CN113392518A - 估计车辆重量的方法和装置 - Google Patents
估计车辆重量的方法和装置 Download PDFInfo
- Publication number
- CN113392518A CN113392518A CN202110650457.7A CN202110650457A CN113392518A CN 113392518 A CN113392518 A CN 113392518A CN 202110650457 A CN202110650457 A CN 202110650457A CN 113392518 A CN113392518 A CN 113392518A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- wheel
- speed
- side torque
- command
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- UBWJUXGEJRJLRS-SOFGYWHQSA-N 2-[2-[(e)-2-[8-[bis(carboxymethyl)amino]-6-methoxyquinolin-2-yl]ethenyl]-n-(carboxymethyl)anilino]acetic acid Chemical compound C1=CC2=CC(OC)=CC(N(CC(O)=O)CC(O)=O)=C2N=C1\C=C\C1=CC=CC=C1N(CC(O)=O)CC(O)=O UBWJUXGEJRJLRS-SOFGYWHQSA-N 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000881 depressing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本公开公开了估计车辆重量的方法和装置,涉及计算机技术领域,具体为自动驾驶领域。具体实现方案为:根据车辆的当前速度和针对车辆的控制指令,使用速度‑指令‑轮边转矩映射关系获得车辆的轮边转矩值;以及利用所获得的轮边转矩值,基于车辆纵向动力学方程估计车辆的重量。
Description
技术领域
本公开涉及计算机技术领域,具体为自动驾驶领域,尤其涉及一种用于估计车辆重量的方法和装置。
背景技术
随着车辆自动驾驶技术的发展,对车辆自动控制的效果要求也逐渐增大,相对于小型车而言,重型车包括自动驾驶公交车、自动驾驶卡车等,重量变化范围比较大,从空载到满载的重量变化甚至能达到300%。车辆重量是自动驾驶软件进行车辆动力学控制、停车档位决策、泊车停车、车辆运行状态监控的关键参数,如果使用车辆重量对自动驾驶控制软件和监控软件进行合理调控,将会进一步提高车辆的安全性、舒适性、动力性。
使用硬件传感器测量车辆重量,价格昂贵,且使用寿命存在问题;使用软件算法可以直接估计车辆重量,极具经济性和便捷性。在使用软件算法估计车辆重量的技术中,需要提供车辆的轮边转矩参数来估计车辆重量。如果系统无法提供轮边转矩信号,则重量估计软件将无法工作。
发明内容
本公开提供了一种用于估计车辆重量的方法、装置、设备以及存储介质。
根据第一方面,提供了一种估计车辆重量的方法,该方法包括:根据所述车辆的当前速度和针对所述车辆的控制指令,使用速度-指令-轮边转矩映射关系获得所述车辆的轮边转矩值;以及利用所获得的轮边转矩值,基于车辆纵向动力学方程估计所述车辆的重量。
根据第二方面,提供了一种估计车辆重量的装置,该装置包括:轮边转矩值获得模块,被配置为根据所述车辆的当前速度和针对所述车辆的控制指令,使用速度-指令-轮边转矩映射关系获得所述车辆的轮边转矩值;以及重量估计模块,被配置为利用所获得的轮边转矩值,基于车辆纵向动力学方程估计所述车辆的重量。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述方法。
根据本公开的估计车辆重量的方法和装置,可以更高效且更准确地估计车辆重量。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示出了根据本公开实施例的用于估计车辆重量的方法的流程图;
图2示出了根据本公开实施例的速度-指令-轮边转矩标定表的示意图;
图3示出了根据本公开实施例的考虑控制指令延时以及车辆加速度的滤波延时来确定要采用的控制指令和车辆加速度的示意图;
图4示出了使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值的方法的流程图;
图5示出了通过在速度-指令-轮边转矩标定表中进行线性插值来获取轮边转矩值的示意图;
图6示出了根据本公开实施例的基于车辆纵向动力学方程估计车辆的重量的方法的流程图;
图7示出了根据本公开实施例的基于扩展卡尔曼滤波(EKF)估计道路坡度角的方法的流程图;
图8示出了根据本公开实施例的用于估计车辆重量的装置的框图;以及
图9示出了可以用来实施本公开的实施例的示例电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在自动驾驶领域中,通过根据自动驾驶车系统的输入输出时间函数来确定车辆重量来进行车辆重量估计。车辆重量估计需要创建整车的数学模型,其中整车重量是该数学模型中的重要参数。根据关于该数学模型的系统的输入输出数据,使用特定的估计算法对车辆重量进行估计。如果系统无法提供轮边转矩信号,则重量估计算法将无法工作。而在自动驾驶软件中,轮边转矩信号是车辆底盘核心信号,通过轮边转矩能推断出车辆底盘核心特性指标,因此大多数自动驾驶车辆底盘提供商倾向于不提供轮边转矩信号。
图1示出了根据本公开实施例的用于估计车辆重量的方法100的流程图。
在步骤S110,根据车辆的当前速度和针对车辆的控制指令,使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值。
在一些实施例中,速度-指令-轮边转矩映射关系可以包括速度-指令-轮边转矩标定表。在一些实施例中,速度-指令-轮边转矩标定表可以根据先前采集的车辆控制指令和与车辆控制指令相对应的车辆传感数据预先确定。例如,可以在平坦的标准场地上,通过车辆传感器采集车辆传感数据,该传感数据包括车辆速度。平坦的标准场地可以包括地面坡度小于0.1度、且场地能直线加速的最大长度大于100m的场地。在一些实施例中,在采集到车辆传感数据之后,可以在离线状态下利用数据处理技术制作速度-指令-轮边转矩标定表。
在步骤S120,利用所获得的轮边转矩值,基于车辆纵向动力学方程计算车辆的重量。在一些实施例中,车辆纵向动力学方程可以是基于车辆行驶状态数据创建的,并且车辆行驶状态数据可以包括以下中的至少一个:车辆速度v、车辆加速度转动惯量J、角加速度和道路坡度角β。
根据本公开的实施例,可以更高效且更准确地估计车辆重量。此外,根据本公开的实施例,可以在没有轮边转矩反馈信号的情况下估计车辆重量。
在一些实施例中,车辆纵向动力学方程可以为:
其中,m表示车辆重量,单位为kg,
v为车辆速度,单位为m/s,
J为转动惯量,单位为kg·m2,
Twheel为轮边转矩,单位为N·m,
r为车辆的车轮滚动半径,单位为m,
β为道路坡度角,单位为rad,
μ为滚动阻力系数,
g为重力加速度,单位为m/s2。
在等式(2)中,βμ表示地面摩擦阻力系数。除此之外,等式(2)中其他参数与等式(1)中的相同参数表示的物理意义相同。
图2示出了根据本公开实施例的速度-指令-轮边转矩标定表的示意图。
如图2所示,x轴表示车辆速度,单位为m/s。车辆速度可以由车辆传感器获得。y轴表示用于控制车辆的指令(即,控制指令)。例如,例如控制指令可以包括通过用户踩踏车辆加速踏板而获得的踏板指令。在此情况下,控制指令被表示为车辆加速踏板的百分比开度,单位为%。z轴表示轮边转矩值,单位为N·m。
在一些实施例中,可以将指令根据极大-极小区间范围,划分为10~20等分,得到均匀间隔的10~20个指令。依次根据这些指令控制车辆从静止加速到最高速或者从最高速降速到静止,从而得到速度、指令与轮边转矩之间的映射关系,即速度-指令-轮边转矩映射关系。在指令被表示为车辆加速踏板的百分比开度的情况下,速度-指令-轮边转矩映射关系可以被表示为如图2所示的速度-指令-轮边转矩标定表,即速度-踏板开度-轮边转矩标定表。
根据本公开的实施例,传感数据采集和速度-指令-轮边转矩标定表制作可以是在离线状态下进行的,而车辆重量估计可以在线进行。在以实时在线的方式执行车辆重量估计时,由于存在控制指令延时以及车辆加速度的滤波延时,且二者的延时可能不一致,导致针对控制指令实时采集的车辆加速度与该控制指令不匹配,因此需要考虑控制指令延时以及车辆加速度的滤波延时来确定要采用的控制指令和车辆加速度。
图3示出了根据本公开实施例的考虑控制指令延时以及车辆加速度的滤波延时来确定要采用的控制指令和车辆加速度的示意图。
图3示出了两个缓存队列,即指令(Cmd)缓存队列Quene1和加速度(Acc)缓存队列Quene2。指令缓存队列Quene1和加速度缓存队列Quene2的长度分别为L1和L2。L1和L2分别根据控制指令的延时和车辆加速度的滤波延时计算得出,即:
缓存队列Quene1和Quene2以先进先出的方式缓存数据。在图3中,缓存队列Quene1和Quene2中最右边的数据是最新的数据。由于直接利用最新的数据可能导致具有延时的控制指令和具有延时的经滤波后的加速度数据不匹配,因此,根据本公开实施例,利用指令缓存队列Quene1和加速度缓存队列Quene2,得到的第L1个控制指令和第L2个经滤波后的加速度数据是匹配的。因此,针对第L1个控制指令,采用第L2个经滤波后的加速度数据作为用于执行车辆重量估计的输入数据,可以得到更准确的结果。
根据一些实施例,还可以判断采集的数据的有效性。例如,可以根据:实际方向盘转向角度<方向盘最大转向角*3%这一条件来判断所采集的数据的有效性。如果实际方向盘转向角度满足以上条件,则针对相应控制指令,将通过以上缓存方式获得的车辆加速度以及由传感器获得的车辆速度和由传感器获得的道路坡度角测量值(如果存在的话)作为有效数据来使用。
图4示出了使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值的方法的流程图。
在步骤S411,根据车辆的当前速度和控制指令,确定速度-指令-轮边转矩映射关系中当前速度所属的标定区间以及控制指令所属的标定区间。在一些实施例中,速度-指令-轮边转矩映射关系可以包括速度-指令-轮边转矩标定表。在一些实施例中,速度-指令-轮边转矩标定表可以被表示为速度-踏板开度-轮边转矩标定表。
在步骤S412,根据速度-指令-轮边转矩映射关系,基于当前速度所属的标定区间以及控制指令所属的标定区间,分别得到与所确定的标定区间相对应的多个轮边转矩值。
在步骤S413,根据多个轮边转矩值计算与车辆当前的速度和控制指令相对应的轮边转矩值。
根据本公开的实施例,使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值的方法可以省去用于测量车辆重量的硬件传感器,同时提供准确的轮边转矩值。
在一些实施例中,可以根据车辆当前的速度和控制指令,通过在速度-指令-轮边转矩标定表中进行线性插值来获取轮边转矩值。
图5示出了通过在速度-指令-轮边转矩标定表中进行线性插值来获取轮边转矩值的示意图。
在图5中,v表示车辆的当前速度,Cmd表示控制指令,Twheel表示与当前速度v和控制指令Cmd相对应的轮边转矩值。如图5所示,在速度-指令-轮边转矩标定表中,根据车辆的当前速度v和控制指令Cmd,找到当前速度v和控制指令Cmd分别所属的标定区间[vt-1,vt]、[Cmdt-1,Cmdt],其中vt和vt-1分别为当前速度所属的标定区间中的速度,Cmdt和Cmdt-1分别为控制指令所属的标定区间中的控制指令。
如图5中所示,在速度-指令-轮边转矩标定表中,表示为{v,Cmd}的点周围的四个点分别对应于(vt-1,Cmdt-1)、(vt-1,Cmdt)、(vt,Cmdt-1)、(vt,Cmdt)。之后,找到分别与(vt-1,Cmdt-1)、(vt-1,Cmdt)、(vt,Cmdt-1)、(vt,Cmdt)相对应的标定轮边转矩值T1、T2、T3、T4。然后通过下式得到要计算的轮边转矩值Twheel:
Twheel=(T1ζ1+T2(1-ζ1))ζ2+(T3ζ1+T4(1-ζ1))(1-ζ2)……(7)
根据本公开的实施例,可以省去用于测量车辆重量的硬件传感器,同时提供准确的轮边转矩值。
图6示出了根据本公开实施例的基于车辆纵向动力学方程估计车辆的重量的方法的流程图。
在步骤S621,针对车辆纵向动力学方程创建具有遗忘因子的最小二乘递归方程(RLS)。这里,车辆纵向动力学方程可以是以上等式(1)或(2)中所示的方程。
在步骤S622,使用具有遗忘因子的最小二乘递归方程(RLS)进行迭代计算,获得车辆的重量。
在一些实施例中,具有遗忘因子的最小二乘递归方程(RLS)可以被表示为:
L(k)表示每次迭代计算的增益,
P(k)表示RLS计算的中间变量,并且
λ为遗忘因子且0<λ<1。在一些实施例中,λ被设置为0.97。
根据本公开的实施例,利用RLS算法能够更准确地估计车辆的重量。
此外,如在前文描述的车辆纵向动力学方程所示,道路坡度角β是用于估计车辆重量的一个关键参数,与车辆重量高度耦合,坡度角参数误差如果达到20%,那么重量估计结果误差会达到50%。在一些实施例中,道路坡度角β可以通过车辆传感器获得。在另一些实施例中,道路坡度角β可以基于扩展卡尔曼滤波(EKF)来估计。
将在下文中详细描述基于扩展卡尔曼滤波(EKF)估计道路坡度角β的方法。
图7示出了根据本公开实施例的基于扩展卡尔曼滤波(EKF)估计道路坡度角的方法700的流程图。
在步骤S710,根据EKF的系统状态方程和EKF的系统测量方程估计道路坡度角。在一些实施例中,用于估计道路坡度角的系统状态方程为:
假设EKF的系统噪声向量和测量噪声向量分别为W和V,并且W和V可以是相互独立、且均值均为零的高斯白噪声,得到EKF的系统状态方程为:
此外,得到EKF的系统测量方程为:
在以上等式(12)中,v(k)、v(k-1)分别为第k次、第k-1次迭代计算出的车辆速度,Δt表示实际使用EKF时的迭代计算的周期,β(k)、β(k-1)、β(k-2)和β(k-3)分别为第k次、第k-1次、第k-2次、第k-3次迭代计算出的道路坡度角。在一些实施例中,如果存在由车辆传感器获得的道路坡度角,则将β(k)、β(k-1)、β(k-2)和β(k-3)的初始值设置为由车辆传感器获得的道路坡度角。如果不存在由车辆传感器获得的道路坡度角,则将β(k)、β(k-1)、β(k-2)和β(k-3)的初始值设置为0。除此之外,等式(12)中其他参数与等式(1)中的相同参数表示的物理意义相同。
在以上等式(13)中,z(k)表示EKF将要测量的车辆速度,H为测量矩阵,当存在由传感器获得的道路坡度角时H=[1 1],当不存在由传感器获得的道路坡度角时H=[1 0]。
根据一个实施例,基于扩展卡尔曼滤波(EKF)估计道路坡度角的方法700还可以包括步骤S720。
在步骤S720中,在利用EKF进行迭代计算时,利用EKF的时间更新方程和测量更新方程对EKF进行更新。具体地,通过组合等式(12)和等式(13)得到EKF的状态空间表达式:
其中,x(k)=[v(k),β(k)]′,f(x(k-1))是过程状态非线性函数,f(x(k-1))表示等式(12)中的表达式
EKF在进行迭代计算时,需要将f(x(k-1))线性化,因此每次更新需要计算雅克比(Jacobian)矩阵F(k):
假设EKF的系统噪声协方差矩阵为Q,得到EKF的时间更新方程为:
假设EKF的测量噪声协方差矩阵为R,得到EKF的测量更新方程为:
根据本公开的实施例,基于EKF估计道路坡度角可以在减少用于测量道路坡度角的硬件传感器成本的同时,提供准确的道路坡度角。
根据本公开的实施例,传感数据采集和速度-指令-轮边转矩标定表制作可以是在离线状态下进行的,而车辆重量估计和道路坡度角估计可以是在线进行的。基于速度-指令-轮边转矩标定表,可以为车辆重量估计和道路坡度角估计提供轮边转矩信息。此外,在每个车辆工作周期内,车辆重量估计和道路坡度角估计均独立并行地进行迭代计算。在每个车辆工作周期内,车辆重量估计的重量值作为道路坡度角估计下个计算周期的内部参数,同理,道路坡度角估计的道路坡度角作为车辆重量估计下个计算周期的内部参数。
根据本公开的实施例能够提供准确的车辆重量以及道路坡度角信息。在大型重载车辆能量优化应用中,准确的重量和坡度角信息可以支持车辆整车控制器合理地进行能量分配,降低能量消耗,大幅度提高自动驾驶车辆续航里程。此外,根据本公开的实施例能够替代同等精度的车辆重量传感器,大幅度降低硬件成本。
图8示出了根据本公开实施例的用于估计车辆重量的装置800的框图。
如图8所示,用于估计车辆重量的装置800包括轮边转矩值获得模块810和重量估计模块820。
轮边转矩值获得模块810被配置为根据车辆的当前速度和针对车辆的控制指令,使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值。在一些实施例中,速度-指令-轮边转矩映射关系可以包括速度-指令-轮边转矩标定表。在一些实施例中,速度-指令-轮边转矩标定表可以根据先前采集的车辆控制指令和与车辆控制指令相对应的车辆传感数据预先确定。
重量估计模块820被配置为利用所获得的轮边转矩值,基于车辆纵向动力学方程估计车辆的重量。在一些实施例中,车辆纵向动力学方程可以是基于车辆行驶状态数据创建的,并且车辆行驶状态数据可以包括以下中的至少一个:车辆速度v、车辆加速度转动惯量J、角加速度和道路坡度角β。
在一些实施例中,轮边转矩值获得模块810可以包括第一子模块、第二子模块和第三子模块。第一子模块根据车辆的当前速度和控制指令,确定速度-指令-轮边转矩映射关系中当前速度所属的标定区间以及控制指令所属的标定区间。第二子模块根据速度-指令-轮边转矩映射关系,基于当前速度所属的标定区间以及控制指令所属的标定区间,分别得到与所确定的标定区间相对应的多个轮边转矩值。第三子模块根据多个轮边转矩值计算与车辆当前的速度和控制指令相对应的轮边转矩值。
在一些实施例中,重量估计模块820可以包括第四子模块和第五子模块。第四子模块针对车辆纵向动力学方程创建具有遗忘因子的最小二乘递归方程。第五子模块使用具有遗忘因子的最小二乘递归方程进行迭代计算,获得车辆的重量。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如用于估计车辆重量的方法。例如,在一些实施例中,用于估计车辆重量的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的用于估计车辆重量的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于估计车辆重量的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种估计车辆重量的方法,包括:
根据所述车辆的当前速度和针对所述车辆的控制指令,使用速度-指令-轮边转矩映射关系获得所述车辆的轮边转矩值;以及
利用所获得的轮边转矩值,基于车辆纵向动力学方程估计所述车辆的重量。
2.根据权利要求1所述的方法,其中,所述使用速度-指令-轮边转矩映射关系获得车辆的轮边转矩值包括:
根据车辆的当前速度和所述控制指令,确定所述速度-指令-轮边转矩映射关系中所述当前速度所属的标定区间以及控制指令所属的标定区间;
根据所述速度-指令-轮边转矩映射关系,基于所述当前速度所属的标定区间以及控制指令所属的标定区间,分别得到与所确定的标定区间相对应的多个轮边转矩值;以及
根据所述多个轮边转矩值计算与车辆当前的速度和控制指令相对应的轮边转矩值。
4.根据权利要求1所述的方法,其中,所述基于所述车辆纵向动力学方程估计车辆的重量包括:
针对所述车辆纵向动力学方程创建具有遗忘因子的最小二乘递归方程;
使用所述具有遗忘因子的最小二乘递归方程进行迭代计算,获得车辆的重量。
6.根据权利要求5所述的方法,其中,所述道路坡度角是基于扩展卡尔曼滤波EKF估计出的。
7.根据权利要求6所述的方法,其中,基于扩展卡尔曼滤波EKF估计道路坡度角包括:
根据EKF的系统状态方程和EKF的系统测量方程估计道路坡度角,
所述系统状态方程为:
其中,
m为车辆重量,单位为kg,
v为车辆速度,单位为m/s,
v(k)、v(k-1)分别为第k次、第k-1次迭代计算出的车辆速度,
Δt表示实际使用EKF时的迭代计算的周期;
J为车辆的转动惯量,单位为kg·m2,
Twheel为车辆的轮边转矩,单位为N·m,
r为所述车辆的车轮滚动半径,单位为m,
β为道路坡度角,单位为rad,
β(k)、β(k-1)、β(k-2)和β(k-3)分别为第k次、第k-1次、第k-2次、第k-3次迭代计算出的道路坡度角,
μ为滚动阻力系数,
g为重力加速度,单位为m/s2,以及
W为EKF的系统噪声向量,
所述EKF的系统测量方程为:
其中,
z(k)表示EKF将要测量的车辆速度,
V为EKF的测量噪声向量,
H为测量矩阵,当存在由传感器获得的道路坡度角时H=[1 1],当不存在由传感器获得的道路坡度角时H=[1 0]。
8.根据权利要求7所述的方法,其中所述系统噪声向量W和所述测量噪声向量V是相互独立、且均值均为零的高斯白噪声。
9.根据权利要求1所述的方法,其中,所述速度-指令-轮边转矩映射关系是根据先前采集的车辆控制指令和与所述车辆控制指令相对应的车辆传感数据预先确定的,
其中所述车辆传感数据包括由车辆传感器采集的车辆速度。
10.一种估计车辆重量的装置,包括:
轮边转矩值获得模块,被配置为根据所述车辆的当前速度和针对所述车辆的控制指令,使用速度-指令-轮边转矩映射关系获得所述车辆的轮边转矩值;
重量估计模块,被配置为利用所获得的轮边转矩值,基于车辆纵向动力学方程估计所述车辆的重量。
11.根据权利要求10所述的装置,其中,所述轮边转矩值获得模块包括:
第一子模块,根据车辆的当前速度和所述控制指令,确定所述速度-指令-轮边转矩映射关系中所述当前速度所属的标定区间以及控制指令所属的标定区间;
第二子模块,根据所述速度-指令-轮边转矩映射关系,基于所述当前速度所属的标定区间以及控制指令所属的标定区间,分别得到与所确定的标定区间相对应的多个轮边转矩值;以及
第三子模块,根据所述多个轮边转矩值计算与车辆当前的速度和控制指令相对应的轮边转矩值。
13.根据权利要求10所述的装置,其中,所述重量估计模块包括:
第四子模块,针对所述车辆纵向动力学方程创建具有遗忘因子的最小二乘递归方程;
第五子模块,使用所述具有遗忘因子的最小二乘递归方程进行迭代计算,获得车辆的重量。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650457.7A CN113392518B (zh) | 2021-06-08 | 估计车辆重量的方法和装置 | |
KR1020227021688A KR20220099577A (ko) | 2021-06-08 | 2021-10-09 | 차량 중량을 추정하는 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 |
PCT/CN2021/122796 WO2022257310A1 (zh) | 2021-06-08 | 2021-10-09 | 估计车辆重量的方法和装置 |
JP2022538073A JP7351012B2 (ja) | 2021-06-08 | 2021-10-09 | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650457.7A CN113392518B (zh) | 2021-06-08 | 估计车辆重量的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392518A true CN113392518A (zh) | 2021-09-14 |
CN113392518B CN113392518B (zh) | 2024-05-17 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264356A (zh) * | 2021-12-23 | 2022-04-01 | 东方世纪科技股份有限公司 | 一种基于边缘计算的动态车辆称重系统及方法 |
WO2022257310A1 (zh) * | 2021-06-08 | 2022-12-15 | 阿波罗智联(北京)科技有限公司 | 估计车辆重量的方法和装置 |
JP7351012B2 (ja) | 2021-06-08 | 2023-09-26 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0401650D0 (sv) * | 2004-06-24 | 2004-06-24 | Scania Cv Abp | Vehicle weight estimation |
WO2013075280A1 (en) * | 2011-11-22 | 2013-05-30 | Robert Bosch Gmbh | Vehicle mass estimation method and system |
US20160203660A1 (en) * | 2015-01-14 | 2016-07-14 | Tata Consultancy Services Limited | System and method for estimating speed of a vehicle |
CN106853826A (zh) * | 2015-12-08 | 2017-06-16 | 上海汽车集团股份有限公司 | 混合动力车辆控制方法及装置 |
CN107117178A (zh) * | 2017-05-23 | 2017-09-01 | 重庆大学 | 考虑换挡和道路坡度因素的车辆质量估计方法 |
CN107247824A (zh) * | 2017-05-23 | 2017-10-13 | 重庆大学 | 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 |
CN108944935A (zh) * | 2018-05-31 | 2018-12-07 | 重庆大学 | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 |
CN110920415A (zh) * | 2019-12-13 | 2020-03-27 | 华人运通(江苏)技术有限公司 | 一种车辆扭矩的补偿方法、装置、汽车及存储介质 |
CN110962597A (zh) * | 2019-12-20 | 2020-04-07 | 重庆长安工业(集团)有限责任公司深圳分公司 | 基于车速的油门提示方法及相关装置 |
CN110987470A (zh) * | 2019-12-06 | 2020-04-10 | 吉林大学 | 一种基于模型迭代的汽车质量在线估计方法 |
CN111507019A (zh) * | 2020-05-06 | 2020-08-07 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
CN111605559A (zh) * | 2019-02-25 | 2020-09-01 | 郑州宇通客车股份有限公司 | 一种整车质量估算方法、扭矩控制方法及装置 |
CN112417365A (zh) * | 2020-11-03 | 2021-02-26 | 江苏大学 | 一种基于扩展卡尔曼滤波的自动驾驶卡车质量估算方法 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0401650D0 (sv) * | 2004-06-24 | 2004-06-24 | Scania Cv Abp | Vehicle weight estimation |
DE112005001072T5 (de) * | 2004-06-24 | 2007-05-03 | Scania Cv Ab (Publ) | Verfahren, System, Computerprogramm und elektronische Steuereinheit zum Schätzen des Gewichts eines Fahrzeugs |
WO2013075280A1 (en) * | 2011-11-22 | 2013-05-30 | Robert Bosch Gmbh | Vehicle mass estimation method and system |
US20160203660A1 (en) * | 2015-01-14 | 2016-07-14 | Tata Consultancy Services Limited | System and method for estimating speed of a vehicle |
CN106853826A (zh) * | 2015-12-08 | 2017-06-16 | 上海汽车集团股份有限公司 | 混合动力车辆控制方法及装置 |
CN107247824A (zh) * | 2017-05-23 | 2017-10-13 | 重庆大学 | 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 |
CN107117178A (zh) * | 2017-05-23 | 2017-09-01 | 重庆大学 | 考虑换挡和道路坡度因素的车辆质量估计方法 |
CN108944935A (zh) * | 2018-05-31 | 2018-12-07 | 重庆大学 | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 |
CN111605559A (zh) * | 2019-02-25 | 2020-09-01 | 郑州宇通客车股份有限公司 | 一种整车质量估算方法、扭矩控制方法及装置 |
CN110987470A (zh) * | 2019-12-06 | 2020-04-10 | 吉林大学 | 一种基于模型迭代的汽车质量在线估计方法 |
CN110920415A (zh) * | 2019-12-13 | 2020-03-27 | 华人运通(江苏)技术有限公司 | 一种车辆扭矩的补偿方法、装置、汽车及存储介质 |
CN110962597A (zh) * | 2019-12-20 | 2020-04-07 | 重庆长安工业(集团)有限责任公司深圳分公司 | 基于车速的油门提示方法及相关装置 |
CN111507019A (zh) * | 2020-05-06 | 2020-08-07 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
CN112417365A (zh) * | 2020-11-03 | 2021-02-26 | 江苏大学 | 一种基于扩展卡尔曼滤波的自动驾驶卡车质量估算方法 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
Non-Patent Citations (1)
Title |
---|
李尊等: "重型商用车质量和道路坡度估算方法", 《重型汽车》, pages 19 - 20 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022257310A1 (zh) * | 2021-06-08 | 2022-12-15 | 阿波罗智联(北京)科技有限公司 | 估计车辆重量的方法和装置 |
JP7351012B2 (ja) | 2021-06-08 | 2023-09-26 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム |
CN114264356A (zh) * | 2021-12-23 | 2022-04-01 | 东方世纪科技股份有限公司 | 一种基于边缘计算的动态车辆称重系统及方法 |
CN114264356B (zh) * | 2021-12-23 | 2024-04-26 | 东方世纪科技股份有限公司 | 一种基于边缘计算的动态车辆称重系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022257310A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10093321B1 (en) | System and method for calibrating parameters of tires | |
CN111879957B (zh) | 基于模糊逻辑和增强机器学习的车辆动力学测定 | |
CN111873991B (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
CN113183975B (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
CN110850895A (zh) | 一种路径跟踪方法、装置、设备及存储介质 | |
CN115900695A (zh) | 一种应用于车辆的智能泊车车辆定位的方法 | |
CN114179825A (zh) | 多传感器融合获取量测值置信度方法及自动驾驶车辆 | |
CN114312843B (zh) | 用于确定信息的方法和装置 | |
CN111186445B (zh) | 自动驾驶车辆横向控制方法及其系统 | |
CN113306570B (zh) | 用于控制自动驾驶车辆的方法、装置和自动驾驶配送车 | |
CN113127489A (zh) | 数据表更新方法和装置 | |
CN113392518B (zh) | 估计车辆重量的方法和装置 | |
CN113392518A (zh) | 估计车辆重量的方法和装置 | |
CN115991187B (zh) | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 | |
JP7351012B2 (ja) | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN114987607B (zh) | 一种车辆的转向控制方法、装置、设备及存储介质 | |
CN113734182A (zh) | 一种车辆自适应控制方法及其装置 | |
CN115235527A (zh) | 传感器外参标定方法、装置以及电子设备 | |
CN114771283A (zh) | 一种爬行控制方法、装置、电动汽车和存储介质 | |
CN114852089A (zh) | 一种车辆行驶控制方法、装置、电子设备及存储介质 | |
CN114620074A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN117289686B (zh) | 一种参数标定方法、装置、电子设备及存储介质 | |
CN117261916A (zh) | 一种侧向车速估算方法 | |
CN115503812A (zh) | 一种路感模拟方法、装置、电子设备以及存储介质 | |
CN117302266A (zh) | 基于轨迹跟踪的车辆控制方法、系统、装置、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 |