A power-split hybrid electric vehicle (HEV) combines the advantages of both series and parallel hybrid vehicle architectures by utilizing a planetary gear set to split and combine the power produced by electric machines and a combustion engine. Because of the different modes of operation, devising a near optimal energy management strategy is quite challenging and essential for these vehicles. To improve the fuel economy of a power-split HEV, we first formulate the energy management problem as a nonlinear and constrained optimal control problem. Then two different cost functions are defined and model predictive control (MPC) strategies are utilized to obtain the power split between the combustion engine and electrical machines and the system operating points at each sample time. Simulation results on a closed-loop high-fidelity model of a power-split HEV over multiple standard drive cycles and with different controllers are presented. The results of a nonlinear MPC strategy show a noticeable improvement in fuel economy with respect to those of an available controller in the commercial Powertrain System Analysis Toolkit (PSAT) software and the other proposed methodology by the authors based on a linear time-varying MPC.

This paper develops an approach for driver-aware vehicle control based on stochastic model predictive control with learning (SMPCL). The framework combines the on-board learning of a Markov chain that represents the driver behavior, a scenario-based approach for stochastic optimization, and quadratic programming. By using quadratic programming, SMPCL can handle, in general, larger state dimension models than stochastic dynamic programming, and can reconfigure in real-time for accommodating changes in driver behavior. The SMPCL approach is demonstrated in the energy management of a series hybrid electrical vehicle, aimed at improving fuel efficiency while enforcing constraints on battery state of charge and power. The SMPCL controller allocates the power from the battery and the engine to meet the driver power request. A Markov chain that models the power request dynamics is learned in real-time to improve the prediction capabilities of model predictive control (MPC). Because of exploiting the learned pattern of the driver behavior, the proposed approach outperforms conventional model predictive control and shows performance close to MPC with full knowledge of future driver power request in standard and real-world driving cycles.

Reference and command governors are add-on control schemes which enforce state and control constraints on pre-stabilized systems by modifying, whenever necessary, the reference. This paper surveys the extensive literature concerning the development of such schemes for linear and nonlinear systems. The treatment of unmeasured disturbances and parametric uncertainties is also detailed. Generalizations, including extended command governors, feedforward reference governors, reduced order reference governors, parameter governors, networked reference governors, and decentralized/distributed reference governors, are discussed. Practical applications of these techniques are presented and surveyed as well. A comprehensive list of references is included. Connections with related approaches, including model predictive control and input shaping, are discussed. Opportunities and directions for future research are highlighted.

Vehicle active safety receives ever increasing attention in the attempt to achieve zero accidents on the road. In this paper, we investigate a control architecture that has the potential of improving yaw stability control by achieving faster convergence and reduced impact on the longitudinal dynamics. We consider a system where active front steering and differential braking are available and propose a model predictive control (MPC) strategy to coordinate the actuators. We formulate the vehicle dynamics with respect to the tire slip angles and use a piecewise affine (PWA) approximation of the tire force characteristics. The resulting PWA system is used as prediction model in a hybrid MPC strategy. After assessing the benefits of the proposed approach, we synthesize the controller by using a switched MPC strategy, where the tire conditions (linear/saturated) are assumed not to change during the prediction horizon. The assessment of the controller computational load and memory requirements indicates that it is capable of real-time execution in automotive-grade electronic control units. Experimental tests in different maneuvers executed on low-friction surfaces demonstrate the high performance of the controller.

Driving style, road geometry, and traffic conditions have a significant impact on vehicles' fuel economy. In general, drivers are not aware of the optimal velocity profile for a given route. Indeed, the global optimal velocity trajectory depends on many factors, and its calculation requires intensive computations. In this paper, we discuss the optimization of the speed trajectory to minimize fuel consumption and communicate it to the driver. With this information the driver can adjust his/her speed profile to reduce the overall fuel consumption. We propose to perform the computation-intensive calculations on a distinct computing platform called the "cloud." In our approach, the driver sends the information of the intended travel destination to the cloud. In the cloud, the server generates a route, collects the associated traffic and geographical information, and solves the optimization problem by a spatial domain dynamic programming (DP) algorithm that utilizes accurate vehicle and fuel consumption models to determine the optimal speed trajectory along the route. Then, the server sends the speed trajectory to the vehicle where it is communicated to the driver. We tested the approach on a prototype vehicle equipped with a visual interface mounted on the dash of a test vehicle. The test results show 5%-15% improvement in fuel economy depending on the driver and route without a significant effect on the travel time. Although this paper implements the speed advisory system in a conventional vehicle, the solution is generic, and it is applicable to any kind of powertrain structure.

SUMMARY Traditionally, rendezvous and proximity maneuvers have been performed using open‐loop maneuver planning techniques and ad hoc error corrections. In this paper, a Model Predictive Control (MPC) approach is applied to spacecraft rendezvous and proximity maneuvering problems in the orbital plane. We demonstrate that various constraints arising in these maneuvers can be effectively handled with the MPC approach. These include constraints on thrust magnitude, constraints on spacecraft positioning within Line‐of‐Sight cone while approaching the docking port on a target platform, and constraints on approach velocity to match the velocity of the docking port. The two cases of a nonrotating and a rotating (tumbling) platform are treated separately, and trajectories are evaluated in terms of maneuver time and fuel consumption. For the case when the platform is not rotating and the docking port position is fixed with respect to the chosen frame, an explicit offline solution of the MPC optimization problem is shown to be possible; this explicit solution has a form of a piecewise affine control law suitable for online implementation without an on‐board optimizer. In the case of a fast rotating platform, it is, however, shown that the prediction of the platform rotation is necessary to successfully accomplish the maneuvers and to reduce fuel consumption. Finally, the proposed approach is applied to debris avoidance maneuvers with the debris in the spacecraft rendezvous path. The significance of this paper is in demonstrating that Model Predictive Control can be an effective feedback control approach to satisfy various maneuver requirements, reduce fuel consumption, and provide robustness to disturbances. Copyright © 2012 John Wiley & Sons, Ltd.

In the IEEE Transactions on Automatic Control, the IEEE Control Systems Society publishes high-quality papers on the theory, design, and applications of control engineering.Two types of contributions are regularly considered:1) Papers: Presentation of significant research, development, or application of control concepts.