CN116890853A - 车辆质量的估计方法、装置及车辆 - Google Patents

Abstract

本发明涉及车辆辅助驾驶技术领域，提供一种车辆质量的估计方法、装置及车辆，其中车辆质量的估计方法包括：获取车辆在行驶过程中的当前整车工作参数；根据当前整车工作参数，识别车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；在确定当前行驶工况与车辆波动工况集中的各个车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计与当前整车工作参数对应的车辆质量；车辆纵向动力学模型定义了车辆的车辆质量与整车工作参数之间的关系。由此，对工作参数信号进行筛选过滤剔除低车速、转弯、ABS触发、车辆制动、换挡等算法精度低的工况下，保证模型输出更准确的估计值，提高了所预测的车辆质量的可靠度和精确度。

Description

车辆质量的估计方法、装置及车辆

技术领域

本发明涉及车辆辅助驾驶技术领域，尤其涉及一种车辆质量的估计方法、装置及车辆。

背景技术

对于载重车辆(例如，重型货车)而言，其载重量的变化会对整车质量产生显著的影响。

目前，车辆的防抱死制动控制、车身电子稳定控制等车辆主动安全系统，一般都需要依据整车质量来进行控制的，因此快速且准确地监测车辆在行驶过程中整车质量的变化是实现车辆整车控制稳定性和安全性和必要条件。

针对上述问题，目前业界暂未提出较佳的技术解决方案。

发明内容

本发明提供一种车辆质量的估计方法、装置及车辆，用以至少解决现有技术中无法对车辆行驶过程中整车质量的变化进行实时监测的缺陷。

本发明提供一种车辆质量的估计方法，所述方法包括：获取车辆在行驶过程中的当前整车工作参数；根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；在确定所述当前行驶工况与所述车辆波动工况集中的各个所述车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

根据本发明提供一种车辆质量的估计方法，在根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配之后，所述方法还包括：在确定所述当前行驶工况与所述车辆波动工况集相匹配的情况下，根据预设的采样时间周期，重新采集所述车辆在行驶过程中的当前整车工作参数；根据所重新采集的当前整车工作参数，识别所述车辆的当前行驶工况是否与所述车辆波动工况集相匹配。

根据本发明提供一种车辆质量的估计方法，在所述获取车辆在行驶过程中的当前整车工作参数，包括：在确定检测到针对所述车辆的车辆启动指令的情况下，获取所述车辆在行驶过程中的当前整车工作参数。

根据本发明提供一种车辆质量的估计方法，在所述基于预设的车辆纵向动力学模型估计当前的车辆质量之后，包括：检测是否存在针对所述车辆的车辆熄火指令；当不存在所述车辆熄火指令时，保持所估计的所述车辆质量为有效状态；以及当存在所述车辆熄火指令时，将所估计的所述车辆质量置为失效状态。

根据本发明提供一种车辆质量的估计方法，所述车辆纵向动力学模型为：

其中，T表示输出扭矩，r表示整车车轮半径，i_tf表示变速箱当前挡位传动比与主减速比的乘积，θ表示道路坡度，η表示传动效率，f表示滚阻系数，ρ表示空气密度，C_D表示空气阻力因数，m表示整车质量，A表示迎风面积，v表示整车车速；

旋转质量因数δ通过以下公式而确定：

δ＝1+0.05i+0.0025i_tf

其中，i表示变速箱当前挡位传动比。

根据本发明提供一种车辆质量的估计方法，所述基于预设的车辆纵向动力学模型估计当前的车辆质量，所述方法还包括：基于所述车辆上预设的坡度传感器确定当前的行驶路面类型；在确定所述行驶路面类型为非陡坡路面类型的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量。

根据本发明提供一种车辆质量的估计方法，所述当前整车工作参数未包含所述道路坡度，其中，所述基于预设的车辆纵向动力学模型估计当前的车辆质量，包括：根据所述整车车速、所述车辆质量和所述道路坡度，确定扩展卡尔曼滤波模型的初始状态向量；所述扩展卡尔曼滤波模型是基于所述车辆纵向动力学模型而构建的；基于预设的测量噪声协方差矩阵和过程噪声协方差矩阵配置所述扩展卡尔曼滤波模型，以对所述初始状态向量进行滤波处理，得到相应的目标状态向量；基于所述目标状态向量，确定所述车辆质量和所述道路坡度。

根据本发明提供一种车辆质量的估计方法，所述基于预设的测量噪声协方差矩阵和过程噪声协方差矩阵配置所述扩展卡尔曼滤波模型，以对所述初始状态向量进行滤波处理，得到相应的目标状态向量，包括：获取对应所述整车车速的测量噪声协方差和针对所述车辆的整车系统的过程噪声协方差矩阵；基于所述测量噪声协方差矩阵和所述过程噪声协方差矩阵，确定针对所述初始状态向量的后验估计值和误差的协方差后验估计值矩阵；所述误差为预测值与实际值之间的偏差；在确定所述误差的协方差后验估计值矩阵的迹小于所述预设阈值的情况下，根据所述初始状态向量的后验估计值确定所述目标状态向量。

本发明还提供一种车辆质量的估计装置，所述装置包括：获取单元，用于获取车辆在行驶过程中的当前整车工作参数；识别单元，用于根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；估计单元，用于在确定所述当前行驶工况与所述车辆波动工况集中的各个所述车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

本发明还提供一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车辆质量的估计方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车辆质量的估计方法的步骤。

本发明提供的车辆质量的估计方法、装置及车辆，获取车辆在行驶过程中的当前整车工作参数，识别当前行驶工况是否为对应整车工作状态还未稳定的各类车辆波动工况，并在识别到当前行驶工况为非车辆波动工况时，确定所获取的当前整车工作参数处于车辆稳定行驶工况下的参数信号，进而通过车辆纵向动力学模型预测与当前整车工作参数对应的车辆质量。由此，对工作参数信号进行筛选过滤剔除低车速、转弯、ABS触发、车辆制动、换挡等算法精度低的工况下，保证模型输出更准确的估计值，提高了所预测的车辆质量的可靠度和精确度。

附图说明

为了更清楚地说明本发明或相关技术中的技术方案，下面将对实施例或相关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的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明实施例的车辆质量的估计方法的一示例的流程图；

图2示出了根据本发明实施例的车辆纵向动力学模型的车辆受力分析示意图；

图3示出了根据图1中的步骤S130的一示例的流程图；

图4示出了根据本发明实施例的扩展卡尔曼滤波算法的操作流程图；

图5示出了根据本发明实施例的车辆质量的估计方法的另一示例的流程图；

图6示出了根据本发明实施例的车辆质量的估计方法的一示例的系统架构示意图；

图7示出了根据本发明实施例的车辆质量的估计装置的一示例的结构框图；

图8是本发明提供的车辆的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需说明的是，在目前相关技术中，一些专家和学者提出，采用卡尔曼滤波+扩展卡尔曼滤波来估计车辆的整车质量；但是，此方案依赖额外加速度传感器获取加速度状态参数，增加了整车成本。此外，还有一些专家和学者提出，采用递推最小二乘法或带双遗忘因子的最小二乘估计来估计车辆的整车质量；但是，递推最小二乘法输入量中包含了纵向加速度量一般由车速微分得到，易产生较大误差；带双遗忘因子的递推最小二乘法由于商用车整车质量波动大，使用场景恶劣复杂，不同场景下需要调节不同的遗忘因子值，调参复杂。另外，还有一些专家和学者提出，基于GPS信号和CAN信号来估计车辆的整车质量，但是由于GPS信号受环境影响较大，导致数据误差较大。

鉴于此，本发明实施例提出了一种车辆质量的估计方法，获取车辆在行驶过程中的当前整车工作参数，识别当前行驶工况是否为对应输出扭矩或传动比存在波动的各类车辆波动工况，并在识别到当前行驶工况为非车辆波动工况时，当前整车工作参数处于均衡稳定的状态，进而通过车辆纵向动力学模型预测与当前整车工作参数对应的车辆质量，提高了所预测的车辆质量的可靠度和精确度。

进一步地，在本发明实施例的一些示例中，通过一次扩展卡尔曼滤波即可实现整车质量的估计，无需额外加装传感器，且对输入数据筛选过滤、输出数据收敛判断，提高了参数估计精度，具备较高实用性。

图1示出了根据本发明实施例的车辆质量的估计方法的一示例的流程图。

关于本发明实施例方法的执行主体，其可以是任意具有计算或处理能力的控制器或处理器，以实现对车辆质量进行估计的目标。在一些示例中，其可以是通过软件、硬件或软硬件结合的方式被集成配置在车辆中的，在此应不加限制。

下面将以控制器为示例性的实施主体，来对本发明所涉及的技术方案的细节进行介绍。但应理解的是，下属流程中所涉及的一个或多个步骤可以是由在车辆中所安装部署的一个或多个控制器或软件来实现的。

如图1所示，在步骤S110中，获取车辆在行驶过程中的当前整车工作参数。

这里，整车工作参数可以表示车辆在行驶过程中所产生的各类工作参数，例如车速、挡位、输出扭矩等等。在一些实施方式中，通过采集CAN总线信号来确定车辆的当前整车工作参数，其中当前整车工作参数的参数类型可以涵盖车辆纵向动力学模型用于计算车辆质量所需求的各类整车工作参数。

在步骤S120中，根据当前整车工作参数，识别车辆的当前行驶工况是否与预设的车辆波动工况集相匹配。

这里，车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况。其中，转弯工况定义了车辆的转弯角度高于预设的角度阈值的车辆工况，以及低车速工况定义了车辆的车速低于预设的车速阈值的车辆工况。

在一些实施方式中，通过工况匹配来设置针对车辆纵向动力学模型的使能条件，剔除不满足车辆纵向动力学模型的工况下的工作参数，保障输入至车辆纵向动力学模型的工作参数的精确度。具体地，当上述使能条件满足时，使能信号置1然后继续后续的估算操作，否则使能信号置0，并退出估算。

在步骤S130中，在确定当前行驶工况与车辆波动工况集中的各个车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计与当前整车工作参数对应的车辆质量。

这里，车辆纵向动力学模型定义了车辆的车辆质量与整车工作参数之间的关系。图2示出了根据本发明实施例的车辆纵向动力学模型的车辆受力分析示意图。如图2所示，通过车辆纵向动力学模型来对车辆质量进行估计，对于爬坡中的车辆，主要受到牵引力、滚动阻力、空气阻力以及车辆上下坡的重力梯度力。

根据牛顿第二定律可以得到如下的车辆纵向动力学模型：

在公式中，T表示输出扭矩，r表示整车车轮半径，i_tf表示变速箱当前挡位传动比与主减速比的乘积，θ表示道路坡度，η表示传动效率，f表示滚阻系数，ρ表示空气密度，C_D表示空气阻力因数，m表示整车质量，A表示迎风面积，v表示整车车速；

旋转质量因数δ通过以下公式而确定：

δ＝1+0.05i+0.0025i_tf 公式(2)

其中，i表示变速箱当前挡位传动比。

需说明的是，车辆波动工况集中的各个车辆工况可以表示车辆的各类非稳定工况，导致车辆的整车工作参数会发生较大波动，无法精确地反映当前车辆工作状态，因此可以通过对此整车工作参数进行滤除，以保障所确定的车辆质量的高精确度。

通过本发明实施例，在获取整车相关参数后，对整车制动、换挡等工况下不满足车辆纵向动力学模型的工作参数信号进行过滤，保障代入车辆纵向动力学模型的整车工作参数能够反映车辆的稳定行驶时的工况，提高所确定的车辆质量的高精确度。

在本发明实施例的一个示例中，道路坡度角θ是可以通过传感器采集的方式而确定的，即当前整车工作参数包含道路坡度。然而，在本发明实施例的另一示例中，当前整车工作参数未包含道路坡度，并能够通过相关预测操作来同时估计出道路坡度和车辆质量。

需说明的是，载重车辆的行驶路段以常规道路居多，且道路坡度角θ往往取值较小，此时：

将公式(3)代入公式(1)可得更新后的车辆纵向动力学模型(或车辆行驶方程)：

需说明的是，在公式(3)和(4)中拟定了θ为较小的取值，而当车辆在陡坡路面上行驶时，则通过上述车辆纵向动力学模型可能无法输出较精确的结果。

鉴于此，在一些实施方式中，可基于所述车辆上预设的坡度传感器确定当前的行驶路面类型，进而在确定行驶路面类型为非陡坡路面类型的情况下，基于预设的车辆纵向动力学模型估计与当前整车工作参数对应的车辆质量。具体地，在车辆进行上坡或下坡时，用户可以输入当前行驶路面为陡坡路面类型，此时便不利用车辆纵向动力学模型计算车辆质量。另外，在车辆在一般路面行驶时，用户可以输入行驶路面类型为非陡坡路面类型，进而触发调用车辆纵向动力学模型来计算车辆质量。由此，在无需为车辆额外配备传感器的情况下，保障了所确定的车辆质量的精确度。

图3示出了根据图1中的步骤S130的一示例的流程图。

如图3所示，在步骤S310中，根据整车车速、车辆质量和道路坡度，确定扩展卡尔曼滤波模型的初始状态向量。

这里，扩展卡尔曼滤波模型是基于车辆纵向动力学模型而构建的。具体地，车辆行驶方程为非线性方程，在进行扩展卡尔曼滤波算法时需要对该方程进行近似线性化。

在一些实施方式中，初始状态向量中的整车车速是测量信号，而车辆质量和道路坡度均为待预测的变量。具体地，选定整车车速v、整车质量m以及道路坡度θ为状态量，以表征车辆行驶过程的动态行为，可得状态向量x＝[v,m,θ]。

在步骤S320中，基于预设的测量噪声协方差矩阵和过程噪声协方差矩阵配置扩展卡尔曼滤波模型，以对初始状态向量进行滤波处理，得到相应的目标状态向量。

示例性地，测量噪声协方差矩阵和过程噪声协方差矩阵均采用高斯噪声，以完成对扩展卡尔曼滤波模型的超参数设置。这里，测量噪声协方差矩阵是针对车辆整车的车速传感器而设置的，以完成对车速测量结果的补偿，而过程噪声协方差矩阵是针对车辆整车系统而设置的。

具体地，获取对应整车车速的测量噪声协方差和针对车辆的整车系统的过程噪声协方差矩阵。然后，基于测量噪声协方差矩阵和过程噪声协方差矩阵，确定针对初始状态向量的后验估计值和误差的协方差后验估计值矩阵，误差为预测值与实际值之间的偏差。进而，在确定误差的协方差后验估计值矩阵的迹小于预设阈值的情况下，根据初始状态向量的后验估计值确定目标状态向量。

需要说明的是，由于初始P矩阵的迹是个较大值，随着扩展卡尔曼滤波模型计算，迹会逐渐减小，当减小至预设阈值以下时，认为输出的估计质量稳定，此时记忆该质量，记忆为一个行驶周期的整车质量。所述预设阈值即为状态向量误差的方差值。

在步骤S330中，基于目标状态向量，确定车辆质量和道路坡度。

通过本发明实施例，通过车辆纵向动力学模型设计卡尔曼滤波器，在已知状态方程但状态量未知的条件下对状态量进行估计，并能降低估计值与实际值之间的误差。

具体地，整车质量在一个行驶周期(例如，从开车到停车)内为定量，道路坡度变化一般比较缓慢，可以得到微分方程为：

将式(5)采用前向欧拉法离散化处理，得到离散差分方程：

对于状态向量中的各个参量，只有整车车速可以通过传感器测量得到，引入测量噪声，得到系统测量方程为：

然后，引入系统过程噪声，得到系统状态空间方程：

假设系统过程噪声W和测量噪声V均为相互独立且均值为0的高斯噪声，Q矩阵表示过程噪声的协方差矩阵，r表示测量噪声的协方差矩阵。

由于公式(4)中车辆的行驶方程为非线性方程，进行扩展卡尔曼滤波算法时需要对该方程近似线性化，即非线性车辆行驶方程对各状态变量求偏导得到雅可比矩阵：

根据上述公式(6)(7)(8)(9)，得到扩展卡尔曼滤波器预测方程与更新方程：

其中，预测方程为：

式中，表示上一时刻状态量的最优估计值，P_k-1表示上一时刻误差的协方差矩阵，/>表示状态量的先验估计值，P_k ^-表示误差的协方差先验估计值矩阵，J_f表示行驶方程对状态量求一阶偏导得到的雅可比矩阵。

其中，更新方程为：

式中，K_k表示卡尔曼增益，表示状态量后验估计值，P_k表示误差的协方差后验估计值矩阵，I表示单位矩阵。

由此，通过上述预测方程与更新方程即可实现扩展卡尔曼滤波对状态量的估计输出。图4示出了根据本发明实施例的扩展卡尔曼滤波算法的操作流程图。如图4所示，在通过整车车速v、整车质量m以及道路坡度θ确定初始状态量后，确定初始状态量的先验估计值和初始误差的协方差先验估计值矩阵。然后，利用预测方程计算初始状态量的先验估计值，计算误差的协方差先验估计值矩阵。进而，通过更新方程进行递归更新操作，具体地，通过更新方程递归计算卡尔曼增益、状态量的后验估计值和误差的协方差后验估计值矩阵。

需说明的是，由扩展卡尔曼滤波计算过程可知，在更新方程中的矩阵代表了误差的协方差后验估计值矩阵，刻画了滤波结果的协方差，在实际滤波过程，矩阵的迹(即，矩阵对角线元素的和)会随着时间逐渐较小，可以通过矩阵的迹的大小判断质量是否收敛，确认矩阵收敛后，对质量值进行记忆输出，表示此行驶周期内的估计质量值和估计道路坡度值。同时，根据CAN中VCU当前工作状态对扩展卡尔曼滤波记忆的车辆质量估计值和道路坡度估计值进行更新重置。

由此，根据模型输出误差协方差矩阵的迹的大小，设置模型退出条件，能够获得更准确稳定的估计值，实现对车辆行驶过程中实时监测车辆的整车质量和道路坡度，并输出整车在一个行驶周期内稳定的估计质量结果。

图5示出了根据本发明实施例的车辆质量的估计方法的一示例的流程图。

如图5所示，在步骤S510中，在确定检测到针对车辆的车辆启动指令的情况下，获取车辆在行驶过程中的当前整车工作参数。

在步骤S520中，根据当前整车工作参数，识别车辆的当前行驶工况是否与预设的车辆波动工况集相匹配。

示例性地，针对车辆波动工况集中的各个车辆波动工况，基于当前整车工作参数逐一进行工况匹配，例如当车辆起步后的车速超过预设阈值时确定车辆已脱离低车速工况。

在步骤S531中，在确定当前行驶工况与车辆波动工况集相匹配的情况下，根据预设的采样时间周期，重新采集车辆在行驶过程中的当前整车工作参数。

应理解的是，采样时间周期可以根据需求而进行设置，以实现定期监测车辆是否已处于稳定驾驶工况，并相应地利用稳定工况下的整车工作参数进行计算。

在步骤S540中，根据所重新采集的当前整车工作参数，识别车辆的当前行驶工况是否与车辆波动工况集相匹配。

在步骤S533中，在确定当前行驶工况与车辆波动工况集不匹配的情况下，基于预设的车辆纵向动力学模型估计与当前整车工作参数对应的车辆质量。

在步骤S550中，检测是否存在针对车辆的车辆熄火指令。

在步骤S561中，当不存在车辆熄火指令时，保持所估计的车辆质量为有效状态。

在步骤S563中，当存在车辆熄火指令时，将所估计的车辆质量置为失效状态。由此，在车辆行驶过程中，当获得在稳定工况下的车辆质量估计值时，直到车辆熄火前都不再重复调用系统资源对车辆质量进行计算，有效节约了对车辆控制器的系统处理资源的消耗。

图6示出了根据本发明实施例的车辆质量的估计方法的一示例的系统架构示意图。

如图6所示，通过搭建扩展卡尔曼滤波状态观测器来准确获取整车质量参数。具体地，在CAN通信正常的情况下，采集车辆的输出扭矩、变速箱对应挡位传动比、主减速比、传动效率、轮胎半径、迎风面积、空气密度、风阻系数、整车车速、滚阻系数等用于计算的整车参数。然后，对所采集的信号数据进行分析和筛选，具体地，根据当前整车车速、方向盘转角、ABS状态、制动踏板状态、变速箱当前挡位确认模型使能条件。进而，通过纵向动力学模型搭建EKF(Extended Kalman Filter,扩展卡尔曼滤波)模型，估计状态向量，完成对道路坡度和整车质量联合估计。最后，根据卡尔曼滤波P矩阵的迹判断质量收敛状态，并通过VCU工作状态对模型工作状态进行更新，以得到在车辆当前行驶周期内稳定的质量值。

通过本发明实施例，采用输入数据的筛选过滤方法，添加模型工作使能条件，剔除低车速、转弯、ABS、制动、换挡等算法精度低的工况，保证模型输出更准确的估计值。此外，利用状态观测器(即，EKF模型)实现对整车质量和道路坡度的联合估计，并且模型需要调节的参数少无需借助IMC传感器输出加速度值，能够节省整车成本。另外，以卡尔曼滤波P矩阵输出作为滤波收敛条件，对整车在本行驶周期内质量完成记忆，提高车辆行驶过程整车控制稳定性。

下面对本发明提供的车辆质量的估计装置进行描述，下文描述的车辆质量的估计装置与上文描述的车辆质量的估计方法可相互对应参照。

图7示出了根据本发明实施例的车辆质量的估计装置的一示例的结构框图。

如图7所示，车辆质量的估计装置700包括获取单元710、识别单元720和估计单元730。

获取单元710用于获取车辆在行驶过程中的当前整车工作参数。

识别单元720用于根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况。

估计单元730用于在确定所述当前行驶工况与所述车辆波动工况集不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

图8示例了一种车辆的实体结构示意图，如图8所示，该搬运机器人可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行车辆质量的估计方法，该方法包括：获取车辆在行驶过程中的当前整车工作参数；根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；在确定所述当前行驶工况与所述车辆波动工况集中的各个车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量(即与所述当前整车工作参数对应的车辆质量)；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

此外，上述的存储器830中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的车辆质量的估计方法，该方法包括：获取车辆在行驶过程中的当前整车工作参数；根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；在确定所述当前行驶工况与所述车辆波动工况集中的各个车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的车辆质量的估计方法，该方法包括：获取车辆在行驶过程中的当前整车工作参数；根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；在确定所述当前行驶工况与所述车辆波动工况集中的各个车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上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，并不使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。

Claims (10)

1.一种车辆质量的估计方法，其特征在于，所述方法包括：

获取车辆在行驶过程中的当前整车工作参数；

根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；

在确定所述当前行驶工况与所述车辆波动工况集中的各个所述车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

2.根据权利要求1所述车辆质量的估计方法，其特征在于，在根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配之后，所述方法还包括：

在确定所述当前行驶工况与所述车辆波动工况集相匹配的情况下，根据预设的采样时间周期，重新采集所述车辆在行驶过程中的当前整车工作参数；

根据所重新采集的当前整车工作参数，识别所述车辆的当前行驶工况是否与所述车辆波动工况集相匹配。

3.根据权利要求1所述车辆质量的估计方法，其特征在于，在所述获取车辆在行驶过程中的当前整车工作参数，包括：

在确定检测到针对所述车辆的车辆启动指令的情况下，获取所述车辆在行驶过程中的当前整车工作参数。

4.根据权利要求1所述车辆质量的估计方法，其特征在于，所述车辆纵向动力学模型为：

其中，T表示输出扭矩，r表示整车车轮半径，i_tf表示变速箱当前挡位传动比与主减速比的乘积，θ表示道路坡度，η表示传动效率，f表示滚阻系数，ρ表示空气密度，C_D表示空气阻力因数，m表示整车质量，A表示迎风面积，v表示整车车速；

旋转质量因数δ通过以下公式而确定：

δ＝1+0.05i+0.0025i_tf

其中，i表示变速箱当前挡位传动比。

5.根据权利要求1所述车辆质量的估计方法，其特征在于，所述基于预设的车辆纵向动力学模型估计当前的车辆质量，所述方法还包括：

基于所述车辆上预设的坡度传感器确定当前的行驶路面类型；

在确定所述行驶路面类型为非陡坡路面类型的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量。

6.根据权利要求4所述车辆质量的估计方法，其特征在于，所述当前整车工作参数未包含所述道路坡度，

其中，所述基于预设的车辆纵向动力学模型估计当前的车辆质量，包括：

根据所述整车车速、所述车辆质量和所述道路坡度，确定扩展卡尔曼滤波模型的初始状态向量；所述扩展卡尔曼滤波模型是基于所述车辆纵向动力学模型而构建的；

基于预设的测量噪声协方差矩阵和过程噪声协方差矩阵配置所述扩展卡尔曼滤波模型，以对所述初始状态向量进行滤波处理，得到相应的目标状态向量；

基于所述目标状态向量，确定所述车辆质量和所述道路坡度。

7.根据权利要求6所述车辆质量的估计方法，其特征在于，所述基于预设的测量噪声协方差矩阵和过程噪声协方差矩阵配置所述扩展卡尔曼滤波模型，以对所述初始状态向量进行滤波处理，得到相应的目标状态向量，包括：

获取对应所述整车车速的测量噪声协方差和针对所述车辆的整车系统的过程噪声协方差矩阵；

基于所述测量噪声协方差矩阵和所述过程噪声协方差矩阵，确定针对所述初始状态向量的后验估计值和误差的协方差后验估计值矩阵；所述误差为预测值与实际值之间的偏差；

在确定所述误差的协方差后验估计值矩阵的迹小于所述预设阈值的情况下，根据所述初始状态向量的后验估计值确定所述目标状态向量。

8.根据权利要求1或3所述车辆质量的估计方法，其特征在于，在所述基于预设的车辆纵向动力学模型估计当前的车辆质量之后，包括：

检测是否存在针对所述车辆的车辆熄火指令；

当不存在所述车辆熄火指令时，保持所估计的所述车辆质量为有效状态；以及

当存在所述车辆熄火指令时，将所估计的所述车辆质量置为失效状态。

9.一种车辆质量的估计装置，其特征在于，所述装置包括：

获取单元，用于获取车辆在行驶过程中的当前整车工作参数；

识别单元，用于根据所述当前整车工作参数，识别所述车辆的当前行驶工况是否与预设的车辆波动工况集相匹配；所述车辆波动工况集包含以下中的一个或多个车辆工况：ABS触发工况、车辆制动工况、非前进挡工况、换挡工况、转弯工况和低车速工况；所述转弯工况定义了所述车辆的转弯角度高于预设的角度阈值的车辆工况，以及所述低车速工况定义了所述车辆的车速低于预设的车速阈值的车辆工况；

估计单元，用于在确定所述当前行驶工况与所述车辆波动工况集中的各个所述车辆工况均不匹配的情况下，基于预设的车辆纵向动力学模型估计当前的车辆质量；所述车辆纵向动力学模型定义了所述车辆的车辆质量与整车工作参数之间的关系。

10.一种车辆，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述车辆质量的估计方法。