CN115959143A

CN115959143A - 确定车辆的有效载荷质量的方法

Info

Publication number: CN115959143A
Application number: CN202211232612.4A
Authority: CN
Inventors: L·A·普特拉; P·比克霍尔茨
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-10-11
Filing date: 2022-10-10
Publication date: 2023-04-14
Also published as: DE102021211439A1; US20230113559A1

Abstract

用于确定施加在车辆的车轮上的有效载荷质量

的方法，其中车辆具有能够检测车身相对于车轮的垂直运动的水平传感器系统，包括步骤：用水平传感器系统在车辆运动的时间段内检测测量值的时间序列，每个测量值说明车身相对于车轮的垂直位置

；对于在车身和有效载荷的重力、车身和车辆车轮之间的弹性弹簧以及车身和车辆车轮之间的垂直相对运动阻尼的影响下垂直位置

的时间发展提供模型，其中模型至少使用所寻找的有效载荷质量

进行了参数化，并且假设车辆车轮以及该车轮与车道的连接是刚性的；将模型最佳地与测量值的时间序列保持一致的有效载荷质量

被确定为所寻找的有效载荷质量

。

Description

确定车辆的有效载荷质量的方法

技术领域

本发明涉及基于由车辆的水平传感器系统提供的传感器数据来确定所述车辆的有效载荷质量。

背景技术

驾驶员辅助系统或用于至少部分自动行驶的系统的许多功能必须操控相应的车辆，使得该车辆经历定义的加速度。从而例如在并入高速公路时，重要的是要准确地遵守在考虑右侧车道上的其他车辆的情况下规划的轨迹并在正确的时间点在加速车道上达到所述并入所需的速度。在自动泊车过程中，特别重要的是使得车辆准确地在特定点停止，以免与停车位两侧的其他车辆发生碰撞。

车辆的纵向加速度所需的力以转矩的形式施加在车轮上，该力与所述纵向加速度和车辆质量成比例。根据车辆类型，车辆质量可以在准备行驶状态时的最小质量和最大允许总质量之间的宽范围内变化。从而例如一辆送货车可以装载大约其空载重量的50%。如果不考虑这一点并且送货车在停车后卸载，则该送货车在接着离开停车位时会不期望地向前猛冲。

因此，EP 1 863 659 B1公开了一种方法，利用该方法可以基于车身的垂直运动从来自车辆的水平传感器系统的传感器数据中确定车辆的质量。

发明内容

在本发明的范围内，开发了一种用于确定施加在车辆的车轮上的有效负载质量的方法。该方法以所述车辆具有能够检测车身相对于所述车轮的垂直运动的水平传感器系统为前提。在这种背景下，例如卡车情况下支撑车身同一点的双车轮的布置也应视为一个车轮。然后可以将车辆的总有效载荷质量确定为分别为所述车辆的所有车轮确定的施加的有效载荷质量之总和，或者通过将乘以车辆的车轮数量来近似确定车辆的总有效载荷质量。

在该方法的范围中，在车辆移动的时间段内使用所述水平传感器系统检测测量值的时间序列，每个测量值都说明车身相对于所述车轮的垂直位置。

对于在车身和有效载荷的重力、车身和车辆的所述车轮之间的弹性弹簧以及车身和车辆的所述车轮之间的垂直相对运动阻尼的影响下所述垂直位置的时间发展提供模型。该模型至少使用所寻找的有效载荷质量进行了参数化。此外，在所述模型中假设车辆的所述车轮以及所述车轮与车道的连接是刚性的。这意味着车轮及其与车道的连接既不会因为额外的弹簧常数也不会因为额外阻尼而对车身的垂直动态造成影响。

将所述模型最佳地与所述测量值的时间序列保持一致的有效载荷质量被确定为所寻找的有效载荷质量。为了找到这个有效载荷质量可以使用不同方案。

例如，可以将有效载荷质量的不同候选值代入到所述模型中，然后可以测试这些候选值中的哪一个使得然后由所述模型提供的垂直位置的时间变化过程与先前检测的测量值的时间序列最一致。然后可以将该候选值评估为最佳有效载荷质量。

然而，例如相反地也可以从所述模型中结合所检测的测量值的时间序列确定一个或多个条件，最佳有效载荷质量必须满足所述一个或多个条件才能与所述模型和所述测量值的时间序列保持一致。然后，例如可以确定平均而言最能满足所有建立的条件的有效载荷质量。

与具体通过何种方式确定有效载荷质量无关地，重要的是将所述模型简化为仅一个具有弹簧常数的弹性弹簧以及仅一个具有阻尼常数的阻尼。像所有简化一样，这种简化总是以牺牲一定的准确性为代价。然而，如果没有这种简化，就必须测量或以其他方式获得车辆行驶的道路轮廓。如果对这个道路轮廓了解得不够清楚，那么由此引起的准确性损失可能大于通过仅简化为一个自由度而引起的准确性损失。

当然，在车辆的每个车轮上不仅施加了有效载荷质量，而且还施加了车身质量。然而，所述车身质量是已知的。有利的是使用所寻找的有效载荷质量而不是总和来参数化所述模型，因为该模型然后可以无缝地考虑车辆的静态和动态两者。

特别有利地，所述模型包含作用在车身上的力的平衡。然后，静态模型和动态模型可以无缝地融合在一起。例如，可以为垂直位置建立微分方程：

在该微分方程中，唯一弹性弹簧的弹簧常数，唯一阻尼的阻尼常数，是重力加速度。在静止的情况下，所有时间导数都设置为零，从而得出：

这是弹簧力和已知的弹簧常数之间的关系。利用这种关系，可以在静止情况下计算在忽略噪声条件下的有效载荷质量。然而，水平传感器系统的错误校准会直接影响该最终结果。因此，有利的是在车辆运动的时间段内检测测量值的时间序列，从而在静止之外也可以考虑动态分量。

特别有利地，所述模型的建立包括将所述时间发展离散化为具有步长的时间步骤。通过这种方式，由所述模型预测的垂直位置的时间发展可以直接与根据检测的测量值的时间序列的实际时间发展进行比较，所述实际时间发展同样以时间离散的形式存在。

例如，在一个时间步骤中至少一个状态z的时间导数通过由到时间步骤k+1的状态变化和步长的差商

来近似。

在一种特别有利的设计中，有效载荷质量的确定包括一方面基于所述模型，另一方面基于相继的时间步骤k和k+1之间的垂直位置的时间发展来建立微分方程组，在所述微风方程组中有效载荷质量是未知数。因此，有效载荷质量的许多条件可以从检测的测量值的时间序列中导出。该方程组的解然后提供平均而言最能满足建立的所有条件的。由于噪声，通常不可能完全没有矛盾地满足所有条件。

在另一特别有利的设计中，选择以下模型，该模型通过垂直位置及其时间导数来表征车身的状态。基于开头提到的微分方程，这样的模型例如可以是

重力加速度可以视为该模型的常数输入变量。输出变量（或测量的变量）y对应于垂直位置：

由于输入变量是常数，这个非线性方程组的可观测性可以借助于Lie导数来证明。这意味着可以仅仅从测量值和输入变量中推断出所述模型的参数（以及这里特别是）和车身的完整状态。因此有利地用至少一种非线性观察算法确定状态z以及所述模型的参数。因此，该观察算法直接从检测的测量值的时间序列导致所寻找的有效载荷质量。准确地说，考虑到给定时间序列，结果分别是参数或状态z的最可能值。观察算法的基本实施方式是扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF以及非线性Luenberger观察器。

有利地，使用所述观察算法交替地从过去的信息中预测状态z或所述参数并基于新信息进行校正。这种递归方案一方面特别有效，因为由此最近的估计总是包含所有先前的信息，因此可以再次使用用于这些先前信息的计算工作。另一方面，一方面状态z的计算和另一方面所述参数（特别是）的计算可以有利地耦合，从而可以在这些计算之间交换结果。

这种耦合是有利的，因为可以确定两种性质不同的变量（状态和参数），但只有一个测量的输入变量可用。特别有利地，使用状态z的预测来校正所述参数并且使用所述参数的预测来预测状态z。因此，与一个变量有关的每一条新开发的信息都直接有利于与另一个变量有关的新信息的开发。

特别有利地，使用无迹卡尔曼滤波器UKF确定状态z，并且使用扩展卡尔曼滤波器EKF确定所述参数。实验表明，EKF提供对所述参数（特别特别是对）的更好估计，而使用UKF可以最好地观察未知状态变量。EKF和UKF的组合可以理解为“DualExtended Unscented Kalman Filter”（双扩展无迹卡尔曼滤波器）DEUKF。

在另一有利的设计中，所述模型通过改变其参数来适配于所述测量值的时间序列。然后从使得所述模型与所述测量值的时间序列最一致的那些参数中确定有效载荷质量。由此，例如特别是可以进一步细化已经存在的有效载荷质量的估计值，而不是毫无保留地从头开始搜索。

无论以何种途径确定在模型和测量序列之间的一致性方面最佳的有效载荷质量并且评估为所寻找的有效载荷质量，该知识可以直接用于控制车辆的行驶动态。在另一特别有利的设计中，所确定的有效载荷质量用于在针对车辆纵向运动的运动调节中分配车辆的制动力和/或加速力。正如开头所解释的那样，例如车辆然后可以通过加速车道更精确地并入高速公路上流动的交通中，或者更安全地停入狭窄的停车位中并再次驶出该停车位。

该方法特别是可以完全或部分地由计算机实现。因此，本发明还涉及具有机器可读指令的计算机程序，当所述机器可读指令在一个或多个计算机上执行时，所述机器可读指令促使所述一个或多个计算机执行所描述的方法。从这个意义上说，同样能够执行机器可读指令的车辆的控制设备和技术设备的嵌入式系统也应被视为计算机。

本发明还涉及具有所述计算机程序的机器可读数据载体和/或下载产品。下载产品是可通过数据网络传输的、即可由所述数据网络的用户下载的数字产品，所述数字产品例如可以在在线商店中出售以供立即下载。

此外，计算机可以配备有所述计算机程序、所述机器可读数据载体或所述下载产品。

下面与基于附图对本发明的优选实施例的描述一起更详细地介绍改进本发明的进一步措施。

附图说明

图1示出了方法100的实施例；

图2示出了仅具有弹簧常数和阻尼常数的简化动态模型1的示意图；

图3示出了用于估计参数1a的EKF和用于估计状态z的UKF的组合；

图4示出了不同非线性观察器在模拟平路上行驶（图4a）和上坡-下坡行驶（图4b）中的比较；

图5示出了从平路上的真实行程的测量值中观察有效载荷质量和状态z。

具体实施方式

图1是用于确定施加在车辆的车轮上的有效载荷质量的方法100的实施例的示意性流程图。

在步骤110中，用车辆的水平传感器系统在车辆运动的时间段内检测测量值的时间序列，每个测量值说明车身相对于车轮的垂直位置。

在步骤120中，对于在车身和有效载荷的重力、车身和车辆的所述车轮之间的弹性弹簧以及车身和车辆的所述车轮之间的垂直相对运动阻尼的影响下垂直位置的时间发展提供了模型1。该模型1至少使用所寻找的有效载荷质量进行了参数化，并且假设车辆的所述车轮以及所述车轮与车道的连接是刚性的。此外，模型1也可以用任何其他参数1a参数化。

在步骤130中，将模型1最佳地与测量值的时间序列保持一致的有效载荷质量被确定为所寻找的有效载荷质量。

在步骤140中使用所确定的有效载荷质量在针对车辆纵向运动的运动调节中分配车辆的制动力和/或加速力。

根据框121，模型1可以包含作用在车身上的力的平衡。

根据框122，模型1的建立包括将时间发展离散化为具有步长的时间步骤。有效载荷质量的确定然后特别是根据框131可以包括一方面基于模型1，另一方面基于相继的时间步骤k和k+1之间的垂直位置的时间发展来建立微分方程组。在所述微风方程组中有效载荷质量是未知数。

根据框122a，在一个时间步骤中至少一个状态z的时间导数通过由到时间步骤k+1的状态变化和步长来近似。

根据框123，选择以下模型1，该模型通过垂直位置及其时间导数来表征车身的状态。然后可以根据框132用至少一种非线性观察算法来确定状态z和模型1的参数1a。

特别地，根据框132a，可以使用所述观察算法交替地从过去的信息中预测状态z或参数1a并基于新信息进行校正。根据框132b，然后可以使用状态z的预测来校正参数1a并且可以使用参数1a的预测来预测状态z。

根据框132c，可以使用无迹卡尔曼滤波器UKF确定状态z，并且可以使用扩展卡尔曼滤波器EKF确定参数1a。

根据框124，模型1可以通过改变其参数1a来适配于测量值的时间序列。根据框133，然后可以从使得模型1与测量值的时间序列最一致的那些参数1a中确定有效载荷质量。

图2示出了简化的动态模型1。具有质量的车身通过具有弹簧常数的弹性弹簧和具有阻尼常数的阻尼（例如减震器）与道路S耦合。具有质量的有效载荷对车身施加重力。

水平传感器系统测量车身相对于图2未示出的车辆车轮的垂直位置。

图3示出了用于估计参数1a的EKF和用于估计状态z的UKF的组合。传感器数据仅输送给UKF。

UKF包括预测器P_z，该预测器基于过去的信息输出该时间点k+1的状态z的估计P_z(k+1)。UKF还包括校正器K_z，该校正器基于最新的信息来校正这个估计P_z(k+1)，并输出时间点k+1的状态z的最终结果。

类似地，EKF包括预测器P_1a，该预测器基于过去的信息输出时间点k+1的参数1a的估计P_1a(k+1)。EKF还包括校正器K_1a，该校正器基于最新的信息来校正这个估计P_1a(k+1)，并输出时间点k+1的参数1a的最终结果。

EKF和UKF之间的主要区别在于EKF主要依赖于通过泰勒展开对观察到的行为进行线性化，而UKF选择多个sigma点并且合并通过用待观察的非线性函数处理这些sigma点而获得的结果。

在UKF和EKF中，都将分别由校正器K_z和K_1a提供的校正K_z(k+1)和K_1a(k+1)分别反馈到相关联的预测器P_z和P_1a。此外，将来自UKF的预测P_z(k+1)输送到EKF的校正器K_1a。此外，将来自EKF的预测P_1a(k+1)输送到UKF的预测器P_z。

图4a示出了在平路上的行驶模拟中不同非线性观察器的比较。车辆首先从0km/h加速到10km/h，然后在10m后再次制动。将车辆的估计总质量绘制在行驶路段D上。该总质量由车辆的已知且恒定的空载质量（此处为1519kg）和分别估计的有效载荷质量得出。

实际总质量——其理想情况下应当使用由每个观察器提供的的估计来确定——由线d表示。曲线a说明根据由图3所示的EKF和UKF的组合(DEUKF)提供的对估计所给出的总质量。曲线b说明根据仅用EKF确定的对估计所给出的总质量。曲线c说明根据仅用Luenberger观察器确定的对估计所给出的总质量。线d示出了与实际总质量有3%偏差的通路。

图4b示出了沿着由曲线f绘制的轮廓上坡和下坡行驶的类似的模拟，其中图4b的右侧刻度说明相应的高度h。

无论是在平地上行驶还是在上坡-下坡行驶时，根据使用DEUKF确定的估计确定的总质量都很快收敛到接近实际总质量的最终结果。因此这些估计也可用于非常短的行程，例如在停入停车位和驶出停车位时。

图5示出了从平路上的真实行程的测量值中观察有效载荷质量（图5a）和状态z（图5b和5c）。

图5a中的线a示出了实际的有效载荷质量。使用图3中所示的DEUKF模型对该有效载荷质量的估计以曲线b绘制在行驶路段D上。

图5b中的曲线c示出了从使用DEUKF模型对状态z的观察中得到的垂直位置。曲线d示出了水平传感器系统的测量值，通过所述观察显然很好地再现了这些测量值。

图5c中的曲线e示出了从使用DEUKF模型对状态z的观察中得到的垂直位置的时间导数。曲线f示出了通过测量值的数值微分获得的针对时间导数的比较值。在这里也示出了至少在质量上与所述观察的很好的一致性。

Claims

1.一种用于确定施加在车辆的车轮上的有效载荷质量的方法（100），其中所述车辆具有能够检测车身相对于所述车轮的垂直运动的水平传感器系统，所述方法包括步骤：

用所述水平传感器系统在所述车辆运动的时间段内检测（110）测量值的时间序列，每个测量值说明车身相对于所述车轮的垂直位置；

对于在车身和有效载荷的重力、车身和所述车辆的所述车轮之间的弹性弹簧以及车身和所述车辆的所述车轮之间的垂直相对运动阻尼的影响下所述垂直位置的时间发展提供（120）模型（1），其中所述模型（1）至少使用所寻找的有效载荷质量进行了参数化，并且假设所述车辆的所述车轮以及所述车轮与车道的连接是刚性的；

将所述模型（1）最佳地与所述测量值的时间序列保持一致的有效载荷质量被确定（130）为所寻找的有效载荷质量。

2.根据权利要求1所述的方法(100)，其中，所述模型（1）包含（121）作用在车身上的力的平衡。

3.根据权利要求1至2中任一项所述的方法（100），其中，所述模型（1）的建立包括将所述时间发展离散化（122）为具有步长的时间步骤。

4.根据权利要求3所述的方法（100），其中，所述有效载荷质量的确定包括（131）一方面基于所述模型（1），另一方面基于相继的时间步骤k和k+1之间的垂直位置的时间发展来建立微分方程组，在所述微风方程组中所述有效载荷质量是未知数。

5.根据权利要求3至4中任一项所述的方法（100），其中，在一个时间步骤中至少一个状态z的时间导数通过由到时间步骤k+1的状态变化和步长差商来近似（122a）。

6.根据权利要求1至5中任一项所述的方法（100），其中，选择（123）以下模型（1），所述模型通过垂直位置及其时间导数来表征车身的状态。

7.根据权利要求6所述的方法（100），其中，用至少一种非线性观察算法来确定（132）所述模型（1）的状态z和参数（1a）。

8.根据权利要求7所述的方法（100），其中，使用所述观察算法交替地从过去的信息中预测状态z或所述参数（1a）并基于新信息进行校正（132a）。

9.根据权利要求8所述的方法（100），其中，使用状态z的预测来进行（132b）所述参数（1a）的校正并且使用所述参数（1a）的预测来进行（132b）状态z的预测。

10. 根据权利要求7至9中任一项所述的方法（100），其中，使用无迹卡尔曼滤波器UKF确定状态z，并且其中使用扩展卡尔曼滤波器EKF确定（132c）所述参数（1a）。

11. 根据权利要求1至10中任一项所述的方法（100），其中

所述模型（1）通过改变其参数（1a）来适配（124）于所述测量值的时间序列，以及

从使得所述模型（1）与所述测量值的时间序列最一致的那些参数（1a）中确定（133）有效载荷质量。

12.根据权利要求1至11中任一项所述的方法（100），其中，使用（140）所确定的有效载荷质量在针对所述车辆的纵向运动的运动调节中分配所述车辆的制动力和/或加速力。

13.一种包含机器可读指令的计算机程序，当所述机器可读指令在一个或多个计算机上执行时，所述机器可读指令促使所述一个或多个计算机执行根据权利要求1至12中任一项所述的方法（100）。

14.一种机器可读数据载体和/或下载产品，具有根据权利要求13所述的计算机程序。

15.一种或多种计算机，具有根据权利要求13所述的计算机程序和/或具有根据权利要求14所述的机器可读数据载体和/或下载产品。