方面，在防滑垫测试中，车轮滑移率和滑移角显著减少（分别减少 19% 和 23°），导致转向不足行为减少。这使车辆能够更好地匹配偏航角速率参考（误差减少 33%），然后能够遵循所需的轨迹，从而证明正确的扭矩分配提供了转弯改进。此外，所提出的智能电视算法对最先进的更传统方法进行了改进，提供了更高效的驾驶（机械能耗降低 10%）。

未来的工作将包括更复杂的设计，以便在智能扭矩矢量控制器中使用估计的轮胎垂直力，从而产生更复杂的控制器，以提高其性能。此外，将考虑在 SoC 的逻辑部分实现 TV System，以缩短其周期时间。