CN108622101A - 一种汽车转向工况下的路面附着系数估计方法 - Google Patents
一种汽车转向工况下的路面附着系数估计方法 Download PDFInfo
- Publication number
- CN108622101A CN108622101A CN201810437992.2A CN201810437992A CN108622101A CN 108622101 A CN108622101 A CN 108622101A CN 201810437992 A CN201810437992 A CN 201810437992A CN 108622101 A CN108622101 A CN 108622101A
- Authority
- CN
- China
- Prior art keywords
- automobile
- moment
- error
- coefficient
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W40/064—Degree of grip
-
- 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
- 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
- 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
-
- 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
- B60W2050/0019—Control system elements or transfer functions
-
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
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
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vxa和侧向车速估计值vya:
式中,ax、ay分别为汽车纵向加速度、汽车侧向加速度;ωr为横摆角速度;vxa、vya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:
xk+1=Akxk+Buk+ω
yk=Cxk+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;νxk、vyk为k时刻的纵向、侧向速度;axk、ayk为k时刻的纵向、侧向加速度;vxak、vyak为k时刻2自由度汽车模型计算的纵向、侧向速度值;εk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:
Pk|k-1=FkPk-1|k-1FT+Q
式中,为在k-1时刻对k时刻x的预测值;Pk|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;Pk-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:
Pk|k=Pk|k-1-KkHkPk|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ωr和横摆角速度增益Δωr,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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr,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,…,xs}=f{w1,w2,…,wm,θ1,θ2,…,θk}
式中,xi(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;wi为网络第i个连接权值,m为连接权值的总数;θj(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,αfl、αfr分别为左前轮、右前轮的轮胎侧偏角;vx、vy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;δf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vxa和侧向车速估计值vya:
式中,ax、ay分别为汽车纵向加速度、汽车侧向加速度;ωr为横摆角速度;vxa、vya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:
xk+1=Akxk+Buk+ω
yk=Cxk+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;νxk、vyk为k时刻的纵向、侧向速度;axk、ayk为k时刻的纵向、侧向加速度;vxak、vyak为k时刻2自由度汽车模型计算的纵向、侧向速度值;εk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:
Pk|k-1=FkPk-1|k-1FT+Q
式中,为在k-1时刻对k时刻x的预测值;Pk|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;Pk-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:
Pk|k=Pk|k-1-KkHkPk|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ωr和横摆角速度增益Δωr,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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr,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,…,xs}=f{w1,w2,…,wm,θ1,θ2,…,θp}
式中,xi(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;wi为网络第i个连接权值,m为连接权值的总数;θj(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wi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,αfl、αfr分别为左前轮、右前轮的轮胎侧偏角;vx、vy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;δf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vxa和侧向车速估计值vya:
式中,ax、ay分别为汽车纵向加速度、汽车侧向加速度;ωr为横摆角速度;vxa、vya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:
xk+1=Akxk+Buk+ω
yk=Cxk+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;νxk、vyk为k时刻的纵向、侧向速度;axk、ayk为k时刻的纵向、侧向加速度;vxak、vyak为k时刻2自由度汽车模型计算的纵向、侧向速度值;εk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:
Pk|k-1=FkPk-1|k-1FT+Q
式中,为在k-1时刻对k时刻x的预测值;Pk|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;Pk-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:
Pk|k=Pk|k-1-KkHkPk|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ωr和横摆角速度增益Δωr,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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr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Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr,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,…,xs}=f{w1,w2,…,wm,θ1,θ2,…,θk}
式中,xi(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;wi为网络第i个连接权值,m为连接权值的总数;θj(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,αfl、αfr分别为左前轮、右前轮的轮胎侧偏角;vx、vy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;δf为前轮转向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437992.2A CN108622101A (zh) | 2018-05-09 | 2018-05-09 | 一种汽车转向工况下的路面附着系数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437992.2A CN108622101A (zh) | 2018-05-09 | 2018-05-09 | 一种汽车转向工况下的路面附着系数估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108622101A true CN108622101A (zh) | 2018-10-09 |
Family
ID=63692326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437992.2A Pending CN108622101A (zh) | 2018-05-09 | 2018-05-09 | 一种汽车转向工况下的路面附着系数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108622101A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
CN109695643A (zh) * | 2019-02-19 | 2019-04-30 | 辽宁工业大学 | 一种电动汽车电子驻车结构及其控制方法 |
CN110378416A (zh) * | 2019-07-19 | 2019-10-25 | 北京中科原动力科技有限公司 | 一种基于视觉的路面附着系数估计方法 |
CN110395259A (zh) * | 2019-07-16 | 2019-11-01 | 启迪云控(北京)科技有限公司 | 一种路面情况的估计方法、装置、设备以及介质 |
CN110901647A (zh) * | 2019-11-25 | 2020-03-24 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
CN111731265A (zh) * | 2019-03-25 | 2020-10-02 | 广州汽车集团股份有限公司 | 一种用于预测自动驾驶车辆稳定性状态的方法及系统 |
WO2021115063A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN113705865A (zh) * | 2021-08-16 | 2021-11-26 | 东南大学 | 一种基于深度神经网络的汽车稳定性因数预测方法 |
CN114212074A (zh) * | 2022-02-22 | 2022-03-22 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
CN114228721A (zh) * | 2022-01-29 | 2022-03-25 | 苏州挚途科技有限公司 | 路面附着系数的计算方法、装置和系统 |
CN114506333A (zh) * | 2022-02-23 | 2022-05-17 | 阿波罗智能技术(北京)有限公司 | 路面附着系数确定方法、装置、设备以及自动驾驶车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202949A (zh) * | 2008-10-29 | 2011-09-28 | 日产自动车株式会社 | 车辆接地面摩擦状态估计设备和方法 |
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 |
CN106004881A (zh) * | 2016-08-04 | 2016-10-12 | 清华大学 | 基于频域融合的路面附着系数估计方法 |
CN106740859A (zh) * | 2016-11-14 | 2017-05-31 | 江苏大学 | 基于左逆系统的分布式电驱动汽车路面附着系数估计算法 |
-
2018
- 2018-05-09 CN CN201810437992.2A patent/CN108622101A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202949A (zh) * | 2008-10-29 | 2011-09-28 | 日产自动车株式会社 | 车辆接地面摩擦状态估计设备和方法 |
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 |
CN106004881A (zh) * | 2016-08-04 | 2016-10-12 | 清华大学 | 基于频域融合的路面附着系数估计方法 |
CN106740859A (zh) * | 2016-11-14 | 2017-05-31 | 江苏大学 | 基于左逆系统的分布式电驱动汽车路面附着系数估计算法 |
Non-Patent Citations (1)
Title |
---|
陈无畏,刘翔宇,黄鹤,杨军: "车辆转向工况下的路面附着系数估计算法", 《汽车工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
CN109695643A (zh) * | 2019-02-19 | 2019-04-30 | 辽宁工业大学 | 一种电动汽车电子驻车结构及其控制方法 |
CN111731265B (zh) * | 2019-03-25 | 2021-06-11 | 广州汽车集团股份有限公司 | 一种用于预测自动驾驶车辆稳定性状态的方法及系统 |
CN111731265A (zh) * | 2019-03-25 | 2020-10-02 | 广州汽车集团股份有限公司 | 一种用于预测自动驾驶车辆稳定性状态的方法及系统 |
CN110395259A (zh) * | 2019-07-16 | 2019-11-01 | 启迪云控(北京)科技有限公司 | 一种路面情况的估计方法、装置、设备以及介质 |
CN110378416A (zh) * | 2019-07-19 | 2019-10-25 | 北京中科原动力科技有限公司 | 一种基于视觉的路面附着系数估计方法 |
CN110901647A (zh) * | 2019-11-25 | 2020-03-24 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
WO2021103797A1 (zh) * | 2019-11-25 | 2021-06-03 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
CN110901647B (zh) * | 2019-11-25 | 2021-03-26 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
WO2021115063A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN113705865A (zh) * | 2021-08-16 | 2021-11-26 | 东南大学 | 一种基于深度神经网络的汽车稳定性因数预测方法 |
CN113705865B (zh) * | 2021-08-16 | 2024-05-03 | 东南大学 | 一种基于深度神经网络的汽车稳定性因数预测方法 |
CN114228721A (zh) * | 2022-01-29 | 2022-03-25 | 苏州挚途科技有限公司 | 路面附着系数的计算方法、装置和系统 |
CN114212074A (zh) * | 2022-02-22 | 2022-03-22 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
CN114212074B (zh) * | 2022-02-22 | 2022-04-29 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
CN114506333A (zh) * | 2022-02-23 | 2022-05-17 | 阿波罗智能技术(北京)有限公司 | 路面附着系数确定方法、装置、设备以及自动驾驶车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108622101A (zh) | 一种汽车转向工况下的路面附着系数估计方法 | |
CN107161207B (zh) | 一种基于主动安全的智能汽车轨迹跟踪控制系统及控制方法 | |
CN107561942A (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
CN107009916B (zh) | 考虑驾驶员意图分布式驱动电动汽车防滑控制系统及方法 | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
CN109664774B (zh) | 一种用于分布式驱动电动汽车的驱动防滑控制方法及系统 | |
CN103279675B (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
CN111391822A (zh) | 一种极限工况下汽车横纵向稳定性协同控制方法 | |
CN114644017A (zh) | 一种实现自动驾驶车辆安全决策控制的方法 | |
CN104049536A (zh) | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 | |
CN113650619A (zh) | 一种四轮驱动电动汽车轮胎力软测量方法 | |
CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
CN117272525A (zh) | 一种智能电动汽车路面附着系数估计方法 | |
CN113341994B (zh) | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 | |
CN113033902B (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
Sousa et al. | Nonlinear tire model approximation using machine learning for efficient model predictive control | |
Hakima et al. | Designing a fuzzy logic controller to adjust the angle of tires in four wheel steering vehicles | |
CN112572606B (zh) | 基于svm和bp神经网络的工况融合路感模拟方法 | |
CN110203190B (zh) | 一种用于电控车辆的防溜车系统及其控制方法 | |
Jin et al. | Adaptive AEB control strategy for driverless vehicles in campus scenario | |
Hakima et al. | Improvement of vehicle handling by an integrated control system of four wheel steering and ESP with fuzzy logic approach | |
CN117094204A (zh) | 一种基于astckf和ga-bp的路面附着系数估计方法 | |
CN116198522B (zh) | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 | |
CN114590264A (zh) | 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |