CN113916565A - 一种方向盘零偏角估计方法、装置、车辆及存储介质 - Google Patents

一种方向盘零偏角估计方法、装置、车辆及存储介质 Download PDF

Info

Publication number
CN113916565A
CN113916565A CN202111519107.3A CN202111519107A CN113916565A CN 113916565 A CN113916565 A CN 113916565A CN 202111519107 A CN202111519107 A CN 202111519107A CN 113916565 A CN113916565 A CN 113916565A
Authority
CN
China
Prior art keywords
vehicle
steering wheel
data set
zero
deflection angle
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
Application number
CN202111519107.3A
Other languages
English (en)
Other versions
CN113916565B (zh
Inventor
汪梦玥
张淳
孙磊
倪凯
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202111519107.3A priority Critical patent/CN113916565B/zh
Publication of CN113916565A publication Critical patent/CN113916565A/zh
Application granted granted Critical
Publication of CN113916565B publication Critical patent/CN113916565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01M17/06—Steering behaviour; Rolling behaviour

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明实施例公开了一种方向盘零偏角估计方法、装置、车辆及存储介质。该方法包括：获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。本发明实施例的技术方案，解决了车辆方向盘零偏角需要技术人员在车辆离线状态下才能进行估计的问题，通过改良的自行车运动学模型，在车辆驾驶过程中即可自动进行方向盘零偏角的估计，提升了方向盘零偏角估计效率。

Description

一种方向盘零偏角估计方法、装置、车辆及存储介质
技术领域
本发明实施例涉及车辆安全测量技术领域，尤其涉及一种方向盘零偏角估计方法、装置、车辆及存储介质。
背景技术
当今社会中，随着人口的不断增多和经济的高速发展，车辆保有率逐年增加，对车辆驾驶安全的需求也日益提高。由于传统车辆的机械安装误差以及自动驾驶线控系统中存在的方向盘左右不对称问题，在实际测试开发过程中，研发人员发现车辆中存在恒定的方向盘零偏角，也即在方向盘信号显示为零时，车辆依旧会产生向一侧轻微转弯的现象。
由于测量零偏角的存在会加大直线行驶控制算法中的横向误差，影响车辆在驾驶过程中的安全性，且不同车辆由于机械安装产生的误差常为不同的，为保证驾车用户的驾驶安全，现常由技术人员在车辆出厂时其进行零偏角的离线标定，以满足车辆安全要求。
然而，离线标定零偏角的方法在自动驾驶规模化使用的今天需要大量的人力成本，且由于不同车辆的零偏角误差常存在不同，为优化车辆横向控制效果常需耗费更多的时间成本，难以达成安全性与生产经济性的双赢。
发明内容
本发明提供一种方向盘零偏角估计方法、装置、车辆及存储介质，以根据车辆行驶数据和重新构建的运动学模型对车辆中方向盘零偏角进行自动在线估计，提升了车辆驾驶安全性，降低了人力资源消耗，提升了参数估计效率和经济性。
第一方面，本发明实施例提供了一种方向盘零偏角估计方法，包括：
获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；
若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；
对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；
其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。
进一步地，在获取车辆行驶数据集之后，还包括：
判断车辆行驶数据集是否缺损；
若是，则返回执行获取车辆行驶数据集的步骤；
若否，则确定车辆行驶数据集无异常。
进一步地，在确定车辆行驶数据集无异常之后，还包括：
根据车辆行驶数据集确定车辆的加速度、方向盘转角和车辆行驶位置的道路横向坡度；
若道路横向坡度小于预设坡度阈值，加速度小于预设加速度阈值且方向盘转角小于预设角度阈值，确定车辆行驶数据集满足预设零偏角估计条件；否则，返回执行获取车辆行驶数据集的步骤。
进一步地，运动学模型的预先构建，包括：
将零偏角状态量添加至传统自行车运动学模型中，生成重构自行车运动学模型；
通过高斯随机噪声对重构自行车运动学模型进行噪声添加，生成加噪自行车运动学模型；
将加噪自行车运动学模型进行离散化处理，并将离散后的加噪自行车运动学模型确定为预先构建的运动学模型。
进一步地，对目标运动学模型进行扩展卡尔曼滤波，包括：
将目标运动学模型中的状态方程和测量方程进行线性化；
将线性化后的状态方程和测量方程代入经典卡尔曼滤波中的预测公式，确定先验状态和先验协方差矩阵；
将先验状态和先验协方差矩阵代入经典卡尔曼滤波中的更新公式，确定后验状态和后验协方差矩阵。
进一步地，根据滤波结果确定方向盘零偏角，包括：
若后验协方差矩阵满足预设收敛条件，则根据后验状态确定方向盘零偏角；
否则，调整预先构建的运动学模型中的噪声参数，并返回执行将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型的步骤。
进一步地，根据滤波结果确定方向盘零偏角之后，还包括：
若在当前采集时刻车辆满足预设存储条件，则存储方向盘零偏角，或利用方向盘零偏角对车辆中存储的方向盘零偏角进行更新。
第二方面，本发明实施例还提供了一种方向盘零偏角估计装置，方向盘零偏角估计装置包括：
行驶数据获取模块，用于获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；
模型生成模块，用于若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；
零偏角确定模块，用于对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；
其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。
第三方面，本发明实施例还提供了一种车辆，车辆包括：
一个或多个控制器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个控制器执行，使得一个或多个控制器实现如上述第一方面的方向盘零偏角估计方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如上述第一方面的方向盘零偏角估计方法。
本发明实施例提供的一种方向盘零偏角估计方法、装置、车辆及存储介质，通过获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。通过采用上述技术方案，在车辆行驶过程中在线获取车辆行驶数据，并将车辆行驶数据代入至预先构建的包含零偏角的自行车运动学模型中，以得到用于确定本车辆方向盘零偏角的目标运动学模型，进而对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定车辆的方向盘零偏角。解决了车辆方向盘零偏角需要技术人员在车辆离线状态下才能进行估计的问题，通过改良的自行车运动学模型，在车辆驾驶过程中即可自动进行方向盘零偏角的估计，提升了方向盘零偏角估计效率，降低了估计所需的人力成本，提升了车辆驾驶安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1是本发明实施例一中的一种方向盘零偏角估计方法的流程图；
图2是本发明实施例二中的一种方向盘零偏角估计方法的流程图；
图3是本发明实施例二中的一种运动学模型的预先构建的流程示例图；
图4是本发明实施例三中的一种方向盘零偏角估计装置的结构示意图；
图5是本发明实施例四中的一种车辆的结构示意图。
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，下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”、“第三 ”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或 B，可以表示：单独存在 A，同时存在 A 和 B，单独存在 B 这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例一提供的一种方向盘零偏角估计方法的流程图，本实施例可适用于对车辆方向盘零偏角进行在线自动估计的情况，该方法可以由方向盘零偏角估计装置来执行，该方向盘零偏角估计装置可以由软件和/或硬件来实现，该方向盘零偏角估计装置可以配置在计算机设备下，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。
如图1所示，本发明实施例一提供的一种方向盘零偏角估计方法，具体包括如下步骤：
S101、获取车辆行驶数据集。
其中，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据。
在本实施例中，车辆行驶数据集具体可理解为包含至少一个车辆中数据采集时刻由车辆中各传感器或控制器所采集的车辆在行驶过程中的运行数据。示例性的，针对同一采集时刻，车辆行驶数据可包括在该采集时刻车辆的方向盘转向角度、当前位置信息、道路横向坡度、质心车速和车辆朝向角等运行数据信息，上述信息仅为本发明实施例给出的部分可选参数，本发明实施例对车辆行驶数据的种类不进行限制。
需要明确的是，车辆对其行驶过程中的各控制器及传感器的信息以预先设定的周期进行采集，在本实施例中，采集时刻具体可理解为车辆每次对控制器和传感器信息进行采集的时刻。
具体的，在车辆行驶过程中，实时采集车辆行驶过程中各控制器及传感器接收和生成的信息，并将同一采集时刻采集到的一组信息确定为同一组车辆行驶数据，并将不同组车辆行驶数据整合为车辆行驶数据集，可选的，本发明实施例中的车辆行驶数据集中至少应包含车辆在当前采集时刻采集到的车辆行驶数据以及上一采集时刻采集到的车辆行驶数据。
S102、若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型。
其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。
在本实施例中，车辆行驶数据集无异常具体可理解为车辆行驶数据集中的车辆行驶数据均为完整的，车辆在车辆行驶数据集中的采集时刻均可正常进入自动驾驶状态。预设零偏角估计条件就可理解为预先设置的，用以根据车辆行驶数据集中的车辆行驶数据判断车辆在当前行驶状态下能否利用车辆行驶数据集中的数据进行方向盘零偏角估计的条件。自行车运动学模型具体可理解为将车辆在垂直方向的运动忽略的，假设车辆结构如自行车一样，前侧两轮胎和后侧两轮胎拥有统一的角度和转速，前轮胎控制车辆转角的用以表征车辆运动状态的模型。零偏角具体可理解为当车辆中方向盘输入信号显示为零时，方向盘的实际输出与零之间的偏差角。预先构建的运动学模型具体可理解为由技术人员预先构建的，将待求的零偏角作为状态量引入至传统自行车运动学模型中后所得的重新构建的自行车运动学模型。目标运动学模型具体可理解为已将预先构建的运动学模型中已知参数替换为车辆行驶数据集中参数后所得的运动学模型。
具体的，在确定车辆行驶数据集中数据完整情况下，确定车辆行驶数据集无异常，再根据车辆行驶数据集中的具体参数确定车辆在当前时刻的行驶状态是否满足预设零偏角估计条件，若满足预设零偏角估计条件，则将车辆行驶数据集中的参数代入至预先构建的包含待估算零偏角的自行车运动学模型中，并将参数代入后的运动学模型确定为目标运动学模型。
在本发明实施例中，将待估计的零偏角作为一个参数引入至原有的自行车运动学模型中，并利用重构后的运动学模型结合车辆行驶数据集中的数据参数构建用以对车辆方向盘零偏角进行估计的目标运动学模型，为车辆方向盘零偏角在线估计提供依据，提升了方向盘零偏角估计效率。
S103、对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角。
在本实施例中，扩展卡尔曼滤波（Extended Kalman Filter，EKF）具体可理解为标准卡尔曼滤波在非线性情形下的一种扩展算法，为一种高效率的递归滤波器。
具体的，将目标运动学模型代入至宽展卡尔曼滤波器中，以对其进行线性化后执行卡尔曼滤波，根据得到的滤波结果对目标运动学模型中引入的零偏角参数进行确定，以得到车辆对应的方向盘零偏角。
本发明实施例通过获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。通过采用上述技术方案，在车辆行驶过程中在线获取车辆行驶数据，并将车辆行驶数据代入至预先构建的包含零偏角的自行车运动学模型中，以得到用于确定本车辆方向盘零偏角的目标运动学模型，进而对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定车辆的方向盘零偏角。解决了车辆方向盘零偏角需要技术人员在车辆离线状态下才能进行估计的问题，通过改良的自行车运动学模型，在车辆驾驶过程中即可自动进行方向盘零偏角的估计，提升了方向盘零偏角估计效率，降低了估计所需的人力成本，提升了车辆驾驶安全性。
实施例二
图2为本发明实施例二提供的一种方向盘零偏角估计方法的流程图，本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化，提供了车辆行驶数据是否异常的判定方法，并明确了对车辆行驶数据集是否满足预设零偏角估计条件的判定方法，通过将目标运动学模型中的状态方程和测量方程进行线性化，并将线性化后的状态方程和测量方程依次代入卡尔曼滤波中的预测公式和更新公式，最终得到目标运动学模型对应的后验状态和后验协方差矩阵，进而根据后验协方差矩阵确定所得结果是否收敛，并在收敛情况下对根据后验状态确定出的方向盘零偏角进行保存。同时，本发明实施例给出了包含零偏角状态量的运动学模型的具体构建方法，为方向盘零偏角的在线估计提供了理论依据，提升了方向盘零偏角的估计效率，减少了人力浪费，同时避免了由技术人员进行零偏角标定而导致的人为偏差，提升了零偏角估计的准确率，提高了车辆驾驶的安全性。
如图2所示，本发明实施例二提供的一种方向盘零偏角估计方法，具体包括如下步骤：
S201、获取车辆行驶数据集。
其中，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据。
S202、判断车辆行驶数据集是否缺损，若是，则返回执行步骤S201，若否，则执行步骤S203。
具体的，通过确定车辆行驶数据集中各车辆行驶数据是否包含所有应获取的车辆行驶信息，如车辆在每一组车辆行驶数据的对应的采集时刻至少应采集到方向盘转向角度、车辆位置信息、所处位置的道路横向坡度、质心车速和朝向角等信息，在上述数据均不存在缺失的情况下可认为车辆在车辆行驶数据集中对应的采集时刻内均可随时进入自动驾驶状态，此时认为车辆行驶数据集未发生缺损，若车辆行驶数据集发生缺损，则可认为车辆行驶数据集中的数据不足以支撑对车辆方向盘零偏角的估计，此时返回执行步骤S201，以在下一采集时刻再次获取车辆行驶数据集，为方向盘零偏角的估计做准备；若车辆行驶数据集未发生缺损，则可认为车辆行驶数据集中的数据已足以支撑对车辆方向盘零偏角的估计，此时执行步骤S203。
S203、确定车辆行驶数据集无异常。
S204、根据车辆行驶数据集确定车辆的加速度、方向盘转角和车辆行驶位置的道路横向坡度。
在本实施例中，道路横向坡度具体可理解为道路路基顶面横向以百分率表示的倾斜度，其对于车辆保持直线行驶所需要的方向盘转角输入有一个恒定的偏差影响。
具体的，根据车辆行驶数据集中相邻两个采集时刻对应的车辆质心速度差，以及相邻两个采集时刻间的时间差确定车辆的加速度；根据车辆行驶数据集中相邻两个采集时刻对应的车辆当前位置信息确定车辆所处道路的道路横向坡度；根据车辆行驶数据集中相邻两个采集时刻对应的车辆方向盘转向角度确定车辆的方向盘平均转角，并将其作为车辆的方向盘转角。
S205、判断道路横向坡度是否小于预设坡度阈值，加速度是否小于预设加速度阈值且方向盘转角是否小于预设角度阈值，若是，则执行步骤S206，若否，则返回执行步骤S201。
在本实施例中，预设坡度阈值、预设加速度阈值与预设角度阈值具体可理解为为使得车辆行驶数据集中的数据满足预先构建的运动学模型的卡尔曼滤波算法应用条件，而预先设置的可认为当对应数据位于上述预设阈值范围内不会对卡尔曼滤波结果造成不好影响的数据范围标准，其具体阈值可根据实际情况进行适应性调整，本发明实施例对此不进行限定。
具体的，由于实际车辆运行时，不同的道路横向坡度对于车辆保持直线行驶所需要的方向盘转角输入有一个恒定的偏差影响，同时根据车辆行驶过程中的手里分析结果，可知不同的横摆角在相同的道路横向坡度内对保持直线行驶的方向盘转角也有不同的影响，为减少上述因素对方向盘零偏角估计的影响，选择运行工况时需要道路横向坡度较小，故需判断道路横向坡度是否小于预设坡度阈值；由于实际车辆运行时，随着车辆加速减速程度的增大对于车辆保持直线行驶所需要的方向盘转角的影响逐渐增大，为保证较好的方向盘零偏角估计效果，需对应用于预先构建的运动学模型中的车辆绝对加速度范围限定在一个较小的范围内，故需判断加速度是否小于预设加速度阈值，可选的，预设加速度阈值可为0.3m/s²，也即需保证车辆行驶数据集中相邻两采集时刻确定出的车辆加速度处于（-0.3，0.3）范围间；由于实际车辆运行时，方形盘零偏角为一恒定值，且该恒定值为方向盘角度为0度左右的转向比值，为保证更好的卡尔曼滤波效果，需对应用于预先构建的运动学模型中的方向盘绝对转角限定在一个较小的范围内，故需判断方向盘转角是否小于预设角度阈值，可选的，预设角度阈值可为5°，也即需保证车辆行驶数据集中相邻两采集时刻的方向盘转角处于（-5，5）的范围间。当车辆行驶数据集中的数据同时满足道路横向坡度小于预设坡度阈值，加速度小于预设加速度阈值且方向盘转角小于预设角度阈值，则可认为车辆行驶数据集中的数据可以用于对车辆方向盘零偏角的估计，此时执行步骤S206；否则，可认为车辆行驶数据集中的数据不能用于对车辆方向盘零偏角的估计，此时返回执行步骤S201，以在下一采集时刻继续获取车辆行驶数据集，以对车辆方向盘零偏角进行估计。
S206、确定车辆行驶数据集满足预设零偏角估计条件。
S207、将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型。
具体的，将车辆行驶数据集中的车辆在世界坐标系下的横向坐标、纵向坐标和朝向角作为状态量，将车辆行驶数据集中的质心车速和方向盘转角作为输入量，以及符合高斯分布的噪声数据分别代入至预先构建的运动学模型中，将代入数据后的运动学模型确定为目标运动学模型。
进一步地，图3为本发明实施例二提供的一种运动学模型的预先构建的流程示例图，如图3所示，具体包括如下步骤：
S301、将零偏角状态量添加至传统自行车运动学模型中，生成重构自行车运动学模型。
示例性的，传统自行车运动学模型可通过下式表示：
Figure DEST_PATH_IMAGE001
Figure 188407DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure 355078DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为车辆在世界坐标系下的横向坐标的一阶导数；
Figure 887690DEST_PATH_IMAGE006
为车辆在世界坐 标系下的横向坐标；
Figure DEST_PATH_IMAGE007
为车辆质心车速；
Figure 522809DEST_PATH_IMAGE008
为车辆质心到后轴的距离；
Figure DEST_PATH_IMAGE009
为车辆质心到前轴 的距离；
Figure 909796DEST_PATH_IMAGE010
为车辆在世界坐标系下的纵向坐标的一阶导数；
Figure DEST_PATH_IMAGE011
为车辆在世界坐标系下 的纵向坐标；
Figure 637581DEST_PATH_IMAGE012
为车辆在世界坐标系下的朝向角的一阶导数；
Figure DEST_PATH_IMAGE013
为车辆在世界坐标系下的 朝向角；
Figure 798435DEST_PATH_IMAGE014
为车辆侧偏角；
Figure DEST_PATH_IMAGE015
为方向盘输入的方向盘转角；
Figure 801026DEST_PATH_IMAGE016
为车辆转向比。
进一步地，针对每一辆车可认为其方向盘零偏角为常数，故可将零偏角作为状态量之一添加至传统自行车运动学模型中，具体的，可将零偏角状态量作为一个未知常量添加至传统自行车运动学模型中，生成的重构自行车运动学模型可通过下式表示：
Figure DEST_PATH_IMAGE017
Figure 527674DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
Figure 596999DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
其中，
Figure 41886DEST_PATH_IMAGE022
为车辆方向盘零偏角的一阶导数，
Figure DEST_PATH_IMAGE023
为车辆方向盘零偏角。
进一步地，可将重构自行车运动学模型中的状态量以4*1矩阵的形式表示为：
Figure 582589DEST_PATH_IMAGE024
可将重构自行车运动学模型中的输入量以2*1矩阵的形式表示为：
Figure DEST_PATH_IMAGE025
可将重构自行车运动学模型中的测量量以3*1矩阵的形式表示为：
Figure 429322DEST_PATH_IMAGE026
进而，可将重构自行车运动学模型的状态方程表示为：
Figure DEST_PATH_IMAGE027
可将重构自行车运动学模型的测量方程表示为：
Figure 905434DEST_PATH_IMAGE028
S302、通过高斯随机噪声对重构自行车运动学模型进行噪声添加，生成加噪自行车运动学模型。
具体的，由于实际测量及滤波过程中需要考虑噪声对输入模型数据的影响，故需在构建用于卡尔曼滤波的重构自行车运动学模型中分别进行过程噪声和测量噪声的建模，其中过程噪声为状态方程中的噪声量，测量噪声为测量方程中的噪声量。
接上述示例，添加噪声后的状态方程可通过下式表示：
Figure DEST_PATH_IMAGE029
Figure 336153DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
Figure 680547DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
Figure 381787DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为符合高斯分布的范围在（0，V）间的过程噪声；
Figure 294379DEST_PATH_IMAGE036
为状态量矩阵中第一 项状态量的一阶导数，也即为
Figure DEST_PATH_IMAGE037
的一阶导数；
Figure 448280DEST_PATH_IMAGE038
为状态量矩阵中第二项状态量的一阶 导数，也即为
Figure 65206DEST_PATH_IMAGE011
的一阶导数；
Figure DEST_PATH_IMAGE039
为状态量矩阵中第三项状态量的一阶导数，也即为
Figure 853908DEST_PATH_IMAGE013
的 一阶导数；
Figure 593194DEST_PATH_IMAGE040
为状态量矩阵中第四项状态量的一阶导数，也即为
Figure DEST_PATH_IMAGE041
的一阶导数；
Figure 172074DEST_PATH_IMAGE042
为 输入量矩阵中的第一项输入量，也即为
Figure 123850DEST_PATH_IMAGE007
；
Figure DEST_PATH_IMAGE043
为输入量矩阵中第二项输入量，也即为
Figure 2944DEST_PATH_IMAGE015
；
Figure 647552DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
分别为符合高斯分布的过程噪声矩阵第一项噪声量和第二项噪声量。
同理，添加噪声后的测试方程可通过下式表示：
Figure 776045DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE047
Figure 639833DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
Figure 904593DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
为符合高斯分布的范围在（0，W）间的测量噪声；
Figure 454523DEST_PATH_IMAGE052
为测量量矩阵中的第 一项测量量，也即为
Figure DEST_PATH_IMAGE053
；为测量量矩阵中的第二项测量量，也即
Figure 70312DEST_PATH_IMAGE054
为
Figure DEST_PATH_IMAGE055
；
Figure 239256DEST_PATH_IMAGE056
为测量 量矩阵中的第三项测量量，也即为
Figure DEST_PATH_IMAGE057
；
Figure 122636DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE059
和
Figure 577888DEST_PATH_IMAGE060
分别为符合高斯分布的测量噪声矩 阵中的第一项噪声量、第二项噪声量和第三项噪声量。
S303、将加噪自行车运动学模型进行离散化处理，并将离散后的加噪自行车运动学模型确定为预先构建的运动学模型。
具体的，由于卡尔曼滤波是一种需要基于离散模型进行迭代计算的滤波计算方法，因此需对加噪自行车运动学模型进行离散化处理，以使构建出的运动学模型得以满足扩展卡尔曼滤波的需求，可根据滤波结果进行方向盘零偏角的确定。
接上述示例，可对加噪自行车运动学模型进行前向欧拉离散化处理，离散后所得的加噪自行车运动学模型可通过下式表示：
Figure DEST_PATH_IMAGE061
Figure 680974DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE063
Figure 388030DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE065
其中，k具体可理解为采集时刻，也即可用其表明是当前采集时刻还是上一采集时刻，若k为上一采集时刻，则k+1即可表示为当前采集时刻。
进一步地，离散后所得的预先构建的运动学模型可表示为：
Figure 892960DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE067
S208、将目标运动学模型中的状态方程和测量方程进行线性化。
具体的，由于卡尔曼滤波为一种状态估计算法，其核心逻辑为通过状态方程作为先验模型，测量方程作为后验模型，过程噪声和测量噪声都符合高斯分布的情况下，在当前状态对模型进行线性化，进而可将其代入至经典卡尔曼滤波公式中完成滤波。
接上述示例，在对目标运动学模型中的状态方程和测量方程进行线性化后，可得到：
Figure 519114DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
Figure 608030DEST_PATH_IMAGE070
进一步地，若目标运动学模型为初次进行卡尔曼滤波，则需对其进行卡尔曼滤波初始化，具体可由下式表示：
Figure DEST_PATH_IMAGE071
其中，
Figure 384356DEST_PATH_IMAGE072
为卡尔曼滤波的后验状态，
Figure 806110DEST_PATH_IMAGE073
为卡尔曼滤波中的后验协方差矩阵。
若目标运动学模型并非是初次进行卡尔曼滤波，则直接执行步骤S209。
S209、将线性化后的状态方程和测量方程代入经典卡尔曼滤波中的预测公式，确定先验状态和先验协方差矩阵。
接上述示例，将线性化后的状态方程和测量方程代入至经典卡尔曼滤波中的预测公式，所得到的先验状态和先验协方差矩阵可通过下式表示：
Figure DEST_PATH_IMAGE074
Figure 744110DEST_PATH_IMAGE075
其中，
Figure DEST_PATH_IMAGE076
Figure 556209DEST_PATH_IMAGE077
其中，
Figure DEST_PATH_IMAGE078
为卡尔曼滤波的先验状态，
Figure 995280DEST_PATH_IMAGE079
为卡尔曼滤波的先验协方差矩阵，
Figure 200038DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
为针对卡尔曼滤波先验状态不同维度的偏导。
S210、将先验状态和先验协方差矩阵代入经典卡尔曼滤波中的更新公式，确定后验状态和后验协方差矩阵。
接上述示例，将确定出的先验状态和先验协方差矩阵代入至经典卡尔曼滤波中的更新公式，所得到的后验状态和后验协方差矩阵可通过下式表示：
Figure 433573DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE083
Figure 732968DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
Figure 585517DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE087
为后验状态和后验协方差矩阵计算过程中定义的中间参量，
Figure 653967DEST_PATH_IMAGE088
和
Figure DEST_PATH_IMAGE089
为针对测量方程不同维度的偏导。
S211、判断后验协方差矩阵是否满足预设收敛条件，若是，则执行步骤S212；若否，则执行步骤S213。
在本实施例中，预设收敛条件具体可理解为预先设置的后验协方差矩阵与真值间的差的阈值，由于随着滤波器的迭代计算，其将由初始值逐渐趋近于真值，当迭代后的值与真值间的差小于预设阈值，即可认为后验协方差矩阵收敛。
具体的，通过判断后验协方差矩阵的值与真值之间的差是否小于预设阈值，若是，则可认为后验协方差矩阵已收敛，对应的后验状态为可信的，此时执行步骤S212；否则，可认为后验协方差矩阵未收敛，不能根据对应的后验状态确定方向盘零偏角，此时执行步骤S213。
S212、根据后验状态确定方向盘零偏角，并执行步骤S214。
具体的，根据后验状态中的状态量矩阵，将状态量矩阵中的用以表征方向盘零偏角的状态量确定为方向怕零偏角，并执行步骤S214。
S213、调整预先构建的运动学模型中的噪声参数，并返回执行步骤S207。
具体的，由于根据扩展卡尔曼滤波的假设，构建出的目标运动学模型中状态方程和测量方程中添加的高斯噪声W(k)和V(k)矩阵为可以整定的参数项，若其和模型均比较符合实际情况，则最终的后验协方差矩阵将呈现明显下降趋势，进而所预测的车辆方向盘零偏角作为常数状态量将呈现收敛趋势。在后验协方差矩阵不满足预设收敛条件时，可认为参数项与模型不匹配，不符合实际情况，此时需要对添加的高斯噪声W(k)和V(k)矩阵进行调整，进而完成对预先构建的运动学模型中的噪声的参数调整，构建一个新的运动学模型，并返回执行步骤S207，以将获取的车辆行驶数据集代入至新的运动学模型中得出目标运动学模型，并根据新获得的目标运动学模型进行方向盘零偏角估计。
S214、判断在当前采集时刻车辆是否满足预设存储条件，若是，则执行步骤S215，若否，则返回执行步骤S201。
在本实施例中，预设存储条件具体可理解为预先设置的，用以确定当前确定出的方向盘零偏角能否被存储于车辆中的条件。需要明确的是，方向盘零偏角无需短期内多次计算，其仅需在车辆由工厂下线后进行一次确定，或在一段时间未估计后，对其重新估计进行更新，故本发明实施例所提供的预设存储条件可为车辆中未存储有方向盘零偏角，或距离车辆中已存储方向盘零偏角的确定时间已超出预设时间阈值。
具体的，通过确定车辆中是否已存储有方向盘零偏角，并在确定车辆中存储有方向盘零偏角后确定上次存储的时间，若车辆中未存储有方向盘零偏角，或上次存储的时间至当前已超过预设时间阈值，则可认为当前采集时刻的车辆满足预设存储条件，此时执行步骤S215；否则，可认为当前采集时刻的车辆不满足预设存储条件，则在下一采集时刻重新获取车辆行驶数据集，并返回执行步骤S201。
S215、存储方向盘零偏角，或利用方向盘零偏角对车辆中存储的方向盘零偏角进行更新。
具体的，在车辆中未存储有方向盘零偏角时，直接将车辆在当前采集时刻确定出的方向盘零偏角进行存储；在车辆中已存储有方向盘零偏角时，则可将当前采集时刻确定的方向盘零偏角与已存储的方向盘零偏角进行比对，若二者不同则将当前采集时刻估算的方向盘零偏角作为新的方向盘零偏角进行存储，实现对车辆中存储的方向盘零偏角的更新。
本发明实施例的技术方案，通过构建包含零偏角状态量的运动学模型，使得满足预设零偏角估计条件的车辆行驶数据可被带入其中得到目标运动学模型，通过将目标运动学模型中的状态方程和测量方程进行线性化，并将线性化后的状态方程和测量方程依次代入卡尔曼滤波中的预测公式和更新公式，最终得到目标运动学模型对应的后验状态和后验协方差矩阵，进而根据后验协方差矩阵确定所得结果是否收敛，并在收敛情况下对根据后验状态确定出的方向盘零偏角进行保存，实现了方向盘零偏角在无技术人员参与情况下的在先估计，提升了方向盘零偏角的估计效率，且由于采用了新构建的运动学模型以及扩展卡尔曼滤波方法，提升了零偏角估计的准确率，进而由于车辆可根据存储于其中的方向盘零偏角对驾驶过程中的方向盘角度进行纠偏，提升了车辆驾驶的安全性。
实施例三
图4为本发明实施例三提供的一种方向盘零偏角估计装置的结构示意图，该方向盘零偏角估计装置包括：行驶数据获取模块41，模型生成模块42和零偏角确定模块43。
其中，行驶数据获取模块41，用于获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；模型生成模块42，用于若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；零偏角确定模块43，用于对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。
本实施例的技术方案，解决了车辆方向盘零偏角需要技术人员在车辆离线状态下才能进行估计的问题，通过改良的自行车运动学模型，在车辆驾驶过程中即可自动进行方向盘零偏角的估计，提升了方向盘零偏角估计效率，降低了估计所需的人力成本，提升了车辆驾驶安全性。
可选的，方向盘零偏角估计装置，还包括：
数据集异常确定模块，用于判断车辆行驶数据集是否缺损；若是，则返回执行获取车辆行驶数据集的步骤；若否，则确定车辆行驶数据集无异常。
零偏角估计判断模块，用于根据车辆行驶数据集确定车辆的加速度、方向盘转角和车辆行驶位置的道路横向坡度；若道路横向坡度小于预设坡度阈值，加速度小于预设加速度阈值且方向盘转角小于预设角度阈值，确定车辆行驶数据集满足预设零偏角估计条件；否则，返回执行获取车辆行驶数据集的步骤。
模型构建模块，用于将零偏角状态量添加至传统自行车运动学模型中，生成重构自行车运动学模型；通过高斯随机噪声对重构自行车运动学模型进行噪声添加，生成加噪自行车运动学模型；将加噪自行车运动学模型进行离散化处理，并将离散后的加噪自行车运动学模型确定为预先构建的运动学模型。
可选的，零偏角确定模块43，包括：
线性化单元，用于将目标运动学模型中的状态方程和测量方程进行线性化。
预测单元，用于将线性化后的状态方程和测量方程代入经典卡尔曼滤波中的预测公式，确定先验状态和先验协方差矩阵。
更新单元，用于将先验状态和先验协方差矩阵代入经典卡尔曼滤波中的更新公式，确定后验状态和后验协方差矩阵。
零偏角确定单元，用于若后验协方差矩阵满足预设收敛条件，则根据后验状态确定方向盘零偏角；否则，调整预先构建的运动学模型中的噪声参数，并返回执行将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型的步骤。
可选的，方向盘零偏角估计装置，还包括：
零偏角存储模块，用于若在当前采集时刻车辆满足预设存储条件，则存储方向盘零偏角，或利用方向盘零偏角对车辆中存储的方向盘零偏角进行更新。
本发明实施例所提供的方向盘零偏角估计装置可执行如本发明任意实施例所提供的方向盘零偏角估计方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种车辆的结构示意图，如图5所示，该车辆包括控制器51、存储装置52、输入装置53和输出装置54；车辆中控制器51的数量可以是一个或多个，图5中以一个控制器51为例；车辆中的控制器51、存储装置52、输入装置53和输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储装置52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的方向盘零偏角估计方法对应的程序指令/模块（例如，行驶数据获取模块41，模型生成模块42和零偏角确定模块43）。控制器51通过运行存储在存储装置52中的软件程序、指令以及模块，从而执行车辆的各种功能应用以及数据处理，即实现上述的方向盘零偏角估计方法。
存储装置52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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置52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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置52可进一步包括相对于控制器51远程设置的存储器，这些远程存储器可以通过网络连接至车辆。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息，以及产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种方向盘零偏角估计方法，该方法包括：
获取车辆行驶数据集，车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；
若车辆行驶数据集无异常且满足预设零偏角估计条件，将车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；
对目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；
其中，预先构建的运动学模型为包含零偏角的自行车运动学模型。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的方向盘零偏角估计方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种方向盘零偏角估计方法，其特征在于，包括：
获取车辆行驶数据集，所述车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；
若所述车辆行驶数据集无异常且满足预设零偏角估计条件，将所述车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；
对所述目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；
其中，所述预先构建的运动学模型为包含零偏角的自行车运动学模型。
2.根据权利要求1所述的方法，其特征在于，在所述获取车辆行驶数据集之后，还包括：
判断所述车辆行驶数据集是否缺损；
若是，则返回执行所述获取车辆行驶数据集的步骤；
若否，则确定所述车辆行驶数据集无异常。
3.根据权利要求2所述的方法，其特征在于，在所述确定车辆行驶数据集无异常之后，还包括：
根据所述车辆行驶数据集确定车辆的加速度、方向盘转角和车辆行驶位置的道路横向坡度；
若所述道路横向坡度小于预设坡度阈值，所述加速度小于预设加速度阈值且所述方向盘转角小于预设角度阈值，确定所述车辆行驶数据集满足预设零偏角估计条件；否则，返回执行所述获取车辆行驶数据集的步骤。
4.根据权利要求1所述的方法，其特征在于，所述运动学模型的预先构建，包括：
将零偏角状态量添加至传统自行车运动学模型中，生成重构自行车运动学模型；
通过高斯随机噪声对所述重构自行车运动学模型进行噪声添加，生成加噪自行车运动学模型；
将所述加噪自行车运动学模型进行离散化处理，并将离散后的所述加噪自行车运动学模型确定为所述预先构建的运动学模型。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标运动学模型进行扩展卡尔曼滤波，包括：
将所述目标运动学模型中的状态方程和测量方程进行线性化；
将线性化后的状态方程和测量方程代入经典卡尔曼滤波中的预测公式，确定先验状态和先验协方差矩阵；
将所述先验状态和所述先验协方差矩阵代入经典卡尔曼滤波中的更新公式，确定后验状态和后验协方差矩阵。
6.根据权利要求5所述的方法，其特征在于，所述根据滤波结果确定方向盘零偏角，包括：
若所述后验协方差矩阵满足预设收敛条件，则根据所述后验状态确定方向盘零偏角；
否则，调整所述预先构建的运动学模型中的噪声参数，并返回执行所述将所述车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型的步骤。
7.根据权利要求1所述的方法，其特征在于，所述根据滤波结果确定方向盘零偏角之后，还包括：
若在所述当前采集时刻车辆满足预设存储条件，则存储所述方向盘零偏角，或利用所述方向盘零偏角对所述车辆中存储的方向盘零偏角进行更新。
8.一种方向盘零偏角估计装置，其特征在于，包括：
行驶数据获取模块，用于获取车辆行驶数据集，所述车辆行驶数据集中至少包括当前采集时刻和上一采集时刻的车辆行驶数据；
模型生成模块，用于若所述车辆行驶数据集无异常且满足预设零偏角估计条件，将所述车辆行驶数据集代入预先构建的运动学模型中，生成目标运动学模型；
零偏角确定模块，用于对所述目标运动学模型进行扩展卡尔曼滤波，根据滤波结果确定方向盘零偏角；
其中，所述预先构建的运动学模型为包含零偏角的自行车运动学模型。
9.一种车辆，其特征在于，所述车辆包括：
一个或多个控制器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个控制器执行，使得所述一个或多个控制器实现如权利要求1-7中任一项所述的方向盘零偏角估计方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的方向盘零偏角估计方法。
CN202111519107.3A 2021-12-14 2021-12-14 一种方向盘零偏角估计方法、装置、车辆及存储介质 Active CN113916565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111519107.3A CN113916565B (zh) 2021-12-14 2021-12-14 一种方向盘零偏角估计方法、装置、车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111519107.3A CN113916565B (zh) 2021-12-14 2021-12-14 一种方向盘零偏角估计方法、装置、车辆及存储介质

Publications (2)

Publication Number Publication Date
CN113916565A true CN113916565A (zh) 2022-01-11
CN113916565B CN113916565B (zh) 2022-03-11

Family

ID=79249036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111519107.3A Active CN113916565B (zh) 2021-12-14 2021-12-14 一种方向盘零偏角估计方法、装置、车辆及存储介质

Country Status (1)

Country Link
CN (1) CN113916565B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114954654A (zh) * 2022-06-22 2022-08-30 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置
CN115056847A (zh) * 2022-06-22 2022-09-16 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040024565A1 (en) * 2002-08-05 2004-02-05 Jingsheng Yu Vehicle operating parameter determination system and method
KR20060016453A (ko) * 2004-08-17 2006-02-22 현대모비스 주식회사 지피에스를 이용한 차량의 횡미끌림각 추정 방법
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN107380169A (zh) * 2017-06-02 2017-11-24 广州小鹏汽车科技有限公司 一种汽车转向操纵特性的在线预测方法及系统
CN110884499A (zh) * 2019-12-19 2020-03-17 北京理工大学 一种确定车辆质心侧偏角的方法和系统
CN112319490A (zh) * 2019-07-31 2021-02-05 广州汽车集团股份有限公司 一种汽车质心侧偏角估计方法、计算机设备和存储介质
CN112417598A (zh) * 2020-11-20 2021-02-26 福建工程学院 一种多源融合的车辆状态并联估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040024565A1 (en) * 2002-08-05 2004-02-05 Jingsheng Yu Vehicle operating parameter determination system and method
KR20060016453A (ko) * 2004-08-17 2006-02-22 현대모비스 주식회사 지피에스를 이용한 차량의 횡미끌림각 추정 방법
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN107380169A (zh) * 2017-06-02 2017-11-24 广州小鹏汽车科技有限公司 一种汽车转向操纵特性的在线预测方法及系统
CN112319490A (zh) * 2019-07-31 2021-02-05 广州汽车集团股份有限公司 一种汽车质心侧偏角估计方法、计算机设备和存储介质
CN110884499A (zh) * 2019-12-19 2020-03-17 北京理工大学 一种确定车辆质心侧偏角的方法和系统
CN112417598A (zh) * 2020-11-20 2021-02-26 福建工程学院 一种多源融合的车辆状态并联估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
卢兴华 等: "基于轮胎侧偏刚度变化率的车辆质心侧偏角融合估计算法", 《科学技术与工程》 *
安秋兰、赵家圆: "基于EKF的车辆运动状态估计", 《建设机械技术与管理》 *
李小雨 等: "基于运动学方法和运动几何方法融合的质心侧偏角估计", 《机械工程学报》 *
石小婷: "轮毂电动车质心侧偏角估计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
陈建锋 等: "车辆模型对质心侧偏角估计的影响研究", 《重庆理工大学学报(自然科学)》 *
陈慧 等: "车辆质心侧偏角估计综述", 《机械工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114954654A (zh) * 2022-06-22 2022-08-30 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置
CN115056847A (zh) * 2022-06-22 2022-09-16 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置
CN115056847B (zh) * 2022-06-22 2023-09-29 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置
CN114954654B (zh) * 2022-06-22 2023-11-28 阿波罗智能技术(北京)有限公司 车辆的方向盘零偏补偿角的计算方法、控制方法及装置

Also Published As

Publication number Publication date
CN113916565B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN113916565B (zh) 一种方向盘零偏角估计方法、装置、车辆及存储介质
CN110146909B (zh) 一种定位数据处理方法
CN109579824B (zh) 一种融入二维码信息的自适应蒙特卡诺定位方法
CN107492120B (zh) 点云配准方法
CN111950627A (zh) 一种多源信息融合方法及其应用
JP2021518528A (ja) センサーの較正
CN112085843B (zh) 一种隧道类目标特征实时提取及测量方法和装置
CN111291471B (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN110637209B (zh) 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质
CN114140761A (zh) 点云配准方法、装置、计算机设备和存储介质
CN110989619B (zh) 用于定位对象的方法、装置、设备和存储介质
CN113392518A (zh) 估计车辆重量的方法和装置
CN117572451B (zh) 一种基于多线激光雷达的交通信息采集方法、设备及介质
CN117141520B (zh) 一种实时轨迹规划方法、装置和设备
WO2018210303A1 (zh) 道路模型的构建
CN117171873B (zh) 车辆空气动力学优化方法、装置和车辆
CN113759364A (zh) 一种基于激光地图的毫米波雷达连续定位方法及装置
CN113911123B (zh) 一种道路模型的更新方法及装置
CN113361079B (zh) 路面平整度检测方法、装置、设备及存储介质
CN115546319B (zh) 车道保持方法、装置、计算机设备及存储介质
CN117421525B (zh) 一种病态问题解算精度的相对均方误差分析方法
JP2020035042A (ja) データ判定装置、方法、及びプログラム
CN113177702B (zh) 一种气象输入数据匹配方法及系统
CN114925333B (zh) 坐标转换的方法及其系统
CN111141290B (zh) 机器人的定位方法、定位装置、设备和存储介质

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
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100095 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

CP03 Change of name, title or address