CN110758363B - 制动踏板感觉调节系统、方法、装置和汽车 - Google Patents

Abstract

本发明提出一种制动踏板感觉调节系统、方法、装置和汽车，制动踏板感觉调节系统包括：依次信号连接的制动信息采集模块、数据预处理模块、制动习惯识别模块和参数配置模块；制动信息采集模块获取制动信息数据并输出给数据预处理模块，制动信息数据至少包括本车与前车距离、车速和制动减速度；数据预处理模块对制动信息数据进行预处理，将预处理后的制动信息数据输出到制动习惯识别模块。本发明解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

Description

制动踏板感觉调节系统、方法、装置和汽车

技术领域

本发明涉及车辆领域，尤其涉及一种制动踏板感觉调节系统、方法、装置和汽车。

背景技术

随着新能源汽车的发展，零真空制动助力需求日益提高，驱动了电控制动助力器技术的应用。驾驶员对于个性化的驾驶体验追求随着车辆智能化的发展也日益提高，但是现有技术中的电控制动助力器目前无法满足个性化驾驶的需求。

发明内容

基于以上问题，本发明提出一种制动踏板感觉调节系统、方法、装置和汽车，解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

本发明提出一种制动踏板感觉调节系统，包括：

依次信号连接的制动信息采集模块、数据预处理模块、制动习惯识别模块和参数配置模块；

制动信息采集模块获取制动信息数据并输出给数据预处理模块，制动信息数据至少包括本车与前车距离、车速和制动减速度；

数据预处理模块对制动信息数据进行预处理，将预处理后的制动信息数据输出到制动习惯识别模块；

制动习惯识别模块实时接收数据预处理模块传入的预处理后的制动信息数据，采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

参数配置模块接收到制动习惯识别模块传入的制动习惯信号后，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

此外，制动信息采集模块获取制动信息数据包括：制动信息采集模块通过距离感知器获取本车与前车距离，通过车载传感器获取车速和制动减速度。

此外，数据预处理模块对制动信息数据进行预处理包括：对本车与前车距离、车速和制动减速度进行滤波和仲裁预处理。

此外，制动习惯识别模块内嵌制动习惯模型库，通过采集多个不同驾驶风格驾驶员的制动数据，采用隐马尔科夫模型将制动数据进行迭代建立制动习惯模型库。

此外，制动习惯模型库中包括有制动习惯模式，制动习惯模式包括：运动模式、正常模式和\或舒适模式。

此外，参数配置模块内嵌了不同制动习惯模式对应的制动助力特性曲线，制动助力特性曲线内设有制动助力特性曲线控制参数，分别为运动模式控制参数、正常模式控制参数或舒适模式控制参数。

本发明还提出一种制动踏板感觉调节方法，包括：

获取制动信息数据，制动信息数据至少包括本车与前车距离、车速和制动减速度；

对制动信息数据进行预处理；

对预处理后的制动信息数据采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

本发明还提出一种制动踏板感觉调节装置，包括：

前车距离感知单元、车载传感器、CAN总线、电控制动助力器和制动分泵；

前车距离感知单元和车载传感器均与CAN总线连接，电控制动助力器的一端与CAN总线连接，另一端与制动分泵连接；

电控制动助力器包括：踏板行程传感器、压力传感器、主缸、电机和制动踏板感觉自适应调节单元，压力传感器的两个输入端分别与踏板行程传感器和制动踏板感觉自适应调节单元连接，压力传感器的两个输出端分别与主缸和电机连接。

本发明还提出一种汽车，包括如上所述的制动踏板感觉调节装置。

通过采用上述技术方案，具有如下有益效果：

本发明解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

附图说明

图1是本发明一个实施例提供的制动踏板感觉调节系统的各模块连接图；

图2是本发明一个实施例提供的制动踏板模式示意图；

图3是本发明一个实施例提供的隐马尔科夫模型的示意图；

图4是本发明一个实施例提供的调节电机助力实现助力阀体同反馈盘之间的间隙大小的示意图；

图5是本发明一个实施例提供的制动踏板感觉调节方法的流程图；

图6是本发明一个实施例提供的制动踏板感觉调节装置的示意图。

具体实施方式

以下结合具体实施方案和附图对本发明进行进一步的详细描述。其只意在详细阐述本发明的具体实施方案，并不对本发明产生任何限制，本发明的保护范围以权利要求书为准。

参照图1，本发明提出一种制动踏板感觉调节系统，包括：

依次信号连接的制动信息采集模块10、数据预处理模块20、制动习惯识别模块30和参数配置模块40；

制动信息采集模块10获取制动信息数据并输出给数据预处理模块20，制动信息数据至少包括本车与前车距离、车速和制动减速度；

数据预处理模块20对制动信息数据进行预处理，将预处理后的制动信息数据输出到制动习惯识别模块30；

制动习惯识别模块30实时接收数据预处理模块20传入的预处理后的制动信息数据，采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

参数配置模块40接收到制动习惯识别模块30传入的制动习惯信号后，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

现有技术中，真空制动助力器车型的制动助力特性无法支持多样的制动踏板感觉；电控制动助力器具备软件可调的制动助力特性，其助力比、增跳力以及拐点均可在一定范围内通过软件进行调节，虽然电控制动助力器助力特性软件可调，但是并未在现有车型上为驾驶员提供可选的制动踏板模式或者提供自适应地调节制动踏板的功能。

本发明中通过依次信号连接的制动信息采集模块10、数据预处理模块20、制动习惯识别模块30和参数配置模块40为驾驶员提供了自适应的制动踏板感觉。首先，制动信息采集模块10获取制动信息数据并输出给数据预处理模块20，制动信息数据至少包括本车与前车距离、车速和制动减速度；其次，数据预处理模块20对制动信息数据进行预处理，将预处理后的制动信息数据输出到制动习惯识别模块30；再次，制动习惯识别模块30实时接收数据预处理模块20传入的预处理后的制动信息数据，采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；最后，参数配置模块40接收到制动习惯识别模块30传入的制动习惯信号后，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

制动信息采集模块10获取制动信息数据并输出给数据预处理模块20，制动信息数据至少包括本车与前车距离、车速和制动减速度；可选地，通过距离感知器获取本车与前车距离，例如通过雷达获取本车与前车距离。可选地，当无法探测到前车距离时，此时本车与前车距离设置为默认值200米，且在数据预处理模块20中进行仲裁，此时需要调用存储器记录的有效的上一时刻制动信息数据。

数据预处理模块20对制动信息数据进行预处理，可选地，预处理选择滤波和仲裁预处理的方式进行。

常用的滤波方法有限幅滤波法、递推平局滤波法或卡尔曼滤波等，应用可选择MATLAB一阶低通滤波对制动信号(制动信息数据)进行预处理。

仲裁预处理为判断制动信息数据是否可作为判断制动习惯的有效输入，当接收到全部的制动信息数据，例如，当车速高于3kph的制动信息数据被判断为有效的制动信息数据，否则制动信息数据被断定无效，无效时，需要调用存储器记录的上一组有效制动信息数据。

制动习惯识别模块30接收数据预处理模块20传入的预处理后的制动信息数据，采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号。

隐马尔科夫模型为现有技术，在相关文献中已有介绍。

隐马尔科夫模型可以由下列参数描述：

(1)Q代表一组隐藏状态的集合Q＝{S₁,S₂,…,S_N}，状态数为N,并用q_t来表示t时刻的状态。状态内部的联系就是从一个状态可以到其它状态；

(2)O代表一组可观察符号的集合O＝{V₁,V₂,…,V_M}，M是从每一状态可能输出的不同的观察值的数目；

(3)状态转移概率分布A＝{a_ij},这里a_ij＝P{q_t+1＝S_j|q_t＝S_i},1≤i,j≤N。

(4)状态j的观察概率分布B＝{b_j(k)}，表示状态j输出相应观察值的概率，其中b_j(k)＝P{O_t＝V_k|q_t＝S_j},1≤j≤N1≤k≤M；

(5)初始化状态分布π＝{π_i}，π_i＝P{q₁＝S_i},1≤i≤N。

由上，隐马尔科夫模型可以定义为一个五元组λ：

λ＝(Q,O,π,A,B) (1)

常常简写为λ＝(π,A,B) (2)

隐马尔科夫模型是双重的随机过程，由隐马尔科夫链和一般随机过程组成。其一部分为Markov链，由π、A描述，另一部分是一个随机过程，由B描述，如图3隐马尔科夫模型所示。

驾驶员行为习惯模型通过离线建立，首先设置隐马尔科夫模型初始参数λ＝{π Ac μ ∑ M}，π＝{π_i}可设置为首元素非零的矩阵；A＝{a_ij}可设置为主对角线和次对角线元素非零的矩阵；此处选择前车距离s，车速v和制动减速度a作为观察状态向量，对每个观察状态向量进行聚类，得到连续混合正态分布，进而获取各隐状态的{c μ Σ}初始参数。

然后利用驾驶模拟器或者实车采集到的制动数据信息的80％用作训练模型的观察值序列，运用Baum-Welch算法的递归思想，得到新的模型参数

使

局部最大，

即为得到的模型参数向量，代表此类采样数据的模型，对于每个制动习惯均采用此方法建立。

训练过程可描述如下

(1)初始化

定初始概率向量π_i，初始的状态转移概率矩阵A₀和观察概率矩阵B₀，则λ＝(A₀,B₀,π_i)。

(2)重估

对初始概率向量π_i，状态转移概率矩阵A＝{a_ij}和观察概率矩阵B＝{b_j(k)}进行重估：

于是，重估得到新的隐马尔科夫模型的模型参数为

令

重新迭代计算，直到收敛。

(3)收敛条件

可以证明

即采用重估公式得到的

比λ在表示观察值序列O方面要好。若

则表示收敛，其中ε为预先设定的相当小的正数阈值，

就是所需要的隐马尔科夫模型的模型参数。

实际当中，为了避免P(O|λ)太小，而总是采用logP(O|λ)。于是收敛条件也可表示为

或者

训练收敛之后则得到各制动习惯模型，构成制动习惯库，其参数写入控制器可供调用。利用已知制动习惯数据作为验证观察序列，分别计算其制动习惯库内各制动习惯模型下的可能性，可能性最大的模型参数即为此观察序列的行为习惯。计算多组验证观察序列，如果识别结果与已知习惯相符，那么制动习惯模型可用。

实车上驾驶员制动数据信息，选择前车距离s，车速v和制动减速度a作为观察序列，采用1s时间窗方式，作为制动习惯模型输入。

参照图2，参数配置模块40接收到制动习惯识别模块30传入的制动习惯信号后，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

制动习惯分为运动型、正常型和舒适型。

选取运行型制动习惯的驾驶员所喜好的车辆，安装踏板力传感器，踏板行程传感器以及车辆减速度传感器进行制动踏板感觉的测试，得到整车踏板力-踏板行程曲线、踏板力-减速度曲线和踏板行程-减速度曲线。制动助力特性曲线设计为成熟车辆制动系统设计技术。根据制动踏板感觉曲线，制动系统PV特性，制动器参数以及车重等参数计算出运动型制动助力特性曲线；

选取正常型制动习惯的驾驶员所喜好的车辆，获取正常型制动踏板感觉，并依据以上描述方法计算得到正常型制动助力特性曲线；

选取舒适型制动习惯的驾驶员所喜好的车辆，获取正常型制动踏板感觉，并依据以上描述方法计算得到舒适型制动助力特性曲线。

参照图4，制动助力特性曲线包含助力器助力比，和真空助力器特性相同，利用反馈盘原理，调节电机助力实现助力阀体同反馈盘之间的间隙大小offset调节，进而实现不同的助力比。当offset增大，助力比增大，对应舒适模式；当offset减小，助力比减小，对应运动模式。

图4中各部件分别为反馈盘1、输入推杆2、丝杠阀体3和offset4。

本发明解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

在其中的一个实施例中，制动信息采集模块10获取制动信息数据包括：制动信息采集模块10通过距离感知器获取本车与前车距离，通过车载传感器获取车速和制动减速度。采用车载传感器获取车速和制动减速度，使数据获取更加准确。

在其中的一个实施例中，数据预处理模块20对制动信息数据进行预处理包括：对本车与前车距离、车速和制动减速度进行滤波和仲裁预处理。

常用的滤波方法有限幅滤波法、递推平局滤波法或卡尔曼滤波等，应用可选择MATLAB一阶低通滤波对制动信号(制动信息数据)进行预处理。

仲裁预处理为判断制动信息数据是否可作为判断制动习惯的有效输入，当接收到全部的制动信息数据，例如，当车速高于3kph的制动信息数据被判断为有效的制动信息数据，否则制动信息数据被断定无效，无效时，需要调用存储器记录的上一组有效制动信息数据。

在其中的一个实施例中，制动习惯识别模块30内嵌制动习惯模型库，通过采集多个不同驾驶风格驾驶员的制动数据，采用隐马尔科夫模型将制动数据进行迭代建立制动习惯模型库。采用隐马尔科夫模型将制动数据进行迭代建立制动习惯模型库，使制动习惯模型库更加符合实际情况。

在其中的一个实施例中，制动习惯模型库中包括有制动习惯模式，制动习惯模式包括：运动模式、正常模式和\或舒适模式。

制动习惯分为运动型、正常型和舒适型，对应的制动习惯模式分别为：运动模式、正常模式和\或舒适模式。

在其中的一个实施例中，参数配置模块40内嵌了不同制动习惯模式对应的制动助力特性曲线，制动助力特性曲线内设有制动助力特性曲线控制参数，分别为运动模式控制参数、正常模式控制参数或舒适模式控制参数。

选取运行型制动习惯的驾驶员所喜好的车辆，安装踏板力传感器，踏板行程传感器以及车辆减速度传感器进行制动踏板感觉的测试，得到整车踏板力-踏板行程曲线、踏板力-减速度曲线和踏板行程-减速度曲线。制动助力特性曲线设计为成熟车辆制动系统设计技术。根据制动踏板感觉曲线，制动系统PV特性，制动器参数以及车重等参数计算出运动型制动助力特性曲线；

选取正常型制动习惯的驾驶员所喜好的车辆，获取正常型制动踏板感觉，并依据以上描述方法计算得到正常型制动助力特性曲线；

选取舒适型制动习惯的驾驶员所喜好的车辆，获取正常型制动踏板感觉，并依据以上描述方法计算得到舒适型制动助力特性曲线。

参照图5，本发明提出一种制动踏板感觉调节方法，包括：

步骤S001，获取制动信息数据，制动信息数据至少包括本车与前车距离、车速和制动减速度；

步骤S002，对制动信息数据进行预处理；

步骤S003，对预处理后的制动信息数据采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

步骤S004，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器。

本发明解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

参照图6，本发明提出一种制动踏板感觉调节装置，包括：

前车距离感知单元、车载传感器、CAN总线、电控制动助力器和制动分泵；

前车距离感知单元和车载传感器均与CAN总线连接，电控制动助力器的一端与CAN总线连接，另一端与制动分泵连接；

电控制动助力器包括：踏板行程传感器、压力传感器、主缸、电机和制动踏板感觉自适应调节单元，压力传感器的两个输入端分别与踏板行程传感器和制动踏板感觉自适应调节单元连接，压力传感器的两个输出端分别与主缸和电机连接。

车载传感器获取车辆减速度信号。

本发明解决了现有技术中的电控制动助力器目前无法满足个性化驾驶的需求的技术问题。

本发明提出一种汽车，包括上述的制动踏板感觉调节装置。

以上所述的仅是本发明的原理和较佳的实施例。应当指出，对于本领域的普通技术人员来说，在本发明原理的基础上，还可以做出若干其它变型，也应视为本发明的保护范围。

Claims (7)

1.一种制动踏板感觉调节系统，其特征在于，包括：

依次信号连接的制动信息采集模块、数据预处理模块、制动习惯识别模块和参数配置模块；

制动信息采集模块获取制动信息数据并输出给数据预处理模块，制动信息数据至少包括本车与前车距离、车速和制动减速度；

数据预处理模块对制动信息数据进行预处理，将预处理后的制动信息数据输出到制动习惯识别模块；

制动习惯识别模块实时接收数据预处理模块传入的预处理后的制动信息数据，采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

参数配置模块接收到制动习惯识别模块传入的制动习惯信号后，根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器；

制动习惯识别模块内嵌制动习惯模型库，通过采集多个不同驾驶风格驾驶员的制动数据，采用隐马尔科夫模型将制动数据进行迭代建立制动习惯模型库；

制动习惯模型库中包括有制动习惯模式，制动习惯模式包括：运动模式、正常模式和\或舒适模式；

制动习惯模型库中的驾驶员行为习惯模型通过离线建立，首先设置隐马尔科夫模型初始参数λ＝{π A c μ ∑ M}，π＝{π_i}设置为首元素非零的矩阵；A＝{a_ij}设置为主对角线和次对角线元素非零的矩阵；选择前车距离s，车速v和制动减速度a作为观察状态向量，对每个观察状态向量进行聚类，得到连续混合正态分布，进而获取各隐状态的{c μ ∑}初始参数；

然后利用驾驶模拟器或者实车采集到的制动数据信息的80％用作训练模型的观察值序列，运用Baum-Welch算法的递归思想，得到新的模型参数

使

局部最大，

即为得到的模型参数向量，代表此类采样数据的模型，对于每个制动习惯均采用此方法建立。

2.根据权利要求1所述的制动踏板感觉调节系统，其特征在于，

制动信息采集模块获取制动信息数据包括：制动信息采集模块通过距离感知器获取本车与前车距离，通过车载传感器获取车速和制动减速度。

3.根据权利要求1所述的制动踏板感觉调节系统，其特征在于，

数据预处理模块对制动信息数据进行预处理包括：对本车与前车距离、车速和制动减速度进行滤波和仲裁预处理。

4.根据权利要求1所述的制动踏板感觉调节系统，其特征在于，

参数配置模块内嵌了不同制动习惯模式对应的制动助力特性曲线，制动助力特性曲线内设有制动助力特性曲线控制参数，分别为运动模式控制参数、正常模式控制参数或舒适模式控制参数。

5.一种制动踏板感觉调节方法，其特征在于，包括：

获取制动信息数据，制动信息数据至少包括本车与前车距离、车速和制动减速度；

对制动信息数据进行预处理；

对预处理后的制动信息数据采用基于隐马尔科夫模型建立的制动习惯模型识别制动习惯并形成制动习惯信号；

根据制动习惯信号调用相对应的制动助力特性曲线，并根据制动助力特性曲线控制电控制动助力器；

通过采集多个不同驾驶风格驾驶员的制动数据，采用隐马尔科夫模型将制动数据进行迭代建立制动习惯模型库；

制动习惯模型库中包括有制动习惯模式，制动习惯模式包括：运动模式、正常模式和\或舒适模式；

制动习惯模型库中的驾驶员行为习惯模型通过离线建立，首先设置隐马尔科夫模型初始参数λ＝{π A c μ ∑ M}，π＝{π_i}设置为首元素非零的矩阵；A＝{a_ij}设置为主对角线和次对角线元素非零的矩阵；选择前车距离s，车速v和制动减速度a作为观察状态向量，对每个观察状态向量进行聚类，得到连续混合正态分布，进而获取各隐状态的{c μ ∑}初始参数；

然后利用驾驶模拟器或者实车采集到的制动数据信息的80％用作训练模型的观察值序列，运用Baum-Welch算法的递归思想，得到新的模型参数

使

局部最大，

即为得到的模型参数向量，代表此类采样数据的模型，对于每个制动习惯均采用此方法建立。

6.一种制动踏板感觉调节装置，其特征在于，包括：

前车距离感知单元、车载传感器、CAN总线、电控制动助力器和制动分泵；

前车距离感知单元和车载传感器均与CAN总线连接，电控制动助力器的一端与CAN总线连接，另一端与制动分泵连接；

电控制动助力器包括：踏板行程传感器、压力传感器、主缸、电机和制动踏板感觉自适应调节单元，压力传感器的两个输入端分别与踏板行程传感器和制动踏板感觉自适应调节单元连接，压力传感器的两个输出端分别与主缸和电机连接；

制动习惯模型库中的驾驶员行为习惯模型通过离线建立，首先设置隐马尔科夫模型初始参数λ＝{π A c μ ∑ M}，π＝{π_i}设置为首元素非零的矩阵；A＝{a_ij}设置为主对角线和次对角线元素非零的矩阵；选择前车距离s，车速v和制动减速度a作为观察状态向量，对每个观察状态向量进行聚类，得到连续混合正态分布，进而获取各隐状态的{c μ ∑}初始参数；

然后利用驾驶模拟器或者实车采集到的制动数据信息的80％用作训练模型的观察值序列，运用Baum-Welch算法的递归思想，得到新的模型参数

使

局部最大，

即为得到的模型参数向量，代表此类采样数据的模型，对于每个制动习惯均采用此方法建立。

7.一种汽车，其特征在于，包括如权利要求6所述的制动踏板感觉调节装置。

Images