CN116946148B - 一种车辆状态信息和路面信息估计方法及装置 - Google Patents

Abstract

本申请提供一种车辆状态信息和路面信息估计方法及装置，该方法包括：获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；根据车辆运动状态参数、路面特征参数和车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；基于目标概率矩阵，对车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；基于机械特性约束，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。可见，该方法能够同时车辆状态信息和路面信息，降低了工作量和算力成本，从而有利于提升车辆安全性控制效果。

Description

一种车辆状态信息和路面信息估计方法及装置

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种车辆状态信息和路面信息估计方法及装置。

背景技术

目前，随着车辆的不断普及，车辆的行驶安全性也越来越得到重视。可以通过估计车辆行驶中的车辆状态和路面信息，以大幅提高车辆行驶的安全性。现有技术聚焦于惯性导航装置与卫星导航装置的信息融合中，以被测装置的三轴加速度、三轴旋转、星历信息等作为系统测量输入，经捷联惯导、卫星解算并融合后，以被测装置的位姿作为输出。然而，在实践中发现，现有方案一般只能单独估计车辆状态信息和单独辨识路面参数，增加了工作量和算力成本，从而降低了车辆安全性控制效果。

发明内容

本申请实施例的目的在于提供一种车辆状态信息和路面信息估计方法及装置，能够同时车辆状态信息和路面信息，降低了工作量和算力成本，从而有利于提升车辆安全性控制效果。

本申请第一方面提供了一种车辆状态信息和路面信息估计方法，包括：

获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；

根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；

基于所述目标概率矩阵，对所述车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；

基于所述机械特性约束，对所述车辆状态信息估计值和所述路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

本申请的有益效果为：该方法能够同时车辆状态信息和路面信息，降低了工作量和算力成本，从而有利于提升车辆安全性控制效果。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种车辆状态信息和路面信息估计方法的流程示意图；

图2为本申请实施例提供的另一种车辆状态信息和路面信息估计方法的流程示意图；

图3为本申请实施例提供的一种车辆状态信息和路面信息估计装置的结构示意图；

图4为本申请实施例提供的另一种车辆状态信息和路面信息估计装置的结构示意图；

图5为本申请实施例提供的一种车辆状态信息和路面信息估计方法的技术框架图；

图6为本申请实施例提供的一种基于工况辨识和机械特性约束的车辆运动状态参数框图；

图7为本申请实施例提供的一种IMM-UKF交互多模型算法总体架构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

请参看图1，图1为本实施例提供的一种车辆状态信息和路面信息估计方法的流程示意图。其中，该车辆状态信息和路面信息估计方法包括：

S101、获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数。

本实施例中，车辆传感器信息至少包括GPS传感器信息、IMU传感器信息和车辆底盘传感器信息；

车辆运动状态参数至少包括纵向加速度、纵向速度、横摆角速度、侧向加速度和车轮滑转率；

路面特征参数至少包括纵向坡度和路面附着系数；

车辆硬件状态参数至少包括当前挡位、当前驾驶模式、加速踏板开度、制动踏板开度、方向盘转角以及方向盘角速度。

S102、根据车辆运动状态参数、路面特征参数和车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束。

S103、基于目标概率矩阵，对车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值。

S104、基于机械特性约束，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

请参照图5，图5示出了本方法的技术框架图。其中，用于实现该方法的多传感信息融合估计器主要可以分为四个部分：基于不同传感信息的参数辨识子模型、交互多模型估计器、基于工况辨识的多模型概率矩阵调整、基于工况辨识的机械特性约束计算。具体的，

参数辨识子模型，用于根据传感器特性、动力学、运动学方程推导参数辨识子模型；并在车辆系统的GPS、IMU、底盘传感器的原始数据经过基于时序校正的传感信息前处理后，方使其参与实际的观测矩阵更新。

交互多模型参数估计器，用于针对不同传感信息和车辆系统特性设计的参数辨识子模型，采用多传感信息融合方法充分利用冗余的传感信息，信息滤波提升信息可靠性和参数辨识的鲁棒性。其中，本方法中的参数辨识是在IMM交互多模型信息融合架构下进行的。

基于工况辨识的多模型概率矩阵调整的过程是通过对车辆状态和路面信息的处理，确定当前的车辆状态和工况，并将其作为概率模型的调整条件，用以调整不同传感子模型的计算概率，从而实现提高工况适应性和鲁棒性的效果。

基于工况辨识的机械特性约束计算的过程是通过车辆特性确定车辆机械特性约束，为了适配不同工况下的车辆特性，通过工况辨识结果确定机械特性约束的松弛因子。用以限制传感参数和估计器结果的数据变化或变化率，避免数据出现不合理奇异值。

本实施例中，该方法一方面聚焦于低成本惯导与卫星导航装置的信号质量不佳，信息融合结果精度、鲁棒性有限的问题，以及采用多传感信息融合方式对异源传感信息进行融合处理，对车辆底盘参数进行了充分利用，避免多传感器分别解算、最终加权平均时，单一或多个传感信息出现异常较大的误差值，输出结果无法有效收敛的情况。提出了一种通过传感信息预处理、工况辨识调整估计器概率矩阵、基于工况辨识的机械特性约束以此限制估计值的方法，从而提高估计的鲁棒性和准确性。

另一方面，惯导与卫星导航装置仅仅对车辆本身的位置、姿态信息进行了测量更新，未对道路信息进行同步估计，车辆所处的环境信息也是车辆控制所需要的重要参数，因此该方法将车辆位姿信息与道路信息估计同时作为被估计参数，能够提高估计器的集成度，节约了算力成本。

本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。

在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。

可见，实施本实施例所描述的车辆状态信息和路面信息估计方法，能够实现以下多种效果：

（1）多个异源传感器能够提供冗余传感信息，以便于采用多传感融合方式来提高参数估计的鲁棒性；

（2）针对多传感信息输入，采用车辆状态参数与路面坡度信息联合估计与滤波，能够提高对算力的利用，从而增加有效参数的输出；

（3）区别于仅依靠IMM算法自调节子模型概率矩阵的估计方法，本方法能够通过工况辨识，主动对多模型概率矩阵进行了调整，从而以此来提高参数估计在复杂工况下的鲁棒性；

（4）在车辆机械特性参数标定的基础上，通过工况辨识，采用模糊逻辑算法/神经网络算法决策了车辆运动状态参数松弛因子，从而以此对参数估计器的输出结果进行限制，进而剔除不合理的异常估计结果，提高参数估计精度。

实施例2

请参看图2，图2为本实施例提供的一种车辆状态信息和路面信息估计方法的流程示意图。其中，该车辆状态信息和路面信息估计方法包括：

S201、获取预设的状态参数关系方程。

本实施例中，状态参数关系方程包括线加速度与线速度的第一关系方程、线速度与线位移的第二关系方程、角加速度与角速度的第三关系方程以及角速度角线位移的第四关系方程。

S202、基于状态参数关系方程，构建离散化的系统状态方程。

S203、将离散化的系统状态方程确定为位姿信号滤波方程。

本实施例中，关于位姿信号的滤波方程的说明如下：

（1）线加速度与线速度的关系：

式中，V为速度，i = x，y，z分别代表三个正交轴，k，k+1代表k，k+1时刻，a为线加速度，为传感器输出量，为状态方程离散后的时间间隔。

（2）线速度与线位移的关系：

式中，P为线位移，i = x，y，z分别代表三个正交轴，k，k+1代表k，k+1时刻，V为线速度，为传感器输出量，为状态方程离散后的时间间隔。

（3）角加速度与角速度的关系：

式中，为角速度，i = x，y，z分别代表三个正交轴，k，k+1代表k，k+1时刻，/>为线角加速度，为传感器输出量，/>为状态方程离散后的时间间隔。

（4）角速度与角位移的关系：

式中，为角位移，i = x，y，z分别代表三个正交轴，k，k+1代表k，k+1时刻，/>为角速度，为传感器输出量，/>为状态方程离散后的时间间隔。

（5）离散化的系统方程：根据上述分析可以构建离散化的系统状态方程：

（6）各传感器的观测方程：针对不同传感器类型，可以构建不同观测方程，可以按照实际情况进行拓展，间接计算量也可以拓展到观测矩阵，此处仅展示直接获取的量：

①GPS观测方程：

此处的位置信息可以通过经纬度的坐标转换得到，可以参见相应的卫星导航资料。

②IMU观测方程：

③车辆底盘信息的观测方程：

S204、获取预设的车辆动力学方程和预设的动力学特性方程。

S205、基于车辆动力学方程和动力学特性方程，构建路面坡度估计方程和路面附着系数估计方程。

本实施例中，关于道路参数的辨识估计，可以由纵向坡度、路面附着系数由车辆动力学方程、动力学特性方程计算得到，并作为观测模型之一。其中，

（1）关于路面坡度估计

①基于动力学的坡度观测方程

式中，为驾驶员反应强度系数；/>为算法采样间隔时间；/>为状态向量，/>为状态转移矩阵，/>为控制矩阵。

模型的观测量是纵向车速和加速度传感器采集的加速度信息，可得量测方程：

式中，为输出矩阵。

基于加速度传感信息的坡度变化模型。

②观测器的状态方程：

式中，为驾驶员反应强度系数；/>为算法采样间隔时间；/>为状态向量；/>为状态转移矩阵；/>为控制矩阵。

模型的观测量是纵向车速和加速度传感器采集的加速度信息，可得量测方程：

式中，为输出矩阵。

基于GPS的坡度模型。

③观测器的状态方程：

式中，为驾驶员反应强度系数；/>为算法采样间隔时间；/>为状态向量，/>为状态转移矩阵，/>为控制矩阵。

模型的观测量是纵向车速和加速度传感器采集的加速度信息，可得量测方程：

式中，为输出矩阵。

（2）关于路面附着系数估计

路面附着系数是车辆动力学控制的边界条件。基于动力学的路面附着系数的计算量偏大，可采用滑移率曲线法：即滑转/滑移率在015-0.25左右，对应峰值附着系数。

滑移/滑转率计算：

式中：为车速；/>为车轮速度；ω为车轮滚动角速度；r为车轮半径。式中的车速信息可以采用融合后的车速信息。

S206、汇总路面坡度估计方程和路面附着系数估计方程，得到道路参数辨识估计方程。

S207、获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数。

本实施例中，该方法可以优先确定待滤波估计的参数及信号的数据基础。具体的，该数据基础（对应于车辆传感器信息）可以分为车辆参数：与车辆控制密切相关的速度信息（纵向车速、横向车速、垂向车速）；加速度信息（纵向加速度、横向加速度、垂向加速度）；位置信息（纵向位置、横向位置、高程信息）；道路参数（纵向坡度、路面附着系数）等。

具体的，惯导装置（IMU传感器）可直接观测：纵向、横向、垂向三向加速度和角速度信息，可通过捷联惯导算法解算纵向、横向、垂向三向车速及相对位置。

底盘信息（车辆底盘传感器获取到的信息）可直接观测纵向加速度、横向加速度、横摆角速度，轮速，可间接计算纵向车速、纵向位置信息。

卫星导航装置（GPS传感器）可以直接观测绝对位置信息包括经度、纬度、高程信息，可间接计算位置信息、纵横垂速度和加速度信息。经纬度信息的绝对位置坐标可以通过坐标转换矩阵与其他坐标系双向转换。

由惯导装置、车辆底盘装置、卫星导航装置直接观测的信息，受到传感器精度、传感器类型、环境噪声的影响，观测信息含有噪声，无法直接应用于实际使用，因此对这些信息的观测实际上是借助多个传感器的共同观测进行滤波。

其中，对于间接计算的信息，一方面通过对原始观测信息进行滤波，可以提高信息的可靠度；另一方面，多源信息的融合也提高了间接获取信息的鲁棒性。

S208、根据车辆运动状态参数、路面特征参数和车辆硬件状态参数进行工况辨识，得到工况辨识结果。

请参阅图6，图6示出了一种基于工况辨识和机械特性约束的车辆运动状态参数框图。

本实施例中，工况辨识主要分为是以来源信号来确定工况的过程中。其中，来源信号包括：车辆硬件参数（挡位、驾驶模式、方向盘转角信息）、车辆运动状态参数（纵向加速度、横摆角速度等）、路面特征参数。

在本实施例中，工况举例如下：

（1）停车工况（零速模型）：

①静态车速条件：V低于阈值，防止车速计算结果因传感噪声产生跳变，出现车速始终有极小值，无法归零。

②P挡状态锁止。

③坡度小于当前制动系统能力的极值。

④制动踏板开度对应的制动力大于当前坡度重力分量和摩擦力总值。

（2）正常行车工况：

①车速条件：V高于阈值。

②D挡。

③跟随方向盘转角及转角速度，横摆角速度、侧向加速度处于机械特性约束范围内。

（3）车轮滑转/滑移

①滑转/滑转率计算及判断：以参数估计器的输出车速为实际参考车速，以轮速计算车速为理论车速，计算车轮划转率、滑移率。车轮滑转/滑移率计算：

式中：为车速；/>为车轮速度；ω为车轮滚动角速度；r为车轮半径。

（4）横向失稳工况：

①跟随方向盘转角及转角速度，横摆角速度、侧向加速度超出机械特性约束范围内。

②实际横摆角速度明显超过采用理想二自由度车辆模型计算理论横摆角速度边界。采用理想二自由度车辆模型计算理论横摆角速度：

（5）卫星信号质量差，剔除GPS模型：

①判断卫星导航系统发出的导航信号质量状态位。

②GPS输出的车辆状态参数超出车辆机械特性约束。

③非停车和初始化情况下，GPS信号卡滞或连续丢失。

（6）底盘信号失效，剔除底盘模型：

①判断非停车工况下，底盘信号的丢失、卡滞。

②底盘发出的信号故障标志。

（7）惯导信号失效，剔除惯导观测模型：

①判断非停车工况下，惯导信号的丢失、卡滞。

②惯导发出的信号故障标志。

S209、根据工况辨识结果对预设的多模型概率矩阵进行调整，得到目标概率矩阵。

S210、根据工况辨识结果获取机械特征约束的松弛因子。

本实施例中，关于工况约束对多模型概率矩阵的调整：

①停车工况：判断IMU、GPS、底盘信息估计器的速度输出，各模型速度输出相对零速误差大，则调小该模型概率，速度相对零速误差小，则增大该模型概率。

②正常行车工况：主要依靠IMM模型本身对概率矩阵的调整，不额外施加调整。

③滑转/滑移工况：底盘信息再非线性车辆动力学特性扰动下，惯性传感参数带有复杂噪声，因此需要降低底盘动力学估计器的概率，适当提高GPS模型概率。

④横向失稳工况：底盘信息再非线性车辆动力学特性扰动下，惯性传感参数带有复杂噪声，因此需要降低底盘动力学估计器的概率，适当提高IMU，GPS模型概率。

⑤GPS信号质量差工况：对于GPS信号质量差，依靠IMM本身的调整会导致概率模型调整较慢，输出结果质量可靠度下降，因此，主动屏蔽GPS模型所占的概率，在GPS信号质量恢复时，逐步对概率矩阵进行恢复调整。

⑥底盘信号失效，剔除底盘模型：剔除利用底盘信息的子模型概率，修改多模型概率矩阵。

⑦惯导信号失效，剔除惯导观测模型：剔除利用惯导信息的子模型概率，修改多模型概率矩阵。

S211、根据松弛因子和工况辨识结果，计算机械特性约束。

本实施例中，机械特性约束包括纵向加速度约束、纵向速度约束、横摆角速度约束、侧向加速度约束和车轮滑转率约束。

本实施例中，该方法考虑了车辆机械特性，能够在车辆机械特性参数标定的基础上，通过工况辨识，采用模糊逻辑算法/神经网络算法决策了车辆运动状态参数松弛因子，对参数估计器的输出结果进行限制，剔除不合理的异常估计结果。

以下定性阐述了在不同工况下对不同车辆参数的松弛因子的调整策略，实际中应以先决条件作为输入，以模糊逻辑算法/神经网络算法等作为计算方法，以松弛因子作为输出。对变量的幅值滤波即约束上下限，对其变化率滤波即限制变化率范围可采用梯度滤波方法。

其中，关于机械特性约束及松弛因子计算策略：

模糊逻辑算法较为成熟，此处不做赘述；此时，考虑非线性机械特性、复杂环境、扰动情况下，对上述约束需要引入松弛因子，包括对下限值约束的松弛因子a1（0≤a1≤1），对上限值约束的松弛因子a2（1≤a2）。

（1）关于纵向加速度约束：

在路况良好、非滑转/滑移工况下，挡位、驾驶模式、油门开度及其变化率可以标定车辆实际的加速度，因此，可以通过查表方式纵向速度、加速度及其变化率进行限制滤波。此时工况良好，松弛因子适当缩小，车速较高时，为了体现车辆运动学特性的快速变化，应适当增加松弛因子。

在滑转/滑移工况下，相对非滑转/滑移工况，应对加速度及其变化率限制滤波拓宽，避免加速度估计值相对过小，导致控制误差比实际偏小，控制介入过慢、控制强度过低，影响行车安全性。此时工况交差，松弛因子适当增大，避免估计值与实际值偏差较大，底盘安全性控制较慢，影响安全性。

（2）关于纵向车速约束：

最大速度约束：结合实际车辆挡位、驾驶模式、踏板开度、坡度、整车的电子限速值。其中，车辆挡位、驾驶模式所限制的驱动部件动力特性上限值，将车辆最大车速限制为V1，在此条件上，加速踏板开度将决定动力部件输出动力值，目标车速限制为V2。松弛因子在非滑转/滑移工况适当缩小，在滑转/滑移工况适当扩大。

（3）关于侧向加速度及横摆角速度约束：

在非滑转/滑移工况，在不同的方向盘转角、转角变化率、车速、加速度踏板开度、制动踏板开度条件下，侧向加速度、横摆角速度也可以通过实验查表得到，作为估计率输出结果的限制条件。滑转/滑移工况及横向失稳工况下，针对不同滑转程度，首先考虑实际工况及车辆安全性控制，放开对侧向加速度及横摆角速度的约束，显示实际测量及估计值，用于滑转控制。

松弛因子在①横摆角速度超出特性约束较大；②处于滑转/滑移工况；③高车速、快速转向工况时，增加松弛因子，反之适当缩小松弛因子。

（4）关于俯仰角速度约束：

车辆以较低车速运行在坡度及其变化率较小时，俯仰角速度相对较小，松弛因子应相对较小。

S212、对车辆传感器信息进行传感器信息前处理，得到前处理传感器信息。

本实施例中，该前处理可以是基于时序的信息滤除。

在本实施例中，传感器信息基于系统时间顺序输入到估计器，对于个别信号出现时序混乱的问题，应该判定为无效信息，采用滤除方式。即接收到t+1时刻的系统时间戳小于t时刻的时间戳，应将t+1时刻信息舍弃。

S213、获取预先构建的传感器参数辨识子模型；其中，传感器参数辨识子模型包括GPS参数辨识子模型、惯导IMU参数辨识子模型、车辆底盘参数辨识子模型。

S214、通过传感器参数辨识子模型对前处理传感器信息进行处理，得到待融合传感器信息。

本实施例中，关于多传感信息融合估计器架构设计的解释说明（其中，本申请重点改进了模型概率更新环节，并以此作为实现预期效果的主要方法）如下：

车辆在行驶过程中，坡度识别和传感器对车辆状态的量测受不同类型的噪声影响，应用场景不同，因此考虑多模型混合输入的联合估计。

系统变量变为：

其中，系统方程、量测方程即将前文的状态进行组合。

基于上述因素，为了实现不同模型的权重切换以自适应实时车辆状态，自动降低不同运行环境下的误差因素干扰，进而选取最优估计模型，引入了交互式多模型算法（IMM）。算法结构如图所示，IMM-UKF算法主要包含多个滤波器、模型概率估计、交互作用器、状态估计融合器。

请参看图7，图7示出了一种IMM-UKF交互多模型算法总体架构图。

其中，IMM-UKF算法是以迭代方式进行的，每次递推主要分为以下四个步骤：

（1）输入交互

模型的预测概率（归一化常数）为

模型到/>的混合概率为：

/>

模型的混合状态估计

模型的混合协方差估计

式中，为模型/>到/>的转移概率，/>为模型/>在/>时刻的概率。

（2）无迹卡尔曼滤波（UKF）

UKF采用Kalman线性滤波框架，对于一步预测方程，使用无迹变换来处理均值和协方差的非线性传递问题。

①计算2n+1个Sigma点，计算采样点对应的权值

式中，为均值；/>为协方差；/>是一个缩放比例参数；/>的选取控制了采样点的分布状态；/>的选取应确保矩阵/>为半正定矩阵；/>可以合并方程中高阶项的动差。

②计算2n+1个Sigma点集的一步预测，公式如下：

③计算系统状态量的一步预测及协方差矩阵，公式如下：

④根据一步预测，再次使用UT变换，产生新的Sigma点集。

⑤将由步骤④预测的Sigma点集带入观测方程，得到预测的观测量。

⑥由步骤⑤得到的Sigma点集的观测值，通过加权求和得到系统预测的均值和协方差，公式如下：

⑦计算卡尔曼增益矩阵

⑧计算系统的状态更新和协方差更新

（3）模型概率更新

采用似然函数更新模型概率，模型j的似然函数为：

式中，；

；

则模型的概率为：

式中，为归一化常数，/>。

请参照图7，图7中示出了一种模型概率更新过程。基于此可见看出，该方法是采用工况辨识调整估计器多模型概率矩阵参数，提高估计的鲁棒性和准确性。区别于仅依靠IMM算法自调节子模型概率矩阵的估计方法，本申请能够通过工况辨识，主动对多模型概率矩阵进行了调整，提高参数估计在复杂工况下的鲁棒性。

（4）输出交互

基于模型概率，对每个滤波器的估计结果加权合并，得到总的状态估计和总的协方差估计/>。

总的状态估计为：

总的协方差估计为：

S215、基于目标概率矩阵对待融合传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值。

S216、基于机械特性约束、位姿信号滤波方程和道路参数辨识估计方程，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。

在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。

可见，实施本实施例所描述的车辆状态信息和路面信息估计方法，能够实现以下多种效果：

（1）多个异源传感器能够提供冗余传感信息，以便于采用多传感融合方式来提高参数估计的鲁棒性；

（2）针对多传感信息输入，采用车辆状态参数与路面坡度信息联合估计与滤波，能够提高对算力的利用，从而增加有效参数的输出；

（3）区别于仅依靠IMM算法自调节子模型概率矩阵的估计方法，本方法能够通过工况辨识，主动对多模型概率矩阵进行了调整，从而以此来提高参数估计在复杂工况下的鲁棒性；

（4）在车辆机械特性参数标定的基础上，通过工况辨识，采用模糊逻辑算法/神经网络算法决策了车辆运动状态参数松弛因子，从而以此对参数估计器的输出结果进行限制，进而剔除不合理的异常估计结果，提高参数估计精度。

实施例3

请参看图3，图3为本实施例提供的一种车辆状态信息和路面信息估计装置的结构示意图。如图3所示，该车辆状态信息和路面信息估计装置包括：

获取单元310，用于获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；

第一计算单元320，用于根据车辆运动状态参数、路面特征参数和车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；

第二计算单元330，用于基于目标概率矩阵，对车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；

处理单元340，用于基于机械特性约束，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

本实施例中，对于车辆状态信息和路面信息估计装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

可见，实施本实施例所描述的车辆状态信息和路面信息估计装置，能够实现以下多种效果：

（1）多个异源传感器能够提供冗余传感信息，以便于采用多传感融合方式来提高参数估计的鲁棒性；

（2）针对多传感信息输入，采用车辆状态参数与路面坡度信息联合估计与滤波，能够提高对算力的利用，从而增加有效参数的输出；

（3）区别于仅依靠IMM算法自调节子模型概率矩阵的估计方法，本方法能够通过工况辨识，主动对多模型概率矩阵进行了调整，从而以此来提高参数估计在复杂工况下的鲁棒性；

（4）在车辆机械特性参数标定的基础上，通过工况辨识，采用模糊逻辑算法/神经网络算法决策了车辆运动状态参数松弛因子，从而以此对参数估计器的输出结果进行限制，进而剔除不合理的异常估计结果，提高参数估计精度。

实施例4

请参看图4，图4为本实施例提供的一种车辆状态信息和路面信息估计装置的结构示意图。如图4所示，该车辆状态信息和路面信息估计装置包括：

获取单元310，用于获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；

第一计算单元320，用于根据车辆运动状态参数、路面特征参数和车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；

第二计算单元330，用于基于目标概率矩阵，对车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；

处理单元340，用于基于机械特性约束，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

本实施例中，车辆传感器信息至少包括GPS传感器信息、IMU传感器信息和车辆底盘传感器信息；

车辆运动状态参数至少包括纵向加速度、纵向速度、横摆角速度、侧向加速度和车轮滑转率；

路面特征参数至少包括纵向坡度和路面附着系数；

车辆硬件状态参数至少包括当前挡位、当前驾驶模式、加速踏板开度、制动踏板开度、方向盘转角以及方向盘角速度。

作为一种可选的实施方式，第一计算单元320包括：

工况辨识子单元321，用于根据车辆运动状态参数、路面特征参数和车辆硬件状态参数进行工况辨识，得到工况辨识结果；

矩阵调整子单元322，用于根据工况辨识结果对预设的多模型概率矩阵进行调整，得到目标概率矩阵；

第一获取子单元323，用于根据工况辨识结果获取机械特征约束的松弛因子；

第一计算子单元324，用于根据松弛因子和工况辨识结果，计算机械特性约束；

其中，机械特性约束包括纵向加速度约束、纵向速度约束、横摆角速度约束、侧向加速度约束和车轮滑转率约束。

作为一种可选的实施方式，第二计算单元330包括：

处理子单元331，用于对车辆传感器信息进行传感器信息前处理，得到前处理传感器信息；

第二获取子单元332，用于获取预先构建的传感器参数辨识子模型；其中，传感器参数辨识子模型包括GPS参数辨识子模型、惯导IMU参数辨识子模型、车辆底盘参数辨识子模型；

处理子单元331，还用于通过传感器参数辨识子模型对前处理传感器信息进行处理，得到待融合传感器信息；

第二计算子单元333，用于基于目标概率矩阵对待融合传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值。

作为一种可选的实施方式，车辆状态信息和路面信息估计装置还包括：

获取单元310，还用于在获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数之前，获取预设的状态参数关系方程；其中，状态参数关系方程包括线加速度与线速度的第一关系方程、线速度与线位移的第二关系方程、角加速度与角速度的第三关系方程以及角速度与角位移的第四关系方程；

构建单元350，用于基于状态参数关系方程，构建离散化的系统状态方程；

确定单元360，用于将离散化的系统状态方程确定为位姿信号滤波方程；

获取单元310，还用于获取预设的车辆动力学方程和预设的动力学特性方程；

构建单元350，还用于基于车辆动力学方程和动力学特性方程，构建路面坡度估计方程和路面附着系数估计方程；

汇总单元370，用于汇总路面坡度估计方程和路面附着系数估计方程，得到道路参数辨识估计方程。

作为一种可选的实施方式，处理单元340，具体用于基于机械特性约束、位姿信号滤波方程和道路参数辨识估计方程，对车辆状态信息估计值和路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

本实施例中，对于车辆状态信息和路面信息估计装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

可见，实施本实施例所描述的车辆状态信息和路面信息估计装置，能够实现以下多种效果：

（1）多个异源传感器能够提供冗余传感信息，以便于采用多传感融合方式来提高参数估计的鲁棒性；

（2）针对多传感信息输入，采用车辆状态参数与路面坡度信息联合估计与滤波，能够提高对算力的利用，从而增加有效参数的输出；

（3）区别于仅依靠IMM算法自调节子模型概率矩阵的估计方法，本方法能够通过工况辨识，主动对多模型概率矩阵进行了调整，从而以此来提高参数估计在复杂工况下的鲁棒性；

（4）在车辆机械特性参数标定的基础上，通过工况辨识，采用模糊逻辑算法/神经网络算法决策了车辆运动状态参数松弛因子，从而以此对参数估计器的输出结果进行限制，进而剔除不合理的异常估计结果，提高参数估计精度。

本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1或实施例2中的车辆状态信息和路面信息估计方法。

本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中的车辆状态信息和路面信息估计方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (10)

1.一种车辆状态信息和路面信息估计方法，其特征在于，包括：

获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；

根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；

基于所述目标概率矩阵，对所述车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；

基于所述机械特性约束，对所述车辆状态信息估计值和所述路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

2.根据权利要求1所述的车辆状态信息和路面信息估计方法，其特征在于，所述车辆传感器信息至少包括GPS传感器信息、IMU传感器信息和车辆底盘传感器信息；

所述车辆运动状态参数至少包括纵向加速度、纵向速度、横摆角速度、侧向加速度和车轮滑转率；

所述路面特征参数至少包括纵向坡度和路面附着系数；

所述车辆硬件状态参数至少包括当前挡位、当前驾驶模式、加速踏板开度、制动踏板开度、方向盘转角以及方向盘角速度。

3.根据权利要求1所述的车辆状态信息和路面信息估计方法，其特征在于，所述根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束，包括：

根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数进行工况辨识，得到工况辨识结果；

根据所述工况辨识结果对预设的多模型概率矩阵进行调整，得到目标概率矩阵；

根据所述工况辨识结果获取机械特征约束的松弛因子；

根据所述松弛因子和所述工况辨识结果，计算机械特性约束；

其中，所述机械特性约束包括纵向加速度约束、纵向速度约束、横摆角速度约束、侧向加速度约束和车轮滑转率约束。

4.根据权利要求1所述的车辆状态信息和路面信息估计方法，其特征在于，所述基于所述目标概率矩阵，对所述车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值，包括：

对所述车辆传感器信息进行传感器信息前处理，得到前处理传感器信息；

获取预先构建的传感器参数辨识子模型；其中，所述传感器参数辨识子模型包括GPS参数辨识子模型、惯导IMU参数辨识子模型、车辆底盘参数辨识子模型；

通过所述传感器参数辨识子模型对所述前处理传感器信息进行处理，得到待融合传感器信息；

基于所述目标概率矩阵对所述待融合传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值。

5.根据权利要求1所述的车辆状态信息和路面信息估计方法，其特征在于，在所述获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数之前，所述方法还包括：

获取预设的状态参数关系方程；其中，所述状态参数关系方程包括线加速度与线速度的第一关系方程、线速度与线位移的第二关系方程、角加速度与角速度的第三关系方程以及角速度与角位移的第四关系方程；

基于所述状态参数关系方程，构建离散化的系统状态方程；

将所述离散化的系统状态方程确定为位姿信号滤波方程；

获取预设的车辆动力学方程和预设的动力学特性方程；

基于所述车辆动力学方程和所述动力学特性方程，构建路面坡度估计方程和路面附着系数估计方程；

汇总所述路面坡度估计方程和所述路面附着系数估计方程，得到道路参数辨识估计方程。

6.根据权利要求5所述的车辆状态信息和路面信息估计方法，其特征在于，所述基于所述机械特性约束，对所述车辆状态信息估计值和所述路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息，包括：

基于所述机械特性约束、所述位姿信号滤波方程和所述道路参数辨识估计方程，对所述车辆状态信息估计值和所述路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

7.一种车辆状态信息和路面信息估计装置，其特征在于，所述车辆状态信息和路面信息估计装置包括：

获取单元，用于获取车辆传感器信息、车辆运动状态参数、路面特征参数和车辆硬件状态参数；

第一计算单元，用于根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数，计算当前工况下的目标概率矩阵和机械特性约束；

第二计算单元，用于基于所述目标概率矩阵，对所述车辆传感器信息进行融合计算，得到车辆状态信息估计值和路面信息估计值；

处理单元，用于基于所述机械特性约束，对所述车辆状态信息估计值和所述路面信息估计值进行约束滤波处理，得到当前车辆状态信息和当前路面信息。

8.根据权利要求7所述的车辆状态信息和路面信息估计装置，其特征在于，所述第一计算单元包括：

工况辨识子单元，用于根据所述车辆运动状态参数、所述路面特征参数和所述车辆硬件状态参数进行工况辨识，得到工况辨识结果；

矩阵调整子单元，用于根据所述工况辨识结果对预设的多模型概率矩阵进行调整，得到目标概率矩阵；

第一获取子单元，用于根据所述工况辨识结果获取机械特征约束的松弛因子；

第一计算子单元，用于根据所述松弛因子和所述工况辨识结果，计算机械特性约束；

其中，所述机械特性约束包括纵向加速度约束、纵向速度约束、横摆角速度约束、侧向加速度约束和车轮滑转率约束。

9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的车辆状态信息和路面信息估计方法。

10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的车辆状态信息和路面信息估计方法。