CN114692418B - 质心侧偏角估计方法、装置、智能终端及存储介质 - Google Patents
质心侧偏角估计方法、装置、智能终端及存储介质 Download PDFInfo
- Publication number
- CN114692418B CN114692418B CN202210361614.7A CN202210361614A CN114692418B CN 114692418 B CN114692418 B CN 114692418B CN 202210361614 A CN202210361614 A CN 202210361614A CN 114692418 B CN114692418 B CN 114692418B
- Authority
- CN
- China
- Prior art keywords
- detection
- slip angle
- parameter set
- centroid slip
- data
- 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
Links
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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种质心侧偏角估计方法、装置、智能终端及存储介质,上述方法包括:获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;基于所述检测数据,根据估计模型获得质心侧偏角。与现有技术相比,基于预先建立的数学模型,获取模型中检测参数对应的检测数据后根据数学模型就可以获得质心侧偏角结果。不依赖于精准的数学模型,对模型偏差和噪声影响具有很强的鲁棒性,使用方便、简单有效、准确性高。
Description
技术领域
本发明涉及车辆控制技术领域,尤其涉及的是一种质心侧偏角估计方法、装置、智能终端及存储介质。
背景技术
相关研究表明,车辆在高速行驶过程中发生的交通事故,大约45%的车辆事故是车辆失去操纵稳定性造成的。因此,操纵稳定性对驾驶安全起着重要的作用,是车辆研究领域的关键问题。
汽车稳定性控制系统中,通常将横摆角速度、质心侧偏角作为控制参考指标量。其中,横摆角速度可以通过稳定性控制系统集成的横摆角速度传感器直接测量得到;而质心侧偏角传感器由于价格昂贵,无法直接应用于量产汽车之上。
虽然国内外大量文献针对质心侧偏角的估计提出了不同的网络模型。但是这些模型都是基于理想状况,对零部件参数具有很高的精度要求,一旦模型不匹配或者模型参数存在偏差,这些网络模型都无法有效估计质心侧偏角,无法为汽车稳定性控制提供安全保障。
发明内容
本发明的主要目的在于提供一种质心侧偏角估计方法、装置、智能终端及存储介质,旨在解决现有技术中的估计模型不能简单有效估计出质心侧偏角,无法为汽车稳定性控制提供安全保障的问题。
为了实现上述目的,本发明第一方面提供一种质心侧偏角估计方法,其中,上述方法包括:
获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
基于所述检测数据,根据估计模型获得质心侧偏角;
根据所述质心侧偏角控制汽车的稳定性。
可选的,所述预先建立估计模型,包括:
基于预设路况,实时监测质心侧偏角传感器,获得质心侧偏角数据;
在预设的参数集中筛选,获得所述检测参数集,所述参数集包括全部检测参数;
基于预设的关联表,依次获取所述检测参数集中的检测参数对应的检测数据;
基于所述质心侧偏角数据和所有的所述检测数据,获得所述估计模型中的参数系数集;
基于所述参数系数集和所述检测参数集建立所述估计模型。
可选的,所述在预设的参数集中筛选,获得所述检测参数集,包括:
依次获取所述参数集中的检测参数对应的检测数据;
依次计算所述检测数据与所述质心侧偏角数据的相关系数,获得相关系数集并将所述相关系数集按降序排列;
从所述相关系数集的开始位置选取预设数量的相关系数,将所述相关系数对应的检测参数设为所述检测参数集。
可选的,所述预设路况包括至少两种路况,还包括:
基于预设的路况权重,合并所有路况对应的检测参数集,获得合并参数集;
将所述合并参数集中的检测参数按照权重降序排列;
从所述合并参数集的开始位置选取预设数量的检测参数设为所述检测参数集。
可选的,所述基于所述质心侧偏角数据和所有的所述检测数据,获得所述估计模型中的参数系数集,包括:
将所有的所述检测数据组成纵向矩阵;
基于最小二乘法,根据所述质心侧偏角数据、所述纵向矩阵获得所述参数系数集。
可选的,所述数学模型为:β=[k0 k1 k2 k3 k4 k5]X,其中β为质心侧偏角,[k0 k1k2 k3 k4 k5]为参数系数集,X为由所述检测参数集形成的矩阵。
可选的,基于所述估计模型应用的车型,根据所述车型的历史检测数据确定所述参数系数集和所述检测参数集。
本发明第二方面提供一种质心侧偏角估计装置,其中,上述装置包括:
检测参数获取模块,用于获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
检测数据获取模块,用于基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
估计模块,用于基于所述检测数据,根据估计模型获得质心侧偏角;
控制模块,用于根据所述质心侧偏角控制汽车的稳定性。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的质心侧偏角估计程序,上述质心侧偏角估计程序被上述处理器执行时实现任意一项上述质心侧偏角估计方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有质心侧偏角估计程序,上述质心侧偏角估计程序被处理器执行时实现任意一项上述质心侧偏角估计方法的步骤。
由上可见,本发明方案中,获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;基于所述检测数据,根据估计模型获得质心侧偏角。与现有技术相比,本发明方案通过预先建立质心侧偏角与其他可测量的参数数据之间的数学模型,然后将该数学模型应用在量产车辆的汽车稳定性控制系统中,从而根据测量到的相关参数数据,就可以简单有效地实时估算出质心侧偏角从而根据质心侧偏角控制汽车稳定性。
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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的质心侧偏角估计方法的流程示意图;
图2是图1实施例中步骤S100的具体步骤流程示意图;
图3是图2实施例中步骤S120的具体步骤流程示意图;
图4是图1实施例的高附蛇形-2路况的检测数据曲线示意图;
图5是本发明实施例提供的质心侧偏角估计装置的结构示意图;
图6是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
相关研究表明,车辆在高速行驶过程中发生的交通事故,大约45%的车辆事故是车辆失去操纵稳定性造成的。因此,操纵稳定性对驾驶安全起着重要的作用,是车辆研究领域的关键问题。
汽车稳定性控制系统中,通常将横摆角速度、质心侧偏角作为控制参考指标量。其中,横摆角速度可以通过稳定性控制系统集成的横摆角速度传感器直接测量得到;而质心侧偏角传感器由于价格昂贵,无法直接应用于量产汽车之上。
虽然国内外大量文献针对质心侧偏角的估计提出了不同的网络模型,如二自由度车辆动力学模型、非线性三自由度模型等,这些模型都是基于理想状况,对零部件参数具有很高的精度要求,一旦模型不匹配或者模型参数存在偏差,这些网络模型都无法有效估计质心侧偏角。
较之于网络模型,本发明基于预先建立的数学模型,获取模型中检测参数对应的检测数据后根据数学模型就可以获得质心侧偏角结果。不依赖于精准的数学模型,对模型偏差和噪声影响具有很强的鲁棒性,使用方便、简单有效、准确性高。
示例性方法
如图1所示,本发明实施例提供一种质心侧偏角估计方法,具体的,上述方法包括如下步骤:
步骤S100:获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
其中,估计模型是用来估计质心侧偏角的数学模型,本实施例中具体为一个函数模型。较之于基于网络模型的方法,本发明的估计模型以工程实践过程中己有的检测数据为基础,采用统计学算法对这些检测数据进行分析挖掘,最后以数学形式表达原始工程模型隐含的非线性关系。建立数学模型时,筛选这些检测数据,其中一些检测数据与建立后的数学模型相关,将这些检测数据以检测参数的形式反映在数学模型中,这些检测参数的集合形成检测参数集。因此,检测参数与估计模型中的检测数据相对应,通过检测参数可以确定通过安装在车辆上的哪些传感器获取哪些检测数据,从而估计质心侧偏角。
在数学建模阶段建立质心侧偏角与其他可测量的检测参数之间的数学模型,然后将该数学模型应用在量产车辆的汽车稳定性控制系统中,根据测量到的检测参数对应的检测数据,就可以实时估算出质心侧偏角。
具体的,可以在建立估计模型后将与估计模型相关的检测参数集保存为文本存储在存储器中或者存储在数据库中,读取文本内容或数据库后就可以获取到该估计模型对应的检测参数集。
进一步的,估计模型与具体车型相关,预先建立估计模型时对于不同车型采用不同的检测数据,即对于不同的车型,预先建立的估计模型中的检测参数集也不相同。
步骤S200:基于预设的关联表,依次获取与检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
具体的,检测参数集中的检测参数以数学变量的形式反映在数学模型中。需要通过预设的关联表来确定检测参数与传感器之间的对应关系,从而获取到每个检测参数对应的检测数据,将获得的检测数据应用在数学模型中,从而实时估算出质心侧偏角。预设的关联表中保存的内部包括:检测参数的标识、该检测参数对应的传感器、获取检测数据的调用方法和调用参数等。
举例来说,通常和质心侧偏角β相关的检测参数有:横摆角速度α、车速v、横向加速度ay。分别通过横摆角速度传感器、速度传感器和横向加速度传感器来获取到上述检测参数对应的检测数据。需要说明的是,检测参数的具体项目不限,只要与质心侧偏角相关,可以是车辆上能够获取到检测数据的任何检测参数,如前轮转角、纵向加速度等。
步骤S300:基于所述检测数据,根据估计模型获得质心侧偏角;
步骤S400:根据质心侧偏角控制汽车的稳定性。
具体的,本实施例中的数学模型为:β=[k0 k1 k2 k3 k4 k5]X,其中β为质心侧偏角,[k0 k1 k2 k3 k4 k5]为参数系数集,X为由所述检测参数集形成的矩阵。预先根据估计模型应用的车型,通过该车型的历史检测数据确定参数系数集和检测参数集。建立估计模型后,获得检测参数集对应的检测数据,即上述矩阵X,并代入上述的数学模型公式就可以获得质心侧偏角,并根据质心侧偏角来控制汽车的稳定性。例如将质心侧偏角传输至现有的汽车稳定性控制系统中或者将本发明中的估计模型作为一个模块应用在已有的汽车稳定性控制系统中。
由上所述,本实施例通过获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;基于所述检测数据,根据估计模型获得质心侧偏角。通过预先建立质心侧偏角与其他可测量的参数数据之间的数学模型,然后将该数学模型应用在量产车辆的汽车稳定性控制系统中,从而根据测量到的相关参数数据,就可以实时估算出质心侧偏角并控制汽车的稳定性。
在一些实施例中,如图2所示,上述S100中预先建立估计模型,具体包括如下步骤:
步骤S110:基于预设路况,实时监测质心侧偏角传感器,获得质心侧偏角数据;
具体的,路况包括:冰面单变道、高附单变道、高附双变道、高附阶跃、雪面单变道等。在选定路况下利用Vbox(质心侧偏角传感器)设备实时获取质心侧偏角数据。
步骤S120:在预设的参数集中筛选,获得检测参数集,所述参数集包括全部检测参数;
具体的,预设的参数集包括任何路况、任何车型下,与质心侧偏角相关的检测参数,即参数集包括了全部检测参数。对于预设的路况,在上述参数集中筛选,获得与该路况最相关的检测参数集。具体筛选的方法可以根据实验结果筛选、也可以由本领域工程技术人员筛选、还可以根据检测参数与质心侧偏角的权重关系来筛选。
步骤S130:基于预设的关联表,依次获取所述检测参数集中的检测参数对应的检测数据;
具体的,对于不同的检测参数需要获取不同的检测数据,因此,预先设置了一个关联表,在该关联表中保存了检测参数的标识、该检测参数对应的传感器、获取检测数据的调用方法和调用参数等,通过该关联表就可以从安装在车辆上的传感器获取与检测参数对应的检测数据。可选的,也可以如本实施例在建模时,检测数据为针对具体车型在具体路况下的已保存的历史检测数据。
步骤S140:基于质心侧偏角数据和所有的检测数据,获得估计模型中的参数系数集;
步骤S150:基于参数系数集和检测参数集建立所述估计模型。
具体的,假定质心侧偏角的数学估算模型为β=f(α,v,ay),分析车辆动力学模型可以得知,质心侧偏角随着横摆角速度α、横向加速度ay的增加而增大,随着车速v的增大而减小。
将该数学估计模型简化,可以获得如下公式:
其中,X矩阵中的值为包括检测数据的纵向矩阵,根据实际测出的质心侧偏角的数据和上述纵向矩阵,就可以估计出参数系数集[k0 k1 k2 k3 k4 k5]的值。确定出参数系数集的值后,就可以根据车辆实际行驶过程获得的检测数据组成纵向矩阵X,参数系数集和X的矩阵相乘结果即为质心侧偏角的估计结果。
具体的,对上述公式采用最小二乘法做进一步变换,获得:
由上所述,本实施例的估计模型以工程实践过程中己有的历史先验数据为基础,采用统计学算法对这些历史先验数据进行分析挖掘,最后以数学形式表达原始工程模型隐含的非线性关系。由于获得的变量关系并非按照实际问题的力学原理而建立,因此,不要求绝对精准的工程模型,对模型误差和噪声都具有很强的鲁棒性。
在一些实施例中,如图3所示,上述步骤S120中在预设的参数集中筛选,获得检测参数集,具体包括如下步骤:
步骤S121:依次获取所述参数集中的检测参数对应的检测数据;
具体的,参数集中包括了全部的检测参数,根据具体车型和具体路况建立估计模型时,需要获取这些检测参数对应的检测数据,根据这些检测数据与质心侧偏角的相关性,从而筛选出最相关的检测参数。
步骤S122:依次计算检测数据与质心侧偏角数据的相关系数,获得相关系数集并将相关系数集按降序排列;
步骤S123:从所述相关系数集的开始位置选取预设数量的相关系数,将所述相关系数对应的检测参数设为检测参数集。
具体的,本实施例中根据相关系数计算公式,计算检测数据与质心侧偏角的相关系数,并将获得的所有相关系数从大到小降序排列,从开始位置选取预设数量的相关系数,本实施例中估计模型中使用3个检测参数,预设数量为3,即选取出相关系数较高的预设数量的相关系数,然后根据该相关系数对应的检测数据获取到对应的检测参数,选取出的检测参数就构成与估计模型相关的检测参数集。
进一步的,若预设路况包括至少两种路况时,获取到多种路况下的检测参数集后,还可以进行进一步的筛选,具体步骤包括:根据预设的路况权重,将每个检测参数在所有路况下进行加权累计,合并所有路况对应的检测参数集,获得合并参数集;将合并参数集中的检测参数按照权重降序排列;从合并参数集的开始位置选取预设数量的检测参数设为具体车型对应的检测参数集。也就是说,在确定具体车型的检测参数集时,将该车型在不同路况下的检测参数集进行加权累计排序,获得综合各种路况下权重最大的检测参数作为该车型的估计模型所用的检测参数集。
本实施例在建模时,采集如图4所示转弯幅度较高的一组高附路面(如下述的高附蛇形-2)的数据作为检测数据。
为了验证模型算法及计算参数的有效性,实验采集同一款车型在10组高附路面数据、14组低温冰雪路面的实测数据,用于验证不同路面附着系数条件下算法的有效性。行车过程中的质心侧偏角数据采用Vbox采集。
为了评价该估计模型的有效性,选取质心侧偏角的平均估计偏差为评价指标:其中/>为估计的质心侧偏角值,/>为实测的质心侧偏角值,n为不同路况的序号。下面表格列出了除了用于建模的路况以外的23组数据的平均估计偏差:
由表格中数据可以看出,该估计模型获得的平均估计偏差为0.5831rad,该精度能够满足正常车辆的稳定性判断要求。并且虽然建模的数据(13:高附蛇形-2)是高附路面的数据,但是将该估计模型用于冰雪路面的预测精度为0.5938rad,和高附路面的预测精度0.5664rad相差不大。这个结果表明,估计模型已经涵盖了路面附着系数对质心侧偏角的影响,因此,即便只使用高附路面数据进行模型训练,也能预测出低附路面的质心侧偏角。此外,仪器Vbox本身也存在计算偏差,而这部分偏差引起的误差被误认为算法模型偏差统计在上表内,因此,实际估计模型的估算精度还会高于上表中的结果。
因此,本发明的质心侧偏角估计方法不依赖于精准的数学模型,对模型偏差和噪声影响具有很强的鲁棒性,使用方便、准确性高。
示例性设备
如图5所示,对应于上述质心侧偏角估计方法,本发明实施例还提供一种质心侧偏角估计装置,上述质心侧偏角估计装置包括:
检测参数获取模块600,用于获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
其中,估计模型是用来估计质心侧偏角的数学模型,本实施例中具体为一个函数模型。较之于基于网络模型的方法,本发明的估计模型以工程实践过程中己有的检测数据为基础,采用统计学算法对这些检测数据进行分析挖掘,最后以数学形式表达原始工程模型隐含的非线性关系。建立数学模型时,筛选这些检测数据,其中一些检测数据与建立后的数学模型相关,将这些检测数据以检测参数的形式反映在数学模型中,这些检测参数的集合形成检测参数集。因此,检测参数与估计模型中的检测数据相对应,通过检测参数可以确定通过安装在车辆上的哪些传感器获取哪些检测数据,从而估计质心侧偏角。
具体的,可以在建立估计模型后将与估计模型相关的检测参数集保存为文本存储在存储器中或者存储在数据库中,读取文本内容或数据库后就可以获取到该估计模型对应的检测参数集。
检测数据获取模块610,用于基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
具体的,检测参数集中的检测参数以数学变量的形式反映在数学模型中。需要通过预设的关联表来确定检测参数与传感器之间的对应关系,从而获取到每个检测参数对应的检测数据,将获得的检测数据应用在数学模型中,从而实时估算出质心侧偏角。预设的关联表中保存的内部包括:检测参数的标识、该检测参数对应的传感器、获取检测数据的调用方法和调用参数等。
估计模块620,用于基于所述检测数据,根据估计模型获得质心侧偏角;
控制模块630,用于根据质心侧偏角控制汽车的稳定性。
具体的,本实施例中的数学模型为:β=[k0 k1 k2 k3 k4 k5]X,其中β为质心侧偏角,[k0 k1 k2 k3 k4 k5]为参数系数集,X为由所述检测参数集形成的矩阵。预先根据估计模型应用的车型,通过该车型的历史检测数据确定参数系数集和检测参数集。建立估计模型后,获得检测参数集对应的检测数据,即上述矩阵X,并代入上述的数学模型公式就可以获得质心侧偏角。控制模块用来根据估计模块获得的质心侧偏角控制汽车稳定性。
进一步的,还包括估计模型建立模块,用于基于预设路况,实时监测质心侧偏角传感器,获得质心侧偏角数据;在预设的参数集中筛选,获得检测参数集,所述参数集包括全部检测参数;基于预设的关联表,依次获取所述检测参数集中的检测参数对应的检测数据;基于质心侧偏角数据和所有的检测数据,获得估计模型中的参数系数集;基于参数系数集和检测参数集建立所述估计模型。
具体的,本实施例中,上述质心侧偏角估计装置的各模块的具体功能可以参照上述质心侧偏角估计方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图6所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和质心侧偏角估计程序。该内存储器为非易失性存储介质中的操作系统和质心侧偏角估计程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该质心侧偏角估计程序被处理器执行时实现上述任意一种质心侧偏角估计方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图6中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的质心侧偏角估计程序,上述质心侧偏角估计程序被上述处理器执行时进行以下操作指令:
获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
基于所述检测数据,根据估计模型获得质心侧偏角。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有质心侧偏角估计程序,上述质心侧偏角估计程序被处理器执行时实现本发明实施例提供的任意一种质心侧偏角估计方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块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。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.质心侧偏角估计方法,其特征在于,所述方法包括:
获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
基于所述检测数据,根据估计模型获得质心侧偏角;
根据所述质心侧偏角控制汽车的稳定性;
预先建立估计模型,包括:
基于预设路况,实时监测质心侧偏角传感器,获得质心侧偏角数据;
在预设的参数集中筛选,获得所述检测参数集,所述参数集包括全部检测参数,所述检测参数集与车型相关;
基于预设的关联表,依次获取所述检测参数集中的检测参数对应的检测数据;
基于所述质心侧偏角数据和所有的所述检测数据,获得所述估计模型中的参数系数集;
基于所述参数系数集和所述检测参数集建立所述估计模型;
所述在预设的参数集中筛选,获得所述检测参数集,包括:
依次获取所述参数集中的检测参数对应的检测数据;
依次计算所述检测数据与所述质心侧偏角数据的相关系数,获得相关系数集并将所述相关系数集按降序排列;
从所述相关系数集的开始位置选取预设数量的相关系数,将所述相关系数对应的检测参数设为所述检测参数集;
所述参数系数集与车型相关,所述检测参数集中的检测参数用于确定安装在车辆上的传感器。
2.如权利要求1所述的质心侧偏角估计方法,其特征在于,所述预设路况包括至少两种路况,还包括:
基于预设的路况权重,合并所有路况对应的检测参数集,获得合并参数集;
将所述合并参数集中的检测参数按照权重降序排列;
从所述合并参数集的开始位置选取预设数量的检测参数设为所述检测参数集。
3.如权利要求1所述的质心侧偏角估计方法,其特征在于,所述基于所述质心侧偏角数据和所有的所述检测数据,获得所述估计模型中的参数系数集,包括:
将所有的所述检测数据组成纵向矩阵;
基于最小二乘法,根据所述质心侧偏角数据、所述纵向矩阵获得所述参数系数集。
4.如权利要求1所述的质心侧偏角估计方法,其特征在于,所述数学模型为:β=[k0k1k2k3k4k5]X,其中β为质心侧偏角,[k0k1k2k3k4k5]为参数系数集,X为由所述检测参数集形成的矩阵。
5.如权利要求4所述的质心侧偏角估计方法,其特征在于,基于所述估计模型应用的车型,根据所述车型的历史检测数据确定所述参数系数集和所述检测参数集。
6.质心侧偏角估计装置,其特征在于,所述装置包括:
检测参数获取模块,用于获得与预先建立的估计模型对应的检测参数集,所述估计模型为用于估计质心侧偏角的数学模型;
检测数据获取模块,用于基于预设的关联表,依次获取与所述检测参数集中的检测参数对应的检测数据,所述关联表用于建立检测参数与采集装置的对应关系;
估计模块,用于基于所述检测数据,根据估计模型获得质心侧偏角;
控制模块,用于根据所述质心侧偏角控制汽车的稳定性;
还包括估计模型建立模块,用于基于预设路况,实时监测质心侧偏角传感器,获得质心侧偏角数据;在预设的参数集中筛选,获得所述检测参数集,所述参数集包括全部检测参数,所述检测参数集与车型相关;基于预设的关联表,依次获取所述检测参数集中的检测参数对应的检测数据;基于所述质心侧偏角数据和所有的所述检测数据,获得所述估计模型中的参数系数集;基于所述参数系数集和所述检测参数集建立所述估计模型;
所述在预设的参数集中筛选,获得所述检测参数集,包括:依次获取所述参数集中的检测参数对应的检测数据;依次计算所述检测数据与所述质心侧偏角数据的相关系数,获得相关系数集并将所述相关系数集按降序排列;从所述相关系数集的开始位置选取预设数量的相关系数,将所述相关系数对应的检测参数设为所述检测参数集;
所述参数系数集与车型相关,所述检测参数集中的检测参数用于确定安装在车辆上的传感器。
7.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的质心侧偏角估计程序,所述质心侧偏角估计程序被所述处理器执行时实现如权利要求1-5任意一项所述质心侧偏角估计方法的步骤。
8.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有质心侧偏角估计程序,所述质心侧偏角估计程序被处理器执行时实现如权利要求1-5任意一项所述质心侧偏角估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361614.7A CN114692418B (zh) | 2022-04-07 | 2022-04-07 | 质心侧偏角估计方法、装置、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361614.7A CN114692418B (zh) | 2022-04-07 | 2022-04-07 | 质心侧偏角估计方法、装置、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692418A CN114692418A (zh) | 2022-07-01 |
CN114692418B true CN114692418B (zh) | 2023-03-28 |
Family
ID=82143299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361614.7A Active CN114692418B (zh) | 2022-04-07 | 2022-04-07 | 质心侧偏角估计方法、装置、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692418B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358679B (zh) * | 2017-06-14 | 2019-10-18 | 同济大学 | 一种基于新型模糊观测器的车辆质心侧偏角的估计方法 |
WO2019218097A1 (zh) * | 2018-05-14 | 2019-11-21 | Lu Shan | 汽车爆胎安全稳定控制系统 |
CN110341714B (zh) * | 2019-06-26 | 2021-02-12 | 江苏大学 | 一种同时估计车辆质心侧偏角和扰动的方法 |
CN111959514B (zh) * | 2020-08-13 | 2021-08-31 | 清华大学 | 一种基于模糊动力学系统的汽车质心侧偏角观测方法 |
-
2022
- 2022-04-07 CN CN202210361614.7A patent/CN114692418B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114692418A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6076035A (en) | Wear condition detecting apparatus for tire and method thereof | |
CN112660112B (zh) | 一种车辆侧倾状态及侧翻预测方法及系统 | |
WO2016102379A1 (en) | Method and system for determining a wheel load acting on a tire of a vehicle | |
CN102486400A (zh) | 车辆质量辨识方法和装置 | |
CN108622105A (zh) | 基于多元回归分析的车辆弯道安全车速预测及预警系统 | |
CN108765942B (zh) | 一种智能网联汽车弯道危险预警系统及方法 | |
DE10306829B4 (de) | Ermittlung von Fahrzeug-Geschwindigkeiten mit Hilfe von lineare Parameter und Verstärkung variierenden Planungs-Theorien | |
CN111951550B (zh) | 交通安全风险监控方法、装置、存储介质及计算机设备 | |
CN107000755A (zh) | 用于估计影响车辆动力学的变量的方法和对应的虚拟传感器 | |
CN105510223B (zh) | 用于使用自校准扭矩估计路面摩擦系数的方法和系统 | |
CN113936464A (zh) | 一种面向桥隧路段行车安全的智能监测与预警方法及系统 | |
US20070016354A1 (en) | Method and device for determining a friction value representing frictions acting between a road and vehicle tires | |
CN111114551B (zh) | 一种车辆坡道坡度识别方法和装置 | |
CN105799709A (zh) | 车辆急转弯的识别方法及装置 | |
CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
CN103279675A (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
CN112884288A (zh) | 一种高速公路雨雾场景行车安全评估系统 | |
CN109282832A (zh) | 适用于特殊路面的惯性辅助里程计自适应标定方法及系统 | |
DE102017219048A1 (de) | Verfahren und Vorrichtung zum Bestimmen eines Zustands einer Fahrbahn eines Fahrzeugs | |
US6222444B1 (en) | Method for detecting a deflated tire on a vehicle | |
CN109344903B (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 | |
CN114692418B (zh) | 质心侧偏角估计方法、装置、智能终端及存储介质 | |
JP4800025B2 (ja) | 車両の荷重状態推定方法およびタイヤ空気圧低下警報方法 | |
US6216061B1 (en) | Method for determining a reference magnitude | |
CN111483277A (zh) | 基于机器学习的轮胎欠压识别方法、系统及存储介质 |
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 | ||
GR01 | Patent grant |