CN108622101A - 一种汽车转向工况下的路面附着系数估计方法 - Google Patents

Abstract

本发明公开了一种汽车转向工况下的路面附着系数估计方法，结合传感器测量数据与整车2自由度模型，通过扩展卡尔曼滤波器计算出汽车的纵向速度和侧向速度，采用BP神经网络结构实时估算路面附着系数，并采用遗传算法对神经网络各个节点的加权值进行优化，可以较为准确的估算出转向工况下的路面附着系数，为整车稳定性控制提供了基础。

Description

一种汽车转向工况下的路面附着系数估计方法

技术领域

本发明涉及汽车操纵稳定性控制领域，尤其是涉及一种汽车在转向工况下的路面附着系数估计方法。

背景技术

路面附着系数估计是汽车稳定控制系统控制策略得以实现的基础，如果能够实时估算出路面附着系数，汽车稳定控制系统就可以根据当前路况调节控制策略，提高车辆的安全性。

目前对于路面附着系数估计方法的研究主要集中于汽车的制动工况，但汽车稳定控制系统一般在转向工况下工作，此时一般没有高强度的制动操作，且需要较准确的路面附着系数估计，因此研究针对转向工况下的路面附着系数估计方法具有较重要的意义。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种准确率较高的汽车转向工况下的路面附着系数估计方法。

本发明为解决上述技术问题采用以下技术方案：

一种汽车转向工况下的路面附着系数估计方法，具体包含如下步骤：

步骤1)，建立汽车的二自由度整车模型，并实时测得汽车的横摆角速度、汽车纵向加速度和汽车侧向加速度；

步骤2)，根据横摆角速度、汽车纵向加速度、汽车侧向加速度信号以及汽车的二自由度整车模型，计算车辆的纵向车速估计值v_xa和侧向车速估计值v_ya：

式中，a_x、a_y分别为汽车纵向加速度、汽车侧向加速度；ω_r为横摆角速度；v_xa、v_ya分别为纵向车速估计值、侧向车速估计值；

步骤3)，结合纵向车速估计值、侧向车速估计值、汽车纵向加速度和汽车侧向加速度，由扩展卡尔曼滤波器计算出汽车的纵向速度和侧向速度：

步骤3.1)，将扩展卡尔曼滤波器用如下线性随机微分方程表示：

x_k+1＝A_kx_k+Bu_k+ω

y_k＝Cx_k+ε

式中，T为采样周期；k为迭代次数；ε和ω分别为测量误差和系统的模型预测误差，令其相互独立、稳定且符合高斯分布，则它们的协方差分别记为R和Q；ν_xk、v_yk为k时刻的纵向、侧向速度；a_xk、a_yk为k时刻的纵向、侧向加速度；v_xak、v_yak为k时刻2自由度汽车模型计算的纵向、侧向速度值；ε_k为k时刻的测量误差，所述k时刻即第k次迭代时；

步骤3.2)，计算两次采样之间的采样数值和误差的增长：

P_k|k-1＝F_kP_k-1|k-1F^T+Q

式中，为在k-1时刻对k时刻x的预测值；P_k|k-1为在k-1时刻对k时刻预测误差ω的协方差；为计算时系统状态方程线性化得到的动态矩阵；P_k-1|k-1为k-1时刻对k-1时刻预测误差ω的协方差；

步骤3.3)，根据预测值和预测误差修正测量值，具体如下：

P_k|k＝P_k|k-1-K_kH_kP_k|k-1

式中，为预测时系统输出方程线性化得到的矩阵；R为测量误差ε的协方差；

步骤4)，测得路面估计所需要的横摆角速度ω_r和横摆角速度增益Δω_r，结合卡尔曼滤波器计算出的纵向车速、横向车速和整车模型计算出路面估计所需要的两前轮侧偏角；

步骤5)，将步骤4)中的横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr输入BP神经网络结构，由BP神经网络算法估算出附着系数，具体如下：

步骤5.1)，采用三层前馈神经网络结构，输入层设置4个节点，分别为横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr，输出层设置一个输出节点，即路面附着系数；

步骤5.2)，确定网络的隐含层节点，具体如下：

式中，t为隐含层神经元数目；n为输入向量维数；l为输出向量维数；a为预设的常数；

使用符合上式的隐含层节点数分别对建立的BP网络进行训练，选取输出预测误差最小的t值作为隐含层节点数；

步骤5.3)，采用遗传算法对神经网络各个节点的加权值进行优化，具体如下：

步骤5.3.1)，令E为网络训练的总误差，则有

min E＝f{x₁,x₂,…,x_s}＝f{w₁,w₂,…,w_m,θ₁,θ₂,…,θ_k}

式中，x_i(i＝1,2,…,s)表示一组染色体，s等于全部节点权值和阈值之和；w_i为网络第i个连接权值，m为连接权值的总数；θ_j(j＝1,2,…,p)为第j个神经元的阈值，p为隐含层和输出层的神经元总数；

步骤5.3.2)，对各节点权值进行优化，具体步骤如下：

步骤5.3.2.1)，对网络连接权进行实数编码；

步骤5.3.2.2)，利用小区间生成法随机生成初始种群；

步骤5.3.2.3)，根据适应度函数对个体性能进行评价，适应度函数f(x)定义为误差的倒数，即f(x)＝1/E(x)；

步骤5.3.2.4)，对每个个体解码得到一个网络初始连接权值，并与样本一起输入网络计算总误差E；

步骤5.3.2.5)，对父代种群进行选择、交叉和变异操作生成子代种群；

步骤5.3.2.6)，计算子代中每个个体的适应值，并按适应度由大到小排列；

步骤5.3.2.7)，对最优个体解码得到BP神经网络最优初始权重，再计算权值调整后的总误差E；

步骤5.3.2.8)，如果总误差E小于预先给定的目标值，则训练结束，否则把优化后的权重作为下次训练的初始权重，返回步骤5.3.2.5)；

步骤5.4)，BP神经网络构建完成，由神经网络估算出路面附着系数。

作为本发明一种汽车转向工况下的路面附着系数估计方法进一步的优化方案，所述步骤4)中，汽车向左转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

汽车向右转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

式中，α_fl、α_fr分别为左前轮、右前轮的轮胎侧偏角；v_x、v_y分别为扩展卡尔曼滤波器计算出的纵向车速和侧向车速；a、B分别为质心到前轴的距离和轮胎轮距；δ_f为前轮转向角。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1)可以较为准确的估算出转向工况下的路面附着系数，为整车稳定性控制提供了基础。

2)采用遗传算法优化的BP神经网络，通过对典型试验结果的大量学习，尽可能地使汽车运行状态的判断更为准确。

附图说明

图1是本发明路面估计算法流程图；

图2是本发明三层BP神经网络结构图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明公开了一种汽车转向工况下的路面附着系数估计方法，具体包含如下步骤：

步骤1)，建立汽车的二自由度整车模型，并实时测得汽车的横摆角速度、汽车纵向加速度和汽车侧向加速度；

步骤2)，根据横摆角速度、汽车纵向加速度、汽车侧向加速度信号以及汽车的二自由度整车模型，计算车辆的纵向车速估计值v_xa和侧向车速估计值v_ya：

式中，a_x、a_y分别为汽车纵向加速度、汽车侧向加速度；ω_r为横摆角速度；v_xa、v_ya分别为纵向车速估计值、侧向车速估计值；

步骤3)，结合纵向车速估计值、侧向车速估计值、汽车纵向加速度和汽车侧向加速度，由扩展卡尔曼滤波器计算出汽车的纵向速度和侧向速度：

步骤3.1)，将扩展卡尔曼滤波器用如下线性随机微分方程表示：

x_k+1＝A_kx_k+Bu_k+ω

y_k＝Cx_k+ε

式中，T为采样周期；k为迭代次数；ε和ω分别为测量误差和系统的模型预测误差，令其相互独立、稳定且符合高斯分布，则它们的协方差分别记为R和Q；ν_xk、v_yk为k时刻的纵向、侧向速度；a_xk、a_yk为k时刻的纵向、侧向加速度；v_xak、v_yak为k时刻2自由度汽车模型计算的纵向、侧向速度值；ε_k为k时刻的测量误差，所述k时刻即第k次迭代时；

步骤3.2)，计算两次采样之间的采样数值和误差的增长：

P_k|k-1＝F_kP_k-1|k-1F^T+Q

式中，为在k-1时刻对k时刻x的预测值；P_k|k-1为在k-1时刻对k时刻预测误差ω的协方差；为计算时系统状态方程线性化得到的动态矩阵；P_k-1|k-1为k-1时刻对k-1时刻预测误差ω的协方差；

步骤3.3)，根据预测值和预测误差修正测量值，具体如下：

P_k|k＝P_k|k-1-K_kH_kP_k|k-1

式中，为预测时系统输出方程线性化得到的矩阵；R为测量误差ε的协方差；

步骤4)，测得路面估计所需要的横摆角速度ω_r和横摆角速度增益Δω_r，结合卡尔曼滤波器计算出的纵向车速、横向车速和整车模型计算出路面估计所需要的两前轮侧偏角；

步骤5)，将步骤4)中的横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr输入BP神经网络结构，由BP神经网络算法估算出附着系数，具体如下：

步骤5.1)，如图2所示，采用三层前馈神经网络结构，输入层设置4个节点，分别为横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr，输出层设置一个输出节点，即路面附着系数；

步骤5.2)，确定网络的隐含层节点，具体如下：

式中，t为隐含层神经元数目；n为输入向量维数；l为输出向量维数；a为预设的常数；

使用符合上式的隐含层节点数分别对建立的BP网络进行训练，选取输出预测误差最小的t值作为隐含层节点数；

步骤5.3)，采用遗传算法对神经网络各个节点的加权值进行优化，具体如下：

步骤5.3.1)，令E为网络训练的总误差，则有

minE＝f{x₁,x₂,…,x_s}＝f{w₁,w₂,…,w_m,θ₁,θ₂,…,θ_p}

式中，x_i(i＝1,2,…,s)表示一组染色体，s等于全部节点权值和阈值之和；w_i为网络第i个连接权值，m为连接权值的总数；θ_j(j＝1,2,…,p)为第j个神经元的阈值，p为隐含层和输出层的神经元总数；f{}泛指函数表达式，此函数表达式与括号内的变量相关；

步骤5.3.2)，对各节点权值进行优化，具体步骤如下：

步骤5.3.2.1)，对网络连接权进行实数编码；神经网络的网络连接权在网络训练过程中起到记忆信息的作用，是上文中w_i中的i，可以理解为图2中一个节点到另一个节点之间的连线，需要对其进行编号以便区分；

步骤5.3.2.2)，利用小区间生成法随机生成初始种群；

步骤5.3.2.3)，根据适应度函数对个体性能进行评价，适应度函数f(x)定义为误差的倒数，即f(x)＝1/E(x)；

步骤5.3.2.4)，对每个个体解码得到一个网络初始连接权值，并与样本一起输入网络计算总误差E；

步骤5.3.2.5)，对父代种群进行选择、交叉和变异操作生成子代种群；

步骤5.3.2.6)，计算子代中每个个体的适应值，并按适应度由大到小排列；

步骤5.3.2.7)，对最优个体解码得到BP神经网络最优初始权重，再计算权值调整后的总误差E；

步骤5.3.2.8)，如果总误差E小于预先给定的目标值，则训练结束，否则把优化后的权重作为下次训练的初始权重，返回步骤5.3.2.5)；

步骤5.4)，BP神经网络构建完成，由神经网络估算出路面附着系数。

所述步骤4)中，汽车向左转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

汽车向右转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

式中，α_fl、α_fr分别为左前轮、右前轮的轮胎侧偏角；v_x、v_y分别为扩展卡尔曼滤波器计算出的纵向车速和侧向车速；a、B分别为质心到前轴的距离和轮胎轮距；δ_f为前轮转向角。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种汽车转向工况下的路面附着系数估计方法，其特征在于，具体包含如下步骤：

步骤1)，建立汽车的二自由度整车模型，并实时测得汽车的横摆角速度、汽车纵向加速度和汽车侧向加速度；

步骤2)，根据横摆角速度、汽车纵向加速度、汽车侧向加速度信号以及汽车的二自由度整车模型，计算车辆的纵向车速估计值v_xa和侧向车速估计值v_ya：

式中，a_x、a_y分别为汽车纵向加速度、汽车侧向加速度；ω_r为横摆角速度；v_xa、v_ya分别为纵向车速估计值、侧向车速估计值；

步骤3)，结合纵向车速估计值、侧向车速估计值、汽车纵向加速度和汽车侧向加速度，由扩展卡尔曼滤波器计算出汽车的纵向速度和侧向速度：

步骤3.1)，将扩展卡尔曼滤波器用如下线性随机微分方程表示：

x_k+1＝A_kx_k+Bu_k+ω

y_k＝Cx_k+ε

式中，T为采样周期；k为迭代次数；ε和ω分别为测量误差和系统的模型预测误差，令其相互独立、稳定且符合高斯分布，则它们的协方差分别记为R和Q；ν_xk、v_yk为k时刻的纵向、侧向速度；a_xk、a_yk为k时刻的纵向、侧向加速度；v_xak、v_yak为k时刻2自由度汽车模型计算的纵向、侧向速度值；ε_k为k时刻的测量误差，所述k时刻即第k次迭代时；

步骤3.2)，计算两次采样之间的采样数值和误差的增长：

P_k|k-1＝F_kP_k-1|k-1F^T+Q

式中，为在k-1时刻对k时刻x的预测值；P_k|k-1为在k-1时刻对k时刻预测误差ω的协方差；为计算时系统状态方程线性化得到的动态矩阵；P_k-1|k-1为k-1时刻对k-1时刻预测误差ω的协方差；

步骤3.3)，根据预测值和预测误差修正测量值，具体如下：

P_k|k＝P_k|k-1-K_kH_kP_k|k-1

式中，为预测时系统输出方程线性化得到的矩阵；R为测量误差ε的协方差；

步骤4)，测得路面估计所需要的横摆角速度ω_r和横摆角速度增益Δω_r，结合卡尔曼滤波器计算出的纵向车速、横向车速和整车模型计算出路面估计所需要的两前轮侧偏角；

步骤5)，将步骤4)中的横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr输入BP神经网络结构，由BP神经网络算法估算出附着系数，具体如下：

步骤5.1)，采用三层前馈神经网络结构，输入层设置4个节点，分别为横摆角速度增益Δω_r、横摆角速度ω_r、左前轮胎侧偏角α_fl和右前轮胎侧偏角α_fr，输出层设置一个输出节点，即路面附着系数；

步骤5.2)，确定网络的隐含层节点，具体如下：

式中，t为隐含层神经元数目；n为输入向量维数；l为输出向量维数；a为预设的常数；

使用符合上式的隐含层节点数分别对建立的BP网络进行训练，选取输出预测误差最小的t值作为隐含层节点数；

步骤5.3)，采用遗传算法对神经网络各个节点的加权值进行优化，具体如下：

步骤5.3.1)，令E为网络训练的总误差，则有

minE＝f{x₁,x₂,…,x_s}＝f{w₁,w₂,…,w_m,θ₁,θ₂,…,θ_k}

式中，x_i(i＝1,2,…,s)表示一组染色体，s等于全部节点权值和阈值之和；w_i为网络第i个连接权值，m为连接权值的总数；θ_j(j＝1,2,…,p)为第j个神经元的阈值，p为隐含层和输出层的神经元总数；

步骤5.3.2)，对各节点权值进行优化，具体步骤如下：

步骤5.3.2.1)，对网络连接权进行实数编码；

步骤5.3.2.2)，利用小区间生成法随机生成初始种群；

步骤5.3.2.3)，根据适应度函数对个体性能进行评价，适应度函数f(x)定义为误差的倒数，即f(x)＝1/E(x)；

步骤5.3.2.4)，对每个个体解码得到一个网络初始连接权值，并与样本一起输入网络计算总误差E；

步骤5.3.2.5)，对父代种群进行选择、交叉和变异操作生成子代种群；

步骤5.3.2.6)，计算子代中每个个体的适应值，并按适应度由大到小排列；

步骤5.3.2.7)，对最优个体解码得到BP神经网络最优初始权重，再计算权值调整后的总误差E；

步骤5.3.2.8)，如果总误差E小于预先给定的目标值，则训练结束，否则把优化后的权重作为下次训练的初始权重，返回步骤5.3.2.5)；

步骤5.4)，BP神经网络构建完成，由神经网络估算出路面附着系数。

2.根据权利要求1所述的汽车转向工况下的路面附着系数估计方法，其特征在于，所述步骤4)中，汽车向左转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

汽车向右转向时，根据以下公式计算出路面估计所需要的两前轮侧偏角：

式中，α_fl、α_fr分别为左前轮、右前轮的轮胎侧偏角；v_x、v_y分别为扩展卡尔曼滤波器计算出的纵向车速和侧向车速；a、B分别为质心到前轴的距离和轮胎轮距；δ_f为前轮转向角。