CN103502075A - 道路倾斜度的估计 - Google Patents

Abstract

本发明涉及一种通过使用传感器融合估计道路坡度α的方法和系统。本发明检测是否至少一个动态过程正影响所述车辆。凭借传感器融合通过到所述传感器融合的至少两个输入信号的联合加权来估计所述坡度α。所述至少两个输入信号包括基于加速计的输入信号和基于至少一个力方程的输入信号。基于是否所述至少一个动态过程正影响所述车辆的所述检测来确定针对所述传感器融合的至少一个加权参数和/或所述至少两个输入信号的至少一个。

Description

道路倾斜度的估计

技术领域

本发明涉及一种根据权利要求1的前序部分估计道路坡度α的方法、根据权利要求23的前序部分实施该方法的计算机程序、以及根据权利要求26的前序部分估计道路坡度α的系统。

背景技术

道路（例如，国道和高速公路）延伸穿过具有特定地形的地貌，该特定地形会导致在每个道路路段上的不同坡度α。在机动车辆的各种应用中，能够计算出该坡度α并由此获取相关值是重要的。这种应用的示例是自动挡位选择，即在自动操作的手动变速箱中的应用，其中能够确定当前行驶阻力且因此在给定时间选择哪个挡位是重要的。应用的另一示例是巡航控制系统，其在确定需要来自车辆的发动机多少转矩时将考虑坡度α。道路坡度α还用在例如制动系统中以及其它驾驶辅助系统中。

目前，估计道路坡度α常常基于加速计，其在车辆运动的方向上测量加速度。这在图1中示意性示出，其中机动车辆100正行进在具有坡度α的道路路段上。车辆具有加速度a_v，车辆中的加速计101测量加速度a_s，加速度a_s为水平方向上的加速度。加速计测量并因此产生对应于下式的信号

a_s=a_v+gsin(α)           （方程1）

其中g是由于重力而产生的加速度。

该信号可随后用于确定道路坡度α。在α为较小值时，sin（α）可近似为α，这意味着道路坡度α可被确定为

$\mathrm{\α}=\frac{a_s-a_v}{g}$               （方程2）

因此在这里从加速计测量的a_s值减去车辆的加速度a_v，以便仅留下所测量的加速度的重力分量。

用于确定道路坡度α的这个过程良好地工作在坡度α和曲率是微小的道路上。在基本水平和笔直道路（例如，高速公路）上，产生了对坡度α相对好的估计，但在基本上并不水平和笔直的道路和道路路段上与最佳值相差很大。

当车辆行进在并不仅有微小坡度α和弯曲的道路上时，如在次要道路和特定国道上，加速计将不仅测量加速度（其对于确定坡度α是重要的），而且还将测量尤其是由于道路曲率而导致的其它加速度。也将因此包括在由加速计101产生的信号a_s中的这些其它加速度随后将不利地影响道路坡度α的估计的可靠性。

发明内容

本发明的目的是提出一种用于估计道路坡度α的有效且可靠的方法。该目的通过根据权利要求1的特征部分估计道路坡度α的前述方法来实现。它还通过根据权利要求23的特征部分的前述计算机程序来实现。它还通过根据权利要求26的特征部分估计道路坡度α的前述系统来实现。

本发明识别影响车辆和其潜在事情的各种动态过程，来用于道路坡度α的正确估计。本发明使用传感器融合，以联合加权用于确定坡度α的各种方法，其涉及使用加速计和力方程。基于检测动态过程的出现，本发明按以下方法来调整该传感器融合，即利用加速计方法和力方程方法的各自优点，同时避免它们各自的缺点。

如果例如检测到动态过程，则调整传感器融合，以使得针对所检测的特定过程来最优化其灵敏度和输入信号。在估计道路坡度α中，在当前存在这种动态过程时，可以由卡尔曼滤波器来完成的传感器融合的调整使得能够忽略掉由于动态过程而导致的加速度分量，其导致了并非实际的坡度α。这意味着通过使用本发明能够总是获得道路坡度α的有效且可靠的估计。

根据本发明的实施例，通过将至少两个输入信号的至少一个乘以与特定信号有关的测量噪声的值来完成至少两个输入信号的加权。如果至少两个输入信号在给定时间（例如，在采样时间）用在传感器融合中，则此时这可被视为输入信号的联合加权（joint weighting）。例如，输入信号的联合加权随后可持续发生在每次计算，例如，在每个采样时间。

根据本发明的另一实施例，以在给定时间仅考虑至少两个输入信号之一的方式来完成至少两个输入信号的加权。因为输入信号的选择将取决于行驶情况，因此将在不同时间考虑各种单个输入信号。因为在不同时间选择不同的输入信号，因此在每次单独计算时（其可采用采样时间的形式），仅使用一个输入信号，但在整个时间，通过传感器融合将各个输入信号联合加权。在时空内的联合加权因此将根据该实施例来实现。

通过传感器融合的情况调整，能够在正常情况下（即，当没有动态过程时）增加传感器融合的灵敏度，而在当前存在动态过程时减小其灵敏度。该结果是坡度α以及道路曲率改变的较快估计，其例如在越野行驶中具有很大的优点。

本发明一方面在自动挡位选择的系统中的挡位选择中使用道路坡度α的估计。对于自动挡位选择系统而言，具有获取当前道路坡度α值以使其能够在特定时间选择正确挡位是关键的。由本发明实现的坡度α的快速估计意味着可做出行驶阻力的较快估计，这在最佳挡位选择中是非常重要的。

本发明因此可以通过基于动态过程调整传感器融合，来处理动态过程，从而也可以基于动态过程估计道路坡度α。相比忽视动态过程（这将导致将动态过程过滤出，从而导致较慢的更新或可能将估计保持不变），这提供了实质性的优点。忽视动态过程本身将导致坡度α和道路曲率变化的延迟估计，并还导致由自动挡位选择系统选择不正确的挡位。

附图说明

下面参考附图更详细地说明本发明，其中相同的附图标记用于相似项，且其中：

图1示意性示出与道路坡度α有关的车辆；

图2示意性示出从上所示的车辆；

图3是根据本发明的方法的流程图；

图4是根据本发明的实施例的流程图；以及

图5示出了控制单元。

具体实施方式

如上所述，加速计可用于产生可用来估计道路坡度α的信号。可以相对快的进行基于由加速计提供的测量的坡度α的估计。基于加速计的估计也为坡度α和弯曲是微小的道路提供了可靠值。

然而，车辆中加速计的位置所存在的问题在于，在正常情况下它并不位于车辆的转弯中心。这在图2中示意性示出，图2示出了具有发动机201、动力传动系统202和车轮203、204、205、206的车辆200。车辆具有转弯中心208，在车辆转弯时绕着该转弯中心208移动，该转弯中心208的位置尤其取决于车辆的长度以及车轮203、204、205、206的位置和它们之间的间隔。然而，加速计207通常靠近发动机201或位于发动机201附近，其位置通常不与车辆的转弯中心208一致。这意味着如果道路的变化方向相对急剧，则由转弯引起的加速度也将被包括在由加速计207产生的信号a_s中。

还可以基于诸如以下力方程来确定道路坡度α

∑f=ma            （方程3）

其中f是力，m是车辆重量，而a是加速度。

力方程的左项也可以表达为

∑f=f_d-f_r-f_a-mgsin(α)         （方程4）

其中f_d是动力，f_r是由于滚动阻力而导致的滚动力，而f_a是由于空气阻力而导致的空气力。

可基于力方程3和4来确定道路坡度α。基于这些方程确定坡度α导致了在基本所有类型的道路（不仅基本水平且笔直的道路，而且具有较大坡度和弯曲的道路）上对其可靠的估计。在使用这些力方程来确定坡度时，常常使用这些方程的可求解坡度α的模型，但这些模型导致关于坡度α的估计值的一些不确定性，这是基于力方程来估计坡度α的不利之处。

因此具有至少两个用于确定道路坡度α的方法，其中之一基于加速计207的加速度测量，另一个基于至少一个力方程。加速计估计在相对笔直的道路上是快捷和可靠的。力方程估计慢于加速计估计，且在动力传动系统被暂停时（即，在发动机转矩无法被传递给车轮203、204、205、206时，例如，在激活离合器功能或施加一个或多个制动时）不可使用，但其对于所有类型的道路均是可靠的。

本发明的发明人已识别出相应的估计方法的这些优点和缺点，并提出结合这些方法，使得以在某种程度上最优的方法来使用每种方法。本发明因此将加速计估计的优点与力方程估计的优点相结合，而同时避免两者的缺点。

为此，本发明使用传感器融合，其可以联合加权由一个或多个传感器/方法产生的至少两个传感器值/输入信号。在这里，传感器融合具有至少两个输入信号和至少一个加权参数。如果根据本发明确定或选择至少两个输入信号的至少一个和/或至少一个加权参数，如以下更加详细描述的那样，该传感器融合可用于结合加速计估计和力方程估计的优点。

本发明涉及检测当前是否存在至少一个动态过程。如以下更加详细描述的那样，动态过程在这里可以包括例如至少一个急转弯、加速度的一个实质性改变或减速的一个实质性改变，并例如可以基于制动、车辆速度、曲率半径或选择挡位来检测。根据检测的结果，随后由基于车辆当前是否受动态过程影响来确定的传感器融合的至少一个加权参数和/或传感器融合的至少两个输入信号中的至少一个来进行传感器融合。

在联合加权中在这里可以按以下方式来对至少两个输入信号进行加权，即，例如如果当前是特定或没有第一动态过程，则使加速计具有很大影响；或者按以下方式来对它们进行加权，即，如果当前是特定的第二动态过程，则力方程具有很大影响。可以通过对至少两个输入信号的一个或多个进行加权以改变输入信号在传感器融合上的相互影响，来进行该加权。类似地，可以根据当前是否是特定的动态过程，来给传感器融合中的一个或多个其它加权参数赋不同的值。结果是输入信号的联合加权发生在特定计算处，其可以处于采样时间。如以下更加详细描述的那样，通过将它们中的至少一个乘以一值（其基于与该至少一个输入信号相关的测量噪声的大小），来进行至少两个输入信号的加权。

根据本发明，因此，基于当前是否存在动态过程，来调整传感器融合，以使得这时使用最好的方法或最好的组合方法来估计道路坡度α。这意味着总是可获得坡度α的可靠值。此外，总是以最小可能的延迟来获得该可靠值，这在各种应用中是重要的，例如，在挡位选择基于道路坡度α的情况下。根据本发明的实施例，借助卡尔曼滤波器来进行传感器融合，对于卡尔曼滤波器而言，估计道路坡度α是唯一状态。在该情况下，基于当前是否存在动态过程来确定的前述两个输入信号的至少一个用作至卡尔曼滤波器的至少一个输入信号。在这里，前述至少一个加权参数采用该卡尔曼滤波器的模型噪声的至少一个协方差矩阵的形式。

卡尔曼滤波器在数学上可描述为

$\begin{array}{c}\hat{x}(t+1|t)=A_{t}x\left(t\right|t)\\ \hat{x}\left(t\right|t)=x\left(t\right|t-1)+L\left(t\right)(y\left(t\right)-C_t\hat{x}\left(t\right|t-1))\\ L\left(t\right)=P\left(t\right|t-1)C_t^T{[C_{t}P\left(t\right|t-1)C_t^T+R_t]}^{-1}\\ P(t+1|t)=A_{t}P\left(t\right|t)A_t^T+Q_t\\ P\left(t\right|t)=P\left(t\right|t-1)-P\left(t\right|t-1)C_t^T{[C_{t}P\left(t\right|t-1)C_t^T+R_t]}^{-1}{C}_{t}P\left(t\right|t-1)\end{array}$   （方程5）

其中

-x表示状态向量，其在该情况下是道路坡度α；

-y表示滤波器的输入信号；

-A表示系统的模型，其在该情况下被定义为A=1（下文更加详细描述）；

-L表示滤波器的放大率；

-C表示滤波器的输入模型；

-Q表示模型噪声的协方差矩阵；

-P表示估计误差的协方差矩阵；

-R表示测量噪声的协方差矩阵。

根据本发明的实施例，卡尔曼滤波器使用在下一状态中的道路坡度α将等于当前状态中（即，A=1）的道路坡度α的预测。

如在方程5中可看到的，滤波器的放大率L取决于P、C以及R，并且P自身取决于模型噪声Q的协方差矩阵。如上所述，根据本发明，模型噪声Q的协方差矩阵用作传感器融合的加权参数。因此，根据当前是否存在动态过程来调整在卡尔曼滤波器中的该模型噪声Q的协方差矩阵。

模型噪声Q的协方差矩阵使用输入信号，来加权由滤波器预测的用于下一状态的值（其被预测与当前状态中的相同），以使得输入信号更大或更小的加权/影响取决于模型噪声Q的协方差矩阵的值。模型噪声Q的协方差矩阵的小值意味着滤波器仅接受小的变化，所以滤波器在必要时可以进行得较慢。

针对滤波器选择的输入信号模型C主要基于加速计还是主要基于力方程，这取决于当前是否存在动态过程。

当根据本发明的示例，卡尔曼滤波器具有两个输入信号（其中之一基于加速计，另一个基于力方程）时，输入模型C变为2×1向量，其包括两个输入信号作为向量中的元素，即，C=[1g]。因此，如果输入信号模型C的向量例如具有含有值而不是零的两个元素，则传感器融合将进行与这些非零元素相对应的两个输入信号的联合加权。

测量噪声的协方差矩阵R随后在对角元素中是具有测量噪声的协方差的对角矩阵。如果例如测量噪声的协方差矩阵R具有含有值而不是零的两个元素，并且输入模型C的向量具有两个非零元素（如上述），则测量噪声的协方差矩阵R中的两个元素将在这两个输入信号将要在传感器融合中联合加权时，导致在与输入信号模型C的元素相对应的两个输入信号之间进行加权。

通常而言，可以说，借助测量噪声的协方差矩阵R的输入信号的加权取决于针对每个输入信号的实际测量噪声的大小。如果例如加速计输入信号具有实质性的测量噪声，则在测量噪声的协方差矩阵R中的元素（其对应于输入信号模型C中的加速计输入信号元素）将假定为实质的值，从而使输入信号被加权朝向力方程输入信号而远离加速计信号。换言之，在这里将两个输入信号加权，以使得在传感器融合上使力方程输入信号的影响大于加速计输入信号的影响。测量噪声的协方差矩阵R的元素的值可以在0.0001-150范围内变化，并由此确定到传感器融合的输入信号的加权。

根据本发明的实施例，传感器融合包括使用模型和测量信号的联合加权。在这里，通过针对至少两个输入信号比较预测值

和测量值y(t)（即，

），来相对测量值评估模型。此外，基于测量噪声R来确定滤波器的放大率L。如果测量噪声R具有大值，则放大率L将具有小的值，这意味着在方程

中将极小的测量输入信号y加权。因此，该方程随后并不取决于所测量的输入信号y。相反，测量噪声R的小的值意味着放大率将采用大的值，这意味着测量输入信号y在传感器融合中获得大的影响。因此，该方程随后取决于所测量的输入值y，且给它们很大的影响。

本发明的重要部分是识别各种动态过程，传感器融合需要针对各种动态过程来调整，以便能够快速产生道路坡度α的可靠值。

根据本实施例，车辆执行的一个或多个急转弯构成了这样的动态过程。如果至少一个转弯具有小于预定值的半径，则将其视为急转弯。这样的转弯可例如具有小于25米的半径。如果转弯花费比预定时间更长的时间且具有预定半径，则该转弯也可被定义为急转弯。例如如果转弯花费了长于2秒的时间且具有这样预定的半径，则将该转弯检测为急转弯。

根据本发明的实施例，如果检测到至少一个急转弯，则将到传感器融合的两个输入信号的至少一个（其可以是如上所述的在卡尔曼滤波器中的输入信号向量y）加权，以使得使基于力方程（方程3和4）的输入信号在传感器融合中具有很大影响。通过加权使基于力方程的输入信号具有很大影响的这一事实在这里意味着在加权之后力方程信号比加速计信号具有更大影响。因此根据该实施例的方法在出现急转弯时选择使道路坡度α的估计更多得基于力方程，而更少基于加速计。这意味着避免了与没有位于车辆转弯中心的加速计有关的问题。因此，在估计道路坡度α时由加速计测量的不适用的加速度可被忽略，从而导致更加准确的估计。如以下关于图4所描述的那样，根据实施例，通过例如将基于加速计的输入信号加权为可在传感器融合中被忽略掉，来将基于力方程的输入信号在这里选择为唯一的输入信号。

根据本发明的实施例，加速度的实质性改变构成了动态过程，针对该动态过程，必须调整传感器融合。这样的实质性改变可以例如发生在从停止开始的加速时或在挡位改变期间的加速时。这种加速度的实质性改变可能影响车辆底盘与水平面之间的相互关系。其还可能影响车辆的悬挂（例如车轮悬挂）与水平面之间的相互关系。换言之，实质性加速度变化可能会造成底盘和/或悬挂相对于水平面升高。根据实施例，如果加速度变化为至少1m/s³的量级，则将该加速度变化视为实质性的。

按以下方式来调整传感器融合，即，到传感器融合的至少两个输入信号中的至少一个（其因此可以采用至卡尔曼滤波器的输入信号向量y的形式）被加权，从而使基于加速计207的输入信号在传感器融合中具有很大影响，并且将至少一个加权参数设定为一值，该值相对于在当前没有动态过程时加权参数所具有的值降低了传感器融合的灵敏度。换言之，在这里按以下方式来确定加权参数的值，即，传感器融合变得比在没有实质性加速度变化的情况慢。使加速计信号具有很大影响的事实在这里意味着加速计信号具有比力方程输入信号更大的影响。在传感器融合采取卡尔曼滤波器的形式并且加权参数因此将是滤波器的模型噪声Q的协方差矩阵的情况下，将在模型噪声Q的该协方差矩阵中的元素设定为低值，从而导致具有降低的灵敏度的较慢滤波器。因为可在估计中使用加速计，因此，快速获得了道路坡度α的准确值。根据实施例，如以下关于图4所描述的那样，例如通过将基于力方程的输入信号加权为可在传感器融合中被忽略掉，来将基于加速计的输入信号在这里选择为唯一的输入信号。

根据本发明的另一实施例，实质性减速变化构成了动态过程，针对该动态过程，必须调整传感器融合。这样的实质性改变例如可能发生在减速期间在挡位改变之际、在由部分制动引起的减速期间（例如，在车辆处于运动时），或在完全制动到停止期间。根据实施例，如果减速变化为至少1m/s³的量级，则将该减速变化视为实质性的。

根据该实施例，当实质性减速变化被检测为动态过程时，调整传感器融合，以使得到传感器融合的至少两个输入信号的至少一个（其可以由卡尔曼滤波器的输入信号向量y来表示）被加权，从而使基于加速计207的输入信号在传感器融合中具有很大影响。还将至少一个加权参数（其可以采用卡尔曼滤波器的模型噪声Q的协方差矩阵的形式）设定为一值，该值相对于在当前没有动态过程时加权参数所具有的值降低了传感器融合的灵敏度，使得传感器融合变得比在没有实质性加速度/减速变化的情况慢。在这里使加速计信号具有很大影响的事实意味着其比力方程信号具有更大的影响。因此在这里，以基本上类似于在实质性加速度变化的形式下的动态过程的情况的方式来调整传感器融合。因为可以使加速计在估计中具有很大影响，因此快速获得了道路坡度α的准确值。根据实施例，如以下关于图4所描述的那样，例如通过将基于力方程的输入信号加权为可在传感器融合中被忽略掉，来将基于加速计的输入信号在这里选择为唯一输入信号。

以类似于实质性加速度变化的方式，实质性减速变化也可以影响车辆底盘或悬挂与水平面之间的相互关系。在这里实质性减速变化可能会造成底盘和/或悬挂相对于水平面下降。

根据本发明的另一实施例，在转弯期间的制动构成了动态过程。根据另一实施例，启动或关闭发动机也构成了动态过程。

当检查到这种在转弯期间的制动或这种启动或关闭发动机时，调整发动机融合，以使得到传感器融合的至少两个输入信号的至少一个（其可以采取到卡尔曼滤波器的输入信号向量y的形式）被确定为对应于道路坡度α的先前估计。换言之，在这里卡尔曼滤波器被保持不变（frozen），这也可以被视为不对卡尔曼滤波器进行更新。在描述卡尔曼滤波器的方程5中，在输入信号模型的矩阵C中的元素的值因此被设定为0（零），即，C=[0 0]。因此，在这里通过给输入信号模型矩阵C的元素赋0（零）值来确定输入信号，以使得输入信号对应于先前估计。该先前估计将易于从存储它的存储器中检索到。

以上我们描述了在各种动态过程被检测到时，传感器融合如何必须被调整到该各种动态过程。根据实施例，相反地，如果检测显示当前没有动态过程，则调整传感器融合，以使得将至少两个输入信号的至少一个加权，从而使基于加速计的信号比基于力方程的输入信号在传感器融合上具有更大影响。如上所述，基于来自加速计的输入信号的大的影响的道路坡度α估计是相对快速的，并导致具有大曲率半径的道路的可靠值。将至少一个加权参数也设定为导致传感器融合的灵敏度被调整为加速计的噪声级的值。因为加速计的不同类型/制造具有不同的噪声级，因此基于所使用的特定加速计来确定该加权参数的大小。根据实施例，如以下关于图4所描述的那样，例如通过将基于力方程的输入信号加权为可在传感器融合中被忽略掉，来将基于加速计的输入信号在这里选择为唯一的输入信号。

根据该实施例，因为加速计最适于正常行驶情况，因此在当前没有动态过程时主要使用加速计来确定道路坡度α。

上述指出传感器融合将如何进行的实施例取决于检测当前是否存在动态过程。这用作用于选择如何将一个或多个输入信号加权和/或哪一个或多个加权参数被用在传感器融合中的基础。这可被视为基于该检测选择的传感器融合的不同模式，每个模式具有一个或多个预定输入信号和/或一个或多个预定加权参数。在传感器融合采取卡尔曼滤波器的形式的情况下，每个模式因此具有特定的输入信号向量y和/或模型噪声的一个或多个特定协方差矩阵Q。

可基于各种参数来检测是否当前存在动态过程。根据本发明的实施例，该检测可至少基于与制动有关的信号。如上所述，被指出的动态过程包括制动。在系统中指出正发生制动的任何合适信号因此可用于识别动态过程。通常在车辆控制系统中可获得制动信号，因此在动态过程检测中使用制动信号易于实施。

根据本发明的实施例，至少基于与车辆速度有关的信号来检测动态过程。该信号可尤其用于确定车辆加速度和/或减速的变化。通常在车辆控制系统中可获得速度信号，这在实施本发明时将是有利的。

根据本发明的实施例，至少基于与车辆正执行的转弯的曲率半径有关的信号来检测动态过程。如上所述，动态过程包括转弯，因此，对于曲率半径的任何合适信号可用于该检测。尤其通过在车辆转弯时分析在内外车轮之间的速度的相互差，来计算曲率半径。

根据本发明的实施例，至少基于与挡位选择有关的信号来检测动态过程。在几个前述动态过程涉及挡位变化时，可基于关于选择挡位的信息且在发生挡位变化时进行它们的识别。如以下所述，在本发明尤其用于关于在自动挡位选择的系统中的挡位变化时，将通常可获得与挡位选择有关的输入信号，基于该输入信号来识别动态过程。自动挡位选择的系统在关于挡位变化将如何发生和什么时候发生方面具有非常好的控制性这一事实可由该实施例来利用。

根据本发明的实施例，检测动态过程可基于以上参数的任何合适组合，即基于制动信号、速度信号、曲率半径信号、以及挡位选择信号的任何合适组合。

本发明一方面涉及一种在机动车辆中的挡位选择的方法。根据该方法，如上所述，即根据本发明上述实施例的任一个来估计道路坡度α。随后基于所估计的坡度α来选择挡位。该方法例如可高使用度的用于自动挡位选择的系统，因为在确定行驶阻力并由此在特定时间选择哪个挡位时考虑道路坡度α是在这样系统中的中心。

本领域技术人员还将认识到道路坡度α的估计除了自动挡位选择控制之外还可以用于其它应用。例如，坡度α可用在巡航控制系统中、制动系统中、以及其它驾驶辅助系统，例如有助于驾驶员更加节约燃料驾驶的系统。

图3是根据本发明的用于挡位选择的方法的流程图。

作为第一步骤301，该方法检测当前是否存在至少一个动态过程，即，车辆例如是否受急转弯、加速度或减速的实质性变化、在转弯期间的制动、或发动机的启动或关闭的影响。作为第二步骤302，该方法借助传感器融合来估计道路坡度α，其中，基于是否当前存在动态过程来确定分别基于加速计和力方程的至少两个输入信号中的至少一个和/或传感器融合的至少一个加权参数。

用于挡位选择的方法的第一步骤301和第二步骤302因此一起构成了根据本发明的用于估计道路坡度α的方法。

作为第三步骤303，该方法基于坡度α的估计选择挡位。

图4示出包括上述根据本发明的一些实施例的示意性示例。基于加速计或力方程的两个输入信号的联合加权也可在时空内进行。这意味着传感器融合在整个时间内将两个输入信号联合加权，虽然在每一单个时间它没有考虑这两个输入信号。换言之，仅输入信号中的一个用在第一时间，而另一个用在随后的第二时间。然而，在整个时间内，即，在包括第一时间和第二时间的时段内，当传感器融合选择使计算基于两个输入信号时，在时空内的联合加权将仍然由传感器融合来进行。

图4示意性示出了针对不同动态过程如何设定输入信号模型C、模型噪声Q的协方差以及测量噪声R的协方差，以及在当前不存在动态过程影响车辆时如何设定它们。

如果检测到在转弯期间的制动或启动或关闭发动机的动态过程，则通过根据状态401为C、Q和R赋值，来调整传感器融合。在状态401中，在输入信号模型C的矩阵中的元素被设定为C=[0 0]，其对应于未被更新的卡尔曼滤波器。将模型噪声Q的值设定为1×10^-5，低值将使滤波器变慢。将测量噪声R的协方差的值设定为150×I(2)，其中I(2)是单位矩阵。

如果检测到没有制动的转弯的动态过程，则通过根据状态402为C、Q和R赋值，来调整传感器融合。在状态402中，在输入信号模型C的矩阵中的元素被设定为C=[0 1]，这意味着选择基于力方程的输入信号。将模型噪声Q的值设定为1×10^-3，其使得滤波器略快于状态401中的滤波器。将测量噪声R的协方差的值设定为150×I(2)，其中I(2)是单位矩阵。

如果检测到实质性加速度变化（例如在从静止开始的加速或在挡位改变期间的加速）或实质性减速变化的动态过程（例如，在挡位改变或制动期间），则通过根据状态403为C、Q和R赋值，来调整传感器融合。在状态403中，在输入信号模型C的矩阵中的元素被设定为C=[g 0]，这意味着选择基于加速计的输入信号。将模型噪声Q的值设定为4×10^-5，低值将使滤波器变得相对慢一些。将测量噪声R的协方差的值设定为150×I(2)，其中I(2)是单位矩阵。

如果没有检测到这些动态过程，则通过根据状态404为C、Q和R赋值，来调整传感器融合。在状态404中，将在输入信号模型C的矩阵中的元素设定为C=[g 0]，这意味着选择基于加速计的输入信号。将模型噪声Q的值设定为1×10^-3，其略高于状态401和403中的值，并使得滤波器略快于那些状态中的滤波器。将测量噪声R的协方差的值设定为150×I(2)，其中I(2)是单位矩阵。

如图4所示，将根据车辆的行驶情况来调整传感器融合，这意味着在特定的行驶情况下选择加速计输入信号，而在另外的行驶情况下选择力方程输入信号。这导致在一段时间内在不同时间对道路坡度α的不同估计，在不同时间，各种估计具有不同的输入信号。随时间出现这些各种输入信号的联合加权，即在时刻内两个输入信号的联合加权。

本领域技术人员将认识到，根据本发明的用于估计道路坡度α的方法和用于挡位选择的方法也能够以计算机程序来实现，计算机程序当在计算机中被执行时使计算机应用该方法。计算机程序通常采取被存储在数字存储介质上的计算机程序产品503（在图5中）的形式，计算机程序包含在计算机程序产品的计算机可读介质中。所述计算机可读介质包括合适的存储器，例如，ROM（只读存储器）、PROM（可编程只读存储器）、EPROM（可擦除PROM）、闪存、EEPROM（电可擦除PROM）、硬盘单元等。

图5示意性示出包括计算单元501的控制单元500，计算单元501可采取基本上任何合适类型的处理器或微型计算机（例如用于数字信号处理的电路（数字信号处理器DSP）或具有预定的特定功能的电路（专用集成电路，ASIC））的形式。计算单元501连接到存储器单元502，其位于控制单元500中并给计算单元提供例如计算单元需要来使其完成计算的所存储的程序代码和/或所存储的数据。计算单元501也适于将计算的部分或最终结果存储在存储器单元502中。

控制单元500还设置有用于接收和发送输入和输出信号的相应的设备511、512、513、514。这些输入和输出信号可包括波形、脉冲或输入信号接收设备511、513可检测为信息并可转换成由计算单元501可处理的信号的其它属性。这些信号之后被提供给计算单元。输出信号发送设备512、514布置成转换从计算单元接收的信号，以便例如通过调制它们来产生输出信号，该输出信号可被传送到用于估计道路坡度α的系统或用于挡位选择的系统的其它部分。

到用于接收和发送输入和输出信号的相应设备的每个连接可采取来自电缆、数据总线（例如CAN（控制器区域网）总线或MOST（多媒体定向系统传输）总线或某种其它总线配置）、或无线连接中的一个或多个的形式。

本领域中的技术人员将认识到，前述计算机可采取计算单元501的形式，以及前述存储器可采取存储器单元502的形式。

本发明一方面涉及在车辆中通过使用传感器融合来估计道路坡度α的系统。在这里，该系统包括检测装置，其适于检测是否至少一个动态过程正影响车辆。该系统还包括估计装置，其适于估计所述坡度α。估计涉及估计装置根据上述方法（即，基于检测当前是否存在任何动态过程来确定至少两个输入信号的至少一个和/或传感器融合的至少一个加权参数）来确定传感器融合的调整，从而进行至少两个输入信号的联合加权。

根据本发明的一方面涉及在机动车辆中挡位选择的系统。该系统在这里包括如上用于估计道路坡度α的系统以及适于基于道路坡度α的估计来选择挡位的挡位选择装置，例如，自动变速箱。

本领域技术人员也将认识到，上述系统可根据本发明的方法的各种实施例来修改。

本发明还涉及设置有至少用于估计道路坡度α的系统或用于挡位选择的系统的机动车辆100，例如汽车、卡车或公共汽车。

本发明不限于上述本发明的各个实施例，而涉及和包括在所附独立权利要求的保护范围内的所有实施例。

Claims (27)

1.一种在车辆中通过使用传感器融合来估计道路坡度α的方法，

其特征在于，

-检测是否至少一个动态过程正在影响所述车辆，以及

-通过以下方式来估计所述坡度α，即，对到所述传感器融合的至少两个输入信号进行联合加权，从而使

-所述至少两个输入信号包括基于加速计的输入信号和基于至少一个力方程的输入信号；并且

-基于是否所述至少一个动态过程正在影响所述车辆的所述检测来确定对于所述传感器融合的至少一个加权参数和/或所述至少两个输入信号中的至少一个输入信号。

2.根据权利要求1所述的方法，其中借助卡尔曼滤波器来进行所述传感器融合。

3.根据权利要求2所述的方法，其中所述至少两个输入信号用作到所述卡尔曼滤波器的输入信号，并且所述至少一个加权参数是所述卡尔曼滤波器的模型噪声Q的至少一个协方差矩阵。

4.根据权利要求2和3中的任一项所述的方法，其中所述卡尔曼滤波器使用在下一状态中的道路坡度将等于在当前状态中的道路坡度的预测。

5.根据权利要求1-4中的任一项所述的方法，其中影响所述车辆的所述至少一个动态过程至少包括急转弯。

6.据权利要求5所述的方法，其中所述急转弯呈半径小于预定值的转弯的形式。

7.根据权利要求5和6中的任一项所述的方法，其中如果所述检测表明当前存在所述急转弯，则对所述至少两个输入信号中的所述至少一个输入信号加权，从而在所述传感器融合中使基于所述力方程的所述输入信号的影响大于基于所述加速计的所述输入信号的影响。

8.根据权利要求1-4中的任一项所述的方法，其中所述至少一个动态过程包括实质性加速度变化。

9.根据权利要求8所述的方法，其中所述动态过程发生在以下情况之一中：

-从静止开始的加速，以及

-在挡位改变期间的加速。

10.根据权利要求8和9中的任一项所述的方法，其中如果所述检测检测到所述实质性加速度变化，则

-对所述至少两个输入信号的所述至少一个输入信号加权，从而在所述传感器融合中使基于所述加速计（207）的所述输入信号的影响大于基于所述力方程的所述输入信号的影响，并且

-将所述至少一个加权参数确定为一值，以使得在所述传感器融合中对于所述输入信号的灵敏度低于没有动态过程影响所述车辆的情况。

11.根据权利要求1-4中的任一项所述的方法，其中所述动态过程包括实质性减速变化。

12.根据权利要求11所述的方法，其中所述动态过程发生在以下情况之一中：

-在挡位改变期间的减速，

-制动，以及

-制动到停止。

13.根据权利要求11和12中的任一项所述的方法，其中如果所述检测检测到所述实质性减速变化，则

-对所述至少两个输入信号中的所述至少一个输入信号加权，从而使基于加速计（207）的所述输入信号的影响大于基于所述力方程的所述输入信号的影响，并且

-将所述至少一个加权参数确定为一值，以使得在所述传感器融合中对于所述输入信号的灵敏度低于没有动态过程影响所述车辆的情况。

14.根据权利要求8-13中的任一项所述的方法，其中至少所述一个动态过程影响机动车辆（100）的底盘和/或悬挂相对于水平面的位置。

15.根据权利要求1-4中的任一项所述的方法，其中所述动态过程包括在转弯期间的制动。

16.根据权利要求1-4中的任一项所述的方法，其中所述动态过程包括启动和关闭发动机。

17.根据权利要求15和16中的任一项所述的方法，其中如果检测到所述动态过程，则确定所述至少两个输入信号对应于所述道路坡度的先前的相应估计。

18.根据权利要求1-7中的任一项所述的方法，其中，如果所述检测表明没有动态过程影响所述车辆，则

-对所述至少两个输入信号中的所述至少一个输入信号加权，从而使基于加速计（207）的所述输入信号的影响大于基于所述力方程的所述输入信号的影响，并且

-将所述至少一个加权参数确定为一值，以使得将在所述传感器融合中对于所述输入信号的灵敏度调整至所述加速计（207）的噪声级。

19.根据权利要求1-15中的任一项所述的方法，其中所述检测基于以下信号中的至少一个：

-制动信号，

-与车辆速度有关的信号，

-与曲率半径有关的信号，以及

-与挡位选择有关的信号。

20.根据权利要求1-19中的任一项所述的方法，其中所述传感器融合进行具有所述至少两个输入信号的模型的联合加权，以使得

-所述模型用在与所述至少两个输入信号相对应的值的预测中，以及

-具有所述至少两个输入信号的所述模型的所述联合加权基于与所述至少一个输入信号有关的测量噪声的大小。

21.根据权利要求1-20中的任一项所述的方法，其中通过所述至少一个输入信号基于与所述至少一个输入信号有关的测量噪声的大小的加权，来进行所述至少一个输入信号的所述确定。

22.根据权利要求1-21中的任一项所述的方法，其中所述至少一个动态过程包括以下中的一个或多个：

-急转弯，

-实质性加速度变化，

-实质性减速变化，

-在转弯期间的制动，

-发动机启动，以及

-发动机关闭。

23.一种用于机动车辆中挡位选择的方法，

其特征在于，

-通过根据权利要求1-22中的任一项所述的方法来估计道路坡度α，以及

-基于所述坡度α的所述估计选择挡位。

24.一种计算机程序，包括程序代码，且当所述程序在计算机中被执行时，所述计算机程序使所述计算机应用根据权利要求1-23中的任一项所述的方法。

25.一种计算机程序产品，包括计算机可读介质，所述计算机可读介质包含根据权利要求24所述的计算机程序。

26.一种在车辆中通过使用传感器融合来估计道路坡度α的系统，

其特征在于，

-检测装置，其适于检测是否至少一个动态过程正在影响所述车辆，以及

-估计装置，其适于通过以下方式来估计所述坡度α，即，对到所述传感器融合的至少两个输入信号进行联合加权，从而使

-所述至少两个输入信号包括基于加速计的输入信号和基于至少一个力方程的输入信号；并且

-所述估计装置适于基于是否所述至少一个动态过程正在影响所述车辆的所述检测来确定对于所述传感器融合的至少一个加权参数和/或所述至少两个输入信号中的至少一个输入信号。

27.一种用于机动车辆中挡位选择的系统，

其特征在于，

-根据权利要求26所述的估计道路坡度α的系统，以及

-挡位选择装置，其适于基于所述坡度α的所述估计来选择挡位。

Images