CN116443031B - 车身电子稳定性控制系统的轮速处理系统及其方法 - Google Patents
车身电子稳定性控制系统的轮速处理系统及其方法 Download PDFInfo
- Publication number
- CN116443031B CN116443031B CN202310295250.1A CN202310295250A CN116443031B CN 116443031 B CN116443031 B CN 116443031B CN 202310295250 A CN202310295250 A CN 202310295250A CN 116443031 B CN116443031 B CN 116443031B
- Authority
- CN
- China
- Prior art keywords
- wheel speed
- speed waveform
- signal
- value
- stability control
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010586 diagram Methods 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 45
- 230000009467 reduction Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 34
- 238000011084 recovery Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000003672 processing method Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 34
- 230000008859 change Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 230000001133 acceleration Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 230000000630 rising effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000010223 real-time analysis Methods 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 7
- 206010044048 Tooth missing Diseases 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- B60W40/10—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 vehicle motion
- B60W40/105—Speed
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/28—Wheel speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种车身电子稳定性控制系统的轮速处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种车身电子稳定性控制系统的轮速处理系统及其方法。
背景技术
轮速传感器在整车上与惯性传感器和方向盘转角传感器共同组成制动系统传感器层，以用于感知车辆行驶状态，为制动单元提供准确有效的信号输入，合理控制汽车。在汽车稳定性控制领域，轮速是一个至关重要的状态量，也是汽车制动控制系统的基本输入信号之一，轮速估算主要由ESC(Electronic Stability Controller，车身电子稳定性控制系统)模块完成，轮速对参考轮速等关键参数的计算至关重要。
但是，车辆行驶于各种复杂的工况时，作为弱电系统的轮速信号，难免会受到各种干扰的影响。因此，如何获取准确的车辆轮速估计结果，是实现汽车稳定性控制的关键。
针对于上述问题，中国专利申请公布号CN 113434967A公布了车辆轮速的估计方法、装置、控制方法、设备和存储介质，其中，提出了一种车辆轮速的估计方法，其通过建立针对目标车轮的动力学模型，建立针对目标车轮的轮速的状态方程和观测方程，通过卡尔曼滤波器对目标车轮的轮速采集值进行滤波处理，获得目标车轮的轮速估计值。然而，该方法虽然能够一定程度上提高针对轮速估算的精度，但是需要获得较为准确的车轮状态参数，且在实际中车轮的状态参数是会发生变化的，导致此方案的实用性较差，鲁棒性不强。
因此，期望一种优化的车身电子稳定性控制系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种车身电子稳定性控制系统的轮速处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制。
根据本申请的一个方面，提供了一种车身电子稳定性控制系统的轮速处理系统，其包括：
信号采集模块，用于获取待解析轮速波形信号；
降噪模块，用于将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；
信号补偿模块，用于将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；
轮速特征提取模块，用于将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；
优化模块，用于对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及
解析模块，用于将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
在上述车身电子稳定性控制系统的轮速处理系统中，所述对抗生成网络包括鉴别器和生成器。
在上述车身电子稳定性控制系统的轮速处理系统中，所述降噪模块，用于：使用所述基于对抗生成网络的降噪生成器以通过所述对抗生成网络的降噪生成器对所述轮速波形信号反卷积处理以得到所述降噪后轮速波形信号。
在上述车身电子稳定性控制系统的轮速处理系统中，所述信号补偿模块，用于：将所述降噪后轮速波形信号输入所述基于对抗生成网络的信号补偿生成器以通过所述对抗生成网络的生成器通过至少一次反卷积编码生成所述补偿后轮速波形信号。
在上述车身电子稳定性控制系统的轮速处理系统中，所述轮速特征提取模块，包括：深度卷积编码单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述降噪后轮速波形信号进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始轮速波形特征图；以及，空间注意力单元，用于将所述多个初始轮速波形特征图输入所述卷积神经网络模型的空间注意力层以得到所述轮速波形特征图。
在上述车身电子稳定性控制系统的轮速处理系统中，所述优化模块，包括：优化因数计算单元，用于计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的通道加权特征向量；加权优化单元，用于以所述通道加权特征向量的各个位置的特征值作为权重来分别对所述轮速波形特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化轮速波形特征图。
在上述车身电子稳定性控制系统的轮速处理系统中，所述优化因数计算单元，用于：以如下公式计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述通道加权特征向量；其中，所述公式为：
其中mi，j表示所述轮速波形特征图的每个特征矩阵的第(i，j)位置的特征值，μ和σ分别是所述轮速波形特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述轮速波形特征图的每个特征矩阵的的宽度和高度，log表示以2为底的对数函数值，exp(·)表示自然指数函数值，α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
在上述车身电子稳定性控制系统的轮速处理系统中，所述解析模块，用于：使用所述解码器以如下公式将所述优化轮速波形特征图进行解码回归以获得用于表示轮速解析值的解码值；其中，所述公式为：其中X表示所述优化轮速波形特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
根据本申请的另一方面，提供了一种车身电子稳定性控制系统的轮速处理方法，其包括：
获取待解析轮速波形信号；
将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；
将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；
将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；
对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及
将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的车身电子稳定性控制系统的轮速处理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的车身电子稳定性控制系统的轮速处理方法。
与现有技术相比，本申请提供的一种车身电子稳定性控制系统的轮速处理系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统的框图；
图2为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统的系统架构图；
图3为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统中轮速特征提取模块的框图；
图4为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统中优化模块的框图；
图5为根据本申请实施例的车身电子稳定性控制系统的轮速处理方法的流程图；
图6为轮速裸值计算流程示意图；
图7为轮速处理系统功能图；
图8为轮速处理系统软件架构图；
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如前背景技术所言，车辆行驶于各种复杂的工况时，作为弱电系统的轮速信号，难免会受到各种干扰的影响。因此，如何获取准确的车辆轮速估计结果，是实现汽车稳定性控制的关键。中国专利申请公布号CN 113434967A公布了一种车辆轮速的估计方法，其虽然能够一定程度上提高针对轮速估算的精度，但是需要获得较为准确的车轮状态参数，且在实际中车轮的状态参数是会发生变化的，导致此方案的实用性较差，鲁棒性不强。因此，期望一种优化的车身电子稳定性控制系统。
具体地，在本申请的技术方案中，提出了一种车身电子稳定性控制系统的轮速处理方法，其中，该所述方法为轮速解析方法，主要为轮速计算方法。具体地，所述轮速解析方法是基本计算逻辑根据边缘计数(上一周期最后一个上升沿到本周期最后一个上升沿为止的上升沿数量+下降沿数量)和时间周期(上一周期最后一个上升沿到本周期最后一个上升沿时间+下降沿时间)求取频率。
相应地，考虑到在上述的轮速解析方案中，关键在于基于边缘计数和时间周期求取频率，但是在实际所采集的轮速波形信号会存在信号丢失和噪声等信号源域端问题，导致后续轮速解析的精准度出现偏差。因此，在本申请的技术方案中，期望对于采集的轮速波形信号进行信号源域端的数据增强和信号补偿处理，以提高对于轮速时序变化信息的捕捉精准度，进而提高轮速解析的准确性。在此过程中，难点在于如何准确地挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待解析轮速波形信号。接着，考虑到所述待解析轮速波形信号在采集的过程中会存在有较多的环境和自身设备的噪声干扰，导致所述待解析轮速波形信号中关于轮速的时序变化隐含特征变得模糊，降低对于轮速解析的精准度。因此，在本申请的技术方案中，在特征提取前先通过基于对抗生成网络的降噪生成器来进行所述轮速波形信号的降噪处理，以使得轮速的数据特征增强。特别地，这里，所述基于对抗生成网络包含去噪鉴别器和去噪生成器。具体地，将所述轮速波形信号输入基于对抗生成网络的降噪生成器以由所述去噪生成器对所述轮速波形信号进行反卷积处理以得到所述降噪后轮速波形信号。这里，所述去噪生成器用于生成降噪后的轮速波形信号，所述去噪鉴别器用于计算降噪后的轮速波形信号和真实无噪轮速波形信号之间的差异，并通过梯度下降的方向传播算法来更新所述去噪生成器的网络参数以得到具有降噪功能的降噪生成器。
然后，还考虑到实际所采集的轮速波形信号会存在信号丢失的问题，导致后续轮速解析的精准度出现偏差。因此，在本申请的技术方案中，还需要在信号丢失时对于所述降噪后轮速波形信号进行信号补偿，以此来提高后续轮速解析的精准度。具体地，将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号。特别地，这里，所述基于对抗生成网络包含信号补偿鉴别器和信号补偿生成器，所述信号补偿生成器用于生成信号补偿后的轮速波形信号，所述信号补偿鉴别器用于计算信号补偿后的轮速波形信号和信号无丢失的真实轮速波形信号之间的差异，并通过梯度下降的方向传播算法来更新所述信号补偿生成器的网络参数以得到具有信号补偿功能的信号补偿生成器。
进一步地，考虑到所述轮速波形信号在时域中的表现形式为波形图，因此，使用在图像的局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述补偿后轮速波形信号的时序动态关联特征挖掘。特别地，考虑到在进行所述轮速解析的过程中，应关注于空间位置上关于轮速的时序变化特征信息而忽略与轮速变化无关的其他转速的干扰特征，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型中进行处理，以提取出所述补偿后轮速波形信号的波形图中聚焦于空间位置上的关于轮速的时序动态关联特征信息，从而得到轮速波形特征图。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于轮速的时序变化特征信息。
接着，在得到经轮速波形补偿校正后的轮速的时序动态变化特征的所述轮速波形特征图后，进一步再将所述轮速波形特征图通过解码器中进行解码回归以得到用于表示轮速解析值的解码值。这样，能够基于实际的车辆轮速变化情况来得到精确的轮速实时解析值，以基于轮速解析值来实现汽车的稳定性控制。
特别地，在本申请的技术方案中，将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型得到所述轮速波形特征图，使得所述轮速波形特征图强化了所述补偿后轮速波形信号的波形图像语义特征的提取，进一步地，如果对所述轮速波形特征图施加通道注意力机制以强化所述卷积神经网络模型的通道维度关联特征提取，显然可以提升所述轮速波形特征图的表达效果。
通常，在通道注意力机制下，可以通过对所述轮速波形特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到通道加权特征向量，以对所述轮速波形特征图的各个特征矩阵进行加权。但是，本申请的申请人考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征的图像语义分布信息，因此会进一步期望对于所述通道加权特征向量进行优化，以尽量恢复所述轮速波形特征图所表达的由各个特征矩阵之间的整体分布相关而表达的特征向量的特征分布信息，从而提升所述通道加权特征向量对于所述轮速波形特征图的各个特征矩阵之间的通道维度特征关联性分布的表达效果。
因此，代替计算每个特征矩阵的全局均值，而是计算所述轮速波形特征图的每个特征矩阵的实例归一化和一致性相关恢复因数来构成所述通道加权特征向量，所述实例归一化和一致性相关恢复因数表示为：
μ和σ是特征集合mi,j∈M的均值和方差，mi,j为特征矩阵M的第(i,j)位置的特征值，且W和H分别是特征矩阵的宽度和高度。
这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization：IN)的基础上，通过从类概率的统计残差特征中蒸馏一致性相关的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中，以实现所述通道加权特征向量相对于所述轮速波形特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样，通过以该因数构成所述通道加权特征向量，就可以使得所述通道加权特征向量包含所述轮速波形特征图所表达的由各个特征矩阵之间的整体分布相关而表达的特征向量的特征分布信息，从而提升所述通道加权特征向量对于所述轮速波形特征图的各个特征矩阵之间的通道维度特征关联性分布的表达效果。
然后，再以所述通道加权特征向量分别对所述轮速波形特征图的各个特征矩阵进行加权，就可以提升所述轮速波形特征图的表达效果，从而改进所述轮速波形特征图通过解码器得到的解码值的准确性。这样，能够基于实际的车辆轮速变化情况来得到精确的轮速实时解析值，以基于轮速解析值来实现汽车的稳定性控制。
基于此，本申请提出了一种车身电子稳定性控制系统的轮速处理系统，其包括：信号采集模块，用于获取待解析轮速波形信号；降噪模块，用于将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；信号补偿模块，用于将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；轮速特征提取模块，用于将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；优化模块，用于对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及，解析模块，用于将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统的框图。如图1所示，根据本申请实施例的车身电子稳定性控制系统的轮速处理系统300，包括：信号采集模块310；降噪模块320；信号补偿模块330；轮速特征提取模块340；优化模块350；以及，解析模块360。
其中，所述信号采集模块310，用于获取待解析轮速波形信号；所述降噪模块320，用于将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；所述信号补偿模块330，用于将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；所述轮速特征提取模块340，用于将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；所述优化模块350，用于对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及，所述解析模块360，用于将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
图2为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统的系统架构图。如图2所示，在该网络架构中，首先通过所述信号采集模块310获取待解析轮速波形信号；接着，所述降噪模块320将所述信号采集模块310获取的轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；所述信号补偿模块330将所述降噪模块320得到的降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；然后，所述轮速特征提取模块340将所述信号补偿模块330得到的补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；所述优化模块350对所述轮速特征提取模块340得到的轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；进而，所述解析模块360将所述优化模块350得到的优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述信号采集模块310，用于获取待解析轮速波形信号。应可以理解，在实际对于轮速解析的检测中，可通过基于对轮速波形信号中关于轮速的时序动态变化特征信息来对车辆轮速进行准确地检测，因此，在本申请的一个具体示例中，首先，获取待解析轮速波形信号。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述降噪模块320，用于将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号。考虑到所述待解析轮速波形信号在采集的过程中会存在有较多的环境和自身设备的噪声干扰，导致所述待解析轮速波形信号中关于轮速的时序变化隐含特征变得模糊，降低对于轮速解析的精准度。因此，在本申请的技术方案中，在特征提取前先通过基于对抗生成网络的降噪生成器来进行所述轮速波形信号的降噪处理，以使得轮速的数据特征增强。特别地，这里，所述基于对抗生成网络包含去噪鉴别器和去噪生成器。具体地，将所述轮速波形信号输入基于对抗生成网络的降噪生成器以由所述去噪生成器对所述轮速波形信号进行反卷积处理以得到所述降噪后轮速波形信号。这里，所述去噪生成器用于生成降噪后的轮速波形信号，所述去噪鉴别器用于计算降噪后的轮速波形信号和真实无噪轮速波形信号之间的差异，并通过梯度下降的方向传播算法来更新所述去噪生成器的网络参数以得到具有降噪功能的降噪生成器。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述信号补偿模块330，用于将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号。应可以理解，实际所采集的轮速波形信号会存在信号丢失的问题，导致后续轮速解析的精准度出现偏差。因此，在本申请的技术方案中，还需要在信号丢失时对于所述降噪后轮速波形信号进行信号补偿，以此来提高后续轮速解析的精准度。具体地，将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号。特别地，这里，所述基于对抗生成网络包含信号补偿鉴别器和信号补偿生成器，所述信号补偿生成器用于生成信号补偿后的轮速波形信号，所述信号补偿鉴别器用于计算信号补偿后的轮速波形信号和信号无丢失的真实轮速波形信号之间的差异，并通过梯度下降的方向传播算法来更新所述信号补偿生成器的网络参数以得到具有信号补偿功能的信号补偿生成器。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述轮速特征提取模块340，用于将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图。也就是，使用在图像的局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述补偿后轮速波形信号的时序动态关联特征挖掘。特别地，考虑到在进行所述轮速解析的过程中，应关注于空间位置上关于轮速的时序变化特征信息而忽略与轮速变化无关的其他转速的干扰特征，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型中进行处理，以提取出所述补偿后轮速波形信号的波形图中聚焦于空间位置上的关于轮速的时序动态关联特征信息，从而得到轮速波形特征图。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于轮速的时序变化特征信息。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图3为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统中轮速特征提取模块的框图。如图3所示，所述轮速特征提取模块340，包括：深度卷积编码单元341，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述降噪后轮速波形信号进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始轮速波形特征图；以及，空间注意力单元342，用于将所述多个初始轮速波形特征图输入所述卷积神经网络模型的空间注意力层以得到所述轮速波形特征图。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述优化模块350，用于对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图。在本申请的技术方案中，将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型得到所述轮速波形特征图，使得所述轮速波形特征图强化了所述补偿后轮速波形信号的波形图像语义特征的提取，进一步地，如果对所述轮速波形特征图施加通道注意力机制以强化所述卷积神经网络模型的通道维度关联特征提取，显然可以提升所述轮速波形特征图的表达效果。通常，在通道注意力机制下，可以通过对所述轮速波形特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到通道加权特征向量，以对所述轮速波形特征图的各个特征矩阵进行加权。但是，本申请的申请人考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征的图像语义分布信息，因此会进一步期望对于所述通道加权特征向量进行优化，以尽量恢复所述轮速波形特征图所表达的由各个特征矩阵之间的整体分布相关而表达的特征向量的特征分布信息，从而提升所述通道加权特征向量对于所述轮速波形特征图的各个特征矩阵之间的通道维度特征关联性分布的表达效果。因此，代替计算每个特征矩阵的全局均值，而是计算所述轮速波形特征图的每个特征矩阵的实例归一化和一致性相关恢复因数来构成所述通道加权特征向量，所述实例归一化和一致性相关恢复因数表示为：
其中mi,j表示所述轮速波形特征图的每个特征矩阵的第(i,j)位置的特征值，μ和σ分别是所述轮速波形特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述轮速波形特征图的每个特征矩阵的的宽度和高度，log表示以2为底的对数函数值，exp(·)表示自然指数函数值，α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization：IN)的基础上，通过从类概率的统计残差特征中蒸馏一致性相关的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中，以实现所述通道加权特征向量相对于所述轮速波形特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样，通过以该因数构成所述通道加权特征向量，就可以使得所述通道加权特征向量包含所述轮速波形特征图所表达的由各个特征矩阵之间的整体分布相关而表达的特征向量的特征分布信息，从而提升所述通道加权特征向量对于所述轮速波形特征图的各个特征矩阵之间的通道维度特征关联性分布的表达效果。然后，再以所述通道加权特征向量分别对所述轮速波形特征图的各个特征矩阵进行加权，就可以提升所述轮速波形特征图的表达效果，从而改进所述轮速波形特征图通过解码器得到的解码值的准确性。这样，能够基于实际的车辆轮速变化情况来得到精确的轮速实时解析值，以基于轮速解析值来实现汽车的稳定性控制。
图4为根据本申请实施例的车身电子稳定性控制系统的轮速处理系统中优化模块的框图。如图4所示，所述优化模块350，包括：优化因数计算单元351，用于计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的通道加权特征向量；加权优化单元352，用于以所述通道加权特征向量的各个位置的特征值作为权重来分别对所述轮速波形特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化轮速波形特征图。
具体地，在所述车身电子稳定性控制系统的轮速处理系统300的运行过程中，所述解析模块360，用于将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。也就是，将所述轮速波形特征图作为解码特征图通过解码器中进行解码回归，更具体地，使用所述解码器以如下公式将所述优化轮速波形特征图进行解码回归以获得用于表示轮速解析值的解码值；其中，所述公式为：其中X表示所述优化轮速波形特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。这样，能够基于实际的车辆轮速变化情况来得到精确的轮速实时解析值，以基于轮速解析值来实现汽车的稳定性控制。
综上，根据本申请实施例的车身电子稳定性控制系统的轮速处理系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制。
如上所述，根据本申请实施例的车身电子稳定性控制系统的轮速处理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的车身电子稳定性控制系统的轮速处理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该车身电子稳定性控制系统的轮速处理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该车身电子稳定性控制系统的轮速处理系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该车身电子稳定性控制系统的轮速处理系统300与该终端设备也可以是分立的设备，并且该车身电子稳定性控制系统的轮速处理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5为根据本申请实施例的车身电子稳定性控制系统的轮速处理方法的流程图。如图5所示，根据本申请实施例的车身电子稳定性控制系统的轮速处理方法，包括步骤：S110，获取待解析轮速波形信号；S120，将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；S130，将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；S140，将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；S150，对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及，S160，将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
在一个示例中，在上述车身电子稳定性控制系统的轮速处理方法中，所述步骤S120，包括：使用所述基于对抗生成网络的降噪生成器以通过所述对抗生成网络的降噪生成器对所述轮速波形信号反卷积处理以得到所述降噪后轮速波形信号。
在一个示例中，在上述车身电子稳定性控制系统的轮速处理方法中，所述步骤S130，包括：将所述降噪后轮速波形信号输入所述基于对抗生成网络的信号补偿生成器以通过所述对抗生成网络的生成器通过至少一次反卷积编码生成所述补偿后轮速波形信号。
在一个示例中，在上述车身电子稳定性控制系统的轮速处理方法中，所述步骤S140，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对所述降噪后轮速波形信号进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始轮速波形特征图；以及，将所述多个初始轮速波形特征图输入所述卷积神经网络模型的空间注意力层以得到所述轮速波形特征图。
在一个示例中，在上述车身电子稳定性控制系统的轮速处理方法中，所述步骤S150，包括：计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的通道加权特征向量；以所述通道加权特征向量的各个位置的特征值作为权重来分别对所述轮速波形特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化轮速波形特征图。其中，计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的通道加权特征向量，包括：以如下公式计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述通道加权特征向量；
其中，所述公式为：
其中mi，j表示所述轮速波形特征图的每个特征矩阵的第(i，j)位置的特征值，μ和σ分别是所述轮速波形特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述轮速波形特征图的每个特征矩阵的的宽度和高度，log表示以2为底的对数函数值，exp(·)表示自然指数函数值，α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
在一个示例中，在上述车身电子稳定性控制系统的轮速处理方法中，所述步骤S160，包括：使用所述解码器以如下公式将所述优化轮速波形特征图进行解码回归以获得用于表示轮速解析值的解码值；其中，所述公式为：其中X表示所述优化轮速波形特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
综上，根据本申请实施例的车身电子稳定性控制系统的轮速处理方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出经信号数据增强后的轮速波形信号中关于轮速的时序动态变化特征信息，以此对于车辆轮速进行准确地检测，从而得到精确的轮速实时解析值，实现汽车的稳定性控制
示例性实施例
在本申请的技术方案中，提供了一种车身电子稳定性控制系统的轮速处理方法和系统。本发明提出一种以轮速解析、车轮半径补偿、方向判断、信号监控控制方法为核心的速处理方法和系统。解决现有轮速处理技术中存在的工程实用性差，鲁棒性不强的难题。
1.本发明提供了一种车身电子稳定性控制系统的轮速处理方法，所述的方法为轮速解析方法，主要包括：轮速计算方法、信号丢失与噪声判断方法、轮速解析附加处理方法。
(1)所述的轮速解析方法，流程如下图6所示。基本计算逻辑根据边缘计数(上一周期最后一个上升沿到本周期最后一个上升沿为止的上升沿数量+下降沿数量)和时间周期(上一周期最后一个上升沿到本周期最后一个上升沿时间+下降沿时间)求取频率。
频率计算式为：
轮角速度计算式为：
其中，nteeth为每秒转的传感器齿圈数。
轮速度计算式为：
其中，lwheel为车轮滚动周长。
同时，为防止速度、加速度等出现除零错误，设置最小频率为1。根据齿数、车轮滚动半径、圆周长可得轮角速度、轮速度。根据两次轮速原始值之差以及两次计算轮速的时间间隔计算轮加速度原始值，并限制轮速原始值不小于0.1m/s。
根据各裸值进行平均值计算和滤波处理，平均值根据连续四周期裸值按不同权重计算，得到的结果，通过PT2滤波处理保证轮速变化平稳，去除信号尖峰。同时，由轮加速度进一步得到加速度梯度。
(2)所述的信号丢失与噪声判断方法，在轮速质量可信度高时，激活监控，计算错误偏差，计算错误率并得到编码值。
所述的信号丢失判断：提取可信度相关的轮速质量解码，得到信号存疑、监控降低、信号干扰标志位。输入边缘计数、轮速裸值、轮加速度裸值、轮速、滑水标志位、以及轮速质量相关标志位激活监控与错误偏差判断。在出现滑水标志位、信号可信度低、或参考轮速与轮速均低于阈值时，不进行监控；当加速度裸值大于某一阈值开始计时，认为出现错误偏差；每个周期检测到监控激活并且偏差后累加，计数器乘以参数输出错误率。根据底层输入的故障信息决定是否对错误率进行进一步校正。
所述的信号噪声判断：与上述信号丢失逻辑类似，也分为监控激活和错误偏差判断。在未初始、信号干涉或精度低、边缘计数与时间周期满足条件时激活监控；加速度大于限值时判断错误偏差，且必须在一定时间内小于该限值才能清除偏差，并延时恢复。在监控激活且检测到错误偏差后计时累加，乘以参数得到错误率，当轮速在一定周期时间内大于阈值，重新计时。
(3)所述的轮速解析附加处理方法，主要包括：1)计算信号未初始化或者失效时车轮旋转圈数。计数器每次增加当前周期边缘计数值，当计数器>一半齿数值，计数器每次减去一半齿数值，WheelRevolution每次加0.5。2)边缘计数周期转换，将5ms周期的边缘计数转换为20ms，用于缺齿监控。3)轮速极小值标志，根据四轮轮速平均值，同时小于0.5m/s时置位，表征车辆上电后处于静态。4)多余一个轮速质量可信度低标志，至少两个或以上轮速信号可信度可疑，丢失或超时，该标志位置位。5)小备胎状态解码，小备胎状态处于已补偿或检查完时，对应轮速质量位置1。
2.本发明提供了一种车身电子稳定性控制系统的轮速处理方法，所述的方法为车轮半径补偿方法，主要包括：小备胎状态判断与补偿方法、轮胎公差补偿参数计算方法。
(1)所述的小备胎状态判断与补偿方法。
1)首先通过参考轮速、各轮轮速滤波值与轮速未进行轮胎公差补偿值确定备胎位置与状态。计算四轮轮速未进行轮胎公差补偿值，参考轮速vRef＝(与平均值更接近的那个前轮轮速+与平均值更接近的那个后轮轮速)*0.5。
2)区分三种备胎逻辑：无备胎、小备胎、小备胎或大备胎，按小备胎逻辑处理。
所述的小备胎逻辑处理方法：按未补偿轮速排序并进行编号。至少两轮速可用时，v_Max1，Nr_vMax1：轮速最大值和编号；v_Max2，Nr_vMax2：第二大值和编号；v_Max3：第三大值；v_Min1，Nr_vMin1：轮速最小值和编号；v_Min2，Nr_vMin2：第二小值和编号。只有两轮速可用是，v_Max3：0.0。三轮或以上轮速不可用：编号输出0，值输出0.0；求取未补偿轮速最大的车轮的轮速滤波值。
同时，监测有无弯道行驶。弯道行驶轮速差Δv＝0.3*四轮未补偿轮速平均值，最小值0.2m/s。当前轴轮速较快时，实际轮速差按两后轮轮速差计算；当后轴轮速较快时，实际轮速差按两前轮轮速差计算。
所述的小备胎状态判断方法：无备胎；上一周期无备胎，这一周期有备胎；其他情况输出当前补偿的轮胎所处的补偿状态。
3)轮胎公差补偿内部模式选择，模式包括：正在补偿状态Mspare；不在补偿、转矩信号无效、横摆角速度信号质量Ok或信号质量高Esp；其他情况Wss。
4)补偿方式分为：允许横向补偿、允许左侧纵向补偿、允许右侧纵向补偿。当内部模式为Mspare，如果对非驱动轮补偿，允许横向补偿，纵向补偿不允许；左驱动轮补偿，允许左侧纵向补偿，横向和右侧纵向不允许；右驱动轮补偿，允许右侧纵向补偿，横向和左侧纵向不允许；同时要满足轮速大于备胎快速补偿最小速度的条件；当内部模式为Esp，如果轮速大于备胎非快速补偿最小速度的条件、横摆角速度绝对值小于0.02或横向加速度(角速度*轮速)绝对值小于0.45，允许横向补偿；当内部模式为Wss，轮速大于a时，延时0.8s，允许横向补偿。
(2)所述的轮胎公差补偿参数计算方法，系数上下限计算：初始化0.94～1.06，根据MsState输出判断，如果正在补偿或检查完毕状态，系数放大至0.88～1.12。根据轮胎公差补偿内部模式计算横向纵向时间参数，如下表1所述。
表1轮胎公差补偿内部模式计算横向纵向时间参数
其中，横向时间参数给从动轮，纵向时间参数给驱动轮：从动轮仅进行横向补偿，驱动轮仅进行纵向补偿，且区分左右轮。纵向补偿所需要条件较横向补偿严格，即驱动轮补偿条件较非驱动轮严格。
3.本发明提供了一种车身电子稳定性控制系统的轮速处理方法，所述的方法为方向判断方法，主要包括：静止状态和方向判断方法、方向监控方法。
(1)静止状态和方向判断方法：根据底层采样值(0-Ndef，1-Stop，2-Forward，3-Backward)判断方向，输出相应标志位，输出方向判断。方向质量全0，则方向质量好；不为0时表示方向质量低，对应原因包括：单轮轮速失效、总体轮速失效、未初始化、轮速精度低、起步变化、方向高频变化、方向信息初始化、错误传感器。
(2)方向监控方法：输入四轮轮方向和轮速，如果有0,1或者2个轮方向未知或停止且轮速大于1.4m/s，开启监控开关并输出无方向或停止车轮个数。
方向异常分为四轮总体异常和单轮异常两种情况。四轮总体方向异常监控，输入4轮方向，如果两轮方向向前，两轮方向向后；或者一轮方向向前，一轮方向向后，另两轮未知或停止，方向综合监控异常。单轮方向异常监控，某轮方向与其余3轮方向相反，或者某轮与其余2轮方向相反，剩余一个轮未知或停止，此轮方向异常。
4.本发明提供了一种车身电子稳定性控制系统的轮速处理方法，所述的方法为信号监控方法，主要包括：缺齿监控方法、轮速超限监控方法、轮速差异过大监控方法。
(1)所述的缺齿监控方法：
1)当四个车轮ASB处于未激活时，且轮速处于低速范围，开启监控；根据前两周期的边缘计数值计算当前周期的上下限值，超出范围，则认为缺齿。连续10圈检测到齿圈缺齿，输出错误率1。输入ABS轮控模式、边缘计数、轮速、轮速质量。当两前轮同时处于轮控模式或两后轮同时处于轮控模式，开启监控。在整体监控开启的基础上，如轮速在3～16m/s之间且轮速质量精度可靠，则单个轮胎缺齿状态监控激活，同时启动计数器，持续4个周期或以上，激活验证。
2)边缘计数(上升沿+下降沿)限值计算。监控周期内最多错过或多加的边沿数量，计算一圈最多或最少经历多少边沿。两个周期边缘计数存储，监控未激活，两个周期边缘计数K1，K2为0。激活时，如果未缺齿部分结束，当前周期的20ms边缘计数＝K1；上一周期20ms边缘计数＝K2，如果缺齿部分结束，维持K1，K2值，同时最新20ms边缘计数始终与一开始判断可能出现缺齿时的两个周期边缘计数比较，直到未缺齿部分结束，更新K1，K2。
3)检测到缺齿的触发条件：K3为两周期边缘计数之差，与极限值7取小；首次在某圈检测到缺齿触发必须是K3恰好为1，之后K3＝[0，5]时，可触发；根据前两周期的边缘计数计算当前周期上下限值，上限值K1+K2+13，下限值K1+K2-1；由于K1，K2代表上周期与上上周期(而非本周期与上周期)的条件是缺齿部分结束为true，所以缺齿标志位的置位条件是某周期边缘计数比上周期边缘计数小2，3，4，5。
4)经历圈数计算：如果某时刻没有缺齿部分结束，且该圈没有检测到缺齿，不进行累加；如果某时刻没有缺齿部分结束，但该圈检测到过缺齿，说明已转过缺齿部分，经历圈数需累加用以判断一圈是否结束。
(2)所述的轮速超限监控方法，在不满足轮速精度降低的前提下，如果输入的轮速滤波值大于物理极限时，认为存在超出范围偏差，编码值为1。
(3)所述的轮速差异过大监控，基于四个车轮轮速计算参考轮速，分别监控四个车轮的状态，计算轮速与轮速差值、两两轮速差值。轮速差异计算：根据输入轮速分别计算两个前轮轮速差、左前右后轮速差、左前左后轮速差、右前右后轮速差、右前左后轮速差、后轮轮速差、最大轮速差。定轮速差异上下限值：不同模式下，如ABS或者TCS时，根据当前轮速取不同上下限值。错误率复位：当最大轮速差小于下限值，或者轮速差大于上限值且至少一个轮报错，发出reset信号。
5.一种用于实现上文所述处理方法的车身电子稳定性控制系统的轮速处理系统，所述的一种车身电子稳定性控制系统的轮速处理系统，主要包含轮速解析和信号监控两大功能。主解析模块根据底层输入传感器信息进行计算与滤波处理，得到基本轮速物理量。信号监控模块根据车辆状态和诊断信息确立监控激活条件，实现信号失效判断逻辑。如图7所示。
所述的一种车身电子稳定性控制系统的轮速处理系统，主要任务是解析来自底层的轮速传感器信息，进行计算，将轮速处理结果输入给汽车稳定性系统其它功能模块。从软件实现上，轮速处理分别在三个周期运行，主要包括轮速信号轮速解析模块1、车轮半径补偿模块2、方向判断模块3、信号监控模块4、对外输出模块5等。所述的轮速处理系统软件架构如图8所示。
其中，所述的轮速解析模块1，根据时间信息，采样得到的计数边缘计算轮速。模块主要进行参数计算，包括频率，速度、角速度、加速度裸值、平均值和滤波值；并进行轮速质量判断；此外进行轮速解析附加处理，转换部分信号输出周期，小备胎判断，轮速极小值判断。
(1)所述的参数计算，首先进行传感器初始化判断，由底层输入轮速传感器诊断信息，根据信息位定义，判断传感器是否已完成初始化，是否滤波使能。其次，计算主要参数，轮速、轮加速度、轮角速度、加速度梯度、轮速质量。
(2)所述的轮速质量判断，根据诊断标志位，映射轮速质量标志位，区分失效、丢失、信号可疑、超时、处于转鼓状态、电磁干扰。
(3)所述的轮速解析附加处理，主要包括：计算信号未初始化或者失效时车轮旋转圈数；边缘计数周期转换；轮速极小值标志；多余一个轮速质量可信度低标志；小备胎状态解码。
所述的车轮半径补偿模块2，根据备胎状态，判断横纵向补偿条件，计算轮胎公差补偿参数和是否需要复位。所述的车轮半径补偿模块2，模块输入为：轮胎公差补偿偏差、复位标志位、角速度滤波值、轮速滤波值、轮速质量、轮速及加速度、制动开关信号、横摆角速度值、横摆角速度信号质量、驱动转矩信号质量、ABS轮控模式、TCS或VDC功能在作用。
所述的方向判断模块3，主要包括静止状态与方向判断、方向信息异常监控激活、四轮总体方向异常监控、单轮方向异常监控。
所述的信号监控模块4，主要包括缺齿监控、轮速超限监控、轮速差异过大监控。
所述的轮速信号对外输出模块5，根据定义的外发轮速、轮速规范，输出轮速、轮速、有效性、方向和边缘计数。最小轮速0.1m/s，如果轮速小于0.1m/s，输出值为0；最小轮速0.28m/s。按照轮速传感器失效情况取轮速平均值得到轮速。如果轮速小于0.28m/s，输出值将是0。根据轮速质量与方向质量确定有效性标志位。根据方向判断映射外发方向。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的车身电子稳定性控制系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化轮速波形特征图各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的车身电子稳定性控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的车身电子稳定性控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种车身电子稳定性控制系统的轮速处理系统，其特征在于，包括：
信号采集模块，用于获取待解析轮速波形信号；
降噪模块，用于将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；
信号补偿模块，用于将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；
轮速特征提取模块，用于将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；
优化模块，用于对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及
解析模块，用于将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
2.根据权利要求1所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述对抗生成网络包括鉴别器和生成器。
3.根据权利要求2所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述降噪模块，用于：
使用所述基于对抗生成网络的降噪生成器以通过所述对抗生成网络的降噪生成器对所述轮速波形信号反卷积处理以得到所述降噪后轮速波形信号。
4.根据权利要求3所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述信号补偿模块，用于：
将所述降噪后轮速波形信号输入所述基于对抗生成网络的信号补偿生成器以通过所述对抗生成网络的生成器通过至少一次反卷积编码生成所述补偿后轮速波形信号。
5.根据权利要求4所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述轮速特征提取模块，包括：
深度卷积编码单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述降噪后轮速波形信号进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始轮速波形特征图；以及
空间注意力单元，用于将所述多个初始轮速波形特征图输入所述卷积神经网络模型的空间注意力层以得到所述轮速波形特征图。
6.根据权利要求5所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述优化模块，包括：
优化因数计算单元，用于计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的通道加权特征向量；
加权优化单元，用于以所述通道加权特征向量的各个位置的特征值作为权重来分别对所述轮速波形特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化轮速波形特征图。
7.根据权利要求6所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述优化因数计算单元，用于：以如下公式计算所述轮速波形特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述通道加权特征向量；
其中，所述公式为：
其中mi，j表示所述轮速波形特征图的每个特征矩阵的第(i,j)位置的特征值，μ和σ分别是所述轮速波形特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述轮速波形特征图的每个特征矩阵的的宽度和高度，log表示以2为底的对数函数值，exp(·)表示自然指数函数值，α表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
8.根据权利要求7所述的车身电子稳定性控制系统的轮速处理系统，其特征在于，所述解析模块，用于：使用所述解码器以如下公式将所述优化轮速波形特征图进行解码回归以获得用于表示轮速解析值的解码值；
其中，所述公式为：其中X表示所述优化轮速波形特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
9.一种车身电子稳定性控制系统的轮速处理方法，其特征在于，包括：
获取待解析轮速波形信号；
将所述轮速波形信号输入基于对抗生成网络的降噪生成器以得到降噪后轮速波形信号；
将所述降噪后轮速波形信号输入基于对抗生成网络的信号补偿生成器以得到补偿后轮速波形信号；
将所述补偿后轮速波形信号通过使用空间注意力的卷积神经网络模型以得到轮速波形特征图；
对所述轮速波形特征图进行通道维度的特征分布强化以得到优化轮速波形特征图；以及
将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值。
10.根据权利要求9所述的一种车身电子稳定性控制系统的轮速处理方法，其特征在于，将所述优化轮速波形特征图通过解码器以得到解码值，所述解码值为轮速解析值，包括：使用所述解码器以如下公式将所述优化轮速波形特征图进行解码回归以获得用于表示轮速解析值的解码值；
其中，所述公式为：其中X表示所述优化轮速波形特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310295250.1A CN116443031B (zh) | 2023-03-24 | 2023-03-24 | 车身电子稳定性控制系统的轮速处理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310295250.1A CN116443031B (zh) | 2023-03-24 | 2023-03-24 | 车身电子稳定性控制系统的轮速处理系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116443031A CN116443031A (zh) | 2023-07-18 |
| CN116443031B true CN116443031B (zh) | 2023-10-20 |
Family
ID=87134869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310295250.1A Active CN116443031B (zh) | 2023-03-24 | 2023-03-24 | 车身电子稳定性控制系统的轮速处理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116443031B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110217239A (zh) * | 2019-05-20 | 2019-09-10 | 福瑞泰克智能系统有限公司 | 一种车辆横摆角速度测量方法及设备 |
| CN111204346A (zh) * | 2018-11-05 | 2020-05-29 | 通用汽车环球科技运作有限责任公司 | 用于自动车辆的控制命令的端对端学习的方法及系统 |
| CN113434967A (zh) * | 2021-08-27 | 2021-09-24 | 天津所托瑞安汽车科技有限公司 | 车辆轮速的估计方法、装置、控制方法、设备和存储介质 |
| CN114572229A (zh) * | 2022-02-28 | 2022-06-03 | 华南理工大学 | 一种基于图神经网络的车速预测方法、装置、介质及设备 |
-
2023
- 2023-03-24 CN CN202310295250.1A patent/CN116443031B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111204346A (zh) * | 2018-11-05 | 2020-05-29 | 通用汽车环球科技运作有限责任公司 | 用于自动车辆的控制命令的端对端学习的方法及系统 |
| CN110217239A (zh) * | 2019-05-20 | 2019-09-10 | 福瑞泰克智能系统有限公司 | 一种车辆横摆角速度测量方法及设备 |
| CN113434967A (zh) * | 2021-08-27 | 2021-09-24 | 天津所托瑞安汽车科技有限公司 | 车辆轮速的估计方法、装置、控制方法、设备和存储介质 |
| CN114572229A (zh) * | 2022-02-28 | 2022-06-03 | 华南理工大学 | 一种基于图神经网络的车速预测方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116443031A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1641639B1 (en) | Tire pressure estimation | |
| JP6815519B2 (ja) | 車両のタイヤを較正するシステム及び方法 | |
| US8347704B2 (en) | Apparatus and method for detecting tire having decreased pressure, and program for detecting tire having decreased pressure | |
| CN108469806B (zh) | 交替式人机共驾中驾驶权转移方法 | |
| EP2145779B1 (en) | Apparatus and method for detecting decrease in tire air pressure and program for detecting decrease in tire air pressure | |
| JP4463311B2 (ja) | タイヤ空気圧低下検出方法及び装置、並びにタイヤ減圧判定のプログラム | |
| CN112464990B (zh) | 一种基于电流电压传感器感知振动数据的方法和装置 | |
| US9688107B2 (en) | Tire pressure decrease detection apparatus and method, and computer readable medium therefor | |
| US20070078576A1 (en) | System and method for fuzzy-logic based fault diagnosis | |
| CN116443031B (zh) | 车身电子稳定性控制系统的轮速处理系统及其方法 | |
| CN113588984B (zh) | 列车测速测距方法、装置、电子设备及存储介质 | |
| Schwall et al. | A probabilistic approach to residual processing for vehicle fault detection | |
| CN113071509B (zh) | 一种智能车车轮转角传感器故障检测方法 | |
| CN117831002A (zh) | 障碍物关键点检测方法、装置、电子设备及存储介质 | |
| Schwall et al. | A Probabilistic Vehicle Diagnostic System Using Multiple Models. | |
| CN112092899B (zh) | 用于电动转向的动态末端止挡 | |
| CN113920547A (zh) | 一种基于神经网络的手套检测方法及其系统 | |
| Hakem et al. | Sensor fault diagnosis for bilinear systems using data-based residuals | |
| CN113011558B (zh) | 基于多异构传感器信息融合的机器人故障诊断方法及系统 | |
| KR102103988B1 (ko) | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 | |
| CN117565884A (zh) | 一种车辆异常状态下的纵向车速估计方法及系统 | |
| CN117148324A (zh) | 针对激光雷达攻击的检测方法、装置、设备及存储介质 | |
| CN117033991A (zh) | 车轮退化状态评估方法、装置、电子设备及存储介质 | |
| CN117110649A (zh) | 一种运动数据的质量增强方法、装置和系统 | |
| CN117775005A (zh) | 车辆轨迹的滤波平滑处理方法及装置 |
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 |