CN105722735A - 用于确定车速参数的系统和方法 - Google Patents

Abstract

描述一种用于估计路面上的车辆的纵向速度的方法。该方法包括获得车辆加速度的测量结果，其中当路面的坡度为非零时，所述测量结果取决于车辆的纵向加速度和车辆的垂直加速度。该方法包括确定坡度的初始估计值。该方法包括确定坡度的初始估计值与坡度的在先估计值之间的差值并基于该差值，将坡度的当前估计值设置为等于初始估计值或在先估计值。该方法包括基于坡度的当前估计值和车辆加速度的测量结果，估计车辆的纵向速度。该方法包括基于所估计的车辆的纵向速度，控制多个车轮中的至少一个车轮。

Description

用于确定车速参数的系统和方法

相关申请的交叉引用

本申请要求2014年6月3日提交的美国发明申请号14/294,535的优先权，还要求2013年6月3日提交的美国临时申请号61/830,368和2014年2月6日提交的美国临时申请号61/936,558的权益。上述引用的申请的全部内容通过引用纳入本文。

技术领域

本发明涉及用于确定车速参数的系统和方法。

背景技术

此处提供的背景技术描述出于大致呈现本发明的背景的目的。本背景技术部分中描述的范围中的本发明人的工作以及本描述中可能不具有作为提交时的现有技术的资格的方面并不明确承认或隐含承认其为相对于本发明的现有技术。

现代车辆动态控制系统(例如，牵引力控制系统(TCS)、防抱死制动系统(ABS)和电子稳定化程序(ESP))已经提高了车辆的安全。这些动态控制系统的性能在一定程度上与各种车辆参数(例如，车速)的精确度相关，其中车辆参数常常基于来自一个或多个车辆传感器的输入来估计或确定。

车速的确定已经是各种文章和专利申请的对象。径向车速的直接测量可能太昂贵和/或对于各种车辆应用不实际。因此，确定车速的传统方法分为两组：第一组使用轮速和车身加速度直接确定车速；第二组基于车辆模型估计车速以间接确定车速。

对于落入第一组的方法，已经知道，当车辆正制动时使用最大轮速进行速度估计，并且当车辆处于“牵引模式”时使用最小轮速。这些实践被称为“最佳车轮方法”并且能够用来非常迅速地确定车速。“最佳车轮方法”的一个缺点是要考虑测量轮速时可能存在的噪声。车速被确定的精确度将基于轮速信号中的噪声水平而变化。

落入第一组中的另外一种方法涉及识别可靠轮速、检查车身加速度以及使用轮速的加权平均值以及车身加速度的积分来获得车速的估计值。这种方法的精确度在一定程度上取决于用于感测车身加速度的加速度计的偏差和车轮半径测量。纵向加速度的时间积分累计传感器偏差，导致估计值偏移。另一个误差源是作用在道路坡度方向上的加速度的重力分量，使得加速度测量结果失真。

此外，加速度计偏差和车轮半径变化对车速的影响在不同驱动情形下会改变。提出的方案采用加权平均法，该方法使用来自加速度计偏差和车轮半径偏置的反馈或通过分析全球定位系统(GPS)信号获得的数据。这种方法确定车速的精确度将基于与轮速的导数相关的噪声。卡尔曼滤波器可以用于确定加权平均值，但是仍然不能实现，因为这种计算相对复杂和缓慢。

对于落入第二组中的方法，运动学模型能够用于使用车身加速度和车辆的四个车轮的转速的输入来估计车速。尽管这种方法在一些情况下能够良好执行，但是结果倾向于对信号噪声和传感器的位置敏感。

落入第二组内中的另外一种方法使用轮胎模型，其提供轮胎力估计。尽管这种方法通常对噪声不太敏感(或者甚至不敏感)，但该方法包括“非线性情形”，估计误差可能不合期望地大。

尽管速度估计依赖于轮速，但在一些驱动情况下，一些车轮的轮速测量结果不可靠，如在车辆相对于路面滑移时。已经使用一种自适应卡尔曼滤波器来尝试解决车轮滑移问题。然而，在一些具有挑战的状况下，如所有四个车轮都滑移的状况下，自适应卡尔曼滤波器可能不能提供满意的结果。

综上所述，每种方法都有缺点。使用轮速，由于车轮滑移、车轮半径变化以及车轮从车辆重心的偏置而产生误差。如果初速度值不精确，则加速度数据的积分成为问题，并且误差由于加速度计偏差和非零道路坡度而累计。车辆/轮胎模型容易导致建模误差，尤其是对于非线性模型。因此，本领域需要更精确可靠地确定车速。

发明内容

描述一种用于估计正在纵向延伸的路面上运行的车辆的纵向速度的方法。车辆具有多个车轮，多个车轮包括第一组车轮和第二组车轮。第一组车轮与第二组车轮沿着车辆的纵轴间隔开。车辆的纵向速度与车辆的纵轴平行。路面具有与路面的高程随车辆沿着路面行驶而发生的变化相关联的坡度。

该方法包括获得车辆加速度的测量值。当路面的坡度为非零时，车辆加速度的测量值基于：(i)车辆的纵向加速度和(ii)车辆的垂直加速度。车辆的纵向加速度是车辆在平行于车辆的纵轴的方向上的加速度。该方法包括确定路面的坡度的初始估计值。该方法包括确定路面的坡度的初始估计值与路面的坡度的在先估计值之间的差。

该方法包括，基于所述差的大小，将路面的坡度的当前估计值设置为等于下列项中的一个：(i)路面的坡度的初始估计值和(ii)基于路面的坡度的在先估计值的值。该方法包括基于(i)路面坡度的当前估计值和(ii)车辆加速度的测量值估计车辆的纵向速度。该方法包括基于所估计的车辆的纵向速度，控制多个车轮中的至少一个车轮。

根据下列具体实施方式、权利要求和附图，本发明的应用的进一步领域将变得明显。具体实施方式和具体实例旨在仅用于示例说明目的，并不旨在限制本发明的范围。

附图说明

从下列具体实施方式和附图，将更全面地理解本发明。

图1是具有根据本发明的原理构造的电驱动系统和控制器的一种示例性车辆的示意图。

图2是根据本发明的原理的一种控制器的示例性实现的功能性框图。

图3A是在具有非零坡度的表面上的车辆的自由体受力图。

图3B是示出坡度估计和加速度补偿的示例性操作的流程图。

图4是示出驱动模式确定的示例性操作的流程图。

图5是示出车轮旋转方向确定的示例性操作的流程图。

图6是示出给定车辆车轮的滑移确定的示例性操作的流程图。

图7是示出用于车速估计中的最佳车轮选择的示例性操作的流程图。

在各附图中，附图标记可以重复使用以识别类似和/或相同的元素。

具体实施方式

在图1中，示例性车辆10包括根据本发明的教导构造的电驱动系统12。电驱动系统12选择性驱动车辆后轮对14。电驱动系统12可以是部分时间运转的辅助动力传动系统的一部分，而常规内燃机16和传动装置18用于在所有时间驱动车辆前轮对20。

在各种其它实施方式中，电驱动系统12可以替代地选择性驱动车辆前轮对20，而内燃机16驱动车辆后轮对14。在其它实施方式中，电驱动系统12可以驱动车辆前轮对20和车辆后轮对14。在又一些其它实施方式中，电驱动系统12可以驱动车辆前轮对20，同时另一个电驱动系统(其可以与电驱动系统12类似或相同)可以驱动车辆后轮对14。仍有一些其它动力传动系统能够适合本发明的教导。

进一步，即使不存在电驱动机构，本发明的教导仍可以用于控制车辆。例如，瞬时车速的精确估计可以允许改进牵引力控制系统(TCS)、防抱死制动系统(ABS)、电子稳定化程序(ESP)、主动避撞系统和自适应巡航控制系统中的一个或多个。

电驱动系统12能够如2014年3月4日发布的共同拥有的美国专利号8,663,051所描述的被配置，其中该专利文件通过引用将其全部内容纳入本文。简要地，图1的电驱动系统12包括电推进电动机30，其驱动差速器总成32。一对输出构件34至少部分由差速器总成32驱动并驱动对应的半轴36，由此驱动车辆后轮14。

电驱动系统12能够进一步包括控制器40，其被配置为控制电驱动系统12的运转。控制器40能够耦接到推进电动机30、电力源(例如，电池44)和车辆数据网46。车辆数据网46可以是车辆10内用于传输车辆数据的任意类型系统或网络，例如，控制器域网(CAN)或局部互联网(LIN)。电池44可以包括任意类型的电池并能够被再次充电，例如，经由交流发电机、发电机和/或再生制动系统。

控制器40能够接收来自车辆数据网46的数据，其关于：a)当前车辆动力学，包括车辆10的速率；b)车辆10正在其上运行的表面(例如，路面)；c)控制车辆10的驱动器输入；和d)车辆10运行的环境。控制器40能够采用从车辆数据网46接收的数据来控制电驱动系统12的运转，由此调节传送到车辆后轮14的扭矩。

例如，控制器40能够以抢先所有车轮驱动模式运转，在该模式中，电驱动系统12经运转以抢先将扭矩应用到车辆后轮14，从而阻止车辆前轮20滑移。以抢先模式运转控制器40在以下情况下可能尤其有利：车辆10将需要从几乎静止或零速度状况下加速，或者需要在车辆10在特定状况下运行(例如，低摩擦表面、软表面或陡峭道路坡度)时加速。

当驱动车辆后轮14时，最大牵引力(并因此最优性能)在车辆后轮14被驱动的速度对应于车辆10的纵向速度时被实现。在各种情形下，例如，当车辆前轮20滑移时，车速将不与车辆前轮20的速率直接成比例。因此，精确确定实际车速能够改进电驱动系统12的控制。

在图2中，控制器40的一种示例性实施方式包括坡度估计模块104，其接收例如来自加速度计的加速度测量结果。坡度估计模块104估计车辆10正在行驶的表面相对于平坦表面(即，垂直于重力矢量的表面)的坡度。坡度估计模块104还接收车辆纵向速度的估计值以用于估计坡度。坡度估计模块104接着补偿测量的加速度，以产生对应于车辆的纵向加速度并排除重力对加速度测量结果的贡献的补偿后的加速度。

一般情况下，加速度测量结果包括前向移动分量、重力分量和横向运动分量。如在图3A的自由体受力图中部分示出的，车辆加速度计的测量结果可以写为

$a_x={\stackrel{\·}{v}}_x+v_y\mathrm{\ψ}+gsin\mathrm{\α}$

其中α_x是加速度测量结果，是坡度补偿后的纵向加速度，g是重力加速度并且α是道路坡度角。进一步，是横向速度v_y与横摆角速度的乘积。在各种实施方式中，横向速度可以假定可忽略。

一般的离散系统卡尔曼滤波器能够由下面一系列方程表示：

${\hat{x}}_{k|k-1}={\mathrm{\Φ}}_{k-1}{\hat{x}}_{k-1|k-1}+{\mathrm{\Ψ}}_{k-1}{u}_k$

$P_{k|k-1}={\mathrm{\Φ}}_{k|k-1}{P}_{k-1|k-1}{\mathrm{\Φ}}_{k|k-1}^T+Q_{k|k-1}$

$K_k=P_{k|k-1}{H}_k^T{\left(H_k{P}_{k|k-1}{H}_k^T+R_{k|k-1}\right)}^{-1}$

${\hat{x}}_{k|k}={\hat{x}}_{k|k-1}+K_k\left(z_k-H_k{\hat{x}}_{k|k-1}\right)$

P_k|k＝(I-K_kH_k)P_k|k-I

其中是离散时间步骤k时的测量后更新估计状态矢量，是步骤k时的预估计(预测)状态，μ是输入矢量，并且z是观察变量(测量)矢量。此外，P、Q和R分别代表估计误差协方差矩阵、系统误差协方差矩阵和测量误差协方差矩阵。最后，H_k是观察矩阵，K_k是卡尔曼滤波器增益矩阵，并且Φ和Ψ分别是系统矩阵和输入矩阵。

选择v_x和sinα作为状态变量，α_x作为输入变量并且作为观察变量，得到：

$\begin{array}{ccc}x={\left[\begin{array}{cc}{v}_x& sin\mathrm{\α}\end{array}\right]}^T,& u=a_x,& z={\hat{v}}_x\end{array}$

其中v_x和分别是车速及其估计结果。

于是状态方程能够被写为

$\stackrel{\·}{x}=\left[\begin{array}{cc}0& -g\\ 0& 0\end{array}\right]x+\left[\begin{array}{c}1\\ 0\end{array}\right]u$

将状态函数离散化并将下列式子代入卡尔曼滤波器系列方程，允许使用卡尔曼滤波器估计道路坡度：

${\mathrm{\Φ}}_{\mathrm{\α}}=\left[\begin{array}{cc}1& -\mathrm{\τ}g\\ 0& 1\end{array}\right],{\mathrm{\Ψ}}_{\mathrm{\α}}=\left[\begin{array}{c}1\\ 0\end{array}\right],H_{\mathrm{\α}}=\left[\begin{array}{cc}1& 0\end{array}\right]$

预测协方差矩阵和测量协方差矩阵被选为：

$Q_{\mathrm{\α}}=\left[\begin{array}{cc}10& 0\\ 0& 0.1\end{array}\right],R_{\mathrm{\α}}=200$

坡度估计算法的观察变量是速度估计的输出，并且坡度估计的结果用于确定加速度测量结果。接着这两个算法被合并在一起。

当位于倾斜道路上的所有四个车轮都同时存在超量车轮滑移时，轮速和加速度两者都可能不可靠，导致速度预测和坡度估计出现错误。为了解决这个问题，可以假设道路坡度不会快速变化。因此，设置对坡度估计的梯度限制(Δα)。如果坡度估计不满足下列准则：

|α(k)-α(k-1)|<Δα，

则由坡度估计模块104输出的坡度估计结果维持在从先前迭代获得的值。

速度预测模块108基于补偿后的加速度，产生预测的速度。预测的速度被速度估计模块112、滑移检测模块116和车轮旋转方向模块120接收。如下所述，速度估计模块112接收进一步输入并估计车辆的纵向速度。

速度估计模块112还可以使用卡尔曼滤波器，如上述系列方程描述的。下列参数能够被选择用于速度估计目的：

${\hat{x}}_v={\hat{v}}_x,u_v={\stackrel{\&CenterDot;}{v}}_x,z_v=v_{x,BstW}$

其中是估计的纵向速度，是坡度补偿后的纵向加速度，并且v_x,Bstw是基于所选择的最佳车轮轮速(下文详细描述)的测量速度。

进一步，选择下列参数作为实例：

Φ_v＝1,Ψ_v＝τ,H_v＝1,Q_v＝1,R_v＝200

其中τ是滤波器的采样时间。这些增益可以用作调谐变量并且根据应用可能需要被校准。

卡尔曼滤波器增益矩阵K可以基于检测到超量车辆滑移而被控制。当检测到最佳车轮的超量滑移(下文描述)时，控制增益矩阵K可以被设置为0，意味着航位推算纵向加速度。当最佳车轮不存在超量滑移时，K被更新，如在典型卡尔曼滤波器中。

滑移检测模块116(如在下文更详细描述的)确定车辆的每个车轮相对于路面是否滑移并针对每个车轮生成对应的标记。

在各种实施方式中，测量的轮速是无符号值，意味着无论是车轮正在正向方向上旋转或在反向方向上旋转都没有被直接测量到。结果，车轮旋转方向模块120确定车轮的旋转方向。

轮速变换模块124接收来自每个车轮的原始轮速测量结果，并将轮速中的每个轮速标准化(例如，转置)到车辆的单个位置，如重心。轮速变换模块124因此接收车辆的转向角和横摆角速度。

使用左前方车轮作为实例(其余三个车轮被类似处理)，通过线性变换车轮坐标中的纵向速度：

$v_{fl}=(v_x-s_f\stackrel{\&CenterDot;}{\mathrm{\&psi;}})cos\mathrm{\&delta;}+(v_y+l_f\stackrel{\&CenterDot;}{\mathrm{\&psi;}})sin\mathrm{\&delta;}$

其中s_f是前轮轮距宽度的一半，l_f是前车轴和重心之间的距离，并且δ是车轮的转向角。通过定义：

v_y＝v_xcosβ

其中β是车辆侧滑移角。因此，最终变换为：

$v_x=\frac{v_{fl}+(s_f\cos \mathrm{\&delta;}-l_f\sin \mathrm{\&delta;})\stackrel{\&CenterDot;}{\mathrm{\&psi;}}}{\cos \mathrm{\&delta;}+\tan \mathrm{\&beta;}\sin \mathrm{\&delta;}}=v_{fl}\sec \mathrm{\&delta;}+\left(s_f-l_f\tan \mathrm{\&delta;}\right)\stackrel{\&CenterDot;}{\mathrm{\&psi;}}$

其中假设β＝0，在许多驱动情形中，这可以是合理精确估计。

得到的轮速被提供到滑移检测模块116和最佳车轮选择模块128。最佳车轮选择模块128将其中一个车轮选择为最佳代表实际车速的车轮，并输出对应于所选车轮的轮速。在各种实施方式中，所选车轮可以不是车辆的物理车轮，而可以是，例如，通过对两个或更多车轮的轮速一起求取平均值而创建的虚拟车轮。

最佳车轮选择模块128从滑移检测模块116接收车轮滑移标记，并输出对应于最佳车轮的车轮滑移标记。增益更新模块132基于最佳车轮轮速和最佳车轮滑移标记，调节被提供到速度估计模块112的增益矩阵。例如，当最佳车轮滑移标记被置位时，指示甚至最佳车轮轮速也不代表车速，增益矩阵可以被减小或甚至设置为零。这可以使得速度估计模块112使用航位推算法，该方法可以使速度估计以补偿后的加速度的积分为基础。

最佳车轮选择模块128在选择最佳车轮时可以考虑驱动模式。驱动模式确定模块136基于加速度计位置和制动压力确定驱动模式。驱动模式确定模块136可以确定驱动模式是牵引模式(即，车速被维持或增加的模式)还是制动模式。此外，驱动模式确定模块136可以接收来自其它系统的输入，这些输入可以修改车辆的驱动模式，例如，自适应巡航控制或牵引控制。

在图3B中，示出一种示例性坡度估计和加速度补偿方法。控制方法在204处开始，在此处，基于加速度和估计的速度估计车辆的坡度。控制方法在208处继续，在此处，存储当前坡度作为先前坡度。控制方法在212处继续，在此处，基于加速度和估计的速度估计坡度。

控制方法在216处继续，在此处，如果当前坡度与先前坡度之间的差的绝对值超过阈值，则控制方法转换到220；否则，控制方法转换到224。在220处，控制方法输出先前坡度作为估计的坡度，并且在228处继续。在224处，控制方法输出当前坡度作为估计的坡度，并且在228处继续。在228处，控制方法补偿加速度测量结果，以确定在车辆的纵向方向上的补偿的加速度。控制方法接着返回到208。

在图4中，示出驱动模式的示例性确定。控制方法在304处开始，在此处，如果施加的制动压力大于阈值，则控制方法转换到308；否则，控制方法转换到312。在308处，制动模式被声明并被输出到感兴趣的处理装置或模块，例如，图2的最佳车轮选择模块128。控制方法在316处继续，在此处，如果加速度踏板被启动(也就是，被驾驶员按下)，则控制方法转换到312；否则，控制方法返回到308。在312处，控制方法声明车辆以牵引模式运行，并返回到304。

在图5中，示出车轮旋转方向的示例性确定。控制方法在404处开始，在此处，确定四个轮速的平均值。控制方法在408处继续，在此处，如果平均值的绝对值小于阈值，则控制方法转换到412；否则控制方法转换到416。在416处，控制方法确定车轮的旋转方向是正向的(这还可以被描述为轮速具有正符号)，并且控制方法返回到404。

在412处，控制方法计算具有初始值为零的加速度的积分。控制方法接着在420处继续，在此处，如果积分超过零，则控制方法转换到416；否则控制方法转换到424。在424处，控制方法确定车轮的旋转方向是反向方向(这还可以被描述为轮速的符号是负的)，控制方法接着返回到420。

在图6中，示出车轮滑移标记确定的示例性操作。控制方法在504处开始，在此处，初始化轮速的加窗平均值。此外，扭矩标记被初始化为零。扭矩标记指示是否存在由于超量扭矩而导致的车轮滑移状况。扭矩标记基于下文描述的特定状况被置位，并接着基于其它状况被清零。

图6的操作可以针对车辆的每个车轮被独立执行。例如(仅举例)，可以依次针对每个车轮执行图6中描述的方法的一次迭代，并接着依次针对每个车轮执行控制方法的另一次迭代。可替代地，可以针对全部车轮同时或基本同时执行图6中的控制方法的四次独立实例。

在508处，获取轮速并基于获取的轮速更新加窗平均值。加窗平均值可以是准确的加窗平均值，其中加窗平均值中的每个先前轮速都被存储，以便在每次加入新获取的轮速时，最旧的先前轮速能够依次被移除。替代地，可以执行移动平均值，其中新获取的轮速被纳入移动平均值中，但是仅维持移动平均值的最近值。

控制方法在512处继续，在此处，如果当前轮速与加窗平均值之间的差的绝对值大于阈值，则控制方法转换到516；否则，控制方法在520处继续。这个测试可以表示如下：

$|\mathrm{\&omega;}\left(k\right)-\frac{1}{m}\underset{i=k-m}{\overset{k-1}{\&Sigma;}}\mathrm{\&omega;}\left(i\right)|>{\mathrm{\&Delta;\&omega;}}_{thrshld}$

其中加窗平均值包括具有轮速ω的m个样本，并且阈值为Δω_thrshld

轮速与加窗平均值之间的差大于阈值则指示轮速突然改变，这指示车轮滑移与车辆的法向加速度相反或指示车轮的减速。因此，在516处，将车轮的滑移标记并置位且控制方法返回到508。

在520处，控制方法获取估计的车速并基于当前轮速计算车速。控制方法在524处继续，在此处，如果估计的速度与计算的速度之间的差的绝对值大于阈值，则控制方法转换到516；否则，控制方法在528处继续。除非具体指出，否则本发明的控制方法中使用的阈值不必要是相同值。例如，524的阈值可以与512的阈值不同。524的测试可以表示如下：

$|\mathrm{\&omega;}\left(k\right)R_r-{\hat{v}}_x^{-}\left(k\right)|>{\mathrm{\&Delta;v}}_{thrshld}$

其中轮胎半径为R_r，车速的预估值为并且阈值为Δv_thrshld。

在528，控制方法计算能够被应用到道路而不期望产生车轮滑移的最大车轴扭矩。控制方法还获取测量的车轴扭矩。在各种实施方式中，当车轴扭矩由电动机生成时，所测量的车轴扭矩可以被容易且精确地测量。当车轴扭矩由内燃机产生时，测量的扭矩可能间接获得，并且可能需要较不敏感的阈值，这是由于最终的不精确的测量扭矩。

当来自电动机的车轴扭矩可能由于路面摩擦而大于最大扭矩时，车轮将滑移。使用后车轴为实例，车轴上的法向力为：

$F_{zr}=\frac{m(l_{f}g+{\mathrm{ha}}_x)}{l_f+l_r}$

其中F_zr是后车轴的法向力，m是车辆的总质量，α_x是车辆重心(CG)的加速度，l_f和l_r分别是CG与前车轴和后车轴之间的距离，h是CG的高度(到地面)，并且g是重力加速度。

在所有车轮旋转时，路面摩擦的最大值(μ_max)可以被假设为：

${\mathrm{\&mu;}}_{\max }=\frac{{\stackrel{\&CenterDot;}{v}}_x}{g}$

接着，最大车轴扭矩为：

T_rmax＝μ_maxF_zrR_r

其中R_r是车轮半径。当测量的后车轴扭矩T_r大于T_rmax时，车轮经过峰值摩擦并且预期车轮将滑移。

控制方法在532处继续，在此处，如果扭矩标记被置位(例如，等于1)，则控制方法转换到536；否则控制方法转换到540。在536处，已经确定超量扭矩造成的车轮滑移状况，并且测试状况，以确定由于超量扭矩导致的车轮滑移是否已经结束。因此，如果轮速减去轮速的先前值小于第二阈值，则控制方法转换到544；否则，滑移状态仍然存在并且控制方法转换到516。先前轮速可以是轮速的前一测量结果或可以是在当前测量轮速之前的特定数量样本(或时间长度上)的轮速。这种状况可以表示为：

ω(k)-ω(k-m)＜Δω₂

其中ω(k)和ω(k-m)分别是离散时间步k时的轮速测量结果和k之前的离散时间步m个时间步时的轮速测量结果，并且Δω₂是第二阈值(其可以被称为扭矩滑移重置阈值)。

在544处，当前轮速已经从先前轮速减小超过阈值，并因此确定滑移事件已经过去并且扭矩标记被设置为零。控制方法接着在540处继续。在540处，控制方法确定测量的车轴扭矩是否大于计算的最大车轴扭矩。如果是，控制方法转换到548；否则，控制方法转换到552。

在548处，计时器以预定值开始，并且计时器从预定值向下计数到零。计时器允许轮速增加，这发生在超量扭矩状况被确定为车轮滑移之后的预定值的时间内。接着控制方法在552处继续。

在552处，如果倒计时器大于零，则控制方法转换到556；否则控制方法转换到560。在556处，倒计时器大于零，意味着超量扭矩状况最近已经发生。因此，如果当前轮速减去先前轮速大于第一阈值，则认为是车轮滑移已经由超量扭矩造成的指示，并且控制方法转换到554；否则，控制方法转换到560。这种状况能够表示为：

ω(k)-ω(k-m)＞Δω₁

其中ω(k)和ω(k-m)分别是离散时间步k时的轮速测量结果和k之前的离散时间步m个时间步时的轮速测量结果，并且Δω₁是第一阈值(其可以被称为扭矩滑移开始阈值)。

在564处，扭矩标记被设置为等于1并且控制方法转换到516，在此处，针对该车轮重置滑移标记。在560处，三个先前状况都没有指示满足车轮滑移，因此，该车轮的滑移标记被清零。接着控制方法返回到508。在各种实施方式中，图6中所述的三种测试可以单独实现和/或相互异步执行。进一步，每种测试可以以不同周期执行，这可以取决于相关测量执行的频率。

在图7中，示出最佳车轮选择的示例性操作。控制方法在604处开始，在此处，如果车辆正以牵引模式运行，则控制方法转换到608；否则控制方法转换到612。在612处，控制方法不处于牵引模式，因此处于制动模式。在制动模式下，滑移的车轮趋于比非滑移的车轮具有更低的轮速。结果，具有最大速度的有效车轮被选择为最佳轮速。有效车轮包括其滑移标记没有被置位的车轮。然而，如果所有车轮的滑移标记都被置位，则认为所有的车轮都被选择。控制方法接着在616处继续，在此处，选择的轮速被输出。此外，与所选车轮相关联的滑移标记被输出。

控制方法在620处继续，在此处，如果驱动模式发生变化，则控制方法转换到624；否则，控制方法返回到604。如果驱动模式从牵引模式已经改变到制动模式，或反之亦然，则先前选择的最佳车轮仍然是最佳车轮。在这种转变上从具有最大轮速的车轮切换到具有最小轮速的车轮可能导致控制不稳定。在624处，如果最佳车轮滑移标记没有被置位，则控制方法转换到628，在此处，先前选择的最佳车轮被再次选择并且控制方法在616处继续。否则，如果在624处，所选最佳车轮的滑移标记被置位，则控制方法返回到604，在此处，重新评估最佳车轮。

在608处，控制方法确定制动是否启动。如果是，则控制方法转换到632；否则，控制方法转换到636。在632处，具有最小轮速的车轮被选为最佳车轮，并且控制方法转换到616。在636处，如果离合器打开(例如，当内燃机没有驱动地耦合到前车轮)，则控制方法转换到640；否则，控制方法转换到644。尽管图7的示例性控制方法描述前车轮由内燃机驱动并且后车轮由电动机驱动，但这些角色可以反转。此外，如上文描述的，电动机或发动机可以用于驱动前车轮和后车轮。

在640处，制动没有被施加到车轮，并且扭矩没有被施加到前车轮；因此，一个前车轮可以被选为最佳车轮。最佳车轮可以被选为两个前车轮的集合，并且最佳车轮可以通过求取前车轮的速度的平均值来确定。这可以降低横向运动(横摆)和测量噪声的影响。控制方法接着在648处继续，在此处，集合车轮的滑移标记被设置为0。控制方法接着在616处继续。

返回到644，如果后车轴扭矩小于阈值，则控制方法转换到652；否则，控制方法转换到632。在652处，很少或没有扭矩被施加到后车轮，因此后车轮的速度是最佳轮速的候选。类似于640，最佳轮速可以通过求取两个后车轮的速度的平均值来确定。接着控制方法在648处继续。

前述描述本质上仅是示意说明并且决不旨在限制本发明、其应用或用途。本发明的宽泛教导能够以各种形式实现。因此，尽管本发明包括具体实例，但本发明的实际范围应当不限于此，因为在研究本发明的附图、说明书和下列权利要求书之后，另一些修改将变得明显。如本文使用的，短语A、B和C中的至少一个应当被构造为，使用非排它逻辑“或”，表示逻辑(A或B或C)，并且不应当被构造为表示“A中的至少一个、B中的至少一个和C中的至少一个”。应当理解，方法中的一个或多个步骤可以以不同顺序执行(或同时执行)而不改变本发明的原理。

在本申请中，包括下列定义，术语“模块”或术语“控制器”可以用术语“电路”代替。术语“模块”可以指代，下列项的部分或包括下列项：专用集成电路(ASIC)；数字、模拟或混合模拟/模拟分立电路；数字、模拟或混合模拟/数字集成电路；组合逻辑电路；现场可编程门阵列(FPGA)；执行代码的处理器电路(共享、专用或组)；存储由处理器电路执行的代码的存储器电路(共享、专用或组)；提供所述功能的其它合适硬件组件；或上述一些或所有的组合，如在片上系统中。

模块可以包括一个或多个接口电路。在一些实例中，接口电路可以包括有线或无线接口，它们被连接至局域网(LAN)、互联网、广域网(WAN)或其组合。本发明的给定模块的功能可以分布到经由接口电路连接的多个模块上。例如，多个模块可以允许负载平衡。在进一步实例中，服务器(也被称为远程或云)模块可以实现客户端模块的一些功能。

如上文所用的术语“代码”可以包括软件、固件和/或微代码，并且可以表示程序、例程、功能、分类、数据结构和/或对象。术语“共享处理器电路”包含执行多个模块的一些或全部代码的单个处理器电路。术语“组处理器电路”包含与附加处理器电路组合执行一个或多个模块的一些或全部代码的处理器电路。参考多个处理器电路包含分立芯片上的多个处理器电路、单个芯片上的多个处理器电路、单个处理器电路的多个核、单个处理器电路的多线程或上述组合。术语“共享存储器电路”包含存储多个模块的一些或全部代码的单个存储器电路。术语“组存储器电路”包含与附加存储器结合，存储一个或更多模块的一些或全部代码的存储电路。

术语“存储器电路”是术语“计算机可读介质”的子集。术语“计算机可读介质”(如本文使用)不包含通过介质(例如，载波)传播的暂时电信号或电磁信号；因此，可以认为术语“计算机可读介质”是有形且非暂时性的。非暂时性有形计算机可读介质的非限制性实例包括非易失性存储器电路(例如，闪存电路或掩膜只读存储器电路)、易失性存储器电路(例如，静态随机存取存储器电路和动态随机存取存储器电路)和辅助存储装置，例如，磁存储装置(例如，磁带或硬盘驱动器)和光存储装置。

本申请中描述的装置和方法可以由通过配置通用计算机以执行以计算机程序体现的一个或更多具体功能而创建的专用计算机部分或全部实现。计算机程序包括处理器可执行指令，它们存储在至少一个非临时性有形计算机可读介质上。计算机程序还可以包括或依赖于所存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)；与专用计算机的具体装置交互的装置驱动器；一个或更多操作系统、用户应用程序、背景服务和应用程序等。

计算机程序可以包括：(i)组件代码；(ii)编译器从源代码生成的对象代码；(iii)解译器执行的源代码；(iv)准时编译器编译和执行的源代码；(v)用于解析的描述性文本，例如，HTML(超文本标示语言)或XML(可延伸标示语言)等。仅举例说明，源代码可以用C、C++、C#、对象C、Haskell、Go、SQL、Lisp、ASP、Perl、HTML5、Ada、ASP(动态服务器页面)、Perl、Scala、Erlang、Ruby、VisualLua或者

权利要求书中描述的所有元素在美国法典第35章第112(f)节的含义内都并不旨在是装置加功能元素，除非使用短语“用于......的装置”具体描述，或在使用短语“用于......的操作”或“用于......的步骤”的方法权利要求的情况中。

Claims (20)

1.一种用于估计正在纵向延伸的路面上运行的车辆的纵向速度的方法，所述车辆具有多个车轮，所述多个车轮包括第一组车轮和第二组车轮，所述第一组车轮与所述第二组车轮沿着所述车辆的纵轴间隔开，所述车辆的纵向速度平行于所述车辆的纵轴，并且所述路面具有与所述路面的高程随所述车辆沿着所述路面行驶而发生的变化相关联的坡度，所述方法包括：

获得车辆加速度的测量值，其中当所述路面的坡度为非零时，所述车辆加速度的测量值基于:(i)所述车辆的纵向加速度以及(ii)所述车辆的垂直加速度，其中所述车辆的纵向加速度是所述车辆在平行于所述车辆的纵轴的方向上的加速度；

确定所述路面的坡度的初始估计值；

确定所述路面的坡度的初始估计值与所述路面的坡度的在先估计值之间的差；

基于所述差的大小，将所述路面的坡度的当前估计值设置为等于下列项中的一个：(i)所述路面的坡度的初始估计值和(ii)基于所述路面的坡度的在先估计值的值；

基于(i)所述路面的坡度的当前估计值和(ii)所述车辆加速度的测量值，估计所述车辆的纵向速度；以及

基于所估计的所述车辆的纵向速度，控制所述多个车轮中的至少一个车轮。

2.根据权利要求1所述的方法，其中估计所述车辆的纵向速度进一步基于所述多个车轮中的选定车轮的转速来执行。

3.根据权利要求2所述的方法，进一步包括基于所述车辆的运行状态，从所述多个车轮中选择所述选定车轮，其中所述运行状态包括制动模式和牵引模式。

4.根据权利要求3所述的方法，其中，响应于所述运行状态为所述制动模式，所述选择包括识别所述多个车轮的最大速度并将具有所述最大速度的车轮设置为所述选定车轮。

5.根据权利要求4所述的方法，其中：

确定所述路面的坡度的初始估计值包括使用卡尔曼滤波器；并且

所述方法进一步包括，响应于所述运行状态为所述制动模式：

确定所述选定车轮相对于所述路面的车轮滑移值，以及

仅响应于所述车轮滑移值超过预定阈值，将所述卡尔曼滤波器的增益值设置为预定值。

6.根据权利要求5所述的方法，其中所述预定值为0。

7.根据权利要求3所述的方法，其中响应于所述运行状态为所述牵引模式，所述选择包括识别所述多个车轮的最小速度并将具有所述最小速度的车轮设置为所述选定车轮。

8.根据权利要求7所述的方法，其中：

确定所述路面的坡度的初始估计值包括使用卡尔曼滤波器；并且

所述方法进一步包括，响应于所述运行状态为所述牵引模式：

确定所述选定车轮相对于所述路面的车轮滑移值，以及

仅响应于所述车轮滑移值大于预定阈值，将所述卡尔曼滤波器的增益值设置为预定值。

9.根据权利要求8所述的方法，其中所述预定值为0。

10.根据权利要求3所述的方法，其中：

所述第一组车轮在全部时间上都被驱动；

至少一个离合器被配置为在第一状态和第二状态中的一个状态下运行；

所述至少一个离合器仅在所述第一状态下运行时，将旋转动力传输到所述第二组车轮；并且

所述方法进一步包括，响应于所述运行状态为所述牵引模式：

当所述至少一个离合器在所述第二状态下运行时，通过求取所述第一组车轮中的车轮的转速的平均值，确定代表性转速；以及

当所述至少一个离合器在所述第一状态下运行时：

确定传输到所述第二组车轮的所述旋转动力是否大于预定阈值；

响应于所述旋转动力小于所述预定阈值，通过求取所述第二组车轮中的车轮的转速的平均值，确定所述代表性转速，以及

响应于所述旋转动力大于所述预定阈值，(i)识别所述多个车轮的最小速度，(ii)将具有所述最小速度的车轮设置为所述选定车轮，以及(ii)基于所述选定车轮的转速确定所述代表性转速。

11.根据权利要求10所述的方法，其中：

确定所述路面的坡度的初始估计值包括使用卡尔曼滤波器；并且

所述方法进一步包括，响应于所述运行状态为所述牵引模式：

基于所述代表性转速，确定相对于所述路面的滑移值；以及

仅响应于所述滑移值大于预定阈值，将所述卡尔曼滤波器的增益值设置为预定值。

12.根据权利要求11所述的方法，其中所述预定值为0。

13.根据权利要求3所述方法，进一步包括：

确定所述车辆的运行状态自所述车辆的纵向速度的前一估计之后是否已改变；并且

响应于所述车辆的运行状态已经改变：

将所述选定车轮设置为与所述前一估计中的选定车轮相同，以及

将所述选定车轮的滑移状况设置为等于所述前一估计中的滑移状况。

14.根据权利要求3所述的方法，进一步包括：

响应于所述第一组车轮和所述第二组车轮中的车轮的转速的平均值低于预定轮速阈值，使用初始值零，确定坡度补偿的加速度的积分；

响应于所述坡度补偿的加速度的积分为负，将所述选定车轮的轮速识别为负；以及

响应于所述坡度补偿的加速度的积分为正，将所述选定车轮的轮速识别为正。

15.根据权利要求1所述的方法，其中设置所述路面的坡度的当前估计值包括：

响应于所述差的绝对值小于或等于预定阈值，将所述路面的坡度的当前估计值设置为等于所述路面的坡度的初始估计值；以及

响应于所述差的绝对值大于所述预定阈值，将所述路面的坡度的当前估计值设置为等于所述路面的坡度的在先估计值。

16.根据权利要求1所述的方法，其中所述第一组车轮和所述第二组车轮中的每组车轮包括两个车轮。

17.根据权利要求1所述的方法，其中所述第一组车轮由第一动力源驱动。

18.根据权利要求17所述的方法，其中所述第二组车轮选择性地由第二动力源驱动。

19.根据权利要求18所述的方法，其中所述第一动力源是内燃机，并且其中所述第二动力源是电动机。

20.一种用于估计正在纵向延伸的路面上运行的车辆的纵向速度的方法，所述车辆具有多个车轮，所述多个车轮包括第一组车轮和第二组车轮，所述第一组车轮与所述第二组车轮沿着所述车辆的纵轴间隔开，所述车辆的纵向速度平行于所述车辆的纵轴，并且所述路面具有与所述路面的高程随所述车辆沿着所述路面行驶而发生的变化相关联的坡度，所述方法包括：

获得车辆加速度的测量值，其中当所述路面的坡度为非零时，所述车辆加速度的测量值基于：(i)所述车辆的纵向加速度以及(ii)所述车辆的垂直加速度，其中所述车辆的纵向加速度是所述车辆在平行于所述车辆的纵轴的方向上的加速度；

确定所述路面的坡度的初始估计值；

确定所述路面的坡度的初始估计值与所述路面的坡度的在先估计值之间的差；

针对所述多个车轮中的每个车轮，确定该车轮相对于所述路面的车轮滑移值；

响应于全部所述车轮滑移值大于预定阈值，将所述路面的坡度的当前估计值设置为等于所述路面的坡度的在先估计值；

响应于所述车轮滑移值中的至少一个小于或等于所述预定阈值，将所述路面的坡度的当前估计值设置为等于所述路面的坡度的初始估计值；

基于(i)所述路面的坡度的当前估计值和(ii)所述车辆加速度的测量值，估计所述车辆的纵向速度；以及

基于所述车辆的纵向速度，控制所述多个车轮中的至少一个车轮。