CN110765909B - 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 - Google Patents

Abstract

本发明涉及一种基于车载摄像头辅助分布式驱动电动汽车路面估计方法，该方法包括以下步骤：1)利用车载摄像头分别拍摄干燥天气情况下和阴雨潮湿天气情况下的车辆前方道路路面图像；2)基于颜色矩法和灰度共生矩阵法对获取的各天气情况下的车辆前方道路路面图像提取路面图像特征；3)利用支持向量机方法对步骤2)获取的各路面图像特征进行分类辨识；4)基于轮胎纵向力估计设计扰动估计器，估计路面附着系数，考虑路面图像与附着系数之间的映射关系，设计融合估计器，进而获取融合估计结果。与现有技术相比，本发明具有估计精度高、实时性好、鲁棒性强等优点。

Description

基于车载摄像头辅助分布式驱动电动汽车路面估计方法

技术领域

本发明涉及电动汽车控制领域，尤其是涉及一种基于车载摄像头辅助分布式驱动电动汽车路面估计方法。

背景技术

路面峰值附着系数是实现车辆精确运动控制的关键参数。现有的路面识别方法多是基于车辆动力学构建状态观测器实现。此类方法通常适用于车辆加速和减速期间，在轮胎力饱和的情况下，例如在强制动条件下，确定摩擦系数是可行的。此类方法的困难在于在更正常的驾驶环境下获得摩擦估计，也就是当轮胎滑移率较小时的估计(路面附着利用较低)。实际的道路环境往往复杂多变，而此类方法的收敛速度往往不足以实现实时估计的要求。因此，如何实现高精度实时的路面识别方法将会是此类方法研究的难点与重点。与此同时，基于机器视觉的路面识别方法的优势在于探测范围广、预测性强，但是易受环境中的光线等因素干扰。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于车载摄像头辅助分布式驱动电动汽车路面估计方法。

本发明的目的可以通过以下技术方案来实现：

基于车载摄像头辅助分布式驱动电动汽车路面估计方法，包括如下步骤：

S1、通过车载摄像头分别拍摄干燥和阴雨潮湿天气下的车辆前方道路路面图像。车载摄像头要求安装在车辆前端保险杠处，采用高清摄像头。

S2、分别基于颜色矩法和灰度共生矩阵法提取路面图像特征。具体地：

图像的颜色信息主要集中在低阶矩，首先使用图像的一阶矩、二阶矩和三阶矩作为图像的颜色特征进行提取，其计算公式为：

i＝h,s,v

其中，p_i,j表示图像第j个像素的i通道的值，N表示图像中的像素总数，μ_i为图像在i通道的一阶矩，σ_i为图像在i通道的二阶矩，s_i为图像在i通道的三阶矩。

对于一幅路面图像，图像的三个通道的前三阶颜色矩可以得到一个9维的颜色特征向量V_color＝[μ_h,σ_h,s_h,μ_s,σ_s,s_s,μ_v,σ_v,s_v]。

其次，设灰度图像的像素点的坐标为(x,y)，f(x,y)为对应坐标的像素点的值，令d_x为两像素点之间的水平距离，d_y为两像素点之间的垂直距离，

为两像素点之间的方向角度，图像的灰度共生矩阵定义为从图像f(x,y)中灰度为i₁的像素点起，统计与灰度i₂且距离为/>

方向角度为θ的像素点同时出现的概率P(i₁,i₂|d,θ)，则其计算公式为：

P(i₁,i₂|d,θ)＝{(x,y)|f(x,y)＝i₁,f(x+d_x,y+d_y)＝i₂}

本发明采用由能量ASM、熵ENT、对比度CON和相关性COR组成的4维向量V_texture＝[ASM,ENT,CON,COR]作为图像纹理特征进行提取。其中能量ASM用于反映纹理的粗细，能量值大，表明图像的不同区域之间相差较大。对比度CON用于描述纹理清晰程度，纹理沟纹越深，图像对比度越大。相关度COR用于反映图像中的灰度在横向或者纵向上的相似程度，体现为纹理的方向性差异。熵ENT用于反映图像纹理的细腻程度，当图像中纹理比较密集时，熵值较大。上述四个特征量的计算公式分别为：

其中，

最后，结合上述获取的图像的颜色特征和纹理特征，得到图像的13维的特征向量V＝[μ_h,σ_h,s_h,μ_s,σ_s,s_s,μ_v,σ_v,s_v,ASM,ENT,CON,COR]用于表示路面图像的特征。

S3、采用支持向量机方法对路面图像特征进行分类辨识，区分图像为干沥青图像还是湿沥青图像，根据区分的图像，结合经验值获取相应的路面附着系数。具体地：

令道路图像的特征向量集合为[V_i,y_i],i＝1,2,3,...,n，其中V_i为道路图像的特征向量，n为样本总数，隶属度y_i∈{-1,1}，y_i＝1表示特征向量属于干沥青路面，y_i＝-1表示特征向量属于湿沥青路面。则约束优化问题可描述为：

其中，w和b为最优超平面的参数，ξ_i为松弛因子，C为惩罚系数，这两个参数影响分类算法对错误样本的容忍度。

本发明通过引入拉格朗日优化的方法，将上述优化问题转化为它的对偶形式，即：

求解得到最优的拉格朗日乘子

和分类阈值b^*。

根据得到的

和b^*，利用最优分类函数进行测试样本的分类，具体过程为：

式中，K(V_i,V)为核函数。优选地，该核函数选用针对非线性分类问题应用最广泛径向基核函数。

S4、基于轮胎纵向力估计设计扰动估计器，考虑路面图像与附着系数之间的映射关系，设计融合估计器，进而获取融合估计结果。具体包括如下步骤：

401)建立整车的单轮运动模型；

402)基于扰动观测理论，设计轮胎纵向力和路面附着系数估计算法；

403)根据步骤S3的图像分类结果，结合路面峰值附着系数的经验值构造融合估计器，获取路面附着系数的估计结果，将其代入轮胎纵向力和路面附着系数估计算法中，获取轮胎纵向力的估计结果。

建立整车的单轮运动模型的具体内容为：

获取车轮角速度和车轮滑移率：

式中，ω为车轮角速度，R为车轮半径，T_m为作用在车轮上的驱/制动力矩，μ_x(θ_x,λ)为当前轮胎对地面的利用附着系数，F_z为车轮受到的垂向载荷，I_ω为车轮的转动惯量，λ为车轮滑移率，v_x为车轮中心处的纵向速度；

整车的单轮运动模型的表达式为：

式中，θ为路面峰值附着系数，即μ-λ曲线最高点的对应路面的峰值附着系数，λ为车轮滑移率，c₁为轮胎的纵滑刚度，即μ-λ曲线在原点处的斜率，c₂、c₃、c₄分别为路面峰值附着系数与滑移率的曲线下降段控制参数。

轮胎纵向力和路面附着系数估计算法的表达式为：

式中，

为轮胎纵向力的估计，/>

为轮胎的利用附着系数，K为纵向力估计器增益，/>

为根据当前的纵向力和滑移率通过数值计算的方法在轮胎模型描述的曲线上计算得到的路面峰值附着系数，/>

为路面峰值附着系数的估计值，γ为路面附着系数估计的增益。

步骤403)中，构造融合估计器的具体内容为：

假设通过路面图像映射的路面峰值附着系数的经验值为

其与真实值θ_x(λ,F_x)存在误差，表达式为：

构造的融合估计器的表达为：

其中，K^*为估计器的增益。

根据步骤三分类的图像结果，结合经验值，设定干沥青路面的峰值附着系数的经验值及湿沥青路面的峰值附着系数的经验值。优选地，设定干沥青路面的峰值附着系数的经验值为0.85，设定湿沥青路面的峰值附着系数的经验值为0.6。

根据设定的峰值附着系数的经验值，将其代入融合估计器，获取路面峰值附着系数的估计结果，将路面峰值附着系数的估计结果代入设计的轮胎纵向力和路面附着系数估计算法，获取轮胎纵向力的估计结果。

与现有技术相比，本发明具有以下优点：

1、本发明设计的路面附着系数估计算法能在图像提供的经验值的基础上通过动力学算法进一步校正估计结果，相比传动的传感器估计方法，估计精度更高；

2、本发明设计的路面附着系数估计算法能同时调用路面图像信息和车辆状态信息，相比传统的动力学估计方法，收敛速度更快；

3、本发明设计的路面附着系数估计算法能在轮胎力激励不足的工况下仍能使估计值维持在一个经验值，以便能在下次激励到来时实现快速收敛。

附图说明

图1为本发明基于车载摄像头辅助分布式驱动电动汽车路面估计方法的流程框图；

图2为本发明实施例中单轮运动学模型示意图；

图3为本发明实施例中滑移率与附着系数之间的映射关系示意图；

图4为本发明实施例中估计器增益K^*与

的变化关系示意图；

图5为本发明实施例中硬件设备组合示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明涉及一种基于车载摄像头辅助分布式驱动电动汽车路面估计方法，包括如下步骤：

步骤一、通过车载摄像头分别拍摄干燥和阴雨潮湿天气下的车辆前方道路路面图像。

车载摄像头要求安装在车辆前端保险杠处，其技术参数要求为：分辨率不低于720×480像素，帧率不低于30fps。拍摄的样本图片数量要求为：干沥青路面图片数量不少于200张，湿沥青路面图片数量不少于200张。

步骤二、分别基于颜色矩法和灰度共生矩阵法提取路面图像特征。具体地：

2.1、图像的颜色信息主要集中在低阶矩，使用图像的一阶矩、二阶矩和三阶矩作为图像的颜色特征进行提取，其计算公式为：

i＝h,s,v

其中，p_i,j表示图像第j个像素的i通道的值，N表示图像中的像素总数，μ_i为图像在i通道的一阶矩，σ_i为图像在i通道的二阶矩，s_i为图像在i通道的三阶矩。

对于一幅路面图像，图像的三个通道的前三阶颜色矩可以得到一个9维的颜色特征向量V_color＝[μ_h,σ_h,s_h,μ_s,σ_s,s_s,μ_v,σ_v,s_v]。

2.2、设灰度图像的像素点的坐标为(x,y)，f(x,y)为对应坐标的像素点的值，令d_x为两像素点之间的水平距离，d_y为两像素点之间的垂直距离，

为两像素点之间的方向角度，图像的灰度共生矩阵定义为从图像f(x,y)中灰度为i₁的像素点起，统计与灰度i₂且距离为/>

方向角度为θ的像素点同时出现的概率P(i₁,i₂|d,θ)，其计算公式为：

P(i₁,i₂|d,θ)＝{(x,y)|f(x,y)＝i₁,f(x+d_x,y+d_y)＝i₂}

2.3、采用由能量ASM、熵ENT、对比度CON和相关性COR组成的4维向量V_texture＝[ASM,ENT,CON,COR]作为图像纹理特征进行提取。其中能量ASM反映纹理的粗细，能量值大，说明图像的不同区域之间相差较大。对比度CON是用来描述纹理清晰程度，纹理沟纹越深，图像对比度越大。相关度COR反映了图像中的灰度在横向或者纵向上的相似程度，体现为纹理的方向性差异。熵ENT反映图像纹理的细腻程度，当图像中纹理比较密集时，熵值较大。四个特征量的计算公式为：

其中，

2.4、结合图像的颜色特征和纹理特征，获得图像的13维的特征向量V＝[μ_h,σ_h,s_h,μ_s,σ_s,s_s,μ_v,σ_v,s_v,ASM,ENT,CON,COR]用于表示路面图像的特征。

步骤三、基于支持向量机方法对路面图像特征进行分类辨识，区分图像为干沥青图像还是湿沥青图像，一旦区分出来，根据现有技术的经验值得到不同情况下的路面附着系数。将得到的路面附着系数作为先验估计值，用于辅助步骤四中的动力学算法进行更快速和精度更高的收敛。具体步骤为：

3.1、令道路图像的特征向量集合为[V_i,y_i],i＝1,2,3,...,n，其中V_i为道路图像的特征向量，n为样本总数，隶属度y_i∈{-1,1}，y_i＝1表示特征向量属于干沥青路面，y_i＝-1表示特征向量属于湿沥青路面。则约束优化问题可描述为：

其中，w和b为最优超平面的参数，ξ_i为松弛因子，C为惩罚系数，这两个参数影响分类算法对错误样本的容忍度。

3.2、通过引入拉格朗日优化的方法，将上述优化问题转化为它的对偶形式，如下式所示：

求解得到最优的拉格朗日乘子

和分类阈值b^*。

3.3、使用最优分类函数进行测试样本的分类，过程如下式：

其中，K(V_i,V)为核函数，该核函数选用针对非线性分类问题应用最广泛径向基核函数。

步骤四、基于轮胎纵向力估计设计扰动估计器估计路面附着系数，考虑路面图像与附着系数之间的映射关系(滑移率与路面附着系数之间的关系)，设计融合估计器。具体过程包括：

4.1、建立整车的单轮运动模型。

首先获取车轮角速度和车轮滑移率，即：

式中，ω表示车轮角速度，R表示车轮半径，T_m表示作用在车轮上的驱/制动力矩，μ_x(θ_x,λ)表示当前轮胎对地面的利用附着系数，F_z表示车轮受到的垂向载荷，I_ω表示车轮的转动惯量，λ表示车轮滑移率，v_x表示车轮中心处的纵向速度。

整车的单轮运动模型具体为：

式中，θ表征路面峰值附着系数，即μ-λ曲线最高点的对应路面的峰值附着系数；λ表示车轮滑移率；c₁表示轮胎的纵滑刚度，即μ-λ曲线在原点处的斜率；c₂、c₃、c₄为曲线下降段控制参数，通常变化不大。图3为路面峰值附着系数与滑移率之间的关系。

4.2、基于扰动观测理论，设计轮胎纵向力和路面附着系数估计算法，其表达式如下：

式中，

表示轮胎纵向力的估计，/>

表示轮胎的利用附着系数，K表示纵向力估计器增益，/>

表示根据当前的纵向力和滑移率通过数值计算的方法在轮胎模型描述的曲线上计算得到的路面峰值附着系数，/>

为路面峰值附着系数的估计值，γ表示路面附着系数估计的增益。

4.3、假设通过路面图像映射的路面峰值附着系数的经验值为

它与真实值θ_x(λ,F_x)存在误差：

考虑一般的行驶路面，误差|Δ|为一个有界的较小值，基于此构造融合估计器为：

其中，K^*为估计器的增益，其与

的关系如图4所示。

关于路面峰值附着系数的经验值

本实施例根据步骤三分类的结果，结合经验值，设定干沥青路面的峰值附着系数的经验值/>

为0.85，设定湿沥青路面的峰值附着系数的经验值/>

为0.6。根据设定的峰值附着系数的经验值，将其代入融合估计器，获取路面峰值附着系数的估计结果，将路面峰值附着系数的估计结果代入设计的轮胎纵向力和路面附着系数估计算法，获取轮胎纵向力的估计结果。

本发明的硬件设备实现方案如图5所示。步骤一所述的车载摄像头采用高清摄像头获取所需的路面图像，图像通过传输至工控机进行步骤二的处理，获取辨识结果。辨识结果发送至整车控制器，结合整车试验平台发送的整车信号，包括车轮上的驱/制动力矩，当前轮胎对地面的利用附着系数，车轮受到的垂向载荷，车轮的转动惯量等，执行步骤三、四的处理过程，获取最终的融合估计结果。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，该方法包括下列步骤：

1)利用车载摄像头分别拍摄干燥天气情况下和阴雨潮湿天气情况下的车辆前方道路路面图像；

2)基于颜色矩法和灰度共生矩阵法对获取的各天气情况下的车辆前方道路路面图像提取路面图像特征；

3)利用支持向量机方法对步骤2)获取的各路面图像特征进行分类辨识；

4)基于轮胎纵向力估计设计扰动估计器，考虑路面图像与附着系数之间的映射关系，设计融合估计器，进而获取融合估计结果；

步骤3)具体包括如下步骤：

31)利用支持向量机对图面图像特征进行优化，区分图像为干沥青图像还是湿沥青图像；

令道路图像的特征向量集合为[V_i,y_i],i＝1,2,3,...,n，其中V_i为道路图像的特征向量，n为样本总数，y_i∈{-1,1}为隶属度，当y_i＝1时，表示特征向量属于干沥青路面，当y_i＝-1时，表示特征向量属于湿沥青路面，则约束优化表达式为：

其中，w和b为最优超平面的参数，ξ_i为松弛因子，C为惩罚系数，这两个参数影响分类算法对错误样本的容忍度；

32)通过引入拉格朗日优化的方法，将优化问题转化为对偶形式，即：

求解得到最优的拉格朗日乘子

和分类阈值b^*；

33)根据得到的最优的拉格朗日乘子

和分类阈值b^*，使用最优分类函数进行测试样本的分类，即：

式中：f(V)为分类结果，K(V_i,V)为核函数，该核函数选用针对非线性分类问题应用最广泛径向基核函数，V为图像的13维的特征向量，用于表示路面图像的特征；γ为路面附着系数估计的增益；

步骤4)具体包括如下步骤：

41)建立整车的单轮运动模型；

42)基于扰动观测理论，设计轮胎纵向力和路面附着系数估计算法；

43)根据步骤3)的图像分类结果，结合路面峰值附着系数的经验值构造融合估计器，获取路面附着系数的估计结果，将其代入轮胎纵向力和路面附着系数估计算法中，获取轮胎纵向力的估计结果；

建立整车的单轮运动模型的具体内容为：

获取车轮角速度和车轮滑移率：

式中：ω为车轮角速度，R为车轮半径，T_m为作用在车轮上的驱/制动力矩，μ_x(θ_x,λ)为当前轮胎对地面的利用附着系数，F_z为车轮受到的垂向载荷，I_ω为车轮的转动惯量，λ为车轮滑移率，v_x为车轮中心处的纵向速度；

整车的单轮运动模型的表达式为：

式中：θ为路面峰值附着系数，即μ-λ曲线最高点的对应路面的峰值附着系数，λ为车轮滑移率，c₁为轮胎的纵滑刚度，即μ-λ曲线在原点处的斜率，c₂、c₃、c₄分别为路面峰值附着系数与滑移率的曲线下降段控制参数。

2.根据权利要求1所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，步骤2)具体包括如下步骤：

21)采用颜色矩法对拍摄的各天气情况下的车辆前方道路路面图像提取路面图像的颜色特征；

22)获取各图像的灰度图像，利用灰度共生矩阵法获取各灰度图像像素点同时出现的概率；

23)结合步骤21)、22)获取由能量、熵、对比度和相关性组成的纹理特征；

24)结合图像的颜色特征和纹理特征，获取图像的特征向量。

3.根据权利要求1所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，轮胎纵向力和路面附着系数估计算法的表达式为：

/>

式中：

为轮胎纵向力的估计，/>

为轮胎的利用附着系数，K为纵向力估计器增益，/>

为根据当前的纵向力和滑移率通过数值计算的方法在轮胎模型描述的曲线上计算得到的路面峰值附着系数，/>

为路面峰值附着系数的估计值。

4.根据权利要求3所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，步骤43)中，构造融合估计器的具体内容为：

假设通过路面图像映射的路面峰值附着系数的经验值为

其与真实值θ_x(λ,F_x)存在误差，表达式为：

构造的融合估计器的表达为：

其中，K^*为估计器的增益。

5.根据权利要求2所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，步骤21)的具体内容为：

采用各天气情况下的车辆前方道路路面图像的一阶矩、二阶矩和三阶矩作为图像的颜色特征进行提取，其表达式为：

式中：p_i,j为图像第j个像素的i通道的值，N为图像中的像素总数，μ_i为图像在i通道的一阶矩，σ_i为图像在i通道的二阶矩，s_i为图像在i通道的三阶矩；

对于一幅干燥天气情况下的车辆前方道路路面图像，图像的三个通道的前三阶颜色矩得到一个九维的颜色特征向量V_color＝[μ_h,σ_h,s_h,μ_s,σ_s,s_s,μ_v,σ_v,s_v]。

6.根据权利要求2所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，步骤22)中，利用灰度共生矩阵法获取各灰度图像像素点同时出现的概率的具体内容为：

假设灰度图像的像素点的坐标为(x,y)，f(x,y)为对应坐标的像素点的值，令d_x为两像素点之间的水平距离，d_y为两像素点之间的垂直距离，

为两像素点之间的方向角度，图像的灰度共生矩阵定义为从图像f(x,y)中灰度为i₁的像素点起，统计与灰度i₂且距离为/>

方向角度为θ的像素点同时出现的概率P(i₁,i₂|d,θ)，其计算公式为：

P(i₁,i₂|d,θ)＝{(x,y)|f(x,y)＝i₁,f(x+d_x,y+d_y)＝i₂}。

7.根据权利要求6所述的基于车载摄像头辅助分布式驱动电动汽车路面估计方法，其特征在于，步骤23)中，纹理特征的表达式为V_texture＝[ASM,ENT,CON,COR]，其中ASM为反映纹理粗细的能量、ENT为反映图像纹理细腻程度的熵、CON为用以描述纹理清晰程度的对比度，COR为反映图像中的灰度在横向或纵向上的相似程度的相关性，各特征量的计算公式为：

其中：

。/>

Images