CN108931233A - 一种道路侧向坡度值检测方法及装置 - Google Patents
一种道路侧向坡度值检测方法及装置 Download PDFInfo
- Publication number
- CN108931233A CN108931233A CN201710385949.1A CN201710385949A CN108931233A CN 108931233 A CN108931233 A CN 108931233A CN 201710385949 A CN201710385949 A CN 201710385949A CN 108931233 A CN108931233 A CN 108931233A
- Authority
- CN
- China
- Prior art keywords
- moment
- kalman
- value
- state value
- optimum state
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种道路侧向坡度值检测方法及装置,所述方法包括:获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。解决了现有技术中因不能准确的检测出道路坡度的角度,而导致不能准确的触发汽车的一些坡度行驶电控辅助功能,给驾驶带来很多不便和不安全因素的问题。
Description
技术领域
本发明涉及汽车领域,包括一种道路侧向坡度值检测方法及装置。
背景技术
道路的种类以及路面的状况是车辆行驶时影响整车平顺性和舒适性的重要因素之一,有时它也是激活或者关闭某些电控系统的判断条件之一,例如在汽车纵向下坡时检测到坡度较大后,自动激活陡坡缓降功能。通常情况下车辆在坡道路面上行驶的工况通常有两种:一种是纵向在坡道路面上行驶,一种是侧向在坡道路面上行驶,在汽车行驶过程中对于道路坡度角度的检测技术已日趋成熟,但当汽车侧向在坡道上行驶时,还没有行之有效的技术手段去检测道路坡度的角度。
现有技术中,车辆在纵向坡道上行驶时,道路坡度检测技术主要是以整车纵向动力学模型为基础,利用传感器采集车辆运行的各项参数:车速、车辆纵向加速度、车辆坡道加速度、发动机转速、转矩、整车质量等,最后通过动力学的方程计算得到车辆所行驶的坡度值,由于上述坡道检测技术是基于整车纵向动力学模型实现的,所以汽车侧向在坡道上行驶时,该坡道检测方法不再适用。此外,目前还没有相应的硬件设备(包括传感器及其它检测装置)可用来直接检测汽车侧向在坡道上行驶时的坡度值。所以当不能准确的检测出道路侧向坡度值,则不能准确的触发汽车的一些坡度行驶电控辅助功能,给驾驶带来很多不便和不安全因素。
发明内容
有鉴于此,本发明旨在提出一种道路侧向坡度值检测方法及装置,以解决现有技术中没有可以准确检测道路侧向坡度值的方法,而导致的不能准确的触发汽车在坡度行驶时的辅助功能,给驾驶带来很多不便和不安全因素的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种道路侧向坡度值检测方法,该方法包括:获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。解决了现有技术中没有可以准确检测道路坡度值的方法,而导致的不能准确的触发汽车的一些坡度行驶电控辅助功能,给驾驶带来很多不便和不安全因素的问题。
进一步的,在所述将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤之前,还包括:获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
进一步的,所述将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤,包括:将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
进一步的,所述将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤,包括:将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
进一步的,所述根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值的步骤,包括:根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
相对于现有技术,本发明所述的道路侧向坡度值检测方法具有以下优势:通过获取汽车当前行车参数,并且输入卡尔曼模型后,获得当前时刻的卡尔曼最优状态值,再根据该最优状态值获取当前车辆行驶道路的坡度值,由于该方法不需要添加额外硬件,在软件层面实现对道路坡度值的检测,具有开发过程简单灵活,开发成本低的有益效果。
本发明的另一目的在于提出一种道路侧向坡度值检测装置,为达到上述目的,本发明的技术方案是这样实现的:第一时刻的行车参数获取模块,用于获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;第一时刻的卡尔曼最优状态值获取模块,用于将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;第一时刻道路坡度值获取模块,用于根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。
进一步的,还包括:第二时刻的卡尔曼最优状态值获取模块,用于获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
进一步的,所述第一时刻的卡尔曼最优状态值获取模块,包括:第一时刻的卡尔曼最优状态值获取子模块,用于将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
进一步的,所述第一时刻的卡尔曼最优状态值获取子模块,包括:第一时刻卡尔曼输入状态值获取单元,用于将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;第一时刻卡尔曼协方差获取单元,用于根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;第一时刻卡尔曼增益值获取单元,用于根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;第一时刻的卡尔曼最优状态值获取单元,用于根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
进一步的,所述第一时刻道路坡度值获取模块,包括:第一时刻道路坡度值获取子模块,用于根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
所述一种道路侧向坡度值检测装置与上述一种道路侧向坡度值检测方法相对于现有技术所具有的优势相同,在此不再赘述。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一所述的一种道路侧向坡度值检测方法的流程图;
图2为本发明实施例二所述的一种道路侧向坡度值检测方法的流程图;
图3为本发明实施例的卡尔曼模型功能框架示意图;
图4为本发明实施例的卡尔曼输入状态模块功能逻辑示意图;
图5为本发明实施例卡尔曼协方差模块工作逻辑示意图;
图6为本发明实施例卡尔曼增益模块的工作逻辑示意图;
图7为本发明实施例卡尔曼状态模块工作逻辑示意图;
图8为本发明实施例三所述的一种道路侧向坡度值检测装置的结构框图;
图9为本发明实施例三所述的一种道路侧向坡度值检测装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
名词解释:卡尔曼滤波(Kalman filtering)
一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差(即噪声),只要对它们的统计性质作某些适当的假定,通过对含有噪声的观测信号进行处理,就能在平均的意义上,求得误差为最小的真实信号的估计值。因此,自从卡尔曼滤波理论问世以来,在通信系统、电力系统、航空航天、环境污染控制、工业控制、雷达信号处理等许多部门都得到了应用,取得了许多成功应用的成果。例如在图像处理方面,应用卡尔曼滤波对由于某些噪声影响而造成模糊的图像进行复原。在对噪声作了某些统计性质的假定后,就可以用卡尔曼的算法以递推的方式从模糊图像中得到均方差最小的真实图像,使模糊的图像得到复原。
本发明是将卡尔曼滤波算法应用到汽车在侧向坡道行驶时,计算坡道坡度值的方法中。具体的,如果某个参数Tk-1时刻的状态最优值Xk-1,并且有两种方法能得到该参数在Tk时刻的值,一种是预测方法,另一种方法是量测方法,两种方法表达式如下:
预测方法关系式:Xk,=φk,k-1*Xk-1+wk-1其φk,k-1为Tk-1时刻至Tk时刻的一步转移阵,wk-1为系统噪声;量测方法关系式:Zk=Hk*Xk+vk,其中Hk为量测阵,Vk为量测噪声。
针对上述情况卡尔曼滤波能根据参量Tk-1时刻的状态最优值Xk-1以及Tk时刻的量测值Zk来推算出来该参量在Tk时刻的状态最优值Xk,卡尔曼滤波的工作原理基于以下五个公式。
Tk时刻φk,k-1的一步预测值Xk,k-1的表达式如下:
Xk,k-1=φk,k-1*Xk-1 (1)
上式中φk,k-1为Tk-1时刻至Tk时刻的一步转移阵。
Tk时刻的一步预测均方误差Pk,k-1的表达式如下:
上式中Pk-1为Tk-1时刻的估计均方误差,τk-1为系统噪声驱动阵,Qk-1为系统噪声的方差阵。Tk时刻的滤波增益Kk的表达式如下:
上式中Hk为量测阵,Rk为量测噪声的方差阵。
Tk时刻的估计均方误差Pk的表达式如下:
Pk=(I-Kk*Hk)*Pk,k-1 (4)
Tk时刻的状态最优值Xk的表达式如下:
Xk=Xk,k-1+Kk(Zk-Hk*Xk,k-1) (5)
通过上述描述的方法,可以将检测到的汽车行车参数应用到卡尔曼滤波算法中,计算出对应该行车参数的道路坡度值。
实施例一
参照图1,为本发明实施例所述的一种道路侧向坡度值检测方法的流程图,具体可以包括如下步骤:
步骤101,获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度。
本发明实施例中,车辆在纵向坡道上行驶时,利用传感器采集车辆运行的当前时刻,即第一时刻的各项参数:车速、车辆纵向加速度、车辆坡道加速度、发动机转速、转矩、整车质量等,并且将这些参数返回给汽车中控电脑,中控电脑中输入的程序进行处理,以满足行车时启动各项行驶辅助程序。
在实际应用中,获取行车参数可以包括且不限于整车横摆角速度、侧向加速度和行车参考速度,根据计算程序的需求进行输入,本发明实施例对此不加以限制。
步骤102,将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
本发明实施例中,卡尔曼模型设计了坡道检测模型的卡尔曼协方差模块(KalmanCovariance_matrix)、坡道检测模型的卡尔曼增益模块(Kalman_Gain)以及坡道检测模型的卡尔曼状态模块(Kalman_States)。将获取的当前车辆的行车参数输入卡尔曼模型,并且根据每个模块的输出值最终计算出卡尔曼最优状态值。
步骤103,根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。
本发明实施例中,最后根据卡尔曼模型中得到当前时刻的最优状态值,再输入卡尔曼模型中的坡度值计算模块,最后计算出道路坡道值。
在本发明实施例中,获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值,实现了准确的检测出道路坡度的角度的有益效果。
实施例二
参照图2,为本发明实施例所述的一种道路侧向坡度值检测方法的流程图,具体可以包括如下步骤:
步骤201,获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度。
此步骤与步骤101相同,在此不再详述。
步骤202,获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
本发明实施例中,若要计算汽车在行驶过程中当前时刻的卡尔曼最优状态值,需要首先计算出距当前时刻预设间隔时间的上一时刻,即第二时刻的卡尔曼最优状态值,其中,预设时间段通常为3毫秒、5毫秒,根据当前汽车要测量数据的精确度进行设置,本发明实施例对此不加以限制。
在实际应用中,将第二时刻的行车参数输入卡尔曼模型后,就可以得出卡尔曼第二时刻的最优状态值,其中该最优状态值的计算也需要第二时刻的上一时刻的卡尔曼最优状态值,由此迭代计算得到当前时刻的卡尔曼最优状态值。其中,在汽车行驶过程中每隔预设时间段,汽车上安装的感应器就会检测相应的行车参数并发送给汽车中控电脑,而初始值根据不同的车型会有一个预设值,该值是由车辆工程师根据不同的车型进行设置,并存在一定的偏差,不过在后续通过卡尔曼模型迭代计算的自学习的过程中,该偏差并不影响后续坡度值的计算结果,所以针对初始值的计算方法本发明实施例对此不加以限制。
步骤203,将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
本发明实施例中,根据与当前时刻间隔预设时间的第二时刻的最优状态值,以及当前时刻检测到的行车参数,输入卡尔曼模型获取当前时刻的卡尔曼最优状态值。
优选的,步骤203,具体包括:子步骤2031-子步骤2034;
子步骤2031,将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;
本发明实施例中,当车辆行驶在侧向的坡道路面上时,传感器测得的侧向加速度会因为路面边坡角度而失真,其公式如下:
aym=ay+g sinα (6)
上述公式中α表示坡道值,aym表示侧向加速度传感器测得的侧向加速度,ay表示由于车辆运动而产生的侧向加速度,g sinα表示由于坡道产生的侧向加速度。
根据车辆动力学模型,车辆侧加速度与横摆角速度之间的运动学关系如下列公式描述:
表示车辆的横向加速度,表示车辆的横摆角速度,vx表示车辆的纵向加速度。由于在稳态情况下所以
定义ε(k)表示坡道产生的侧向加速度,公式如下:
定义状态向量X(k),X(k)表示Tk时刻的状态最优值,具体公式如下:
根据经验在整车中的一步转移阵为单位矩阵I,系统噪声为wk-1,所以整车加速度的预测关系式如下:
Xk+1,k=I*Xk-1+wk-1 (10)
根据定义的状态向量X(k),可得Hk=[αym(k)-1],测量噪声为vk,整车加速度的量测关系式如下:
随机变量wk-1和vk分别代表过程噪声和量测噪声,根据经验这两个参数均为白噪声且服从正态分布特性且这两者之间相互独立,互不影响,所以wk-1和vk的方差如下所示:
上式中Q和R分别为系统噪声方差阵和测量噪声方差阵,在坡道预测模型中Qk=[0,0;0,0.1],Rk=10。
根据车辆动力学模型构建了符合卡尔曼动态滤波的关系式:方程式(9)、(10)、(11)、(12)。
根据图3所述,卡尔曼模型由五个模块组成,卡尔曼输入状态模块(模块一)、卡尔曼协方差模块(模块二)、卡尔曼增益模块(模块三)、卡尔曼状态模块(模块四)、坡道值计算模块(模块五),模块一的作用是接收Tk时刻整车的相关参数,然后输出可用于卡尔曼迭代的参数。如图4所示,在该模型中模块一接收整车侧向加速度aym(由侧向加速度传感器测得)、横摆角速度(由偏航率传感器测得)、参考车速vx(可以利用ESP的计算的参考车速),然后输出一步转移阵Ak,量测阵Hk,系统噪声方差阵Qk、量测噪声方差阵Rk以及量测侧向加速度Zk,其中:
实际应用中,利用汽车上装置的感情器以及上述计算公式和方法,计算出第一时刻的整车相关参数,即可输入卡尔曼模型进行进一步的计算。
子步骤2032,根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;
本发明实施例中,模块二的功能是接收模块一的输出参数,然后计算Tk时刻卡尔曼的协方差。如图5所示,从模块一输入模块二的参数包括为一步转移阵Ak、量测阵Hk、系统噪声方差阵Qk、量测噪声方差阵Rk,模块二的输出参数包括一步预测均方误差Pk+1,k。卡尔曼方差的工作逻辑是依据公式(14)。
子步骤2033,根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;
本发明实施例中,模块三是根据模块一以及模块二的输出参数计算Tk时刻的卡尔曼增益。如图6所示,模块三接收的参数为一步转移阵Ak,量测阵Hk,以及一步预测均方误差Pk+1,k,它输出的参数是Tk时刻的卡尔曼增益值Kk+1,它的工作逻辑是按照公式:
子步骤2034,根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
本发明实施例中,如图7所示,模块四是根据模块一的输入参数和模块三的卡尔曼增益值,由Tk时刻的最优状态值Xk更新得到Tk+1时刻的最优状态值Xk+1。具体的工作逻辑是根据方程(16),首先得到Tk+1时刻的一步预测值Xk+1,k,然后在根据公式(16)的第二个方程得到,Tk+1时刻的状态最优值Xk+1。
步骤204,根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
本发明实施例中,根据模块四能得到在Tk+1(k=1,2,3...)时刻的状态最优值Xk+1,又根据公式((9)可知能得到Tk+1(k=1,2,3...)时刻的ε(k+1),根据公式(8)可知ε(k+1)=gsinα,所以能求出在Tk+1时刻道路的坡度值,其表达式如下:
α=arcsin(ε(k+1)/g) (17)
所以通过上述五个模块参数值的不断更新迭代,就能得到道路的坡度值。
在本发明实施例中,在汽车行驶过程即会启动坡度值计算模式,该计算模式基于卡尔曼模型设计了四个模块:坡道检测模型的卡尔曼协方差模块(Kalman Covariance_matrix)、坡道检测模型的卡尔曼增益模块(Kalman_Gain)以及坡道检测模型的卡尔曼状态模块(Kalman_States)、坡度值计算模块。根据卡尔曼输入状态模块的输出参数,上述四个模块的值不断迭代更新,最终实现实时检测汽车侧向在坡道路面上行驶时坡道角度的目的,它便于开发人员在设计开发阶段针对该工况对不同的控制系统制定不同的控制策略进而提升整车的品质,不需要添加额外硬件,在软件层面实现对道路坡度值的检测的有益效果。
实施例三
参照图8,为本发明实施例所述的一种道路侧向坡度值检测装置的结构框图。
第一时刻的行车参数获取模块301、第一时刻的卡尔曼最优状态值获取模块302、第一时刻道路坡度值获取模块303。
参照图9下面分别详细介绍各模块的功能以及各模块之间的交互关系。
第一时刻的行车参数获取模块301,用于获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;
优选的,还包括:
第二时刻的卡尔曼最优状态值获取模块304,用于获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
第一时刻的卡尔曼最优状态值获取模块302,用于将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;
优选的,第一时刻的卡尔曼最优状态值获取模块302包括:
第一时刻的卡尔曼最优状态值获取子模块3021,用于将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
优选的,第一时刻的卡尔曼最优状态值获取子模块3021,包括:
第一时刻卡尔曼输入状态值获取单元,用于将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;
第一时刻卡尔曼协方差获取单元,用于根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;
第一时刻卡尔曼增益值获取单元,用于根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;
第一时刻的卡尔曼最优状态值获取单元,用于根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
第一时刻道路坡度值获取模块303,用于根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。
优选的,第一时刻道路坡度值获取模块303,包括:
第一时刻道路坡度值获取子模块,用于根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
在本发明实施例中,在汽车行驶过程即会启动坡度值计算模式,该计算模式基于卡尔曼模型设计了四个模块:坡道检测模型的卡尔曼协方差模块(Kalman Covariance_matrix)、坡道检测模型的卡尔曼增益模块(Kalman_Gain)以及坡道检测模型的卡尔曼状态模块(Kalman_States)、坡度值计算模块。根据卡尔曼输入状态模块的输出参数,上述四个模块的值不断迭代更新,最终实现实时检测汽车侧向在坡道路面上行驶时坡道角度的目的,它便于开发人员在设计开发阶段针对该工况对不同的控制系统制定不同的控制策略进而提升整车的品质,不需要添加额外硬件,在软件层面实现对道路坡度值的检测的有益效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种道路侧向坡度值检测方法,其特征在于,所述方法包括:
获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;
将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;
根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。
2.根据权利要求1所述的道路侧向坡度值检测方法,其特征在于,在所述将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤之前,还包括:
获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
3.根据权利要求2所述的道路侧向坡度值检测方法,其特征在于,所述将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤,包括:
将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
4.根据权利要求3所述的道路侧向坡度值检测方法,其特征在于,所述将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值的步骤,包括:
将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;
根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;
根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;
根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
5.根据权利要求2-4其中之一所述的道路侧向坡度值检测方法,其特征在于,所述根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值的步骤,包括:
根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
6.一种道路侧向坡度值检测装置,其特征在于,所述装置包括:
第一时刻的行车参数获取模块,用于获取汽车行驶中第一时刻的行车参数;所述行车参数至少包括:整车横摆角速度、侧向加速度和行车参考速度;
第一时刻的卡尔曼最优状态值获取模块,用于将所述第一时刻的行车参数输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值;
第一时刻道路坡度值获取模块,用于根据所述第一时刻的卡尔曼最优状态值获取第一时刻道路坡度值。
7.根据权利要求6所述的道路侧向坡度值检测装置,其特征在于,还包括:
第二时刻的卡尔曼最优状态值获取模块,用于获取所述第二时刻的卡尔曼最优状态值;所述第二时刻在所述第一时刻之前并间隔一预设时间段。
8.根据权利要求7所述的道路侧向坡度值检测装置,其特征在于,所述第一时刻的卡尔曼最优状态值获取模块,包括:
第一时刻的卡尔曼最优状态值获取子模块,用于将所述第一时刻的行车参数和所述第二时刻的卡尔曼最优状态值,输入卡尔曼模型,获取第一时刻的卡尔曼最优状态值。
9.根据权利要求8所述的道路侧向坡度值检测装置,其特征在于,所述第一时刻的卡尔曼最优状态值获取子模块,包括:
第一时刻卡尔曼输入状态值获取单元,用于将所述第一时刻的行车参数输入卡尔曼模型中,计算出第一时刻卡尔曼输入状态值;
第一时刻卡尔曼协方差获取单元,用于根据所述第一时刻卡尔曼输入状态值获取第一时刻卡尔曼协方差;
第一时刻卡尔曼增益值获取单元,用于根据所述第一时刻卡尔曼输入状态值和所述第一时刻卡尔曼协方差计算第一时刻卡尔曼增益值;
第一时刻的卡尔曼最优状态值获取单元,用于根据所述第一时刻的行车参数、所述第一时刻的卡尔曼增益以及所述第二时刻的卡尔曼最优状态值,获取第一时刻的卡尔曼最优状态值。
10.根据权利要求7-9其中之一所述的道路侧向坡度值检测装置,其特征在于,所述第一时刻道路坡度值获取模块,包括:
第一时刻道路坡度值获取子模块,用于根据所述第一时刻的卡尔曼最优状态值以及道路坡度参数,获取第一时刻道路坡度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385949.1A CN108931233B (zh) | 2017-05-26 | 2017-05-26 | 一种道路侧向坡度值检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385949.1A CN108931233B (zh) | 2017-05-26 | 2017-05-26 | 一种道路侧向坡度值检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108931233A true CN108931233A (zh) | 2018-12-04 |
CN108931233B CN108931233B (zh) | 2021-09-10 |
Family
ID=64451209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710385949.1A Active CN108931233B (zh) | 2017-05-26 | 2017-05-26 | 一种道路侧向坡度值检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108931233B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110525442A (zh) * | 2018-05-23 | 2019-12-03 | 长城汽车股份有限公司 | 坡度检测方法、系统及车辆 |
CN112046487A (zh) * | 2020-09-21 | 2020-12-08 | 清华大学苏州汽车研究院(吴江) | 基于车辆行驶状态的路面坡度估算方法及系统 |
CN114347995A (zh) * | 2022-03-18 | 2022-04-15 | 所托(杭州)汽车智能设备有限公司 | 商用车侧向坡度估计方法、设备和存储介质 |
CN114435371A (zh) * | 2022-03-25 | 2022-05-06 | 北京主线科技有限公司 | 一种道路坡度估计方法和装置 |
CN115391888A (zh) * | 2022-08-23 | 2022-11-25 | 中国电建集团西北勘测设计研究院有限公司 | 基于web端的坡道路线的快速规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201016507A (en) * | 2008-10-16 | 2010-05-01 | Univ Nat Chiao Tung | Road angle estimation system and its method |
CN104061899A (zh) * | 2014-06-20 | 2014-09-24 | 东南大学 | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 |
CN105043348A (zh) * | 2015-07-11 | 2015-11-11 | 哈尔滨工业大学 | 基于卡尔曼滤波的加速度计陀螺仪水平角度测量方法 |
-
2017
- 2017-05-26 CN CN201710385949.1A patent/CN108931233B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201016507A (en) * | 2008-10-16 | 2010-05-01 | Univ Nat Chiao Tung | Road angle estimation system and its method |
CN104061899A (zh) * | 2014-06-20 | 2014-09-24 | 东南大学 | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 |
CN105043348A (zh) * | 2015-07-11 | 2015-11-11 | 哈尔滨工业大学 | 基于卡尔曼滤波的加速度计陀螺仪水平角度测量方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110525442A (zh) * | 2018-05-23 | 2019-12-03 | 长城汽车股份有限公司 | 坡度检测方法、系统及车辆 |
CN110525442B (zh) * | 2018-05-23 | 2021-10-26 | 长城汽车股份有限公司 | 坡度检测方法、系统及车辆 |
CN112046487A (zh) * | 2020-09-21 | 2020-12-08 | 清华大学苏州汽车研究院(吴江) | 基于车辆行驶状态的路面坡度估算方法及系统 |
CN114347995A (zh) * | 2022-03-18 | 2022-04-15 | 所托(杭州)汽车智能设备有限公司 | 商用车侧向坡度估计方法、设备和存储介质 |
CN114435371A (zh) * | 2022-03-25 | 2022-05-06 | 北京主线科技有限公司 | 一种道路坡度估计方法和装置 |
CN114435371B (zh) * | 2022-03-25 | 2024-03-01 | 北京主线科技有限公司 | 一种道路坡度估计方法和装置 |
CN115391888A (zh) * | 2022-08-23 | 2022-11-25 | 中国电建集团西北勘测设计研究院有限公司 | 基于web端的坡道路线的快速规划方法 |
CN115391888B (zh) * | 2022-08-23 | 2024-02-06 | 中国电建集团西北勘测设计研究院有限公司 | 基于web端的坡道路线的快速规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108931233B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108931233A (zh) | 一种道路侧向坡度值检测方法及装置 | |
Viehweger et al. | Vehicle state and tyre force estimation: demonstrations and guidelines | |
Boada et al. | Vehicle sideslip angle measurement based on sensor data fusion using an integrated ANFIS and an Unscented Kalman Filter algorithm | |
Chindamo et al. | Estimation of vehicle side-slip angle using an artificial neural network | |
Boada et al. | Sensor fusion based on a dual Kalman filter for estimation of road irregularities and vehicle mass under static and dynamic conditions | |
Liu et al. | Sideslip angle estimation of ground vehicles: a comparative study | |
Carlson et al. | Consistent nonlinear estimation of longitudinal tire stiffness and effective radius | |
Keen et al. | Bias-free identification of a linear model-predictive steering controller from measured driver steering behavior | |
CN108139299A (zh) | 用于确定道路或轨道车辆的模态参数并间接表征道路或轨道轮廓的方法 | |
Hsu et al. | Vehicle full-state estimation and prediction system using state observers | |
CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
CN112287551B (zh) | 一种基于整车概念模型的行驶性能系统级指标分解方法 | |
Morrison et al. | Sideslip estimation for articulated heavy vehicles at the limits of adhesion | |
Pence et al. | Recursive estimation for reduced-order state-space models using polynomial chaos theory applied to vehicle mass estimation | |
CN113353085B (zh) | 一种基于卡尔曼滤波理论的路面不平度识别方法 | |
CN113447021B (zh) | 基于lstm神经网络模型的mems惯性导航系统定位增强方法 | |
CN115406446A (zh) | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 | |
Tafner et al. | Robust online roll dynamics identification of a vehicle using sliding mode concepts | |
CN112417598A (zh) | 一种多源融合的车辆状态并联估计方法 | |
CN111942399A (zh) | 一种基于无迹卡尔曼滤波的车速估算方法及系统 | |
Yong et al. | State reconstruction in a nonlinear vehicle suspension system using deep neural networks | |
CN117719519A (zh) | 一种车辆行驶状态估计方法 | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
Kojis et al. | Deep neural network based data-driven virtual sensor in vehicle semi-active suspension real-time control | |
KR102508318B1 (ko) | 인공신경망을 이용한 적분산출가능물리량 추정방법 |
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 |