CN111597642B - 一种三维路面信息谱的自动获取方法 - Google Patents
一种三维路面信息谱的自动获取方法 Download PDFInfo
- Publication number
- CN111597642B CN111597642B CN202010461086.3A CN202010461086A CN111597642B CN 111597642 B CN111597642 B CN 111597642B CN 202010461086 A CN202010461086 A CN 202010461086A CN 111597642 B CN111597642 B CN 111597642B
- Authority
- CN
- China
- Prior art keywords
- cycle
- kth cycle
- obtaining
- kth
- pavement
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/04—Measuring adhesive force between materials, e.g. of sealing tape, of coating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明公开了一种三维路面信息谱的自动获取方法,应用于包含有悬架机构和信息收集机构的车辆中,包括:1收集垂向路面信息数据;2根据四分之一车辆悬架二自由度动力学模型,得到第k次循环的输出变量;3计算第k次循环的路面相对粗糙度和功率谱密度;4计算第k次循环的一个估计的路面粗糙度结果;5基于离散Kalman滤波预测模型得到第k+1次循环的路面相对粗糙度;6路面附着系数的计算;7利用定位坐标的时间戳耦合路面相对粗糙度以及路面附着系数得到第k次循环的路面信息谱。本发明能实现利用现有悬架结构及其传感器收集路面信息,从而能快速、低成本地准确建立路面信息谱。
Description
技术领域
本发明涉及路面信息收集与获取领域,具体形容为一种三维路面信息谱三维自动获取的方法。
背景技术
21世纪,人类的交通运输系统已经逐渐趋于完善。作为地面交通系统的最重要组成部分之一,道路已经存在于世界各地承担着地区之间的联系纽带。现存的道路主要分为沥青路面、混凝土路面以及非铺装路面等。由于道路建造条件不同,和长期经历各种自然风化侵蚀,以及正常的交通流量碾压后,世界上不存在任何两条相同表面粗糙度和附着系数等条件的道路。为了便于分辨道路条件的优劣,目前现存的方法将路面根据功率谱密度等信息分为A、B、C…等级。
现存的道路评级系统仅仅是机械地在某一时刻根据要求测量理想状态下的路面粗糙度信息,在日后的道路管理以及信息共享方面存在屏障。在已分级的路面遭受破坏或因降水等情况导致路面粗糙度以及附着系数发生动态改变的情况下,不能及时根据现实情况进行市政维护或路面易滑等信息发布,造成了许多不必要的损失。
目前已有许多针对路面信息的动态管理系统存在,但大多仅仅是收集垂向或纵向信息后用于道路分级,且需要使用昂贵的专门设备与车辆进行信息收集,这无疑为许多地区的道路信息收集带来了条件上的限制。
发明内容
本发明为克服现有技术的不足之处,提出一种三维路面信息谱的自动获取方法,以期实现利用现有悬架结构及其传感器收集路面信息,从而能快速、低成本地准确建立路面信息谱。
为实现上述目的,本发明采用如下技术方案:
本发明一种三维路面信息谱的自动获取方法,是应用于包含有悬架机构和信息收集机构的车辆中;所述悬架机构包括:车架、摆臂和羊角;所述信息收集机构包括:车辆原生ABS系统、加速度传感器、轮速传感器、车辆原生GPS传感器和相应支撑座;所述加速度传感器分别安装在所述摆臂和车架处,并分别用于收集非簧载质量加速度和簧载质量加速度;其特点是:在所述信息收集机构中还设置有轮跳传感器、所述轮跳传感器包括:角度计和杆件;所述轮跳传感器的角度计安装于所述车架处,且所述杆件的一端安装于所述摆臂处;所述自动获取方法是按如下步骤进行:
步骤1、收集垂向路面信息数据:
设定循环次数为k,且初始化k=0;
利用所述轮跳传感器(1)采集第k次循环的轮跳位移yj (k),利用所述加速度传感器(2)分别采集第k次循环的非簧载质量加速度和簧载质量加速度/>,利用所述车辆原生ABS系统与轮速传感器采集第k次循环的路面滑移率u(k),利用所述车辆原生GPS传感器采集第k次循环的带有时间戳的车辆GPS坐标;
步骤2、根据四分之一车辆悬架二自由度动力学模型,对所述第k次循环的轮跳位移yj (k)、非簧载质量加速度和簧载质量加速度/>进行预处理,得到第k次循环的输出变量yk,且/>,y1为第一输出变量,且/>为第二输出变量,且为第三输出变量,且/>为路面位移量;
步骤3、对所述第k次循环的簧载质量加速度进行高通滤波与积分运算后,得到第k次循环的簧载质量积分位移/>和簧载质量速度/>
步骤4、利用式(1)计算第k次循环的路面相对粗糙度IIRI (k):
式(1)中,L为全程测量距离,d为微分符号;
步骤5、根据所述第k次循环的路面相对粗糙度IIRI (k),利用式(2)得到第k次循环的相应路面空间的功率谱密度
式(2)中,n为空间频率;ωt为时间角频率;v0为车速;Hs(ωt)为簧载质量位移对地面激励的传递函数,d为微分符号;
步骤6、对所述第k次循环的路面相对粗糙度IIRI (k)和功率谱密度分别进行小波变换后,再与自身的时域信号进行对比,从而得到第k次循环的一个估计的路面粗糙度结果;
步骤7、以所述第k次循环的簧载质量速度、簧载质量加速度/>、簧载质量积分位移/>以及四分之一车辆半主动悬架模型的变量送入卡尔曼滤波进行计算,得出第k+1次循环的路面相对粗糙度IIRI (k+1);
步骤7.1、初始化k=0;
定义第k次循环的状态变量集合其中,/>为第k次循环的非簧载质量速度;
定义第k次循环的路面位移量yh (k)为第k次循环的第二输入向量uk;
定义第k次循环的第二输入向量uk的状态估计向量为第k次循环的第一输入变量
步骤7.2、判断k=0是否成立,若成立,则执行步骤7.3-步骤7.6进入初始估计阶段后再进行预测阶段;否则,执行步骤7.7-步骤7.8,直接进入预测阶段;
步骤7.3、利用式(3)得到第k次循环的状态变量集合xk的初始先验状态估计
式(3)中,E[·]表示随机变量的总体均值函数;
步骤7.4、利用式(4)得到第k次循环的第一输入变量u* k的初始先验状态估计
步骤7.5、利用式(5)得到第k次循环的状态变量集合xk及其初始先验状态估计的先验协方差矩阵P0|0:
步骤7.6、利用式(6)得到第k次循环的第一输入变量u* k及其初始先验状态估计的先验协方差矩阵S0:
式(5)和式(6)中,T为转置符号;
步骤7.7、利用式(7)得到第k次循环的状态变量集合xk的先验状态估计
式(7)中,A表示第一系数矩阵,B表示第二系数矩阵,B*表示未知输入第二状态系数矩阵;
步骤7.8、利用式(8)得到先验状态估计的先验协方差矩阵Pk+1|k:
Pk+1|k=APk|kAT+Q (8)
式(8)中,Q表示系统噪声协方差矩阵,AT表示第一系数矩阵A的转置矩阵;
步骤7.9、利用式(9)得到第k+1次循环的卡尔曼增益Kk+1:
Kk+1=CTPk+1|k(CTPk+1|k+R)-1 (9)
式(9)中,R为噪声协方差矩阵;C表示第三系数矩阵,CT表示第三系数矩阵C的转置矩阵;
步骤7.10、利用式(10)得到第k+1次循环的协方差矩阵Sk+1:
Sk+1=[D*TR-1(I-CKk+1)D*]-1 (10)
式(10)中,D*表示未知输入第四状态系数矩阵,D*T表示未知输入第四状态系数矩阵D*的转置矩阵;I表示单位矩阵;
步骤7.11、利用式(11)得到第一输入变量u* k在第k+1次循环的状态估计
式(11)中,yk+1表示第k+1次循环的输出变量;uk+1表示第k+1次循环的第二输入向量;
步骤7.12、利用式(12)得到第k+1次循环的状态变量集合xk+1的后验状态估计
步骤7.13、利用式(13)得到的后验状态估计的协方差矩阵Pk+1|k+1:
Pk+1|k+1=(I+Kk+1D*Sk+1D*TR-1C)(I-Kk+1C)Pk+1|k (13)
步骤7.14、利用式(14)得到第k+1次循环的状态变量集合xk+1:
xk+1=Axk+Buk+B*u* k+wk (14)
式(14)中,wk表示第k次循环的系统噪声向量;
步骤7.15、利用式(15)得到第k次循环的输出变量yk:
yk=Cxk+Duk+D*u* k+vk (15)
式(15)中,vk表示第k次循环的测量噪声向量;
步骤7.16、得出k+1步状态量,带入式(1)得出第k+1次循环的路面相对粗糙度估计量IIRI (k+1);
步骤8、路面附着系数的计算;
步骤8.1、根据橡胶滞后摩擦模型,利用第k次循环的路面相对粗糙度IIRI (k)得到第k次循环的路面第一附着系数
步骤8.2、利用所述车辆原生ABS系统和轮速传感器得出第k次循环的轮胎滑移率S(k);
步骤8.3、根据第k次循环的滑移率S(k)与路面附着系数的关系曲线,得到第k次循环的路面第二附着系数
步骤8.4、根据所述路面第一附着系数和路面第二附着系数/>整合得到第k次循环的路面附着系数Φ(k);
步骤9、利用所述车辆原生GPS传感器输出的定位坐标的时间戳将所述第k次循环的路面相对粗糙度IIRI (k)以及路面附着系数Φ(k)的时域信息相耦合,从而得到第k次循环的路面信息谱。
本发明所述的三维路面信息谱的自动获取方法的特点也在于,所述步骤8.3中的关系曲线分为线性区域和饱和区域;
在所述线性区域中,第k次循环的滑移率S(k)与路面附着系数为线性关系,从而直接得到第二路面附着系数
在所述饱和区域中,是通过牵引力的动力学方程中的系数辨识得到第二路面附着系数
与已有技术相比,本发明有益效果体现在:
1、本发明通过现有半主动悬架的传感器和硬件,捕获当前路面的垂向位移信息和纵向附着系数。相较于传统的路面信息检测车和其他方法,本发明无需使用额外的设备即可收集满足计算的数据,使得路面信息获取的成本大大降低,难度大大减小;
2、本发明通过收集和处理车辆半主动悬架等原生的加速度传感器、位移传感器、ABS以及GPS系统,从而可以同时收集垂向路面粗糙度信息和纵向路面附着系数,并且将垂向路面粗糙度用于纵向路面附着系数的计算,使得输出的路面信息更加精确;
3、本发明将收集到的垂向路面粗糙度和纵向路面附着系数用于建立时域谱图,通过时间戳与系统中同时工作的高精度GPS输出的坐标相耦合,最终得出每个精确坐标上的纵向与垂向信息,自动建立出三维路面信息谱;从而使得建立的路面信息谱带有对应的空间信息,方便后续加以延伸利用;
4、本发明在垂向路面粗糙度获取上,使用离散型卡尔曼滤波以及小波分析计算方法,得出较为精确的路面粗糙度信息;并且同时使用滑移率-路面附着系数曲线与路面粗糙度的橡胶滞后摩擦模型计算,从而得出较为准确的路面附着系数;
5、本发明得出的三维路面信息谱可实时上传云端,进行必要的信息共享。
利用现有的汽车悬架,通过其原生的各类传感器与硬件系统收集所需信号,进行必要的计算后将之与GPS信号耦合,快速准确地建立路面的三维信息谱。
附图说明
图1是本发明路面三维模型建立原理流程示意图;
图2是本发明基于主动/半主动悬架的路面信息收集系统结构示意图;
图3是本发明轮采用的跳传感器与加速度传感器结构与安装示意图;。
图4是本发明路面纵向附着系数估计原理流程示意图;
图5是本发明四分之一车辆半主动悬架动力学模型示意图;
图6是本发明路面垂向粗糙度收集方法原理流程示意图;
图7是本发明采用的离散卡尔曼滤波(DKF-UI)计算流程图;
图中标号,1轮跳传感器总成,2加速度传感器,3车架/车身,4摆臂,5羊角,6角度传感器,7角位移支撑座,8连杆。
具体实施方式
请参照图1至图7,本实施例中,一种三维路面信息谱的自动获取方法,是应用于包含有悬架机构和信息收集机构的车辆中;如图2所示,悬架机构包括:车架3、摆臂4和羊角5;信息收集机构包括:车辆原生ABS系统、加速度传感器2、轮速传感器、车辆原生GPS传感器和相应支撑座7;如图3所示,加速度传感器2分别安装在摆臂4和车架3处,并分别用于收集非簧载质量加速度和簧载质量加速度;
在信息收集机构中还设置有轮跳传感器1、轮跳传感器1包括:角度计6和杆件8;轮跳传感器1的角度计6安装于车架3处,且杆件8的一端安装于摆臂4处;角度计6与杆件8共同组成轮跳传感器1,通过标定摆臂4绕其安装轴承转过角度与轮跳上下移动距离的一一对应的函数关系,将轮跳位移数据对应成角度计6获得的角度信号,从而得到轮跳信号。如图1所示,该自动获取方法是按如下步骤进行:
步骤1、如图6所示,收集垂向路面信息数据:
设定循环次数为k,且初始化k=0;
利用轮跳传感器1采集第k次循环的轮跳位移yj (k),利用加速度传感器2分别采集第k次循环的非簧载质量加速度和簧载质量加速度/>利用车辆原生ABS系统与轮速传感器采集第k次循环的路面滑移率u(k),利用车辆原生GPS传感器采集第k次循环的带有时间戳的车辆GPS坐标;
步骤2、如图5所示,四分之一车辆悬架二自由度动力学模型:
式中x为状态变量且yc为簧载质量的位移,/>为簧载质量的速度,yf为非簧载质量的位移,/>为非簧载质量的速度,T为转置;/>为状态变量x的导数;ω为路面输入量,且ω=yh;u为阻尼力输入变量,且u=Fc;A为状态矩阵,B为控制力输入矩阵,C为观测矩阵,D为传递矩阵,L和H为扰动矩阵,分别表示为:
定义mc为簧载质量;mf为非簧载质量;kc为弹簧的刚度系数;kf为轮胎刚度系数;
为通过传感器测量量获得各状态量,对应地,对第k次循环的轮跳位移yj (k)、非簧载质量加速度和簧载质量加速度/>进行预处理,得到第k次循环的输出变量yk,且y1为第一输出变量,且/>为第二输出变量,且/> 为第三输出变量,且/>yh (k)为路面位移量;
步骤3、对第k次循环的簧载质量加速度进行高通滤波与积分运算后,得到第k次循环的簧载质量积分位移/>和簧载质量速度/>
步骤4、利用式(1)计算第k次循环的路面相对粗糙度IIRI (k):
式(1)中,L为全程测量距离,d为微分符号;
步骤5、根据第k次循环的路面相对粗糙度IIRI (k),利用式(2)得到第k次循环的相应路面空间的功率谱密度
式(2)中,n为空间频率;ωt为时间角频率;v0为车速;Hs(ωt)为簧载质量位移对地面激励的传递函数,d为微分符号;
步骤6、对第k次循环的路面相对粗糙度IIRI (k)和功率谱密度分别进行小波变换后,再与自身的时域信号进行对比,从而得到第k次循环的一个估计的路面粗糙度结果;
步骤7、如图7所示,以第k次循环的簧载质量速度簧载质量加速度/>簧载质量积分位移/>以及四分之一车辆半主动悬架模型的变量送入卡尔曼滤波进行计算,得出第k+1次循环的路面相对粗糙度IIRI (k+1);
步骤7.1、初始化k=0;
定义第k次循环的状态变量集合其中,/>为第k次循环的非簧载质量速度;
定义第k次循环的路面位移量yh (k)为第k次循环的第二输入向量uk;
定义第k次循环的第二输入向量uk的状态估计向量为第k次循环的第一输入变量
步骤7.2、判断k=0是否成立,若成立,则执行步骤7.3-步骤7.6进入初始估计阶段后再进行预测阶段;否则,执行步骤7.7-步骤7.8,直接进入预测阶段;
步骤7.3、利用式(3)得到第k次循环的状态变量集合xk的初始先验状态估计
式(3)中,E[·]表示随机变量的总体均值函数;
步骤7.4、利用式(4)得到第k次循环的第一输入变量u* k的初始先验状态估计
步骤7.5、利用式(5)得到第k次循环的状态变量集合xk及其初始先验状态估计的先验协方差矩阵P00:
步骤7.6、利用式(6)得到第k次循环的第一输入变量u* k及其初始先验状态估计的先验协方差矩阵S0:
式(5)和式(6)中,T为转置符号;
步骤7.7、利用式(7)得到第k次循环的状态变量集合xk的先验状态估计
式(7)中,A表示第一系数矩阵,B表示第二系数矩阵,B*表示未知输入第二状态系数矩阵;
步骤7.8、利用式(8)得到先验状态估计的先验协方差矩阵Pk+1|k:
Pk+1|k=APk|kAT+Q (8)
式(8)中,Q表示系统噪声协方差矩阵,AT表示第一系数矩阵A的转置矩阵;
步骤7.9、利用式(9)得到第k+1次循环的卡尔曼增益Kk+1:
Kk+1=CTPk+1|k(CTPk+1|k+R)-1 (9)
式(9)中,R为噪声协方差矩阵;C表示第三系数矩阵,CT表示第三系数矩阵C的转置矩阵;
步骤7.10、利用式(10)得到第k+1次循环的协方差矩阵Sk+1:
Sk+1=[D*TR-1(I-CKk+1)D*]-1 (10)
式(10)中,D*表示未知输入第四状态系数矩阵,D*T表示未知输入第四状态系数矩阵D*的转置矩阵;I表示单位矩阵;
步骤7.11、利用式(11)得到第一输入变量u* k在第k+1次循环的状态估计
式(11)中,yk+1表示第k+1次循环的输出变量;uk+1表示第k+1次循环的第二输入向量;
步骤7.12、利用式(12)得到第k+1次循环的状态变量集合xk+1的后验状态估计
步骤7.13、利用式(13)得到的后验状态估计的协方差矩阵Pk+1|k+1:
Pk+1|k+1=(I+Kk+1D*Sk+1D*TR-1C)(I-Kk+1C)Pk+1|k (13)
步骤7.14、利用式(14)得到第k+1次循环的状态变量集合xk+1:
xk+1=Axk+Buk+B*u* k+wk (14)
式(14)中,wk表示第k次循环的系统噪声向量;
步骤7.15、利用式(15)得到第k次循环的输出变量yk:
式(15)中,vk表示第k次循环的测量噪声向量;
步骤7.16、得出k+1步状态量,带入式(1)得出第k+1次循环的路面相对粗糙度估计量IIRI (k+1);
步骤8、路面附着系数的计算,如图4所示;
步骤8.1、根据橡胶滞后摩擦模型,利用第k次循环的路面相对粗糙度IIRI (k)得到第k次循环的路面第一附着系数
步骤8.2、利用车辆原生ABS系统和轮速传感器得出第k次循环的轮胎滑移率S(k);
步骤8.3、根据第k次循环的滑移率S(k)与路面附着系数的关系曲线,得到第k次循环的路面第二附着系数其中,该关系曲线分为线性区域和饱和区域;
在线性区域中,第k次循环的滑移率S(k)与路面附着系数为线性关系,从而直接得到路面第二附着系数
在饱和区域中,是通过牵引力的动力学方程中的系数辨识得到路面第二附着系数
步骤8.4、根据第一路面附着系数和路面第二附着系数/>整合得到第k次循环的路面附着系数Φ(k),整合方程为:
其中,α为第一权重系数,β为第二权重系数,且α+β=1。
步骤9、利用车辆原生GPS传感器输出的定位坐标的时间戳将第k次循环的路面相对粗糙度IIRI (k)以及路面附着系数Φ(k)的时域信息相耦合,从而得到第k次循环的路面信息谱。
本实施例中,三维路面信息谱各方向上的数据计算,应视实际的设备计算能力进行设备内部的离线计算,或通过5G数据流,完成数据进行云端在线运算所需的上载与下载。并最终将带有对应GPS坐标的三维路面信息谱上传至云端数据库,组成地图级别的路面信息网。
本实施例中,在理想状态下(即大量装备有应用本发明方法制成系统的车辆运行在道路各处时),该方法形成的大数据系统可快速、准确实时地刷新道路的路面等级与路面养护状况(路面粗糙度)、交通状况(GPS信号的移动速率)、路面湿滑预警(路面附着系数)信息等,供市政、交管等部门进行智能化道路管理。
综上所述,本发明方法主要计算模型基于离散Kalman滤波预测模型及纵向路面附着系数估计,实时的将路面粗粗糙度和路面附着系数等信息与GPS信号耦合,建立相应路面的三维信息模型。通过结合传统半主动悬架现有传感器等设备收集路面输入信号,在对信号进行预测、测量和分析后得出相应的道路纵向与垂向时域信号,通过高精度GPS的时间戳,将时域的路面信息扩展生成三维空间,其输出可被应用于汽车振动控制、交通信息和市政规划等领域。
Claims (2)
1.一种三维路面信息谱的自动获取方法,是应用于包含有悬架机构和信息收集机构的车辆中;所述悬架机构包括:车架(3)、摆臂(4)和羊角(5);所述信息收集机构包括:车辆原生ABS系统、加速度传感器(2)、轮速传感器、车辆原生GPS传感器和相应支撑座(7);所述加速度传感器(2)分别安装在所述摆臂(4)和车架(3)处,并分别用于收集非簧载质量加速度和簧载质量加速度;其特征是:在所述信息收集机构中还设置有轮跳传感器(1)、所述轮跳传感器(1)包括:角度计(6)和杆件(8);所述轮跳传感器(1)的角度计(6)安装于所述车架(3)处,且所述杆件(8)的一端安装于所述摆臂(4)处;所述自动获取方法是按如下步骤进行:
步骤1、收集垂向路面信息数据:
设定循环次数为k,且初始化k=0;
利用所述轮跳传感器(1)采集第k次循环的轮跳位移yj (k),利用所述加速度传感器(2)分别采集第k次循环的非簧载质量加速度和簧载质量加速度/>利用所述车辆原生ABS系统与轮速传感器采集第k次循环的路面滑移率u(k),利用所述车辆原生GPS传感器采集第k次循环的带有时间戳的车辆GPS坐标;
步骤2、根据四分之一车辆悬架二自由度动力学模型,对所述第k次循环的轮跳位移yj (k)、非簧载质量加速度和簧载质量加速度/>进行预处理,得到第k次循环的输出变量yk,且y1为第一输出变量,且/> 为第二输出变量,且/> 为第三输出变量,且y3 (k)=yf (k)-yh (k),yh (k)为路面位移量;
步骤3、对所述第k次循环的簧载质量加速度进行高通滤波与积分运算后,得到第k次循环的簧载质量积分位移yc′(k)和簧载质量速度/>
步骤4、利用式(1)计算第k次循环的路面相对粗糙度IIRI (k):
式(1)中,L为全程测量距离,d为微分符号;
步骤5、根据所述第k次循环的路面相对粗糙度IIRI (k),利用式(2)得到第k次循环的相应路面空间的功率谱密度
式(2)中,n为空间频率;ωt为时间角频率;v0为车速;Hs(ωt)为簧载质量位移对地面激励的传递函数,d为微分符号;
步骤6、对所述第k次循环的路面相对粗糙度IIRI (k)和功率谱密度分别进行小波变换后,再与自身的时域信号进行对比,从而得到第k次循环的一个估计的路面粗糙度结果;
步骤7、以所述第k次循环的簧载质量速度簧载质量加速度/>簧载质量积分位移yc′(k)以及四分之一车辆半主动悬架模型的变量送入卡尔曼滤波进行计算,得出第k+1次循环的路面相对粗糙度IIRI (k+1);
步骤7.1、初始化k=0;
定义第k次循环的状态变量集合其中,/>为第k次循环的非簧载质量速度;
定义第k次循环的路面位移量yh (k)为第k次循环的第二输入向量uk;
定义第k次循环的第二输入向量uk的状态估计向量为第k次循环的第一输入变量
步骤7.2、判断k=0是否成立,若成立,则执行步骤7.3-步骤7.6进入初始估计阶段后再进行预测阶段;否则,执行步骤7.7-步骤7.8,直接进入预测阶段;
步骤7.3、利用式(3)得到第k次循环的状态变量集合xk的初始先验状态估计
式(3)中,E[·]表示随机变量的总体均值函数;
步骤7.4、利用式(4)得到第k次循环的第一输入变量u* k的初始先验状态估计
步骤7.5、利用式(5)得到第k次循环的状态变量集合xk及其初始先验状态估计的先验协方差矩阵P0|0:
步骤7.6、利用式(6)得到第k次循环的第一输入变量u* k及其初始先验状态估计的先验协方差矩阵S0:
式(5)和式(6)中,T为转置符号;
步骤7.7、利用式(7)得到第k次循环的状态变量集合xk的先验状态估计
式(7)中,A表示第一系数矩阵,B表示第二系数矩阵,B*表示未知输入第二状态系数矩阵;
步骤7.8、利用式(8)得到先验状态估计的先验协方差矩阵Pk+1|k:
Pk+1|k=APk|kAT+Q (8)
式(8)中,Q表示系统噪声协方差矩阵,AT表示第一系数矩阵A的转置矩阵;
步骤7.9、利用式(9)得到第k+1次循环的卡尔曼增益Kk+1:
Kk+1=CTPk+1|k(CTPk+1|k+R)-1 (9)
式(9)中,R为噪声协方差矩阵;C表示第三系数矩阵,CT表示第三系数矩阵C的转置矩阵;
步骤7.10、利用式(10)得到第k+1次循环的协方差矩阵Sk+1:
Sk+1=[D*TR-1(I-CKk+1)D*]-1 (10)
式(10)中,D*表示未知输入第四状态系数矩阵,D*T表示未知输入第四状态系数矩阵D*的转置矩阵;I表示单位矩阵;
步骤7.11、利用式(11)得到第一输入变量u* k在第k+1次循环的状态估计
式(11)中,yk+1表示第k+1次循环的输出变量;uk+1表示第k+1次循环的第二输入向量;
步骤7.12、利用式(12)得到第k+1次循环的状态变量集合xk+1的后验状态估计
步骤7.13、利用式(13)得到的后验状态估计的协方差矩阵Pk+1|k+1:
Pk+1|k+1=(I+Kk+1D*Sk+1D*TR-1C)(I-Kk+1C)Pk+1|k (13)
步骤7.14、利用式(14)得到第k+1次循环的状态变量集合xk+1:
xk+1=Axk+Buk+B*u* k+wk (14)
式(14)中,wk表示第k次循环的系统噪声向量;
步骤7.15、利用式(15)得到第k次循环的输出变量yk:
yk=Cxk+Duk+D*u* k+vk (15)
式(15)中,vk表示第k次循环的测量噪声向量;
步骤7.16、得出k+1步状态量,带入式(1)得出第k+1次循环的路面相对粗糙度估计量IIRI (k+1);
步骤8、路面附着系数的计算;
步骤8.1、根据橡胶滞后摩擦模型,利用第k次循环的路面相对粗糙度IIRI (k)得到第k次循环的路面第一附着系数
步骤8.2、利用所述车辆原生ABS系统和轮速传感器得出第k次循环的轮胎滑移率S(k);
步骤8.3、根据第k次循环的滑移率S(k)与路面附着系数的关系曲线,得到第k次循环的路面第二附着系数
步骤8.4、根据所述路面第一附着系数和路面第二附着系数/>整合得到第k次循环的路面附着系数Φ(k);
步骤9、利用所述车辆原生GPS传感器输出的定位坐标的时间戳将所述第k次循环的路面相对粗糙度IIRI (k)以及路面附着系数Φ(k)的时域信息相耦合,从而得到第k次循环的路面信息谱。
2.根据权利要求1所述的三维路面信息谱的自动获取方法,其特征是,所述步骤8.3中的关系曲线分为线性区域和饱和区域;
在所述线性区域中,第k次循环的滑移率S(k)与路面附着系数为线性关系,从而直接得到第二路面附着系数
在所述饱和区域中,是通过牵引力的动力学方程中的系数辨识得到第二路面附着系数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461086.3A CN111597642B (zh) | 2020-05-27 | 2020-05-27 | 一种三维路面信息谱的自动获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461086.3A CN111597642B (zh) | 2020-05-27 | 2020-05-27 | 一种三维路面信息谱的自动获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597642A CN111597642A (zh) | 2020-08-28 |
CN111597642B true CN111597642B (zh) | 2023-09-12 |
Family
ID=72184115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461086.3A Active CN111597642B (zh) | 2020-05-27 | 2020-05-27 | 一种三维路面信息谱的自动获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597642B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112660134B (zh) * | 2020-12-25 | 2022-09-27 | 浙江吉利控股集团有限公司 | 一种路面附着系数估算方法及装置 |
CN113183709B (zh) * | 2021-06-04 | 2022-09-27 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153009A (zh) * | 2016-03-03 | 2017-09-12 | 重庆邮电大学 | 一种面向路况的eps试验台转向阻力矩加载方法 |
CN107870093A (zh) * | 2017-12-22 | 2018-04-03 | 合肥工业大学 | 1/4车辆制动模拟与性能实验测试系统与方法 |
CN108303066A (zh) * | 2018-01-04 | 2018-07-20 | 燕山大学 | 一种基于悬架行程测量路面功率谱的方法 |
CN108573109A (zh) * | 2018-04-25 | 2018-09-25 | 合肥工业大学 | 一种基于Carsim仿真的公路圆曲线路段限速值计算方法 |
CN109415043A (zh) * | 2016-12-30 | 2019-03-01 | 同济大学 | 一种基于舒适度的自动驾驶行驶规划方法 |
CN110069875A (zh) * | 2019-04-28 | 2019-07-30 | 江铃汽车股份有限公司 | 一种动态载荷仿真用的载荷谱数据的生成方法 |
JP2020026187A (ja) * | 2018-08-10 | 2020-02-20 | 日産自動車株式会社 | サスペンション特性調整方法及びサスペンション特性調整装置 |
-
2020
- 2020-05-27 CN CN202010461086.3A patent/CN111597642B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153009A (zh) * | 2016-03-03 | 2017-09-12 | 重庆邮电大学 | 一种面向路况的eps试验台转向阻力矩加载方法 |
CN109415043A (zh) * | 2016-12-30 | 2019-03-01 | 同济大学 | 一种基于舒适度的自动驾驶行驶规划方法 |
CN107870093A (zh) * | 2017-12-22 | 2018-04-03 | 合肥工业大学 | 1/4车辆制动模拟与性能实验测试系统与方法 |
CN108303066A (zh) * | 2018-01-04 | 2018-07-20 | 燕山大学 | 一种基于悬架行程测量路面功率谱的方法 |
CN108573109A (zh) * | 2018-04-25 | 2018-09-25 | 合肥工业大学 | 一种基于Carsim仿真的公路圆曲线路段限速值计算方法 |
JP2020026187A (ja) * | 2018-08-10 | 2020-02-20 | 日産自動車株式会社 | サスペンション特性調整方法及びサスペンション特性調整装置 |
CN110069875A (zh) * | 2019-04-28 | 2019-07-30 | 江铃汽车股份有限公司 | 一种动态载荷仿真用的载荷谱数据的生成方法 |
Non-Patent Citations (1)
Title |
---|
多轴重型货车悬架系统改进天棚控制策略的研究;陈一锴;何杰;石琴;张卫华;陈无畏;;汽车工程(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111597642A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104792937B (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN103717469B (zh) | 路面状态估计方法和路面状态估计设备 | |
CN111806449A (zh) | 一种纯电动车的整车质量和路面坡度的估算方法 | |
CN111597642B (zh) | 一种三维路面信息谱的自动获取方法 | |
CN109466558A (zh) | 一种基于ekf和bp神经网络的路面附着系数估计方法 | |
CN110231181A (zh) | 一种基于振动测试信息的车辆物理参数估计方法 | |
CN101275900A (zh) | 基于车轮振动的路面类型识别方法 | |
CN102486400A (zh) | 车辆质量辨识方法和装置 | |
Li et al. | On-board road condition monitoring system using slip-based tyre-road friction estimation and wheel speed signal analysis | |
CN103909933A (zh) | 一种分布式电驱动车辆的前轮侧向力估算方法 | |
Marinello et al. | Determination of forest road surface roughness by Kinect depth imaging | |
CN107894223B (zh) | 一种基于逆虚拟激励法的路面行驶质量辨识方法 | |
CN112046487A (zh) | 基于车辆行驶状态的路面坡度估算方法及系统 | |
CN113353085B (zh) | 一种基于卡尔曼滤波理论的路面不平度识别方法 | |
US11975723B2 (en) | Travel control system and travel control method | |
CN110398280A (zh) | 一种测量车辆荷载的车载终端及测量、计算方法 | |
CN114715158A (zh) | 一种基于路面纹理特征的路面附着系数的测定装置及方法 | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
CN110852542A (zh) | 一种道路平整度的计算方法及系统 | |
Liu et al. | A response-type road anomaly detection and evaluation method for steady driving of automated vehicles | |
Wang et al. | Towards speed-independent road-type classification | |
CN115946707A (zh) | 四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统 | |
Li et al. | Road Roughness Detection Based on Discrete Kalman Filter Model with Driving Vibration Data Input | |
Yokota et al. | Vehicle Localization by Optimally Weighted Use of MEMS Sensor Data | |
Feng et al. | The auxiliary system of cleaning vehicle based on road recognition technology |
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 |