CN111879957B - 基于模糊逻辑和增强机器学习的车辆动力学测定 - Google Patents
基于模糊逻辑和增强机器学习的车辆动力学测定 Download PDFInfo
- Publication number
- CN111879957B CN111879957B CN202010624218.XA CN202010624218A CN111879957B CN 111879957 B CN111879957 B CN 111879957B CN 202010624218 A CN202010624218 A CN 202010624218A CN 111879957 B CN111879957 B CN 111879957B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- longitudinal
- observation
- time interval
- lateral
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 113
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000712 assembly Effects 0.000 claims 7
- 238000000429 assembly Methods 0.000 claims 7
- 238000003860 storage Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012854 evaluation process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011093 chipboard Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
- B60W40/103—Side slip angle of vehicle body
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
-
- 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
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- 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
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
-
- 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
- B60W40/11—Pitch movement
-
- 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
- B60W40/112—Roll movement
-
- 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
- G01B21/22—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 angles or tapers; for testing the alignment of axes
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
- B60W2030/041—Control of vehicle driving stability related to roll-over prevention about the pitch axis
-
- 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
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
- B60W2030/043—Control of vehicle driving stability related to roll-over prevention about the roll axis
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/16—Pitch
-
- 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
- B60W2520/18—Roll
-
- 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
- B60W2520/20—Sideslip angle
-
- 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
- B60W2520/28—Wheel speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Navigation (AREA)
Abstract
提出了一种基于模糊逻辑和增强机器学习的车辆动力学测定。系统可以识别前纵向速度并从惯性测量单元接收数据。该系统可以确定一个滚转角和一个俯仰角。该系统可以确定横向加速度和纵向加速度。系统可以接收车轮速度传感器数据,轮胎压力传感器数据,转向角度传感器数据,并使用这些数据来确定纵向速度。系统可以选择一种降阶非线性卢恩伯格观测器技术或一种降阶卡尔曼滤波技术。该系统可以确定横向速度和侧滑角。该系统可以提供横向速度和侧滑角给车辆控制器。
Description
背景技术
汽车等车辆可以包括传感器。传感器可以确定车辆的速度或加速度。
发明内容
至少一个方面是针对一种车辆动力学控制系统。该系统可以包括具有一个或多个处理器以及存储器的数据处理系统。该数据处理系统可以执行一个车辆纵向和横向观测(VLLO)组件、车辆纵向动力学观测(VLDO)组件和车辆侧滑观测(VSSO)组件。该VLLO组件可以识别车辆在前一时间间隔的前纵向速度。该VLLO组件可以接收来自车辆惯性测量单元在当前时间间隔内的数据。该VLLO组件可以基于该数据和前一时间间隔的前纵向速度,确定车辆在当前时间间隔的滚转角和俯仰角。该VLLO组件可以基于该惯性测量单元的数据、滚转角以及俯仰角,确定车辆在当前时间间隔的横向加速度和纵向加速度,以及VLLO的置信系数。该VLDO组件可以接收车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据。该VLDO组件可以识别在前一时间间隔的前纵向速度。该VLDO组件可以识别由车辆纵向和横向观测组件确定的当前时间间隔的横向加速度和纵向加速度。该VLDO组件可以基于车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据、转向角度传感器数据、前一时间间隔的纵向速度以及当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及VLDO组件的置信系数。该VSSO组件可以根据VLLAO分量的置信系数和VLDO组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术。该VSSO组件可以通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的纵向速度、横向加速度以及纵向加速度确定车辆在当前时间间隔的横向速度以及侧滑角。该VSSO组件可以向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使车辆控制器控制车辆的运动。
至少一个方面是针对一种车辆动力学的控制方法的。该方法可以由具有一个或多个处理器以及存储器的数据处理系统来执行。该方法可以包括执行车辆纵向和横向观测(VLLO)组件、车辆纵向动力学观测(VLDO)组件和车辆侧滑观测(VSSO)组件的数据处理系统。该方法可以包括VLLO组件识别车辆在前一时间间隔的前纵向速度。该方法可以包括VLLO组件接收来自车辆的惯性测量单元的在当前时间间隔的数据。该方法可以包括VLLO组件基于数据和前一时间间隔的前纵向速度,确定车辆在当前时间间隔的滚转角和俯仰角。该方法可以VLLO组件基于惯性测量单元的数据、滚转角以及俯仰角,确定车辆在当前时间间隔的横向加速度和纵向加速度,以及VLLO组件的置信系数。该方法可以包括VLDO组件接收车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据。该方法可以包括VLDO组件来识别前一时间间隔的前纵向速度。该方法可以包括VLDO组件识别由车辆纵向和横向观测组件确定的当前时间间隔的横向加速度和纵向加速度。该方法可以包括VLDO组件基于车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据、转向角度传感器数据、前一时间间隔的纵向速度以及当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及VLDO组件的置信系数。该方法可以包括VSSO组件根据VLLAO组件的置信系数和VLDO组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术。该方法可以包括VSSO组件通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的纵向速度、横向加速度以及纵向加速度确定车辆在当前时间间隔的横向速度以及侧滑角。该方法可以包括VSSO组件向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使车辆控制器控制车辆的运动。
至少有一个方面是针对一种车辆的。该车辆可以包括一个具有一个或多个处理器以及存储器的数据处理系统。该数据处理系统可以执行车辆纵向和横向观测(VLLO)组件、车辆纵向动力学观测(VLDO)组件和车辆侧滑观测(VSSO)组件。该VLLO组件可以识别车辆在前一时间间隔的前纵向速度。该VLLO组件可以接收来自车辆的惯性测量单元的在当前时间间隔的数据。该VLLO组件可以基于数据和前一时间间隔的前纵向速度,确定车辆在当前时间间隔的滚转角和俯仰角。该VLLO组件可以基于惯性测量单元的数据、滚转角以及俯仰角,确定车辆在当前时间间隔的横向加速度和纵向加速度,以及VLLO组件的置信系数。该VLDO组件可以接收车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据。该VLDO组件可以识别在前一时间间隔的前纵向速度。该VLDO组件可以识别由车辆纵向和横向观测组件确定的当前时间间隔的横向加速度和纵向加速度。该VLDO组件可以基于车辆多个车轮中每一车轮的车轮速度传感器数据、车辆多个车轮的每一车轮的轮胎压力传感器数据、转向角度传感器数据、前一时间间隔的纵向速度以及当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及VLDO组件的置信系数。该VSSO组件可以根据VLLAO组件的置信系数和VLDO组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术。该VSSO组件可以通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的纵向速度、横向加速度以及纵向加速度确定车辆在当前时间间隔的横向速度以及侧滑角。该VSSO组件可以向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使车辆控制器控制车辆的运动
下面详细讨论了这些以及其他方面的内容和实现。前述信息和以下详细描述包括各个方面和实现方式的示例性说明,并提供了用于理解所要求的保护的方面和实施方式的性质和特征的概述或框架。附图提供了对各个方面和实施方式的说明和进一步理解,并被纳入本说明书中构成本说明书的一部分。
附图说明
附图并非按比例绘制。在各个附图中,相同的附图标记和标号表示相同的元件。为了清楚起见,并非每个元件都在每个附图中标记。
图1是根据一示例性实施例示出的确定车辆动力学的系统的框图;
图2是根据一示例性实施例示出的确定车辆动力学的系统的操作的流程图;
图3是根据一示例性实施例示出的车辆纵向和横向加速度观测组件的操作的流程图;
图4是根据一示例性实施例示出的车辆纵向动力学观测组件的操作的流程图;
图5是根据一示例性实施例示出的车辆侧滑观测组件的操作的流程图;
图6是根据一示例性实施例示出的确定车辆动力学的方法的流程图;
图7是用于说明计算机系统的结构的框图,其可应用于实现本申请描述和说明的系统和方法中的元件,包括,例如,图1和图2示出的系统,图3-6示出的操作、方法或实施方式。
具体实施方式
以下是有关车辆动力学测定方法、仪器和系统的各种概念以及其实现的更详细的描述。前文介绍的以及下面详细讨论的各种概念可以通过多种方式实现。
本技术方案的系统和方法针对基于模糊逻辑和增强机器学习的车辆动力学的测定。驾驶辅助或自动车辆功能可以使用车辆动力学信息来执行各种功能,如自适应巡航控制或自动驾驶。然而,由于车辆的结构的复杂性,车辆动力学的高自由度、高非线性以及不可预测的随机环境噪声和干扰,导致以高效、经济的方式开发准确、可靠、高效的车辆动力学测定技术可能是一个挑战。
精密的硬件传感器,如雷达、激光雷达、摄像机传感器或高精度全球定位系统(GPS),可以直接测量或增强对车辆动态状态的评估。然而,由于精密的硬件传感器价格昂贵,会增加车辆的重量,导致消耗多余的电池能量,并显著增加车辆的成本。因此,使用精密的传感器会降低车辆的性能或行驶距离。在某些情况下,较便宜的传感器可以使用基于非线性车辆动力学状态空间模型的无迹卡尔曼滤波器。虽然这样的评价函数可以产生一个准确的评价结果,但它可能是计算资源密集型,从而在实时应用中产生计算延迟或消耗过量的电池电源或其他计算资源。例如,由于该函数基于非线性车辆动力学状态空间模型,同时在线评价模型与相关车辆参数有关,造成了效率低下或存在缺陷。例如,由于在线车辆参数(如车辆质量和惯性矩、轮胎转弯刚度、轮胎载荷、轴侧向力等)评价函数的加入,最终评价函数的实验优化和校准的难度以及工作量可能会大大增加。除此之外,在完成估价时可能会需要更多的计算能力,这可能会给系统带来较大的时延,并且可能会需要更昂贵的芯片和主板。
本技术方案的系统和方法可以以一种有效方式提供基于模糊逻辑和增强机器学习的车辆动力学测定,而不使用精密的传感器或在实时或在线计算和应用中产生过度延迟。本技术方案可以提供一种准确、可靠、高效的商业经济效益,包括提供纵向车辆速度/车轮侧滑率、横向速度和车辆侧滑角。为此,例如,本技术方案提供第一种改进方式可能是不使用精密的硬件传感器,如雷达、激光雷达和相机传感器,或高精度GPS。相反,本技术方案可以使用例如6-DOF(“自由度”)惯性测量单元(“IMU”)、车轮速度传感器、转向角度传感器和轮胎压力传感器这些传感器。这些传感器可能比精密的传感器(比如激光雷达、雷达或照相机或高精度GPS)便宜。其次,例如,本技术方案可以基于线性单轨运动学车辆模型进行改进。与动力学车辆状态空间模型相比,运动学模型具有几何性质,并且与车辆参数无关。因此,本技术方案避免了车辆参数评价函数的开发。第三,例如,本技术方案可以通过将评价过程解耦为两部分进行改进:(i)首先评价纵向动力学,然后(ii)评价横向动力学。解耦评价过程可以带来改进和优势,例如降低运动学状态空间模型的阶数,从而允许降阶观测器的开发(降阶非线性卢恩伯格观察测器和卡尔曼滤波器)。这种评价过程的解耦可以显著减少设计、优化、校准、固件实现的难度和工作量,以及相对于耦合评价过程的计算能力。第四,本技术方案可以通过实现一个增强机器学习轮速处理器提供一个改进。该机器学习函数中可以加入异常检测,该异常检测可以提高整体评价函数的可靠性。第五,本技术方案通过实现一个或多个基于模糊逻辑的函数进行改进,该基于模糊逻辑的函数包括基于模糊逻辑的卡尔曼滤波协方差调整和基于模糊逻辑的车辆侧滑评价函数的观测器选择器。模糊逻辑技术可以提高评价函数的准确性和鲁棒性,并优化计算能力的分配。
本技术方案可以包括一个或多个组件,例如一个车辆纵向和横向加速度观测(VLLAO)组件、车辆纵向动力学观测(VLDO)组件和车辆侧滑观测(VSSO)组件。VLLAO组件可以获取IMU信号作为输入。该VLLAO组件可以使用IMU信号来确定或评价车辆的滚转角和俯仰角,然后确定或评价重心(COG)上的纵向和横向加速度。该VLLAO组件可以生成一个置信系数(CI_VLLAO)。该VLDO组件可以获取实测的车轮转速、转向角胎压、VLLAO确定或预估的车辆纵向加速度和角速度作为输入,然后输出预估的车辆纵向速度/车轮侧滑量和置信系数(CI_VLDO)。该VSSO组件可以从VLLAO组件获取角速度,从VLDO组件获取预估的车辆纵向速度和CI_VLDO,然后输出确定或预估的车辆横向速度和侧滑角。
由VLLAO组件、VLDO组件和VSSO组件执行的过程可以根据纵向和横向动力学解耦,从而允许一个降阶观测器的开发。组件可以使用基于规则的模糊逻辑进行配置,包括用于基于滚转角/俯仰动力学模型的卡尔曼滤波器的基于模糊逻辑滚转角/俯仰角协方差选择器,用于降阶车辆纵向速度卡尔曼滤波器的基于模糊逻辑的协方差选择器,以及介于降阶卡尔曼滤波器和非线性卢恩伯格观测器之间的基于模糊逻辑的横向速度观测器选择器。该组件可以配置机器学习技术以用于车轮速度异常检测和车轮速度加权因子计算。
本技术方案通过纵向和横向动力学的解耦,可以利用一个降阶观测器,这降低了设计、优化、校准、固件实现的难度,以及减少了评价函数的计算能力。卡尔曼滤波协方差采用模糊逻辑选择器,可以提高预估精度。横向速度观测器采用模糊逻辑选择器可以提高侧滑评价函数的计算效率。基于机器学习的轮速异常检测技术和轮速加权因子的确定,有利于准确地确定各轮速的置信度,从而提高车辆纵向速度/车轮侧滑判断的准确性。
图1示出了确定车辆动力学的系统的框图。该系统100可以包括至少一个数据处理系统102,用于确定车辆动力学。该数据处理系统102可以被作为或包括一个或多个处理器或计算设备。该数据处理系统102可以包括至少一个接口104,至少一个车辆纵向横向加速度观测组件(VLLAO)组件106,至少一个车辆纵向动力学观测(VLDO)组件108,至少一个车辆侧滑观测(VSSO)组件110,至少有一个车辆控制器112,或数据存储库114。该数据处理系统102可以包括硬件或硬件和软件的组合,如通信总线、电路、处理器、通信接口等等。该数据处理系统102或其一个或多个组件,可以使用C代码或其他编程语言进行编程。该数据处理系统102可以在一个或多个芯片、芯片板、微处理器或其他计算设备上显示。该数据处理系统102可以设置在相应的车辆124(例如,主车辆)上或内部。该数据存储库114可以存储、管理、维护或引用一个或多个数据结构、数据文件或索引。例如,该数据存储库114可以包含或存储置信系数116、阈值118、函数120或模型122。该置信系数可以是一种基于模糊逻辑的协方差系数,用于确定与数据处理系统102的某个组件相关的置信系数,如VLLAO组件106,或VLDO组件108。与集总置信系数相比,数据处理系统102可以使用阈值118来选择观测器来确定或评价侧滑。函数120可以包括一个或多个规则、技术、程序或脚本,用于执行数据处理系统102的一个或多个组件的操作。模型122可以作为或包含一个机器学习模型,例如,用于确定车辆124的车轮速度。
该数据处理系统102的每一个组件都可以使用硬件或软件和硬件的组合来实现。数据处理系统102的每个组件可以包括逻辑电路(例如,一个中央处理单元或CPU),它响应和处理从存储器单元(例如,存储器715或存储设备725)取出的指令。该数据处理系统102的每个组件可以包括或使用一个微处理器或多核处理器。多核处理器可以在单个计算组件上包括两个或多个处理单元。该数据处理系统102的每个组件可以基于这些处理器中的任何一个,或能够执行本方案所述操作的任何其他处理器。每个处理器都可以利用指令级并行、线程级并行、不同级别的缓存等等。例如,该数据处理系统102可以包括至少一个逻辑设备,如具有至少一个通过网络进行通信的处理器的计算设备或服务器。
该数据处理系统102的组件和元件可以是单独的组件、单个组件或数据处理系统102的一部分。例如,接口104,VLLAO组件106,VLDO组件108,VSSO组件110,(和数据处理系统102的其他元件)可以包括硬件和软件的组合,例如一个或多个配置为例如启动停止命令,启动运动命令,发送或接收定时数据的处理器。
该数据处理系统102的一个或多个组件可以设置在车辆124上或车辆124内。该数据处理系统102的一个或多个部件可以设置在车辆124的外部或远离车辆124,并且至少在一定时间内与车辆进行通信。例如,数据存储库114列举的部分数据可以设置在远程服务器上,如在云服务器上,维持机器学习模型122或置信系数116,并可由数据处理系统102,例如,通过网络在不同的时间(例如,每12小时或24小时更新过程中)访问。该数据处理系统102的组件可以相互连接或通信耦合。该数据处理系统102的各个组件之间的连接可以是有线的或无线的,或它们的任何组合。对应的系统或组件可以设置在其他车辆上,以支持车辆之间的通信或协调。
该车辆124可以使用网络进行通信,其中可以包括计算机网络,如因特网、本地网络、广域网、近场通信网络、城域网或其他区域网络,以及卫星网络或其他计算机网络,如语音或数据移动电话通信网络,以及它们的组合。该网络可包括或构成车辆间通信网络,例如,包括数据处理系统102及其用于车辆间数据传输的组件的子集。该网络可以包括点对点网络、广播网络、电信网络、异步传输模式网络、同步光纤网络或同步数字层次网络等。该网络可以包括至少一个无线链路,如红外信道或卫星波段。网络的拓扑可以包括总线、星形或环形网络拓扑。该网络可以包括移动电话网络或使用任何协议或在车辆或其他设备之间通信的协议的数据网络,包括高级移动协议、时分多址协议或码分多址协议,全球移动通信系统协议,通用分组无线服务协议,或通用移动通信系统协议以及相同类型的数据可以通过不同的传输协议。
系统100可以包括或与一辆或多辆车辆124连接。车辆124可以是任何类型的车辆或汽车,如轿车、卡车、面包车、运动型多用途车、摩托车、自动驾驶车辆或驾驶辅助车辆。该车辆124可以是电动汽车,汽油动力汽车,混合动力汽车,或其他类型的汽车。该车辆124可以包括一个车载计算单元。该车载计算单元可以包括一个或多个硬件、软件或固件。该车载计算单元可包括数字元件或电路,例如,包括图7所示的一个或多个元件。
该车载计算单元可以包括或与车辆124的电子控制单元(ECU)相连接,以提供电传线控功能。该车载计算单元可以包括或被作为汽车计算机,并且可以包括一个处理器或微控制器,存储器,嵌入式软件,输入/输出和通信链路(s)。ECU包括实现特定模块所期望的功能的硬件和软件。例如,ECU的类型包括电子/发动机控制模块(ECM),动力总成控制模块(PCM),传输控制模块(TCM)、制动控制模块(BCM或EBCM),中央控制模块(CCM),中央定时模块(CTM),通用电子模块(GEM),车身控制模块(BCM)、悬架控制模块(SCM),控制单元或控制模块。其他实施例包括域控制单元(DCU)、电动助力转向控制单元(PSCU)、人机界面(HMI)、远程控制单元(TCU)、速度控制单元(SCU)、电池管理系统(BMS)。例如,车辆124的车载计算单元可以查询车辆124的一个或多个组件或模块以确定车辆124的状态,包括,例如,车辆的位置或GPS定位,车辆的速度,车辆的加速度,车辆的转角,车辆的方向,车辆的油门,刹车状态或制动量,或其他信息。
车辆124可以包括或与一个或多个传感器126连接。传感器126可以与车辆124耦合或相连。传感器126可以为数据处理系统102提供信息。传感器126可以是车辆124的一部分,或远离车辆124。例如,传感器126可以包括一个6-DOF的惯性测量单元、车轮速度传感器、轮胎压力传感器或转向角度传感器。车辆124中的传感器126可以包括加速计、陀螺仪、重量传感器或接近传感器,它们可以收集、检测或确定车辆动力学信息,如方向数据、速度或重量。IMU传感器可以是一种电子设备,利用加速计、陀螺仪或磁力计的组合,来测量和报告车辆的特定力、角速度,有时还可以测量和报告车身的方向。
一个或多个车辆124可以包括被设计、构造、配置或操作的传感器,用于检测车辆动力学信息。例如,传感器126可以包括检测汽车布局、车辆动力总成信息、制动系统信息、转向信息、悬架信息以及车轮和轮胎信息的传感器。车载计算单元或传感器可以检测或识别基于空气动力学信息的车辆动力学信息,如车辆的阻力系数,空气动力学,压力中心,下压力,地面效应。车载计算单元或传感器126可以检测或识别与车辆几何结构相关的车辆动力学信息,如转向轮偏转角关系,轴轨道,外倾角,脚轮角度,滚动中心,主销偏距,转向比,前束,或轴距。车载计算单元或传感器可以检测或识别车辆质量相关的车辆动力学信息,如质心,惯性矩,滚转力矩,簧载质量,非簧载质量,或重量分布。车载计算单元或传感器可以检测或识别与车辆运动相关的车辆动力学信息,如车身弯曲度、车身侧倾、悬架变形转向、方向稳定性、临界速度、噪音、振动、声振粗糙度、俯仰、行驶质量、滚转、摆动速度、转向不足、过度转向、发射转向过度、摆尾行驶、重心转移、负载转换等等。车载计算单元或传感器可以检测或识别与轮胎相关的车辆动力学信息,如外倾推力、力图(circle of forces)、接触面、侧偏力、地面压力、轮胎拖距、径向力变化、松弛长度、滚动辅助(rollingassistance)、自回正力矩、偏离角、滑移、转向比、轮胎负载灵敏度。车载计算单元或传感器可以检测或识别与道路或停车场表面有关的车辆动力学信息,如倾斜转弯、横向坡度、排水坡度、斜面、超高、道路滑动性、分裂摩擦、表面粗糙度或质地。车载计算单元可以检索存储在车辆124的存储器中车辆动力学信息。
数据处理系统102可以包括接口104。接口104可以被设计、构造和操作用来接收来自一个或多个设备、传感器或网络的信息。接口104可以与一个或多个设备、传感器或网络通信。接口104可以帮助数据处理系统102各组件之中及之间的通信。接口104可以包括或提供一个或多个硬件接口、网络接口、应用程序编程接口、用户界面、图形用户界面。接口104可以将数据从一种格式格式化为另一种格式,以便于数据处理系统102与远程系统之间或数据处理系统102的组件之间的通信。
接口104可以从车辆124的一个或多个传感器126接收数据。接口104可以接收数据,如车轮速度数据、转向角度数据、轮胎压力数据、IMU的6-DOF数据、速度信息或其他有助于确定车辆动力学的信息。接口104可以使用一种或多种技术接收信息。接口104可以接收包含传感器信息的数据流。接口104可以轮询或ping传感器126以获得传感器数据,例如,接口104可以向传感器126发送请求以获取传感器数据,或从一个或多个传感器126获取传感器数据。传感器126可以将传感器数据推送到接口104。接口104可以定期请求或获取传感器数据。接口104可以基于预先确定的时间间隔请求或获取传感器数据以便于确定车辆动力学,例如,每一秒,四分之一秒,十秒,100秒,1000秒,2秒,3秒,4秒,5秒或其他时间间隔。
接口104可以从数据存储库114访问数据。接口104可以向数据存储库114中存储数据。接口104可获取传感器数据,并将传感器数据存储在数据存储库114中进行进一步处理。接口104可以在数据存储库中执行查找来识别数据或值,并更新数据存储库114中的数据或值。例如,接口104可以通过外部电子资源(如服务器)获取数据文件的数据结构的更新版本,从而更新置信系数116、阈值118、函数120或模型122。
数据处理系统102可以包括一个被设计、构造和操作的VLLAO组件106,用于从IMU接收6-DOF的数据。VLLAO组件106可以从车辆124的传感器126接收数据。6-DOF的数据可以包括诸如X、Y、Z加速度信息和X、Y、Z角速度信息。VLLAO组件106可以识别或获取当前时间间隔的数据。该6-DOF IMU传感器数据可以是当前时间间隔的,如由传感器126测量的最新传感器。VLLAO组件106可以由主时钟或控制器同步,如由车辆控制器112维护的时钟。VLLAO组件106可以识别一个时间间隔的开始,并获得该时间间隔的传感器数据。VLLAO组件106可以接收传感器数据以及与传感器数据测量结果相对应的时间戳。例如,IMU传感器可以进行测量,并将值或数据与与测量时间相对应的时间戳相关联。VLLAO组件106可以连同时间戳一起接收传感器数据。
VLLAO组件106可以获得额外的信息,用于确定与车辆动力学相关的一个或多个值。例如,VLLAO组件106可以获得X、Y、Z方向的加速度信息、前一时间间隔的纵向速度预估值(例如,存储在数据存储库114中的前一纵向速度)和当前时间间隔的X、Y、Z方向的角速度。VLLAO组件106可以接收来自惯性测量单元的当前时间间隔的数据,包括x轴、y轴和z轴之间的加速度,以及x轴、y轴和z轴之间的角速度。
VLLAO组件106可以根据数据和前一时间间隔的前纵向速度确定当前时间间隔的车辆124的滚转角和当前时间间隔的车辆124的俯仰角。VLLAO组件106可以基于角度运动学评价函数和卡尔曼滤波,确定当前时间间隔车辆124的滚转角和当前时间间隔车辆124的俯仰角。VLLAO组件106可以基于IMU的数据、滚转角以及俯仰角,确定当前时间间隔车辆124的横向加速度,当前时间间隔车辆124的纵向加速度,和当前时间间隔VLLO组件的置信系数106。纵向加速度和横向加速度可以位于车辆124的重心处。VLLAO组件106通过基于模糊逻辑的噪声协方差调整,确定VLLO组件在当前时间间隔的置信系数。
VLLAO组件106可以被配置用于执行图3所示的操作。图3是根据一示例性实施例示出的确定车辆动力学的示例操作300的流程图。如图3所示,VLLAO组件106可以配置以下功能:滚转和俯仰角度运动评价函数(308),滚转和俯仰角度卡尔曼滤波器(包括动力学模型和基于模糊逻辑的协方差调整)(312),和滚转和俯仰角度评价置信系数(CIVLLAO)的确定(314)。
VLLAO组件106可以在302处接收X、Y、Z方向的加速度信息。VLLAO组件106可以从车辆124的IMU传感器接收X、Y、Z方向的加速度信息。VLLAO组件106可以在304处接收纵向速度的估值。VLLAO组件106可以从数据处理系统102的另一个组件(如VLDO组件108)接收当前时间间隔或时间步长的纵向速度估值。纵向速度的预估可以来自最近的前一时间间隔。纵向速度预估可以是连续预估或持续预估。纵向速度的预估可以是一个时间间隔的预估,该时间间隔可以与当前时间间隔相距小于1秒,小于十分之一秒、百分之一秒或其他时间间隔。纵向速度预估可以是以前一个或多个时间间隔的平均速度,以前一个或多个时间间隔的加权平均。纵向速度预估可以是来自车辆的传感器126(例如车辆的速度计126)或数据处理系统102的另一个组件的粗略估计。VLLAO组件106可以接收来自模块306的IMU传感器的Z方向的角速度信息。
其中,Ay(k)和Az(k)为标准车架(如ISO车架)在时间步长k时Y和Z方向的加速度的加速度计(6-DOF IMU)读数,为6-DOF IMU的车辆偏航和俯仰率读数,和为在时间步长k的车辆纵向速度的估值。该函数可以存储在数据存储库114中的函数数据结构120中。
310中,VLLAO组件106可以从IMU传感器接收当前时间步长或时间间隔的X,Y方向的角速度。VLLAO组件106可以对滚转角和俯仰角进行卡尔曼滤波。314中,VLLAO组件106可以确定滚转角和俯仰角动力学状态空间模型,如下
α(k+1)D=α(k)D+Tsωx(k)+wα(k)
β(k+1)D=β(k)D+Tsωy(k)+wβ(k)
其中,α,β,ωx和ωy分别为滚转角、俯仰角、滚转角速度和俯仰角速度,wα和wβ为6-DOF IMU传感器126(例如陀螺仪)的噪声。VLLAO组件106可以根据滚转角和俯仰角的运动学估值来确定测量结果,如下所示
Yα(k)=α(k)K+nα(k)
Yβ(k)=β(k)K+nβ(k)
其中,nα和nβ可以表示为测量噪声,该测量噪声涵盖了运动学模型的模型不确定性。噪声nα和nβ的协方差可以采用基于模糊逻辑规则的调节技术来调节,如表1所示,可以根据工作时的加速度和角速度范围来调节噪声。
VLLAO组件106可配置一个卡尔曼滤波器,其预估滚转角α(k+1)KF和俯仰角β(k+1)KF的过程如下:
VLLAO组件106的卡尔曼滤波器可以把在时间步长k的卡尔曼滤波器预估的状态状态矩阵(A(k),B(k),C(k)),输入u(k),测量值y(k),处理和测量的噪声协方差(w(k),n(k)),以及卡尔曼滤波器预估的误差协方差σ(k)作为输入,然后预估出下一个时间步长的状态x(k+1)和误差协方差σ(k+1)。
VLLAO组件106可以确定在时间步长k处的预估状态(xestimate,yestima北),如:
VLLAO组件可以更新误差协方差σ,如
σ=A(k)σ(k)C-1(k)+w(k)
VLLAO组件106可以确定卡尔曼滤波器的反馈增益,如
KKF=σC-1(k)[(C(k)σC-1(k))-1+n(k)]
VLLAO组件106可以确定在下一个时间步长的卡尔曼滤波预估的状态x(k+1),如:
VLLAO组件106可以更新卡尔曼滤波在下一个时间步长的误差协方差σ(k+1),如:
σ(k+1)=(1-KKFC(k))σ(k)
VLLAO组件106可以在同样的递归方式中使用更新后的和σ(k+1),以及状态矩阵(A(k+1),B(k+1),C(k+1)),输入u(k+1),测量值y(k+1),处理和测量的噪声协方差(w(k),n(k))来预估和σ(k+2)。例如,模块316中VLLAO组件106可以接收预估的滚转角和俯仰角,并将这些值反馈至模块314,模块314可以应用滚转角和俯仰角动力学评价和卡尔曼滤波。可以将模块308、312和314的输出提供给模块316,以确定滚转角和俯仰角的预估值。
因此,VLLAO组件106可以应用或执行卡尔曼滤波获取滚转角和俯仰角,如下:
在318中,VLLAO组件106可以确定横向和纵向加速度以及置信系数。VLLAO组件106可以接收来自模块316的滚转角和俯仰角的估值,以及接收来自模块302的IMU的6-DOF传感器数据(来自加速度数据和角速度数据)。VLLAO组件106可以在模块318处确定滚转角以及俯仰角预估置信系数(CIVLLAO)。VLLAO组件106可以根据表1确定CIVLLAO。表1可以作为索引或查找表,并可以存储在数据存储库114中的置信系数数据结构或数据文件116中。
表1基于模糊逻辑的VLLAO的噪声协方差和置信系数的调整
表1说明了置信系数的数据结构、索引或查找表。表1中包括案例、加速度等级、角速度等级、噪声协方差和置信系数。加速度等级的值可以包括低、中或高。加速度等级可以包括其他加速度标志,如数字标志、字母等级(如A、B、C)、含有字母和数字的标志或符号。角速度等级的值可以包括低、中或高。角速度等级可以包括其他角速度标志,如数字标志示、字母等级(如A、B、C)、含有字母和数字的标志或符号。
表1可以包括多个案例,比如案例1、2和3。案例1可以对应高加速度等级、高角速度、噪声协方差nH和置信系数案例2可以包含一个高加速度等级和低角速度等级,噪声协方差nM和置信系数案例2还可以包含一个低加速度等级和高角速度等级、噪声协方差nM和置信系数案例3可以包含一个的低加速度等级、低的角速度、噪声协方差nL和置信系数
VLLAO组件106可以使用如下所示的模糊逻辑来确定加速度等级和角速率等级。
其中,(Ax,Ay,Az,ωx,ωy,ωz)为6-DOF IMU传感器126的加速度和角速度读数,(Ammin,ωmin)为用户定义的阈值,(nH,nM,nL)为用户定义的噪声协方差的三个等级,这三个等级符合以下规则:nH>nM>nL,同样的,为用户定义的置信系数的三个等级,这三个等级符合以下规则
在318中,VLLAO组件106可以确定车辆124在COG处的纵向和横向加速度估值,如下所示:
因此,在318处,VLLAO组件106可以根据表1基于模糊逻辑规则的技术确定横向和纵向加速度,以及置信系数。
数据处理系统102可以包括一个VLDO组件108,其被设计、构建和操作为用于接收车辆124的每个车轮的车轮速度传感器数据(例如,四个轮子),车辆124的每个车轮的轮胎压力传感器数据1(例如,四个轮胎),和转向角传感器数据。VLDO组件106可以识别前一时间间隔的前纵向速度,或者从上一次迭代得到的纵向速度估值。VLDO组件108可以识别由VLLAO组件106确定的当前时间间隔的横向加速度和纵向加速度。VLDO组件108可以通过基于机器学习的异常检测函数和车辆124每个车轮的车轮速度传感器数据来确定车轮速度。VLDO组件108可以,基于车辆124每个车轮的车轮速度传感器数据,车辆124每个车轮的轮胎压力传感器数据,转向角传感器的数据,前以时间间隔的纵向速度、以及当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度和VLDO组件108的置信系数。VLDO组件108可以通过模糊逻辑的噪声协方差调整来确定VLDO组件108的置信系数。
VLDO组件108可以被配置用于执行图4中所示的操作。图4是根据一示例性实施例示出的确定车辆动力学的示例操作400的流程图。如图4所示,VLDO组件108可以利用增强机器学习异常检测技术来执行确定车轮速度估值的过程。VLDO组件108可以确定纵向速度的置信系数(CIVLDO)估值。VLDO组件108可以利用基于模糊逻辑的协方差调整来确定车辆纵向速度的卡尔曼滤波。
VLDO组件108可以从车轮速度传感器接收到车轮速度传感器数据402,从轮胎压力传感器接收到轮胎压力数据404,从转向角度传感器接收转向角度数据406。VLDO组件108可以接收车辆124的每个车轮的车轮速度传感器数据402。VLDO组件108可以接收车辆124的每个轮胎的胎压数据404。VLDO组件108可以从VLLAO组件106、或前一时间间隔、或从递归过程中接收或识别预估的纵向速度408。VLDO组件108可以接收预估的X、Y方向的加速度410(例如,图3所示的318模块中的横向加速度和纵向加速度)。
在模块414中,VLDO组件108可以通过增强机器学习异常检测函数或技术执行车轮速度预估。这种技术可以利用个别车轮速度、从前一时间步长预估的纵向车辆速度(例如,前纵向速度)、以及个别轮胎压力。VLDO组件108可以在模块414输出预估的最佳车轮速度Vwheel(k)以及单个车轮的概率(PFL,PFR,PRL,PRR)。
VLDO组件108可配置一个增强机器学习的车轮速度异常检测技术,以确定车辆124的车轮速度。该技术可以基于多维高斯分布。利用该技术,VLDO组件108可以确定最优的车轮速度作为车辆速度卡尔曼滤波器的测量输入。VLDO组件108可以基于一个分布特征的车轮训练集检测不可靠的车轮速度数据。例如,这个机器学习模型的特征可以包括速度、加速度和车轮的轮胎速度。
其中,ω为车轮角速度,R为车轮半径,α为6-DOF IMU测量的角速度,L为轮距长度(wheel track length)。VLDO组件108可以通过一个具有滤波系数为N的低通滤波器进行微分计算,确定每个车轮的加速度(aw):
VLDO组件108可以从轮胎压力传感器获得每个车轮的胎压(Pwheel)。
该训练过程可由数据处理系统102或其他计算设备以离线方式执行。离线可以指在系统上线之前或实时活动之前。离线训练可以使用系统100的一个或多个组件,或一个或多个不同组件,例如高精度GPS传感器,它可能不包括在系统100或车辆124中。训练过程可以由数据处理系统102的管理员在安装或配置阶段进行。训练过程可以包括使用高精度GPS直接测量车辆纵向速度(Vx)来生成训练数据集。训练数据集可以存储在数据库114中的模型数据库122中。在训练数据集中,如果Vx和Vw的均方根误差(RMSE)大于特定阈值ζ,则可以标记为异常检测。VLDO组件108可以从数据存储库114中的阈值数据结构118中检索阈值。
规定,
通过离线训练,可以获取一个合适的参数ε。然后,数据处理系统102就可以使用该参数ε作为决策边界。
在在线模式下(如车辆124的实时运行),如果VLDO组件108确定车轮的异常检测概率P(x)<ε,则VLDO组件108可以将车轮标记为异常。VLDO组件108可以通过直接将车轮的P(x)设置为0来拒绝接收车轮的数据。
VLDO组件108可以更新加权的车轮速度轮速,如下:
Vwheel(k)=∑iWiVi(k),i=FL,FR,RL,RR
因此,VLDO组件108通过离线机器学习技术和在线更新,可以确定最佳车轮速度测量值为在模块414获得的最佳车轮速度。测量的状态空间方程为:
其中,nwheel(k)为噪声测量值。
因此,VLDO组件108通过离线机器学习技术和在线更新,可以确定最佳车轮速度测量值为在模块414获得的最佳车轮速度。测量的状态空间方程为:
其中,nwheel(k)为噪声测量值。
基于模块414的增强机器学习的车轮速度异常检测技术的输出,VLDO组件108可以利用表2所示的模糊逻辑确定模块416处的CIVLDO。在模块416处,VLDO组件可以通过表2所示的基于模糊逻辑规则的技术来调整噪声协方差的值,它可以表示最优车轮速度的精准的置信系数。
表2基于模糊逻辑的噪声协方差和置信系数调整(VLDO)
表2可以作为索引或查找表,并可以存储在数据存储库114中的置信系数数据结构或数据文件116中。表2可以包含多种情形。对于每种情形,表2可以包括车轮速度等级、噪声协方差和VLDO组件108的置信系数。车轮速度等级可以是低,中或高。轮速级别可以包括任何类型的标志或值,如数值、字母等级(如A、B、C)、含有字母和数字的值或符号。VLDO组件108可以在416处根据模糊逻辑确定车轮速度等级,如下:
其中
VLDO组件108可以在模块412处接收预估的X,Y方向的加速度。在模块418处,VLDO组件108可以采用以下纵向速度动力学模型确定纵向速度:
在420处,VLDO组件108可以从模块416和418处接收纵向速度和置信系数。在420处,VLDO组件108可以将纵向速度反馈到模块418进行递归处理,以确定最优速度。
数据处理系统102可以包括一个VSSO组件110,其被设计、构建和操作用于基于VLLAO组件106的置信系数和VLDO组件108的置信系数,选择一个降阶非线性卢恩伯格观测器技术或降阶卡尔曼滤波技术。VSSO组件110可以通过选择的降阶非线性卢恩伯格观测器技术或降阶卡尔曼滤波技术,基于当前时间间隔的纵向速度、横向加速度、以及纵向加速度,确定车辆当前时间间隔的横向速度和侧滑角。VSSO组件110可向车辆控制器112提供当前时间间隔的横向速度和侧滑角,以便车辆控制器112控制车辆的运动。
VSSO组件110可以基于集总置信系数选择一种降阶非线性卢恩伯格观测器技术或降阶卡尔曼滤波技术。VSSO组件110可以根据VLLAO组件的置信系数和VLDO组件的置信系数确定集总置信系数。VSSO组件110可以选择响应的集总置信系数大于阈值的降阶非线性卢恩伯格观测器技术,也可以选择响应的集总置信系数小于等于阈值的降阶卡尔曼滤波技术。VSSO组件110可以从存储在数据存储库114中的阈值数据结构118中检索阈值。
VSSO组件110可以被配置用于执行图5所示的操作。图5是根据一示例性实施例示出的VSSO组件110的示例操作500的流程图。如图5所示,VSSO组件110可以提供一个降阶非线性卢恩伯格观测器、一个降阶卡尔曼滤波器和一个基于模糊逻辑的观测器选择器.
VSSO组件110可以从VLDO组件108接收纵向速度置信系数502。VSSO组件110可以从VLLAO组件106接收俯仰角和滚转角置信系数504。在模块506处,VSSO组件110可以利用基于模糊逻辑规则的观察器选择技术来选择用于模块514处的观测器。为了选择观测器,VSSO组件110可以接收CIVLLAO和CIVLDO作为输入,确定集总置信系数,然后根据集总置信系数大于或小于或等于阈值在降阶非线性卢恩伯格观测器与降阶卡尔曼滤波器之间做出相应的选择。
VSSO组件110可以确定集总置信系数CIξ,如下:”
CIξ=min(CIVLLAO,CIVLDO)
因此,VSSO组件110可以基于集总置信系数选择一种的降阶卢恩伯格观测器或降阶卡尔曼滤波器。
在模块514处,VSSO组件110可以执行选取的观测器以确定一个纵向速度。VSSO组件110可以接收508处的纵向速度估值、510处预估的X,Y方向的加速度、512处的X,Y方向的角速度。例如,横向速度观测器可以基于一个线性运动学单轨模型,如下:
利用欧拉方法,采用以下方式可以将连续时间域中的以上状态空间模型离散:
离散状态空间模型可表示为:
由于VSSO组件110已经从VLDO组件108获取一个准确的估值Vx,所以VSSO组件110可以使用降阶卢恩伯格观测器预估Vy。
VSSO组件110可以建立一个非线性的极点位置zp=1-kω2Ts,其中k为比例因子。
相应的非线性卢恩伯格观测器增益G可以按照以下方式计算:
VSSO组件110可被配置包括以下采用非线性极点配置方法的降阶非线性卢恩伯格观测器:
可以以类似于为VLLAO组件106建立的方式,使用相同的降阶模型来为VSSO组件110配置降阶卡尔曼滤波器,如下所示:
因此,在模块514处,VSSO组件110可以应用一个卢恩伯格观测器或卡尔曼滤波器,而在模块516处,VSSO组件110可以确定横向速度。
侧滑角可以指车轮所指向的方向与车轮实际行驶方向之间的夹角(例如,车轮纵向速度矢量与车轮纵向速度和横向速度矢量之和之间的夹角)。这个侧滑角会产生一个力,一个转弯力,可以在接触点所在的平面上,并且垂直于接触点和车轮中间平面的交点。这个转弯力在侧滑角的前几度中近似线性地增涨,然后在开始减少前非线性地增加到一个最大值。
数据处理系统102可以包括一个车辆控制器112,其被设计、构造和操作用于从数据处理系统102的一个或多个组件接收车辆动力学信息。例如,VSSO组件110可以向车辆控制器112提供横向速度和侧滑角度。车辆控制器112也从VLLAO组件106、VLDO组件108或传感器126获取纵向速度、加速度或其他车辆动力学信息。车辆控制器112可以使用接收到的信息来控制、维护、调整、修改或以其他方式控制车辆126的运动的一个方面或特征。
例如,车辆控制器112可以利用横向速度和侧滑角来维护车辆124的自适应巡航控制功能。车辆控制器112可以利用接收到的信息对车辆124进行加速或减速,或调整车辆124的方向。例如,如果侧滑角增大,则车辆控制器112可以决定降低车辆124的车轮的动力或使车辆124减速,以保持侧滑角或横向速度在阈值以下。车辆控制器112可以减少或维持车辆124的侧滑角低于一个阈值,以改善行驶的各个方面,如最小化车辆124侧滑或失去控制的可能性,或提高司机或乘客的驾驶体验。车辆控制器112可以根据从VSSO组件110接收到的车辆动力学信息,确定自动调整车辆的运动。
车辆控制器112可以接收车辆动力学信息,并确定进行周期性调整,如每秒钟、2秒、3秒、4秒、5秒、1/10秒、1/100秒、1/200秒或任何其他时间间隔。
车辆控制器112也可以调节车辆的转向,以控制侧滑角或横向速度。例如,如果车辆124是一个自动驾驶车辆或半自动驾驶车辆,其车辆控制器112将被配置用于调整或控制转向,车辆控制器112可以引导车辆124以控制横向速度和侧滑角同时保持车辆124在期望的行驶路径上(例如,在公路上适当的车道内)。
图2是根据一示例性实施例示出的确定车辆动力学的系统的操作的流程图。操作200可以通过系统100的一个或多个组件执行,包括,例如,一个数据处理系统,VLLAO组件,VLDO组件,或VSSO组件。数据处理系统可以接收IMU数据(例如,车辆IMU的传感器数据)。数据可以包括6-DOF数据,如X、Y、Z方向的加速度和X、Y、Z方向的角速度。VLLAO组件106可以使用IMU数据202来确定横向和纵向加速度,VLLAO组件106的置信系数,以及预估的滚转角和俯仰角。
数据处理系统可以从车辆的传感器接收胎压传感器数据204、转向角度传感器数据206和车轮速度传感器数据208。VLDO组件108可以处理数据204、206和208来确定纵向速度和VLDO组件108的置信系数。
VLLAO组件106和VLDO组件108可以在反馈回路中来回传递数据或参数,从而执行递归程序以确定一个值。例如,预估的纵向速度可以在组件106和108之间传递。
VSSO组件110可以接收横向和纵向加速度,VLLAO组件的置信系数,预估的滚转角和俯仰角,纵向速度,以及VLDO组件108的置信系数,以确定横向速度和侧滑角。
图6是根据一示例性实施例示出的控制车辆动力学的方法。方法600可由图1-5,或7中所示的一个或多个系统、组件、元件或函数执行,包括,例如,一个数据处理系统、VLLAO组件、VLDO组件、VSSO组件或车辆控制器等。在602处,数据处理系统可以识别前纵向速度。前纵向速度可以是前一时间步长的纵向速度,或者默认的纵向速度,或者直接从车辆的传感器确定的粗略的纵向速度。
在604,数据处理系统可以从惯性测量单元接收数据。数据可以包括6-DOF数据,比如在一个或多个方向或轴上的加速度和角速度。数据处理系统可以接收当前时间间隔或时间步长的IMU数据。
在606,数据处理系统可以确定滚转角和俯仰角。数据处理系统可以根据IMU数据和前一时间间隔的前纵向速度确定当前时间间隔的车辆滚转角和当前时间间隔的车辆俯仰角。数据处理系统可以使用图3所示的一种或多种技术来确定滚转角和俯仰角。
在608时,数据处理系统可以确定车辆在当前时间间隔的横向加速度和纵向加速度。数据处理系统可以基于惯性测量单元的数据,滚转角和俯仰角,确定车辆在当前时间间隔的横向加速度,车辆在当前时间间隔的纵向加速度,VLLO组件在当前时间间隔的置信系数。
在610时,数据处理系统可以接收车辆每个车轮的车轮速度传感器数据、车辆每个车轮的胎压传感器数据、以及转向角度传感器数据。数据处理系统可以从车辆的一个或多个传感器接收当前时间间隔的数据。
在612时,数据处理系统可以确定纵向速度。数据处理系统可以基于车辆的每个车轮的车轮速度传感器数据、车辆的每个车轮的轮胎压力传感器数据、转向角传感器数据、前一时间间隔的纵向速度、以及当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度和VLDO组件的置信系数。数据处理系统可以使用图4所示的一个或多个函数或技术来确定纵向速度。
在614时,数据处理系统可以选择一种降阶非线性卢恩伯格观测器技术或降阶卡尔曼滤波技术。数据处理系统可以基于VLLAO组件的置信系数和VLDO组件的置信系数,选择一种降阶非线性卢恩伯格观测器技术或一种降阶卡尔曼滤波技术。
在616时,数据处理系统可以确定车辆的横向速度和侧滑角。数据处理系统可以通过选择的一个降阶非线性卢恩伯格观测器技术或一种降阶卡尔曼滤波技术,基于当前时间间隔的纵向速度、横向加速度和纵向加速度,确定车辆在当前时间间隔的横向速度和侧滑角。
在618,数据处理系统可以向车辆控制器提供横向速度和侧滑角。车辆控制器基于该横向速度和侧滑角控制车辆的运动。车辆控制器可以根据车辆的横向速度和侧滑角来决定车辆是否保持匀速、增加车速或降低车速。车辆控制器可以根据车辆的横向速度和侧滑角来决定是调整转向还是保持相同的转向角度。
图7一示例性的计算机系统700框图。计算机系统或计算设备700可以包括或用于实现数据处理系统102或数据处理系统102的组件。计算系统700包括至少一个用于传输信息的总线705或其他通信组件,以及与总线705连接,用于处理信息的至少一个处理器710或处理电路。计算系统700还可以包括与总线连接,用于处理信息的一个或多个处理器710或处理电路。计算系统700还包括至少一个主存储器715,如随机存取存储器(RAM)或其他动态存储设备,该主存储器715与总线705连接,用于存储信息和由处理器710执行的指令。主存储器715可以是或包括存储器。主存储器715也可用于存储置信系数、阈值、函数、模型或处理器710执行指令期间的其他信息。计算系统700可进一步包括至少一个只读存储器(ROM)720或其他静态存储设备,其与总线705连接,用于存储静态信息和处理器710的指令。存储设备725,例如固态设备、磁盘或光盘,可以与总线705连接以持久地存储信息和指令。该存储设备725可包括数据存储库114,也可以是数据存储库114的一部分。
计算系统700可以通过总线705连接到显示器735,例如液晶显示器,或有源矩阵显示器,用于向用户(如车辆124的驾驶员)显示信息。输入设备730,例如键盘或语音接口,可以连接到总线705,用于向处理器710发送信息和命令。输入设备730可以包括触摸显示屏735。输入设备730还可以包括光标控制,如鼠标、轨迹球或光标方向键,用于向处理器710发送方向信息和命令选择,并用于控制显示器735上的光标移动。显示735(例如,在车辆仪表盘上)可以是数据处理系统102的一部分,或图1所示的其他组件,以及车辆外部的数据处理系统102的一部分。
这里所述的进程、系统和方法可由计算系统700响应所述处理器710执行包含在主存储器715中的一系列的指令来实现。这样的指令可以从另一个计算机可读的介质(如存储设备725)读入主存储器715。包含在主存储器715中的一系列指令的执行使计算系统700实现这里所描述的说明性进程。多进程布置中的一个或多个处理器也可以被用来执行主存储器715中包含的指令。硬线电路可用来代替软件指令或与本文描述的系统和方法结合使用。此处描述的系统和方法均不限于任何特定的硬件电路和软件的组合。
尽管图7中描述了一个计算系统的实施例,主题包括本说明中所述的操作可以在其他类型的数字电子电路中实现,或在计算机软件,固件或硬件中实现,包括本说明书中公开的结构中及其类似结构,或其中一个或多个组合。
这里的一些描述强调了系统组件的多方面的结构独立性(例如,VLLAO组件106或VSSO组件110),操作300、400或500描述了操作的分类和这些系统组件的职责。执行类似全局操作的其他分类应当被认为在本申请的范围内。模块可以在硬件中实现,也可以在非瞬时计算机可读存储介质上作为计算机指令实现,模块可以分布在各种硬件或基于计算机的组件中。
上面描述的系统可以提供这些组件中的任何一个或多个,这些组件可以在一个独立的系统上提供,也可以在一个分布式系统中的多个实例化上提供。此外,上述系统和方法可以作为一个或多个计算机可读程序或可执行指令提供,这些程序或指令包含在一个或多个产品中。该产品可以是云存储、硬盘、CD-ROM、闪存卡、PROM、RAM、ROM或磁带。一般来说,计算机可读程序可以用任何编程语言实现,比如LISP、PERL、C、c++、c#、PROLOG,或者用任何字节码语言实现,比如JAVA。软件程序或可执行指令可以作为目标代码存储在一个或多个产品中。
示例和非限制性模块实施方式元件包括传感器,用于提供任何确定的值,传感器提供任何值为此处确定的值的前身,在根据模块说明书的一个特定的非瞬态状态配置中,数据链或网络硬件包括通信芯片、振荡晶体、通信链路、电缆、双芯绞合线、同轴布线、屏蔽线路、发射器、接收器、或收发器、逻辑电路、硬连线逻辑电路、可重构逻辑电路,任何执行器至少包括一个电气、液压或气动执行器,一个螺线管,一个运放,模拟控制元件(弹簧,滤波器,积分器,加法器,分隔器,增益元件),或数字控制元件。
本说明书中描述的主题和操作可以在数字电子电路中实现,或在计算机软件、固件或硬件中实现,包括本说明书中公开的结构及其类似结构,或它们中的一个或多个的组合。本说明书中描述的主题可以实现为一个或多个计算机程序,例如,编码在一个或多个计算机存储介质上的一个或多个计算机程序指令电路,用于由数据处理设备执行或控制数据处理设备的操作。作为替代或补充,程序指令可以在人工产生的传播信号上进行编码,例如,机器产生的电信号、光信号或电磁信号,产生这些信号是为了对信息进行编码,以便传输到合适的接收设备上,由数据处理设备执行。计算机存储介质可以是或包含在计算机可读存储设备、计算机可读存储基板、随机或串行访问存储器阵列或设备,或其中一个或多个的组合。虽然计算机存储介质不是传播信号,但计算机存储介质可以是编码在人工产生的传播信号中的计算机程序指令的源或目的地。计算机存储介质也可以是或包含在一个或多个独立的组件或媒体中(例如,多个cd、磁盘或包括云存储在内的其他存储设备)。本说明书中描述的操作可以实现为数据处理设备对存储在一个或多个计算机可读存储设备上或从其他来源接收的数据执行的操作。
“计算装置”、“组件”或“数据处理装置”或类似的术语,包括用于处理数据的各种装置、设备和机器,例如包括一个或多个可编程处理器、计算机、芯片上的系统,或前述的组合。该装置可以包括特殊用途的逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(应用专用集成电路)。装置还可以包括,除了硬件之外的,为相关计算机程序创建执行环境的代码,例如,构成处理器固件的代码,一个协议栈,数据库管理系统、操作系统、跨平台的运行时环境,虚拟机,或者它们中一个或者多个的组合。设备和执行环境可以实现各种不同的计算模型基础设施,如web服务、分布式计算和网格计算基础设施。
计算机程序(也称为程序,软件,软件应用程序,应用程序,脚本或代码)可以以任何形式的编程语言编写,包括编译或解释语言,声明或过程语言,也可以以任何形式部署,包括作为一个独立的程序或模块,组件,子程序、对象,或其他适用于计算环境的单元。计算机程序可以对应于文件系统中的文件。一个计算机程序可以存储在一个文件的一部分中,该文件还存储有其他程序或数据(例如,一个或多个脚本存储在标记语言文档中),在程序的单个文件中,或在多个协通文件(例如,存储一个或多个模块,子程序,或部分代码的文件)。计算机程序可以部署在一台计算机上执行,也可以部署在位于一个站点或分布在多个站点并通过通信网络互连的多台计算机上执行。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程处理器执行,这些处理器执行一个或多个计算机程序,通过对输入数据进行操作并生成输出来执行操作。该过程和逻辑流程也可以由特殊用途的逻辑电路来执行,设备也可以被实现为特殊用途的逻辑电路,例如,FPGA(现场可编程门阵列)或ASIC(应用特定集成电路)。适合存储计算机程序指令和数据的设备可以包括非易失性存储器、介质和存储器设备,包括举例来说的半导体存储器设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内部硬盘或可移动磁盘;磁光盘;以及CD ROM和DVD-ROM光盘。处理器和存储器可以由特殊用途的逻辑电路来补充或组成。
本文描述的主题可以实现在一个计算系统中,该计算系统包括一个后端组件,例如,作为一个数据服务器,或者包含一个中间件组件,例如,一个应用程序服务器,或者包含一个前端组件,例如,一个具有图形用户界面或web浏览器的客户端计算机,用户可以通过该计算机与本说明书中描述的主题的实施方式相互作用,或一个或多个这样的后端,中间件或前端组件的组合。系统的组件可以通过数字数据通信的任何形式或媒介进行互连,例如通信网络。通信网络的示例包括局域网(LAN)和广域网(WAN)、互联网络(如因特网)和点对点网络(如特定的点对点网络)。
虽然操作在附图中以特定顺序描述,但是这样的操作不需要以示出或描述的特定顺序或按序执行,并且描述的操作不需要全部执行。这里描述的动作可以以不同的顺序执行。
现在已经描述了一些说明性实施方式,很明显,前述内容是说明性的而非限制性的,且已经通过示例的方式给出了。特别地,虽然这里提出了许多涉及到方法动作或系统元素的特定组合的示例,那些动作和那些元素可以以其他方式进行组合来实现相同的目标。在一个实施方式中讨论的动作、元素和特征并不打算被排除在其他实施方式或实现中的类似角色之外。
这里使用措辞和术语的目的是为了描述,而不应被视为限制性的。在此使用的″包括″、″包含″、″具有″、″含有″、″涉及″、″特征在于″及其变化,意味着包括其后列出的项目、其等同物和附加项目,以及由其后列出的项目专门组成的替代实施方式。在一个实施方式中,本文描述的系统和方法由一个、多于一个的每种组合、或所有描述的元件、动作或组件组成。
本文中以单数形式提及的系统和方法的实现或元件或动作的任何引用也可以包括多个这些元件的实现,并且本文中任何实现或元件或动作的复数形式的任何引用也可以仅包括单个的实现。单数或复数形式的引用无意将当前公开的系统或方法、它们的组件、动作或元件限制为单个或多个配置。对基于任何动作或元件的任何动作或元件的引用可以包括其中该动作或元件至少部分基于任何动作或元件的实现。
本文公开的任何实施方式可以与任何其他实施方式或实施例相结合,并且对“一个实施方式”,“一些实施方式”,“一种实施方式”或类似的术语的引用并不是相互排斥的,其旨在表明结合实施方式描述的特定的功能,结构,或者特征可以被包括在至少一个实施方式或实施例中。这里使用的这些术语不一定全部指同一实施方式。任何实施方式可以与任何其他实施方式相结合,包括地或排他地,以任何方式与本文所公开的方面和实施方式一致。
“或”的引用可以被解释为包括性的,使得使用“或”描述的任何术语可以指示单个、一个以上以及所有所描述术语中的任何一个。对词语的组合列表中的至少一个的引用可以被解释为包括性的或,以指示单个,一个以上,以及所有所描述的术语中的任何一个。例如,对“A”和“B”中的至少一个的引用可以包括仅有“A”、仅有“B”以及“A”和“B”。与“包含”或其他开放式术语一起使用的此类引用也可以包括其他项目。
当附图、说明书或任何权利要求中的技术特征之后附有附图标记时,附图标记的添加是为了增加附图、详细描述和权利要求的可理解性。因此,无论附图标记存在或还是缺失,都不会对任何权利要求的范围产生任何限制作用。
对所描述的元件和动作的修改,如不同元件的大小、尺寸、结构、形状和比例的变化,参数的值、安装形式、使用的材料、颜色、方向等,可以在不实质上背离本文公开的主题的教义和优势的情况下发生。例如,以整体形式显示的元件可以由多个部分或元件构成,元件的位置可以反转或改变,离散元件的性质或数量或位置可以改变或变化。在不偏离本申请公开的范围的前提下,本申请公开的元件和操作的设计、运行条件和布置也可作其他替代、修改、变更和移除。
本文描述的系统和方法可以以其他特定形式来体现,而不脱离其特征。因此,本文所描述的系统和方法的范围由所附权利要求说明,而不是前述描述来指明,并且包括权利要求的等同含义和范围内的变化。
Claims (20)
1.一种车辆动力学控制系统,包括:
一个数据处理系统,包括一个或多个处理器以及存储器;
一个由一个或多个处理器执行的车辆纵向和横向观测组件,用于:
识别车辆在前一时间间隔的纵向速度;
接收来自车辆的惯性测量单元的在当前时间间隔的数据;
基于所述数据和所述前一时间间隔的纵向速度,确定所述车辆在所述当前时间间隔的滚转角和俯仰角;
基于所述惯性测量单元的数据、所述滚转角以及所述俯仰角,确定所述车辆在所述当前时间间隔的横向加速度和纵向加速度,以及所述当前时间间隔的所述车辆纵向和横向观测组件的置信系数;
一个由一个或多个处理器执行的车辆纵向动力学观测组件,用于:
接收所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据;
识别在前一时间间隔的纵向速度;
识别由车辆纵向和横向观测组件确定的当前时间间隔的横向加速度和纵向加速度;
基于所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的所述轮胎压力传感器数据、所述转向角度传感器数据、所述前一时间间隔的所述纵向速度以及所述当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及所述车辆纵向动力学观测组件的置信系数;
由一个或多个处理器执行的车辆侧滑观测组件,用于:
根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术;
通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的所述纵向速度、所述横向加速度以及纵向加速度确定所述车辆在当前时间间隔的横向速度以及侧滑角;
以及,向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使所述车辆控制器控制车辆的运动。
2.根据权利要求1所述的系统,包括:
所述车辆控制器利用所述横向速度和所述侧滑角来维持车辆的自适应巡航控制功能。
3.根据权利要求1所述的系统,包括:
所述车辆纵向和横向加速度观测组件接收来自惯性测量单元的当前时间间隔内的数据,包括x轴、y轴和z轴之间的加速度,以及x轴、y轴和z轴之间的角速度。
4.根据权利要求1所述的系统,包括:
所述车辆纵向和横向加速度观测组件基于角运动评价函数和卡尔曼滤波确定在当前时间间隔所述车辆的滚转角和俯仰角。
5.根据权利要求1所述的系统,包括:
所述车辆纵向和横向加速度观测组件通过基于模糊逻辑的噪声协方差调整,确定车辆纵向和横向观测组件在当前时间间隔的置信系数。
6.根据权利要求1所述的系统,所述车辆纵向动力学观测组件用于:
通过基于机器学习的异常检测函数和所述车辆多个车轮中的每一车轮的车轮速度传感器数据,确定车轮速度;
以及,通过基于模糊逻辑噪声协方差调整,确定所述车辆纵向动力学观测组件的置信系数。
7.根据权利要求1所述的系统,所述车辆侧滑观测组件用于:
根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,确定一个集总置信系数;
选择响应集总置信系数大于阈值的降阶非线性卢恩伯格观测技术。
8.根据权利要求1所述的系统,所述车辆侧滑观测组件用于:
根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,确定一个集总置信系数;
选择响应集总置信系数小于阈值的降阶卡尔曼滤波技术。
9.一种车辆动力学的控制方法,包括:
通过由一个或多个处理器执行的车辆纵向和横向观测组件识别车辆在前一时间间隔的纵向速度;
通过所述车辆纵向和横向观测组件接收来自车辆的惯性测量单元的在当前时间间隔的数据;
通过所述车辆纵向和横向观测组件基于所述数据和所述前一时间间隔的纵向速度,确定所述车辆在所述当前时间间隔的滚转角和俯仰角;
通过所述车辆纵向和横向观测组件基于所述惯性测量单元的数据、所述滚转角以及所述俯仰角,确定所述车辆在所述当前时间间隔的横向加速度和纵向加速度,以及所述车辆纵向和横向观测组件的置信系数;
通过由一个或多个处理器执行的车辆纵向动力学观测组件接收所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据;
通过所述车辆纵向动力学观测组件基于所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的轮胎压力传感器数据、所述转向角度传感器数据、所述前一时间间隔的纵向速度以及所述当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及所述车辆纵向动力学观测组件的置信系数;
通过由一个或多个处理器执行的车辆侧滑观测组件,根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术;
所述车辆侧滑观测组件通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的所述纵向速度、所述横向加速度以及纵向加速度确定所述车辆在当前时间间隔的横向速度以及侧滑角;
以及,所述车辆侧滑观测组件向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使所述车辆控制器控制车辆的运动。
10.根据权利要求9所述的方法,包括:
通过所述车辆控制器利用所述横向速度和所述侧滑角来维持车辆的自适应巡航控制功能。
11.根据权利要求9所述的方法,包括:
通过所述车辆纵向和横向加速度观测组件接收来自惯性测量单元的当前时间间隔内的数据,包括x轴、y轴和z轴之间的加速度,以及x轴、y轴和z轴之间的角速度。
12.根据权利要求9所述的方法,包括:
通过所述车辆纵向和横向加速度观测组件基于角运动评价函数和卡尔曼滤波确定在当前时间间隔所述车辆的滚转角和俯仰角。
13.根据权利要求9所述的方法,包括:
所述车辆纵向和横向加速度观测组件通过基于模糊逻辑噪声协方差调整,确定车辆纵向和横向观测组件在当前时间间隔的置信系数。
14.根据权利要求9所述的方法,包括:
所述车辆纵向动力学观测组件通过基于机器学习的异常检测函数和所述车辆多个车轮中的每一车轮的车轮速度传感器数据,确定车轮速度;
以及,通过所述车辆纵向动力学观测组件通过基于模糊逻辑噪声协方差调整,确定所述车辆纵向动力学观测组件的置信系数。
15.根据权利要求9所述的方法,包括:
通过所述车辆侧滑观测组件根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,确定一个集总置信系数;
通过所述车辆侧滑观测组件选择响应集总置信系数大于阈值的降阶非线性卢恩伯格观测技术。
16.根据权利要求9所述的方法,包括:
通过所述车辆侧滑观测组件根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,确定一个集总置信系数;
通过所述车辆侧滑观测组件选择响应集总置信系数小于阈值的降阶卡尔曼滤波技术。
17.一种车辆,包括:
一个数据处理系统,包括一个或多个处理器以及存储器;
一个由一个或多个处理器执行的车辆纵向和横向观测组件,用于:
识别车辆在前一时间间隔的纵向速度;
接收来自车辆的惯性测量单元的在当前时间间隔的数据;
基于所述数据和所述前一时间间隔的纵向速度,确定所述车辆在所述当前时间间隔的滚转角和俯仰角;
基于所述惯性测量单元的数据、所述滚转角以及所述俯仰角,确定所述车辆在所述当前时间间隔的横向加速度和纵向加速度,以及所述车辆纵向和横向观测组件在所述当前时间间隔的置信系数;
一个由一个或多个处理器执行的车辆纵向动力学观测组件,用于:
接收所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的轮胎压力传感器数据以及转向角度传感器数据;
识别在前一时间间隔的纵向速度;
识别由车辆纵向和横向观测组件确定的当前时间间隔的横向加速度和纵向加速度;
基于所述车辆多个车轮中每一车轮的车轮速度传感器数据、所述车辆多个车轮的每一车轮的轮胎压力传感器数据、所述转向角度传感器数据、所述前一时间间隔的纵向速度以及所述当前时间间隔的横向加速度和纵向加速度,确定当前时间间隔的纵向速度以及所述车辆纵向动力学观测组件的置信系数;
由一个或多个处理器执行的车辆侧滑观测组件,用于:
根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,选择一种降阶非线性卢恩伯格观测技术或一种降阶卡尔曼滤波技术;
通过选择的降阶非线性卢恩伯格观测技术或降阶卡尔曼滤波技术,基于当前时间间隔的所述纵向速度、所述横向加速度以及纵向加速度确定所述车辆在当前时间间隔的横向速度以及侧滑角;
以及,向车辆控制器提供当前时间间隔的横向速度和侧滑角,以使所述车辆控制器控制车辆的运动。
18.根据权利要求17所述的车辆,包括:
所述车辆控制器利用所述横向速度和所述侧滑角来维持车辆的自适应巡航控制功能。
19.根据权利要求17所述的车辆,包括:
所述车辆纵向和横向加速度观测组件接收来自惯性测量单元的当前时间间隔内的数据,包括x轴、y轴和z轴之间的加速度,以及x轴、y轴和z轴之间的角速度。
20.根据权利要求17所述的车辆,包括车辆侧滑观测组件,用于:
根据车辆纵向和横向加速度观测组件的置信系数和车辆纵向动力学观测组件的置信系数,确定一个集总置信系数;
选择响应的集总置信系数大于阈值的降阶非线性卢恩伯格观测技术。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/682,895 US20210139028A1 (en) | 2019-11-13 | 2019-11-13 | Fuzzy logic based and machine learning enhanced vehicle dynamics determination |
US16/682,895 | 2019-11-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111879957A CN111879957A (zh) | 2020-11-03 |
CN111879957B true CN111879957B (zh) | 2022-04-15 |
Family
ID=73149844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624218.XA Active CN111879957B (zh) | 2019-11-13 | 2020-06-30 | 基于模糊逻辑和增强机器学习的车辆动力学测定 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210139028A1 (zh) |
CN (1) | CN111879957B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210165011A1 (en) * | 2019-12-03 | 2021-06-03 | Deere & Company | Systems, methods and computer-readable mediums for detecting position sensor faults |
US11586843B1 (en) * | 2020-03-26 | 2023-02-21 | Ambarella International Lp | Generating training data for speed bump detection |
US11332152B2 (en) * | 2020-05-29 | 2022-05-17 | GM Global Technology Operations LLC | Method and apparatus for determining a velocity of a vehicle |
EP4029744B1 (en) * | 2021-01-19 | 2023-08-09 | Volvo Truck Corporation | Dynamics-based articulation angle estimator for a vehicle combination |
CN113682304B (zh) * | 2021-09-27 | 2023-06-06 | 岚图汽车科技有限公司 | 一种辅助车辆转向的方法及系统 |
CN113650609B (zh) * | 2021-09-28 | 2023-03-24 | 中国科学技术大学先进技术研究院 | 基于模糊规则的人机共驾控制权柔性转移方法及系统 |
CN114103583B (zh) * | 2021-12-15 | 2024-06-25 | 中汽院(江苏)汽车工程研究院有限公司 | 一种互联空气悬架互联控制系统及互联模式切换控制方法 |
US20230219561A1 (en) * | 2022-01-05 | 2023-07-13 | Motional Ad Llc | Vehicle state estimation augmenting sensor data for vehicle control and autonomous driving |
CN114527641B (zh) * | 2022-02-23 | 2024-08-09 | 中山大学 | 基于人工电场算法优化的无刷直流电机模糊控制方法 |
US20230281310A1 (en) * | 2022-03-01 | 2023-09-07 | Meta Plataforms, Inc. | Systems and methods of uncertainty-aware self-supervised-learning for malware and threat detection |
KR102635242B1 (ko) * | 2022-05-30 | 2024-02-08 | 현대모비스 주식회사 | 도로 대비 차량의 기울기를 추정하기 위한 장치 및 그 방법 |
WO2024088508A1 (en) * | 2022-10-24 | 2024-05-02 | Huawei Digital Power Technologies Co., Ltd. | Method for estimating the longitudinal velocity of a vehicle and vehicle control unit |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451033B2 (en) * | 2005-06-10 | 2008-11-11 | Ford Global Technologies, Llc | Lateral and longitudinal velocity determination for an automotive vehicle |
US8855848B2 (en) * | 2007-06-05 | 2014-10-07 | GM Global Technology Operations LLC | Radar, lidar and camera enhanced methods for vehicle dynamics estimation |
JP5694294B2 (ja) * | 2009-04-29 | 2015-04-01 | コーニンクレッカ フィリップス エヌ ヴェ | 車両用電子安定プログラムのための、レーザダイオードをベースにした自己混合センサ |
CN104331611B (zh) * | 2014-10-24 | 2017-07-11 | 武汉理工大学 | 强侧向风作用下的公路车辆行驶危险态势预警方法及系统 |
KR101745093B1 (ko) * | 2015-05-29 | 2017-06-08 | 현대자동차주식회사 | 차량의 타이어 공기압 모니터링 장치 및 방법 |
CN106568449B (zh) * | 2016-09-06 | 2019-04-30 | 北京理工大学 | 一种基于mems的车辆模型辅助和约束的gnss/ins组合导航方法 |
KR102621533B1 (ko) * | 2018-11-26 | 2024-01-05 | 현대자동차주식회사 | 차량 조향 시스템의 제어 장치 및 제어 방법 |
-
2019
- 2019-11-13 US US16/682,895 patent/US20210139028A1/en not_active Abandoned
-
2020
- 2020-06-30 CN CN202010624218.XA patent/CN111879957B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111879957A (zh) | 2020-11-03 |
US20210139028A1 (en) | 2021-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111879957B (zh) | 基于模糊逻辑和增强机器学习的车辆动力学测定 | |
US11225232B2 (en) | Fuzzy logic based traction control for electric vehicles | |
Viehweger et al. | Vehicle state and tyre force estimation: demonstrations and guidelines | |
Reina et al. | Vehicle parameter estimation using a model-based estimator | |
Singh et al. | Literature review and fundamental approaches for vehicle and tire state estimation | |
Guo et al. | Vehicle dynamic state estimation: State of the art schemes and perspectives | |
CN102556075B (zh) | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 | |
CN102529976B (zh) | 一种基于滑模观测器的车辆运行状态非线性鲁棒估计方法 | |
CN106840097B (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
CN103434511B (zh) | 一种车速与道路附着系数的联合估计方法 | |
US20130151075A1 (en) | System and method for vehicle rollover prediction | |
Huang et al. | Longitudinal motion based lightweight vehicle payload parameter real-time estimations | |
Wang et al. | A review of dynamic state estimation for the neighborhood system of connected vehicles | |
Chen et al. | Robust sideslip angle observer with regional stability constraint for an uncertain singular intelligent vehicle system | |
Salari et al. | Tire normal force estimation using artificial neural networks and fuzzy classifiers: Experimental validation | |
Liu et al. | Vehicle state and parameter estimation based on double cubature Kalman filter algorithm | |
Chen et al. | Sideslip angle fusion estimation method of three-axis autonomous vehicle based on composite model and adaptive cubature Kalman filter | |
Ye et al. | Estimation of tire-road friction coefficient with adaptive tire stiffness based on RC-SCKF | |
Junqueira et al. | A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept | |
Coyte et al. | Decision tree assisted EKF for vehicle slip angle estimation using inertial motion sensors | |
CN115476881B (zh) | 车辆轨迹跟踪控制方法、装置、设备及介质 | |
Alshawi et al. | An adaptive unscented kalman filter for the estimation of the vehicle velocity components, slip angles, and slip ratios in extreme driving manoeuvres | |
Karoshi et al. | Robust and numerically efficient estimation of vehicle mass and road grade | |
CN115675481A (zh) | Gps增强摩擦估计 | |
Marotta et al. | On the Prediction of the Sideslip Angle Using Dynamic Neural Networks |
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 |