CN107901912B - 基于车辆数据确定道路表面的方法 - Google Patents

基于车辆数据确定道路表面的方法 Download PDF

Info

Publication number
CN107901912B
CN107901912B CN201710052987.5A CN201710052987A CN107901912B CN 107901912 B CN107901912 B CN 107901912B CN 201710052987 A CN201710052987 A CN 201710052987A CN 107901912 B CN107901912 B CN 107901912B
Authority
CN
China
Prior art keywords
vehicle
road surface
inference model
case
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710052987.5A
Other languages
English (en)
Other versions
CN107901912A (zh
Inventor
金时浚
徐海珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyundai Motor Co
Original Assignee
Hyundai Motor Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hyundai Motor Co filed Critical Hyundai Motor Co
Publication of CN107901912A publication Critical patent/CN107901912A/zh
Application granted granted Critical
Publication of CN107901912B publication Critical patent/CN107901912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/02—Control of vehicle driving stability
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0018—Method for the design of a control system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/26—Wheel slip
    • B60W2520/263—Slip values between front and rear axle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/40—Coefficient of friction

Abstract

本发明提供了一种基于车辆数据并通过控制器确定道路表面的方法，所述方法包括：将车辆的行驶状况分类为多种情况；根据这些情况的特征将学习逻辑应用于每种分类情况，并且为每种情况构建推理模型；以及基于每种情况的推理模型，确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。

Description

基于车辆数据确定道路表面的方法
相关申请的交叉引用
本申请基于并要求于2016年10月4日向韩国知识产权局提交的申请号为10-2016-0127658的韩国专利申请的优先权的权益，其公开内容通过引用而整体并入本文。
技术领域
本发明涉及一种基于车辆数据确定道路表面的方法。
背景技术
为了保护驾驶员的安全，车辆已经装备有各种人性化的系统，例如防抱死制动系统(ABS)、电子稳定控制(ESC)系统、智能巡航控制(SCC)系统、以及高级驾驶员辅助系统(ADAS)。
为了最佳性能，这些人性化的系统可以通过考虑道路表面状况来控制车辆的运动。这里，道路表面状况是指诸如干沥青柏油路和干水泥路的高摩擦道路表面，和诸如雨天路、雪路和泥土路的低摩擦道路表面。
常规地，存在一种基于诸如车轮速度、发动机扭矩和车辆速度的动力学数据来确定道路表面是高摩擦道路表面还是低摩擦道路表面的方法，以及一种基于来自诸如道路表面指向性超声传感器和麦克风的各种传感器的数据来确定道路表面是高摩擦道路表面还是低摩擦道路表面的方法。
首先，基于动力学数据确定道路表面的方法根据车辆滑动现象确定道路表面是高摩擦道路表面还是低摩擦道路表面。因此，当车辆在没有快速加速或减速的特定模式的道路上行驶时，将难以确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。
第二，基于来自道路表面指向性超声传感器的数据确定道路表面的方法需要额外安装传感器，导致车辆生产成本增加。
发明内容
本发明涉及一种基于车辆数据确定道路表面的方法，并且特别的实施例中，涉及一种基于从车载网络获得的车辆数据确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面的技术。
根据本发明的示例性实施例的车载网络包括控制器局域网(CAN)、局域互连网(LIN)、FlexRay和面向媒体的系统传输(MOST)。
本发明的一个方面提供了一种基于车辆数据确定道路表面的方法，其通过将车辆的行驶状况分类成预定的情况，根据这些情况的特征将学习逻辑应用于每种情况，以便为每种情况构建推理模型，并且基于每种情况的推理模型来确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面，从而不管道路类型如何，都能快速且准确地确定道路表面状况。
从本发明的示例性实施例中将更清楚地理解本发明的构思。另外，显而易见的是，可以通过权利要求中要求保护的元件和特征及其组合来实现本发明的优点。
根据本发明的一个方面，一种基于车辆数据并通过控制器确定道路表面的方法包括：将车辆的行驶状况分类成多种情况；根据这些情况的特征将学习逻辑(learninglogic)应用于每个分类的情况，并且为每种情况构建推理模型；以及基于每种情况的推理模型，确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。
附图说明
结合附图，在下面详细的描述中，本发明的上述和其它目的、特征和优点将更加明显：
图1示出基于车辆的操作者的操作和由此引起的车辆的运动之间的关系来构建推理模型的过程的框图；
图2示出根据本发明的示例性实施例的输入单元和预处理单元的配置的框图；
图3示出根据本发明的示例性实施例的时间窗缓冲区(time winder buffer)的配置的框图；
图4示出根据本发明的示例性实施例的基于每种情况的推理模型确定道路表面的过程的框图；
图5示出根据本发明的示例性实施例的逻辑运算单元的功能的框图；和
图6示出根据本发明的示例性实施例的基于车辆数据确定道路表面的方法的流程图。
附图中的元件的符号
10：输入单元
20：预处理单元
30：行驶状况确定单元
40：推理模型构建单元
21：第一预处理器
22：第二预处理器
40：推理模型构建单元
10：输入单元
50：逻辑运算单元
60：合并单元
70：后处理单元
80：道路表面确定单元
601：将车辆的行驶状况分类为多种情况
602：根据情况的特征将学习逻辑应用于每种分类情况，并根据每种情况构建推理模型
603：基于每种情况的推理模型，确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面
具体实施方式
结合附图，在下面详细的描述中，将更清楚地理解本发明的上述和其它目的、特征和优点，使得本发明所属领域的技术人员能够容易地实现本文所述的技术思想。另外，将排除与本发明相关联的公知技术的详细描述，以免不必要地模糊本发明的要点。在下文中，将参照附图详细描述本发明的示例性实施例。
图1示出基于车辆的操作者的操作和由此引起的车辆的运动之间的关系来构建推理模型的过程的框图，并且还涉及到执行该过程的控制器(处理器)的功能块。
如图1所示，根据本发明的示例性实施例，用于构建推理模型的控制器包括输入单元10、预处理单元20、行驶状况确定单元30和推理模型构建单元40。
对于上述的每个元件，首先，输入单元10可以接收由车辆的操作者操作产生的数据(以下也称为“操作者的操作数据”)和与由操作者的操作引起的车辆的运动相关的数据(以下也称为“车辆运动数据”)。这里，操作者的操作是指车辆的横向操作和纵向操作两者，并且包括车辆的转向、加速以及减速。此外，车辆的运动包括横向运动和纵向运动。
如图2所示，输入单元10包括检测操作者的操作数据的致动器11和检测车辆运动数据的传感器12。
例如，操作者的操作数据包括转向角、纵向加速和减速(制动)，以及车辆运动数据包括纵向加速度传感器(LAS)数据、车轮速度传感器(WSS)数据、加速踏板位置传感器(APS)数据、方向盘转角传感器(SAS)数据、横摆角速度传感器(YRS)数据以及速度数据。
另外，输入单元10还包括用户输入装置(HMI INPUT)以接收来自用户的各种信息或指令。
预处理单元20可将如图3所示的预定大小的时间窗缓冲区应用于从致动器11输出的操作者的操作数据(原始数据)和从传感器12输出的车辆运动数据(原始数据)以提取各个窗口的要素(components)，并以预定时间间隔计算数据特征值。计算的数据值可用于学习。
这里，数据特征值包括平均值、中值、标准偏差、微分值、积分值、相关值、快速傅立叶变换(FFT)值和频率转换值。例如，预处理单元20可基于时间窗计算前轮速度和后轮速度之间的差的方差、车轮加速度、车轮加速度的方差和车轮速度平均值。
预处理单元20包括第一预处理器21，其通过将预定大小的时间窗缓冲区(timewindow buffer)应用于操作者的操作数据来计算数据特征值，和第二预处理器22，其通过将预定大小的时间窗缓冲区应用于车辆运动数据来计算数据特征值。
同时，预处理单元20可执行以下功能：
1)可计算50个LAS数据(值)的标准偏差LAS_Std。
2)可针对通过从前轮的平均速度减去后轮的平均速度而获得的50个值来计算标准偏差FR_Diff_Std。换句话说，在从前轮的平均速度减去后轮的平均速度的计算可能进行50次之后，可计算50个结果值的标准偏差。这里，前轮包括左前轮和右前轮，以及后轮包括左后轮和右后轮。
3)可以针对通过从右轮的平均速度减去左轮的平均速度而获得的50个值来计算标准偏差LR_Diff_Std。这里，右轮包括右前轮和右后轮，以及左轮包括左前轮和左后轮。
4)可以计算50个APS数据(值)的平均值APS_Avg。
5)可以计算APS数据的50个微分值的总和APS_Diff(通过从当前APS值中减去先前的APS值而获得的50个结果值)。
6)可以计算SAS数据的50个微分值的总和SAS_Diff(通过从当前SAS值中减去先前的SAS值而获得的50个结果值)。
7)可以计算50个SAS数据(值)的平均值SAS_Avg。
行驶状况确定单元30可以基于车辆运动数据确定车辆的行驶状况。换句话说，可以基于车辆速度来确定车辆的当前行驶状况是否为正常行驶、加速行驶还是减速行驶。
在下文中，将参考下面的表1描述行驶状况确定单元30的功能。
表1
Figure BDA0001216221490000061
在表1中，“高速”是指车辆的速度超过55KPH的情况，“低速”是指车辆的速度小于55KPH的情况，“强力加速”是指车辆的速度以每秒3KPH增加的情况，“轻微加速”是指车辆的速度以每秒1KPH增加的情况，“恒定速度”是指车辆的速度在预定范围(-0.5-0.5KPH)内变化的情况，“电源关闭”是指车辆的速度以每秒0.5KPH降低的情况，“慢速制动”是指重力加速度超过-0.6g的情况，“快速制动”是指重力加速度小于或等于-0.6g的情况，以及“快速加速”是指APS数据值是最大值的情况。
因此，情况1表示在车辆高速行驶的状态下出现强力加速，情况2表示在车辆高速行驶的状态下出现轻微加速，情况3表示在车辆高速行驶的状态下出现恒定速度，情况4表示在车辆高速行驶的状态下出现电源关闭，情况5表示在车辆低速行驶的状态下出现强力加速，情况6表示在车辆低速行驶的状态下出现轻微加速，情况7表示在车辆低速行驶的状态下出现恒定速度，情况8表示在车辆低速行驶的状态下出现电源关闭，情况9表示不论车辆是高速行驶或低速行驶的状态都出现缓慢制动，情况10表示不论车辆是高速行驶或低速行驶的状态都出现快速制动，以及情况11表示不论车辆是高速行驶或低速行驶的状态都出现快速加速。
这里，正常行驶状况包括情况2、情况3、情况6和情况7，加速行驶状况包括情况1、情况5和情况11，以及减速行驶状况包括情况4、情况8、情况9和情况10。
推理模型构建单元40可以是用于离线学习的模块，并且可以利用与由行驶状况确定单元30确定的行驶状况相对应的学习逻辑来构建推理模型。
换句话说，推理模型构建单元40可以通过以下方式来学习该学习逻辑：将作为该学习逻辑的复杂树(complex tree)应用于正常行驶状况、将作为该学习逻辑的支持向量机(SVM)技术应用于加速行驶状况、以及将作为该学习逻辑的监督式学习神经网络技术应用于减速行驶状况。这是将优化的学习逻辑应用于相应的行驶状况。
例如，推理模型构建单元40可以使用横向运动数据(例如，使用SAS数据和YRS数据计算的方向角变化)和纵向运动数据(例如，APS数据，以及前轮速度和后轮速度之间的差的方差)来学习复杂树的学习逻辑。
另外，推理模型构建单元40可以计算车轮速度平均值的变化中的高频能量(通过频率变换)，并且执行与车轮加速和APS数据匹配的2D映射。
另外，推理模型构建单元40可以利用车辆速度、纵向加速度以及纵向加速度的方差来学习神经网络技术的学习逻辑。
同时，推理模型构建单元40可以接收标记信息41，该标记信息告知被输入用于学习的数据是高摩擦道路表面还是低摩擦道路表面。推理模型构建单元40可以通过在多个高摩擦道路或多个低摩擦道路上执行多次学习过程来生成更高质量的推理模型。
每种情况的推理模型可应用于车辆并用于确定低摩擦道路表面。在下文中，将参考图4描述基于每种情况的推理模型来确定道路表面的过程。
图4示出基于每种情况的推理模型来确定道路表面的过程的框图，并且还涉及到执行该过程的控制器(处理器)的功能块。
如图4所示，根据本发明的示例性实施例，基于每种情况的推理模型确定道路表面的控制器包括输入单元10、预处理单元20、行驶状况确定单元30、逻辑运算单元50、合并单元60、后处理单元70和道路表面确定单元80。
由于输入单元10、预处理单元20和行驶状况确定单元30执行与构建推理模型的过程中描述的功能相同的功能，因此下面将描述其他元件。
逻辑运算单元50可确定与由行驶状况确定单元30确定的特定行驶状况相对应的推理模型。
逻辑运算单元50可从来自输入单元10的数据和来自预处理单元20的数据中提取与所确定的推理模型相对应的数据，将提取的数据输入到推理模型以获得结果值。这里，结果值在表示高摩擦道路表面的值(例如，0)和表示低摩擦道路表面的值(例如，1)之间。
换句话说，逻辑运算单元50可利用通过将复杂树应用于与正常行驶状况相对应的情况而生成的第一推理模型，可利用通过将SVM技术应用于与加速行驶状况相对应的情况而生成的第二推理模型，并且可利用通过将神经网络技术应用于与减速行驶状况相对应的情况而生成的第三推理模型。
参照图5，将详细描述逻辑运算单元50的功能。
“510”表示当行驶状况是正常行驶状况时对与第一推理模型相应的数据输入集合A进行初级后处理(过滤)、将后处理的数据输入到第一推理模型以获得第一结果值的步骤。
“520”表示当行驶状况是加速行驶状况时对与第二推理模型相应的数据输入集合B进行第二次后处理(过滤)、将后处理的数据输入到第二推理模型以获得第二结果值的步骤。
“530”表示当行驶状况是减速行驶状况时对与第三推理模型相应的数据输入集合C进行第三次后处理(过滤)、将后处理的数据输入到第三推理模型以获得第三结果值的步骤。
这里，步骤510、520和530可在相同时间或在不同时间执行，或者可在重叠时间执行。
另外，当基于推理模型获得的结果值是发散的时候，逻辑运算单元50可将行驶状况确定为难以由学习逻辑确定的极端行驶状况(不平道路行驶)，并在步骤540中将其通知给后处理单元70。
同时，车辆的行驶状况每时每刻都在变化。换句话说，在上述十一种情况中通常存在状态转换。
因此，为了确定低摩擦道路表面，有必要按照情况发生的顺序将通过应用推理模型获得的结果值与相应的情况合并。这可以通过合并单元60执行。
例如，当发生的顺序是情况1、情况3、情况5和情况2时，结果值在情况1中是0.8、在情况3中是0.7、在情况5中是0.5、在情况2中是0.7，值0.8、0.7、0.5和0.7可以按情况1、情况3、情况5和情况2的顺序连接。如果结果值是在短时间间隔内产生的，则合并结果如图表所示。
这里，合并单元60可基于保持当前情况的时间给出加权，从而将转换时间延迟到下一种情况。这可被配置为进一步包括确定缓冲区(determination buffer)(未示出)。
例如，当在情况3保持一个预定时间的状态下突然发生情况1时(情况1并不保持一个预定时间)，合并单元60可通过确定缓冲区来延迟至情况1的过渡并保持情况3。
一般来说，行驶道路状况不会快速改变，但是基于车辆数据确定的道路表面状况可能频繁地改变，因此，需要考虑主要的趋势来确定道路表面。换句话说，需要减少由道路表面确定单元80确定的结果的频繁改变。
为此，后处理单元70可以将滞后作用(hysteresis)应用于由合并单元60合并的结果值(连续值)。
然后，道路表面确定单元80可利用应用滞后作用的结果值来确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。
换句话说，当应用滞后作用的结果值超过阈值时，道路表面确定单元80可确定道路表面为低摩擦道路表面，并且除了应用滞后作用的结果值超过阈值以外，可以确定道路表面为高摩擦道路表面。
在本发明的上述实施例中，用于构建推理模型的控制器和基于推理模型确定道路表面的控制器被设置为单独的元件。然而，也可以提供单个控制器来执行所有功能。
图6示出了根据本发明的示例性实施例的基于车辆数据确定道路表面的方法的流程图。其示出由控制器(处理器)执行的过程。
首先，在601中车辆的行驶状况可被分类为多种情况。
接下来，可以根据情况的特征将学习逻辑应用于每个分类的情况，并且可在602中构建针对每种情况的推理模型。
此后，在603中，可基于每种情况的推理模型来确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。
同时，根据本发明的示例性实施例的上述方法可被写为计算机程序。构成程序的代码和代码段可以由本领域的计算机程序员容易地推断。写成的程序可被存储在计算机可读记录介质(信息存储介质)中，并且由计算机读取和执行，从而根据本发明的示例性实施例执行该方法。记录介质包括所有类型的计算机可读记录介质。
如上所述，基于车辆数据确定道路表面的方法的特征在于将车辆的行驶状况分类为预定情况，根据情况的特征将学习逻辑应用于每种情况以为每种情况构建推理模型，并且基于每种情况的推理模型来确定车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面，从而不管道路类型都能快速且准确地确定道路表面状况。
在上文中，尽管已经参照示例性实施例和附图描述了本发明，但是本发明不限于此，而是可以由本发明所属领域的技术人员进行各种修改和改变，而不脱离本文的权利要求中要求保护的本发明的实质和范围。

Claims (10)

1.一种基于车辆数据并通过控制器确定道路表面的方法，所述方法包括：
将车辆的行驶状况分类为多种情况；
根据所述情况的特征将不同的学习逻辑应用于每种分类情况，并且针对每种分类情况来构建推理模型；以及
通过基于每种分类情况的所述推理模型来从所述车辆数据中提取与相应的推理模型相对应的数据输入集合，并且将所提取的数据输入集合输入到相应的推理模型，来确定所述车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面，所述车辆由操作者驾驶。
2.根据权利要求1所述的方法，其中，构建所述推理模型包括基于所述车辆的操作者的操作和由此引起的所述车辆的运动之间的关系来学习所述学习逻辑。
3.根据权利要求2所述的方法，其中，构建所述推理模型包括基于时间窗预处理由所述操作者的操作产生的数据和与所述车辆的运动相关的数据。
4.根据权利要求3所述的方法，其中，预处理所述数据包括计算前轮速度和后轮速度之间的差的方差、车轮加速度、车轮加速度的方差以及车轮速度平均值。
5.根据权利要求1所述的方法，其中，基于所述车辆的速度将所述情况分类为正常行驶状况、加速行驶状况和减速行驶状况。
6.根据权利要求5所述的方法，其中，当所述车辆的行驶状况是所述正常行驶状况时，构建所述推理模型包括使用复杂树作为所述学习逻辑。
7.根据权利要求5所述的方法，其中，当所述车辆的行驶状况是所述加速行驶状况时，构建所述推理模型包括使用支持向量机技术作为所述学习逻辑。
8.根据权利要求5所述的方法，其中，当所述车辆的行驶状况是所述减速行驶状况时，构建所述推理模型包括使用神经网络作为所述学习逻辑。
9.根据权利要求1所述的方法，其中，所述确定步骤包括：
按照所述情况的发生合并使用所述推理模型获得的结果值；
将滞后作用应用于合并的结果值；以及
基于应用滞后作用的所述结果值，确定所述车辆行驶的道路表面是高摩擦道路表面还是低摩擦道路表面。
10.根据权利要求9所述的方法，其中，所述合并步骤包括基于维持当前情况的时间给出加权，并且将转换时间延迟到下一种情况。
CN201710052987.5A 2016-10-04 2017-01-22 基于车辆数据确定道路表面的方法 Active CN107901912B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0127658 2016-10-04
KR1020160127658A KR101876063B1 (ko) 2016-10-04 2016-10-04 차량 데이터 기반의 노면 판단 방법

Publications (2)

Publication Number Publication Date
CN107901912A CN107901912A (zh) 2018-04-13
CN107901912B true CN107901912B (zh) 2021-07-13

Family

ID=61623707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710052987.5A Active CN107901912B (zh) 2016-10-04 2017-01-22 基于车辆数据确定道路表面的方法

Country Status (4)

Country Link
US (1) US20180095462A1 (zh)
KR (1) KR101876063B1 (zh)
CN (1) CN107901912B (zh)
DE (1) DE102017201302B4 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180345979A1 (en) * 2017-05-31 2018-12-06 GM Global Technology Operations LLC Road roughness classification
WO2020045978A1 (ko) * 2018-08-29 2020-03-05 한국과학기술원 초음파 신호를 이용한 노면 종류 추정 방법 및 장치
CN111497814A (zh) * 2019-01-29 2020-08-07 长城汽车股份有限公司 车辆控制方法及装置
KR20210106807A (ko) * 2020-02-21 2021-08-31 현대자동차주식회사 노면 분류 장치 및 이를 이용한 차량의 터레인 모드 제어 시스템
KR102436853B1 (ko) * 2020-05-07 2022-08-26 한국철도기술연구원 도로의 운행상태 분류모델 학습방법, 학습된 분류모델을 이용한 운행상태 분류 방법, 현시 방법 및 장치
KR102443716B1 (ko) * 2020-10-20 2022-09-16 한국건설기술연구원 노면 미끄럼 판단 장치 및 방법과, 노면 미끄럼 정보 제공 시스템
CN113295137A (zh) * 2021-05-21 2021-08-24 吉林大学 一种基于车辆轮速波动的道路不平度识别方法
WO2023090758A1 (ko) * 2021-11-17 2023-05-25 주식회사 모바휠 음파 신호를 이용하여 노면 종류를 추정하고 관리하는 장치 및 그 방법
WO2023112487A1 (ja) * 2021-12-16 2023-06-22 アルプスアルパイン株式会社 判定空間の作成方法、判定空間の更新方法、路面状態判定方法、判定空間作成装置および路面状態判定装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101573254A (zh) * 2006-12-27 2009-11-04 丰田自动车株式会社 节省燃耗驾驶辅助装置
CN103407451A (zh) * 2013-09-03 2013-11-27 东南大学 一种道路纵向附着系数估计方法
CN103476657A (zh) * 2012-04-18 2013-12-25 伊顿公司 用于路面摩擦系数的实时估计的方法和装置
CN103717469A (zh) * 2011-07-20 2014-04-09 株式会社普利司通 路面状态估计方法和路面状态估计设备
WO2014189059A1 (ja) * 2013-05-20 2014-11-27 株式会社デンソー 路面状態推定装置
CN104742958A (zh) * 2013-12-27 2015-07-01 现代自动车株式会社 电机驱动动力转向的调整摩擦的方法和执行该方法的装置
CN104885097A (zh) * 2012-12-19 2015-09-02 奥迪股份公司 预测性地获取车辆可行驶的表面的参数值的方法和设备
KR20160048376A (ko) * 2014-10-24 2016-05-04 현대자동차주식회사 노면마찰계수 측정 장치 및 방법
CN105564435A (zh) * 2014-10-31 2016-05-11 通用汽车环球科技运作有限责任公司 用于车辆的表面估计
WO2016139648A1 (en) * 2015-03-05 2016-09-09 Energica Motor Company S.R.L. Electric motorcycle with wheel anti-lock system

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3435625B2 (ja) * 1997-06-27 2003-08-11 株式会社豊田中央研究所 路面状態演算装置
JP3539722B2 (ja) 2000-11-16 2004-07-07 富士重工業株式会社 車両の路面摩擦係数推定装置
JP4093076B2 (ja) * 2003-02-19 2008-05-28 富士重工業株式会社 車両運動モデルの生成装置および車両運動モデルの生成方法
JP5096725B2 (ja) * 2006-11-01 2012-12-12 富士重工業株式会社 車両の路面摩擦係数推定装置
DE102006054805B4 (de) * 2006-11-21 2009-11-26 Continental Automotive Gmbh Verfahren und Vorrichtung zum Schätzen einer Reibkennzahl
CN101825510B (zh) * 2010-05-17 2011-05-25 北京航空航天大学 一种汽车制动压力和路面峰值附着系数估计方法
KR101191151B1 (ko) * 2010-05-19 2012-10-15 국방과학연구소 지형 분류 장치 및 그 방법
CN101983881B (zh) * 2010-10-18 2012-03-28 吉林大学 一种基于制动距离的载货汽车安全状态预警的方法
CN103434511B (zh) * 2013-09-17 2016-03-30 东南大学 一种车速与道路附着系数的联合估计方法
US8983749B1 (en) * 2013-10-24 2015-03-17 The Goodyear Tire & Rubber Company Road friction estimation system and method
KR101551701B1 (ko) * 2013-12-18 2015-09-10 국방과학연구소 무인자율차량 및 이의 동적환경기반 자율주행방법
JP6469982B2 (ja) * 2014-07-15 2019-02-13 株式会社Ｓｕｂａｒｕ 車両の制御装置及び車両の制御方法
CN104442830B (zh) * 2014-11-05 2016-10-19 山东省计算中心（国家超级计算济南中心） 四轮转向/驱动车辆的速度估计和摩擦辨识方法
US9340211B1 (en) * 2014-12-03 2016-05-17 The Goodyear Tire & Rubber Company Intelligent tire-based road friction estimation system and method
KR102137213B1 (ko) * 2015-11-16 2020-08-13 삼성전자 주식회사 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101573254A (zh) * 2006-12-27 2009-11-04 丰田自动车株式会社 节省燃耗驾驶辅助装置
CN103717469A (zh) * 2011-07-20 2014-04-09 株式会社普利司通 路面状态估计方法和路面状态估计设备
CN103476657A (zh) * 2012-04-18 2013-12-25 伊顿公司 用于路面摩擦系数的实时估计的方法和装置
CN104885097A (zh) * 2012-12-19 2015-09-02 奥迪股份公司 预测性地获取车辆可行驶的表面的参数值的方法和设备
WO2014189059A1 (ja) * 2013-05-20 2014-11-27 株式会社デンソー 路面状態推定装置
CN103407451A (zh) * 2013-09-03 2013-11-27 东南大学 一种道路纵向附着系数估计方法
CN104742958A (zh) * 2013-12-27 2015-07-01 现代自动车株式会社 电机驱动动力转向的调整摩擦的方法和执行该方法的装置
KR20160048376A (ko) * 2014-10-24 2016-05-04 현대자동차주식회사 노면마찰계수 측정 장치 및 방법
CN105564435A (zh) * 2014-10-31 2016-05-11 通用汽车环球科技运作有限责任公司 用于车辆的表面估计
WO2016139648A1 (en) * 2015-03-05 2016-09-09 Energica Motor Company S.R.L. Electric motorcycle with wheel anti-lock system

Also Published As

Publication number Publication date
DE102017201302B4 (de) 2024-02-08
CN107901912A (zh) 2018-04-13
DE102017201302A1 (de) 2018-04-05
KR20180037468A (ko) 2018-04-12
KR101876063B1 (ko) 2018-07-06
US20180095462A1 (en) 2018-04-05

Similar Documents

Publication Publication Date Title
CN107901912B (zh) 基于车辆数据确定道路表面的方法
CN107415945B (zh) 用于评估车道换道的自动驱动系统及其使用方法
CN105083281B (zh) 车辆避撞装置和方法
CN109131312B (zh) 一种智能电动汽车acc/esc集成控制系统及其方法
CN107406077B (zh) 控制车队中的车辆之间间隙的方法
Aly et al. An antilock-braking systems (ABS) control: A technical review
CN103407451B (zh) 一种道路纵向附着系数估计方法
CN110775034B (zh) 一种自动刹车辅助系统控制方法、终端设备及存储介质
US9308797B2 (en) Suspension control system and method thereof
US20210171050A1 (en) System for evaluating vehicle performance
JP2013539572A (ja) 運転者インタフェースタスクを管理する方法、及び、車両
US8041491B2 (en) Reconfigurable structure method of estimating vehicle lateral velocity
Milanés et al. Vision-based active safety system for automatic stopping
JPWO2020066646A1 (ja) 走行制御装置、車両及び走行制御方法
CN107891866B (zh) 基于车辆数据确定路面的方法
WO2019109691A1 (zh) 用于控制车辆行驶的装置、方法及处理器可读存储介质
Bae et al. Partial and full braking algorithm according to time-to-collision for both safety and ride comfort in an autonomous vehicle
CN108569288B (zh) 一种汽车危险工况的界定与避撞控制方法
CN114762012A (zh) 用于识别转向的对象的方法和系统
WO2023212001A1 (en) Method and system for tire-road friction coefficient estimation
CN114829219A (zh) 用于为车辆提供肯定决策信号的方法
CN107719373B (zh) 用于估计路面摩擦的方法和系统
Sen et al. Estimation of tire slip-angles for vehicle stability control using Kalman filtering approach
JP2020019314A (ja) 衝突時制御装置
Hong et al. An interacting multiple-model-based algorithm for driver behavior characterization using handling risk

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant