CN110654195B - 车辆、车辆悬架系统及其调节方法、装置 - Google Patents

Abstract

本发明公开了一种车辆、车辆悬架系统及其调节方法、装置，所述车辆悬架系统包括悬架和调节机构，所述方法包括以下步骤：获取车辆前方道路的路面颠簸系数；根据路面颠簸系数获取悬架的高度调节量；根据高度调节量控制调节机构对悬架的高度进行调节。该方法通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

Description

车辆、车辆悬架系统及其调节方法、装置

技术领域

本发明涉及车辆控制技术领域，特别涉及一种车辆悬架系统的调节方法、一种车辆悬架系统的调节装置、一种车辆悬架系统和一种车辆。

背景技术

随着经济的快速发展，人工智能的发展也如火如荼，智能驾驶汽车日益成为人们研究的对象。未来社会要求大大降低汽车交通事故的发生率，以及减少汽车使用率较高地区的交通拥堵情况，智能驾驶汽车将慢慢改变我们的生活和社会。随之而来的是，人们对于智能驾驶汽车的要求也越来越多，不再仅仅局限于安全和便捷，舒适性也越来越成为考察智能驾驶汽车的一个重要指标。因此，对保证驾乘舒适度的研究势在必行，也就是如何很好的对整车进行控制具有非常强的现实意义。

通常，影响驾乘舒适度的一项重要指标就是悬架高度，当悬架高度较低时，一旦遇到较颠簸坑洼路面，将很难满足驾乘人员对驾乘舒适度的要求，甚至还有可能造成车辆底盘摩擦地面带来安全隐患。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种车辆悬架系统的调节方法，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

本发明的第二个目的在于提出一种非临时性计算机可读存储介质。

本发明的第三个目的在于提出一种车辆悬架系统的调节装置。

本发明的第四个目的在于提出一种车辆悬架系统。

本发明的第五个目的在于提出一种车辆。

为实现上述目的，本发明第一方面实施例提出了一种车辆悬架系统的调节方法，所述车辆悬架系统包括悬架和调节机构，所述方法包括以下步骤：获取车辆前方道路的路面颠簸系数；根据所述路面颠簸系数获取所述悬架的高度调节量；根据所述高度调节量控制所述调节机构对所述悬架的高度进行调节。

根据本发明实施例的车辆悬架系统的调节方法，实时获取车辆前方道路的路面颠簸系数，并根据路面颠簸系数获取悬架的高度调节量，以及根据高度调节量控制调节机构对悬架的高度进行调节。该方法通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

另外，根据本发明上述实施例的车辆悬架系统的调节方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述获取车辆前方道路的路面颠簸系数，包括：获取所述车辆前方道路的路面图像；通过预先训练的深度学习模型对所述路面图像进行特征提取，以得到所述路面图像的特征信息，并根据所述特征信息识别出所述车辆前方道路的路面颠簸系数。

根据本发明的另一个实施例，所述获取车辆前方道路的路面颠簸系数，包括：获取所述车辆的当前位置信息；根据所述当前位置信息，从历史数据中获取所述车辆前方道路的路面颠簸系数。

根据本发明的一个实施例，所述对所述路面图像进行特征提取，以得到所述路面图像的特征信息，根据所述特征信息识别出所述车辆前方道路的路面颠簸系数，包括：将所述路面图像输入到预先训练好的深度学习模型中，利用所述深度学习模型中的卷积层，提取所述路面图像的特征信息；将所述特征信息输入到所述深度学习模型中的池化层，利用所述池化层对所述特征信息进行降采样；将降采样后的所述特征信息输入到所述深度神经网络中的全连接层，利用所述全连接层连接降采样后的所述特征信息，并输入到所述深度神经网络中的输出层，得到所述路面颠簸系数。

根据本发明的一个实施例，所述深度学习模型通过以下方式训练获得：获取路面样本图像和所述路面样本图像对应的路面颠簸系数；将所述路面样本图像和所述路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与所述路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到所述深度学习模型。

根据本发明的一个实施例，所述根据所述路面颠簸系数获取所述悬架的高度调节量，包括：获取所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度；将所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度输入所述悬架的动力学模型获得所述悬架的最大允许高度调节量；将所述路面颠簸系数乘以所述最大允许高度调节量获得所述悬架的高度调节量。

根据本发明的一个实施例，所述悬架包括前悬架和后悬架，所述车辆悬架系统的调节方法还包括：在根据所述高度调节量对所述前悬架的高度进行调节后，采集所述前悬架的竖向振动加速度；根据所述竖向振动加速度对所述高度调节量进行修正，获得所述后悬架的高度调节量，根据所述后悬架的高度调节量对所述后悬架的高度进行调节。

为实现上述目的，本发明第二方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现所述的车辆悬架系统的调节方法。

根据本发明实施例的非临时性计算机可读存储介质，通过上述的车辆悬架系统的调节方法，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

为实现上述目的，本发明第三方面实施例提出了一种车辆悬架系统的调节装置，所述车辆悬架系统包括悬架和调节机构，所述装置包括：第一获取模块，用于获取车辆前方道路的路面颠簸系数；第二获取模块，用于根据所述路面颠簸系数获取所述悬架的高度调节量；控制模块，用于根据所述高度调节量控制所述调节机构对所述悬架的高度进行调节。

根据本发明实施例的车辆悬架系统的调节装置，通过第一获取模块获取车辆前方道路的路面颠簸系数，并通过第二获取模块根据路面颠簸系数获取悬架的高度调节量，以及通过控制模块根据高度调节量控制调节机构对悬架的高度进行调节。该装置通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

另外，根据本发明上述实施例的车辆悬架系统的调节装置还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述第一获取模块具体用于，获取所述车辆前方道路的路面图像；通过预先训练的深度学习模型对所述路面图像进行特征提取，以得到所述路面图像的特征信息，并根据所述特征信息识别出所述车辆前方道路的路面颠簸系数。

根据本发明的另一个实施例，所述第一获取模块具体用于，获取所述车辆的当前位置信息；根据所述当前位置信息，从历史数据中获取所述车辆前方道路的路面颠簸系数。

根据本发明的一个实施例，所述第一获取模块具体用于，将所述路面图像输入到预先训练好的深度学习模型中，利用所述深度学习模型中的卷积层，提取所述路面图像的特征信息；将所述特征信息输入到所述深度学习模型中的池化层，利用所述池化层对所述特征信息进行降采样；将降采样后的所述特征信息输入到所述深度神经网络中的全连接层，利用所述全连接层连接降采样后的所述特征信息，并输入到所述深度神经网络中的输出层，得到所述路面颠簸系数。

根据本发明的一个实施例，所述深度学习模型通过以下方式训练获得：获取路面样本图像和所述路面样本图像对应的路面颠簸系数；将所述路面样本图像和所述路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与所述路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到所述深度学习模型。

根据本发明的一个实施例，所述第二获取模块具体用于，所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度；将所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度输入所述悬架的动力学模型获得所述悬架的最大允许高度调节量；将所述路面颠簸系数乘以所述最大允许高度调节量获得所述悬架的高度调节量。

根据本发明的一个实施例，所述悬架包括前悬架和后悬架，所述车辆悬架系统的调节装置，还包括：第三获取模块，用于在根据所述高度调节量对所述前悬架的高度进行调节后，采集所述前悬架的竖向振动加速度；所述控制模块，还用于根据所述竖向振动加速度对所述高度调节量进行修正，获得所述后悬架的高度调节量，根据所述后悬架的高度调节量对所述后悬架的高度进行调节。

为实现上述目的，本发明第四方面实施例提出了一种车辆悬架系统，其包括所述的车辆悬架系统的调节装置。

根据本发明实施例的车辆悬架系统，通过上述的车辆悬架系统的调节装置，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

为实现上述目的，本发明第五方面实施例提出了一种车辆，其包括所述的车辆悬架系统。

根据本发明实施例的车辆，通过上述的车辆悬架系统，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

附图说明

图1是根据本发明实施例的车辆悬架系统的调节方法的流程图；

图2是车辆振动的立体坐标系示意图；

图3是根据本发明一个实施例的卷积神经网络模型的结构示意图；

图4是根据本发明一个实施例的主动悬架的动力学模型；

图5是根据本发明实施例的车辆悬架系统的调节装置的方框示意图；

图6是根据本发明一个实施例的车辆悬架系统的调节装置的方框示意图；

图7是根据本发明实施例的车辆悬架系统的方框示意图；

图8是根据本发明实施例的车辆的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图来描述根据本发明实施例提出的车辆悬架系统的调节方法、非临时性计算机可读存储介质、车辆悬架系统的调节装置、车辆悬架系统和车辆。

图1是根据本发明实施例的车辆悬架系统的调节方法的流程图。

在本发明的实施例中，车辆悬架系统包括悬架和调节机构。

如图1所示，本发明实施例的车辆悬架系统的调节方法可包括以下步骤：

S1，获取车辆前方道路的路面颠簸系数。

S2，根据路面颠簸系数获取悬架的高度调节量。

S3，根据高度调节量控制调节机构对悬架的高度进行调节。

具体而言，通常影响驾乘舒适度的一项重要指标就是悬架高度，我们知道悬架高的车辆乘客体验都会感觉很舒适，而相关技术中悬架高度一般都是固定的，不能根据车辆周围环境进行自动调节。一旦遇到较颠簸坑洼路面，由于悬架高度固定在一个稳定的值，会产生较大的垂直方向力而引起垂直方向的振动，驾乘人员很容易产生被抛出的不舒适感，很难满足驾乘人员对乘坐舒适度的要求，甚至有可能造成车辆底盘摩擦地面带来安全隐患。而且，在车速一定的情况下，路面越不平整，产生的垂直方向力越大，人体不舒适感就会越强烈。

为此，本发明提出了一种考虑驾乘舒适度的车辆悬架系统的调节方法，其目的是通过实时调整车辆悬架的高度对车辆进行控制，以满足驾乘人员对驾乘舒适度的要求。

具体地，车辆振动反应了车辆的平顺性，如图2所示，车辆振动可分为三个轴向的振动，分别为纵向X轴振动、横向Y轴振动和垂直方向Z轴振动。其中纵向X轴振动主要与车辆行驶时驾驶员的操作水平、车辆的启动、加速、减速或紧急制动有关；横向Y轴振动主要是车辆在平曲线段行驶时产生的横向离心力和晃动；垂直方向Z轴振动主要与道路平整度或车辆减震器的状态有关。

车辆在道路上行驶，是作用于车辆上的各种力共同作用的结果。无论车辆是在启动、加速或减速行驶，还是在平曲线、竖曲线上行驶，亦或是在平整、颠簸路面上行驶都必然有加速度的存在，而只有车辆在高度平直且平整的道路上匀速行驶时，加速度才为零，此时驾乘人员感觉最好，但这是一种理想状态。

由图2分析可以看出，车辆在行驶过程中的加速度可分解为：纵向加速度a_x、横向加速度a_y和竖向加速度a_z，这三种类型的加速度对驾乘人员的舒适感觉的影响有明显的差别，具体如表1-表3所示。其中，表1为纵向加速度a_x与人体舒适度的关系表，表2为横向加速度a_y与人体舒适度的关系表，表3为竖向加速度a_z与人体舒适度的关系表。

表1

加速时	减速时	人体感觉
			a<sub>x</sub>≤0.5m/s<sup>2</sup>	a<sub>x</sub>≤0.7m/s<sup>2</sup>	线性优，很舒适
0.5&lt;a<sub>x</sub>≤0.9m/s<sup>2</sup>	0.7&lt;a<sub>x</sub>≤1.3m/s<sup>2</sup>	线性良，舒适
			0.9&lt;a<sub>x</sub>≤1.2m/s<sup>2</sup>	1.3&lt;a<sub>x</sub>≤2.5m/s<sup>2</sup>	线性一般，较舒适
1.2&lt;a<sub>x</sub>≤2.5m/s<sup>2</sup>	2.5&lt;a<sub>x</sub>≤3.5m/s<sup>2</sup>	线性差，不舒适
			a<sub>x</sub>&gt;2.5m/s<sup>2</sup>	a<sub>x</sub>&gt;3.5m/s<sup>2</sup>	线性极差，很不舒适

表2

a<sub>y</sub>≤1.0m/s<sup>2</sup>	没有感觉，很舒适
		1.0&lt;a<sub>y</sub>≤1.8m/s<sup>2</sup>	感觉不显著，舒适
1.8&lt;a<sub>y</sub>≤3.6m/s<sup>2</sup>	能感觉到且能忍受，较舒适
		3.6&lt;a<sub>y</sub>≤4.2m/s<sup>2</sup>	需要有一定忍受能力，不舒适
a<sub>y</sub>&gt;4.2m/s<sup>2</sup>	不能忍受，很不舒适

表3

a<sub>z</sub>≤0.16m/s<sup>2</sup>	很舒适
		0.16&lt;a<sub>z</sub>≤0.28m/s<sup>2</sup>	舒适
0.28&lt;a<sub>z</sub>≤0.6m/s<sup>2</sup>	较舒适
		0.6&lt;a<sub>z</sub>≤1.2m/s<sup>2</sup>	不舒适
a<sub>z</sub>&gt;1.2m/s<sup>2</sup>	很不舒适

在上述三种类型的加速度中，车身的竖向加速度a_z可以直接反映车辆的行驶平顺性。在衡量车辆行驶平顺性的优劣时，通常根据座椅位置的垂直振动加速度来评价，该处振动强度主要靠悬架调整整车振动。当车辆行驶在颠簸路面时，悬架一方面通过自身减振作用，减小轮胎传递给车身的振动，另一方面将剩余振动传递给车身，路面颠簸程度越大，引起车身竖向加速度a_z越大，车辆行驶平顺性也就越差，而通过对悬架的高度调整可以改变悬架传递给车身的振动，进而改变车身竖向加速度a_z的大小，从而改变车辆行驶平顺性。

因此，在本发明的实施例中，可以根据车辆前方道路颠簸情况来实时调整悬架高度，进而调整车身竖向加速度a_z的大小，以满足驾乘人员的舒适性要求，同时悬架升高，可有效避免车辆底盘摩擦地面带来安全隐患。举例而言，可以在车辆前方加装摄像头，以获取车辆前方道路的路面图像，然后对车辆前方道路的路面图像进行识别，以输出车辆前方道路的路面颠簸系数，根据该路面颠簸系数获取悬架的高度调节量，进而根据高度调节量控制调节机构(如，电动机)对悬架的高度进行自动调节，使得车辆能够很好的适应复杂且多变的路况，从而实现了车辆平缓舒适的控制，较好的改善了车辆驾乘的舒适性和安全性，使得车辆控制更加人性化。

在本发明的实施例中，可以采用现有普通的机器学习算法，如概率神经网络、反向传播神经网络等，对车辆前方道路的路面图像进行识别，以输出车辆前方道路的路面颠簸系数，但是采用该方式的识别率比较低。因此在本发明的实施例中，优选的，采用深度学习神经网络对车辆前方道路的路面图像进行识别，以输出车辆前方道路的路面颠簸系数。其中，深度学习神经网络中网络的层数增加了很多，能更深入的表示图像特征，具有更强的函数模拟能力，随着网络层数的增加，每一层对于前一层次的抽象表示更加深入，识别效果更优。与传统的机器学习算法相比，深度学习神经网络也需要更多的训练数据，因此我们可以将识别过程中采集到的路面图像数据进行存储，用于日后模型优化训练，以进一步提高识别率。

具体地，根据本发明的一个实施例，获取车辆前方道路的路面颠簸系数，包括：获取车辆前方道路的路面图像；通过预先训练的深度学习模型对路面图像进行特征提取，以得到路面图像的特征信息(用于表征路面颠簸程度的信息，如，路面纹理特征)，并根据特征信息识别出车辆前方道路的路面颠簸系数。

进一步地，对路面图像进行特征提取，以得到路面图像的特征信息，根据特征信息识别出车辆前方道路的路面颠簸系数，包括：将路面图像输入到预先训练好的深度学习模型中，利用深度学习模型中的卷积层，提取路面图像的特征信息；将特征信息输入到深度学习模型中的池化层，利用池化层对特征信息进行降采样；将降采样后的特征信息输入到深度神经网络中的全连接层，利用全连接层连接降采样后的特征信息，并输入到深度神经网络中的输出层，得到路面颠簸系数。

具体而言，深度学习模型由多层非线性运算单元组成，低层的输出作为高层的输入，可以从大量输入数据中学习有效的特征表示，学习到的高阶表示中包含输入数据的许多结构信息，是一种从数据中提取特征的好方法。卷积神经网络(ConvolutionalNeuralNetwork，CNN)是近年发展起来并引起广泛重视的一种深度学习模型，它成为众多科学领域的研究热点之一，特别是在模式分类领域，之后还产生了很多该网络的改进版。

在本发明的一些实施例中，如图3所示，深度学习模型可以为三层的卷积神经网络模型，其中，Input为输入层；Conv为卷积层，其中kernel_size代表卷积核大小(如，kernel_size＝5)，stride2代表卷积核移动步长(如，stride2＝1s)；Ave pool为均值池化层，其中batch_size代表池化核大小(如，batch_size＝2)，stride1代表池化核移动步长(如，stride1＝2s)；FC为全连接层；SoftmaxActivation为激活层；Softmax为输出层。

以图3所示的三层的卷积神经网络模型为例。在通过设置在车辆正前方的摄像头获取到车辆前方道路的路面图像后，将路面图像输入到预先训练好的卷积神经网络模型中，利用该模型中的卷积层提取路面图像的特征信息(如，路面的纹理特征)，并将特征信息输入到池化层，利用池化层对特征信息进行降采样，以及将降采样后的特征信息输入到全连接层，利用全连接层连接降采样后的特征信息，并输入到输出层，得到路面颠簸系数。

需要说明的是，在上述实施例中，卷积层Conv和均值池化层Ave pool的层数为两层，其可以达到较高的识别率。而在一些其它实施例中，卷积层Conv和均值池化层Ave pool的层数可以多于两层，并且理论上，层数越多，识别效果越好，因此通过增加卷积层Conv和均值池化层Ave pool的层数可进一步提高识别率，保证深度学习模型具有更好的识别效果。

在实际应用中，上述的深度学习模型可预先训练获得，根据本发明的一个实施例，深度学习模型可通过以下方式训练获得：获取路面样本图像和路面样本图像对应的路面颠簸系数；将路面样本图像和路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到深度学习模型。

具体而言，可先利用设置在车辆正前方的摄像头采集大量的路面图像，然后人工制作训练样本，并根据经验将路面图像中路面的颠簸程度(系数)统一归一化到[0,1]之间，作为样本的类别，然后利用制作好的训练样本对设计的深度学习模型(如，图3所示的卷积神经网络模型)进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与训练样本对应的路面颠簸系数之间的误差小于或者等于预设误差值(可根据实际情况进行设置)，停止训练并保存好模型参数，以便利用训练好的深度学习模型，在车辆行驶的过程中进行路面实时识别，输出相应的路面颠簸系数，进而根据路面颠簸系数实时调整悬架的高度，以使悬架适应不同的路况，从而满足驾乘人员对驾乘舒适度的要求。

由此，根据本发明实施例的车辆悬架系统的调节方法，首先利用摄像头获取车辆前方道路的路面图像，并对该路面图像采用深度学习卷积神经网络的方法来识别车辆前方道路的路面情况，然后根据识别的路面情况自动的调整车辆的悬架高度，使得悬架高度满足一定的舒适性、平顺性以及安全性的要求，其中深度学习是当下较好且流行的智能识别方法，其识别率较普通网络识别方法更高。

根据本发明的另一个实施例，获取车辆前方道路的路面颠簸系数，包括：获取车辆的当前位置信息；根据当前位置信息，从历史数据中获取车辆前方道路的路面颠簸系数。

优选地，在车辆行驶的过程中，还可将车辆的行驶道路(已经行驶的道路)以及行驶道路上每段道路对应的路面颠簸系数对应存储至数据库中，这样当车辆再次行驶至相同的道路时，可直接从数据库中获取相应的路面颠簸系数。举例而言，可通过车载导航仪对车辆进行GPS定位，以获取车辆的当前位置信息，然后，根据当前位置信息判断车辆当前所在位置是否存在于存储的行驶道路上，如果存在，则获取车辆当前所在位置对应前方道路的路面颠簸系数，以获得车辆前方道路的路面颠簸系数。这样可以快速且准确的获得车辆前方道路的路面颠簸系数，而且可以与其它获取方式配合使用，以形式一种冗余，从而提高了路面颠簸系数获取的可靠性。在本实施例中，优选本车辆自身经过前方道路时的历史数据的路面颠簸系数，若本车辆未行驶过该道路，可选地，在车辆行驶的过程中，根据当前位置信息，获得其他车辆经过前方道路的历史数据的路面颠簸系数。根据本发明的一个实施例，根据路面颠簸系数获取悬架的高度调节量，包括：获取车辆的质量、车辆的质心在垂直方向的位移、速度和加速度、悬架的质量、悬架的质心在垂直方向的位移和速度、悬架的等效阻尼、车辆的轮胎等效刚度、车辆的作动器控制力、路面激励和预设的竖向加速度；将车辆的质量、车辆的质心在垂直方向的位移、速度和加速度、悬架的质量、悬架的质心在垂直方向的位移和速度、悬架的等效阻尼、车辆的轮胎等效刚度、车辆的作动器控制力、路面激励和预设的竖向加速度输入悬架的动力学模型获得悬架的最大允许高度调节量；将路面颠簸系数乘以最大允许高度调节量获得悬架的高度调节量。

具体而言，典型的悬架系统由弹簧、减震器、导向机构及稳定杆等组成，个别系统中还有缓冲块。通常，根据阻尼和刚度是否根据行驶条件的改变而改变，悬架系统可以分为主动悬架、半主动悬架和被动悬架，其中主动悬架由在悬架系统中采用有源或无源可控制的元件组成，是一个闭环系统，可根据车辆预测的激励和簧载质量的加速度响应等反馈信号，按照一定的控制规律调节可调弹簧和可调阻尼的参数，即主动悬架系统调整比例系数。由于本发明的目的是能够对车辆的悬架的高度进行调节，所以下面主要对主动悬架进行分析。

通常，车辆的整车动力学模型包括用于分析车辆平顺性的质量-弹簧-阻尼模型和分析车辆操纵稳定性的车辆-轮胎模型，两者研究的侧重点不同，其中平顺性分析的重点是车辆的悬架特性，而操纵稳定性分析的重点是车辆纵向和侧向(横向)动力学特性。由于本发明中考虑的是车辆的平顺性，属于车辆悬架特性的问题，所以只需建立悬架的动力学模型。

在建立悬架的动力学模型时，可进行以下理想化的假设：

1)车辆的总质量保持不变；

2)车辆的质心位置不变；

3)车辆的转动惯量保持不变；

4)忽略纵向和横向空气动力学。

满足以上设定的悬架的动力学模型如图4所示。其中x₀是路面激励，x₁是车辆的质心在垂直方向的位移(非悬架质量质心在垂直方向的位移)，x₂是悬架的质心在垂直方向的位移，m₁是车辆的质量(非悬架质量)，m₂是悬架的质量，k₁是车辆的轮胎等效刚度，k₂是悬架弹簧刚度，c是悬架的等效阻尼，f车辆的作动器控制力。

考虑到竖向加速度a_z对人体舒适度的影响，由牛顿定律得二自由度主动悬架的运动方程式为：

对公式(1)变形可得主动悬架系统调整比例系数，即悬架的最大允许高度调节量i，如下述公式(2)所示：

其中，

是车辆的质心在垂直方向的速度，

是悬架的质心在垂直方向的速度，

是车辆的质心在垂直方向的加速度，a_z是预先设置的对于人体较为舒适的竖向加速度，具体可根据表3选取。

在实际应用中，由于悬架的最大允许高度调节量i基本为一个常量，所以可以预先通过上述方式测试获得。例如，在车辆匀速行驶的情况下，获取上述公式(2)中所需参数，然后根据获取的参数计算出悬架的最大允许高度调节量i，并将其存储至车辆中。然后，在车辆正常行驶的过程中，直接读取该最大允许高度调节量i，并将获取的路面颠簸系数乘以该最大允许高度调节量i获得当前悬架的高度调节量，最后根据该高度调节量，通过调节机构对悬架的高度进行调节，以满足驾乘舒适度和安全性的要求。其中，在对悬架的高度进行调节时，通常悬架具有一个初始位置，所获得的当前悬架的高度调节量为相对于该初始位置的高度调节量，而在车辆行驶过程中，车辆的悬架可能在某一位置，不一定在初始位置，所以实际调节是调节到目标位置即可。

由此，从动力学出发，分析了车辆行驶过程中的受力状况，研究讨论了车辆在直线和曲线、平曲线和竖曲线、颠簸和平整路面上的动力学平衡，进而推导出了车辆悬架系统调整比例系数，得出量化公式。只要运用此量化公式，就可算出不同颠簸路面下相应的悬架系统调整高度，对得出的值进行智能驾驶车辆控制体验，做出驾乘相应的驾乘舒适度和安全性评价。

需要说明的是，在实际应用中，不同的悬架具有不同的动力学模型，即不同的运动方程式，具体可根据实际情况推导计算，这里只是举例说明，不作为对本发明的具体限制。

进一步地，根据本发明的一个实施例，悬架包括前悬架和后悬架，上述的车辆悬架系统的调节方法还可包括：在根据高度调节量对前悬架的高度进行调节后，采集前悬架的竖向振动加速度；根据竖向振动加速度对高度调节量进行修正，获得后悬架的高度调节量，根据后悬架的高度调节量对后悬架的高度进行调节。

具体而言，车辆的悬架包括前悬架和后悬架，且两个悬架相互独立。在车辆行驶的过程中，在根据车辆前方道路的路面颠簸系数获得悬架的高度调节量后，可先对前悬架的高度进行调节，并在调节完成后，通过设置在前悬架上的加速度传感器实时获取前悬架的竖向振动加速度。如果获取的竖向振动加速度均满足预设加速度要求，如表3所示，获得的竖向振动加速度均小于0.6m/s²，则说明当前高度调节量满足舒适性需求，此时根据该高度调节量对后悬架的高度进行调节；如果获取的竖向振动加速度不满足预设加速度要求，例如，出现了竖向振动加速度大于0.6m/s²的情况，则说明当前高度调节量未达到舒适性要求，此时可适当的将高度调节量调高，然后根据调节后的高度调节量对后悬架的高度进行调节，这样可以保证后悬架达到舒适性要求。

由此，根据前悬架通过颠簸道路时的竖向振动加速度对后悬架的高度调节量进行修正，可进一步提高车辆通过颠簸道路的舒适性，满足用户舒适性要求。

综上所述，根据本发明实施例的车辆悬架系统的调节方法，实时获取车辆前方道路的路面颠簸系数，并根据路面颠簸系数获取悬架的高度调节量，以及根据高度调节量控制调节机构对悬架的高度进行调节。该方法通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

另外，本发明的实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现的车辆悬架系统的调节方法。

根据本发明实施例的非临时性计算机可读存储介质，通过上述的车辆悬架系统的调节方法，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

图5是根据本发明实施例的车辆悬架系统的调节装置的方框示意图。

在本发明的实施例中，车辆悬架系统包括悬架和调节机构。

如图5所示，本发明实施例的车辆悬架系统的调节装置100包括：第一获取模块10、第二获取模块20和控制模块30。

其中，第一获取模块10用于获取车辆前方道路的路面颠簸系数；第二获取模块20用于根据路面颠簸系数获取悬架的高度调节量；控制模块30用于根据高度调节量控制调节机构对悬架的高度进行调节。

根据本发明的一个实施例，第一获取模块10具体用于获取车辆前方道路的路面图像；通过预先训练的深度学习模型对路面图像进行特征提取，以得到路面图像的特征信息，并根据特征信息识别出车辆前方道路的路面颠簸系数。

根据本发明的另一个实施例，第一获取模块10具体用于，获取车辆的当前位置信息；根据当前位置信息，从历史数据中获取车辆前方道路的路面颠簸系数。

根据本发明的一个实施例，第一获取模块10具体用于将路面图像输入到预先训练好的深度学习模型中，利用深度学习模型中的卷积层，提取路面图像的特征信息；将特征信息输入到深度学习模型中的池化层，利用池化层对特征信息进行降采样；将降采样后的特征信息输入到深度神经网络中的全连接层，利用全连接层连接降采样后的特征信息，并输入到深度神经网络中的输出层，得到路面颠簸系数。

根据本发明的一个实施例，深度学习模型通过以下方式训练获得：获取路面样本图像和路面样本图像对应的路面颠簸系数；将路面样本图像和路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到深度学习模型。

根据本发明的一个实施例，第二获取模块20具体用于获取车辆的质量、车辆的质心在垂直方向的位移、速度和加速度、悬架的质量、悬架的质心在垂直方向的位移和速度、悬架的等效阻尼、车辆的轮胎等效刚度、车辆的作动器控制力、路面激励和预设的竖向加速度；将车辆的质量、车辆的质心在垂直方向的位移、速度和加速度、悬架的质量、悬架的质心在垂直方向的位移和速度、悬架的等效阻尼、车辆的轮胎等效刚度、车辆的作动器控制力、路面激励和预设的竖向加速度输入悬架的动力学模型获得悬架的最大允许高度调节量；将路面颠簸系数乘以最大允许高度调节量获得悬架的高度调节量。

根据本发明的一个实施例，悬架包括前悬架和后悬架，如图6所示，上述的车辆悬架系统的调节装置还可包括：第三获取模块40，用于在根据高度调节量对前悬架的高度进行调节后，采集前悬架的竖向振动加速度；控制模块30还用于根据竖向振动加速度对高度调节量进行修正，获得后悬架的高度调节量，根据后悬架的高度调节量对后悬架的高度进行调节。

需要说明的是，本发明实施例的车辆悬架系统的调节装置中未披露的细节，请参照本发明实施例的车辆悬架系统的调节方法中所披露的细节，具体这里不做赘述。

根据本发明实施例的车辆悬架系统的调节装置，通过第一获取模块获取车辆前方道路的路面颠簸系数，并通过第二获取模块根据路面颠簸系数获取悬架的高度调节量，以及通过控制模块根据高度调节量控制调节机构对悬架的高度进行调节。该装置通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

图7是根据本发明实施例的车辆悬架系统的方框示意图。如图7所示，本发明实施例的车辆悬架系统200包括的车辆悬架系统的调节装置100。

根据本发明实施例的车辆悬架系统，通过上述的车辆悬架系统的调节装置，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

图8是根据本发明实施例的车辆的方框示意图。如图8所示，本发明实施例的车辆300包括的车辆悬架系统200。

根据本发明实施例的车辆，通过上述的车辆悬架系统，通过根据路面颠簸系数对悬架的高度进行实时调节，使得车辆能够很好的适应不同的路况，从而较好的改善了车辆驾乘的舒适性和安全性。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

另外，在本发明的描述中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种车辆悬架系统的调节方法，其特征在于，所述车辆悬架系统包括悬架和调节机构，所述方法包括以下步骤：

获取车辆前方道路的路面颠簸系数，所述获取车辆前方道路的路面颠簸系数，包括：获取所述车辆前方道路的路面图像；通过预先训练的深度学习模型对所述路面图像进行特征提取，以得到所述路面图像的特征信息，并根据所述特征信息识别出所述车辆前方道路的路面颠簸系数，所述深度学习模型通过以下方式训练获得：获取路面样本图像和所述路面样本图像对应的路面颠簸系数；将所述路面样本图像和所述路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与所述路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到所述深度学习模型；

根据所述路面颠簸系数获取所述悬架的高度调节量；

根据所述高度调节量控制所述调节机构对所述悬架的高度进行调节。

2.如权利要求1所述的车辆悬架系统的调节方法，其特征在于，所述获取车辆前方道路的路面颠簸系数，包括：

获取所述车辆的当前位置信息；

根据所述当前位置信息，从历史数据中获取所述车辆前方道路的路面颠簸系数。

3.如权利要求1所述的车辆悬架系统的调节方法，其特征在于，所述对所述路面图像进行特征提取，以得到所述路面图像的特征信息，根据所述特征信息识别出所述车辆前方道路的路面颠簸系数，包括：

将所述路面图像输入到预先训练好的深度学习模型中，利用所述深度学习模型中的卷积层，提取所述路面图像的特征信息；

将所述特征信息输入到所述深度学习模型中的池化层，利用所述池化层对所述特征信息进行降采样；

将降采样后的所述特征信息输入到深度神经网络中的全连接层，利用所述全连接层连接降采样后的所述特征信息，并输入到所述深度神经网络中的输出层，得到所述路面颠簸系数。

4.如权利要求1所述的车辆悬架系统的调节方法，其特征在于，所述根据所述路面颠簸系数获取所述悬架的高度调节量，包括：

获取所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度；

将所述车辆的质量、所述车辆的质心在垂直方向的位移、速度和加速度、所述悬架的质量、所述悬架的质心在垂直方向的位移和速度、所述悬架的等效阻尼、所述车辆的轮胎等效刚度、所述车辆的作动器控制力、路面激励和预设的竖向加速度输入所述悬架的动力学模型获得所述悬架的最大允许高度调节量；

将所述路面颠簸系数乘以所述最大允许高度调节量获得所述悬架的高度调节量。

5.如权利要求1所述的车辆悬架系统的调节方法，其特征在于，所述悬架包括前悬架和后悬架，所述车辆悬架系统的调节方法还包括：

在根据所述高度调节量对所述前悬架的高度进行调节后，采集所述前悬架的竖向振动加速度；

根据所述竖向振动加速度对所述高度调节量进行修正，获得所述后悬架的高度调节量，根据所述后悬架的高度调节量对所述后悬架的高度进行调节。

6.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5中任一项所述的车辆悬架系统的调节方法。

7.一种车辆悬架系统的调节装置，其特征在于，所述车辆悬架系统包括悬架和调节机构，所述装置包括：

第一获取模块，用于获取车辆前方道路的路面颠簸系数，所述第一获取模块具体用于，获取所述车辆前方道路的路面图像；通过预先训练的深度学习模型对所述路面图像进行特征提取，以得到所述路面图像的特征信息，并根据所述特征信息识别出所述车辆前方道路的路面颠簸系数，所述深度学习模型通过以下方式训练获得：获取路面样本图像和所述路面样本图像对应的路面颠簸系数；将所述路面样本图像和所述路面样本图像对应的路面颠簸系数，输入到初始构建的深度学习模型进行训练，直至训练后的深度学习模型识别出的路面颠簸系数与所述路面样本图像对应的路面颠簸系数之间的误差小于或者等于预设误差值，得到所述深度学习模型；

第二获取模块，用于根据所述路面颠簸系数获取所述悬架的高度调节量；

控制模块，用于根据所述高度调节量控制所述调节机构对所述悬架的高度进行调节。

8.如权利要求7所述的车辆悬架系统的调节装置，其特征在于，所述第一获取模块具体用于，

获取所述车辆的当前位置信息；

根据所述当前位置信息，从历史数据中获取所述车辆前方道路的路面颠簸系数。

9.如权利要求7所述的车辆悬架系统的调节装置，其特征在于，所述悬架包括前悬架和后悬架，所述车辆悬架系统的调节装置还包括：

第三获取模块，用于在根据所述高度调节量对所述前悬架的高度进行调节后，采集所述前悬架的竖向振动加速度；

所述控制模块，还用于根据所述竖向振动加速度对所述高度调节量进行修正，获得所述后悬架的高度调节量，根据所述后悬架的高度调节量对所述后悬架的高度进行调节。

10.一种车辆悬架系统，其特征在于，包括如权利要求7-9中任一项所述的车辆悬架系统的调节装置。

11.一种车辆，其特征在于，包括如权利要求10所述的车辆悬架系统。

Images