CN112046487A - 基于车辆行驶状态的路面坡度估算方法及系统 - Google Patents

Abstract

本发明公开了一种基于车辆行驶状态的路面坡度估算方法，包括：获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；获取车辆至少两个时刻的纵向加速度和车速，标定构建的车辆纵向动力学模型的参数；获取实时的纵向加速度和车速，得到当前的纵向坡度；通过构建的车辆横向运动状态模型，得到横向坡度，得到实际路面坡度。利用现有传感器获取相关输入信号，同时考虑车辆横向和纵向运动状态，结合车辆运动学和动力学的方法，对路面坡度状态进行实时估算，解决了以往坡度估算严重依赖车辆模型的缺点，提高了路面坡度的估算精度和准确性。

Description

基于车辆行驶状态的路面坡度估算方法及系统

技术领域

本发明涉及车辆路面坡度处理技术领域，具体地涉及一种基于车辆行驶状态的路面坡度估算方法及系统。

背景技术

路面坡度影响着行驶车辆的载荷分布，不同的载荷分布会对轮胎抓地力产生很大的影响，同时坡度信息也为自动变速箱的升降挡判断、电子驻车系统的有效实施提供极为重要的状态输入。实时、准确、有效的坡度估算是实现车辆理想的横、纵向动力学控制的关键。

目前市面上对路面坡度的估算通常是利用坡度传感器或者叠加加速度传感器来实现的，该种方法在使用过程中很容易受到车辆运动状态的干扰。例如，当车辆在坡度不变的坡道上加减速时，坡度传感器的输出信号会实时变化，偏离真实值；同样车辆匀速行驶，但坡度发生连续变化也会引起加速度传感器输出值的变化。因此，在车身状态或者外部环境不断变化的情况下，通过传感器得到的信号会存在一定的偏差，最终对估算的坡度信息产生影响。

更先进的是综合利用车载GPS(全球定位系统)和GIS(地理信息系统)的坡度估算。其中GPS系统可以获得车辆行进时刻的实时位置信息，车载计算机系统计算当前的位置距离采样点的水平距离，利用GIS地图进行匹配，得到采样点的路面标高与当前位置的标高，对其进行比较，最终计算出未来时刻在视距范围内的行驶路径道路坡道。该方法的软硬件费用成本更高，一般只应用于航空航天控制领域或专用特种车辆，同时容易受到天气、隧道、遮蔽物等因素的影响，另外对于路况极为复杂的非铺装越野路面，往往在一小段长度的路面会经历不断交替的上坡和下坡，该种方法对于此类多变的路况显然不具备优势。其次相对车载传感器而言GPS系统的刷新频率较低，也会造成较大的估计误差。

现有技术中一般是利用纵向加速度对坡度进行估算，例如公告号为CN 102700551A的专利公开了一种车辆行驶过程中路面坡度的实时估计方法，整车控制器控制驱动力传感器、车速传感器和加速度传感器将信号分别发送到坡度估算系统；车辆加速度计算模块计算车辆加速度，并将其发送到坡度估算系统；基于纵向动力学坡度估计模块计算路面坡度估计值，并将其发送到多方法融合坡度估计模块；基于加速度偏差坡度估计模块计算路面坡度估计值，并将其发送到多方法融合坡度估计模块；多方法融合坡度估计模块分别对两个路面坡度估计值进行滤波处理，得到路面坡度的实时估计值；完成路面坡度值估计后，重复上述步骤对各采样时刻的路面坡度进行实时估算。但是实际情况下车辆上下坡过程中会伴随着转向，或者车辆行进方向并不是正好沿着坡面方向，而是斜侧着行进，此时车辆纵向方向上也会产生加速度，如果只考虑纵向加速度会使估算得到的坡度不准确。本发明因而来。

发明内容

为了解决上述存在的技术问题，本发明提供了一种基于车辆行驶状态的路面坡度估算方法及系统，利用现有传感器获取相关输入信号，同时考虑车辆横向和纵向运动状态，结合车辆运动学和动力学的方法，对路面坡度状态进行实时估算，解决了以往坡度估算严重依赖车辆模型的缺点，提高了路面坡度的估算精度和准确性。

本发明的技术方案是：

一种基于车辆行驶状态的路面坡度估算方法，包括以下步骤：

S01：获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

S02：获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

S03：获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

S04：通过构建的车辆横向运动状态模型，得到横向坡度α_y，得到实际路面坡度

优选的技术方案中，所述步骤S04中所述构建的车辆横向运动状态模型包括传感器输入的横向加速度信号和车辆转向产生的横向加速度值，通过引入向盘转向角的符号函数对转向方向进行判断。

优选的技术方案中，所述步骤S02中构建的车辆纵向动力学模型为：

式中，a_{x_sensor}为纵向加速度信号，m为车辆当前质量，g为重力加速度，α_x为路面纵向坡度，F_drv为总驱动力矩，F_brk为总制动力矩，F_resis为总阻力矩，F_drv和F_brk信号均能从CAN网络直接获取。

优选的技术方案中，所述总阻力矩F_resis包括风阻和滚阻，表示为：

式中，ρ为空气密度，C_d为风阻系数，A为迎风面积，v_x为车辆纵向速度；f路面滚阻系数。

优选的技术方案中，所述步骤S04构建的车辆横向运动状态模型为：

a_{y_act}＝g sinα_y

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}|

式中，

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}为由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

优选的技术方案中，采集一段时间T内的m_k进行概率统计，得到概率密度函数：

其中，μ是m_k服从随机变量的均值，σ为此随机变量的方差；

找出置信度最高的m_tr＝μ作为整车质量参数。

本发明还公开了一种基于车辆行驶状态的路面坡度估算系统，包括：

车辆状态信息获取模块，获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

参数标定模块，获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

纵向坡度计算模块，获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

路面坡度估算模块，通过构建的车辆横向运动状态模型，得到横向坡度α_y，得到实际路面坡度

优选的技术方案中，所述参数标定模块中还包括车辆纵向动力学模型构建模块，用于构建车辆纵向动力学模型，为：

式中，a_{x_sensor}为纵向加速度信号，m为车辆当前质量，g为重力加速度，α_x为路面纵向坡度，F_drv为总驱动力矩，F_brk为总制动力矩，F_resis为总阻力矩，F_drv和F_brk信号均能从CAN网络直接获取。

优选的技术方案中，所述路面坡度估算模块包括车辆横向运动状态模型构建模块，用于构建的车辆横向运动状态模型，为：

a_{y_act}＝g sinα_y

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}|

式中，

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}为由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

优选的技术方案中，还包括质量参数获取模块，用于采集一段时间T内的m_k进行概率统计，得到概率密度函数：

其中，μ是m_k服从随机变量的均值，σ为此随机变量的方差；

找出置信度最高的m_tr＝μ作为整车质量参数。

与现有技术相比，本发明的优点是：

1.利用现有传感器获取相关输入信号，不增加额外硬件成本。均为常用CAN协议信号，无需新增通讯报文，不增加总线网络负载率。结合车辆运动学和动力学的方法，对路面坡度状态进行实时估算，解决了以往坡度估算严重依赖车辆模型的缺点，有利于技术的推广应用。同时考虑车辆横向和纵向运动状态，提高路面坡度的估算精度和准确性。

2.利用正态分布概念对车身质量进行估算，保证计算的精度和准确性。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为本发明基于车辆行驶状态的路面坡度估算系统原理框图；

图2为本发明基于车辆行驶状态的路面坡度估算方法流程图。

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明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例：

下面结合附图，对本发明的较佳实施例作进一步说明。

一种基于车辆行驶状态的路面坡度估算系统，利用CAN总线获得已知的车辆状态信息如车速、方向盘转向角度、横摆角速度、纵向加速度和横向加速度，并结合车辆运动学和动力学的方法，对路面坡度状态进行实时估算，解决了以往坡度估算严重依赖车辆模型的缺点。

如图1所示，基于车辆行驶状态的路面坡度估算系统包括车辆状态信息获取模块10，参数标定模块20，纵向坡度计算模块30，横向坡度计算模块40，路面坡度估算模块50。具体模块功能如下：

车辆状态信息获取模块10，获取车辆状态信息，状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

参数标定模块20，获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

纵向坡度计算模块30，获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

横向坡度计算模块40，通过构建的车辆横向运动状态模型，得到横向坡度α_y；

路面坡度估算模块50，综合横向和纵向坡度得到实际路面坡度

参数标定模块中还包括车辆纵向动力学模型构建模块，用于构建车辆纵向动力学模型，为：

式中，a_{x_sensor}为纵向加速度信号，m为车辆当前质量，g为重力加速度，α_x为路面纵向坡度，F_drv为总驱动力矩，F_brk为总制动力矩，F_resis为总阻力矩，F_drv和F_brk信号均能从CAN网络直接获取。

横向坡度计算模块40包括车辆横向运动状态模型构建模块，用于构建的车辆横向运动状态模型，为：

a_{y_act}＝gsinα_y

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}|

式中，

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}为由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

还包括质量参数获取模块，用于采集一段时间T内的m_k进行概率统计，得到概率密度函数：

其中，μ是m_k服从随机变量的均值，σ为此随机变量的方差；

找出置信度最高的m_tr＝μ作为整车质量参数。

如图2所示，一种基于车辆行驶状态的路面坡度估算方法，包括以下步骤：

S01：获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

S02：获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

S03：获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

S04：通过构建的车辆横向运动状态模型，得到横向坡度α_y，得到实际路面坡度

具体的：

首先建立车辆纵向动力学方程，可以表示为：

式中：a_{x_sensor}为传感器输入的纵向加速度信号；m为车辆当前质量；α_x为路面纵向坡度；F_drv为总驱动力矩；F_brk为总制动力矩；F_resis为总阻力矩。F_drv和F_brk信号均能从CAN网络直接获取。

其中F_resis包括风阻和滚阻，表示为：

式中：ρ为空气密度；C_d为风阻系数；A为迎风面积；v_x为车辆纵向速度；f路面滚阻系数。

其次，建立车辆横向运动状态方程：

a_{y_act}＝gsinα_y (5)

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}| (6)

式中：

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}是由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

在计算侧向加速度实际值的过程中，考虑了车辆转向产生的横向加速度值，通过引入转向角的符号函数对转向方向进行判断，使其符合实际加速度值的变化规律。

在车辆行进过程中，对式(2)进行分析可知，除了车身质量m和纵向坡度α_x外其余都是已知量，而式中的变量包括：纵向加速度a_{x_sensor}和车速v_x，因此可以通过代入不同时刻的a_{x_sensor}和v_x值对m和α_x进行求解。

记录t₀时刻的值分别为：a_{x_sensor_k0}和v_{x_k0}；t₁时刻的值分别为：a_{x_sensor_k1}和v_{x_k1}

在车辆点火上电后上述值即处于实时更新状态，车辆在乘坐人员和整备质量不增减时的车重是固定的，即质量m应该为一个常量。但实际计算过程中由于信号的噪声和外界的干扰不能只采用单一时刻的m值作为计算结果，通常该值在经过较长时间的计算和补偿后满足正态分布规律，需要假设对一段时间T内的m_k(k＝1...n)进行概率统计找出置信度最高的m_tr作为整车质量参数。

测量时间T的m_k(k＝1...n)应该满足概率密度函数：

μ是m_k服从随机变量的均值；σ为此随机变量的方差。当μ代入式(7)时可得概率最大值，此时的就能找出置信度最高的m_tr＝μ，该值将作为式(2)的重要输入参数。同时该值也会随着车载质量的增减在计算时间T进行修正。

此时再利用实时输入的a_{x_sensor_act}和v_{x_act}信号就可以计算得到当前的纵向坡度α_x，综合考虑横向和纵向坡度可以得到实际路面坡度α_tol为：

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于车辆行驶状态的路面坡度估算方法，其特征在于，包括以下步骤：

S01：获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

S02：获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

S03：获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

S04：通过构建的车辆横向运动状态模型，得到横向坡度α_y，得到实际路面坡度

2.根据权利要求1所述的基于车辆行驶状态的路面坡度估算方法，其特征在于，所述步骤S04中所述构建的车辆横向运动状态模型包括传感器输入的横向加速度信号和车辆转向产生的横向加速度值，通过引入向盘转向角的符号函数对转向方向进行判断。

3.根据权利要求1所述的基于车辆行驶状态的路面坡度估算方法，其特征在于，所述步骤S02中构建的车辆纵向动力学模型为：

式中，a_{x_sensor}为纵向加速度信号，m为车辆当前质量，g为重力加速度，α_x为路面纵向坡度，F_drv为总驱动力矩，F_brk为总制动力矩，F_resis为总阻力矩，F_drv和F_brk信号均能从CAN网络直接获取。

4.根据权利要求3所述的基于车辆行驶状态的路面坡度估算方法，其特征在于，所述总阻力矩F_resis包括风阻和滚阻，表示为：

式中，ρ为空气密度，C_d为风阻系数，A为迎风面积，v_x为车辆纵向速度；f路面滚阻系数。

5.根据权利要求1所述的基于车辆行驶状态的路面坡度估算方法，其特征在于，所述步骤S04构建的车辆横向运动状态模型为：

a_{y_act}＝gsinα_y

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}|

式中，

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}为由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

6.根据权利要求3所述的基于车辆行驶状态的路面坡度估算方法，其特征在于，采集一段时间T内的m_k进行概率统计，得到概率密度函数：

其中，μ是m_k服从随机变量的均值，σ为此随机变量的方差；

找出置信度最高的m_tr＝μ作为整车质量参数。

7.一种基于车辆行驶状态的路面坡度估算系统，其特征在于，包括：

车辆状态信息获取模块，获取车辆状态信息，所述状态信息包括驱动力矩、制动力矩、方向盘转向角度、纵向加速度、横向加速度和横摆角速度；

参数标定模块，获取车辆至少两个时刻的纵向加速度a_{x_sensor}和车速v_x，标定构建的车辆纵向动力学模型的参数；

纵向坡度计算模块，获取实时的纵向加速度和车速，得到当前的纵向坡度α_x；

路面坡度估算模块，通过构建的车辆横向运动状态模型，得到横向坡度α_y，得到实际路面坡度

8.根据权利要求7所述的基于车辆行驶状态的路面坡度估算系统，其特征在于，所述参数标定模块中还包括车辆纵向动力学模型构建模块，用于构建车辆纵向动力学模型，为：

式中，a_{x_sensor}为纵向加速度信号，m为车辆当前质量，g为重力加速度，α_x为路面纵向坡度，F_drv为总驱动力矩，F_brk为总制动力矩，F_resis为总阻力矩，F_drv和F_brk信号均能从CAN网络直接获取。

9.根据权利要求7所述的基于车辆行驶状态的路面坡度估算系统，其特征在于，所述路面坡度估算模块包括车辆横向运动状态模型构建模块，用于构建的车辆横向运动状态模型，为：

a_{y_act}＝gsinα_y

a_{y_act}＝a_{y_sensor}+sgn(δ)|a_{y_yaw}|

式中，

为横摆角速度信号；δ为方向盘转向角度信号；a_{y_yaw}为由转向产生的横向加速度；a_{y_sensor}为传感器输入的横向加速度信号；a_{y_act}为经过修正的实际横向加速度；α_y为车辆横向坡度。

10.根据权利要求9所述的基于车辆行驶状态的路面坡度估算系统，其特征在于，还包括质量参数获取模块，用于采集一段时间T内的m_k进行概率统计，得到概率密度函数：

其中，μ是m_k服从随机变量的均值，σ为此随机变量的方差；

找出置信度最高的m_tr＝μ作为整车质量参数。

Images