CN113771864B - 一种基于人工智能的新能源车辆侧翻预警方法 - Google Patents

一种基于人工智能的新能源车辆侧翻预警方法 Download PDF

Info

Publication number
CN113771864B
CN113771864B CN202110676169.9A CN202110676169A CN113771864B CN 113771864 B CN113771864 B CN 113771864B CN 202110676169 A CN202110676169 A CN 202110676169A CN 113771864 B CN113771864 B CN 113771864B
Authority
CN
China
Prior art keywords
rollover
early warning
vehicle
transfer rate
load transfer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110676169.9A
Other languages
English (en)
Other versions
CN113771864A (zh
Inventor
抄佩佩
戴宏亮
唐洪
程端前
张芮源
王祎嵽
胡阳鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
China Automotive Engineering Research Institute Co Ltd
Original Assignee
Hunan University
China Automotive Engineering Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University, China Automotive Engineering Research Institute Co Ltd filed Critical Hunan University
Priority to CN202110676169.9A priority Critical patent/CN113771864B/zh
Publication of CN113771864A publication Critical patent/CN113771864A/zh
Application granted granted Critical
Publication of CN113771864B publication Critical patent/CN113771864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于人工智能的新能源车辆侧翻预警方法，该方法包括如下步骤：建立理想的、反映车辆侧翻规律的侧翻力学模型；根据对于侧翻力学模型的分析结论，选择合适的参数作为侧翻预警模型的输入参数；选取横向载荷转移率作为侧翻预警指标，并将结果划分为5类；通过多层神经网络训练同时调整超参数后，实现输入相应参数后输出预测的载荷转移率；基于步骤四得到的载荷转移率确定步长后预测下一时刻的载荷转移率，若达到侧翻条件，则计算TTR时间并输出；若在时间阈值内未达到侧翻条件，则进入下一轮预警。本发明的有益效果如下：保证了预警的准确性和普适性；比普通的动态门限值具有更好的实时性；提高了预警效率。

Description

一种基于人工智能的新能源车辆侧翻预警方法
技术领域
本发明涉及新能源预警技术领域，具体涉及一种基于人工智能的新能源车辆侧翻预警方法。
背景技术
近几十年以来，随着车辆尺寸和重量的增加，翻车事故的数量也在增加。翻车事故的危险程度较高，其死亡率要比其他类型的车辆事故更高。根据美国国家公路交通安全管理局(National Highway Traffic Safety Administration)的记录，在2010年发生了近910万人次乘用车，SUV，卡车和货车事故，但仅有2.1％涉及翻车事故。但是，那年仍有7600多人死于翻车事故，几乎占乘用车事故死亡人数的35％。
车辆侧翻是指车辆在行驶过程中绕纵轴转动90°或更大的角度以至使车身和地面相接触的危险侧向运动。一般车辆侧翻分为两种：一种是绊倒侧翻，即车辆行驶时发生侧向滑移，与路面上的障碍物侧向撞击而将其“绊倒”；一种是曲线运动引起的侧翻，即车辆在道路上行驶时，车辆侧向加速度超过门限值，使内侧车轮垂直反力为零引起侧翻。其中大型卡车和大型半挂车的重心高，质量大且体积大，并且轴距相对于车辆高度而言太窄，因此容易发生侧翻事故。同时，由于大型半挂车的牵引车与挂车之间的连接很复杂，极易在驾驶员尚未意识到的情况下发生一系列危险事故。由此可见，通过对车辆侧翻预警系统进行研究来减少同类型车辆事故的发生是十分必要的。
发明内容
本发明的目的在于提供一种基于人工智能的新能源车辆侧翻预警方法，其通过人工智能来进一步提高车辆侧翻预警系统的可靠性，以便于减少车辆侧翻事故的发生，提高行车安全性，从而可以解决背景技术中涉及的技术问题。
本发明的技术方案为：
一种基于人工智能的新能源车辆侧翻预警方法，该方法包括如下步骤：
步骤一、建立理想的、反映车辆侧翻规律的侧翻力学模型；
步骤二、根据对于侧翻力学模型的分析结论，选择合适的参数作为侧翻预警模型的输入参数；
步骤三、选取横向载荷转移率作为侧翻预警指标，并将结果划分为5类；
步骤四、通过多层神经网络训练同时调整超参数后，实现输入相应参数后输出预测的载荷转移率；
步骤五、基于步骤四得到的载荷转移率确定步长后预测下一时刻的载荷转移率，若达到侧翻条件，则执行步骤六；若在时间阈值内未达到侧翻条件，则执行步骤七；
步骤六、计算TTR时间并输出；
步骤七、进入下一轮预警。
作为本发明的一种优选改进，在步骤一中，侧翻力学模型基于如下假设：
假设车辆的质心纵向速度为常数；
不考虑车辆的垂向运动；
假设车辆在理想的水平路面行驶；
不考虑空气动力学的影响；
忽略悬架的非线性特性、前后轴的不对称的影响；
忽略因轮胎的回正力矩和左右车轮载荷变化对轮胎特性的影响。
作为本发明的一种优选改进，在步骤二中，所述的参数包括横向加速度、轮距、电池质心高度与整车质心高度比以及电池箱重量。
作为本发明的一种优选改进，在步骤三中，所述的5类包括：0≤LTR＜0.2将侧翻指标记为1；0.2≤LTR＜0.4将侧翻指标记为2；0.4≤LTR＜0.6将侧翻指标记为3；0.6≤LTR＜0.8将侧翻指标记为4；0.8≤LTR≤1将侧翻指标记为5，侧翻指标越小表示侧翻的风险越小，当LTR＝1时表示有一侧车轮已经离开地面，其中，LTR为载荷转移率。
作为本发明的一种优选改进，在步骤四中，神经网络含有两个隐藏层，每个隐藏层共有10个神经元，通过数据库来训练神经网络，其中训练集与验证集的比例为4:1。
作为本发明的一种优选改进，所述超参数包括循环次数、批尺寸、学习率、优化算法以及损失函数。
作为本发明的一种优选改进，在步骤五中，侧翻指标为1时，步长T1＝200ms；侧翻指标为2时，步长T2＝150ms；侧翻指标为3时，步长T3＝100ms；侧翻指标为4时，步长T4＝75ms；侧翻指标为5时，步长T5＝50ms。
本发明的有益效果如下：
1、预警模型选取横向加速度、轮距、电池质心高度与整车质心高度比和电池箱重量作为输入来得到车辆的实时载荷转移率，保证了预警的准确性和普适性；
2、通过机器学习预测的方法可以避免实时计算，进一步提高效率同时降低了计算成本，比普通的动态门限值具有更好的实时性；
3、通过将LTR结果细化，共分为5类记为侧翻指标，并应用多层神经网络实时预测该时刻下的侧翻指标，同时使用可变步长Ti来计算TTR时间，提高了预警效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为本发明基于TTR的算法流程图；
图2为三自由度汽车模型的左右轮示意图；
图3为三自由度汽车模型的前后轮示意图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供一种基于人工智能的新能源车辆侧翻预警方法，该方法包括如下步骤：
步骤一、建立理想的、反映车辆侧翻规律的侧翻力学模型；
具体的，侧翻力学模型基于如下假设：假设车辆的质心纵向速度为常数；不考虑车辆的垂向运动；假设车辆在理想的水平路面行驶；不考虑空气动力学的影响；忽略悬架的非线性特性、前后轴的不对称的影响；忽略因轮胎的回正力矩和左右车轮载荷变化对轮胎特性的影响。应用达朗贝尔原理，将侧翻动力学问题转换成为静力学平衡问题。通过分析易知，垂直轴方向、水平轴方向受力平衡。列出对轴的力矩平衡静力学方程，建立简易模型，分析影响车辆侧倾、侧翻稳定性的主要因素。
结合图2和3所示，需要进一步说明的是，下面对各项参数进行说明：其中C是车载部分质心，Φ为侧倾角，O为非车载部分质心，husm是非车载部分质心到地面的高度，hsm是车载部分质心到非车载部分质心距离，vx是纵向速度，vy是横向速度，δ为前轮转向角，β为质心侧偏角，L1为质心到前轴距离，L2为质心到后轴距离，a1为前轮侧偏角，a2为后轮侧偏角，Ff为地面给前轮的侧偏力，Fr为地面给后轮的侧偏力。
可列出汽车的基本动力学方程，其中δ，Φ，vx可以由传感器测得，作为已知量直接代入。
Figure BDA0003120653690000041
Figure BDA0003120653690000042
Figure BDA0003120653690000043
Figure BDA0003120653690000044
其中ay为横向加速度；w是横摆角速度；k1为前轮等效侧偏刚度；k2为后轮等效侧偏刚度。
对车辆模型的0点取矩，分析侧倾模型，应用达朗贝尔原理，列出平衡方程：
Figure BDA00031206536900000410
Figure BDA0003120653690000045
上式中：m为整车质量；ms为车载部分质量；IZZ为垂向转动惯量。
为了降低测量难度，在此假设初始
Figure BDA0003120653690000046
和/>
Figure BDA0003120653690000047
为零，同时忽略悬架的非线性因素，前后轴不同特性对预警算法的影响。
联立上述基本动力学方程和平衡方程代入已知量方向盘转角δ，经过推导计算可以得到重要物理量横摆角速度w。
单独对汽车车载部分进行分析，对质心0点取矩，可得动力学方程：
Figure BDA0003120653690000048
假设
Figure BDA0003120653690000049
则有：
hsm＝CΦ/(msvxwcosΦ+msgsinΦ)
H＝hsmcosΦ+husm
其中：C为悬架等效阻尼系数；H为质心高度；Ixx为纵向转动惯量。
前面已经推导出由方向盘转角δ表示的w，侧倾角Φ可由传感器测出，得出车载部分高度hsm，由下述等式求得整车质心高度H。方程中含有侧倾角Φ，仅当汽车发生低速稳定转向时，才存在稳定的侧倾角，所以，自动计算质心高度，需满足汽车低速稳定转向的条件。在计算质心高度时，由于是在低速稳定转向工况下进行的，滞后性较弱，可以采用侧倾角传感器测量值。
Figure BDA0003120653690000051
当汽车达到侧翻临界状态时，内侧车轮垂向载荷为零，将侧倾角Φ设为最大值Φmax，计算出横向加速度aymax。
本模型分析选取横向载荷转移率(LTR)作为车辆侧翻预警参数。LTR的定义是左右车轮垂向载荷之差的绝对值与左右车轮垂向载荷之和的比值，其定义式如下：
Figure BDA0003120653690000052
步骤二、根据对于侧翻力学模型的分析结论，选择合适的参数作为侧翻预警模型的输入参数；
具体的，所述的参数包括横向加速度、轮距、电池质心高度与整车质心高度比以及电池箱重量。
步骤三、选取横向载荷转移率作为侧翻预警指标，并将结果划分为5类；
具体的，基于侧翻指标的分类，在改进的TTR侧翻预警模型中，将预警时间阈值X取为5s，我们把计算侧翻时间TTR的步长值Ti(i＝1，2，3，4，5)也进行分类(传统TTR中步长为固定值)，具体分类如下：
侧翻指标为1时，步长T1＝100ms；侧翻指标为2时，步长T2＝80ms；侧翻指标为3时，步长T3＝60ms；侧翻指标为4时，步长T4＝40ms；侧翻指标为5时，步长T5＝20ms；这样分类的合理性在于，侧翻指标越小表示当前的侧翻风险越小，那么对应地，在计算n×Ti时刻的预警指标LTR时可以相对设置较大步长，提高预警效率。相反的，当侧翻指标较大时可以相对设置较小步长，因为侧翻指标较大表明侧翻风险高，较小的步长可以实现短时间内的多次检测，一旦达到侧翻条件，立刻预警。
将LTR的结果划分为5类，0≤LTR＜0.2将侧翻指标记为1；0.2≤LTR＜0.4将侧翻指标记为2；0.4≤LTR＜0.6将侧翻指标记为3；0.6≤LTR＜0.8将侧翻指标记为4；0.8≤LTR≤1将侧翻指标记为5，侧翻指标越小表示侧翻的风险越小，当LTR＝1时表示有一侧车轮已经离开地面。神经网络部分是通过Python3.7中TensorFlow2.0框架构建的，进一步在PC端利用GPU(Nvidia 1650ti)完成迭代计算。
步骤四、通过多层神经网络训练同时调整超参数后，实现输入相应参数后输出预测的载荷转移率；
具体的，神经网络含有两个隐藏层，每个隐藏层共有10个神经元，通过数据库来训练神经网络，其中训练集与验证集的比例为4:1。所述超参数包括循环次数、批尺寸、学习率、优化算法以及损失函数。
步骤五、基于步骤四得到的载荷转移率确定步长后预测下一时刻的载荷转移率，若达到侧翻条件，则执行步骤六；若在时间阈值内未达到侧翻条件，则执行步骤七；
步骤六、计算TTR时间并输出；
步骤七、进入下一轮预警。
本发明的有益效果如下：
1、预警模型选取横向加速度、轮距、电池质心高度与整车质心高度比和电池箱重量作为输入来得到车辆的实时载荷转移率，保证了预警的准确性和普适性；
2、通过机器学习预测的方法可以避免实时计算，进一步提高效率同时降低了计算成本，比普通的动态门限值具有更好的实时性；
3、通过将LTR结果细化，共分为5类记为侧翻指标，并应用多层神经网络实时预测该时刻下的侧翻指标，同时使用可变步长Ti来计算TTR时间，提高了预警效率。
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。

Claims (3)

1.一种基于人工智能的新能源车辆侧翻预警方法，其特征在于，该方法包括如下步骤：
步骤一、建立理想的、反映车辆侧翻规律的侧翻力学模型，侧翻力学模型基于如下假设：
假设车辆的质心纵向速度为常数；
不考虑车辆的垂向运动；
假设车辆在理想的水平路面行驶；
不考虑空气动力学的影响；
忽略悬架的非线性特性、前后轴的不对称的影响；
忽略因轮胎的回正力矩和左右车轮载荷变化对轮胎特性的影响；
步骤二、根据对于侧翻力学模型的分析结论，选择合适的参数作为侧翻预警模型的输入参数，所述的参数包括横向加速度、轮距、电池质心高度与整车质心高度比以及电池箱重量；
步骤三、选取横向载荷转移率作为侧翻预警指标，并将结果划分为5类；
步骤四、通过多层神经网络训练同时调整超参数后，实现输入相应参数后输出预测的载荷转移率，所述超参数包括循环次数、批尺寸、学习率、优化算法以及损失函数；神经网络含有两个隐藏层，每个隐藏层共有10个神经元，通过数据库来训练神经网络，其中训练集与验证集的比例为4:1；
步骤五、基于步骤四得到的载荷转移率确定步长后预测下一时刻的载荷转移率，若达到侧翻条件，则执行步骤六；若在时间阈值内未达到侧翻条件，则执行步骤七；
步骤六、计算TTR时间并输出；
步骤七、进入下一轮预警。
2.根据权利要求1所述的一种基于人工智能的新能源车辆侧翻预警方法，其特征在于：在步骤三中，所述的5类包括：0≤LTR＜0.2将侧翻指标记为1；0.2≤LTR＜0.4将侧翻指标记为2；0.4≤LTR＜0.6将侧翻指标记为3；0.6≤LTR＜0.8将侧翻指标记为4；0.8≤LTR≤1将侧翻指标记为5，侧翻指标越小表示侧翻的风险越小，当LTR=1时表示有一侧车轮已经离开地面，其中，LTR为载荷转移率。
3.根据权利要求1所述的一种基于人工智能的新能源车辆侧翻预警方法，其特征在于：在步骤五中，侧翻指标为1时，步长T1=200ms；侧翻指标为2时，步长T2=150ms；侧翻指标为3时，步长T3=100ms；侧翻指标为4时，步长T4=75ms；侧翻指标为5时，步长T5=50ms。
CN202110676169.9A 2021-06-18 2021-06-18 一种基于人工智能的新能源车辆侧翻预警方法 Active CN113771864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110676169.9A CN113771864B (zh) 2021-06-18 2021-06-18 一种基于人工智能的新能源车辆侧翻预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110676169.9A CN113771864B (zh) 2021-06-18 2021-06-18 一种基于人工智能的新能源车辆侧翻预警方法

Publications (2)

Publication Number Publication Date
CN113771864A CN113771864A (zh) 2021-12-10
CN113771864B true CN113771864B (zh) 2023-06-23

Family

ID=78835804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110676169.9A Active CN113771864B (zh) 2021-06-18 2021-06-18 一种基于人工智能的新能源车辆侧翻预警方法

Country Status (1)

Country Link
CN (1) CN113771864B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114506313B (zh) * 2022-03-14 2023-10-03 清华大学 结合视觉预瞄的车辆防侧翻协调控制方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6002975A (en) * 1998-02-06 1999-12-14 Delco Electronics Corporation Vehicle rollover sensing
CN111674387A (zh) * 2020-05-27 2020-09-18 南京航空航天大学 一种基于导数迭代预测产生新型侧翻预警指标的方法
CN112330843A (zh) * 2020-10-26 2021-02-05 北京理工大学 一种基于在线变步长的车辆状态预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108099919B (zh) * 2017-11-09 2019-01-29 珠海格力电器股份有限公司 车辆防侧翻预警方法、装置、存储介质及车辆
CN110126844B (zh) * 2019-05-19 2021-06-04 浙江大学 一种用于汽车防侧翻的ecas系统自适应控制方法
CN111645698B (zh) * 2020-05-23 2022-02-22 东南大学 一种重载车辆侧翻阈值自适应估计方法
CN112580148B (zh) * 2020-12-20 2022-11-18 东南大学 基于深度强化学习的重型营运车辆防侧翻驾驶决策方法
CN112699924A (zh) * 2020-12-22 2021-04-23 安徽卡思普智能科技有限公司 一种车辆横向稳定性的识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6002975A (en) * 1998-02-06 1999-12-14 Delco Electronics Corporation Vehicle rollover sensing
CN111674387A (zh) * 2020-05-27 2020-09-18 南京航空航天大学 一种基于导数迭代预测产生新型侧翻预警指标的方法
CN112330843A (zh) * 2020-10-26 2021-02-05 北京理工大学 一种基于在线变步长的车辆状态预测方法

Also Published As

Publication number Publication date
CN113771864A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN110626353B (zh) 一种基于侧倾风险指标的车辆危险状态预警方法
CN112580148B (zh) 基于深度强化学习的重型营运车辆防侧翻驾驶决策方法
CN103407451B (zh) 一种道路纵向附着系数估计方法
CN102165300B (zh) 用于求出汽车重心的方法和设备
CN105667520B (zh) 一种分布式驱动电动车的前轮侧向力估计方法
CN110606079B (zh) 一种分层控制的车辆防侧翻方法及多轴分布式驱动车辆
CN109664890B (zh) 基于svm模型的汽车侧翻预警算法
JP4169082B1 (ja) 車両の横転防止装置
CN103213582A (zh) 基于车身侧倾角估计的防侧翻预警控制方法
Anbazhagan et al. Mathematical modeling and simulation of modern cars in the role of stability analysis
CN102282052A (zh) 车辆状态估计装置
Jin et al. Study on rollover index and stability for a triaxle bus
CN106394561A (zh) 一种车辆的纵向车速的估计方法和装置
Jeong et al. Estimation of tire load and vehicle parameters using intelligent tires combined with vehicle dynamics
Chen et al. A simulation-based comparative study on lateral characteristics of trucks with double and triple trailers
CN113771864B (zh) 一种基于人工智能的新能源车辆侧翻预警方法
CN115946707B (zh) 四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统
Solmaz et al. Online center of gravity estimation in automotive vehicles using multiple models and switching
CN106965804A (zh) 一种货车侧翻风险预估的方法
CN111674387B (zh) 一种基于导数迭代预测产生新型侧翻预警指标的方法
CN115406669A (zh) 一种多轴特种车辆侧翻指标优化方法
CN114212074B (zh) 基于路面附着系数估计的车辆主动转向防侧翻控制方法
CN115809590A (zh) 一种对车辆主要动力学参数的估计方法
CN115422837A (zh) 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法
CN113449378A (zh) 一种基于车辆悬架变形量的横向载荷转移率计算方法

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