CN111731265B - 一种用于预测自动驾驶车辆稳定性状态的方法及系统 - Google Patents

一种用于预测自动驾驶车辆稳定性状态的方法及系统 Download PDF

Info

Publication number
CN111731265B
CN111731265B CN201910225853.8A CN201910225853A CN111731265B CN 111731265 B CN111731265 B CN 111731265B CN 201910225853 A CN201910225853 A CN 201910225853A CN 111731265 B CN111731265 B CN 111731265B
Authority
CN
China
Prior art keywords
vehicle
time domain
prediction
prediction time
front wheel
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
CN201910225853.8A
Other languages
English (en)
Other versions
CN111731265A (zh
Inventor
郑志晓
钟国旗
蔡璐珑
王博
李秦
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
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 Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN201910225853.8A priority Critical patent/CN111731265B/zh
Publication of CN111731265A publication Critical patent/CN111731265A/zh
Application granted granted Critical
Publication of CN111731265B publication Critical patent/CN111731265B/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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/02—Control of vehicle driving stability
    • B60W30/025—Control of vehicle driving stability related to comfort of drivers or passengers
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种用于预测自动驾驶车辆稳定性状态的方法以及系统，通过实时采集目标路径信息、当前车辆信息以及环境信息，预估车辆按既定轨迹行驶时，在预测时域内的车辆的质心侧偏角及横摆角速度，并建立预测时域内车辆的失稳边界，从而判断出在预测时域内所述车辆是否存在失稳风险。实施本发明，可以提前预测时域(如0.2s～0.5s)实现预测车辆稳定性状态，从而避免车辆进入失稳(侧滑)区域，有助于车辆稳定性控制及时采取减速或横摆控制等相关措施，保证自动驾驶车辆稳定性，并改善乘坐舒适性。

Description

一种用于预测自动驾驶车辆稳定性状态的方法及系统
技术领域
本发明涉及车辆控制技术领域，特别是涉及一种用于预测自动驾驶车辆稳定性状态的方法及系统。
背景技术
在车辆的操控中，弯道的性能非常重要，它与车辆的操纵性，舒适性及安全性紧密相关。而目前乘用车搭载的车身电子稳定系统(ESC)仅仅在车辆临界失稳或者已经失稳的情况下起作用，在大多数转弯工况无法改善车辆的性能。
在现有技术中，国内外对车辆稳定性分析展开了大量的研究，主要用到的方法有：侧向加速度方法、横摆角速度-侧向速度相平面法、质心侧偏角-质心侧偏角速度相平面法、横摆角速度-质心侧偏角相平面法，常用的方法为横摆角速度-质心侧偏角相平面法。车辆稳定性控制一般根据当前车辆行驶状态，估计车辆当前时刻的失稳风险，采取车速控制、转角控制和主动横摆控制等措施。
但是在现有技术中，均不能提前预测车辆的行驶状态以及时采取减速或横摆控制等措施，难以避免车辆进入失稳区域，从而造成车辆乘员的不适，甚至面临无法回稳的风险。
发明内容
本发明实施例所要解决的技术问题在于，提供一种预测自动驾驶车辆稳定性状态的系统，其可以提前预测车辆稳定性状态，避免车辆进入失稳(侧滑)区域，有助于车辆稳定性控制及时采取减速或横摆控制等相关措施，保证自动驾驶车辆稳定性，并改善乘坐舒适性其容易实现。
本发明的一方面，提供一种用于预测自动驾驶车辆稳定性状态的方法，其包括如下步骤：
步骤S10，实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路信息包括目标路径曲率ρ及曲率变化率
Figure BDA0002005152400000011
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
步骤S11，设置预测时域T，所述时域T包括多个控制周期t，根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure BDA0002005152400000012
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure BDA0002005152400000013
步骤S12，根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure BDA0002005152400000014
步骤S13，采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure BDA0002005152400000021
步骤S14，根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure BDA0002005152400000022
和质心侧偏角序列
Figure BDA0002005152400000023
步骤S15，计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立预测时域的失稳边界；
步骤S16，将所述预测的时域T内的车辆横摆角速度序列
Figure BDA0002005152400000024
与质心侧偏角序列
Figure BDA0002005152400000025
与所述失稳边界中的横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆失稳风险。
其中，所述步骤S11中通过如下公式计算获得每一个控制周期t对应的前轮转角：
Figure BDA0002005152400000026
Figure BDA0002005152400000027
Figure BDA0002005152400000028
其中，δt为当前时刻的前轮转角，
Figure BDA0002005152400000029
为当前控制周期预估的前轮转角变化率，
Figure BDA00020051524000000210
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure BDA00020051524000000211
为曲率变化率。
其中，所述步骤S14具体包括：
步骤S140，通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure BDA00020051524000000212
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述方程进行计算；
步骤S141，对预测值进行修正：
设过程噪音的方差分别为Q和R，根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure BDA00020051524000000213
Figure BDA0002005152400000031
Figure BDA0002005152400000032
对该预测时域的预测值进行修正：
Figure BDA0002005152400000033
Figure BDA0002005152400000034
从而得到预测时域T内预估的车辆横摆角速度
Figure BDA0002005152400000035
和质心侧偏角序列
Figure BDA0002005152400000036
其中，所述步骤S15具体包括：
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v；
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure BDA0002005152400000037
其中，b,c,d均为标定量，u为附着系数，v为车速；
根据所述各横摆角速度的最大值γmax和质心侧偏角的最大值βmax建立失稳边界。
其中，所述步骤S16具体包括：
将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure BDA0002005152400000038
和质心侧偏角的绝对值
Figure BDA0002005152400000039
分别与失稳边界中对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
如果比较结果为
Figure BDA00020051524000000310
且
Figure BDA00020051524000000314
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。
其中，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
相应地，本发明实施例的另一方面，还提供一种用于预测自动驾驶车辆稳定性状态的系统，其包括：
信息采集单元，用于实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路信息包括目标路径曲率ρ及曲率变化率
Figure BDA00020051524000000312
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
第一前轮转角序列获得单元，用于根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure BDA00020051524000000313
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure BDA0002005152400000041
所述预测时域T中包括多个控制周期t；
第二前轮转角序列获得单元，用于根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure BDA0002005152400000042
加权处理单元，用于采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure BDA0002005152400000043
车辆横摆角速度及质心侧偏角预测单元，用于根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure BDA0002005152400000044
和质心侧偏角序列
Figure BDA0002005152400000045
失稳边界建立单元，用于计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立所述预测时域的失稳边界；
车辆稳定性判断单元，用于将所述预测的时域T内的车辆横摆角速度序列
Figure BDA0002005152400000046
与质心侧偏角序列
Figure BDA0002005152400000047
与所述横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆失稳风险。
其中，所述第一前轮转角序列获得单元通过如下公式计算获得每一个控制周期t对应的前轮转角：
Figure BDA0002005152400000048
Figure BDA0002005152400000049
Figure BDA00020051524000000410
其中，δt为当前时刻的前轮转角，
Figure BDA00020051524000000411
为当前控制周期预估的前轮转角变化率，
Figure BDA00020051524000000412
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure BDA00020051524000000413
为曲率变化率。
其中，所述车辆横摆角速度及质心侧偏角预测单元，具体包括：
第一计算单元，用于通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure BDA00020051524000000414
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述方程进行计算；
所述车辆横摆角速度及质心侧偏角预测单元，具体包括：
第一计算单元，用于通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure BDA0002005152400000051
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述方程进行计算；
修正处理单元，用于根据前一预测时域T的预测方差对第一计算单元所计算出的当前时域T内的预测值进行修正，包括：
预测方差计算子单元：用于根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure BDA0002005152400000052
Figure BDA0002005152400000053
Figure BDA0002005152400000054
修订单元，用于根据前一前一预测时域T的预测方差对该预测时域的预测值进行修正，具体通过下述公式进行计算：
Figure BDA0002005152400000055
Figure BDA0002005152400000056
其中，Q和R为对应的过程噪音的方差，
从而得到预测时域T内预估的车辆横摆角速度
Figure BDA0002005152400000057
和质心侧偏角序列
Figure BDA0002005152400000058
其中，所述失稳边界建立单元具体包括：
横摆角速度的最大值计算单元，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v，
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
质心侧偏角的最大值计算单元，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure BDA0002005152400000061
其中，b,c,d均为标定量，u为附着系数，v为车速；
建立单元，用于根据所述各横摆角速度的最大值γmax和质心侧偏角的最大值βmax建立预时域的失稳边界。
其中，所述车辆稳定性判断单元具体包括：
比较单元，用于将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure BDA0002005152400000062
和质心侧偏角的绝对值
Figure BDA0002005152400000063
分别与失稳边界中对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
判断单元，用于在比较单元的比较结果为
Figure BDA0002005152400000064
且
Figure BDA0002005152400000065
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。
其中，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
实施本发明实施例，具有如下有益效果：
本发明公开了一种用于预测自动驾驶车辆稳定性状态的方法及系统，通过采集当前车辆的信息、目标路径信息以及环境信息，可以预估车辆按既定轨迹行驶时，获得预测时域内的车辆的质心侧偏角及横摆角速度，从而建立预测时域内车辆的失稳边界，实现判断出车辆是否将面临失稳风险。本发明提出了可提前一个预测时域(如0.2s～0.5s)即可以预测出车辆稳定性状态，从而可以避免车辆进入失稳(侧滑)区域，有助于车辆稳定性控制及时采取减速或横摆控制等相关措施，保证自动驾驶车辆稳定性，并改善乘坐舒适性；
本发明基于自动驾驶车辆已有的装置和设备(如目标路径模块、车辆信息模块以及观测器等)，是对已有的信息进行处理，无需增加新的硬件设备，适应性强，可以应用在各种自动驾驶车辆上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种用于预测自动驾驶车辆稳定性状态的方法的应用环境示意图；
图2是本发明提供的一种用于预测自动驾驶车辆稳定性状态的方法的主流程示意图；
图3是本发明提供的一种用于预测自动驾驶车辆稳定性状态的系统的结构示意图；
图4是图3中车辆横摆角速度及质心侧偏角预测单元的结构示意图；
图5是图3中失稳边界建立单元的结构示意图；
图6是图3中车辆稳定性判断单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
本申请提供的用于预测自动驾驶车辆稳定性状态方法，可以应用于如图1所示的应用环境中。电子装置与各传感器通过总线进行通信。电子装置包括通过系统总线连接的处理器、非易失性存储介质、内存储器、输入装置。其中，电子装置的非易失性存储介质存储有操作系统，还包括用于预测自动驾驶车辆稳定性状态的系统，该电子装置的用于预测自动驾驶车辆稳定性状态的系统用于实现一种用于预测自动驾驶车辆稳定性状态的方法。该处理器用于提供计算和控制能力，支撑整个电子装置的运行。电子装置中的内存储器为非易失性存储介质中的用于预测自动驾驶车辆稳定性状态的系统的运行提供环境。具体的，可以通过接受来自上层的路径曲率及曲率变化率，预估车辆按既定轨迹行驶时，预测时域内的车辆的质心侧偏角及横摆角速度，判断预测时域内车辆的失稳边界，判断车辆是否将面临失稳风险。其中，电子装置包括但不限于各种车载终端、车身控制器等，也可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
例如在一个例子中，所述包含有自动驾驶车辆稳定性状态的系统的电子装置目前的乘用车的控制器通讯，这些乘用车的控制器可以是包括诸如电动助力转向系统(EPS),变速箱控制器(TCU)，车身稳定控制系统(ESC)，发动机控制器(EMS)、目标路径模块和观测器等。
如图2所示，示出了本发明提供的一种用于预测自动驾驶车辆稳定性状态的方法的主流程示意图；在该实施例中，所述方法包括如下的步骤：
步骤S10，实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路信息包括目标路径曲率ρ及曲率变化率
Figure BDA0002005152400000071
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
步骤S11，设置预测时域T，所述时域T包括多个控制周期t，根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure BDA0002005152400000072
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure BDA0002005152400000073
步骤S12，根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure BDA0002005152400000074
步骤S13，采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure BDA0002005152400000075
步骤S14，根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure BDA0002005152400000076
和质心侧偏角序列
Figure BDA0002005152400000081
步骤S15，计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立预测时域的失稳边界；
步骤S16，将所述预测的时域T内的车辆横摆角速度序列
Figure BDA0002005152400000082
与质心侧偏角序列
Figure BDA0002005152400000083
与所述失稳边界中的横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆失稳风险。
为理解本发明的原理，下述将对每一步骤进行详细说明：
在所述步骤S10中，在一个具体的实施例中，可以实时接收来自目标路径模块的目标路径曲率ρ及曲率变化率
Figure BDA0002005152400000084
接收来自CAN线上的由车辆信息模块采集的车速信息v、横摆角速度信息γ、方向盘转角信息δw、车辆纵向加速度信息ax以及车辆轴距l等信息，接受来自观测器的路面附着系数信息u、车辆质心侧偏角信息β。可以理解的是，此处所提到的目标路径模块、车辆信息模块、观测器等设备均是自动驾驶汽车中经常使用的设备，在现有的自动驾驶汽车中均存在相同的设备或存在具有相同功能的设备，在此不进行赘述。
在所述步骤S11中，当前时刻的前轮转角可以通过公式δt＝δw/τ计算出来，其中，δw为当前时刻的方向盘转角，τ为传动系统的传动比。
从而可以根据目标路径曲率和曲率变化率对前轮转角进行预估，先假定一个预测时域T，所述预测时域包括多个控制周期t。
故预测时域T内，每一个控制周期t的前轮转角可以为：
Figure BDA0002005152400000085
根据车辆运动学可知：
δ1≈arc tan(l/R)＝arc tan(lρ)
其中，l为车辆轴距，R为目标路径的半径，ρ为目标路径的曲率。
因此
Figure BDA0002005152400000086
Figure BDA0002005152400000087
其中，δt为当前时刻的前轮转角，
Figure BDA0002005152400000088
为当前控制周期预估的前轮转角变化率，
Figure BDA0002005152400000089
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure BDA00020051524000000810
为曲率变化率。在一个具体的例子中，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
从而可以计算出预测时域T内预估的第一前轮转角序列
Figure BDA00020051524000000811
在所述步骤S12中，因为前轮转角具有延展性，可以通过历史前轮转角进行二次多项式拟合，根据拟合形成的拟合曲线来推算预测时域内的前轮转角，具体地可以通过类似下面的方式来获得拟合曲线。
具体地，首先选取多个历史前轮转角拆分成二次多项式，
Figure BDA0002005152400000091
从而算出二次多项式的系数p1、p2、p3，从而可以获得如下的曲线公式：
Figure BDA0002005152400000092
根据该拟合曲线，可以推算出预测时期中各控制周期对应的第二前轮转角序列
Figure BDA0002005152400000093
在步骤S13中，可以通过如下的加权计算公式来对前述的第一前轮转角序列和第二转角序列进行加权计算(即修正处理)，获得预估的前轮转角序列
Figure BDA0002005152400000094
Figure BDA0002005152400000095
其中，ω1,ω2为加权系数，在实际应用中，可以根据实验进行标定，获得不同的车速下对应的权重系数。
所述步骤S14具体包括：
步骤S140，因为在稳态情况下预估车辆状态，因此采用模型预测方法，基于车辆二自由度线性模型预估，具体地通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure BDA0002005152400000096
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述方程进行计算；
步骤S141，根据前一预测时域T的预测方差对当前时域T内的预测值进行修正：
设过程噪音的方差分别为Q和R，根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure BDA0002005152400000097
Figure BDA0002005152400000098
Figure BDA0002005152400000101
对该预测时域的预测值进行修正：
Figure BDA0002005152400000102
Figure BDA0002005152400000103
从而得到预测时域T内预估的车辆横摆角速度
Figure BDA0002005152400000104
和质心侧偏角序列
Figure BDA0002005152400000105
所述步骤S15具体包括：
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v；
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure BDA0002005152400000106
其中，b,c,d均为标定量，u为附着系数，v为车速。
可以理解的是，上述各标定量均可以通过实验获得，由于获得了预测时域内各控制周期对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax，从而可以建立预测时域内车辆的失稳边界。通过该失稳边界即可以进行车辆的稳定性判断。
所述步骤S16具体包括：
将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure BDA0002005152400000107
和质心侧偏角的绝对值
Figure BDA0002005152400000108
分别与失稳边界中对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
如果比较结果为
Figure BDA0002005152400000109
且
Figure BDA00020051524000001010
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。如果存在失稳风险时，自动驾驶车辆可以及时进行车辆稳定性控制，例如可以及时采取减速或横摆控制等相关措施。关于自动驾驶车辆如何进行车辆稳定性控制在现有技术中存在多种实现方式，是本领域技术人员易于理解和实现的，在此不进行详述。
相应地，本发明的另一方面还提供一种用于预测自动驾驶车辆稳定性状态的系统1，请参见图3至图6所示。所述系统1包括：
信息采集单元10，用于实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路信息包括目标路径曲率ρ及曲率变化率
Figure BDA00020051524000001011
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
第一前轮转角序列获得单元11，用于根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure BDA0002005152400000111
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure BDA0002005152400000112
所述预测时域T中包括多个控制周期t；
第二前轮转角序列获得单元12，用于根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure BDA0002005152400000113
加权处理单元13，用于采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure BDA0002005152400000114
车辆横摆角速度及质心侧偏角预测单元14，用于根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure BDA0002005152400000115
和质心侧偏角序列
Figure BDA0002005152400000116
失稳边界建立单元15，用于计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立所述预测时域的失稳边界；
车辆稳定性判断单元16，用于将所述预测的时域T内的车辆横摆角速度序列
Figure BDA0002005152400000117
与质心侧偏角序列
Figure BDA0002005152400000118
与所述横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆失稳风险。
更加具体地，在一个实施例中，所述第一前轮转角序列获得单元11通过如下公式计算获得每一个控制周期t对应的前轮转角：
Figure BDA0002005152400000119
Figure BDA00020051524000001110
Figure BDA00020051524000001111
其中，δt为当前时刻的前轮转角，
Figure BDA00020051524000001112
为当前控制周期预估的前轮转角变化率，
Figure BDA00020051524000001113
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure BDA00020051524000001114
为曲率变化率。
在一个实施例中，所述第二前轮转角序列获得单元12用于通过历史前轮转角进行二次多项式拟合，根据拟合形成的拟合曲线来推算预测时域内的前轮转角，从而获得预测时期中各控制周期对应的第二前轮转角序列
Figure BDA00020051524000001115
具体地，首先选取多个历史前轮转角拆分成二次多项式:
Figure BDA00020051524000001116
从而算出二次多项式的系数p1、p2、p3，从而可以获得如下的曲线公式：
Figure BDA0002005152400000121
根据该拟合曲线，可以推算出预测时期中各控制周期对应的第二前轮转角序列
Figure BDA0002005152400000122
在一个实施例中，所述加权处理单元13用于通过如下的加权计算公式来对前述的第一前轮转角序列和第二转角序列进行加权计算(即修正处理)，获得预估的前轮转角序列
Figure BDA0002005152400000123
Figure BDA0002005152400000124
其中，ω1,ω2为加权系数，在实际应用中，可以根据实验进行标定，获得不同的车速下对应的权重系数。
在一个实施例中，所述车辆横摆角速度及质心侧偏角预测单元14具体包括：
第一计算单元140，用于通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure BDA0002005152400000125
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述方程进行计算；
修正处理单元141，用于根据前一预测时域T的预测方差对所述第一计算单元所计算出的当前时域T内的预测值进行修正，包括：
预测方差计算子单元142：用于根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure BDA0002005152400000126
Figure BDA0002005152400000127
Figure BDA0002005152400000128
修订单元143，用于根据前一前一预测时域T的预测方差对该预测时域的预测值进行修正，具体通过下述公式进行计算：
Figure BDA0002005152400000129
Figure BDA0002005152400000131
其中，Q和R为对应的过程噪音的方差，
从而得到预测时域T内预估的车辆横摆角速度
Figure BDA0002005152400000132
和质心侧偏角序列
Figure BDA0002005152400000133
在一个实施例中，所述失稳边界建立单元15具体包括：
横摆角速度的最大值计算单元150，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v，
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
质心侧偏角的最大值计算单元151，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure BDA0002005152400000134
其中，b,c,d均为标定量，u为附着系数，v为车速；
建立单元152，用于根据所述各横摆角速度的最大值γmax和质心侧偏角的最大值βmax建立预时域的失稳边界。
在一个实施例中，所述车辆稳定性判断单元16具体包括：
比较单元160，用于将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure BDA0002005152400000135
和质心侧偏角的绝对值
Figure BDA0002005152400000136
分别与失稳边界中对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
判断单元161，用于在比较单元的比较结果为
Figure BDA0002005152400000137
且
Figure BDA0002005152400000138
Figure BDA0002005152400000139
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。如果存在失稳风险时，自动驾驶车辆可以及时进行车辆稳定性控制，例如可以及时采取减速或横摆控制等相关措施。
在一个实施例中，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
本实施例的更多的细节可以结合前述对图2的描述，在此不进行赘述。
其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上，实施本发明的实施例，具有如下的有益效果：
本发明公开了一种用于预测自动驾驶车辆稳定性状态的方法及系统，通过采集当前车辆的信息、目标路径信息以及环境信息，可以预估车辆按既定轨迹行驶时，获得预测时域内的车辆的质心侧偏角及横摆角速度，从而建立预测时域内车辆的失稳边界，实现判断出车辆是否将面临失稳风险。本发明提出了可提前一个预测时域(如0.2s～0.5s)即可以预测出车辆稳定性状态，从而可以避免车辆进入失稳(侧滑)区域，有助于车辆稳定性控制及时采取减速或横摆控制等相关措施，保证自动驾驶车辆稳定性，并改善乘坐舒适性；
本发明基于自动驾驶车辆已有的装置和设备(如目标路径模块、车辆信息模块以及观测器等)，是对已有的信息进行处理，无需增加新的硬件设备，适应性强，可以应用在各种自动驾驶车辆上。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (12)

1.一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，包括如下步骤：
步骤S10，实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路径信息包括目标路径曲率ρ及曲率变化率
Figure FDA0003034399160000011
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
步骤S11，根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure FDA00030343991600000115
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure FDA0003034399160000012
其中所述预测时域T包括有多个控制周期t；
步骤S12，根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure FDA0003034399160000013
步骤S13，采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure FDA0003034399160000014
步骤S14，根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure FDA0003034399160000015
和质心侧偏角序列
Figure FDA0003034399160000016
步骤S15，计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立所述预测时域的失稳边界；
步骤S16，将所述预测的时域T内的车辆横摆角速度序列
Figure FDA0003034399160000017
与质心侧偏角序列
Figure FDA0003034399160000018
与所述失稳边界内的横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆是否存在失稳风险。
2.如权利要求1所述的一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，所述步骤S11中通过如下公式计算获得每一个控制周期t对应的前轮转角：
Figure FDA0003034399160000019
Figure FDA00030343991600000110
Figure FDA00030343991600000111
其中，δt为当前时刻的前轮转角，
Figure FDA00030343991600000112
为当前控制周期预估的前轮转角变化率，
Figure FDA00030343991600000113
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure FDA00030343991600000114
为曲率变化率。
3.如权利要求2所述的一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，所述步骤S14具体包括：
步骤S140，通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure FDA0003034399160000021
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述公式进行计算；
步骤S141，根据前一预测时域T的预测方差对当前时域T内的预测值进行修正：
设过程噪音的方差分别为Q和R，根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure FDA0003034399160000022
Figure FDA0003034399160000023
Figure FDA0003034399160000024
对该预测时域的预测值进行修正：
Figure FDA0003034399160000025
Figure FDA0003034399160000026
从而得到预测时域T内预估的车辆横摆角速度
Figure FDA0003034399160000027
和质心侧偏角序列
Figure FDA0003034399160000028
4.如权利要求3所述的一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，所述步骤S15具体包括：
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v；
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure FDA0003034399160000031
其中，b,c,d均为标定量，u为附着系数，v为车速；
根据所述各横摆角速度的最大值γmax和质心侧偏角的最大值βmax建立预测时域的失稳边界。
5.如权利要求4所述的一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，所述步骤S16具体包括：
将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure FDA0003034399160000032
和质心侧偏角的绝对值
Figure FDA0003034399160000033
分别与失稳边界中对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
如果比较结果为
Figure FDA0003034399160000034
且
Figure FDA0003034399160000035
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。
6.如权利要求1至5任一项所述的一种用于预测自动驾驶车辆稳定性状态的方法，其特征在于，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
7.一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，包括：
信息采集单元，用于实时采集目标路径信息、当前车辆信息以及环境信息，所述目标路径信息包括目标路径曲率ρ及曲率变化率
Figure FDA0003034399160000036
所述车辆信息包括：车速v、横摆角速度γ、方向盘转角δw、车辆纵向加速度ax、车辆轴距l以及车辆质心侧偏角β，所述环境信息包括路面附着系数u；
第一前轮转角序列获得单元，用于根据车辆轴距l、目标路径曲率ρ和曲率变化率
Figure FDA0003034399160000037
计算获得每一个控制周期t对应的前轮转角，从而得到预测时域T内预估的第一前轮转角序列
Figure FDA0003034399160000038
所述预测时域T中包括多个控制周期t；
第二前轮转角序列获得单元，用于根据已存储的历史前轮转角数据进行二次多项式拟合，形成拟合曲线，根据所述拟合曲线推算出预测时域T内的第二前轮转角序列
Figure FDA0003034399160000039
加权处理单元，用于采用预先标定的权重系数对所述第一前轮转角序列以及第二前轮转角序列进行加权处理，获得修正后的前轮转角序列
Figure FDA00030343991600000310
车辆横摆角速度及质心侧偏角预测单元，用于根据所述修正后的前轮转角序列，采用模型预测方法，基于车辆二自由度线性模型预估，获得预测时域T内的车辆横摆角速度序列
Figure FDA00030343991600000311
和质心侧偏角序列
Figure FDA00030343991600000312
失稳边界建立单元，用于计算当前车速v与路面附着系数u下，对应于每一控制周期t内的车辆接近侧滑时的横摆角速度的最大值γmax与质心侧偏角的最大值βmax，从而建立所述预测时域的失稳边界；
车辆稳定性判断单元，用于将所述预测的时域T内的车辆横摆角速度序列
Figure FDA0003034399160000041
与质心侧偏角序列
Figure FDA0003034399160000042
与所述失稳边界内的横摆角速度的最大值γmax与质心侧偏角的最大值βmax进行比较，判断预测时域T内的车辆是否存在失稳风险。
8.如权利要求7所述的一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，所述第一前轮转角序列获得单元通过如下公式计算获得每一个控制周期t对应的前轮转角：
Figure FDA0003034399160000043
Figure FDA0003034399160000044
Figure FDA0003034399160000045
其中，δt为当前时刻的前轮转角，
Figure FDA0003034399160000046
为当前控制周期预估的前轮转角变化率，
Figure FDA0003034399160000047
为下一控制周期预估的前轮转角，ρ为目标路径曲率，
Figure FDA0003034399160000048
为曲率变化率。
9.如权利要求8所述的一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，所述车辆横摆角速度及质心侧偏角预测单元具体包括：
第一计算单元，用于通过下述公式计算预测时域内的车辆横摆角速度及质心侧偏角：
Figure FDA0003034399160000049
其中，γ为车辆的横摆角速度，β为车辆的质心侧偏角，cr为车辆后轴的侧偏刚度，cf为车辆前轴的侧偏刚度，lr为车辆中心到后轴的距离，lf为车辆中心到前轴的距离，Jz为车辆绕Z轴的转动惯量，m为车辆质量，v为车速，m按空载计算；
其中，根据实验标定不同纵向加速度ax下的前后轴侧偏刚度值cr和cf，根据传感器得到的车辆纵向加速度ax选用不同的前后轴侧偏刚度值代入上述公式进行计算；
修正处理单元，用于根据前一预测时域T的预测方差对所述第一计算单元所计算出的当前时域T内的预测值进行修正，包括：
预测方差计算子单元：用于根据前一预测时域T内预估值和真实值，计算前一预测时域T的预测方差：
Figure FDA00030343991600000410
Figure FDA00030343991600000411
Figure FDA0003034399160000051
修订单元，用于根据前一预测时域T的预测方差对该预测时域的预测值进行修正，具体通过下述公式进行计算：
Figure FDA0003034399160000052
Figure FDA0003034399160000053
其中，Q和R为对应的过程噪音的方差，
从而得到预测时域T内预估的车辆横摆角速度
Figure FDA0003034399160000054
和质心侧偏角序列
Figure FDA0003034399160000055
10.如权利要求9所述的一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，所述失稳边界建立单元具体包括：
横摆角速度的最大值计算单元，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的横摆角速度的最大值γmax：
γmax＝aug/v，
其中，a为标定量，u为附着系数，v为车速，g为重力加速度；
质心侧偏角的最大值计算单元，用于通过下式计算预测时域内各个控制周期对应的车辆接近侧滑时的质心侧偏角的最大值βmax：
Figure FDA0003034399160000056
其中，b,c,d均为标定量，u为附着系数，v为车速。
11.如权利要求10所述的一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，所述车辆稳定性判断单元具体包括：
比较单元，用于将预测时域中每一控制周期t预估的车辆横摆角速度的绝对值
Figure FDA0003034399160000057
和质心侧偏角的绝对值
Figure FDA0003034399160000058
分别与对应的横摆角速度的最大值γmax和质心侧偏角的最大值βmax进行比较；
判断单元，用于在比较单元的比较结果为
Figure FDA0003034399160000059
且
Figure FDA00030343991600000510
则判断结果为预测时域T内车辆没有失稳风险；否则判断结果为预测时域T内车辆存在失稳风险。
12.如权利要求7至11任一项所述的一种用于预测自动驾驶车辆稳定性状态的系统，其特征在于，所述预测时域T为0.2s～0.5s，所述每一控制周期t为0.02s～0.05s。
CN201910225853.8A 2019-03-25 2019-03-25 一种用于预测自动驾驶车辆稳定性状态的方法及系统 Active CN111731265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910225853.8A CN111731265B (zh) 2019-03-25 2019-03-25 一种用于预测自动驾驶车辆稳定性状态的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910225853.8A CN111731265B (zh) 2019-03-25 2019-03-25 一种用于预测自动驾驶车辆稳定性状态的方法及系统

Publications (2)

Publication Number Publication Date
CN111731265A CN111731265A (zh) 2020-10-02
CN111731265B true CN111731265B (zh) 2021-06-11

Family

ID=72646350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910225853.8A Active CN111731265B (zh) 2019-03-25 2019-03-25 一种用于预测自动驾驶车辆稳定性状态的方法及系统

Country Status (1)

Country Link
CN (1) CN111731265B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112406853B (zh) * 2020-11-25 2022-05-10 东风越野车有限公司 轮毂电机驱动越野车横摆与侧倾稳定性集成控制方法
CN112706756B (zh) * 2020-11-25 2022-03-29 东风越野车有限公司 轮毂电机驱动越野车横摆稳定性控制方法
CN112947183B (zh) * 2021-02-05 2022-10-18 上海擎度汽车科技有限公司 一种车身稳定性标定系统
CN112937551B (zh) * 2021-03-04 2022-06-17 北京理工大学 一种考虑驾驶员输入特征的车辆控制方法及系统
CN112918480B (zh) * 2021-03-17 2022-08-19 北京经纬恒润科技股份有限公司 车辆的控制方法、装置、电子设备及计算机存储介质
CN113276835A (zh) * 2021-04-09 2021-08-20 清华大学 车辆转向稳定控制方法、装置、esc及车辆
CN113460055B (zh) * 2021-06-11 2022-05-31 吉林大学 在线的车辆行驶控制区域划分及区域边界估计方法
US11713036B2 (en) * 2021-10-27 2023-08-01 GM Global Technology Operations LLC System and method for maintaining stability of a motor vehicle
CN114212104A (zh) * 2021-12-14 2022-03-22 京东鲲鹏(江苏)科技有限公司 车辆控制方法、装置、车辆和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104395158A (zh) * 2012-06-21 2015-03-04 伊顿公司 预测性车辆稳定性控制方法
CN104401323A (zh) * 2014-11-04 2015-03-11 河北工程大学 一种重型车辆侧翻预警方法及装置
CN104773170A (zh) * 2015-04-28 2015-07-15 吉林大学 一种车辆稳定性集成控制方法
CN108107731A (zh) * 2017-12-18 2018-06-01 长春工业大学 一种基于轮胎非线性特性的汽车稳定性控制方法
CN108482363A (zh) * 2018-04-09 2018-09-04 吉林大学 车辆横摆稳定性预测模型控制方法
CN108622101A (zh) * 2018-05-09 2018-10-09 南京航空航天大学 一种汽车转向工况下的路面附着系数估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7970512B2 (en) * 2006-08-30 2011-06-28 Ford Global Technologies Integrated control system for stability control of yaw, roll and lateral motion of a driving vehicle using an integrated sensing system with pitch information
CN109661343B (zh) * 2016-05-15 2021-09-24 机械模拟公司 稳定摩托车的系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104395158A (zh) * 2012-06-21 2015-03-04 伊顿公司 预测性车辆稳定性控制方法
CN104401323A (zh) * 2014-11-04 2015-03-11 河北工程大学 一种重型车辆侧翻预警方法及装置
CN104773170A (zh) * 2015-04-28 2015-07-15 吉林大学 一种车辆稳定性集成控制方法
CN108107731A (zh) * 2017-12-18 2018-06-01 长春工业大学 一种基于轮胎非线性特性的汽车稳定性控制方法
CN108482363A (zh) * 2018-04-09 2018-09-04 吉林大学 车辆横摆稳定性预测模型控制方法
CN108622101A (zh) * 2018-05-09 2018-10-09 南京航空航天大学 一种汽车转向工况下的路面附着系数估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于最小能耗的电动汽车横摆稳定性灰色预测可拓控制研究;陈无畏，王晓，谈东奎，等;《机械工程学报》;20190131;第55卷(第2期);全文 *

Also Published As

Publication number Publication date
CN111731265A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111731265B (zh) 一种用于预测自动驾驶车辆稳定性状态的方法及系统
US9645250B2 (en) Fail operational vehicle speed estimation through data fusion of 6-DOF IMU, GPS, and radar
US9796421B1 (en) Autonomous vehicle lateral control for path tracking and stability
Kang et al. Comparative evaluation of dynamic and kinematic vehicle models
CN111532339B (zh) 一种智能车辆个性化侧向辅助驾驶方法及其系统
EP2508405B1 (en) Continuous computation of center of gravity of a vehicle
CN112849127B (zh) 车辆转向控制的方法、装置、存储介质和设备
US20160288830A1 (en) Vehicle steering device and vehicle steering control method
WO2009035121A2 (en) Vehicle body speed estimating device
CN112109515A (zh) 存储介质、车辆主动悬架的控制方法及装置
CN107685737A (zh) 用于确定车辆打滑失控状态的方法和系统
US9026334B2 (en) Vehicle attitude control system
US20230131835A1 (en) Apparatus for controlling autonomous driving of independent driving electric vehicle and method thereof
US10752285B2 (en) Apparatus and method for controlling rotation of vehicle in consideration of slip
CN114228715B (zh) 一种车辆队列联合控制方法、装置、设备及存储介质
CN108860137B (zh) 失稳车辆的控制方法、装置及智能车辆
KR102613538B1 (ko) 자동차의 궤적을 모니터링하는 장치 및 방법
CN115973191A (zh) 智能汽车人机共驾控制方法
JP2008087548A (ja) 旋回状態推定装置、自動車、及び旋回状態推定方法
WO2017095301A1 (en) Method and system for facilitating steering of a vehicle during driving along a road
CN112046465A (zh) 一种车辆稳定性控制方法、装置、设备和存储介质
JP2021142969A (ja) センサ誤差補正装置
CN114212081B (zh) 车辆横向控制方法、装置、计算机设备和可读存储介质
EP4306375A1 (en) Vehicle control device, vehicle control method, and vehicle control system
JP5962068B2 (ja) 車両姿勢制御装置

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