CN114435371A - 一种道路坡度估计方法和装置 - Google Patents

Abstract

本申请实施例提供一种道路坡度估计方法和装置，涉及智能驾驶技术领域，该方法可应用于港口、矿山、干线物流、高速或城市交通等场景，方法包括：获取车辆运动信息，根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，对预测值进行误差修正，获得当前时刻道路横向坡度的估计值。通过车辆本身具有的信息，采用递推算法来进行横向坡度计算并进行了误差修正，可以获得精度较高的估计值，且不需要额外增加传感器或者控制器，大大降低了应用成本。

Description

一种道路坡度估计方法和装置

技术领域

本申请涉及智能驾驶领域，特别涉及一种道路坡度估计方法和装置，可应用于港口、高速、物流、矿山、封闭园区或城市交通等场景。

背景技术

随着车辆自动驾驶技术的发展，在车辆行驶过程中对道路坡度的估计已成为自动驾驶中必不可少的一环。

现有研究中，对道路坡度的研究大都集中在纵向方向，对于横向坡度的研究较少。对于高速行驶车辆而言，横向坡度是其运动控制中不可忽视的一项因素。

现有研究多采用动力学模型对道路横向坡度估计，然而动力学模型所需参数多且部分参数无法直接有效测量，导致估计的道路横向坡度存在较大的误差，影响车辆的控制效果。

发明内容

本申请实施例提供一种道路坡度估计方法和装置，通过获取车辆运动信息，以及车辆状态量获取当前时刻横向坡度的预测值，并对预测值进行误差修正，获得当前道路横向坡度的估计值。通过车辆本身具有的信息采用递推算法来进行横向坡度计算并进行了误差修正，可以获得精度较高的道路横向坡度的估计值。

第一方面，本申请实施例提供一种道路坡度估计方法，包括：

获取车辆运动信息，车辆运动信息包括：车辆的行驶速度、加速度以及横摆角速度；

根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，其中，车辆状态量为车辆上一时刻的横向速度和所在道路位置的横向坡度角；

对预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

可选的，对预测值进行误差修正，获得当前时刻道路横向坡度的估计值，包括：

获取车辆横向坡度的测量值；获取测量值和预测值之间的残差；根据残差进行修正，获得对应的修正值；根据预测值和修正值，获得当前时刻道路横向坡度的估计值。

可选的，根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值之前，道路坡度估计方法还包括：

获取运动学方程，运动学方程用于表示车身横向速度变化率与横向坡度角、行驶速度、加速度以及横摆角速度的约束关系；

对运动学方程进行微分处理，得到微分运动方程；对微分运动方程进行离散化处理，得到车辆状态方程，车辆状态方程用于根据上一时刻的车辆状态量和上一时刻的车辆运动信息，得到当前时刻的车辆状态量。

对应地，根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，包括：根据车辆状态方程，获取当前时刻横向坡度的预测值。

可选的，获取车辆横向坡度的测量值，包括：

以车辆的横向速度为观测量，根据当前时刻的车辆状态量中的车辆的横向速度、当前时刻的测量噪声以及当前时刻的观测量，获取观测矩阵；其中，车辆的横向速度为0，观测量的取值为横向速度的值；

以车辆的横向坡度为观测量，根据当前时刻的车辆状态量中的车辆横向坡度、当前时刻的测量噪声和观测矩阵，获取车辆横向坡度的观测量，并将观测量作为测量值。

可选的，获得当前道路横向坡度的估计值之后，道路坡度的估计方法还包括：

根据横向坡度的估计值计算车辆的作用力；根据作用力控制车辆的行驶。

可选的，根据横向坡度的估计值计算车辆的作用力，包括：

根据车辆的车轮的侧向力，获取车辆横向运动的合力；根据车辆横向运动的合力和横向作用力，得到车辆的作用力。

可选的，车辆传感器包括：加速度传感器、横摆角速度传感器以及前轴速度传感器；其中，车辆传感器集成在车辆底盘系统中。

第二方面，本申请实施例提供一种道路坡度估计装置，包括：第一获取模块、第二获取模块以及修正模块；

第一获取模块，用于获取车辆运动信息，车辆运动信息包括：车辆当前时刻的行驶速度、加速度以及横摆角速度；

第二获取模块，用于根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，其中，车辆状态量为车辆上一时刻的横向速度和所在道路位置的横向坡度角；

修正模块，用于对预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

第三方面，本申请实施例提供一种电子设备，包括：存储器和处理器；

存储器用于存储计算机指令；处理器用于运行存储器存储的计算机指令实现第一方面中任一项的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现第一方面中任一项的方法。

第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法。

第六方面，本申请提供一种芯片或者芯片系统，该芯片或者芯片系统包括至少一个处理器和通信接口，通信接口和至少一个处理器通过线路互联，至少一个处理器用于运行计算机程序或指令，以执行第一方面或第一方面的任意一种可能的实现方式中描述的道路坡度估计方法。其中，芯片中的通信接口可以为输入/输出接口、管脚或电路等。

在一种可能的实现中，本申请中上述描述的芯片或者芯片系统还包括至少一个存储器，至少一个存储器中存储有指令。该存储器可以为芯片内部的存储单元，例如，寄存器、缓存等，也可以是该芯片的存储单元(例如，只读存储器、随机存取存储器等)。

本申请实施例提供的道路坡度估计方法和装置，通过车载传感器获取车辆运动信息，根据车辆运动理论设计运动学模型，建立微分运动方程，对运动微分方程进行离散化分析，基于迭代方法进行道路横向坡度估计。通过获取车辆运动状态信息和车辆状态量估计方法确定道路横向坡度角，根据估计的横向坡度调整车辆的控制输出，为自动驾驶车辆在轨迹跟踪时解算对横向运动的补偿控制，降低外界干扰的不确定性，能够有效提高系统跟踪控制精度。

附图说明

图1为本申请实施例提供的场景示意图；

图2为本申请实施例提供的道路坡度估计方法的流程示意图；

图3为本申请实施例提供的又一道路坡度估计方法流程示意图；

图4为本申请实施例提供的道路坡度估计方法计算得到的估计值与坡度传感器测量出的坡度值的对比示意图；

图5为本申请实施例提供的车辆跟踪误差示意图；

图6为本申请实施例提供的道路坡度估计装置结构示意图；

图7为本申请实施例提供的又一道路坡度估计装置结构示意图；

图8为本申请实施例提供的道路坡度电子设备结构示意图。

具体实施方式

为了便于清楚描述本申请实施例的技术方案，以下，对本申请实施例中所涉及的部分术语和技术进行简单介绍：

1)运动学为从几何的角度(指不涉及物体本身的物理性质和加在物体上的力)描述和研究物体位置随时间的变化规律，即运动学是描述物体运动行为。

2)动力学为研究作用于物体的力与物体运动的关系，即动力学揭示物体受力与运动的关系。

3)卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

4)其他术语

在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

下面结合附图对本申请实施例提供的道路坡度估计方法进行详细地介绍。需要说明的是，本申请实施例中的“在……时”，可以为在某种情况发生的瞬时，也可以为在某种情况发生后的一段时间内，本申请实施例对此不作具体限定。

随着车辆自动驾驶技术的发展，为保证车辆按照预定的轨迹进行行驶，在车辆行驶过程中对道路坡度的估计已成为自动驾驶中必不可少的一环。

现有研究道路坡度大都集中在纵向方向，对于横向坡度的研究较少。对于高速行驶车辆而言，横向坡度是其运动控制中不可忽视的一项因素。现有研究多采用动力学模型对道路横向坡度估计，然而动力学模型所需参数多且部分参数无法直接有效测量，导致估计的道路横向坡度存在较大的误差，影响车辆的控制效果。

有鉴于此，本申请提出一种道路坡度估计方法，采用广泛安装在车辆底盘上的传感器收集车辆行驶过程中的运动信息，使用运动学模型估计道路横向坡度。所需传感设备和参数少，在车辆正常行驶过程中具有较高的估计精度。

下面对本申请的技术方案进行详细描述。本申请的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例的场景示意图，包括多个在道路上行驶的车辆，车辆中搭载有用于根据道路信息调整车辆控制的控制系统。

如图1所示，自动驾驶的车辆在行驶过程中，需要按照预定的轨迹进行行驶，以保证行驶过程中的安全性。道路坡度是道路的几何属性之一，横向坡度广泛存在于各道路之中，尤其是在高速路段的曲线路段中表现尤为明显。如果自动驾驶的车辆在行驶过程中忽略道路横向坡度带来的影响，特别是在转向的过程中，极易出现车辆偏离预定的轨迹行驶，导致交通事故的发生。

因此，自动驾驶的车辆需要实时获取车辆所在的道路的横向坡度以调整车辆的控制输出，保证行驶过程的安全性。例如根据道路的横向坡度调整车辆的行驶速度、方向盘角度等，避免因控制不足产生车辆异常行驶导致交通事故。

上面对本申请实施例提供的应用场景进行了简单说明，下面以应用于图1中的车辆为例，来详细说明本申请实施例提供的道路坡度估计方法。

图2为本申请实施例提供的道路坡度估计方法的流程示意图，包括以下步骤：

S201、获取车辆运动信息，车辆运动信息包括：车辆的行驶速度、加速度以及横摆角速度。

本申请实施例中，车辆运动信息可以有车辆搭载的车辆传感器获得，车辆传感器包括加速度传感器、横摆角速度传感器以及前轴速度传感器，上述三种传感器集成于车辆底盘系统中。

对应的，车辆的控制中心可以通过上述传感器实时获取车辆的行驶速度、加速度以及横摆角速度。其中，横摆角速度是指汽车绕垂直轴的偏转，该偏转的大小代表汽车的稳定程度。

S202、根据车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，其中，车辆状态量为车辆上一时刻的横向速度和所在道路位置的横向坡度角。

车辆正常行驶时，道路附着条件足以提供车身横向运动所需的力，因此，在汽车正常行驶不发生横向偏移运动时，横向速度可以视为0。

本申请实施例中，将车辆的行驶过程的时间进行离散化处理，采用递推算法来递推道路横向坡度的预测值，根据车辆运动信息和前一时刻的估计值，进行递推计算，获取当前时刻横向坡度的预测值。

S203、对预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

通过车辆传感器获取的车辆运动信息时，由于传感器本身的特性，会包含有一定的误差，为减少由于迭代过程中对误差的放大，导致估计的道路横向坡度的预测值与实际值偏差较大，需要对每一次的预测值进行误差修正。

卡尔曼滤波器又称为卡尔曼滤波，是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。可以对有噪声的输入和观测信号进行处理，获取真实的系统状态或信号值。

本申请实施例通过卡尔曼滤波对横向坡度的预测值进行误差修正，获得当前道路横向坡度的估计值。

本申请实施例提供的道路向坡度估计方法通过获取车辆运动信息，以及车辆状态量获取当前时刻横向坡度的预测值，并对预测值进行误差修正，获得当前道路横向坡度的估计值。通过车辆本身具有的信息采用递推算法来进行横向坡度计算并进行了误差修正，可以获得精度较高的估计值，且不需要额外增加传感器或者控制器，大大降低了应用成本。

图3为本申请提供的道路坡度估计方法又一流程示意图，包括：

S301、获取车辆运动信息，车辆运动信息包括：车辆的行驶速度、加速度以及横摆角速度。

本申请实施例S301所示步骤的具体实现过程与图2实施例中S201所示步骤的具体实现过程类似，此处不在赘述。

S302、根据车辆运动信息建立运动学方程。

运动学方程用于表示车身横向速度变化率与横向坡度角、行驶速度、加速度以及横摆角速度的约束关系。

示例性的，运动学方程可以如下述所示：

其中，

为车身侧向速度变化率，a_y为车身侧向加速度，w_z车辆横摆角速度，v_x为车辆纵向行驶车速，g为重力加速度，取9.8m/s²，θ表示车辆所在当前道路位置的横向坡度角。上标志“.”表示微分，如

表示对v_y的微分。

一般道路的横向坡度角非常小，可近似认为sin(θ)≈θ，车辆正常行驶时，其车身横向速度变化引起的横向速度变化率极小，

可以看作0，因此，运动学方程可以改写为如下所示：

θ＝(a_y-w_z·v_x)/g

S303、对运动学方程进行微分处理，得到微分运动方程。

示例性的，由于道路坡度相对车辆运动变化缓慢，对时间导数可近似为0，即

等于0，联立运动学方程可以获得如下方程组：

对上述方程组进行改写，得到微分运动方程。

微分运动方程可以如下述所示：

其中，

为微分运动方程的状态变量；系数矩阵

系数矩阵

输入u＝(a_y-w_z·v_x)。

S304、对微分运动方程进行离散化处理，得到车辆状态方程。

车辆状态方程用于根据K-1时刻的车辆状态量和K-1时刻的车辆运动信息，得到K时刻的车辆状态量，所述K时刻表示当前时刻，K-1表示当前时刻的上一时刻，K为大于等于1的整数。进而根据车辆状态方程，获取当前时刻横向坡度的预测值。

示例性的，对S303中的连续的微分运动方程进行改写，获得如下所示方程：

对(1)微分运动方程进行离散化处理，获得如下所示方程：

将(1)中所示的方程带入(2)中，得到车辆状态方程。

其中，K＝1，2…n表示离散时间序列。离散后的系数矩阵

其中I为单位矩阵，T_s表示系统步长。

上述处理过程中，由于只是数学推导过程，实际应用中，车辆状态方程还应包括过程噪声，因此，实际的车辆状态方程如下所示：

根据车辆的状态方程可以获得出当前时刻的车辆状态量，其中，在车辆正常行驶过程中，可以认为V_y等于0，进而可以由车辆的状态方程可以获得出当前时刻的道路横向坡度的预测值。

S305、设计观测方程，根据观测方程获得车辆横向坡度的测量值。

观测方程反应的是观测量和状态方程的映射关系。

示例性的，观测方程如下所示：

Z(k)＝HX(k)+v(k)

其中，H为观测矩阵，v(k)为测量噪声。

在本申请实施例中，选取V_y为观测量，由于车辆正常行驶下车身横向速度V_y等于0，因此观测量Z(k)≡0，当前时刻的车辆状态量中的车辆的横向速度和当前时刻的测量噪声为已知量，由观测方程，获取观测矩阵；

进一步的，选取横向坡度为观测量，在以V_y为观测量时，获得了观测矩阵，由于当前时刻的车辆状态量中的横向坡度、当前时刻的测量噪声和观测矩阵为已知量，根据观测方程获取横向坡度的观测量，并将观测量作为测量值。

S306、根据观测方程和状态方程，获取车辆所在道路坡度的估计值。

根据观测方程和状态方程，使用卡尔曼估计思想，构建估计方程，估计方程用于对当前时刻车辆的状态量进行估计。

具体的，根据观测方程和状态方程获取观测值与预测值的残差，

示例性的，对车辆当前时刻状态量的估计方程如下所示：

其中，

是当前时刻的状态量估计值；

是通过状态方程计算得到的当前时刻预测值；K(k)表示当前时刻的卡尔曼增益系数。

图4为根据本申请图3所示实施例提供的道路坡度估计方法计算得到的估计值与坡度传感器测量出的坡度值的对比图。

如图4所示，灰色曲线为坡度传感器测量出的横向坡度值，黑色曲线为根据本申请图3所示实施例提供的方法进行的估计结果。可以看出，在车辆正常行驶过程中，本申请实施例所提供的道路横向坡度估计方法估计的结果贴合传感器直接测量值。

S307、获取车辆行驶过程中的作用力。

自动驾驶汽车横向运动控制系统一般都是以跟踪所给定的行驶轨迹为控制目标。

在平坦道路下，可基于牛顿第二定律建立车辆轨迹跟踪控制时的横向运动方程，该横向运动方程用于表示车辆质量与加速度以及所受作用力之间的约束关系。

示例性的，横向运动方程如下所示：

Ma_y＝F_{y_fl}+F_{y_fr}+F_{y_rl}+F_{y_rr}

其中，M为车辆总质量，a_y为车辆总的横向加速度，F_{y_ij}(i＝f、r；j＝l、r)分别表示地面作用在左前轮、右前轮、左后轮、右后轮上的侧向力，其矢量和为车辆横向运动的总的合力。

对于道路上一条已知的目标轨迹，例如道路中心线，参考图5，其在车辆坐标系下可以表示为l(k)＝f_k(x)，x表示轨迹点在车辆坐标系XOY下X轴的距离，f_k(x)表示当前时刻下该点在Y轴下的距离。特别的，f_k(0)表示车辆当前时刻距离目标轨迹的横向距离。

要实现车辆精确跟踪所给定的目标轨迹，在任何行驶时刻下轨迹跟踪误差都需满足以下条件：

|l_error|＜ε

其中，ε为一较小的正数，表示所允许的跟踪误差。

车辆轨迹跟踪控制计算得到的控制输出可表示为：

U(k+1)＝F(g(k),l(k))

其中，U(k+1)表示由当前车辆状态信息、当前目标轨迹函数求解得的控制输出，用于自动驾驶车辆输出控制并因此得到下一时刻车辆输出响应；g(k)表示由上一刻控制输出响应得到的当前时刻车辆状态。

若车辆所在的道路存在横向坡度，则车辆的总的跟踪误差需要考虑横向坡度带来的跟踪误差，因此，车辆总的跟踪误差可以由平坦道路下的跟踪误差与横向坡度带来的跟踪误差来表示。

示例性的，车辆的总的跟踪误差可以如下所示：

其中，l_error(θ)为横向坡度带来的跟踪误差。

因此，车辆在具有横向坡度的道路上行驶时，车辆实际运行受到的总作用力为平坦道路下车辆横向运动的总的合力与道路横向坡度带来的作用力之和。

示例性的，车辆实际运行受到的总作用力可如下所示：

其中，F(θ)为由道路横向坡度引起的车辆沿路面向下的作用力，属于重力的分力。

S308、根据车辆行驶过程中的作用力，调整车辆的控制输出。

示例性的，车辆在具有横向坡度的道路上行驶时，车辆的总控制输出可以如下所示：

U(k+1)＝F(g(k),l(k)，θ(k))

车辆的控制系统根据道路横向坡度来调整控制输出，控制车辆在道路上按照预定轨迹行驶。

本申请实施例提供的道路坡度估计方法，通过车载传感器获取车辆运动信息，根据车辆运动理论设计运动学模型，建立微分运动方程，对运动微分方程进行离散化分析，基于卡尔曼方法进行道路横向坡度估计。根据估计的横向坡度调整车辆的控制输出，为自动驾驶车辆在轨迹跟踪时解算对横向运动的补偿控制，降低外界干扰的不确定性，能够有效提高系统跟踪控制精度。

如图6所示，本申请实施例还提供一种道路坡度估计装置60，包括：

第一获取模块601，用于获取车辆运动信息，车辆运动信息包括：车辆当前时刻的行驶速度、加速度以及横摆角速度。

第二获取模块602，用于根据车辆运动信息以及车辆状态量获取当前时刻道路横向坡度的预测值，其中，车辆状态量为车辆上一时刻的横向速度和所在道路位置的横向坡度角。

修正模块603，用于对预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

本申请实施例提供的道路坡度估计装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

进一步的，如图7所示，本申请实施例还提供一种道路坡度估计装置70，在图6实施例提供的道路坡度估计装置60的基础上还包括，第三获取模块704、控制模块705。

进一步的，第二获取模块602，还用于获取运动学方程、对运动学方程进行微分处理，得到微分运动方程以及对微分运动方程进行离散化处理，得到车辆状态方程。

第三获取模块704，用于获取车辆横向坡度的测量值以及获取测量值和预测值之间的残差。

控制模块705，用于根据横向坡度的估计值计算车辆的作用力，并根据作用力控制车辆的行驶。

本申请实施例提供的道路坡度估计装置可以执行图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图8为本申请实施例提供的道路坡度估计电子设备的结构示意图。如图8所示，本申请实施例提供的道路坡度估计电子设备80可以包括：

处理器801。

存储器802，用于存储电子设备的可执行指令。

其中，处理器配置为经由执行可执行指令来执行上述道路坡度估计方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本申请实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述道路坡度估计方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

一种可能的实现方式中，计算机可读介质可以包括随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read-Only Memory，ROM)，只读光盘(compact discread-only memory，CD-ROM)或其它光盘存储器，磁盘存储器或其它磁存储设备，或目标于承载的任何其它介质或以指令或数据结构的形式存储所需的程序代码，并且可由计算机访问。而且，任何连接被适当地称为计算机可读介质。例如，如果使用同轴电缆，光纤电缆，双绞线，数字用户线(Digital Subscriber Line，DSL)或无线技术(如红外，无线电和微波)从网站，服务器或其它远程源传输软件，则同轴电缆，光纤电缆，双绞线，DSL或诸如红外，无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘，激光盘，光盘，数字通用光盘(Digital Versatile Disc，DVD)，软盘和蓝光盘，其中磁盘通常以磁性方式再现数据，而光盘利用激光光学地再现数据。上述的组合也应包括在计算机可读介质的范围内。

本申请实施例中还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述道路坡度估计方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在上述终端设备或者服务器的具体实现中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本领域技术人员可以理解，上述任一方法实施例的全部或部分步骤可以通过与程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中，该程序被执行时，执行上述方法实施例的全部或部分的步骤。

本申请技术方案如果以软件的形式实现并作为产品销售或使用时，可以存储在计算机可读取存储介质中。基于这样的理解，本申请的技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括计算机程序或者若干指令。该计算机软件产品使得计算机设备(可以是个人计算机、服务器、网络设备或者类似的电子设备)执行本申请实施例一所述方法的全部或部分步骤。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本发申请进行了详细的说明，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申请各实施例技术方案的范围。

Claims (10)

1.一种道路坡度估计方法，其特征在于，包括：

获取车辆运动信息，所述车辆运动信息包括：所述车辆的行驶速度、加速度以及横摆角速度；

根据所述车辆运动信息以及车辆状态量获取当前时刻道路横向坡度的预测值，其中，所述车辆状态量为所述车辆上一时刻的横向速度和所在道路位置的横向坡度角；

对所述预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

2.根据权利要求1所述的方法，其特征在于，所述对所述预测值进行误差修正，获得当前时刻道路横向坡度的估计值，包括：

获取所述车辆横向坡度的测量值；

获取所述测量值和所述预测值之间的残差；

根据所述残差进行修正，获得对应的修正值；

根据所述预测值和所述修正值，获得所述当前时刻道路横向坡度的估计值。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值之前，所述方法还包括：

获取运动学方程，所述运动学方程用于表示车身横向速度变化率与横向坡度角、行驶速度、加速度以及横摆角速度的约束关系；

对所述运动学方程进行微分处理，得到微分运动方程；

对所述微分运动方程进行离散化处理，得到车辆状态方程，所述车辆状态方程用于根据上一时刻的车辆状态量和上一时刻的车辆运动信息，得到当前时刻的车辆状态量；

对应地，所述根据所述车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，包括：

根据所述车辆状态方程，获取当前时刻横向坡度的预测值。

4.根据权利要求2所述的方法，其特征在于，所述获取所述车辆横向坡度的测量值，包括：

以所述车辆的横向速度为观测量，根据当前时刻的车辆状态量中的车辆的横向速度、当前时刻的测量噪声以及当前时刻的观测量，获取观测矩阵；其中，所述车辆的横向速度为0，所述观测量的取值为所述横向速度的值；

以所述车辆的横向坡度为观测量，根据当前时刻的车辆状态量中的车辆横向坡度、当前时刻的测量噪声和所述观测矩阵，获取所述车辆横向坡度的观测量，并将所述观测量作为所述测量值。

5.根据权利要求1所述的方法，其特征在于，在所述获得所述当前道路横向坡度的估计值之后，所述方法还包括：

根据所述横向坡度的估计值计算所述车辆的作用力；

根据所述作用力控制所述车辆的行驶。

6.根据权利要求5所述的方法，其特征在于，所述根据所述横向坡度的估计值计算所述车辆的作用力，包括：

根据所述车辆的车轮的侧向力，获取车辆横向运动的合力；

根据所述车辆横向运动的合力和横向作用力，得到所述车辆的作用力。

7.一种道路坡度估计装置，其特征在于，包括：

第一获取模块，用于获取车辆运动信息，所述车辆运动信息包括：所述车辆的行驶速度、加速度以及横摆角速度；

第二获取模块，用于根据所述车辆运动信息以及车辆状态量获取当前时刻横向坡度的预测值，其中，所述车辆状态量为所述车辆上一时刻的横向速度和所在道路位置的横向坡度角；

修正模块，用于对所述预测值进行误差修正，获得当前时刻道路横向坡度的估计值。

8.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现权利要求1-6中任一项所述的方法。

9.一种车辆，其特征在于，包括车辆传感器和如权利要求8所述的电子设备，所述车辆传感器集成在所述车辆底盘系统中；

所述处理器还用于从所述车辆传感器获取车辆运动信息。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-6中任一项所述的方法。

Images