CN114715158A - 一种基于路面纹理特征的路面附着系数的测定装置及方法 - Google Patents
一种基于路面纹理特征的路面附着系数的测定装置及方法 Download PDFInfo
- Publication number
- CN114715158A CN114715158A CN202210431770.6A CN202210431770A CN114715158A CN 114715158 A CN114715158 A CN 114715158A CN 202210431770 A CN202210431770 A CN 202210431770A CN 114715158 A CN114715158 A CN 114715158A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road surface
- road
- adhesion coefficient
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 29
- 230000006870 function Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 5
- 239000010426 asphalt Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 102100022148 G protein pathway suppressor 2 Human genes 0.000 description 4
- 101000900320 Homo sapiens G protein pathway suppressor 2 Proteins 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
发明公开了一种基于路面纹理特征的路面附着系数的测定装置及方法,测定装置包括由核心控制单元控制的GPS、惯导传感器、ABS传感器、第一车载摄像头、轮胎垂向载荷传感器、第二车载摄像头、前轮转角传感器、第三车载摄像头和车辆主动安全控制系统,测定方法包括如下步骤:提取轮胎纹理信息;完成对车辆将要行驶路面位置的图像信息采集;提取车辆将要行驶路面的路面信息;完成对车辆将要行驶路面的路面纹理特征识别及预估路面附着系数;完成对车辆实际行驶路面位置的路面图像信息采集;完成车辆实际行驶路面位置的附着系数计算;通过数据库更新并存储数据。本发明实时性强、抗干扰能力强,避免了通过单一地利用传感器测量的路面附着系数。
Description
技术领域
本发明涉及高新技术装备技术领域以及道路工程技术领域,尤其是一种基于路面纹理特征的路面附着系数的测定装置及方法。
背景技术
目前,汽车中的先进驾驶员辅助系统如自适应巡航控制(adaptive cruisecontrol,ACC)、车辆稳定性控制系统(Vehicle Stability Control System,VSC)、防抱死制动系统(anti-lock braking system,ABS)、驱动力控制系统(traction controlsystem,TCS)和电子稳定程序(electronic stability program,ESP)等,为汽车的稳定和安全行驶提供保障。然而要想得到较好的控制效果,得到精确的路面附着系数是其重要的前提,比如在附着系数低的路面除了降低制动力,悬架还可以通过降低车辆质心,以使车辆更稳定。不同的路面类型,其路面附着系数各不相同,如果采用相同的控制策略,极易出现侧翻、过渡滑转、失稳等极端现象,造成严重交通事故。因此,获取实时准确的路面附着系数,对车辆的主动安全控制来说非常重要。
现有的车辆安全控制所需路面附着系数的确定方法存在如下问题:
(1)单一地利用传感器测量的路面识别估算法,此方法单一的利用车辆附加的传感器直接测量影响路面附着系数的因素,从而得到路面附着系数,但传感器容易受到环境因素扰动从而容易造成误差产生,没有考虑轮胎的磨损状态。
(2)利用车辆动力学模型的路面识别估算方法,单纯的运用卡尔曼滤波、模型估算等算法,虽然方法上易于实现,但对模型精度要求较高,且由于车辆在实际工况行驶过程中的工况是复杂多变的,如胎压、胎温等,模型方法较少对这些不确定因素考虑,因此模型法对外界不确定因素下的抗干扰能力较差。
发明内容
本发明需要解决的技术问题是提供一种基于路面纹理特征的路面附着系数的测定装置及方法,避免了单一的利用车辆附加的传感器直接测量路面附着系数时因传感器容易受到环境因素扰动而容易造成误差产生的问题,充分考虑轮胎的磨损状态,降低了对模型精度要求,提高了模型法对外界不确定因素的抗干扰能力。
与现有技术相比,本发明取得的技术进步是:
1、本发明基于车载常用传感器、车辆动力学模型以及搭建具有机器学习功能的数据库算法来实现一种实时性、准确性高的车辆安全控制系统所需路面附着系数的测定方法;
2、本发明在测定方法相关的车辆动力学模型中提供一种简单实用、鲁棒性强、收敛快、路面激励敏感性强的基于归一化策略的三维路面峰值附着系数的测量方法模型,便于克服现有的基于模型的测量方法中存在的缺点;并通过在该测量车辆上安装检测装置和配合装置的核心控制单元,对路面附着系数估计算法的可行性和有效性进行了可靠的检验;
3、本发明避免了单一的利用车辆附加的传感器直接测量路面附着系数时因传感器容易受到环境因素扰动而容易造成误差产生的问题,充分考虑轮胎的磨损状态,降低了对模型精度要求,提高了模型法对外界不确定因素的抗干扰能力。
附图说明
图1是本发明路面附着系统的测定装置的透视布局示意图;
图2是本发明车载摄像头结构图;
图3是本发明路面附着系数的测定系统流程图;
图4是本发明车辆预测位选取示意图;
图5是本发明路面附着系数预估模块结构图;
图6是本发明路面附着系数测量方法流程图;
图7是本发明车辆动力学模型;
图8是本发明典型路面利用附着系数随滑移率的变化曲线图;
图9是本发明扩展卡尔曼滤波测量流程图;
图10是本发明试验测试结果;
其中,1、核心控制单元,2、GPS,3、惯导传感器,4、ABS传感器,5、第一车载摄像头,6、轮胎垂向载荷传感器,7、第二车载摄像头,8、前轮转角传感器,9、第三车载摄像头,10、车辆主动安全控制系统,11、第一车载摄像头控制模块,12、第二车载摄像头控制模块,13、第三车载摄像头控制模块,14、车-路信息采集模块,15、路面附着系数计算模块,16、路面类型识别模块,17、纹理信息提取模块,18、路面附着系数预估模块,19、数据库,20、云端数据总库,21、安装底座,22、第一伺服电机,23、框架,24、第二伺服电机,25、摄像头,26、摄像探头。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
如图1所示,一种基于路面纹理特征的路面附着系数的测定装置,包括由核心控制单元1控制的GPS 2、惯导传感器3、ABS传感器4、第一车载摄像头5、轮胎垂向载荷传感器6、第二车载摄像头7、前轮转角传感器8、第三车载摄像头9和车辆主动安全控制系统10,所述GPS 2和惯导传感器3设置于车辆前挡风玻璃下方装饰板内隐蔽处,所述ABS传感器4设置在后轮的轮胎内侧,所述第一车载摄像头5设置于汽车引擎盖前端中间位置的下侧,所述轮胎垂向载荷传感器6放置于轮胎胎冠内侧中央处,所述第二车载摄像头7固定连接在车辆前底盘靠近前轮位置的底盘边界中央处,所述前轮转角传感器8设置在右前轮转向架上,所述第三车载摄像头9固定连接在底盘上且位于车辆左前轮胎对侧位置,所述车辆主动安全控制系统10在车载WinCE系统或车载Android系统中。
如图2所示,所述第一车载摄像头5、第二车载摄像头7、第三车载摄像头9结构相同,均包括安装底座21、固定连接在安装底座21上的第一伺服电机22、铰接连接在第一伺服电机22的输出端上的框架23、铰接连接在框架23上的第二伺服电机24、固定连接在第二伺服电机24输出端上的摄像头25,所述摄像头25上设置有摄像探头26,摄像探头26的左右转动动作的最大偏转角度为左右各45°,摄像探头26的上下转动动作的最大偏转角度为上下各45°。
第二伺服电机24在接收到控制模块的指令后,通过电机的转动动作实现摄像探头26上下45°转动,以此带动对应摄像头总体部分的仰俯角度调整,最大仰角和俯角都为45°。
第一车载摄像头控制模块11根据当前的车速和方向盘转角信号控制第一车载摄像头5对预测位置拍摄,第一伺服电机22在接受到控制模块指令后,通过控制电机轴转动实现第一车载摄像头5左右转动动作,左右转动动作的最大偏转角度各为45°。第一车载摄像头5最远可视距离200米,可在车速120km/h的时速下采集到前方30米处的高清路面图像。
核心控制单元1模块功能表如表1所示:
本路面附着系数测定系统模块可内嵌入车载系统运行使用,如车载WinCE系统、车载Android系统等。
表1路面附着系数测定核心控制单元模块功能表
所述核心控制单元1包括视觉信息采集部分、车-路信息采集部分、图像信息处理部分、附着系数部分、数据存储部分;所述视觉信息采集部分包括第一车载摄像头控制模块11、第二车载摄像头控制模块12和第三车载摄像头控制模块13,所述第一车载摄像头控制模块11控制第一车载摄像头5进行车辆将要行驶的路面位置(简称预测位置)的拍摄动作,所述第二车载摄像头控制模块12控制第二车载摄像头7进行车辆实际行驶路面位置(简称实际位置)的拍摄动作,所述第三车载摄像头控制模块13控制第三车载摄像头9拍摄轮胎纹理的图像;所述车-路信息采集部分包括车-路信息采集模块14,所述车-路信息采集模块14采集车辆状态信息及路面状况信息传输至路面附着系数计算模块15,所述车-路信息采集模块14采集的车辆状态信息及路面状况信息包括车辆实时位置、实时速度信息、装置的角度信息、给前轮的转角信息以及轮胎垂向载荷信息,车辆实时位置和实时速度信息由GPS2提供,所述车-路信息采集模块14采集的装置角度信息包括装置的横摆、侧倾、俯仰的倾斜角度信息,所述车-路信息采集模块14采集的装置角度信息由惯导传感器3提供,所述车-路信息采集模块采集的轮胎的垂向载荷信息由轮胎的垂向载荷传感器6提供。所述路面附着系数计算模块15根据车-路信息采集模块14采集传递来的车辆状态信息及路面状况信息进行实际位置的路面附着系数计算;所述图像信息处理部分包括路面类型识别模块16和纹理信息提取模块17,所述路面类型识别模块16对第一车载摄像头5发送来的路面图像信息进行路面类型识别,所述纹理信息提取模块17对第一车载摄像头5、第二车载摄像头7及第三车载摄像头9发送来的图像信息进行纹理提取;所述附着系数部分包括路面附着系数预估模块18,所述路面附着系数预估模块18根据车辆将要行驶路面位置的路面纹理特征对比数据库19中相应路面类型下的数据对给出车辆将要行驶路面位置的路面附着系数预估值;所述数据存储部分包括与云端数据总库20通过车联网相连通的数据库19,所述数据库19存储着轮胎不同使用状态下的纹理信息、不同路面类型下多种纹理特征、不同路面纹理特征下的路面附着系数计算值或预估值。
如图3所示,一种基于路面纹理特征的路面附着系数的测定方法,包括以下步骤:
步骤S1:提取轮胎纹理信息:
第三车载摄像头控制模块13控制第三车载摄像头9采集前车轮的轮胎图像信息,并将拍摄到的图像信息发送给纹理信息提取模块17进行轮胎纹理信息的提取,并将提取到的轮胎纹理三维灰度图像发送给数据库19储存,另外,由于不同轮胎的耐磨性不同,一般轮胎的使用寿命为3-5年,轮胎胎面的胎纹磨损深度约为3.2毫米。因此在车辆轮胎正常使用中系统设定5个月更新一次轮胎纹理图像。在更换轮胎时第三车载摄像头9采集轮胎图像以更新数据库轮胎纹理信息;
步骤S2:完成对车辆将要行驶路面位置(简称预测位置)的图像信息采集:
为了车辆更好地进行主动控制,车辆在行驶过程中需要提前给车辆主动安全控制系统提供车轮将要行驶路面位置的路面附着系数信息。根据车速、方向盘转角及车辆上下坡工况实时状态控制第一车载摄像头5产生动作去拍摄预测位置的图像信息,用车辆前端的第一车载摄像头5进行预测位置并对预测位置路面进行拍摄并提取图像。操作时选定车轮将要行驶的路面位置,用第一车载摄像头5对车辆将要行驶路面位置的路面进行拍摄并提取图像,将第一车载摄像头5采集到的路面图像信息发送给系统的路面类型识别模块16和纹理信息提取模块17,进行路面类型的识别和路面纹理信息的提取;
车辆不同的行驶状态需要第一车载摄像头5采取不同的动作去拍摄预测位置的路面图像信息,第一车载摄像头5从接到拍摄命令到系统给出预估路面附着系数之间需要一定的时间,由于不同的摄像头以及不同系统的响应时间不同,这里我们定义第一车载摄像头5响应时间为0.4秒,因此我们则需要预测车轮在0.8秒后将要行驶到的路面位置,以留出一定的时间给车辆主动安全控制系统去执行安全控制。
如图4所示,车轮将要行驶的路面位置的选定方法如下:
情况一:在车辆直行状态时,第一车载摄像头5根据当前车速提前预估出0.8秒后车轮能够行驶到的路面位置并对此位置进行拍摄;
情况二:在车辆处于转弯状态时,第一车载摄像头5根据当前的车速大小以及方向盘的转角角度进行预测0.8秒后车轮的行驶位置并对此位置进行拍摄;
情况三:在车辆处于上下坡状态时,第一车载摄像头5根据车速和坡道面的仰俯角度以及方向盘转角角度预测0.8秒后的车轮位置并对此位置进行拍摄;
情况四:当车速超过120km/h时,第一车载摄像头5采集不到高清路面图像信息,此时车辆的核心控制单元1应给出相应的警示信息,提醒驾驶员减缓车速。
步骤S3:提取车辆将要行驶路面的路面信息:
步骤S3.1:获得车辆将要行驶路面位置(简称实际位置)的路面类型:路面类型识别模块16根据采集到的路面图像识别出当前路面的类型;
不同的路面类型有不同的颜色分布特征,颜色特征直观简单,以统计的形式反映图像的整体颜色分布特点和差异性。而且在图像发生旋转、缩放等变化时,颜色特征仍然保持不变,因此稳定性更好,并且图像颜色特征与环境相关性高。因此采用颜色特征来识别车辆将要行驶路面位置的路面类型:第一车载摄像头5拍摄路面图像信息后发送给路面类型识别模块16,路面类型识别模块16先进行预处理,之后提取图像的颜色特征,通过对比不同路面的颜色特征判断当前路面属于哪种类型的路面,在成功识别路面类型之后将识别出来的路面类型信息发送到路面附着系数预估模块18和路面附着系数计算模块15,路面附着系数预估模块18进行相应路面类型下的纹理特征识别以及附着系数的预估,路面附着系数计算模块15依据相应的路面类型进行路面附着系数的计算;
步骤S3.2:获得车辆将要行驶路面位置的路面纹理特征:
在同一路面类型下,路面的凹凸特征分布状况是路面附着系数的重要影响因素,灰度图像中不同明暗纹理可以反映出路面纹理的不同凹凸特征,而这不同的凹凸特征代表着路面纹理的不平整度,不平整度与路面附着系数存在相关关系。因此可用灰度共生矩阵处理得到路面的灰度纹理图像来表征相应路面的纹理特征,而预测位置路面的路面附着系数则可用其相应纹理特征下的三维灰度图像与已有纹理特征的三维灰度图像的相似程度为参考准则来确定预估值。
第一车载摄像头5将拍摄到的路面图像传递到纹理信息提取模块17,纹理信息提取模块17根据采集到的路面图像提取出当前路面的纹理特征,纹理信息提取模块17利用数字图像的灰度处理技术将拍摄到的路面图像转化为该路面下的具有路面纹理特征的数字图像,然后将处理后得到的数字图像发送给路面附着系数预估模块18,通过车辆将要行驶路面位置的路面相应纹理特征下的三维灰度图像与已有纹理特征的三维灰度图像的相似程度为参考准则来确定路面附着系数预估值;
路面纹理信息提取模块17的处理过程如下:
步骤S3.2.1、转化为像素分布矩阵:将第一车载摄像头5拍摄到的路面图像进行灰度值量化处理,以获取不同路面位置的带有表面灰度值分布矩阵的数字图像;
步骤S3.2.2、增大数字图像的对比度:为了增加多种灰度值相近的不同分之间的区分度,可以对这一段范围内的灰度值进行拉伸变化,也即对过明或过暗的地方进行灰度值的线性变换,以增大对比度不明显区域灰度值的落差,扩大局部区域范围灰度值的落差范围,但不能超过灰度值的总范围[0,255],以便于后期的路面纹理特征对比识别;
步骤S3.2.3、将数字图像进行去噪处理:摄像头拍到的路面图像难免会受到噪声污染,因此我们需要对其进行降噪处理,以采用中值滤波方法,其核心理念是将某一像素点领域的所有像素点采用该像素点集合的中值来代替;
步骤S3.2.4、将数字图像进行锐化处理:为了使数字图像的细节部分,尤其是边缘部分更容易辨析路面的纹理特征,此处我们可以采用高通滤波处理,将所要突显区域的像素值同周围区域的像素值进行差异化方法处理,以此来获得更为精确的轮廓信息;
步骤S3.2.5、发送给路面附着系数预估模块18:将处理后的三维灰度路面纹理图像发送给路面附着系数预估模块18进行路面附着系数的预估工作。
步骤S4:完成对车辆将要行驶路面的路面纹理特征识别及预估路面附着系数:
路面附着系数预估模块18根据路面类型及路面纹理特征对比数据库19信息给出当前路面附着系数的预估值,并将路面附着系数预估值发送给车辆主动安全控制系统10和数据库19,车辆主动安全控制系统10以此路面附着系数去执行主动安全控制,同时数据库19在此路面类型中记录下当前路面纹理特征信息以及对应的路面附着系数值,以形成一组预估数据对;
在采集到路面的纹理特征之后,需要以采集到的当前的路面纹理特征去对比识别车端系统数据库19中的纹理特征信息,而这识别的算法过程我们采用卷积神经网络(Convolutional Neural Network,CNN),卷积神经网络的结构多由单层输入层、多层卷积层、多层池化层、单或多层全连接层以及单层输出层构成,如图5所示。
路面附着系数预估模块18的工作流程如下:
1、输入层:
在此处运用卷积神经网络中,输入层主要作用是将纹理信息提取模块(17)提取得到的路面纹理特征图像带入到神经网络当中,也即将路面纹理特征的三维像素矩阵带入到神经网络当中。
2、卷积层:
卷积层的作用是将进来的图像进行卷积处理操作,路面纹理特征的原始输入图像的大小为128×128×1,该层卷积层有3个64×64个卷积核,此时经过卷积处理后将会产生3个65×65的特征子图。
3、池化层:
池化层就是对卷积层输出的路面纹理特征子图进行采样出多个区块化的特征子图,采样区域的大小为5×5,经过池化层采样后得到13×13的特征子图。然后将采样后的特征子图输出到下一步骤。
4、全连接层:
当图像经历了前面的卷积、池化处理之后,也即把路面纹理图像的特征进行了分布式表达,这也是为后面的全连接层进行铺垫工作,而全连接层就像是将前面得到的“分布式特征元素”映射到数据库的样本空间当中,从而得到下一步的类型识别。
5、分类器:
分类器首先识别二维特征子图为轮胎图像还是路面图像,若是轮胎图像则将纹理图像直接发送给输出层。若是路面图像则将此处的二维特征子图处理之后的数据转化为一维向量,再进一步对比每一个类别的纹理图像特征的概率从而得到相应的结果,设置相似率最高准则,依据与其相似率最高的路面纹理特征下的路面附着系数给出当前纹理特征下的路面附着系数预估值。并将当前路面的纹理特征与路面附着系数预估值发送到输出层。
6、输出层:
输出层是输出分类器的结果,若输出层收到的是轮胎纹理图像则将轮胎纹理图像发送给数据库19,并开启新的轮胎纹理特征子库。若输出层收到的是路面纹理特征信息和路面附着系数预估值,则将新产生的路面纹理特征信息和相应的路面附着系数预估值发送到数据库19存储。
步骤S5:完成对车辆实际行驶路面位置的路面图像信息采集:
数据库19将预测位置的路面附着系数预估值发送到车辆主动安全控制系统后,就完成了车辆下一时刻行驶路面位置的路面附着系数预估工作,接下来进入预测位置的路面附着系数修正阶段。
当车辆车轮行驶到之前的预测位置路面时,也即行驶到所要计算路面附着系数的路面位置(简称实际位置),核心控制单元1发送指令给第二车载摄像头控制模块12和车-路信息采集模块14,第二车载摄像头控制模块12控制第二车载摄像头7拍摄车辆实际行驶路面位置的路面图像信息,并将拍摄到的路面图像信息发送给纹理信息提取模块17以提取车轮实际行驶位置的路面纹理特征信息,车-路信息采集模块14主要负责收集车辆的纵向车速、侧向车速、纵向加速度、侧向加速度、前轮转角、车轮转速以及轮胎垂向载荷,并将收集到的数据参数发送给路面附着系数计算模块15,进行计算这一时刻的轮胎与路面纹理间的真实路面附着系数。
步骤S6:完成车辆实际行驶路面位置的附着系数计算:
路面附着系数计算模块15根据车辆状态信息、路面状况信息计算出当前路面的路面附着系数的计算值,并将路面附着系数的计算值发送到数据库19储存。
路面附着系数计算模块计算流程包括:
通过GPS 2、惯导传感器3、ABS传感器4、前轮转角传感器8和轮胎的垂向载荷传感器6提供的车辆动力学参数建立车辆动力学模型,其中,通过GPS2用来提供车辆实时的位置参数、速度参数,惯导传感器3提供装置横摆、侧倾、俯仰的角度参数,ABS传感器4提供车轮转速参数,前轮转角传感器8提供给前轮的转角信息,轮胎的垂向载荷传感器6对轮胎的垂向载荷信息进行采集;基于Kiencke轮胎模型提出基于相邻典型路面下的峰值附着系数与利用附着系数的等比值关系,由此关系可以实现轮胎模型的归一化;选用改进的LuGre轮胎模型来描述轮胎与有粗糙纹理路面之间的三维接触关系,采用多点接触的垂向动态模型来描述三维层面下路面不平度对车辆的影响,通过测量的轮胎垂向力实现对轮胎状态的安全监测,为车辆安全行驶提供了一层预警保障。归一化后的轮胎模型与车辆动力学模型搭配,经过扩展卡尔曼滤波(Extended Kalman Filter,简写为EKF)处理得到三维路面峰值附着系数的测量值,总体测量方法如图6所示。
路面附着系数计算模块计算公式如下:
车辆动力学模型如图7所示。根据Kiencke轮胎模型,可以得到典型路面下路面利用附着系数随滑移率的变化关系,如图8所示。
如图7所示,根据车辆动力学模型建立如下运动微分方程:
纵向方程:
侧向方程:
横摆方程:
各车轮的负载可表示为
其中,mz为整车质量,mb为簧载质量,Fxfl、Fxfr、Fxrl、Fxrr、Fyfl、Fyfr、Fyrl、Fyrr分别为四轮的纵向力和侧向力;vx,vy分别为车辆质心的纵向和侧向速度;γ,ψb,δf,θb分别为横摆角速度、侧倾角、前轮转角、俯仰角;hg为车辆质心高度,g为9.8m/s2,ax,ay分别为车辆质心纵向和侧向加速度,IZ为车体绕z轴的转动惯量,Ixz为车体在x轴和z轴的惯性积,T为轮距,a为质心到前轴距离,b为质心到后轴距离,L为轴距,Kψ为轮胎侧偏角刚度,q为路面垂向激励,为q的导数,zwi(i=fl,fr,rl,rr)为分别为左前轮心、右前轮心、左后轮心、右后轮心的垂向位移,为zwi的导数,为zb的导数,为θb的导数,为ψb的导数,为的导数,分别为vx的导数和vy的导数,为γ的导数。
垂向方向:
其中,mw为非簧载质量,Kb为悬挂系刚度系数,Kw为轮胎刚度系数,kwi为轮胎分布刚度系数,Cb为悬挂系缓冲器阻尼常数,Cw为轮胎阻尼系数,cwi为轮胎的分布阻尼系数,zw为非簧载部分的垂直位移,zb为簧载部分的垂直位移。
根据Kiencke轮胎模型,可以得到典型路面下路面利用附着系数随滑移率的变化关系,如图8所示。
从图8可以看出,6种典型路面分别为:干沥青路面、湿沥青路面、水泥路面、湿鹅卵石路面、冰路面和雪路面,在6种典型路面下,利用路面附着系数与滑移率之间曲线的变化趋势相似,尤其在相邻典型路面之间,例如沥青与水泥路面、湿鹅卵石和雪路面。因此,路面的利用附着系数和峰值附着系数的关系可表示为:
假设路面g和h是相邻的路面且路面g和h为目标路面及其相邻路面,μResg、μResh分别为路面g和h的利用附着系数,μRmaxg、μRmaxh分别是路面g和h的峰值附着系数。
该轮胎模型考虑了路面纹理构造(路面功率谱来表征)对胎-路之间的轮胎力的影响、胎-路之间的非均匀压力分布两个因素,相比现有的稳态轮胎模型,可以更加真实地反映胎-路之间的接触过程。
改进的LuGre轮胎模型具体表达如式(11):
其中,P(q)为胎路有效接触面积比例系数,FZ为轮胎所受垂向载荷,σ0x和σ0y分别为橡胶纵向和侧向集总弹性系数,C1x和C1y分别为刷毛变形量稳态解析解纵向和侧向系数,σ2x和σ2y分别为纵向和侧向相对粘性阻尼系数,vrx和vry分别为轮胎与路面间的纵向和侧向相对速度,n1为纵向均匀性因子,λ1为纵向凹凸性因子,和分别为纵向和侧向轮胎力系数。
归一化后的轮胎模型中轮胎力表示为
F=μResFz, (13)
其中,μRes为综合利用附着系数。
结合式(10)和(13),由此可以将其拓展到不同附着系数的相邻典型路面,即:
Fg为目标路面的轮胎力,Fh为相邻路面的轮胎力,μRmaxg为目标路面的峰值附着系数,μRmaxh为相邻路面的峰值附着系数;
对式(14)简单变换有:
其中,μRmaxg为待识别的参数;
纵向滑移率、侧向滑移率、综合滑移率分别可以表示为:
其中,ω为轮胎转速,R为轮胎有效半径,α为轮胎侧偏角,vw为轮心速度。
综上可得,
基于扩展卡尔曼滤波(EKF)的系统方程的建立:
其中,为左前轮、右前轮、左后轮、右后轮的纵向归一化力,为左前轮、右前轮、左后轮、右后轮的侧向归一化力;μij(ij=fl,fr,rl,rr)分别代表着左前轮、右前轮、左后轮、右后轮与目标路面之间的峰值附着系数;
由公式(23)、(24)、(25)可得出状态方程和量测方程,其中状态方程为:
量测方程可表示为:
随机变量w(t)和v(t)分别为过程噪声和测量噪声。基于扩展卡尔曼滤波(EKF)测量流程:
结合EKF可以得到三维路面峰值附着系数测量值,扩展卡尔曼滤波流程如图9所示。
测试结果验证:已有的研究表明干沥青路面的路面峰值附着系数位于[0.8,0.92],通过在干沥青路面以平均36km/h的速度进行直线和稳态回转(曲率半径为33m)试验,试验结果如图10所示。可以及时准确地得到干沥青路面的路面峰值附着系数测量值,且误差在可接受范围[-0.05,0.05]。
步骤S7:通过数据库19更新并存储数据:
数据库19存储基于不同轮胎纹理的各路面类型下的路面纹理特征和与之匹配的路面附着系数值,且车载数据通过车联网与云端数据总库20信息进行信息共享互联,在实际位置路面的纹理特征与之前采集到的预测位置路面纹理特征相同时,若路面附着系数预估模块18给出的测定值与路面附着系数计算模块15得到的计算值差异较大,则数据库19覆盖掉预测位置路面附着系数预估值;若预测位置采集到的路面纹理特征与实际位置采集到的路面纹理特征不相同时,说明预测位置不准确,数据库19丢弃预测位置的数据对;核心控制单元1以此规则实现相应纹理路面下路面附着系数的修正更新,以此往复,数据库19经过不断的积累、修正更新,从而实现路面附着系数预估模块18的规则自建。
由于车辆行驶的路面纹理不同、车辆轮胎的纹理不同都会影响到路面附着系数估计值的准确性,因此车端系统数据库19里存储着路面附着系数信息,这信息包括不同路面类型下的路面纹理信息和与之匹配的路面附着系数值以及当前车辆使用轮胎损耗情况的纹理图像信息。轮胎磨损变化时需更新轮胎纹理数据,如新建数据库中的轮胎纹理的数据子库。
其中附着系数预估值的准确性与数据库中数据对数量呈正相关关系,在同一轮胎纹理的一种路面类型下数据量达到2000对以上时,路面附着系数预估值的误差范围可限制在0.05内,因此在系统搭建完成后需要投入大量的训练学习,以增加数据库的数据量积累。
为了提高数据库中数据对的应用效率,车载系统当中的数据库可通过车联网系统将数据库中的数据发送到云端数据总库20,云端数据总库20汇总各类型车辆上传来的数据,这数据包含各种类型轮胎纹理特征,这特征包括轮胎花纹(纵向花纹、横向花纹、小块花纹、单导向性花纹和混合花纹等)和轮胎磨损程度(每5个月左右更新一次轮胎磨损程度)等、各种路面类型(干沥青路面、湿沥青路面、水泥路面、湿鹅卵石路面、冰路面及雪路面)及其相应纹理特征下的路面附着系数值。每个通过车联网连接云端数据总库20的车辆,都可通过车载的数据库中的现用轮胎纹理特征去检索云端数据总库20的数据,并可通过下载功能将云端数据下载至车载的数据库端使用,以提高附着系数预估模块的预估值准确性。
Claims (10)
1.一种基于路面纹理特征的路面附着系数的测定装置,其特征在于:包括由核心控制单元(1)控制的GPS(2)、惯导传感器(3)、ABS传感器(4)、第一车载摄像头(5)、轮胎垂向载荷传感器(6)、第二车载摄像头(7)、前轮转角传感器(8)、第三车载摄像头(9)和车辆主动安全控制系统(10),所述GPS(2)和惯导传感器(3)设置于车辆前挡风玻璃下方装饰板内隐蔽处,所述ABS传感器(4)设置在后轮的轮胎内侧,所述第一车载摄像头(5)设置于汽车引擎盖前端中间位置的下侧,所述轮胎垂向载荷传感器(6)放置于轮胎胎冠内侧中央处,所述第二车载摄像头(7)固定连接在车辆前底盘靠近前轮位置的底盘边界中央处,所述前轮转角传感器(8)设置在右前轮转向架上,所述第三车载摄像头(9)固定连接在底盘上且位于车辆左前轮胎对侧位置,所述车辆主动安全控制系统(10)设置车载系统中。
2.根据权利要求1所述的一种基于路面纹理特征的路面附着系数的测定装置,其特征在于:所述核心控制单元(1)包括视觉信息采集部分、车-路信息采集部分、图像信息处理部分、附着系数部分、数据存储部分;所述视觉信息采集部分包括第一车载摄像头控制模块(11)、第二车载摄像头控制模块(12)和第三车载摄像头控制模块(13),所述第一车载摄像头控制模块(11)控制第一车载摄像头(5)进行车辆将要行驶的路面位置的拍摄动作,所述第二车载摄像头控制模块(12)控制第二车载摄像头(7)进行实际行驶路面位置的拍摄动作,所述第三车载摄像头控制模块(13)控制第三车载摄像头(9)拍摄轮胎纹理的图像;所述车-路信息采集部分包括车-路信息采集模块(14),所述车-路信息采集模块(14)采集车辆状态信息及路面状况信息传输至路面附着系数计算模块(15),所述路面附着系数计算模块(15)根据车-路信息采集模块(14)采集传递来的车辆状态信息及路面状况信息进行车辆实际行驶位置的路面附着系数计算;所述图像信息处理部分包括路面类型识别模块(16)和纹理信息提取模块(17),所述路面类型识别模块(16)对第一车载摄像头(5)发送来的路面图像信息进行路面类型识别,所述纹理信息提取模块(17)对第一车载摄像头(5)、第二车载摄像头(7)及第三车载摄像头(9)发送来的图像信息进行纹理提取;所述附着系数部分包括路面附着系数预估模块(18),所述路面附着系数预估模块(18)根据车辆将要行驶路面位置的路面纹理特征对比数据库(19)中相应路面类型下的数据对给出车辆将要行驶路面位置的路面附着系数预估值;所述数据存储部分包括与云端数据总库(20)通过车联网相连通的数据库(19),所述数据库(19)存储着轮胎不同使用状态下的纹理信息、不同路面类型下多种纹理特征、不同路面纹理特征下的路面附着系数计算值或预估值。
3.根据权利要求2所述的一种基于路面纹理特征的路面附着系数的测定装置,其特征在于:所述车-路信息采集模块(14)采集的车辆状态信息及路面状况信息包括车辆实时位置、实时速度信息、装置的角度信息、给前轮的转角信息以及轮胎垂向载荷信息,车辆实时位置和实时速度信息由GPS(2)提供,所述车-路信息采集模块(14)采集的装置角度信息包括装置的横摆、侧倾、俯仰的倾斜角度信息,所述车-路信息采集模块(14)采集的装置角度信息由惯导传感器(3)提供,所述车-路信息采集模块采集的轮胎垂向载荷信息由轮胎垂向载荷传感器(6)提供。
4.根据权利要求1所述的一种基于路面纹理特征的路面附着系数的测定装置,其特征在于:所述第一车载摄像头(5)、第二车载摄像头(7)、第三车载摄像头(9)结构相同,均包括安装底座(21)、固定连接在安装底座(21)上的第一伺服电机(22)、铰接连接在第一伺服电机(22)的输出端上的框架(23)、铰接连接在框架(23)上的第二伺服电机(24)、固定连接在第二伺服电机(24)输出端上的摄像头(25),所述摄像头(25)上设置有摄像探头(26),摄像探头(26)的左右转动动作的最大偏转角度为左右各45°,摄像探头(26)的上下转动动作的最大偏转角度为上下各45°。
5.一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:包括以下步骤:
步骤S1:提取轮胎纹理信息:
第三车载摄像头控制模块(13)控制第三车载摄像头(9)采集前车轮的轮胎图像信息,并将拍摄到的图像信息发送给纹理信息提取模块(17)进行轮胎纹理信息的提取,并将提取到的轮胎纹理三维灰度图像发送给数据库(19)储存,另外,在更换轮胎时第三车载摄像头(9)采集轮胎图像以更新数据库轮胎纹理信息;
步骤S2:完成对车辆将要行驶路面位置的图像信息采集:
选定车轮将要行驶的路面位置,用第一车载摄像头(5)对车辆将要行驶路面位置的路面进行拍摄并提取图像,将第一车载摄像头(5)采集到的路面图像信息发送给系统的路面类型识别模块(16)和纹理信息提取模块(17),进行路面类型的识别和路面纹理信息的提取;
步骤S3:提取车辆将要行驶路面的路面信息:
步骤S3.1:获得车辆将要行驶路面位置的路面类型:路面类型识别模块(16)根据采集到的路面图像识别出当前路面的类型;
采用颜色特征来识别车辆将要行驶路面位置的路面类型:第一车载摄像头(5)拍摄路面图像信息后发送给路面类型识别模块(16),路面类型识别模块(16)先进行预处理,之后提取图像的颜色特征,通过对比不同路面的颜色特征判断当前路面属于哪种类型的路面,在成功识别路面类型之后将识别出来的路面类型信息与路面纹理信息发送到路面附着系数预估模块(18)和路面附着系数计算模块(15),路面附着系数预估模块(18)进行相应路面类型下的纹理特征识别以及附着系数的预估,路面附着系数计算模块(15)依据相应的路面类型和与路面纹理信息进行路面附着系数的计算;
步骤S3.2:获得车辆将要行驶路面位置的路面纹理特征:第一车载摄像头(5)将拍摄到的路面图像传递到纹理信息提取模块(17),纹理信息提取模块(17)根据采集到的路面图像提取出当前路面的纹理特征,纹理信息提取模块(17)利用数字图像的灰度处理技术将拍摄到的路面图像转化为该路面下的具有路面纹理特征的三维灰度图像,然后将处理后得到的数字图像发送给路面附着系数预估模块(18),通过车辆将要行驶路面位置的路面相应纹理特征下的三维灰度图像与已有纹理特征的三维灰度图像的相似程度为参考准则来确定路面附着系数预估值;
步骤S4:完成对车辆将要行驶路面的路面纹理特征识别及预估路面附着系数:
路面附着系数预估模块(18)根据路面类型及路面纹理特征对比数据库(19)信息给出当前路面附着系数的预估值,并将路面附着系数预估值发送给车辆主动安全控制系统(10)和数据库(19),车辆主动安全控制系统(10)以此路面附着系数去执行主动安全控制,同时数据库(19)在此路面类型中记录下当前路面纹理特征信息以及对应的路面附着系数值,以形成一组附着系数预估数据对;
步骤S5:完成对车辆实际行驶路面位置的路面图像信息采集:
当车辆达到实际行驶路面位置时,核心控制单元(1)发送指令给第二车载摄像头控制模块(12)和车-路信息采集模块(14),第二车载摄像头控制模块(12)控制第二车载摄像头(7)拍摄车辆实际行驶路面位置的路面图像信息,并将拍摄到的路面图像信息发送给纹理信息提取模块(17)以提取车轮实际行驶位置的路面纹理特征信息,车-路信息采集模块(14)将收集的车辆在实际路面位置时的车辆实时的位置、速度信息、横摆、侧倾、俯仰的角度信息、前轮的转角信息和轮胎垂向载荷信息发送给路面附着系数计算模块(15);
步骤S6:完成车辆实际行驶路面位置的附着系数计算:
路面附着系数计算模块(15)根据车辆状态信息、路面状况信息计算出当前路面的路面附着系数的计算值,并将路面附着系数的计算值发送到数据库(19)储存;
步骤S7:通过数据库(19)更新并存储数据。
6.根据权利要求5所述的一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:所述步骤S2中的车轮将要行驶的路面位置的选定方法:
在车辆直行状态时,第一车载摄像头(5)根据当前车速提前预估出0.8秒后车轮能够行驶到的路面位置并对此位置进行拍摄;
在车辆处于转弯状态时,第一车载摄像头(5)根据当前的车速大小以及方向盘的转角角度进行预测0.8秒后车轮的行驶位置并对此位置进行拍摄;
在车辆处于上下坡状态时,第一车载摄像头(5)根据车速和坡道面的仰俯角度以及方向盘转角角度预测0.8秒后的车轮位置并对此位置进行拍摄;
当车速超过120km/h时,第一车载摄像头(5)采集不到高清路面图像信息,此时车辆的核心控制单元(1)应给出相应的警示信息,提醒驾驶员减缓车速。
7.根据权利要求5所述的一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:所述步骤S3.2中路面纹理信息提取模块(17)的处理过程如下:
步骤S3.2.1、转化为像素分布矩阵:将第一车载摄像头(5)拍摄到的路面图像进行灰度值量化处理,以获取不同路面位置的带有表面灰度值分布矩阵的数字图像;
步骤S3.2.2、增大数字图像的对比度:对灰度值进行拉伸变化,扩大局部区域范围灰度值的落差范围;
步骤S3.2.3、将数字图像进行去噪处理:采用中值滤波方法,将某一像素点领域的所有像素点采用该像素点集合的中值来代替;
步骤S3.2.4、将数字图像进行锐化处理:通过高通滤波处理,对所要突显区域的像素值同周围区域的像素值进行差异化方法处理;
步骤S3.2.5、发送给路面附着系数预估模块(18):将处理后的三维灰度路面纹理图像发送给路面附着系数预估模块(18)进行路面附着系数的预估工作。
8.根据权利要求5所述的一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:所述步骤S6中路面附着系数计算模块计算流程包括:
通过GPS(2)、惯导传感器(3)、ABS传感器(4)、前轮转角传感器(8)和轮胎垂向载荷传感器(6)提供的车辆动力学参数建立车辆动力学模型,其中,通过GPS(2)用来提供车辆实时的位置参数、速度参数,惯导传感器(3)提供装置横摆、侧倾、俯仰的角度参数,ABS传感器(4)提供车轮转速参数,前轮转角传感器(8)提供给前轮的转角信息,轮胎垂向载荷传感器(6)对轮胎垂向载荷信息进行采集;基于Kiencke轮胎模型提出基于相邻典型路面下的峰值附着系数与利用附着系数的等比值关系,由此关系可以实现轮胎模型的归一化;选用改进的LuGre轮胎模型来描述轮胎与有粗糙纹理路面之间的三维接触关系,采用多点接触的垂向动态模型来描述三维层面下路面不平度对车辆的影响,通过测量的轮胎垂向力实现对轮胎状态的安全监测,归一化后的轮胎模型与车辆动力学模型搭配,经过扩展卡尔曼滤波处理得到三维路面峰值附着系数的测量值。
9.根据权利要求8所述的一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:
为实现对路面峰值附着系数的测量,由车辆动力学模型和轮胎模型结合可得状态方程和量测方程,其中状态方程为:
量测方程可表示为:
其中,μij(ij=fl,fr,rl,rr)分别代表着左前轮、右前轮、左后轮、右后轮与目标路面之间的峰值附着系数,随机变量w(t)和v(t)分别为过程噪声和测量噪声,mz为整车质量,mb为簧载质量,vx,vy分别为车辆质心的纵向速度和侧向速度;γ,ψb,δf,θb分别为横摆角速度、侧倾角、前轮转角、俯仰角;hg为车辆质心高度,g为9.8m/s2,ax,ay分别为车辆质心纵向和侧向加速度,IZ为车体绕z轴的转动惯量,Ixz为车体在x轴和z轴的惯性积,T为轮距,a为质心到前轴距离,b为质心到后轴距离,L为轴距;分别为vx的导数和vy的导数,zb为簧载部分的垂直位移,为zb的导数;为θb的导数,为ψb的导数,为的导数,为γ的导数;为左前轮、右前轮、左后轮、右后轮的纵向归一化力,为左前轮、右前轮、左后轮、右后轮的侧向归一化力。
10.根据权利要求9所述的一种基于路面纹理特征的路面附着系数的测定方法,其特征在于:所述步骤S7中数据库(19)存储基于不同轮胎纹理的各路面类型下的路面纹理特征和与之匹配的路面附着系数值,且车载数据通过车联网与云端数据总库(20)信息进行信息共享互联,在实际位置路面的纹理特征与之前采集到的预测位置路面纹理特征相同时,若路面附着系数预估模块(18)给出的测定值与路面附着系数计算模块(15)得到的计算值差异较大,则数据库(19)覆盖掉预测位置路面附着系数预估值;若预测位置采集到的路面纹理特征与实际位置采集到的路面纹理特征不相同时,说明预测位置不准确,数据库(19)丢弃预测位置的数据对;核心控制单元(1)以此规则实现相应纹理路面下路面附着系数的修正更新,以此往复,数据库(19)经过不断的积累、修正更新,从而实现路面附着系数预估模块(18)的规则自建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431770.6A CN114715158B (zh) | 2022-04-22 | 2022-04-22 | 一种基于路面纹理特征的路面附着系数的测定装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431770.6A CN114715158B (zh) | 2022-04-22 | 2022-04-22 | 一种基于路面纹理特征的路面附着系数的测定装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114715158A true CN114715158A (zh) | 2022-07-08 |
CN114715158B CN114715158B (zh) | 2024-08-06 |
Family
ID=82245334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210431770.6A Active CN114715158B (zh) | 2022-04-22 | 2022-04-22 | 一种基于路面纹理特征的路面附着系数的测定装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114715158B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115123258A (zh) * | 2022-08-11 | 2022-09-30 | 盐城工学院 | 一种车辆路面附着系数确定方法及系统 |
CN115447324A (zh) * | 2022-11-03 | 2022-12-09 | 石家庄铁道大学 | 一种轮胎温度检测系统及方法 |
CN117908544A (zh) * | 2024-01-18 | 2024-04-19 | 中建材(宜兴)新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002206992A (ja) * | 2001-01-11 | 2002-07-26 | Yokohama Rubber Co Ltd:The | 走行タイヤのタイヤ挙動測定方法およびタイヤ挙動測定装置 |
JP2007106243A (ja) * | 2005-10-13 | 2007-04-26 | Toyota Motor Corp | タイヤ情報取得装置およびタイヤ情報取得方法 |
CN107685733A (zh) * | 2017-08-14 | 2018-02-13 | 哈尔滨工业大学 | 四轮独立驱动电动汽车路面附着系数的估计方法 |
US20180194286A1 (en) * | 2017-01-12 | 2018-07-12 | Mobileye Vision Technologies Ltd. | Determining a road surface characteristic |
CN110765909A (zh) * | 2019-10-14 | 2020-02-07 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
CN113460056A (zh) * | 2021-08-03 | 2021-10-01 | 吉林大学 | 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法 |
CN114375269A (zh) * | 2019-09-12 | 2022-04-19 | 蒂森克虏伯普利斯坦股份公司 | 用于估计道路摩擦系数的设备和方法 |
-
2022
- 2022-04-22 CN CN202210431770.6A patent/CN114715158B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002206992A (ja) * | 2001-01-11 | 2002-07-26 | Yokohama Rubber Co Ltd:The | 走行タイヤのタイヤ挙動測定方法およびタイヤ挙動測定装置 |
JP2007106243A (ja) * | 2005-10-13 | 2007-04-26 | Toyota Motor Corp | タイヤ情報取得装置およびタイヤ情報取得方法 |
US20180194286A1 (en) * | 2017-01-12 | 2018-07-12 | Mobileye Vision Technologies Ltd. | Determining a road surface characteristic |
CN107685733A (zh) * | 2017-08-14 | 2018-02-13 | 哈尔滨工业大学 | 四轮独立驱动电动汽车路面附着系数的估计方法 |
CN114375269A (zh) * | 2019-09-12 | 2022-04-19 | 蒂森克虏伯普利斯坦股份公司 | 用于估计道路摩擦系数的设备和方法 |
CN110765909A (zh) * | 2019-10-14 | 2020-02-07 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
CN113460056A (zh) * | 2021-08-03 | 2021-10-01 | 吉林大学 | 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法 |
Non-Patent Citations (1)
Title |
---|
路永捷: "基于三轴重型全驱电动汽车路面附着系数估计", 《石家庄铁道大学学报(自然科学版)》, vol. 34, no. 4, 31 December 2021 (2021-12-31), pages 40 - 45 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115123258A (zh) * | 2022-08-11 | 2022-09-30 | 盐城工学院 | 一种车辆路面附着系数确定方法及系统 |
CN115447324A (zh) * | 2022-11-03 | 2022-12-09 | 石家庄铁道大学 | 一种轮胎温度检测系统及方法 |
CN115447324B (zh) * | 2022-11-03 | 2023-01-17 | 石家庄铁道大学 | 一种轮胎温度检测系统及方法 |
CN117908544A (zh) * | 2024-01-18 | 2024-04-19 | 中建材(宜兴)新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114715158B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114715158B (zh) | 一种基于路面纹理特征的路面附着系数的测定装置及方法 | |
CN113361121B (zh) | 一种基于时空同步与信息融合的路面附着系数估计方法 | |
CN108482379B (zh) | 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 | |
CN111806449A (zh) | 一种纯电动车的整车质量和路面坡度的估算方法 | |
CN105416294B (zh) | 一种重型汽车列车参数估计方法 | |
US8825306B2 (en) | Analyzing road surfaces | |
CN104354700B (zh) | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 | |
CN114572183B (zh) | 一种汽车路面自适应的车辆控制方法及设备 | |
US20150235485A1 (en) | Driver identification based on driving maneuver signature | |
CN103407451A (zh) | 一种道路纵向附着系数估计方法 | |
CN103434511A (zh) | 一种车速与道路附着系数的联合估计方法 | |
CN110263844B (zh) | 一种在线学习和实时估计路面状态的方法 | |
FR2902909A1 (fr) | Procede de determination de limites de roulage d'un vehicule | |
FI129919B (en) | Control of the condition of the vehicle | |
Khaleghian et al. | A combination of intelligent tire and vehicle dynamic based algorithm to estimate the tire-road friction | |
CN114291011A (zh) | 车辆神经网络 | |
CN113569778A (zh) | 基于多模态数据融合的路面湿滑区域检测及预警方法 | |
CN115214616A (zh) | 行驶控制系统和行驶控制方法 | |
CN116513198A (zh) | 图像识别与动力学融合的路面附着系数估计方法及系统 | |
CN114802223A (zh) | 一种智能车辆可控能力等级预测方法 | |
Hsu et al. | Look-up table-based tire-road friction coefficient estimation of each driving wheel | |
CN114572224A (zh) | 一种路面最大附着系数的估算方法及终端 | |
CN111597642B (zh) | 一种三维路面信息谱的自动获取方法 | |
CN110550041A (zh) | 一种基于云端数据共享的路面附着系数估计方法 | |
Beilfuss et al. | Real-Time Classification of Road Type and Condition in Passenger Vehicles |
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 |