1.4 互聯網分布式測試驗證在汽車領域的應用

互聯網分布式測試驗證越來越受到重視，并且在諸如地震模擬^[55]和遠程操作^[56]等領域已經有了應用。然而，在汽車測試驗證領域，現有研究工作較少，其中大部分都集中在控制理論方法上。此外，還將討論分布式系統的設計和其他考慮因素，即確定分布式系統在測試中的性能的主要因素。

1.4.1 分布式測試驗證控制理論方法

● 基于觀測器的方法

互聯網分布式測試驗證的最早應用實例，是2006年由美國坦克汽車研究開發和工程中心（TARDEC）完成的。它將分布在兩個不同位置的駕駛模擬器與混合動力系統連接在了一起。除了物理組件外，系統中有兩個模擬部分，作為觀測器，用于通過交換速度、轉矩、節流閥、轉向和制動器等驅動器輸入與物理部件的相互作用。由于分布式系統的兩地都包含動力總成模型和車輛動態模型，無論是物理還是虛擬的，都存在互聯網延遲、抖動和丟包，存在兩種分布式系統狀態差異。因此，采用狀態收斂方法來確保一個系統能夠跟隨另一個系統^[53]，可實現狀態收斂^[57]。

Goodell等人的實驗證明，該方法能夠直接利用駕駛員的輸入信號來實現模型控制，但只能應用于線性模型；若用非線性模型實現，會出現可實現性和可控性之間的權衡問題^[58]。

Tandon等人提出了一個基于觀測器的系統框架，可以不需要每一方的準確的動態模型，因為建立系統的所有組成部分的準確動態模型是不必要的，并且互聯網分布式測試和驗證的意圖相沖突^[59]。通過滑模控制方法，經發動機遠程實驗證明，即使時間延遲可變，該方法也能夠減輕分布式仿真中互聯網延遲問題的負面影響。

● 基于事件的方法

美國坦克汽車研究開發和工程中心（TARDEC）與密歇根大學（UM）聯合提出了一種基于事件的解決方案，以進行互聯網分布式硬件在環仿真（ID -HIL）實驗^[60]。其中駕駛模擬器和車輛動態模型位于TARDEC，而發動機、傳動系統模型和怠速控制器模型位于UM。TARDEC中的系統作為客戶端，UM中的系統作為服務器，通信對話由TARDEC中的客戶端系統啟動，UM服務器響應所收到的數據包。使用UDP協議以50ms的時間步長發送數據分組，以最小化傳輸期間的延遲。在發送抖動較大且數據包亂序的情況下，較舊的數據包被丟棄，較新的數據包被利用，這種方法確保整個系統的響應時間最小化，適用于互聯網分布式測試和驗證過程。在平均125ms延遲的傳輸條件下，實驗證實了所有三個測量變量中可接受的誤差，軸轉矩的最大誤差為11.46%。

● 迭代學習控制方法

在測試期間確保保真度的另一種方法是迭代學習控制（Iterative Learning Control，ILC）方法^[61-63]。ILC方法是一個離線的獨立控制器，能夠在每個時間步長存儲一個特定變量的值，然后根據學習算法調整控制輸入，以減少下一次測試運行中的錯誤，根據以下迭代

式中，u和e分別是在測試運行中包含整個時間間隔內的每個值的控制輸入向量和誤差向量。發動機在環實驗的研究證明，在15次迭代之后，耦合變量誤差減少超過70%。ILC方法是確保分布式系統保真度的有效方法，但ILC有非單調收斂趨勢。此外，ILC只能獨立地應用于每個耦合誤差，即一個ILC控制器控制一個耦合變量，不能考慮耦合變量之間的相互作用，并且難以將該方法擴展到進一步的應用。Ge等人提出了一種規范的最優迭代學習控制方法（NO-ILC），使用遞歸方法來估計系統馬爾科夫參數，在示例中，NO-ILC被擴展到MIMO系統^[63]。

● 基于模型的預測控制

在傳統的基于網絡模型的預測控制方案（NMBPC）的基礎上，Rahmani等提出了Plant Input Mapping（PIM）離散化技術，保證了閉環穩定性能^[64]。在常規NMBPC方法中，一側的控制器產生一系列穩定控制輸出，每個輸出與預定網絡時間延遲相關聯；另一側的延遲補償器以一定的延遲從控制器接收輸出信號，然后從與延遲匹配的范圍中選擇適當的控制輸出，以完成控制過程。基于這一方法，即使網絡延遲較大，也保證了穩定性離散化連續時間控制。然而，這種技術現在僅在分布式SISO系統中得到驗證。

另一種克服NMBPC的延遲穩定性問題的方法在某種程度上也屬于基于事件方法的變體，即選擇性控制方法（VSC）。在該方法中，僅當接收到來自另一側的控制器新的輸入信號時，才執行一側的系統輸出，其他控制策略與常規NMBPC方法相似。要實現閉環控制，必須離線計算適當的離散時間模型。VSC方法被證明具有針對相對較大的網絡時延和丟包的容忍性^[65，66]。Rahmani等進一步將此方法應用于基于互聯網的硬件在環系統，其中發動機的燃料控制單元（FCU）為測試和驗證的對象^[67]。互聯網分布式FCU測試的結果表明，與本地分布式FCU測試系統（僅包括恒定的執行器延遲）相比，大時延（包括互聯網傳輸引起的可變延遲和由于執行器延遲引起的恒定延遲）需使用逆補償方法^[68]。

雖然，基于傳統NMBPC方案的這兩種方法只有在系統的傳輸特性被建模或識別之后才適用，這增加了實現的難度和復雜性，但它們仍然是汽車領域基于互聯網的測試和驗證較優的解決方案。

● 分數階PI控制

分數階控制器現廣泛應用于網絡控制系統，具有較大抖動裕度的優點^[69]。抖動裕度即系統容忍多少額外的延遲來維持穩定的指標^[70]。Bhambhani等將一個最佳分數階PI（OFOPI）控制器實現到稱為“智能車輪”的網絡控制系統，該系統是通過互聯網進行遠程控制的自動車輪^[71]。

OFOPI控制方法也屬于基于模型的方法，因此在確定控制器參數之前，應進行系統辨識。為了驗證OFOPI控制器的優勢，將OFOPI和最佳PID（OPID）控制器進行仿真對比，以研究基于兩個互聯網連接的隨機往返時間延遲的車輪的轉向速度。結果證明，與OPID控制器相比，OFOPI控制器具有更快的響應以及更高的抖動裕度，在實時環境中進一步的硬件在環實驗，證實了前文中的結論^[72]。

基于OFOPI控制器的改進控制方案由Mukhopadhyay等提出，對于互聯網延遲的一定分布模型，控制器有一個相對應的最優α值，可以獲得比任何其他α值更好的性能^[73]。因此，根據當前的互聯網延遲特性，在實時測試之前，應慎重選擇OFOPI控制器中的分數階值。

Tejado等人通過應用分數增益調度控制器（FGSC）來完成智能車輪的互聯網分布式硬件在環測試，提高了現有OFOPI方案的性能^[74，75]。增益調度器根據由網絡延遲估計器給出的參考，經由外部增益β來修改控制器輸出，其功能是基于往返時間延遲測量來估計當前網絡條件。它的穩定性與OFOPI控制器相比，在模擬和實時實驗的結果上都體現出更好的穩定性，特別是在存在大的互聯網延遲的情況下。為了使控制器更具延遲自適應性，Tejado等進一步將FGSC改進為分數增益和階調度控制器，其外部增益β和內部控制器分數階數α均可變。

OFOPI控制器的另一種性能提升方法是分數廣義預測控制器（FGPC），其原理是通過最小化其中的成本函數來進行閉環控制。FGPC適用于噪聲環境，與PI控制器和OFOPI控制器相比，即使延遲較大，它也能夠保持穩定性和較小的超調^[76]。

● 神經網絡延遲預測

神經網絡由于具有很好的處理非線性系統的能力而被引入互聯網延遲預測工作^[77，78]。Rahmani等還提出了一種用于互聯網分布式系統的神經網絡延遲預測方法^[79]。該方法使用MLP（Multi-Layer Perceptron）神經網絡進行互聯網延遲預測，并且通過可變的離散時間反饋控制來進行補償。基于實時分布式測試的結合神經網絡預測反饋控制補償，顯示出延遲預測的強近似能力。然而，該方法必須通過仿真與測試前的離線訓練完成，一旦互聯網環境發生變化，需要重復訓練，從而增加了分布式系統的實施難度。神經網絡的無監督在線學習或自組織方案，是這種缺陷的可能解決方案^[80]。

以上文獻所提及的分布式系統驗證控制理論方法，有利于分布式系統的布局及優化，對影響分布式系統性能的因素有一定的隔離作用，但是以上方法主要針對的是時延小于100ms的情況，對于大時延情況下是否適用還需要討論，并且它們也都沒有考慮數據包丟失的情況。

1.4.2 分布式測試驗證設計及評估方法

由于互聯網的QoS特性，適合系統的合適控制理論方法非常重要。此外，還應考慮系統設計、系統集成以及測試結果評估等其他因素，以完成分布式系統設計及評估方法^[81]。

● 耦合點選擇方法

在互聯網分布式系統中，耦合點將不同的物理和虛擬組件分為兩個或多個部分。要將本地系統重建為分布式系統，應慎重選擇耦合點，以確保更好的仿真準確性。Ersal等討論了耦合點選擇對互聯網分布式系統中的失真的影響^[61]。為了系統地量化仿真失真，提出了基于靈敏度概念的頻域度量。靈敏度定義為參考動態相對變化與遠程動力學相對變化的比值。靈敏度的計算取決于本地系統和遠程系統的傳輸特性。較小的靈敏度意味著仿真結果的較小失真。

● 互聯網連接狀況不佳的應對

車輛及其系統的閉環測試和驗證通常涉及駕駛模擬器和駕駛員。互聯網連接狀況不佳，意味著大延遲和高丟包率，可能導致無法實現實驗期望。另外，還存在由于互聯網連接狀況不佳導致的不可控部件，對人員造成傷害并損壞設備的可能性。因此，互聯網分布式系統應設計成使實驗過程保持不間斷，同時實驗中的人員和設備處于安全狀態，以應對互聯網連接狀態的變化。

TARDEC中的互聯網分布式動力總成系統，利用誤差閾值來監測狀態收斂^[57]。一旦誤差超過設定的閾值，物理動力系統成分脫離，駕駛模擬在獨立模式下繼續進行實驗，這時物理動力系統將被局部虛擬動力系統所取代，實驗變為本地分布式硬件在環測試。該方法的優點是，遠程的物理子系統作為收斂觀測器在本地提前建模，并且在較差的連接條件下作為遠程子系統的代理，從而實現即使斷開數據傳輸也不影響實驗的一致性。然而通常情況下，系統建模或系統辨識時間成本較高，并且可能會受到某些限制（例如商業機密性）。

Georg等使用外推技術來實現實時協同仿真^[82]。宏時間步長ΔT為分布式系統之間的耦合數據交換的時間間隔，他給出了三種不同的外推方法，即零階外推（零階保持， ZOH），一階外推（一階保持， FOH）和二階外推（二階保持， SOH）。宏時間步長由于互聯網延遲的增加而增大時，這些外推方法得到的結果可能會變差，因此外推方法必須與糾錯技術結合，以獲得可靠的結果。通過應用在線系統識別的基于模型的外推方法，作者提出了一種基于模型的耦合策略（MBC），能夠在同時運行分布式實時仿真的同時進行系統辨識^[83]。結合擴展卡爾曼濾波（EKF）方法，在獲得足夠參數值的學習周期之后，可以激活MBC方法以開始校正外推。與沒有MBC策略的外推方法相比，基于MBC策略的外推方法使得速度振蕩顯著減少。

對于非線性在線系統辨識，Ren等采用了具有學習算法的延時神經網絡模型來執行同時的系統識別以及時間延遲估計^[84]。Biradar等還使用基于梯度的算法進行在線系統識別的神經網絡^[85]。隨著神經網絡在每次迭代后繼續學習，輸出的誤差逐漸減小。雖然這些在線識別技術仍然缺乏在汽車領域的具體實驗驗證，但它們提供了分布式測試和驗證的方法和思路，在互聯網連接狀況不佳和大時延下，使系統的可靠性和互聯網QoS條件得以保證。

● 互聯網分布式系統透明度分析

透明度這一評估指標首先在遠程操作和觸覺區域被引入，用于描述與非遠程操作相比的真實性程度。Lawrence等將阻抗用來關聯系統每端的速度和力，如果分布式系統完全透明，則兩端的兩個阻抗參數應該相同^[88]。這項指標也在遠程手術研究中得到廣泛應用^[86，87]。Yokokohji等引入了信號傳遞過程傳遞函數差異的積分，來評估遠程操作的透明度^[89]。Griffith等提出了透明度評估的失真度量，這是系統的期望和實際傳輸特性之間的誤差的表達，零失真意味著整個系統具有理想的透明度^[90]。Koehler等將透明度定義為耦合輸出和輸入傳遞函數多項式之間的加權距離。在這種情況下，理想的透明系統具有相同的耦合輸入和輸出，加權距離為零，該度量也適用于MIMO系統^[91]。

還需指出，上述透明度的四個度量在線性系統中是可用的，其中每個子系統的傳遞特性被預先給出，對于具有隨機互聯網傳輸性質的非線性系統，其實用性有限。Ersal等引入了一種適合互聯網分布式測試和驗證實驗的統計透明度分析方法^[92]。對于互聯網分布式發動機在環測試，計算四種不同測試配置的標準偏差，通過方差分析可考量不同配置的顯著性水平。

透明度評估是互聯網分布式測試和驗證過程的必要過程，它指出了系統優化和改進的方向。當實驗的配置從局域網轉移到互聯網時，如果透明度變化較小，則在這種情況下，透明度下降的主要損失來源是分布式系統的特征本身，而不是互聯網延遲。此時系統優化的主要方向應為耦合點選擇，而不是最小化互聯網延遲。

以上文獻提及的分布式系統驗證設計及評估方法，對分布式系統具體設計和測試方案的制訂具有指導意義。它們給出了幾種測試效果評估方式，但是能否適用于本書所涉及的分布式系統方案，仍有待討論。

1.4.3 用于互聯網分布式測試驗證的軟件和商業解決方案

● Model. CONNECT^TM

Model. CONNECT^TM是一個能夠集成虛擬組件和實際組件的軟件平臺^[93]。基于AVL IODP（集成和開放開發平臺），該軟件適用于各種動力總成和車輛基于模型的開發，可以通過本地或互聯網連接，將各種領域的多種仿真工具（如AVL CRUISE、AMESim、MATLAB、ECS Kuli、Dymola、MSC Adams等）與實際物理組件相耦合。基于AVL Model. CONNECT^TM平臺，Stettinger等人提出了一種磁懸浮系統控制策略，可降低延遲、丟包和噪聲的影響，并完成了分布式HiL實驗，AVL Model. CONNECT^TM作為耦合中間件^[94]。Tranninger等給出了一種基于模型的耦合方法，來應對互聯實時系統中難以消除的耦合誤差，實現駕駛模擬器的實時協同仿真，AVL Model. CONNECT^TM平臺可用于證明所提出的耦合方法的實際適用性和有效性。

● TISC套件

TISC（TLK Inter Software Connector）套件由TLK-Thermo GmbH開發，為模擬和測試中的工具耦合提供了一個協同仿真環境^[96]。TISC套件由仿真層和控制層構成，其中仿真層包括TISC服務器和各種輔助工具，如MATLAB /Simulink、LabVIEW、Ansys、Adams、Modelica等，其主要職責是通過TCP/IP進行各個工具之間的數據交換和同步，使不同工具中的模型可并行執行，或在不同的計算機上執行。控制層包含一個控制服務器，它允許對協同仿真中使用的工具進行集中配置和控制，如模型選擇和參數化。硬件組件也可以使用TISC Suite連接到協同仿真網絡，從而實現硬件和TISC服務器之間的雙向通信。其他相似平臺和解決方案還包括xMOD^TM、ICOS、SPRINT、ADI等。

以上幾種分布式測試驗證的軟件和商業解決方案，為分布式系統的參數設置提供了重要參考。