CN114228721A - 路面附着系数的计算方法、装置和系统 - Google Patents

Abstract

本发明提供了一种路面附着系数的计算方法、装置和系统，该方法包括：对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。本发明的数据采集过程只需利用车辆上现有的传感器，降低了数据采集的成本；通过离线训练的时延神经网络模型对路面附着系数进行计算与预测，提高了计算、预测的效率和准确率。

Description

路面附着系数的计算方法、装置和系统

技术领域

本发明涉及车辆控制技术领域，尤其是涉及一种路面附着系数的计算方法、装置和系统。

背景技术

随着自动驾驶技术的快速发展，想要控制车辆在不同工况下平稳地行驶，就需要计算车辆与地面之间的附着系数，车辆与路面的附着系数对车辆横纵向控制都有着很大的影响，因此，如何准确、有效且快速地估计车辆行驶的路面附着系数是非常有必要的。

发明内容

本发明的目的在于提供一种路面附着系数的计算方法、装置和系统，以提高计算速度和计算准确率，同时降低成本。

第一方面，本发明提供一种路面附着系数的计算方法，该方法包括：对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。

在可选的实施方式中，根据初始车辆数据，确定目标轮胎的侧偏角、垂向力和侧向力的步骤，包括：根据初始车辆数据，分别确定目标轮胎的侧偏角和垂向力；根据预先设定的魔术公式、初始车辆数据、目标轮胎的侧偏角和目标轮胎的垂向力，确定目标轮胎的侧向力。

在可选的实施方式中，目标轮胎包括左前轮轮胎、右前轮轮胎、左后轮轮胎和右后轮轮胎；侧偏角包括左前轮轮胎的侧偏角、右前轮轮胎的侧偏角、左后轮轮胎的侧偏角和右后轮轮胎的侧偏角；基于下式确定左前轮轮胎的侧偏角：

其中，α_fl为左前轮轮胎的侧偏角，δ为目标车辆的前轮转角，v_x为目标车辆的质心的横向车速，v_y为目标车辆的质心的纵向车速，l_f为目标车辆的前轴与质心之间的距离，E为左前轮轮胎与右前轮轮胎之间的距离的一半，r为目标车辆的横摆角速度；基于下式确定右前轮轮胎的侧偏角：

基于下式确定左后轮轮胎的侧偏角：

其中，l_r为目标车辆的后轴与质心之间的距离，E为目标车辆的左后轮轮胎与右后轮轮胎之间的距离的一半；基于下式确定右后轮轮胎的侧偏角：

在可选的实施方式中，基于下式根据初始车辆数据，确定目标轮胎的垂向力：

其中，

为目标轮胎的垂向力，k_s和c_s分别为目标车辆的悬架刚度和阻尼系数，

为悬架位移，

为平均悬架位移，

和

均为目标车辆的坐标系姿态角速度估计值，

为目标轮胎的悬架垂向速度，L_i为目标车辆的前后轴到质心的距离，E为左侧轮胎与右侧轮胎距离质心的横向距离。

在可选的实施方式中，根据下述魔术公式、初始车辆数据、目标轮胎的侧偏角和目标轮胎的垂向力，确定目标轮胎的侧向力：

其中，F_yij为目标轮胎的侧向力，D为特征巅因子，C为特征的形状因子，B为刚度因子，E为特征的曲率因子，α_ij为目标轮胎的侧偏角，

为特征曲线的垂向偏移量。

在可选的实施方式中，该方法还包括：获取预先采集的样本车身信号以及不同场景下的样本路面附着系数；归一化处理样本车身信号；基于样本路面附着系数，标签化处理归一化处理后的样本车身信号；基于预先设置的侧偏角阈值、侧向力阈值和垂向力阈值，对样本路面附着系数和标签化处理后的样本车身信号进行清洗，得到清洗后的样本数据；对清洗后的样本数据进行增广，得到增广后的样本数据；按照预设的分类规则，将增广后的样本数据划分为训练集、验证集和测试集；基于matlab神经网络工具箱，训练训练集、验证集和测试集，得到时延神经网络模型。

在可选的实施方式中，将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数的步骤，包括：基于预设的归一化规则，对垂向力和侧向力进行归一化处理，得到归一化轮胎力；基于预设的时间规则，将归一化轮胎力和侧偏角输入至时延神经网络模型中，输出路面附着系数。

在可选的实施方式中，根据初始车辆数据，确定目标轮胎的侧偏角、垂向力和侧向力的步骤之后，该方法还包括：对目标轮胎的侧偏角、垂向力和侧向力进行滤波处理。

第二方面，本发明提供一种路面附着系数的计算装置，该装置包括：信号处理模块，用于对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；计算模块，用于根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；时延神经网络模块，用于将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。

第三方面，本发明提供一种路面附着系数的计算系统，系统用于执行前述实施方式任一项的路面附着系数的计算方法；该系统包括：信号采集子系统、轮胎力计算子系统、侧偏角计算子系统、低通滤波器和系数估计子系统。

本发明实施例的有益效果如下：

本发明实施例提供了一种路面附着系数的计算方法、装置和系统，该方法包括：对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。本发明的数据采集过程只需利用车辆上现有的传感器，降低了数据采集的成本；通过离线训练的时延神经网络模型对路面附着系数进行计算与预测，提高了计算、预测的效率和准确率。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例提供的一种路面附着系数的计算方法的流程图；

图2为本发明实施例提供的另一种路面附着系数的计算方法的流程图；

图3为本发明实施例提供的目标车辆的目标轮胎的示意图；

图4为本发明实施例提供的垂向力模型示意图；

图5为本发明实施例提供的时延神经网络模型的输入、输出示意图；

图6为本发明实施例提供的路面附着系数的计算方法的整体框图；

图7为本发明实施例提供的实验验证的道路示意图；

图8为本发明实施例提供的实验验证的测试结果图；

图9为本发明实施例提供的一种路面附着系数的计算装置示意图；

图10为本发明实施例提供的一种路面附着系数的计算系统的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着自动驾驶技术的快速发展，如何控制车辆在不同工况下平稳地行驶成为一个巨大的挑战，车辆与路面的附着系数对车辆横纵向控制都有着很大的影响，如何避免车辆在行驶时发生侧滑等危险，准确有效且快速地估计车辆行驶的路面附着系数是非常有必要的。

目前已有的技术方案一般是基于卡尔曼滤波和最小二乘法计算车辆路面附着系数，或者是利用支持向量回归机模型输出路面附着系数。但是，使用最小二乘法对路面扶着系数进行估计主要有以下缺点：基于最小而呈高发的估计结果的稳定性并不总能被保证，也很难量化其稳定性和收敛性。此外，最小二乘法的一个关键缺点是计算量很大。在部分MCU中，受限于算力难以被应用。利用支持向量回归机模型输出路面附着系数的方法的局限性是：支持向量机主要用作模式识别以及分类问题，其预测得到的路面附着系数精度难以保证，且该方法主要考虑车辆行驶纵向驱动力与附着系数的关系，没有分析横向力与附着系数的相关性。

基于此，本发明提供一种路面附着系数的计算方法，以提高路面附着系数计算过程的效率与准确率，该方案应用于车辆控制的技术场景中。

实施例一

首先，本发明实施例提供一种路面附着系数的计算方法，如图1所示，该方法包括：

步骤S102，对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据。

具体地，通过车身总线读取来自底盘以及IMU的相关信号(即车身行驶信号)，在估算侧偏角、侧向力以及横向力时设定一定范围的输出阈值。上述车身行驶信号又称车辆信号，包括表1中的数据；上述初始车辆数据包括目标车辆的前轮转角δ、质心侧偏角β、目标车辆的坐标系姿态角速度估计值p、q等数据，基于表1中的数据，进行简单的计算、转换，可以得到上述初始车辆数据。本发明中的数据采集过程皆基于车辆已有设备及装置，不需要额外加装新的传感器，只需要通过车辆底盘总线获取部分模型推理所需要的车身信号经过简单计算转化即可获得算法所需的输入数据，极大地降低了成本。

表1

步骤S104，根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力。

具体地，上述一个目标车辆包括四个目标轮胎，即左前轮轮胎、右前轮轮胎、左后轮轮胎和右后轮轮胎。目标轮胎的侧偏角指的是指轮胎垂直地面并在行驶，同时受到横向力时，车轮印记中心线与车轮中心不再平行，从而产生的角度；目标轮胎的垂向力(又称垂直力)指的是路面作用在轮胎上的力沿铅垂Z轴(轮胎坐标系)方向的分量；目标轮胎的侧向力(又称侧偏力)是汽车在行驶过程中,由于路面的倾斜、侧向风或曲线行驶时的离心力等的作用，车轮中心沿Y轴方向将作用有侧向力Fy，相应地在地面上产生的地面侧向反作用力F_y。

步骤S106，将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。

具体地，将上述时延神经网络模型是预先离线建立好的，在训练过程中，需要设定不同路面附着系数场景μ～[0.2,1.2]，每间隔0.1s为一个场景，即采用100Hz采样率获取原始数据，处理网络输入形式并做归一化，并将真值μ(在此指的是样本路面附着系数)对每组数据打标签。本发明通过设计一种时延神经网络对车辆在不同路面行驶时的道路附着系数进行在线估计，在模型完成训练后，仅需进行简单的推理计算即可估计出期望结果，相比传统的最小二乘法估计方法，单次计算耗时更短，且收敛速度更快，可以很好地部署在车载MCU上，对控制器算力消耗要求较低。

本实施例提供了一种路面附着系数的计算方法，该方法包括：对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。本发明的数据采集过程只需利用车辆上现有的传感器，降低了数据采集的成本；通过离线训练的时延神经网络模型对路面附着系数进行计算与预测，提高了计算、预测的效率和准确率。

实施例二

本发明实施例提供另一种路面附着系数的计算方法，如图2所示，该方法包括：

步骤S202，对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据。

具体地，除了采集表1中的数据，还需要预先测得目标车辆的质量、车辆前后轴距离质心的距离、前后轮之间的距离、两个前轮或两个后轮之间的距离等车辆固有参数。

步骤S204，根据初始车辆数据，确定目标轮胎的侧偏角。

在具体实施过程中，目标轮胎包括左前轮轮胎、右前轮轮胎、左后轮轮胎和右后轮轮胎；侧偏角包括左前轮轮胎的侧偏角、右前轮轮胎的侧偏角、左后轮轮胎的侧偏角和右后轮轮胎的侧偏角。

如图3所示，为目标车辆的目标轮胎的示意图。当车辆行驶时的侧向力足够大时，车辆的侧向动力学模型可作为路面附着系数估计的理论基础，最常用的轮胎模型是轮胎侧偏角与侧向力的数学模型。能够表征轮胎-路面基础模型的模型很多，但在本方法中我们主要基于神经网络进行预测处理。选择这些模型是因为它们的公式清晰而简单。它们有较少的调整参数，并能很好地体现轮胎力非线性特点。

如前所述，轮胎与路面之间的作用力与轮胎侧偏角α有关，对二者关系的建立十分重要。轮胎侧偏角α为轮胎坐标系x轴与车轮的速度矢量的方向之间的夹角，如图3所示，β表示的是质心侧偏角。

基于下式确定左前轮轮胎的侧偏角：

其中，α_fl为左前轮轮胎的侧偏角，δ为目标车辆的前轮转角，v_x为目标车辆的质心的横向车速，v_y为目标车辆的质心的纵向车速，l_f为目标车辆的前轴与质心之间的距离，r为目标车辆的横摆角速度，E为左侧轮胎与右侧轮胎距离质心的横向距离。

基于下式确定右前轮轮胎的侧偏角：

基于下式确定左后轮轮胎的侧偏角：

其中，l_r为目标车辆的后轴与质心之间的距离，E为目标车辆的左后轮轮胎与右后轮轮胎之间的距离的一半；

基于下式确定右后轮轮胎的侧偏角：

具体地，下标命名规则为左前轮fl、右前轮fr、左后轮rl、右后轮rr。

步骤S206，根据初始车辆数据，确定目标轮胎的垂向力。

具体地，垂向力又称为垂向载荷，如图4所示为垂向力模型示意图，其中，F_x为目标轮胎受到的纵向力，F_y为目标轮胎受到的侧向力，F_z为目标轮胎受到的垂向力，L₁为质心与前轮之间的距离，L₂为质心与后轮之间的距离，w为质心的角速度，μ为目标车辆的路面附着系数，p和q均为目标车辆的坐标系姿态角速度估计值。

在具体实施过程中，根据图4的垂向力模型，基于下式根据初始车辆数据，确定目标轮胎的垂向力：

其中，

为目标轮胎的垂向力，k_s和c_s分别为目标车辆的悬架刚度和阻尼系数，

为悬架位移，

为平均悬架位移，

和

均为目标车辆的坐标系姿态角速度估计值，

为目标轮胎的悬架垂向速度，L_i包括l_f和l_r，分别为目标车辆的前轴、后轴到质心的距离，E为左侧轮胎与右侧轮胎距离质心的横向距离。

步骤S208，根据预先设定的魔术公式、初始车辆数据、目标轮胎的侧偏角和目标轮胎的垂向力，确定目标轮胎的侧向力。

在具体实施过程中，轮胎模型表示了轮胎力、力矩与侧偏角、滑动率之间的关系。式(6)即为魔术公式中轮胎侧向力模型的简化公式。具体地，根据下述魔术公式、初始车辆数据、目标轮胎的侧偏角和目标轮胎的垂向力，确定目标轮胎的侧向力：

其中，F_yij为目标轮胎的侧向力，D为特征巅因子，C为特征的形状因子，B为刚度因子，E为特征的曲率因子，α_ij为目标轮胎的侧偏角，

为特征曲线的垂向偏移量。

其中，C为特征的形状因子，C＝A₀；D为特征巅因子，表示特征的最大值，D＝A₁Fz²+A₂Fz；其中，Fz表示轮胎受到的垂直载荷；B为刚度因子，B＝A₃sin(2arctan(Fz/A₄))(1–A₅γ)/(C*D)，γ为轮胎的外倾角，E为特征的曲率因子，表示特征最大附近的形状，E＝A₆Fz+A₇；S_v为特征曲线的垂向偏移量：S_v＝A₈F_zγ+A₉F_z+A₁₀。模式公式为经验公式，在使用魔术公式计算侧向力时，A_i可根据实验辨识得到。

由上述公式可知，路面附着系数与轮胎侧偏角α，轮胎所受垂向力Fz以及侧向力Fy直接相关，但这三个参数难以直接测量获取(尽管现在已有轮胎力传感器，但成本昂贵)，所以我们基于常见车辆上现有的传感器(如IMU等)估计上述参数，以降低成本。

在采集完车辆数据之后，本申请使用基于扩展卡尔曼滤波估计器对轮胎力进行估计，模型采用非线性动力学模型，在更新阶段，估计器使用IMU测得的加速度信号对预测的轮胎力进行修正，可以有效地修正预测阶段的力的估计误差，进而得到轮胎力的最优估计值

基于EKF(Extended Kalman Filter，即扩展卡尔曼滤波器)的轮胎力估计方法对路面附着系数的变化具有不错的鲁棒性。

步骤S210，对目标轮胎的侧偏角、垂向力和侧向力进行滤波处理。

具体地，由于传感器噪声、侧向力以及侧偏角存在固有的扰动，所以对时延神经网络的输入量应进行预处理，以防止高频扰动对估计器输出产生干扰，在此，本申请利用第一低通滤波器对目标轮胎的侧偏角α进行滤波处理，利用第二低通滤波器对垂向力

和侧向力F_yij进行滤波处理，以得到更加精准的侧偏角、垂向力和侧向力。

步骤S212，预先训练时延神经网络模型。

在具体实施时，训练的具体过程包括：

1)获取预先采集的样本车身信号以及不同场景下的样本路面附着系数。

具体地，首先需要设定不同路面附着系数场景μ～[0.2,1.2]，每间隔0.1为一个场景，即采用100Hz采样率获取原始数据(即表1中的数据)。

2)归一化处理样本车身信号。

3)基于样本路面附着系数，标签化处理归一化处理后的样本车身信号。

具体地，上述过程为处理网络输入形式并做归一化，并将真值μ对每组数据打标签。

4)基于预先设置的侧偏角阈值、侧向力阈值和垂向力阈值，对样本路面附着系数和标签化处理后的样本车身信号进行清洗，得到清洗后的样本数据。

具体地，上述过程为对数据进行过滤清洗，按照侧偏角α～[-0.12,0.12]rad，侧向力Fy～[-2.5,2.5]kN,垂向力，Fz～[2.8,6]kN进行过滤，剔除不满足上述条件的数据。

5)对清洗后的样本数据进行增广，得到增广后的样本数据。

具体地，由于左右转向具有对称性，侧向力在左右转时互为正负，可按此规则对数据进行数据增广。

6)按照预设的分类规则，将增广后的样本数据划分为训练集、验证集和测试集。

具体地，可以取增广后的数据中的80％作为训练集，10％为验证集，10％为测试集。

7)基于matlab神经网络工具箱，训练训练集、验证集和测试集，得到时延神经网络模型。

具体地，借助matlab神经网络工具箱对初始模型进行训练，从而得到时延神经网络模型。用matlab神经网络工具可以快速地完成数据处理以及模型训练，并且借助Embedded Coder生成C代码烧写至嵌入式硬件以供后期调用。

8)将训练好的时延神经网络模型导出并转换为C代码。

9)将C代码集成编译烧写进目标机进行测试。

步骤S214，基于预设的归一化规则，对垂向力和侧向力进行归一化处理，得到归一化轮胎力；基于预设的时间规则，将归一化轮胎力和侧偏角输入至时延神经网络模型中，输出路面附着系数。

具体地，由前面所述理论模型分析可知，路面附着系数μ与F_y,F_z,α_ij相关，在设计神经网络输入时，对上述变量进行相关性分析，根据式(1)-(4)，侧偏角α主要由车辆横纵向速度、横摆角速度决定，而垂向力Fz主要受到载荷以及车辆俯仰和侧倾运动的影响，并未直接受附着系数影响，因此相关性较低，但是F_y会受到垂直载荷的影响，故可选取F_y/F_z作归一化处理以及侧偏角估计器估计输出的侧偏角α为神经网络的输入，将处理结果按照每Δt＝100ms为一个采样间隔输入计入预先设计的时延神经网络模型中。

在向时延神经网络模型输入数据时，其中x(t)size为2对应分别为输入信号Fy/Fz,α，y(t)为t时刻的路面附着系数μ，1:10表示取t,t-1,…t-9共计十个时刻的输入数据输入网络中，如图5所示，图5为时延神经网络模型的输入、输出示意图。时延神经网络模型会对时间序列输入数据进行预处理，对相邻两帧采样时间的输入数据使用均值滤波去除噪声；处理完成的数据传入时延神经网络中进行预测，输出最终估计的路面附着系数

如图6所示，图6为路面附着系数的计算方法的整体框图，本发明通过设计一种时延神经网络对车辆在不同路面行驶时的道路附着系数进行在线估计，在模型完成训练后，仅需进行简单的推理计算即可估计出期望结果，相比传统的最小二乘法估计方法，单次计算耗时更短，且收敛速度更快，可以很好地部署在现有的车载MCU上，对控制器算力消耗要求较低。

对上述路面附着系数的计算方法的可行性验证实验如下：

本发明中的路面附着系数估计方法在仿真及实车环境中均进行了实验验证，下面以仿真实验为例说明实验流程及结果；

在仿真场景中搭建定曲率不同路面附着系数的道路，设定车辆以恒定车速行驶，对比估计算法输出结果与实际真是路面附着系数的对比结果如下图所示，道路主要分为三段，如下图所示分别为路面附着系数为0.5代表砂石路面，路面附着系数为0.8代表潮湿路面，路面附着系数为1代表干燥路面，如图7所示。

测试结果如图8所示，本方法可较快且较为准确的估计处路面附着系数，从图8可以看出，真实的路面附着系数与时延神经网络模型输出的路面附着系数基本相等。

实施例三

本发明实施例提供一种路面附着系数的计算装置，如图9所示，该装置包括：

信号处理模块91，用于对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据。

计算模块92，用于根据初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力。

时延神经网络模块93，用于将垂向力、侧向力和侧偏角输入至预设的时延神经网络模型中，输出路面附着系数。

本发明实施例所提供的路面附着系数的计算装置，其实现原理及产生的技术效果和前述的路面附着系数的计算方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

实施例四

本发明实施例提供一种路面附着系数的计算系统100，该系统用于执行前述实施方式任一项的路面附着系数的计算方法。

如图10所示，该系统包括：信号采集子系统101、轮胎力计算子系统102、侧偏角计算子系统103、低通滤波器104和系数估计子系统105。

本发明中使用的数据采集子系统皆基于车辆已有设备及装置，不需要额外加装新的传感器，只需要通过车辆底盘总线获取部分模型推理所需要的车身信号经过简单计算转化即可获得算法所需的输入数据，极大地降低了成本。

本发明中的轮胎力计算子系统利用魔术公式与垂向力模型，可以精确计算出目标轮胎的垂向力与侧向力。

本发明中的系数估计子系统预存有时延神经网络模型，该模型可预先采集数据，离线进行模型训练，并将训练好的模型部署在实时运行的车辆控制器中，该模型网络结构简单，运算速度快，通过获取一段时间内的车辆行驶数据，即可预测得到车辆当前行驶路面的附着系数。

本发明实施例所提供的路面附着系数的计算系统，其实现原理及产生的技术效果和前述的路面附着系数的计算方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种路面附着系数的计算方法，其特征在于，所述方法包括：

对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；

根据所述初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；

将所述垂向力、所述侧向力和所述侧偏角输入至预设的时延神经网络模型中，输出所述路面附着系数。

2.根据权利要求1所述的方法，其特征在于，根据所述初始车辆数据，确定目标轮胎的侧偏角、垂向力和侧向力的步骤，包括：

根据所述初始车辆数据，分别确定所述目标轮胎的侧偏角和垂向力；

根据预先设定的魔术公式、所述初始车辆数据、所述目标轮胎的侧偏角和所述目标轮胎的垂向力，确定所述目标轮胎的侧向力。

3.根据权利要求2所述的方法，其特征在于，所述目标轮胎包括左前轮轮胎、右前轮轮胎、左后轮轮胎和右后轮轮胎；所述侧偏角包括左前轮轮胎的侧偏角、右前轮轮胎的侧偏角、左后轮轮胎的侧偏角和右后轮轮胎的侧偏角；

基于下式确定所述左前轮轮胎的侧偏角：

其中，α_fl为所述左前轮轮胎的侧偏角，δ为目标车辆的前轮转角，v_x为目标车辆的质心的横向车速，v_y为目标车辆的质心的纵向车速，l_f为目标车辆的前轴与质心之间的距离，E为所述左前轮轮胎与所述右前轮轮胎之间的距离的一半，r为目标车辆的横摆角速度；

基于下式确定所述右前轮轮胎的侧偏角：

基于下式确定所述左后轮轮胎的侧偏角：

其中，l_r为目标车辆的后轴与质心之间的距离，E为目标车辆的所述左后轮轮胎与所述右后轮轮胎之间的距离的一半；

基于下式确定所述右后轮轮胎的侧偏角：

4.根据权利要求3所述的方法，其特征在于，基于下式根据所述初始车辆数据，确定所述目标轮胎的垂向力：

其中，

为所述目标轮胎的垂向力，k_s和c_s分别为目标车辆的悬架刚度和阻尼系数，

为悬架位移，

为平均悬架位移，

和

均为目标车辆的坐标系姿态角速度估计值，

为所述目标轮胎的悬架垂向速度，L_i为所述目标车辆的前后轴到质心的距离，E为左侧轮胎与右侧轮胎距离质心的横向距离。

5.根据权利要求4所述的方法，其特征在于，根据下述魔术公式、所述初始车辆数据、所述目标轮胎的侧偏角和所述目标轮胎的垂向力，确定所述目标轮胎的侧向力：

其中，F_yij为所述目标轮胎的侧向力，D为特征巅因子，C为特征的形状因子，B为刚度因子，E为特征的曲率因子，α_ij为所述目标轮胎的侧偏角，

为特征曲线的垂向偏移量。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取预先采集的样本车身信号以及不同场景下的样本路面附着系数；

归一化处理所述样本车身信号；

基于所述样本路面附着系数，标签化处理所述归一化处理后的所述样本车身信号；

基于预先设置的侧偏角阈值、侧向力阈值和垂向力阈值，对所述样本路面附着系数和标签化处理后的所述样本车身信号进行清洗，得到清洗后的样本数据；

对所述清洗后的样本数据进行增广，得到增广后的样本数据；

按照预设的分类规则，将所述增广后的样本数据划分为训练集、验证集和测试集；

基于matlab神经网络工具箱，训练所述验证集和所述测试集，得到所述时延神经网络模型。

7.根据权利要求6所述的方法，其特征在于，将所述垂向力、所述侧向力和所述侧偏角输入至预设的时延神经网络模型中，输出所述路面附着系数的步骤，包括：

基于预设的归一化规则，对所述垂向力和所述侧向力进行归一化处理，得到归一化轮胎力；

基于预设的时间规则，将所述归一化轮胎力和所述侧偏角输入至所述时延神经网络模型中，输出所述路面附着系数。

8.根据权利要求1所述的方法，其特征在于，根据所述初始车辆数据，确定所述目标轮胎的侧偏角、垂向力和侧向力的步骤之后，所述方法还包括：

对所述目标轮胎的侧偏角、垂向力和侧向力进行滤波处理。

9.一种路面附着系数的计算装置，其特征在于，所述装置包括：

信号处理模块，用于对预先采集的车身行驶信号进行转换处理，得到目标车辆的初始车辆数据；

计算模块，用于根据所述初始车辆数据，确定目标车辆的目标轮胎的侧偏角、垂向力和侧向力；

时延神经网络模块，用于将所述垂向力、所述侧向力和所述侧偏角输入至预设的时延神经网络模型中，输出所述路面附着系数。

10.一种路面附着系数的计算系统，其特征在于，所述系统用于执行权利要求1-8任一项所述的路面附着系数的计算方法；

所述系统包括：信号采集子系统、轮胎力计算子系统、侧偏角计算子系统、低通滤波器和系数估计子系统。

Images