随着汽车行业向电动化转型，制动过程中的能量回收已成为车辆竞争力的核心，直接影响可持续性指标和用户满意度[1]。通过智能算法重新定义制动控制，本研究旨在解决能量回收与动态性能之间的矛盾，为理论节能潜力与实际车辆应用之间的差距提供解决方案。本研究以纯电动汽车（BEVs）为对象，主要目标是提升制动控制策略，以最大化能量回收效率——这是降低运营成本和延长行驶里程的关键因素——同时确保最佳的驾驶舒适性[2]。
对于纯电动汽车而言，驾驶员的制动意图仍对车辆制动控制产生显著影响[3]。D′ Salvucci基于收集的操作信息、车辆参数和路面数据提出了一个驾驶员行为预测模型，但该模型在应对紧急情况和不同路面条件时存在局限性[4]。Khaled Itani提出了一种鲁棒滑模控制器来调节车轮制动的滑移率，并为全电动汽车的前轮制动引入了能量回收控制技术，有效提高了车辆制动稳定性并提升了能量回收效率[5]。然而，这种策略在不同路面条件下的能量回收效果相对较弱。Li等人提出了一种基于模糊神经网络（FNN）的制动能量回收控制策略，通过优化模糊控制器的隶属函数和控制规则提高了能量回收效率[6]，但在极端或复杂驾驶条件下的鲁棒性和适应性可能不足，尤其是在不同路面附着条件和极端情景下的性能尚未得到充分验证。
在执行器硬件设计层面，Meng等人详细证明了无刷直流电机作为12V平台线控制动系统的辅助电机的可行性，完成了电磁设计和仿真验证[7]。这项研究为先进制动控制算法的执行器设计提供了重要的基础参考。不过，该研究主要针对特定电气规格下的电机优化，未来需要进一步探索与高压平台的兼容性，并通过严格物理测试验证其在高动态协同控制下的综合性能。在系统集成和全局优化方面，研究正朝着基于云的网络协作方向发展。例如，在自动驾驶混合动力快速交通系统中，研究提出了基于动态规划和模型预测控制的云生态驾驶解决方案[8]。这种方法利用车路协同获取整体信息，实现最优速度轨迹的提前规划，从而使能耗优化超越了孤立的局部事件处理，提升到了涵盖整个驾驶周期的协同优化层面。这为实时控制算法提供了理想的全局优化参考，但此类研究主要基于理想化场景（如专用车道）。将其核心原理应用于开放、混合交通环境，并实现与高度动态的车载实时控制系统的紧密耦合和高性能协调，仍是一个亟待探索的关键问题。
当前关于节能制动系统的研究主要集中在驾驶员制动意图识别及其算法实现上，但这些研究并未充分考虑制动过程中的能耗影响。大多数研究者使用踏板位移作为意图识别的主要控制变量，但在低牵引力路面或紧急制动情况下，这种方法的准确性较低。此外，现有框架很少探讨制动意图识别与驾驶舒适性之间的相互作用，尤其是在变速或复杂路面条件等动态环境下[9]。这些限制阻碍了传统方法适应实际驾驶环境的能力，在实际驾驶环境中，再生能量回收效率和稳定性必须与安全性和舒适性并存[10]。
现有的几种再生制动能量回收算法包括：粒子群优化-双向门控循环单元（PSO-BIGRU）模型通过优化参数结合了粒子群优化算法和双向门控循环单元，以提高回归预测的准确性。该模型包括数据预处理、初始化、训练过程（PSO参数优化、适应度值计算、位置速度更新）和模型评估等步骤[11]。这种方法解决了手动参数调整耗时且效果不佳的问题，但检测时效性较差，生成的时间序列数据维度较高。模型预测控制-长短期记忆（MPC-LSTM）算法引入了自适应梯度下降方法来处理优化问题及其约束，将深度学习与传统模型预测控制（MPC）相结合，有效应对系统模态变化，提高了控制性能和鲁棒性，但存在训练时间长且不适用于处理长序列的问题[12]。
为应对这些挑战，本研究提出了一种基于算法的制动控制器，能够全面优化能量回收效率，同时平衡制动稳定性、舒适性和对多种驾驶条件的适应性[13]。与传统单变量控制系统不同，我们的方法整合了混合MPC-BiGRU框架来预测关键变量，包括踏板位移、加权抖动水平和车辆速度[14]。通过动态调整制动扭矩和模式切换，控制器减少了制动阶段的能量损失，并减轻了突然模式切换引起的机械冲击[15]。实验验证表明，在不同速度和路面条件下，能量回收率显著提升，同时通过减少抖动波动保持了驾驶员舒适性。这项工作通过架起意图驱动控制与节能制动之间的桥梁，为下一代电动汽车系统提供了可扩展的解决方案。
