CN109219547B - 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法 - Google Patents

用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法 Download PDF

Info

Publication number
CN109219547B
CN109219547B CN201780034625.1A CN201780034625A CN109219547B CN 109219547 B CN109219547 B CN 109219547B CN 201780034625 A CN201780034625 A CN 201780034625A CN 109219547 B CN109219547 B CN 109219547B
Authority
CN
China
Prior art keywords
vehicle
probability distribution
friction
maximum
coefficient
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
CN201780034625.1A
Other languages
English (en)
Other versions
CN109219547A (zh
Inventor
马蒂亚斯·施莱格尔
约亨·阿布豪
海因茨-约阿希姆·吉尔斯多夫
朱利安·金
约亨·科勒
霍斯特·克里梅尔
格哈德·尼德布鲁克
拉拉·露特·特纳
福尔克尔·瓦格纳
罗伯特·兹迪赫
瓦内萨·阿德勒
萨沙·海因里希斯-巴切尔
拉尔夫·拉夫奥夫
霍尔格·西蒙
沃尔特·施泰因
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.)
Lucas Motor Co ltd
ZF Friedrichshafen AG
Original Assignee
Lucas Motor Co ltd
ZF Friedrichshafen AG
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 Lucas Motor Co ltd, ZF Friedrichshafen AG filed Critical Lucas Motor Co ltd
Publication of CN109219547A publication Critical patent/CN109219547A/zh
Application granted granted Critical
Publication of CN109219547B publication Critical patent/CN109219547B/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
    • 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
    • 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
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • B60W2050/0051—Sampling combined with averaging
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/54—Audio sensitive means, e.g. ultrasound
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/20—Steering 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
    • 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
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral 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
    • B60W2520/14—Yaw
    • 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
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/20—Tyre data
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • 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
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
    • 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
    • B60W2552/20—Road profile, i.e. the change in elevation or curvature of a plurality of continuous road segments
    • 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
    • B60W2552/30—Road curve radius
    • 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
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Regulating Braking Force (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明描述了一种用于估计在车辆的当前的和/或未来的航路点(s、s*)处的最大摩擦系数(μ)的概率分布的方法。在该方法中，借助贝叶斯网络从针对车辆的航路点(s)来获知或已经获知且表征了在车辆的航路点(s)处的最大摩擦系数(μ)的第一批信息获知在车辆的航路点(s)处的针对最大摩擦系数(μ)的第一概率分布(WV1)。

Description

用于估计在车辆的当前的和/或未来的航路点处的最大摩擦 系数的概率分布的方法
技术领域
本发明涉及一种用于估计在行进的车辆的当前的航路点和/或至少一个未来的航路点处的最大摩擦系数的概率分布的方法和设备。
背景技术
检测或确定在轮胎与车道之间可供使用的最大摩擦系数或者检测从中可以推导出摩擦系数组的车道状态(例如干燥的、潮湿的、被雪覆盖的和结冰的)是用于对驾驶员在其行驶任务方面进行支持并避免发生严重事故的重要前提条件。通常，由驾驶员负责对道路状况进行判断，驾驶员必须使其行驶方式适应于此。车辆控制系统，如ESC(ElectronicStability Control(电子稳定控制系统))/TCS(Traction Control System(牵引力控制系统))和ABS(防抱死制动系统)，帮助驾驶员将车辆稳定在边界范围内，以便能够在极端情况下更容易满足驾驶员的行驶任务。
事故避免(主动安全)在驾驶员辅助系统中变得越来越重要。但是，这些驾驶员辅助系统的作用至关重要地与可供使用的最大摩擦系数有关。该最大摩擦系数主要由轮胎、地面和中间介质之间的相互作用来确定。例如，相对于在干燥的车道上可供使用的最大摩擦系数，潮湿、雪和冰明显降低了轮胎与车道之间可供使用的最大摩擦系数。如果发生如可能是由于环境条件变化所引起的摩擦系数突然变化，则可能会导致行驶状况不稳定并引发事故。当车辆的驾驶员由于错误判断可供使用的最大摩擦系数而过快地经过弯道时，是特别危险的。在知道摩擦系数或大概的摩擦系数区间的情况下，车辆在弯道之前就已经可以减速到使该车辆可以顺利驶过弯道的程度。然而，能够实现对这种情况进行干预的驾驶员辅助系统为此就需要知道在车辆的未来的航路点上的最大摩擦系数。对于自动化地行驶的车辆来说，知道当前的航路点以及未来的航路点处的摩擦系数也是重要的，这是因为这些值是用来计算行驶策略(尤其是速度轨迹)的重要参量。
最大摩擦系数可以通过直接或间接的措施来获知。通过直接的措施获知摩擦系数是基于效果的，并且可以被划分到直接且主动的措施和直接且被动的措施。在直接且主动的措施中，通过制动和/或转向来实现对车辆的行驶动力学的主动干预。在直接且被动的措施中，没有发生主动干预车辆的行驶动力学。替代地，只观察在车辆的行驶灵活性的变化曲线中最大摩擦系数作用到轮胎滚面、车辆和类似物上的效果，该效果使该车辆实施用于到达预设的导航目的地。为了测量最大摩擦系数的效果并由此能够充分肯定地推断出最大摩擦系数，在轮胎上的力传递是前提条件。传递较高的力是有利的。
间接的基于原因的措施以结合参数确定最大摩擦系数为基础，这些参数在物理上影响最大摩擦系数。这些参数例如可以是轮胎花纹、轮胎的橡胶混合物、轮胎的温度、轮胎气压、道路覆面、道路覆面的温度、道路覆面的性质(例如，雪或水分)。缺点是需要完整地物理建模以及要知道相应的功能上的关系。为此需要较高的传感器件花费。
除非在本说明书中明确说明，否则术语摩擦系数和最大摩擦系数在下面被同义使用。同样，术语分布和概率分布将被视为同义词。
发明内容
本发明的任务是说明用于估计车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法和设备，其可以在行车时执行，并且在信息融合的意义下将直接和间接的措施有效地组合起来。
这些任务通过根据本发明所述的方法以及根据本发明所述的设备来解决。有利的设计方案也将在下文中描述。
根据本发明，在用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法中，从针对车辆的航路点来获知或已经获知且表征了在车辆的航路点处的最大摩擦系数的第一批信息获知在车辆的航路点处的针对最大摩擦系数的第一概率分布，其中，第一概率分布借助贝叶斯网络来获知；其中，从关于车辆的未来的航路点的第二批信息来估计在未来的航路点处的针对最大摩擦系数的第二概率分布；其中，从第一和第二概率分布通过组合获知合成的概率分布；其中，为了获知第一概率分布，由第一批信息来获知针对最大摩擦系数的先验概率分布；其中，针对每个输出节点从第一批信息借助对在当前的航路点处的具体的输出值进行的观察来获知似然概率分布；其中，针对输出节点的至少一部分，在校正步骤中借助贝叶斯公式从先验概率分布和各自的似然概率分布获知各自的针对最大摩擦系数的后验概率分布；其中，对针对最大摩擦系数的后验概率分布进行评估；其中，在获知和/或评估似然概率分布时附加地考虑车辆加速度；其中，借助熵来评估各自的后验概率分布和选定其中一个后验概率分布。
在根据本发明的用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法中，从第一批信息获知在车辆的当前的航路点处的针对最大摩擦系数的第一概率分布，第一批信息针对车辆的例如当前的航路点来获知并且表征了在车辆的当前的航路点处的最大摩擦系数。在此，第一概率分布借助贝叶斯网络来获知。
如此生成的概率分布可以在进一步顺序中被用作用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的基础。(例如经由统计学上的位置度量(Lagemaβe)，如预期值、众数或分位数进行的)该估计的精确的设计方案不是本发明的组成部分。
在适宜的设计方案中，尤其是借助贝叶斯网络，从关于车辆的未来的航路点的第二批信息来估计在车辆的未来的航路点处的针对最大摩擦系数的第二概率分布。此外，通过组合从第一和第二概率分布来获知合成的组合的概率分布。
贝叶斯网络是有向无环图，其节点相应于随机变量，并且其指引线(Kante)相应于由条件决定的依赖关系。如本领域技术人员所知，每个节点都具有与前趋节点的概率分布有关的由条件决定的概率分布。使用贝叶斯网络作为元模型能够实现的是，通过如下方式获知在车辆的当前的航路点处的最大摩擦系数的概率分布，其方式是：有效地利用多个现有的信息，优选使所有现有的信息。同时，该信息基础与在未来的航路点处的针对最大摩擦系数的概率分布一起被使用，以便获得在未来的航路点处的针对最大摩擦系数的较高的判断品质(Aussagegüte)。
由贝叶斯网络的节点和指引线形成三级的因果链，其中，贝叶斯网络的输入节点分别代表了作用到最大摩擦系数的影响因子，其中，分别与最大摩擦系数有关的输出节点代表了最大摩擦系数的结果或效果，并且其中，输入节点与最大摩擦系数以及最大摩擦系数与输出节点之间的由条件决定的依赖关系通过指引线来代表。贝叶斯网络也可以由多级的因果链形成，其中，输入节点和/或输出节点被划分到一个或多个分等级的平面。为每个输入节点和每个输出节点分配了由条件决定的概率。这些由条件决定的概率可以由经验数据或训练数据和/或专家知识获得。
将在当前的航路点处的以下信息中一个或多个作为(也就是说用于生成第一概率分布的)第一批信息来处理：车辆的纵向和/或横向加速度；偏航率；一个或多个车轮转速；摩擦系数估计。这些信息可以由ESC的或制动器的传感器提供。可以将车辆速度作为另外的信息来处理。车辆速度例如通过位于车辆中的雷达系统来获知，这是因为该雷达系统与其他传感器相比可以以特别高的精度来提供车辆速度。替选地，车辆速度也可以由车轮转速和/或GPS(全球定位系统)数据来获知。可以将滑移和/或摩擦系数估计作为另外的一个或多个信息来处理，其中，这个或这些信息能够由行驶状态观察器(下文被称为FZB)来提供。此外适宜的是，将基于转向的信息的摩擦系数估计或用于此目的的转向信号作为在当前的航路点处的信息来处理。此外可以适宜的是，对关于驾驶员类型或驾驶员的驾驶风格的信息进行处理。驾驶员类型例如可以是运动型的或舒适型的驾驶员类型，其中，该识别可以结合变速器传感器件的数据、踏板变换时间、车辆的横向加速度、行驶踏板的或所选择的行驶模式的踏板梯度来获知。适宜地，也可以处理气象信息，如例如外部温度、降水的类型和强度、空气湿度和/或气压以及提到的信号的历史的和/或预测的数据。这些信息可以在车辆中以测量技术来检测或从气象信息服务商获得，其中，这些数据可以经由无线的通讯接口被机动车接收和处理。适宜地，也可以对道路拓扑、车道类型(沥青、混凝土、鹅卵石、砾石和类似物)、中间层(雪、水分等)和/或车道的状态进行处理。关于道路拓扑的数据可以从导航系统的地图数据获取。道路拓扑例如包括弯道曲率、坡度等。车道类型、中间层和车道的状态可以由摄像机系统探测并且/或者同样由精确的路线数据(以下被称为PSD)获取。作为摄像机系统的替代或补充，可以使用另外的传感器，如例如雷达系统、光学雷达系统、红外线系统和/或超声波系统。
适宜地，第一批信息通过以下信息源中一个或多个来提供或获知：ESC/制动器；雷达系统；摄像机系统；光学雷达系统；超声波系统；红外线系统；行驶状态观察器；转向部；气象信息服务商；PSD。其中一些信息源(ESC/制动器、雷达系统、摄像机系统、光学雷达系统、红外线系统、行驶状态观察器、转向部)在此是车辆的信息源。这些信息在此由各自的控制器(ECU–Electronic Control Unit(电子控制单元))提供。其它信息源，如气象信息服务商或PSD是与机动车无关的信息源，其中，由这些信息源提供的信息可以经由无线的通讯接口被输送给机动车的计算机，例如中央的ECU。
适宜的是，为了从第一批信息获知第一概率分布，获知在车辆的当前的航路点处的针对最大摩擦系数的先验概率分布，针对每个输出节点结合对在当前的航路点处的具体的输出值进行观察来获知似然概率分布，并且在校正步骤中借助已知的贝叶斯公式从先验概率分布和各自的似然概率分布获知各自的针对最大摩擦系数的后验概率分布并且进行评估。换句话说，对后验概率分布的获知包括从所测得的数据和/或专家知识来确定先验分布以及似然分布。例如可以借助与训练数据集相匹配的线性或非线性的回归模型来确定当前的航路点处的先验概率分布和似然概率分布。附加地，例如可以通过设定回归模型的系数来将专家知识包括在内。
适宜地，在获知和/或评估似然概率分布时，附加地考虑车辆加速度。由此，可以改善摩擦系数估计的品质，这是因为该品质由原理造成地随着摩擦系数被更充分地利用而增加。
此外可以有利的是，结合熵来评估各自的后验概率分布和选定后验概率分布。对所选择的后验概率分布的评估也可以结合它们的熵来进行。在本方法中在此适宜的是，获得尽量小的熵，这是因为于是能够尽量准确地确定在当前的航路点处的最大摩擦系数。相反如果熵很大，则关于当前的航路点处的最大摩擦系数的判断品质将受到影响。因此适宜的是，在熵很大的情况下，使用直接且主动的措施，例如是有针对性的(对特定车轮的)转向和/或制动/加速干预。通过提高纵向和/或横向方向上的力改善了在贝叶斯网络的输出节点处的判断品质。由此得到了经改善的后验概率分布，这就整体上提高了判断品质。
此外适宜的是，将关于未来的航路点的以下信息中的一个或多个作为第二批信息进行处理，用以生成第二概率分布：来自和/或关于前方行驶的车辆的数据，如例如前方行驶的车辆的速度、纵向和/或横向加速度、偏航率、车轮转速、摩擦系数估计、来自转向部的信息；关于前方行驶的车辆的驾驶员的驾驶风格的数据或其对周围环境条件和/或可供使用的最大摩擦系数的主观估算；道路拓扑；道路覆面的类型；道路状况；路面；中间媒介的类型；气象数据(例如外部温度、降雨强度、空气湿度、气压)。这些信息可以从机动车的传感器件获知和/或从其他的交通参与者或其他的基础设施部件无线地接收。关于道路覆面的类型、道路状况和路面的信息例如可以由地图数据的提供者来提供。中间介质的类型(雪、水分等)例如可以是由摄像机系统、红外线系统，雷达系统，光学雷达系统和/或超声波系统探测到和/或由气象和/或地图服务商来提供。同样可以由气象服务商提供一般的气象数据。上面列出的信息还可以由智能的基础设施部件获知与车辆进行通讯。
为了组合第一和第二概率分布，尤其执行凸组合(凸线性组合)。在组合的情况下对前瞻参数进行处理，前瞻参数通过对第一和第二概率分布进行加权来表示前瞻的度量。根据另外的设计方案，前瞻参数可以依赖于第一和/或第二概率分布的熵和/或位于车辆内部和外部的可用使用来确定摩擦系数的传感器件选择。可选地，前瞻参数可以自适应地或固定地被选择。尤其地，前瞻参数例如可以依赖于所提供的第一批信息和/或第二批信息的数量来选择。尤其是在有前方行驶的车辆的情况下可以自适应地选择未来的航路点。由此，例如可以以当前较高的准确性来考虑由前方行驶的车辆获知的最大摩擦系数或者由前方行驶车辆以感测方式检测到的如下参数，这些参数被考虑用于获知在未来的航路点处的最大摩擦系数。
应理解，在对合成的概率分布进行计算的情况下，可以考虑两个以上的概率分布。在这种情况下，可以使用多个前瞻参数来形成凸组合。当存在在在多于一个前瞻点处的关于最大摩擦系数的信息可供使用时，尤其提供了该方法。
本发明还提供了一种用于估计在车辆的当前的和未来的航路点处的最大摩擦系数的概率分布的设备。该设备包括第一机构，以便借助贝叶斯网络从针对车辆的尤其是当前的航路点所获知或已经获知的并且表征了在车辆的航路点处的最大摩擦系数的第一批信息生成在车辆的航路点处的针对最大摩擦系数的第一概率分布。适宜地，该设备包括第二机构，以便从关于未来的航路点的第二批信息估计在车辆的未来的航路点处的针对最大摩擦系数的第二概率分布，以及该设备包括第三机构，以便从第一和第二概率分布尤其通过凸组合获知合成的概率分布。设备被设立成用于借助第一、第二和第三机构来执行根据本发明所述的方法。
该设备具有的优点与上述结合根据本发明的方法所描述的优点相同。
此外，该设备可以包括用于执行方法的另外的机构。
附图说明
下面结合附图中的实施例详细描述本发明。其中：
图1示出可能的贝叶斯网络的在根据本发明的方法中使用的元模型的因果链的示意图；
图2示出在贝叶斯网络中示例性地使用的信息的示意图；
图3示出借助贝叶斯网络怎样从先验分布产生似然分布和后验分布的示意图；
图4示出获知合成的组合的概率分布的示意图；并且
图5a至5b示出不同的合成的概率分布的实施例。
具体实施方式
经简化的贝叶斯网络形成了针对该方法的基础，该贝叶斯网络由节点1、2、3和指引线4、5构成并且表示三级的因果链，这如图1中所示。因果链由最大摩擦系数μ的影响因子或原因u、最大摩擦系数μ本身和表示根据图1的贝叶斯网络的输出的结果或效果y构成。代表影响因子的节点1与代表最大摩擦系数的节点2之间的依赖关系被建模成有向的指引线4。同样，代表最大摩擦系数μ的节点2与代表结果的节点3之间的依赖关系被建模成有向的指引线5。应理解，贝叶斯网络还可以包括少于三个(例如确定下述的在未来的航路点处的先验概率分布)或多于三个的有因果的级。后者尤其是当一些布置在输入侧上的节点被聚集在图1中的节点1和2之间的另外的平面中时的情况(例如，用于对路面、轮胎类型或中间介质进行分类)。这种贝叶斯网络的优点在于，来自预知以及来自数据的信息被用于确定节点处的由条件决定的概率进而被用于确定最大摩擦系数μ的概率分布。尤其得到以下可能性，即，有效地将不同的、已知的或新型的基于直接和间接的措施的用于摩擦系数估计的单个设计计划组合起来。此外，通过模块化的结构能够添加或省略网络的各个节点1或3，这虽然影响了摩擦系数估计的质量，但是在设计计划上不需要进行改变。
作用到最大摩擦系数μ(也就是说到节点2)上的影响因子u(也就是说节点1)例如是包括其拓扑和其状态方面的车道(道路)、轮胎(花纹、轮胎压力、橡胶混合物、温度等)、存在于道路覆面与轮胎之间的中间介质(湿气、水分、雪、冰、碎石等)以及车辆本身。最大摩擦系数μ(也就是说节点2)的结果y(也就是说节点3)例如是滑移、偏航率、(最大可能的)加速度和类似结果。此外还有另外的、在此没有列出的影响因子u和结果y。
参考图2和3，现在描述了根据本发明所要执行的用于确定第一概率分布的步骤，第一概率分布代表了在车辆下方的(也就是说在车辆的当前的航路点处的)最大摩擦系数μ的概率分布。在该方法的第一步骤S1中，在给定输入u的情况下，计算了针对车辆下方的在当前的航路点处存在的最大摩擦系数μ的先验概率PuF,Pr(μ(s)|U(s))。由此生成的先验分布WVPr可以离散地获知或作为连续的分布来获知，其中，图2示出了离散的分布，而图3示出了连续的分布。图2示出了可以被考虑用于获知WVPr的可能的输入u(s)。
应理解，图2中所示的输入数据u(s)仅示例性地选择。这些数据可以由车辆本身的传感器来提供或由机动车外部的服务提供商来提供。
在车辆中可供使用的信息源通常例如是用于提供加速度、偏航率、车轮转速以及可能的摩擦系数估计的ESC、用于提供车辆速度的雷达、用于提供滑移估计和/或摩擦系数估计的车辆状态观察器、用于提供摩擦系数估计的转向部、驾驶风格评估/分类。术语摩擦系数估计在此被理解为提供了针对最大摩擦系数的标量和区间。例如可以结合变速器数据、踏板变换时间、踏板梯度和/或横向加速度来获知对驾驶风格的评估或分类。应理解，相应的信息由信息源的各自的控制器来获知并提供。
由气象信息服务商提供的数据原则上包括所有可想到的气象数据，其包括外部温度、降雨强度、空气湿度和气压。
涉及拓扑的数据可以由地图提供商来提供。拓扑在此包括坡度、弯道曲率、弯道半径、车道倾斜角度、车道不平整度、车道曲折程度、坑洼等。同样地，这种数据可以包括关于路面、道路状态和道路覆面的类型的信息。关于道路湿度的信息可以通过气象信息和地图数据的关联来提供。在这方面，历史的以及当前的和预测的数据都很重要。为了确定车道表面和/或中间介质的特性，可以附加地或仅使用在车辆内部的传感器，如例如摄像机系统、雷达系统、光学雷达系统、红外线系统、超声波系统和/或智能基础设施的部件。
例如可以借助回归模型确定先验分布WVPr，该回归模型匹配于足够大的训练数据集。例如可以应用线性回归。然而原则上也可以使用非线性的简单的回归模型或多元的回归模型。对回归模型的一些系数的设定表示可以实现包括那些不一定必须映射在训练数据中的语义学的专家知识。
此外，在第二步骤S2中，在给定摩擦系数μ和另外的参数，如例如加速度的情况下，借助基于足够大的训练数据集的另外的回归模型来确定似然概率PuF,li(y(s)|μ(s))。在此也可以使用任意的回归模型(线性的/非线性的、简单的/多项的、参数的/非参数的等)。选择合适的措施与输出数据y(s)的结构有关。如果存在例如行驶状态观察器的连续的数据，则提供线性的或非线性的回归。如果输出数据例如包括驾驶风格分类，则存在按类别的数据。在此，(多项的)逻辑的回归是适宜的。如所述，可以将车辆加速度作为另外的参数进行处理，这是因为由原理造成地，摩擦系数估计的品质随着摩擦系数被更充分地利用，也就是说在轮胎上所传递的力的增加而提升。结果是，为了对针对在贝叶斯网络的输出侧上的k个节点3中的每个节点来说在当前的航路点s处的具体的输出值y(s)进行观察，确定了概率分布WVli,l(其中i＝1...k)(参见图3)。
在图2和3中被考虑的实施例中，将ESC的摩擦系数估计、车辆加速度、偏航率、滑移、FZB的摩擦系数估计、转向部的摩擦系数估计和驾驶风格分类考虑作为输出y(s)。应理解，图2和3中所示的输出y(s)仅示例性地选择。
当车辆行驶经过当前的航路点时，确定似然概率分布WVli,i表示对最大摩擦系数的结果进行观察。然后，基于这些被观察的似然概率分布对在步骤S1中确定的先验概率分布WVPr进行校正。
借助贝叶斯公式
Figure GDA0003669114390000111
最后，在校正步骤(步骤S3)中，从先验分布WVPr和针对不同的输出y(s)的各自的似然分布WVli,i中计算在车辆之下的针对最大摩擦系数μ的后验分布PuF,po(μ(s)|u(s)),y(s))，其在图3中用WVpo,i(i＝1...k)标记。
在下一步骤中，对当前的后验分布WVpo,i进行估计并从中选定一个。对后验分布WVpo,i的评估例如可以结合其熵H以
Ηpo,i＝-∑jPuF,po,i(μ∈μj|u,yk)·lnPuF,po,i(μ∈μj|u,yk？) (2)
来进行。因此存在在当前的航路点s处在车辆之下的针对最大摩擦系数μ的第一概率分布WV1。
在图3中以图形方式说明了所描述的方法。在此示出的是，在给定输入的情况下和在给定输出y(s)的情况下对在车辆之下的针对在当前的航路点s处可供使用的最大摩擦系数μ的后验概率分布WVpo,i进行确定的连续的子步骤。同样地，可以看到确定似然分布WVli,i以及结合熵H进行的评估和选定的子步骤。如结合示意性的图3可以看出，选定了使其熵H是最小的那个概率分布。在图3中，这是在最上面的行中示出的具有熵Hpo,1≈3.6的后验概率分布WVpo,1。
在下一步骤中(参见图4)，对针对在未来的航路点s*处在车辆前方的最大摩擦系数的第二概率分布WV2进行估计。未来的航路点也被称为前瞻点s*。借助关于未来的航路点s*的信息可以说明针对在那里的最大摩擦系数μ的先验概率分布PvF,Pr(μ(s*)|u(s*))。这些信息例如可以是车道表面、车道状态、可能的中间介质(雪、湿气、雨)、气象条件(外部温度、空气湿度、气压)、前方行驶的车辆的信息等，信息可以来自车载传感器件、其他的交通参与者或基础设施部件。在该步骤中获得的分布WV2表示第二概率分布，其可以以离散的或连续的形式存在，图4示出了两者。对第二概率分布WV2的确定可以如确定先验分布WVPr那样从步骤S1例如借助回归模型来进行，该回归模型匹配于足够大的训练数据集。例如，可以使用线性的回归。然而原则上也可以使用非线性的回归模型。对回归模型的一些系数的设定表示可以实现那些不一定必须映射在训练数据中的语义学的专家知识。在最后的步骤中，从之前获知的第一概率分布WV1(参见结合图2和3描述的方法)以及针对在未来的航路点处的最大摩擦系数s*的第二概率分布WV2来计算针对最大摩擦系数的合成的组合的概率分布WVres。该组合可以借助凸组合和前瞻参数α来执行，其中0≤α≤1。凸组合根据以下等式实现
WVres＝(1-α)·WV1+α·WV2 (3)
前瞻参数α通过如下方式来表征，如估计是前瞻性的那样，其方式是：对第一和第二概率分布WV1和WV2进行加权。前瞻参数α可以被固定选择。它也可以与当前的信息，如例如WV1和/或WV2的熵或在前瞻点s*上的信息的类型或范围有关。在这种情况下，前瞻参数α在每个出现两个概率分布WV1和WV2中的至少一个上经历更新的那个时刻被重新选择。
第一概率分布WV1(来自车辆之下的信息的后验分布，PuF)和第二概率分布WV2(来自前瞻点处的信息的先验分布PvF)的组合和对合成的、组合的概率分布WVres进行的计算在图4中做了说明。在此，示范性地假设前瞻参数α＝0.3。
在对由多于两个的概率分布合成而得的概率分布进行计算时，可以使用多个前瞻参数来形成凸组合。当存在在多于一个前瞻点处的关于最大摩擦系数的信息可供使用时，尤其提供了此方法。适用的是
WVres＝∑iαi·WVi 其中：∑iαi＝1 (4)
如果针对最大摩擦系数的合成的概率分布的信息量较少(参见图5b中的概率分布Pges(μ|u,y)的变化曲线)，也就是说，如果该合成的概率分布具有扁平的变化曲线，这例如结合熵可以识别到，则可以例如通过使用用于获知最大摩擦系数的直接且主动的措施，例如是通过有针对性的(对特定车轮的)转向和/或制动/加速干预，尤其是在同时暂时地提高马达转矩的情况下。由此，增加了传递到轮胎上的力，这就能够在输出y(s)上实现更好的判断品质。由此得到了一些似然概率分布的“更陡的”变化曲线，其又在合成的概率分布的“更陡的”变化曲线中反映出来，如这一点在图5a中被示意性地示出。代替考虑合成的概率分布(如图5所示)地，在启动直接且主动的措施来更准确地估计最大摩擦系数的意义下也可以从在车辆之下的针对最大摩擦系数的似然和/或后验概率分布的变化曲线推导出采取行动的需求。
如果最大摩擦系数μ在机动车的行驶路程上仅缓慢地改变的假设不适用并且例如在车辆之下的或其前方的针对最大摩擦系数的概率分布WV1和WV2与预期值相比差别很大的话，则可以实施对前瞻参数α的调整，以便更准确地确定摩擦系数变化的点。替选地，可以在未来的航路点处给车辆准备新的边界条件。这例如可以通过减速来防止进一步的速度增加等。
附图标记列表
1 节点
2 节点
3 节点
4 指引线
5 指引线
μ 摩擦系数
WV1 第一概率分布
WV2 第二概率分布
WVres 合成的概率分布
WVPr 先验概率分布
WLi,i 似然概率分布，其中i＝1...k
WVpo,i 后验概率分布，其中i＝1...k
α 前瞻参数

Claims (19)

1.用于估计在车辆的当前的和/或未来的航路点(s、s*)处的最大摩擦系数(μ)的概率分布的方法，其中，
从针对车辆的航路点(s)来获知或已经获知且表征了在车辆的航路点(s)处的最大摩擦系数(μ)的第一批信息获知在车辆的航路点(s)处的针对最大摩擦系数(μ)的第一概率分布(WV1)，
其中，所述第一概率分布(WV1)借助贝叶斯网络来获知；
其中，从关于车辆的未来的航路点(s*)的第二批信息来估计在未来的航路点(s*)处的针对最大摩擦系数(μ)的第二概率分布(WV2)；
其中，从第一和第二概率分布(WV1、WV2)通过组合获知合成的概率分布(WVres)；
其中，为了获知所述第一概率分布(WV1)，由所述第一批信息来获知针对最大摩擦系数(μ)的先验概率分布(WVPr)；
其中，针对每个输出节点(y(s))从所述第一批信息借助对在当前的航路点(s)处的具体的输出值进行的观察来获知似然概率分布(WVli,i)；
其中，针对输出节点(y(s))的至少一部分，在校正步骤中借助贝叶斯公式从先验概率分布(WVPr)和各自的似然概率分布(WVli,i)获知各自的针对最大摩擦系数(μ)的后验概率分布(WVpo,i)；
其中，对所述针对最大摩擦系数(μ)的后验概率分布(WVpo,i)进行评估；
其中，在获知和/或评估所述似然概率分布(WVli,i)时附加地考虑车辆加速度；
其中，借助熵来评估各自的后验概率分布(WVpo,i)和选定其中一个后验概率分布(WVpo,i)。
2.根据权利要求1所述的方法，其中，由贝叶斯网络的节点(1、2、3)和指引线(4、5)形成三级的因果链，其中，
所述贝叶斯网络的输入节点(u(s))分别代表了作用到最大摩擦系数(μ)的影响因子，
分别与最大摩擦系数(μ)有关的输出节点(y(s))代表了最大摩擦系数(μ)的结果或效果，并且
输入节点(u(s))与最大摩擦系数(μ)之间以及最大摩擦系数(μ)与输出节点(y(s))之间的每个限定的关系通过指引线(4、5)来代表。
3.根据权利要求1所述的方法，其中，所述贝叶斯网络形成多级的因果链，其中，
所述贝叶斯网络的输入节点(u(s))被划分到一个或多个分等级的平面，并且/或者
所述输出节点(y(s))被划分到一个或多个分等级的平面。
4.根据权利要求1至3中任一项所述的方法，其中，给所述贝叶斯网络的每个节点(1、2、3)分配了限定的概率。
5.根据权利要求1至3中任一项所述的方法，其中，将以下信息中的一个或多个信息作为第一批信息和/或第二批信息来处理：
-车辆的纵向和/或横向加速度；偏航率；一个或多个车轮转速；基于车辆的纵向动力学的摩擦系数估计；
-车辆速度；
-滑移；
-基于车辆的横向动力学的摩擦系数估计；
-基于由车辆的纵向和横向动力学构成的组合的摩擦系数估计
-驾驶员类型或驾驶风格分类；
-外部温度；降雨强度；空气湿度；气压；
-道路拓扑；车道的湿度；车道的类型和状态；中间介质的类型。
6.根据权利要求1至3中任一项所述的方法，其中，第一批信息和/或第二批信息通过以下信息源中的一个或多个信息源来提供或获知：
-ESC/制动器；雷达系统、摄像机系统、光学雷达系统、超声波系统、红外线系统；行驶状态观察器；转向部；气象信息服务商；精确的地图数据(PSD)、智能基础设施部件。
7.根据权利要求1至3中任一项所述的方法，其中，在熵很大的情况下，执行有针对性的转向干预和/或制动干预或加速干预。
8.根据权利要求1至3中任一项所述的方法，其中，为了获知第二概率分布(WV2)，将以下信息中的一个或多个信息作为关于未来的航路点(s*)的信息进行处理：
来自和/或关于前方行驶的车辆的数据；来自和/或关于前方行驶的车辆的驾驶员的数据；道路拓扑；道路覆面的类型；道路状况；路面；中间介质的类型；气象数据；精确的地图数据(PSD)；智能的基础设施部件的数据。
9.根据权利要求1至3中任一项所述的方法，其中，为了组合第一和第二概率分布(WV1、WV2)，执行凸组合。
10.根据权利要求9所述的方法，其中，在组合时对前瞻参数(α)进行处理，所述前瞻参数通过对所述第一和第二概率分布(WV1、WV2)加权来表示前瞻的度量。
11.根据权利要求10所述的方法，其中，在组合时，处理至少一个另外的前瞻参数(α)。
12.根据权利要求10所述的方法，其中，所述前瞻参数(α)依赖于各自的概率分布的和/或依赖于车辆的传感器件的用来确定最大摩擦系数(μ)的信息的所获知的熵来进行选择。
13.根据权利要求1至3中任一项所述的方法，其中，未来的航路点(s*)被适应性地选择。
14.根据权利要求1至3中任一项所述的方法，其中，除了在前瞻点(s*)处的针对最大摩擦系数(μ)的第二概率分布之外，还处理在一个或多个另外的前瞻点(si*)处的针对最大摩擦系数(μ)的一个或多个另外的概率分布，用于确定针对最大摩擦系数(μ)的合成的概率分布。
15.根据权利要求1至3中任一项所述的方法，其中，借助贝叶斯网络，从所述第二批信息来估计所述第二概率分布(WV2)。
16.根据权利要求1至3中任一项所述的方法，其中，在熵很大的情况下，执行有针对性的转向干预和/或对特定车轮的制动干预或加速干预。
17.根据权利要求8所述的方法，其中，所述气象数据是外部温度、降雨强度、空气湿度、气压。
18.用于估计在车辆的当前的和/或未来的航路点(s*)处的最大摩擦系数(μ)的概率分布的设备，其包括：
第一机构，以便借助贝叶斯网络从针对车辆的航路点(s)所获知或已经获知并且表征了在车辆的航路点(s)处的最大摩擦系数(μ)的第一批信息生成在车辆的航路点(s)处的针对最大摩擦系数(μ)的第一概率分布(WV1)；
第二机构，以便借助贝叶斯网络从关于车辆的未来的航路点(s*)的第二批信息估计在未来的航路点(s*)处的针对最大摩擦系数(μ)的第二概率分布(WV2)；和
第三机构，以便从第一和第二概率分布(WV1、WV2)通过组合获知合成的概率分布(WVres)；
其中，所述设备被设立成用于借助第一、第二和第三机构来执行根据权利要求1至17中任一项所述的方法。
19.根据权利要求18所述的设备，其特征在于，针对车辆的当前的航路点(s)获知或已经获知所述第一批信息。
CN201780034625.1A 2016-06-07 2017-05-11 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法 Active CN109219547B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102016209984.1A DE102016209984A1 (de) 2016-06-07 2016-06-07 Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs
DE102016209984.1 2016-06-07
PCT/EP2017/061264 WO2017211532A1 (de) 2016-06-07 2017-05-11 Verfahren zur schätzung einer wahrscheinlichkeitsverteilung des maximalen reibwerts an einem aktuellen und/oder zukünftigen wegpunkt eines fahrzeugs

Publications (2)

Publication Number Publication Date
CN109219547A CN109219547A (zh) 2019-01-15
CN109219547B true CN109219547B (zh) 2022-09-27

Family

ID=58701629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780034625.1A Active CN109219547B (zh) 2016-06-07 2017-05-11 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法

Country Status (5)

Country Link
US (1) US11091165B2 (zh)
EP (1) EP3464005B1 (zh)
CN (1) CN109219547B (zh)
DE (1) DE102016209984A1 (zh)
WO (1) WO2017211532A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10752225B2 (en) * 2017-02-08 2020-08-25 Ford Global Technologies, Llc Determining friction data of a target vehicle
US10106168B2 (en) 2017-02-27 2018-10-23 GM Global Technology Operations LLC Methods and systems for proactively estimating road surface friction coefficient
DE102018201462A1 (de) * 2018-01-31 2019-08-01 Audi Ag Verfahren zum Betreiben eines Kraftfahrzeugs sowie entsprechendes Kraftfahrzeug
AT15945U3 (de) * 2018-03-29 2019-01-15 UBIMET GmbH Verfahren zur Ermittlung und/oder Schätzung einer wegbezogenen Eigenschaft, die die Fortbewegung auf dem Weg beeinflusst
DE102018206326B4 (de) 2018-04-24 2020-01-09 Zf Friedrichshafen Ag Verfahren zum Erweitern einer Datenbasis eines Bayesschen Netzes
DE102018210295A1 (de) * 2018-06-25 2020-01-02 Robert Bosch Gmbh Verfahren zur Erzeugung eines Ansteuersignals für ein Fahrzeug sowie Vorrichtung dazu
DE102018217193A1 (de) * 2018-10-09 2020-04-09 Robert Bosch Gmbh Verfahren und System zum Bereitstellen eines Reibwerts an ein Fahrzeug
DE102018217192A1 (de) * 2018-10-09 2020-04-09 Robert Bosch Gmbh Verfahren und System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug
DE102018131080A1 (de) * 2018-12-05 2020-06-10 Bayerische Motoren Werke Aktiengesellschaft Verfahren, digitale Karte, System sowie Computerprogramm zum Ermitteln eines oder mehrerer Fahrbahnzustandswerte für eine Fahrbahnstelle
DE102018133648B4 (de) 2018-12-28 2021-06-17 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Antriebsstrangs eines Kraftfahrzeugs sowie Antriebsstrang für ein Kraftfahrzeug
DE102019202776A1 (de) * 2019-03-01 2020-09-03 Zf Friedrichshafen Ag Verfahren zum Verhindern eines Untersteuerns eines Fahrzeugs bei einer Kurvenfahrt
DE102019202793A1 (de) * 2019-03-01 2020-09-03 Zf Friedrichshafen Ag Verfahren zum Unterbinden eines Überholvorgangs eines Fahrzeugs
US11597364B2 (en) * 2019-03-11 2023-03-07 Mitsubishi Electric Research Laboratories, Inc. System and method for determining friction curve of tire
CN113574554B (zh) * 2019-03-15 2024-10-25 3M创新有限公司 使用因果模型操作供应链
CN110069064B (zh) * 2019-03-19 2021-01-29 驭势科技（北京）有限公司 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备
DE102019208913A1 (de) 2019-06-19 2020-12-24 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln einer Beschaffenheit einer Fahrbahnoberfläche mittels eines ersten Sensors eines Fortbewegungsmittels
DE102019213471A1 (de) * 2019-09-05 2021-03-11 Robert Bosch Gmbh Verfahren zum Schätzen eines Reibungskoeffizienten µ für ein Kraftfahrzeug
DE102019213749A1 (de) * 2019-09-10 2021-03-11 Zf Friedrichshafen Ag Verfahren zum Einhalten einer optimalen Geschwindigkeitsvorgabe für eine von einem Fahrzeug zurückzulegende Strecke
CN110626325A (zh) * 2019-09-18 2019-12-31 中国第一汽车股份有限公司 车辆紧急制动方法、装置和系统
DE102019215203A1 (de) * 2019-10-02 2021-04-08 Robert Bosch Gmbh Verfahren zur Plausibilisierung eines Reibwerts zwischen einem Fahrzeug und einer Fahrbahn und Verfahren zum Steuern eines automatisiert fahrenden Fahrzeugs
AU2021200226A1 (en) * 2020-01-28 2021-08-12 The Goodyear Tire & Rubber Company Method for estimating tire grip
DE102020204434A1 (de) 2020-04-06 2021-10-07 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bestimmen einer Reibungsangabe für ein Rad eines Kraftfahrzeugs
FR3119819B1 (fr) * 2021-02-16 2023-01-06 Psa Automobiles Sa Méthodes et systèmes pour estimer une probabilité d’occurrence d’un événement redouté lié à l’adhérence d’un véhicule automobile
US20230060578A1 (en) * 2021-08-30 2023-03-02 The Goodyear Tire & Rubber Company Road condition monitoring system

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007060652A1 (de) * 2007-12-15 2009-06-18 Bayerische Motoren Werke Aktiengesellschaft Einrichtung zur Fahrbahnzustandsschätzung
CN101844561A (zh) * 2009-03-24 2010-09-29 通用汽车环球科技运作公司 基于统计模式识别的路面条件辨识
CN103813950A (zh) * 2011-07-19 2014-05-21 大陆-特韦斯贸易合伙股份公司及两合公司 用于改善行驶稳定性的方法
CN104554274A (zh) * 2013-10-24 2015-04-29 固特异轮胎和橡胶公司 道路摩擦估计系统与方法
CN104908727A (zh) * 2014-03-10 2015-09-16 通用汽车环球科技运作有限责任公司 在自主制动过程中控制车辆路径的方法
CN105184262A (zh) * 2014-06-12 2015-12-23 通用汽车环球科技运作有限责任公司 使用递归自适应学习和验证的道路表面状况检测
CN105584485A (zh) * 2014-11-12 2016-05-18 通用汽车环球科技运作有限责任公司 使用参与式感测系统来改进道路摩擦估算

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4046059B2 (ja) * 2002-11-08 2008-02-13 株式会社豊田中央研究所 路面状態推定装置
US20080249667A1 (en) * 2007-04-09 2008-10-09 Microsoft Corporation Learning and reasoning to enhance energy efficiency in transportation systems
DE102016208675A1 (de) * 2016-05-19 2017-11-23 Lucas Automotive Gmbh Verfahren zur Bestimmung einer sicheren Geschwindigkeit an einem zukünftigen Wegpunkt

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007060652A1 (de) * 2007-12-15 2009-06-18 Bayerische Motoren Werke Aktiengesellschaft Einrichtung zur Fahrbahnzustandsschätzung
CN101844561A (zh) * 2009-03-24 2010-09-29 通用汽车环球科技运作公司 基于统计模式识别的路面条件辨识
CN103813950A (zh) * 2011-07-19 2014-05-21 大陆-特韦斯贸易合伙股份公司及两合公司 用于改善行驶稳定性的方法
CN104554274A (zh) * 2013-10-24 2015-04-29 固特异轮胎和橡胶公司 道路摩擦估计系统与方法
CN104908727A (zh) * 2014-03-10 2015-09-16 通用汽车环球科技运作有限责任公司 在自主制动过程中控制车辆路径的方法
CN105184262A (zh) * 2014-06-12 2015-12-23 通用汽车环球科技运作有限责任公司 使用递归自适应学习和验证的道路表面状况检测
CN105584485A (zh) * 2014-11-12 2016-05-18 通用汽车环球科技运作有限责任公司 使用参与式感测系统来改进道路摩擦估算

Also Published As

Publication number Publication date
DE102016209984A1 (de) 2017-12-07
EP3464005B1 (de) 2022-11-30
EP3464005A1 (de) 2019-04-10
CN109219547A (zh) 2019-01-15
US11091165B2 (en) 2021-08-17
US20190299997A1 (en) 2019-10-03
WO2017211532A1 (de) 2017-12-14

Similar Documents

Publication Publication Date Title
CN109219547B (zh) 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法
EP3560783B1 (en) Road surface condition estimation apparatus and road surface condition estimation method
US11433904B2 (en) Road condition monitoring
US10838423B2 (en) Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits
JP7172619B2 (ja) 路面状態推定装置及び路面状態推定方法
US11685431B2 (en) Steering angle calibration
CN108349499B (zh) 用于控制在车辆中的功能的方法、装置和处理设备
US11975725B2 (en) Systems and methods for updating the parameters of a model predictive controller with learned external parameters generated using simulations and machine learning
US11254323B2 (en) Localization error monitoring
CN109311482B (zh) 用于确定未来路径点处的安全速度的方法
US20190111932A1 (en) Vehicle escape
US20220242401A1 (en) Systems and methods for updating the parameters of a model predictive controller with learned controls parameters generated using simulations and machine learning
US11142209B2 (en) Vehicle road friction control
CN105000019A (zh) 用于检测、追踪和估计静止的路边物体的方法和系统
CN114954496A (zh) 具有可动态调整校准的交通工具侧向控制系统
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN101844561A (zh) 基于统计模式识别的路面条件辨识
EP3206924B1 (en) Tire stiffness estimation and road friction estimation
CN111656145A (zh) 车辆监测器
CN113165614A (zh) 轮胎刚度估计和道路摩擦力估计
CN112298189A (zh) 用于训练神经元网络的方法、用于估计摩擦系数的方法和设备及机器可读的存储介质
US20230047354A1 (en) Systems and methods for personalizing adaptive cruise control in a vehicle
EP4065438B1 (en) Methods, apparatuses, systems and computer program products for estimating road condition information
Mitrovich Database-Mediated Network Friction Utilization Analysis to Improve Road Safety
Mitrovich et al. Analysis of Friction Utilization Within a Roadway Network Using Simulated Vehicle Trajectories

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