CN113295111B - 车辆对中方法、系统及计算机可读存储介质 - Google Patents
车辆对中方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113295111B CN113295111B CN202110367811.5A CN202110367811A CN113295111B CN 113295111 B CN113295111 B CN 113295111B CN 202110367811 A CN202110367811 A CN 202110367811A CN 113295111 B CN113295111 B CN 113295111B
- Authority
- CN
- China
- Prior art keywords
- centering
- vehicle
- wheel
- compensation value
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims description 16
- 238000012360 testing method Methods 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
- G01B11/275—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing wheel alignment
- G01B11/2755—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing wheel alignment using photoelectric detection means
-
- 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
- G01M17/013—Wheels
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Body Structure For Vehicles (AREA)
Abstract
本发明提供车辆对中方法，包括以下步骤：获取车辆的实际车轮状态和实际车轮刚度；根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；根据所述车辆对中补偿值，控制车辆进行对中调整。本发明提供的车辆对中方法，根据车辆的实际车轮状态和车轮刚度，获取车辆对中补偿值，根据车辆对中补偿值，控制车辆对中调整，可准确快速地进行车辆对中调节，并实现车辆车身和车轮的同时对中。
Description
技术领域
本发明涉及车辆对中技术领域，具体是涉及车辆对中方法、系统及计算机可读存储介质。
背景技术
汽车测量设备完全对称，即AB与CD平行，A与B对称，C与D对称，；而车辆尤其是非量产车，因为制造误差的存在，车辆不对称,ABCD可出现任意4边形。因测量平台的力、力矩、位移传感器的布置，希望车轮能在测量平台正中心。但需要同时兼顾4个车轮ABCD，则更不易实现。
现有技术公开了一种车辆对中装置及车辆标定设备，包括底座、第一激光器、两个车轮定位件以及联动机构，第一激光器设在所述底座上，用以发射沿车辆纵向延伸的激光束，两个车轮定位件相对设置在底座上且关于激光束对称，用于对车辆横向上相对的两个车轮进行定位，而联动机构设在两个车轮定位件之间，以使两个车轮定位组件相对于底座在车辆横向上同步相向运动或者反向运动。使用激光束作为中心线，调节车轮的位置进行调节，并没有考虑到四轮定位的参数和车轮刚度对车辆对中的影响，也没有考虑在在进行车辆对中的时候或之前车轮是否对称，因此其调节的车辆对中是不准确的。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供车辆对中方法、系统及计算机可读存储介质。
第一方面，本发明提供了一种车辆对中方法，包括以下步骤：
获取车辆的实际车轮状态和实际车轮刚度；
根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
根据所述车辆对中补偿值，控制车辆进行对中调整。
根据第一方面，在第一方面的第一种可能的实现方式中，所述“根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值”步骤，具体包括以下步骤：
获取车辆对中神经网络模型；
将得到的所述实际车轮状态和所述实际车轮刚度输入所述车辆对中神经网络模型中，获取最佳车辆对中补偿值。
根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述“获取车辆对中神经网络模型”步骤，具体包括以下步骤：
获取车辆对中神经网络初级模型，并获取多组车轮状态试验数据和多组车轮刚度试验数据；
将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型；
其中，车轮状态试验数据包括前轮前束状态数据，前轮外倾状态数据，主销内倾状态数据，主销后倾状态数据，以及与前轮前束状态数据、前轮外倾状态数据、主销内倾状态数据、主销后倾状态数据、车轮刚度试验数据对应的试验最佳对中补偿值。
根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述“将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型”步骤，具体包括以下步骤：
分别控制不同组的车轮状态试验数据和不同组车轮刚度试验数据输入车辆对中神经网络初级模型进行训练，分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值；
当对车辆对中神经网络初级模型经过预设次数训练后，得到的预测对中补偿值和试验最佳对中补偿值之间的差值持续小于差值阈值时，判定对车辆对中神经网络初级模型完成，得到车辆对中神经网络模型。
根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述“分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值”步骤之后，具体包括以下步骤：
根据预测对中补偿值与试验最佳对中补偿值的差值，调整车辆对中神经网络初级模型的输入层的车轮状态试验数据和车轮刚度试验数据的权重值；
根据调整后的权重值，控制车轮状态试验数据和车轮刚度试验数据重新输入神经网络模型重新进行训练，得到重新训练后的更新预测对中补偿值；
获取更新预测对中补偿值和试验最佳对中补偿值的差值；
当更新预测对中补偿值和试验最佳对中补偿值的差值小于差值阈值时，完成对车辆对中神经网络初级模型的单次训练。
根据第一方面，在第一方面的第五种可能的实现方式中，所述“根据所述车辆对中补偿值，控制车辆进行对中调整”步骤之后，具体包括以下步骤：
判断车辆的对中状态。
根据第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述“判断车辆的对中状态”步骤，具体包括以下步骤：
获取车辆的各个轮胎的轮心坐标；
根据得到的各个轮胎的轮心坐标，获取车辆的各个车轮的轮心围合形状；
根据得到的各个车轮的轮心围合形状，判断车辆的对中状态。
根据第一方面的第七种可能的实现方式，在第一方面的第八种可能的实现方式中，所述“据得到的各个车轮的轮心围合形状，判断车辆的对中状态”步骤之后，还包括以下步骤：
当各个车轮的轮心围合形状为矩形或等腰梯形时，判定车辆达到对中状态。
第二方面，本发明提供了一种车辆对中系统，包括：
车轮状态刚度获取单元，获取车辆的实际车轮状态和实际车轮刚度；
对中补偿值获取单元，与所述车辆状态刚度获取单元通信连接，用于根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
对中调整控制单元，与所述对中补偿值获取单元通信连接，用于根据所述车辆对中补偿值，控制车辆进行对中调整。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述车辆对中方法的所有方法步骤。
与现有技术相比，本发明的优点如下：
本发明提供的车辆对中方法，根据车辆的实际车轮状态和车轮刚度，获取车辆对中补偿值，根据车辆对中补偿值，控制车辆对中调整，准确快速地进行车辆对中调节，并实现车辆车身和车轮的同时对中。
附图说明
图1是本发明实施例提供的车辆对中方法的方法流程示意图；
图2是本发明实施例提供的车辆对中方法的另一方法流程示意图；
图3是部分车轮状态的示意图；
图4是本发明实施例提供的车辆对中装置的结构示意图；
图5是本发明实施例提供的车辆对中装置的使用示意图；
图6是本发明实施例提供的车辆定位示意图；
图7是本发明实施例提供的车轮与中心线之间的夹角示意图；
图8是本发明实施例提供的车辆对中系统的功能模块框图。
图中，10、台架；20、车轮对中调节装置；100、车轮状态刚度获取单元；200、对中补偿值获取单元；300、对中调整控制单元。
具体实施方式
现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1所示，本发明实施例提供车辆对中方法、系统及计算机可读存储介质，包括以下步骤：
S100、获取车辆的实际车轮状态和实际车轮刚度；
S200、根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
S300、根据所述车辆对中补偿值，控制车辆进行对中调整。
本发明提供的车辆对中方法，根据车辆的实际车轮状态和车轮刚度，获取车辆对中补偿值，根据车辆对中补偿值，控制车辆对中调整，准确快速地进行车辆对中调节，并实现车辆车身和车轮的同时对中。
在一实施例中，请参考图2，所述“根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值”步骤，具体包括以下步骤：
S210、获取车辆对中神经网络模型；
S220、将得到的所述实际车轮状态和所述实际车轮刚度输入所述车辆对中神经网络模型中，获取最佳车辆对中补偿值。
在一实施例中，请参考图3所示，所述车轮状态包括前轮前束、前轮外倾、主销内倾、主销后倾，前轮前束、前轮外倾、主销内倾、主销后倾、车轮刚度对于后续的车辆对中调节都有影响，并这些参数对后续的车辆对中调节的影响是耦合的，通过单个参数无法准确地实现对中修正，因此，需要构建一个神经网络模型，得到前轮前束、前轮外倾、主销内倾、主销后倾和车轮刚度这5个参数与对中补偿值的相关关系。
在一实施例中，请参考图3，所述“获取车辆对中神经网络模型”步骤，具体包括以下步骤：
S210、获取车辆对中神经网络初级模型，并获取多组车轮状态试验数据和多组车轮刚度试验数据；
S220、将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型。
其中，车轮状态试验数据包括前轮前束状态数据，前轮外倾状态数据，主销内倾状态数据，主销后倾状态数据，以及与前轮前束状态数据、前轮外倾状态数据、主销内倾状态数据、主销后倾状态数据、车轮刚度试验数据对应的试验最佳对中补偿值。
在一实施例中，在确定一组前轮前束、前轮外倾、主销内倾、主销后倾和车轮刚度后，在预设范围内以预定补偿值不断调节车轮修正值(或轮心偏移量)，并以不同的车轮修正值(或轮心偏移量)进行车辆对中试验，每轮试验后测量对中后车辆的理论中线与车辆实际中线之间的差值。使对中后车辆的理论中线与车辆实际中线之间的差值小于预设差值，即为该前轮前束、前轮外倾、主销内倾、主销后倾和车轮刚度对应的试验最佳车轮补偿值。
在一实施例中，以车轮A、B、C、D中任一车轮轮心坐标作为参考点，对中调整车辆，使得车轮ABCD相对于原点对中，以获取多组前轮前束、前轮外倾、主销内倾、主销后倾、车轮刚度以及对应的试验最佳对中补偿值的试验数据：
1、以车轮A为例，
1)获取车轮A和车轮B之间的轮距TA：
TA＝XA+XB-dc/2cosa-dc/2cosb，
a为车轮A前部与中心线之间的夹角，b为车轮B前部与中心线之间的夹角。
2)获取车轮A的坐标值
X3＝XA-La-dc/2cosab，
其中，ab为车轮A的前束角，La为靠近车轮A的吊臂的臂长；
Y1＝YA，
其中，YA为吊架在A处y向的拉线位移传感器读数值。
3)以车轮A为参考点，最终对中调整车辆，使得车轮ABCD相对于原点对中：
A点X向偏移量＝|X1|-(|X1|+|X2|)/2，
当偏移量为正值时，偏移向右，当偏移量为负值时，偏移向左。
A点Y向一次偏移量＝|Y1|-(|Y1|+|Y1|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
A点Y向二次偏移量＝|Y1|-(|Y1|+|Y3|)/2
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
2、以车轮B为例，
1)获取车轮B和车轮A之间的轮距TB：
TB＝XB+XA-dc/2cosb-dc/2cosa。
a-为车轮A前部与中心线之间的夹角，b为车轮B前部与中心线之间的夹角。
2)获取车轮B的坐标值
X2＝XB-Lb-dc/2cosba，
其中，ba为车轮B(X1,Y1)的前束角，Lb靠近车轮B侧的吊臂的臂长,dc为轮胎宽度；
Y2＝YB，
其中，YB为吊架在B处y向的拉线位移传感器读数值。
3)以车轮B为参考点，最终对中调整车辆，使得车轮ABCD相对于原点对中：
B点X向偏移量＝|X2|-(|X1|+|X2|)/2，
当偏移量为正值时，偏移向右，当偏移量为负值时，偏移向左。
B点Y向一次偏移量＝|Y2|-(|Y1|+|Y1|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
B点Y向二次偏移量＝|Y2|-(|Y1|+|Y3|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
3、以车轮C为例，
1)获取车轮C和车轮D之间的轮距TC：
TC＝XD+XC-dc/2cosc-dc/2cosd。
c为车轮C前部与中心线之间的夹角，d为车轮D前部与中心线之间的夹角。
2)获取车轮C的坐标值
X3＝XC-Lc-dc/2coscd，
其中，cd为车轮C的前束角，Lc为靠近车轮C的吊臂的臂长；
Y3＝YC，
其中，YC为吊架在C处y向的拉线位移传感器读数值。
3)以车轮C为参考点，最终对中调整车辆，使得车轮ABCD相对于原点对中：
C点X向偏移量＝|X3|-(|X3|+|X4|)/2，
当偏移量为正值时，偏移向右，当偏移量为负值时，偏移向左。
C点Y向一次偏移量＝|Y3|-(|Y3|+|Y4|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
C点Y向二次偏移量＝|Y3|-(|Y3|+|Y4|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
4、以车轮D为例，
1)获取车轮D和车轮C之间的轮距TD：
TD＝XC+XD-CD/2Cosd-CD/2Cosc。
c为车轮C前部与中心线之间的夹角，d为车轮D前部与中心线之间的夹角。
2)获取车轮D的坐标值
X4＝XD-Ld-dc/2Cosdcd，
其中，dcd为车轮D的前束角，Ld为靠近车轮D的吊臂的臂长；
Y4＝YD，
其中，YD为吊架在D处y向的拉线位移传感器读数值。
3)以车轮D为参考点，最终对中调整车辆，使得车轮ABCD相对于原点对中：
D点X向偏移量＝|X4|-(|X3|+|X4|)/2，
当偏移量为正值时，偏移向右，当偏移量为负值时，偏移向左。
D点Y向一次偏移量＝|Y4|-(|Y3|+|Y4|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
D点Y向二次偏移量＝|Y4|-(|Y3|+|Y4|)/2，
当偏移量为正值时，偏移向前，当偏移量为负值时，偏移向后。
以上述情形中的任一种进行第一轮试验循环结束后，获取记录误差值：
W1＝||Y1|-|Y2||+||Y3|-|Y4||+||X1|-|X2||+||X3|-|X4||。
比对W1和预设差值，若W1大于预设差值,则进行第二轮试验对中，计算第二轮试验对中调整后误差值W2。再次判断W2和预设差值之间的大小关系，如大于预设差值，则一直循环试验对中下去，直到Wn小于10mm，将该次试验对中后，各车轮的偏移量作为一组车轮状态、车轮刚度以及与该车轮状态和车轮刚度相对应的试验最佳对中补偿值的试验数据。
在一实施例中，预设差值为10mm。
基于以上对中试验，获取多组车轮在不同车轮状态和车轮刚度下的试验最佳对中补偿值的试验数据。
根据多组前轮前束、前轮外倾、主销内倾、主销后倾、车轮刚度以及对应的试验最佳对中补偿值的试验数据，执行完成对神经网络模型的训练；
控制实际车轮状态和实际车轮刚度输入训练后的神经网络模型，获取最佳车辆对中补偿值。
在一实施例中，所述“将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型”步骤，具体包括以下步骤：
分别控制不同组的车轮状态试验数据和不同组车轮刚度试验数据输入车辆对中神经网络初级模型进行训练，分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值；
当对车辆对中神经网络初级模型经过预设次数训练后，得到的预测对中补偿值和试验最佳对中补偿值之间的差值持续小于差值阈值时，判定对车辆对中神经网络初级模型完成，得到车辆对中神经网络模型。
在一实施例中，所述神经网络模型包括输入层、隐藏层和输出层，所述前轮前束、前轮外倾、主销内倾、主销后倾、主销后倾和车轮刚度为输入层的节点参数，所述“分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值”步骤之后，具体包括以下步骤：
根据预测对中补偿值与试验最佳对中补偿值的差值，调整车辆对中神经网络初级模型的输入层的车轮状态试验数据和车轮刚度试验数据的权重值；
根据调整后的权重值，控制车轮状态试验数据和车轮刚度试验数据重新输入神经网络模型重新进行训练，得到重新训练后的更新预测对中补偿值；
获取更新预测对中补偿值和试验最佳对中补偿值的差值；
当更新预测对中补偿值和试验最佳对中补偿值的差值小于差值阈值时，完成对车辆对中神经网络初级模型的单次训练。
在一实施例中，所述“根据所述车辆对中补偿值，控制车辆进行对中调整”步骤之后，具体包括以下步骤：
判断车辆是否对中。
在一实施例中，所述“判断车辆的对中状态”步骤，具体包括以下步骤：
获取车辆的各个轮胎的轮心坐标；
根据得到的各个轮胎的轮心坐标，获取车辆的各个车轮的轮心围合形状；
根据得到的各个车轮的轮心围合形状，判断车辆的对中状态。
在一实施例中，所述“据得到的各个车轮的轮心围合形状，判断车辆的对中状态”步骤之后，还包括以下步骤：
当各个车轮的轮心围合形状为矩形或等腰梯形时，判定车辆达到对中状态。
当各个车轮的轮心围合形状不是矩形也不是等腰梯形时，则需要继续调整，并对训练后的神经网络模型进行补偿训练。
基于同一发明构思，请参考图4和图5所示，本发明还提供了一种车辆对中装置，所述装置包括台架10、设于台架10上的车轮对中调节装置20以及设于台架上的吊架。
车辆对中装置中设定吊架中线原点即吊钩点为坐标原点。并参考图6所示，设定车辆的四个车轮相对于车标原点的坐标位置分别为车轮A(x1，y1)、车轮B(x2，y2)、车轮C(x3，y3)、车轮D(x4，y4)。图中，XC为左侧台架后端与车辆横向中轴线的距离，XD为左侧台架前端与车辆横向中轴线的距离，XA为右侧台架后端与车辆横向中轴线的距离，XB为右侧台架后端与车辆横向中轴线的距离，YA为左侧台架后端与车辆纵向中轴线的距离，YB为左侧台架前端与车辆纵向中轴线的距离，YC为右侧台架后端与车辆纵向中轴线的距离，YD为右侧台架前端与车辆纵向中轴线的距离，0原点为吊钩的钩点。
定义轮胎前部在中心线右侧为正值，轮胎前部在中心线左侧为负值，请参考图7所示，a1为车轮与中心线之间的夹角，a2为另一车轮与中心线之间的夹角，a1为正值，a2为负值，a1和a2通过台架吊角处的转角传感器测量获得。
基于同一发明构思，请参考图8，本发明提供了一种车辆对中系统，包括：
车轮状态刚度获取单元100，获取车辆的实际车轮状态和实际车轮刚度；
对中补偿值获取单元200，与所述车辆状态刚度获取单元100通信连接，用于根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
对中调整控制单元300，与所述对中补偿值获取单元200通信连接，用于根据所述车辆对中补偿值，控制车辆进行对中调整。
基于同一发明构思，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述车辆对中方法的所有方法步骤。
本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Ra ndomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思，本申请实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CP U)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种车辆对中方法，其特征在于，包括以下步骤：
获取车辆的实际车轮状态和实际车轮刚度；
根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
根据所述车辆对中补偿值，控制车辆进行对中调整；
所述根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值步骤，具体包括以下步骤：
获取车辆对中神经网络模型；
将得到的所述实际车轮状态和所述实际车轮刚度输入所述车辆对中神经网络模型中，获取最佳车辆对中补偿值；
所述获取车辆对中神经网络模型步骤，具体包括以下步骤：
获取车辆对中神经网络初级模型，并获取多组车轮状态试验数据和多组车轮刚度试验数据；
将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型；
其中，车轮状态试验数据包括前轮前束状态数据，前轮外倾状态数据，主销内倾状态数据，主销后倾状态数据，以及与前轮前束状态数据、前轮外倾状态数据、主销内倾状态数据、主销后倾状态数据、车轮刚度试验数据对应的试验最佳对中补偿值；
所述将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型步骤，具体包括以下步骤：
分别控制不同组的车轮状态试验数据和不同组车轮刚度试验数据输入车辆对中神经网络初级模型进行训练，分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值；
当对车辆对中神经网络初级模型经过预设次数训练后，得到的预测对中补偿值和试验最佳对中补偿值之间的差值持续小于差值阈值时，判定对车辆对中神经网络初级模型完成，得到车辆对中神经网络模型；
所述分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值步骤之后，具体包括以下步骤：
根据预测对中补偿值与试验最佳对中补偿值的差值，调整车辆对中神经网络初级模型的输入层的车轮状态试验数据和车轮刚度试验数据的权重值；
根据调整后的权重值，控制车轮状态试验数据和车轮刚度试验数据重新输入神经网络模型重新进行训练，得到重新训练后的更新预测对中补偿值；
获取更新预测对中补偿值和试验最佳对中补偿值的差值；
当更新预测对中补偿值和试验最佳对中补偿值的差值小于差值阈值时，完成对车辆对中神经网络初级模型的单次训练。
2.如权利要求1所述的车辆对中方法，其特征在于，所述根据所述车辆对中补偿值，控制车辆进行对中调整步骤之后，具体包括以下步骤：
判断车辆的对中状态。
3.如权利要求2所述的车辆对中方法，其特征在于，所述判断车辆的对中状态步骤，具体包括以下步骤：
获取车辆的各个轮胎的轮心坐标；
根据得到的各个轮胎的轮心坐标，获取车辆的各个车轮的轮心围合形状；
根据得到的各个车轮的轮心围合形状，判断车辆的对中状态。
4.如权利要求3所述的车辆对中方法，其特征在于，所述根据得到的各个车轮的轮心围合形状，判断车辆的对中状态步骤之后，还包括以下步骤：
当各个车轮的轮心围合形状为矩形或等腰梯形时，判定车辆达到对中状态。
5.一种车辆对中系统，其特征在于，包括：
车轮状态刚度获取单元，获取车辆的实际车轮状态和实际车轮刚度；
对中补偿值获取单元，与所述车辆状态刚度获取单元通信连接，用于根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值；
所述根据得到的所述实际车轮状态和所述实际车轮刚度，获取车辆对中补偿值，具体包括：
获取车辆对中神经网络模型；
将得到的所述实际车轮状态和所述实际车轮刚度输入所述车辆对中神经网络模型中，获取最佳车辆对中补偿值；
所述获取车辆对中神经网络模型，具体包括：
获取车辆对中神经网络初级模型，并获取多组车轮状态试验数据和多组车轮刚度试验数据；
将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型；
其中，车轮状态试验数据包括前轮前束状态数据，前轮外倾状态数据，主销内倾状态数据，主销后倾状态数据，以及与前轮前束状态数据、前轮外倾状态数据、主销内倾状态数据、主销后倾状态数据、车轮刚度试验数据对应的试验最佳对中补偿值；
所述将获得的多组车轮状态试验数据和多组车轮刚度试验数据输入车辆对中神经网络初级模型，对车辆对中神经网络初级模型进行训练以获取车辆对中神经网络模型，具体包括：
分别控制不同组的车轮状态试验数据和不同组车轮刚度试验数据输入车辆对中神经网络初级模型进行训练，分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值；
当对车辆对中神经网络初级模型经过预设次数训练后，得到的预测对中补偿值和试验最佳对中补偿值之间的差值持续小于差值阈值时，判定对车辆对中神经网络初级模型完成，得到车辆对中神经网络模型；
所述分别得到训练后的预测对中补偿值、以及预测对中补偿值与试验最佳对中补偿值的差值之后，还包括：
根据预测对中补偿值与试验最佳对中补偿值的差值，调整车辆对中神经网络初级模型的输入层的车轮状态试验数据和车轮刚度试验数据的权重值；
根据调整后的权重值，控制车轮状态试验数据和车轮刚度试验数据重新输入神经网络模型重新进行训练，得到重新训练后的更新预测对中补偿值；
获取更新预测对中补偿值和试验最佳对中补偿值的差值；
当更新预测对中补偿值和试验最佳对中补偿值的差值小于差值阈值时，完成对车辆对中神经网络初级模型的单次训练；
对中调整控制单元，与所述对中补偿值获取单元通信连接，用于根据所述车辆对中补偿值，控制车辆进行对中调整。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如权利要求1至4中任一项所述车辆对中方法的所有方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367811.5A CN113295111B (zh) | 2021-04-06 | 2021-04-06 | 车辆对中方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110367811.5A CN113295111B (zh) | 2021-04-06 | 2021-04-06 | 车辆对中方法、系统及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113295111A CN113295111A (zh) | 2021-08-24 |
| CN113295111B true CN113295111B (zh) | 2023-04-11 |
Family
ID=77319544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110367811.5A Active CN113295111B (zh) | 2021-04-06 | 2021-04-06 | 车辆对中方法、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113295111B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4615618A (en) * | 1984-06-21 | 1986-10-07 | Jvi Laser Systems Inc. | Apparatus for determining the relationship of vehicle thrust line, and body center line for use in wheel alignment |
| US5111585A (en) * | 1989-11-21 | 1992-05-12 | Iyasaka Seiki Co., Ltd. | Method and apparatus for measuring and adjusting the wheel alignment of automotive vehicles |
| US5586062A (en) * | 1993-10-04 | 1996-12-17 | Hunter Engineering Company | Vehicle wheel alignment utilizing wheel offset and body center line |
| JP3659757B2 (ja) * | 1996-12-10 | 2005-06-15 | 株式会社バンザイ | 車両試験機正対装置 |
| JP4179674B2 (ja) * | 1998-08-21 | 2008-11-12 | 株式会社ブリヂストン | 車両のホイールアライメント調整方法 |
| JP2011002334A (ja) * | 2009-06-18 | 2011-01-06 | Honda Motor Co Ltd | 車両のホイールアライメント調整方法 |
| KR20150136871A (ko) * | 2014-05-28 | 2015-12-08 | (주)에이앤지테크놀로지 | 자동차 위치 결정을 위한 센터링 장치 |
| US11487993B2 (en) * | 2018-04-24 | 2022-11-01 | GM Global Technology Operations LLC | Apparatus and method that detect wheel alignment condition |
| CN111623730A (zh) * | 2020-06-01 | 2020-09-04 | 深圳市云伽智能技术有限公司 | 车辆对中装置及车辆标定设备 |
| CN112302393A (zh) * | 2020-12-01 | 2021-02-02 | 深圳中集智能停车有限公司 | 车辆对中装置及方法、载车台、可读存储介质和电子设备 |
-
2021
- 2021-04-06 CN CN202110367811.5A patent/CN113295111B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113295111A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8287675B2 (en) | Tire manufacturing method for improving the uniformity of a tire | |
| US12053885B2 (en) | Control method for robot, computer-readable storage medium and robot | |
| CN113295111B (zh) | 车辆对中方法、系统及计算机可读存储介质 | |
| CN113276862A (zh) | 车辆行驶状态估计方法 | |
| CN109916494B (zh) | 称重设备标定方法及装置 | |
| CN109649433B (zh) | 槽型轨不平顺检测方法、计算机装置和计算机可读存储介质 | |
| CN111547038B (zh) | 一种车辆控制系统，设备及方法 | |
| CN114166161A (zh) | 白车身测量坐标系建立方法、装置、设备及可读存储介质 | |
| CN115285127A (zh) | 车辆最小转弯半径计算方法、装置、设备及可读存储介质 | |
| CN116167166A (zh) | 底盘模型的算法调度方法和装置、电子设备和存储介质 | |
| CN115817457A (zh) | 反向斜列车位的自动泊车路径规划方法及装置 | |
| CN109823348A (zh) | 无人车倒车模型控制方法、装置、设备及计算机可读介质 | |
| CN109916484A (zh) | 称重设备联合称重方法及装置 | |
| CN114443696A (zh) | 载荷查询方法、装置及起重机 | |
| CN110308724B (zh) | 自动驾驶控制方法、装置、车辆、存储介质及电子设备 | |
| CN112686904A (zh) | 车道划分方法、装置、电子设备和存储介质 | |
| CN114872786B (zh) | 电控转向桥转角确定方法、装置、设备及作业机械 | |
| CN214518163U (zh) | 一种用于激光打标机的图像识别校准系统 | |
| WO2005051640A1 (en) | Tire manufacturing method for improving the uniformity of a tire | |
| CN115649202B (zh) | 车辆控制方法及装置、存储介质及电子装置 | |
| CN113848068B (zh) | 一种车辆跑偏测量方法及装置 | |
| CN114878190A (zh) | 商用车转向系统道路模拟方法、试验台架及系统 | |
| CN114919647B (zh) | 一种导向轮的转向效率标定方法及装置 | |
| CN112693451A (zh) | 高精度倒车轨迹线生成方法、生成系统、泊车方法及系统 | |
| CN117310605A (zh) | 声源定位角度的补偿方法、装置、电子设备及存储介质 |
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 |