CN117719490A - 车辆行驶稳定性自适应控制系统和控制方法 - Google Patents
车辆行驶稳定性自适应控制系统和控制方法 Download PDFInfo
- Publication number
- CN117719490A CN117719490A CN202311772796.8A CN202311772796A CN117719490A CN 117719490 A CN117719490 A CN 117719490A CN 202311772796 A CN202311772796 A CN 202311772796A CN 117719490 A CN117719490 A CN 117719490A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sensor
- hub
- information
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000009825 accumulation Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 101100361281 Caenorhabditis elegans rpm-1 gene Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明涉及车辆控制技术领域,具体涉及车辆行驶稳定性自适应控制系统,控制系统包括有:车辆传感器、车辆惯性测量单元、纵向速度传感器、轮毂传感器、胎压传感器与处理器,处理器为执行程序指令单元,从车辆传感器中接收车辆的横摆率信息、横向加速度信息、纵向速度信息、车辆轮毂三轴方向的x、y、z加速度信息、轮毂转速信息与轮胎胎压信息,通过传感器收集的实时信息数据。本发明通过AI深度学习模型随着传感器数据的累积和车辆控制数据输出的迭代,经过一定的传感器数据量训练和学习,让AI深度学习自适应模型更智能,车辆控制更精确,使得车辆行驶更安全和舒适,让车辆的形式更加稳定安全。
Description
技术领域
本发明属于车辆控制技术领域,具体为车辆行驶稳定性自适应控制系统和控制方法。
背景技术
ESP系统是一种能够在极限工况下,通过调节动力系统或制动系统的工作状态,使车辆保持操控稳定性的一套车辆综合电子控制系统,ESP系统通常包括:ABS系统、ASR系统和VDC系统,其中ABS系统用于汽车制动时,控制制动器制动力的大小,使车轮不被抱死,VDC系统用于当车辆出现车轮打滑、侧倾或者轮胎丧失附着力的瞬间,介入控制,在降低发动机转速的同时,有目的地针对个别车轮进行制动控制,ASR系统用于防止车辆在起步或者加速时驱动轮打滑现象,以维持车辆行驶方向的稳定性,ESP系统通常由传感器、ECU和执行器三大部分组成,传感器通常包括轮速传感器、方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和横摆角速度传感器等,ESP系统的工作原理为:通过传感器主动监控方向盘角度变化和当前的车速、轮速、发动机工作状态等信息识别驾驶员意图,同时不断测量车辆的侧向加速度、横摆角速度,通过计算得出当前系统状态与驾驶员意图的差别,当两者产生一定差别时,ESP系统进行介入,通过调节发动机工作状态或者对轮胎分别施加制动力的方式,使车辆运行稳定,随着汽车智能化的越来越普及,在可预计的未来,车辆智能化不再仅对驾驶员提供协助,而是驾驶员的任务越来越多的由车辆自主完成,即驾驶员越来越多地被替代,实现更高阶自动驾驶甚至无人驾驶,自动驾驶系统通常由多路环境传感器、自动驾驶域控制器以及车辆执行机构组成,自动驾驶多路传感器感知汽车的周围环境,并把环境感知数据传送到自动驾驶域控制器处理并通过复杂的自动驾驶算法计算输出车辆控制命令信息给到车辆执行机构实现比如方向、车速和刹车等的车辆控制,无需驾驶人员的操作,目前的车辆执行机构以及ESP基本独立于自动驾驶域控制器,车辆执行机构只接收来自自动驾驶域控制器的车辆控制命令信息,基本没有反馈车辆运动状态信息给到自动驾驶域控制器,特别是车辆轮毂轮胎相对路面的运动状态信息,比如车辆轮胎和路面的打滑、失速、侧向打滑、路面的颠簸和震动等,下雨天路面积水,此时容易发生水滑;积雪、结冰路面附着力低,随着车速的增加,容易发生车辆失控,由于自动驾驶车辆在行驶过程中没有人为操作,现有的大部分制动装置在紧急制动时,容易使车辆出现失控、侧滑等现象,从而给乘客带来危险,也大大降低了车辆行驶的稳定性和舒适性,对此,我们提出了车辆行驶稳定性自适应控制系统和控制方法。
发明内容
针对现有技术的不足,本发明提供了车辆行驶稳定性自适应控制系统和控制方法,以解决以上技术问题。
为实现上述目的,本发明提供如下技术方案:车辆行驶稳定性自适应控制系统,控制系统包括有:车辆传感器、车辆惯性测量单元、纵向速度传感器、轮毂传感器、胎压传感器与处理器,处理器为执行程序指令单元,从车辆传感器中接收车辆的横摆率信息、横向加速度信息、纵向速度信息、车辆轮毂三轴方向的x、y、z加速度信息、轮毂转速信息与轮胎胎压信息,通过传感器收集的实时信息数据,动态自适应调整车辆分配到每个轮毂的驱动扭矩、驱动转速、轮毂制动力以及转动角度,来达到车辆最优化稳定行驶状态。
优先地,车辆传感器包括但不限于安装在车辆上的惯性测量单元与纵向速度传感器,轮毂传感器包括三轴或多轴加速度传感器和转速传感器,轮毂传感器安装在车辆的轮毂上,胎压传感器安装在车辆的轮胎上。
优先地,轮毂传感器包括但不限于检测轮毂上的三轴或多轴加速度信息与轮毂转速信息,轮毂传感器还包括车辆惯性测量单元。
优先地,轮毂传感器与胎压传感器通过无线通讯的方式与车辆无线通讯系统建立连接并实时传输传感器数据到车辆处理器内部。
优先地,处理器通过无线通讯系统来实时同步轮毂传感器与胎压传感器的时间,传感器传输的数据信息以时间戳数据帧的格式传输给处理器,并和车辆惯性测量单元与纵向速度传感器的数据信息时间同步。
一种车辆行驶稳定性自适应控制方法,控制步骤为:
S1、经由至少一个处理器从传感器系统接收车辆的横摆率信息、横向加速度信息和纵向速度信息;
S2、经由至少一个处理器接收所述车辆轮毂的三轴x、y、z方向的加速度信息、轮毂转速和轮胎胎压信息;
S3、经由至少一个处理器接收基于所述传感器的信息数据输入,输出车辆分配到轮毂的扭力、转速、制动力和转向角度,随着传感器接收到的数据信息的变化,动态调整车辆分配到轮毂的扭力、转速、制动力和转向角度,来优化车辆行驶的稳定性和舒适性。
优先地,经由至少一个处理器支持AI深度学习模型,AI深度学习模型用以非线性统计数据建模的自适应模型,用以对输入和输出之间的复杂关系进行建模或者查找输入和输出数据中的模式的非线性统计数据建模,基于在学习阶段流过模型的外部和内部信息来改变其结构。
优先地,AI深度学习模型针对车辆所述传感器数据输入和车辆设定的车辆控制数据输出之间的关系进行建模或者查找数据中的模式的非线性统计数据建模。
优先地,AI深度学习模型随着传感器数据的累积和车辆控制数据输出的迭代,经过一定的传感器数据量训练与学习。
优先地,通过AI深度学习自适应模型使车辆控制更精确
与现有技术相比,本发明的有益效果如下:
本发明通过AI深度学习模型随着传感器数据的累积和车辆控制数据输出的迭代,经过一定的传感器数据量训练和学习,让AI深度学习自适应模型更智能,车辆控制更精确,使得车辆行驶更安全和舒适,让车辆的形式更加稳定安全。
附图说明
图1示出车辆的示意图;
图2示出车辆行驶稳定性自适应控制系统相关联的车辆的功能区块图;
图3示出车辆行驶稳定性自适应控制系统相关主要传感器信息图;
图4示出车辆行驶稳定性自适应控制系统输入输出关系图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明提供一种技术方案:如图1所示,车辆10通常包括底盘20,车身12,左前轮1、右前轮2、后左轮3和后右轮4,车身12被布置在底盘20上并且基本上包围车辆10的部件,车身12和底盘20可以共同形成框架,车轮1-4各自在车身12的相应角部附近可旋转地联接到底盘20。
在各种实施例中,车辆10是自主车辆,并且车辆行驶稳定性自适应控制系统100与车辆10相关联,车辆10例如被自动控制以将乘客从一个位置运送到另一个位置的车辆,车辆10在所示实施例中被描绘为乘用车,但应当理解,也可以使用任何其他车辆,包括摩托车、卡车、运动型多功能车、休闲车、共享乘用车、长途汽车、卡车等,在示例性实施例中,车辆10是所谓的四级或五级自动化系统,四级系统表示“高度自动化”,是指自动化驾驶系统即使在人类驾驶员没有适当响应干预请求的情况下,对动态驾驶任务所有方面的特定驾驶模式执行,五级系统表示“完全自动化”,是指自动化驾驶系统在可由人类驾驶员;
管理的所有道路和环境条件下对动态驾驶任务所有方面的全时执行,然而,在其他实施例中,车辆10具有较低自动化水平并且包括高级驾驶员辅助系统;
如图2所示,车辆10通常包括推进系统21、传动系统22、转向系统24、制动系统26、制动器系统40、至少一个数据存储设备54、至少一个控制器50和连接系统60,车辆还包括传感器系统具体包括:环境感知传感器30、车辆传感器32包括惯性测量单元和纵向速度传感器、轮毂传感器包括安装在四个轮毂上的传感器A1-A4、以及轮胎胎压传感器B1-B4。
在各种实施例中,推进系统21可以包括内燃发动机、诸如牵引马达等电机或燃料电池推进系统,传动系统22被配置为根据可选择速比将动力从推进系统21传输到车轮11-14。
根据各种实施例,传动系统22可以包括有级自动变速器、无级变速器或其他合适的变速器,制动系统26被配置为向车轮1-4提供制动扭矩,在各种实施例中,制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统或其他适当的制动系统,转向系统24影响车轮1-4的位置,尽管出于说明性目的而被描绘为包括方向盘,但在本公开范围内设想的一些实施例中,转向系统24可以不包括方向盘。
环境感知传感器30包括一个或多个感测设备31a-31n,该一个或多个感测设备感测车辆10的外部环境或内部环境的可观察条件,感测设备31a-31n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机、热成像相机、超声传感器或其他传感器。
车辆传感器32包括惯性测量单元和纵向速度传感器32输出横摆率r、纵向速度Vx和横向加速度Ay,制动器系统40包括一个或多个制动器设备42a-42n,该一个或多个制动器设备控制一个或多个车辆特征,诸如但不限于推进系统20、传动系统22、转向系统24和制动系统26。
传感器系统还包括轮毂传感器和轮胎传感器,轮毂传感器安装在四个轮毂上的传感器A1-A4,分别输出但不限于输出x、y、z方向的加速度Ax1,Ay1,Az1-Ax4,Ay4,Az4,以及每个轮毂的转速rpm1-rpm4;轮胎传感器包括胎压传感器B,检测每个轮胎的胎压值B1-B4;轮毂传感器A和胎压传感器B均以无线通讯的方式和连接系统60建立连接并传输传感器数据。
连接系统60被配置为向其他实体70无线地传送信息和从其他实体70无线地传送信息,其他实体70诸如但不限于其他车辆“V2V”通信、基础设施“V2I”通信、远程系统或个人设备;
在示例性实施例中,连接系统60是无线通信系统,该无线通信系统被配置为经由使用IEEE 802.11标准的无线局域网以及或通过使用蜂窝数据通信进行通信,以及包括支持和轮毂传感器A和胎压传感器B的无线连接和数据发送接收,比如蓝牙无线连接或其他无线通讯连接方式,然而,附加或替代通信方法也被认为在本公开的范围内,DSRC信道是指专为汽车使用而设计的单向或双向短程到中程无线通信信道以及一组对应的协议和标准,连接系统60可以是一个独立的系统,或者全部或部分集成到控制器50或其他控制器。
数据存储设备54存储用于自动控制车辆10的数据,在各种实施例中,数据存储设备54存储可导航环境的定义地图,在各种实施例中,定义地图可以由远程系统预定义并从其获得,例如,定义地图可以由远程系统组装,并且被传送到车辆10并被存储在数据存储设备54中,如可以理解的,数据存储设备54可以是控制器50的一部分,与控制器50分开,或者是控制器50的一部分和单独系统的一部分,数据存储设备54可以存储传感器数据或可执行指令,以供车辆行驶稳定性自适应控制系统100使用。
控制器50包括至少一个处理器51和计算机可读写存储设备或介质52,处理器51可以是任何定制的或可商购的处理器、中央处理单元、图形处理单元、与控制器50相关联的若干处理器中的辅助处理器、基于半导体的微处理器、宏处理器、它们的任何组合,或通常用于执行指令的任何设备,例如,计算机可读存储设备或介质52可以包括只读存储器、随机存取存储器和不失效存储器中的易失性和非易失性存储装置,KAM是可以用于在处理器44掉电时存储各种操作变量的持久性或非易失性存储器,计算机可读存储设备或介质52可以使用许多已知存储器设备中的任一者来实现,诸如PROM、EPROM、EEPROM、闪存存储器或者能够存储数据的任何其他电存储器设备、磁存储器设备、光存储器设备或组合存储器设备,其中一些数据表示可执行指令,由控制器50用来控制车辆10。
指令可以包括一个或多个单独的程序,每个程序包括用于实现逻辑功能的可执行指令的有序列表,指令在由处理器51执行时接收和处理来自有线连接的环境感知传感器30的信号数据、车辆传感器32的信号数据以及通过无线通讯传输的轮毂传感器A和轮胎传感器B的信号数据,执行用于自动控制车辆10的部件的逻辑、计算、方法或算法,通过传动系统分别输出到每个轮毂的扭矩和转速,或者独立的驱动系统驱动每个轮毂的扭矩和转速,并且生成制动器系统40的控制信号以基于逻辑、计算、方法或算法自动控制车辆10的部件,在图2中仅示出了一个控制器50,但车辆10的实施例可以包括任何数量的控制器50,这些控制器通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号,执行逻辑、计算、方法或算法,并生成控制信号以自动控制车辆10的特征。
在各种实施例中,控制器50的一个或多个指令被包含在车辆行驶稳定性自适应控制系统100中,并且当由处理器51执行时,执行关于图3的系统描述的功能和关于图4描述的方法,特别地,处理器51由指令配置为实时接收环境感知传感器数据比如雷达、激光雷达、全球定位系统、光学相机、热成像相机、超声传感器或其他传感器等,由车辆自动驾驶系统规划行驶路线并确定车辆可行驶区域或者其他目标车辆或障碍物的关系。
如图3所示,车辆行驶稳定自适应控制系统包括的传感器包括车辆传感器32的惯性测量单元和纵向速度传感器,以及轮毂传感器A和轮胎胎压传感器B,惯性测量单元和纵向速度传感器的信息数据包括沿着z方向的横摆率r、纵向速度Vx和横向加速度Ay信息;轮毂传感器A1-A4数据信息包括x、y、z方向的加速度信息Ax1、Ay1、Az1,Ax2、Ay2、Az2,Ax3、Ay3、Az3,Ax4、Ay4、Az4,以及轮毂转速rpm1,rpm2,rpm3,rpm4,轮胎传感器包括轮胎传感器B的胎压信息B1,B2,B3,B4,所述轮毂传感器和胎压传感器分别通过无线通讯的方式传输给到控制器50,来自轮毂传感器A和胎压传感器B的数据信息,包括x、y、z方向的加速度信息、轮毂转速rpm,以及每个轮胎的胎压信息来确定计算车辆轮胎和行驶路面的x和y方向的摩擦系数以及和行驶路面的附着力,由车辆行驶稳定自适应系统100进一步确定车辆的安全行驶车速和周围行驶车辆的安全行驶距离以及刹车策略以及以多大的制动力确保车辆最大的和行驶路面的摩擦力和附着力,确定车辆可以实时自适应调整以达到车辆的稳定安全行驶。
如图4所示,车辆行驶稳定性自适应控制系统100接收来自前后左右轮毂传感器A1-A4和轮胎传感器B1-B4的数据信息,包括x、y、z方向的加速度信息Ax1、Ay1、Az1,Ax2、Ay2、Az2,Ax3、Ay3、Az3,Ax4、Ay4、Az4,和轮毂转速rpm1,rpm2,rpm3,rpm4,和每个轮胎传感器B的胎压信息B1,B2,B3,B4;以及车辆传感器32的惯性测量单元和纵向速度传感器的信息包括沿着z方向的横摆率r、纵向速度Vx和横向加速度Ay信息,车辆行驶稳定性自适应控制系统100根据车辆环境感知传感器30的数据比如雷达、激光雷达、全球定位系统、光学相机、热成像相机、超声传感器或其他传感器数据,经车辆自动驾驶系统处理提供确定车辆可行驶区域或者其他目标车辆,自动驾驶系统规划行驶路线并确定车辆的行驶速度Vx信息数据以及转角ZJ信息数据,相应的由车辆动力系统分配到轮毂的扭矩NJ10、NJ20、NJ30、NJ40信息以及分配到轮毂的转速ZS10、ZS20、ZS30、ZS40,以及由车辆制动系统分配到轮毂上的制动力ZD10、ZD20、ZD30、ZD40,以及由车辆转向系统分配到轮毂的转动角度ZJ0;这些设定的数据根据从车辆传感器32的惯性测量单元和纵向速度传感器的信息包括沿着z方向的横摆率r、纵向速度Vx和横向加速度Ay信息,以及前后左右轮毂传感器A和轮胎传感器B的数据信息,包括x、y、z方向的加速度信息Ax1、Ay1、Az1,Ax2、Ay2、Az2,Ax3、Ay3、Az3,Ax4、Ay4、Az4数据,和轮毂转速rpm1,rpm2,rpm3,rpm4数据,和每个轮胎传感器B的胎压信息B1,B2,B3,B4数据,实现动态自适应调整分配到车辆轮毂的转角ZJn,扭矩NJ1n、NJ2n、NJ3n、NJ4n,转速ZS1n、ZS2n、ZS3n、ZS4n,制动力ZD1n、ZD2n、ZD3n、ZN4n信息数据,动态实现针对不同路面比如雪地、结冰路面、沙地、雨水路面等以及不同场景对车辆的最佳行驶稳定性控制方式,降低轮胎的磨损,防止侧滑和车辆失控等,大幅提升车辆在自动驾驶状态的智能驾驶,无需或避免像现在现有车辆在极端和极限行驶情况检测后的紧急调整。
在一些紧急情况下,比如前方车辆突然减速或变道,车辆行驶稳定性自适应控制系统100根据实时感知的数据,会保持和前方车辆的安全行驶距离和行驶速度,在确保自身车辆最大化安全的情况下自适应调整对每个轮胎的制动策略,以及转向策略,确保自身车辆和目标车辆的最优安全策略,避免紧急制动导致的车辆侧滑、侧翻或和对方车辆相撞的危险状态,在各种路面上,滑移率20%左右时,附着系数达到峰值;
进一步的,经由所述至少一个处理器支持AI深度学习模型,AI深度学习模型是用于非线性统计数据建模的自适应模型,用于对输入和输出之间的复杂关系进行建模或者查找数据中的模式的非线性统计数据建模,其基于在学习阶段流过模型的外部和内部信息来改变其结构;所述AI深度学习模型针对车辆所述传感器数据输入和车辆设定的车辆控制数据输出之间的关系进行建模或者查找数据中的模式的非线性统计数据建模,AI深度学习模型随着所述传感器数据的累积和车辆控制数据输出的迭代,经过一定的传感器数据量训练和学习,其AI深度学习自适应模型更智能,车辆控制更精确,使得车辆行驶更安全和舒适。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.车辆行驶稳定性自适应控制系统,其特征在于,控制系统包括有:车辆传感器、车辆惯性测量单元、纵向速度传感器、轮毂传感器、胎压传感器与处理器,处理器为执行程序指令单元,从车辆传感器中接收车辆的横摆率信息、横向加速度信息、纵向速度信息、车辆轮毂三轴方向的x、y、z加速度信息、轮毂转速信息与轮胎胎压信息,通过传感器收集的实时信息数据,动态自适应调整车辆分配到每个轮毂的驱动扭矩、驱动转速、轮毂制动力以及转动角度,来达到车辆最优化稳定行驶状态。
2.根据权利要求1所述的车辆行驶稳定性自适应控制系统,其特征在于:车辆传感器包括但不限于安装在车辆上的惯性测量单元与纵向速度传感器,轮毂传感器包括三轴或多轴加速度传感器和转速传感器,轮毂传感器安装在车辆的轮毂上,胎压传感器安装在车辆的轮胎上。
3.根据权利要求1所述的车辆行驶稳定性自适应控制系统,其特征在于:轮毂传感器包括但不限于检测轮毂上的三轴或多轴加速度信息与轮毂转速信息,轮毂传感器还包括车辆惯性测量单元。
4.根据权利要求1所述的车辆行驶稳定性自适应控制系统,其特征在于:轮毂传感器与胎压传感器通过无线通讯的方式与车辆无线通讯系统建立连接并实时传输传感器数据到车辆处理器内部。
5.根据权利要求1所述的车辆行驶稳定性自适应控制系统,其特征在于:处理器通过无线通讯系统来实时同步轮毂传感器与胎压传感器的时间,传感器传输的数据信息以时间戳数据帧的格式传输给处理器,并和车辆惯性测量单元与纵向速度传感器的数据信息时间同步。
6.一种车辆行驶稳定性自适应控制方法,其特征在于,控制步骤为:
S1、经由至少一个处理器从传感器系统接收车辆的横摆率信息、横向加速度信息和纵向速度信息;
S2、经由至少一个处理器接收所述车辆轮毂的三轴x、y、z方向的加速度信息、轮毂转速和轮胎胎压信息;
S3、经由至少一个处理器接收基于所述传感器的信息数据输入,输出车辆分配到轮毂的扭力、转速、制动力和转向角度,随着传感器接收到的数据信息的变化,动态调整车辆分配到轮毂的扭力、转速、制动力和转向角度,来优化车辆行驶的稳定性和舒适性。
7.根据权利要求6所述的车辆行驶稳定性自适应控制方法,其特征在于:经由至少一个处理器支持AI深度学习模型,AI深度学习模型用以非线性统计数据建模的自适应模型,用以对输入和输出之间的复杂关系进行建模或者查找输入和输出数据中的模式的非线性统计数据建模,基于在学习阶段流过模型的外部和内部信息来改变其结构。
8.根据权利要求6所述的车辆行驶稳定性自适应控制方法,其特征在于:AI深度学习模型针对车辆所述传感器数据输入和车辆设定的车辆控制数据输出之间的关系进行建模或者查找数据中的模式的非线性统计数据建模。
9.根据权利要求6所述的车辆行驶稳定性自适应控制方法,其特征在于:AI深度学习模型随着传感器数据的累积和车辆控制数据输出的迭代,经过一定的传感器数据量训练与学习。
10.根据权利要求6所述的车辆行驶稳定性自适应控制方法,其特征在于:通过AI深度学习自适应模型使车辆控制更精确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311772796.8A CN117719490A (zh) | 2023-12-21 | 2023-12-21 | 车辆行驶稳定性自适应控制系统和控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311772796.8A CN117719490A (zh) | 2023-12-21 | 2023-12-21 | 车辆行驶稳定性自适应控制系统和控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117719490A true CN117719490A (zh) | 2024-03-19 |
Family
ID=90199619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311772796.8A Pending CN117719490A (zh) | 2023-12-21 | 2023-12-21 | 车辆行驶稳定性自适应控制系统和控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117719490A (zh) |
-
2023
- 2023-12-21 CN CN202311772796.8A patent/CN117719490A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108058615B (zh) | 车辆制动能量的回收方法和装置 | |
CN110281893B (zh) | 一种紧急制动系统及方法、半挂车 | |
CN101674965B (zh) | 车辆行为控制装置 | |
EP2006177B1 (en) | Vehicle speed control apparatus in accordance with curvature of vehicle trajectory | |
CN103057436B (zh) | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 | |
CN109131312B (zh) | 一种智能电动汽车acc/esc集成控制系统及其方法 | |
CN101492042B (zh) | 车辆的运动控制装置 | |
US11560156B2 (en) | Vehicle control interface, vehicle system, and automated-driving platform | |
CN104691609A (zh) | 用于转向角度命令到扭矩命令转换的算法 | |
CN109311482A (zh) | 用于确定未来路径点处的安全速度的方法 | |
US20190256094A1 (en) | Architecture and methodology for target states determination of performance vehicle motion control | |
US11872989B2 (en) | Method and system for controlling vehicle operation | |
CN111114547B (zh) | 一种分布式驱动电动客车自适应巡航弯道控制方法 | |
CN112677952B (zh) | 一种智能驾驶控制方法及系统 | |
CN114368368B (zh) | 车辆控制系统和方法 | |
US11529948B2 (en) | Architecture and methodology of limit handling intended driver command interpreter to achieve maximum lateral grip | |
JP7424186B2 (ja) | 車両の演算装置、プログラム | |
US11046323B2 (en) | Architecture and reconfigurable tire force estimation for various powertrain configurations | |
JP3271956B2 (ja) | 車両の路面摩擦係数推定装置 | |
CN117719490A (zh) | 车辆行驶稳定性自适应控制系统和控制方法 | |
US11396287B2 (en) | Architecture and methodology for real-time target wheel slip identification to optimally manage wheel stability and vehicle lateral grip | |
CN115712949A (zh) | 运动控制的虚拟验证和校验模型结构 | |
US11175667B2 (en) | System and method for vehicle integrated stability control using perceived yaw center | |
US20240075930A1 (en) | Driver assistance for high accelleration and speed on a minimum time path | |
CN116890770B (zh) | 车辆控制系统、方法及车辆 |
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 |