CN118182485A - 汽车路面附着系数估计方法及装置、存储介质、汽车 - Google Patents

汽车路面附着系数估计方法及装置、存储介质、汽车 Download PDF

Info

Publication number
CN118182485A
CN118182485A CN202410145939.0A CN202410145939A CN118182485A CN 118182485 A CN118182485 A CN 118182485A CN 202410145939 A CN202410145939 A CN 202410145939A CN 118182485 A CN118182485 A CN 118182485A
Authority
CN
China
Prior art keywords
force
automobile
wheel
tire
value
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
Application number
CN202410145939.0A
Other languages
English (en)
Inventor
盛凯
万文康
蔡清
敖磊
欧阳楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202410145939.0A priority Critical patent/CN118182485A/zh
Publication of CN118182485A publication Critical patent/CN118182485A/zh
Pending legal-status Critical Current

Links

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
    • B60W40/02—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 ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种汽车路面附着系数估计方法及装置、存储介质、汽车。所述方法包括：根据汽车的传感器信息和车辆信息分别确定汽车的横摆角速度估计值和转动角速度估计值；通过自适应滑模观测器根据汽车的横摆角速度误差确定汽车的四轮横向力估计值；通过基于PID的反馈观测器根据汽车的转动角速度误差确定汽车的四轮纵向力估计值。根据本发明提供的方法，根据估计误差确定汽车轮胎横向力和轮胎纵向力，能够减小环境因素对传感器噪声的影响；通过轮胎的纵向力和横向力共同确定附着系数，在扩大应用场景的同时能够提升估计精度。

Description

汽车路面附着系数估计方法及装置、存储介质、汽车
技术领域
本发明属于自动驾驶技术领域，具体涉及一种汽车路面附着系数估计方法及装置、存储介质、汽车。
背景技术
自动驾驶汽车为交通安全与网联化提供了新的解决方案，高级别的自动驾驶汽车需要具备完整的感知、决策、控制能力，而环境感知的准确性对于多工况下的适应性起到关键作用。路面附着系数反映了轮胎在不同路面下的附着程度，是决策控制等环节需要获取的关键先验信息。
路面附着系数是车辆动力学控制系统的重要参数之一，直接反映了轮胎-路面的附着情况，包括目前所有的车辆主动安全控制系统均需要获知路面附着系数，以应对车辆在低附着系数路面时车辆失稳等情况，所以获取当前路面附着系数对于提升车辆安全性能是极为重要的，路面附着系数的估计目前主要分为Cause-based与Effect-based两大类方法。Cause-based方法一般是直接采用传感器测量与轮胎-路面摩擦相关的参数，包括测量轮胎的噪声、纵向以及横向的形变，或者是路面的状态，当前主要使用的测量传感器包括声学、光学、压力传感器等，其中声学传感器是通过采集轮胎附近的胎噪，通过机器学习等方法对大量样本进行识别训练来获取路面附着系数的方法。Effect-based方法是基于利用路面与轮胎和车辆动力学之间的响应关系估计路面附着系数，主要分为基于轮胎-车辆动力学模型估计法以及基于μ-s曲线的斜率法。其中斜率法较早被用来估计路面附着系数。
大部分采用直接测量的方法都是基于统计信息的，通过建立传感器测量数据与路面附着系数之间的关系来判断当前路面状态，但是传感器的精度与安装直接影响到估算的结果，并且光学传感器容易受到路面污渍的影响，压电式传感器容易受到路面石子以及尖锐物品的损伤，所以该方法具有一定的局限性。同时现有的基于动力学的方法是通过只考虑轮胎横向力建立的附着系数估计模型来估计路面附着系数，但是只考虑轮胎横向力的模型的应用范围较窄。
因此，传统的附着系数估计方法易受到环境因素的影响，估计精度较低，同时只通过横向力估计附着系数，导致传统的方法只能在附着系数只和横向力有关的场景下使用，使得传统的方法应用场景受限。
发明内容
本发明实施例提供了一种汽车路面附着系数估计方法及装置、存储介质、汽车，可以解决传统方法估计精度低、应用场景有限的问题。
第一方面，本发明实施例提供的一种汽车路面附着系数估计方法，所述方法包括：
根据汽车的传感器信息和车辆信息，分别确定汽车的横摆角速度估计值和转动角速度估计值，其中，传感器信息包括汽车的横摆角速度实际值和转动角速度实际值；
通过自适应滑模观测器，根据汽车的横摆角速度误差，确定汽车的四轮横向力估计值，其中，横摆角速度误差为横摆角速度实际值与横摆角速度估计值的差值；
通过基于PID的反馈观测器，根据汽车的转动角速度误差，确定汽车的四轮纵向力估计值，其中，转动角速度误差为转动角速度实际值与转动角速度估计值的差值；
通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，根据四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定汽车所在路面的路面附着系数，其中，四轮横向归一化力及四轮纵向归一化力是根据传感器信息和车辆信息确定的。
在第一方面的一种可能的实现方式中，可以通过自适应滑膜观测器，根据汽车的横摆角速度误差，确定汽车的四轮横向力的第一估计值；根据传感器信息和车辆信息，确定汽车的四轮荷载；根据四轮荷载和四轮横向力的第一估计值，确定四轮横向力估计值。
在第一方面的一种可能的实现方式中，传感器信息还可以包括横向加速度，横摆角速度估计值可以满足下述公式：
其中，i＝1或者2；为横摆角加速度估计值，是通过对横摆角速度估计值进行微分运算得到的；λi、ηi分别为根据传感器信息和车辆信息确定的第一模型参数与第二模型参数，u为车辆的横向加速度，Li为自适应滑模观测器的增益；ψi为横摆角速度实际值，/>为横摆角速度估计值；/>为四轮横向力的第一估计值。
在第一方面的一种可能的实现方式中，四轮横向力的第一估计值可以包括前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值；自适应滑模观测器可以满足下述公式：
其中，分别为前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值，εi为阈值参数，s为横摆角速度误差，sgn(·)表示符号函数。
在第一方面的一种可能的实现方式中，车辆信息可以包括：轮胎的转动惯量、轮胎有效滚动半径、轮胎驱动力矩、轮胎驱动力矩；转动角速度估计值可以满足下述公式：
其中，Iw为轮胎的转动惯量；为轮胎的转动角加速度；/>为轮胎角加速度估计值；r为轮胎有效滚动半径；Te为轮胎驱动力矩；Tb为轮胎驱动力矩；/>为四轮纵向力估计值；f(eω)表示为由于量测误差以及传感器误差造成的未知扰动；/>eω为转动角误差，ω为转动角速度实际值，/>为转动角速度估计值。
在第一方面的一种可能的实现方式中，反馈观测器可以满足下述公式：
其中，为用户输入的轮胎纵向力观测的初始值，K0为正常数，Kp、Ki、Kd分别为由用户设置的比例项参数、积分项参数及微分项参数，eω为所述转动角速度误差。
在第一方面的一种可能的实现方式中，可以通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，对四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，进行平方根容积卡尔曼滤波，以更新路面附着系数得到汽车的下一时刻的路面附着系数。
第二方面，本发明实施例提供了一种汽车路面附着系数估计装置，所述装置包括处理单元，所述处理单元包括自适应滑膜观测器、基于PID的反馈观测器及基于平方根容积卡尔曼滤波的路面附着系数状态观测器；处理单元用于：
根据汽车的传感器信息和车辆信息，分别确定所述汽车的横摆角速度估计值和转动角速度估计值，其中，所述传感器信息包括所述汽车的横摆角速度实际值和转动角速度实际值；
通过所述自适应滑模观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力估计值，其中，所述横摆角速度误差为所述横摆角速度实际值与所述横摆角速度估计值的差值；
通过所述反馈观测器，根据所述汽车的转动角速度误差，确定所述汽车的四轮纵向力估计值，其中，所述转动角速度误差为所述转动角速度实际值与所述转动角速度估计值的差值；
通过所述路面附着系数状态观测器，根据所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定所述汽车所在路面的路面附着系数，其中，所述四轮横向归一化力及四轮纵向归一化力是根据所述传感器信息和车辆信息确定的。
第三方面，本发明实施例提供了一种汽车，包括处理器和存储器，所述汽车括汽车路面附着系数估计装置，所述汽车路面附着系数估计装置包括自适应滑膜观测器、基于PID的反馈观测器及基于平方根容积卡尔曼滤波的路面附着系数状态观测器；
汽车路面附着系数估计装置用于：
根据汽车的传感器信息和车辆信息，分别确定汽车的横摆角速度估计值和转动角速度估计值，其中，传感器信息包括汽车的横摆角速度实际值和转动角速度实际值；
通过自适应滑模观测器，根据汽车的横摆角速度误差，确定汽车的四轮横向力估计值，其中，横摆角速度误差为横摆角速度实际值与横摆角速度估计值的差值；
通过反馈观测器，根据汽车的转动角速度误差，确定汽车的四轮纵向力估计值，其中，转动角速度误差为转动角速度实际值与转动角速度估计值的差值；
通过路面附着系数状态观测器，根据四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定汽车所在路面的路面附着系数，其中，四轮横向归一化力及四轮纵向归一化力是根据传感器信息和车辆信息确定的。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储由计算机程序，当计算机程序被执行时，可以实现如上述第一方面的方法。
可以理解的是上述第二方面至第四方面的有益效果可以参见上述第一方面的相关描述，在此不赘述。
本发明实施例与现有技术相比存在的有益效果是：根据本发明提供的方法，通过先对汽车横摆角速度和转动角速度进行估计，再根据估计误差而不是直接使用传感器采集得到的横摆角速度和转动角速度确定汽车轮胎横向力和轮胎纵向力，能够减小环境因素对传感器噪声的影响，避免因为环境因素导致确定的附着系数较低的现象；通过轮胎的纵向力和横向力共同确定附着系数，能够使得本发明提供的方法能应用于附着系数与轮胎的纵向力和横向力均相关的场景，在扩大应用场景的同时提升估计精度。
附图说明
图1为本发明实施例提供的汽车路面附着系数估计方法的流程示意图；
图2为本发明实施例提供的一种传感器信息的示意图；
图3为本发明实施例提供的一种基于平方根容积卡尔曼滤波算法确定路面附着系数方法的流程示意图；
图4为本发明实施例提供的一种汽车路面附着系数估计装置的结构示意图；
图5为本发明实施例提供的一种汽车的结构示意图；
图6为本发明实施例提供的一种路面附着系数的对比示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了说明本发明提供的自适应滑膜观测器能够估计轮胎横向力，做以下论证：
在一些实施例中，自适应滑模观测器是根据描述横摆角速度和横向车速的二自由度自行车模型得到的。
示例性的，二自由度自行车模型可以满足下述公式：
其中，Fy1与Fy2分别为前轴轮胎横向力实际值与后轴轮胎横向力实际值，Fx1为前轴轮胎纵向力实际值，Vy为横向车速，ψ为横摆角速度实际值，Iz为车辆横摆转动惯量，m为整车质量；a为前轴轴距，b为后轴轴距，δ为前轮转角，表示对横向车速进行微分运算，/>为横摆角加速度。
根据二自由度自行车模型对汽车的前轴轮胎横向力和后轴轮胎横向力进行解耦，可以得到解耦后的前轴轮胎横向力和后轴轮胎横向力的表示函数：其中，ay为横向加速度。
根据轮胎前轴横向力和轮胎后轴横向的表示函数(1.2)可以构建自适应滑膜观测器方程。
示例性的，自适应滑膜观测器方程可以满足下述公式：
公式(1.3)中的各个变量为：
因此，在自适应滑膜观测器系统中的状态变量x＝ψ；系统的量测输出为y＝ψ；u为系统输入变量，在自适应滑膜观测器中为ay即横向加速度；η1与η2为系统扰动，d1与d2分别为轮胎前轴横向力的第一估计值和轮胎后轴横向力的第一估计值，其为未知但有界的输入变量。
将自适应滑膜观测器系统的状态变量设置在滑膜面上改变，系统误差即为横摆角速度实际值与横摆角速度估计值之差(即横摆角速度误差)：其中，s为横摆角速度误差，/>为横摆角速度估计值。
基于上述定义，自适应滑膜观测器的Lyapunov函数为：其中，V为自适应滑膜观测器的Lyapunov函数。
对公式(1.11)进行微分运算可以得到：
根据上述公式(1.1)-(1.5)，可以得到自适应滑膜观测器系统的状态观测器满足公式：其中，/>为横摆角加速度估计值；i＝1,2；L1与L2为自适应滑膜观测器增益。
示例性的，汽车包括四个轮胎，汽车的四轮横向力包括这四个轮胎的横向力。当汽车前方的两个轮胎的横向力相同时，则将这两个轮胎的横向力称为前轴轮胎横向力，当汽车后两个轮胎的横向力相同时，则将这两个轮胎的横向力称为后轴轮胎横向力；以此类推四轮纵向力、前轴纵向力、后轴纵向力等参数的含义。当i＝1时，表示汽车的前两个轮胎的相关参数，例如前轴横向力、前轴第一模型参数λ1等；当i＝2时，表示汽车后两个轮胎的相关参数，例如后轴横向力、后轴第一模型参数λ2等
结合公式(1.6)和公式(1.5)可以得到自适应滑膜观测器的Lyapunov函数还可以满足下公式：
由于式中表示有界未知变量，当s足够大时，公式(1.7)总是能够满足：其中εi为用户设置的阈值。
由公式(1.8)可以推导出不等式：
定义符号函数sgn(s)与轮胎横向力估计值分别满足下述公式：
自适应滑膜观测器的Lyapunov函数可继续推导为：由于/>因此根据Lyapunov判据可得该系统是渐进稳定的，状态量可保证在滑动面上的收敛。
由此可以得到自适应滑膜观测器系统的状态观测器可以满足下述公式：
由于自适应滑膜观测器系统的状态变量为横摆角速度，因此，横摆角速度估计值可以通过公式(1.13)确定。
当系统状态变量在滑模面收敛时，前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值/>的观测方程(即自适应滑膜观测器)可以满足下述公式：
由于自适应滑膜观测器系统是渐进稳定的，状态量可保证在滑动面上的收敛，因此根据本发明提供的自适应滑膜观测器能够估计汽车轮胎横向力。
为了说明本发明提供的基于PID的反馈观测器能够估计轮胎纵向力，做以下论证：
在一些实施例中，反馈观测器是根据轮胎旋转动力学方程确定的。
示例性的，根据动力学平衡关系，轮胎旋转动力学方程可以满足下述公式：
其中，Iw为轮胎的转动惯量，为轮胎的转动角加速度，/>为轮胎角加速度估计值，r为轮胎有效滚动半径，Te为轮胎驱动力矩，Tb为轮胎的制动力矩，Fx为轮胎的纵向力，/>为轮胎纵向力估计值，f(eω)表示为由于量测误差以及传感器误差造成的未知扰动，eω为转动角误差即转动角速度实际值ω和转动角速度估计值/>之差。
示例性的，由于转动角误差以及传感器误差造成的未知扰动可以满足下述公式：
其中，Kp、Ki、Kd分别为由用户设置的比例项参数、积分项参数及微分项参数。比例项Kp可以消除较大的误差，积分项Ki可以消除静态误差，微分项Kd可以防止观测器超调。因此，在公式(1.15)和公式(1.16)的基础上估计轮胎纵向力能够将轮胎纵向力估计值收敛至真实值附近。
根据公式(1.15)和公式(1.16)可以得到：
因此，反馈观测器的Lyapunov函数为：其中,V为反馈观测器的Lyapunov函数。
类似的，对反馈观测器的Lyapunov函数求导可以得到：
根据上述公式，可以得到：
则反馈观测器可以满足下述公式：
其中，为用户输出的轮胎纵向力观测的初始值，K0为正常数。
类似的，由于eω与收敛为0，则通过反馈观测器可以估计轮胎纵向力。
本发明实施例提供的汽车路面附着系数估计方法可以应用于如移动终端等设置在车辆中的电子设备上，本发明实施例对电子设备的具体类型不作任何限制。
图1示出的为本发明实施例提供的汽车路面附着系数估计方法的流程示意图。作为示例而非限定，方法100可以应用于上述电子设备中。方法100可以包括步骤S101-S105，下面对各步骤做以说明。
S101，获取传感器信息和车辆信息。
示例性的，在对附着系数进行估计之前，可以先获取传感器信息和车辆信息。
在一个示例中，汽车的车载传感器可以包括卫星定位系统(如北斗、GPS、伽利略等)、惯性导航单元(Inertial measurement unit，IMU)、轮速传感器(Wheel SpeedSensor，WSS)、方向盘转角传感器(Steering Angle Sensor，SAS)等。可以通过车辆CAN总线获取车载传感器得到的信息然后对车载传感器得到的信息进行处理得到传感器信息。
示例性的，传感器信息可以包括：纵向车速、横向车速、加速度信息(包括纵向加速度、横向加速度)、横摆角速度实际值、转动角速度实际值、轮速、方向盘转角、前轮转角、横向加速度、纵向加速度、四轮转速等。
对卫星定位系统获取的原始数据进行处理可以得到纵向车速和横向车速；可以通过IMU获取加速度信息和横摆角速度，可以通过WSS获取轮速，通过SAS获取方向盘转角。
示例性的，车辆信息可以包括：前轴轴距、后轴轴距、车辆横摆转动惯量、整车质量、轮胎的转动惯量、轮胎驱动力矩、轮胎制动力矩、汽车质心到地面的高、轮距等。
举例来说，参见图2，获取到的传感器信息和车辆信息可以包括：横向车速Vy、前轮转角δ、后轴轴距b、前轴轴距a、横摆角加速度实际值质心侧偏角β、前轮侧偏角αf、后轮侧偏角αr，其中Cog表示质心。
S102，根据汽车的传感器信息和车辆信息，分别确定汽车的横摆角速度估计值和转动角速度估计值。
在一些实施例中，可以根据汽车的传感器信息和车辆信息确定第一模型参数和第二模型参数，然后根据第一模型参数和第二模型参数确定汽车的横摆角速度估计值。
示例性的，第一模型参数可以满足下述公式：
λ1＝(a+b)cosδ/Iz,λ2＝-(a+b)/Iz(1.21)
其中，λ1为前轴第一模型参数，λ2为后轴第一模型参数，a为前轴轴距，b为后轴轴距，δ为前轮转角，Iz为车辆横摆转动惯量。
示例性的，第二模型参数可以满足下述公式：
η1＝(a+b)sinδ/Iz,η2＝0(1.22)
其中，η1为前轴第二模型参数，η2为后轴第二模型参数。
在一种可能的实现方式中，汽车的横摆角速度估计值可以满足上述公式(1.13)。
示例性的，参见公式(1.13)，由于汽车的轮胎横向力估计值是待求的未知参数，所以此时确定的横摆角速度估计值是通过轮胎横向力估计值表示的函数。
在一些实施例中，转动角速度估计值可以满足下述公式：
其中，Iw为轮胎的转动惯量，为对转动角速度估计值进行微分运算得到的转动角加速度估计值，Te为轮胎驱动力矩，Tb为轮胎制动力矩，/>为轮胎纵向力估计值，eω为转动角速度误差；f(eω)表示为由于量测误差以及传感器误差造成的未知扰动。
示例性的，由于此时汽车的轮胎纵向力估计值是未知的，因此通过上述公式(1.25)确定的转动角速度估计值并不是一个具体数值而是一个通过未知参数(即轮胎纵向力估计值)表达的函数。
S103，通过自适应滑模观测器，根据汽车的横摆角速度误差，确定汽车的轮胎横向力。
在一种可能的实现方式中，可以根据汽车的横摆角速度估计值和横摆角速度实际值确定汽车的横摆角速度误差。然后基于自适应滑膜观测器，根据汽车的横摆角速度误差，确定汽车的前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值。根据汽车的传感器信息和车辆信息确定汽车的四轮垂向荷载；最后根据汽车的四轮垂向荷载和前轴轮胎横向力的第一估计值、后轴轮胎横向力的第一估计值确定四轮横向力估计值。
在一个示例中，自适应滑膜观测器可以满足下述公式：
其中，分别为车辆的前轴轮胎横向力的第一估计值、后轴轮胎横向力的第一估计值。
示例性的，可以根据公式(1.10)和在步骤S102中通过公式(1.13)得到的横摆角速度估计值输入至自适应滑膜观测器中，得到前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值。
在一个示例中，汽车的四轮垂向荷载可以满足下述公式：
其中，Fz11为左前轮胎垂向荷载、Fz12为右前轮胎垂向荷载、Fz21为左后轮胎垂向荷载、Fz22为右后轮胎垂向荷载，hg为汽车质心到地面的高度，ax为纵向加速度，T为轮距，g为重力加速度、
在一个示例中，汽车的四轮横向力估计值可以满足下述公式：
其中，为左前轮胎横向力估计值，/>为右前轮胎横向力估计值，/>为左后轮胎横向力估计值，/>为右后轮胎横向力估计值。
S104，通过基于PID的反馈观测器，根据汽车的转动角速度误差，确定汽车的轮胎纵向力。
类似地，可以根据汽车的转动角速度估计值和转动角速度实际值确定汽车的转动角速度误差。然后基于PID的反馈观测器，根据汽车的横摆角速度误差，确定汽车的轮胎纵向力。
在一个示例中，汽车的轮胎纵向力可以满足下述公式：
其中，轮胎纵向力估计值，K0为正常数，/>为用户的输入值，Kp、Ki、Kd分别为由用户定义的比例项参数、积分项参数及微分项参数。
示例性的，汽车的四个轮胎的纵向力估计值(即四轮纵向力估计值)的计算方法和数值相同，因此在公式(1.27)中不做区分。由于公式(1.23)和公式(1.27)为相互独立的两个方程，因此通过于公式(1.23)和公式(1.27)可以得到汽车的轮胎纵向力和转动角速度估计值这两个未知参数。
S105，通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，根据四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定汽车所在路面的路面附着系数。
在一种可能的实现方式中，可以通过路面附着系数状态观测器对当前时刻的四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，进行平方根容积卡尔曼滤波，以更新路面附着系数得到汽车的下一时刻的路面附着系数。
示例性的，四轮横向归一化力和四轮纵向归一化力是根据传感器信息和车辆信息确定的。
在一个示例中，在确定路面附着系数之前，可以先根据传感器信息和车辆信息确定四轮侧偏角；根据四轮侧偏角确定四轮中心速度；根据四轮中心速度确定四轮滑移率；然后基于Dugoff轮胎模型，根据四轮滑移率确定四轮横向归一化力和四轮纵向归一化力。
示例性的，四轮侧偏角可以满足下述公式：
其中，α11为左前轮胎的侧偏角，α12为右前轮胎的侧偏角，α21为左后轮胎的侧偏角，α22为右后轮胎的侧偏角，w为车辆轮距，Vy为横向车速，Vx为纵向车速，为横摆角加速度实际值。
示例性的，四轮中心速度可以满足下述公式：
其中，v11为左前轮胎中心速度，v12为右前轮胎中心速度，v21为左后轮胎中心速度，v22为右后轮胎中心速度。
示例性的，四轮滑移率可以满足下述公式：
其中，R为轮胎的有效转动半径，λ11为左前轮胎滑移率，ω11为左前轮胎转速，λ12为右前轮胎滑移率，ω12为右前轮胎转速，λ21为左后轮胎滑移率，ω21为左后轮胎转速，λ22为右后轮胎滑移率，ω22为右后轮胎转速。
示例性的，四轮横向归一化力和四轮纵向归一化力分别可以满足下述公式：
其中，与/>分别为车辆的一个轮胎的纵向归一化力以及横向归一化力，，i＝1,2，依次表示前后，j＝1,2，依次表示左右；Cx与Cy分别为轮胎的纵向刚度和横向刚度，λij与αij分别为轮胎的滑移率与侧偏角，Fzij为垂向载荷。
在一个示例中，可以通过路面附着系数状态观测器对当前时刻的四轮横向力估计值、四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力进行平方根容积卡尔曼滤波，得到当前时刻的路面附着系数。
示例性的，路面附着系数状态观测器的状态方程可以满足下述公式：
xk+1＝f(xk)+ωk(1.32)
其中，f(·)为状态方程函数，ωk为当前时刻的状态噪声，状态噪声的取值范围为ωk～N(0,Qk-1)，Qk-1为上一时刻的状态噪声的方差，xk为当前时刻的路面附着系数，xk+1为下一时刻的路面附着系数。
示例性的，路面附着系数状态观测器的系统方程可以满足下述公式：
yk＝h(xk+1)+vk+1(1.33)
其中，h(·)为观测方程函数，vk+1为下一时刻的量测噪声，当前时刻的量测噪声的取值范围为vk～N(0,Rk-1)，Rk-1为上一时刻量测噪声的方差，yk为当前时刻的四轮纵向力估计值和四轮横向力估计值。
示例性的，在进行平方根容积卡尔曼滤波时的状态量为：xk＝(μ11,μ12,μ21,μ22)T，其中，μ11为左前轮路面附着系数，μ12为右前轮路面附着系数，μ21为左后轮路面附着系数，μ22为右后轮路面附着系数。量测量为：其中，/>为左前轮胎纵向力估计值，/>为右前轮胎纵向力估计值，/>为左后轮胎纵向力估计值，为右后轮胎纵向力估计值，/>为左前轮胎横向力估计值，/>为右前轮胎横向力估计值，/>为左后轮胎横向力估计值，/>为右后轮轮胎横向力估计值。输入为：
根据本发明提供的方法，通过先对汽车横摆角速度和转动角速度进行估计，再根据估计误差而不是直接使用传感器采集得到的横摆角速度和转动角速度确定汽车轮胎横向力和轮胎纵向力，能够减小环境因素对传感器噪声的影响，避免因为环境因素导致确定的附着系数较低的现象；通过轮胎的纵向力和横向力共同确定附着系数，能够使得本发明提供的方法能应用于附着系数与轮胎的纵向力和横向力均相关的场景，扩大应用场景的同时提升估计精度。
图3示出的为本发明实施例提供的一种基于平方根容积卡尔曼滤波算法确定路面附着系数方法的流程示意图。作为示例而非限定，方法300为方法100中步骤S105的一种可能的具体的实现方式。方法300可以包括S301-S308。下面对各个步骤做以说明。
S301，根据当前时刻路面附着系数的误差协方差矩阵，确定当前时刻的矩阵协方差因子。
示例性的，当前时刻的路面附着系数是通过上一时刻的四轮纵向力等参数预测得到的。
在一个示例中，在第一次估计路面附着系数时，可以对用户输入的路面附着系数的初始值进行初始化，得到初始时刻的路面附着系数和初始时刻路面附着系数的误差协方差矩阵。
示例性的，初始时刻的路面附着系数可以满足下述公式；
其中，为初始时刻的路面附着系数，x0为用户输入的路面附着系数的初始值，E表示期望。
示例性的，初始时刻路面附着系数的误差协方差矩阵可以满足下述公式：
其中，P0为初始时刻路面附着系数的误差协方差矩阵。
在一个示例中，可以对当前时刻路面附着系数的误差协方差矩阵进行Cholesky分解得到当前时刻的矩阵协方差因子。
示例性的，当前时刻的矩阵协方差因子满足下述公式：
其中，Pk|k为当前时刻路面附着系数的误差协方差矩阵，Sk|k为当前时刻的矩阵协方差因子。
S302，根据当前时刻的矩阵协方差因子，确定当前时刻的车辆状态容积点集。
示例性的，当前时刻的车辆状态容积点集可以满足下述公式：
其中，为当前时刻的车辆状态容积点集中的第h个元素，/>为根据上一时刻四轮横向力等参数预测得到的当前时刻的路面附着系数，/>其中[I]h表示[I]的第h列向量，h＝1,2,…,m＝2n,其中n为系统维数，[I]为n维空间的单位向量进行全排列或取反所生成的点集。
举例来说，[I]为：
S303，根据当前时刻的车辆状态容积点集、四轮归一化横向力和四轮归一化纵向力，确定下一时刻的车辆状态容积点集的加权中心距。
示例性的，对当前时刻的车辆状态容积点集进行传播可以得到下一时刻的车辆状态容积点集的加权中心距。下一时刻的车辆状态容积点集的加权中心距可以满足下述公式：
其中，为下一时刻的车辆状态容积点集的加权中心距。
S304，根据下一时刻的车辆状态容积点集的加权中心距，确定下一时刻的路面附着系数的第一预测值。
示例性的，下一时刻的路面附着系数的第一预测值可以满足下述公式：
其中，为下一时刻的路面附着系数的第一预测值。
S305，根据下一时刻的车辆状态容积点集的加权中心距及下一时刻的路面附着系数的第一预测值，确定下一时刻的误差协方差矩阵平方根。
示例性的，下一时刻的误差协方差矩阵平方根可以满足下述公式：
其中，Tria()表示对矩阵进行QR分解，Chil()表示对矩阵进行Cholesky分解，Qk为当前时刻的状态噪声的方差。
S306，根据下一时刻的误差协方差矩阵平方根，确定下一时刻的量测容积点。
示例性的，可以对下一时刻的误差协方差矩阵平方根进行更新得到下一时刻的量测容积点。
示例性的，下一时刻的量测容积点可以满足下述公式：
其中，Xi,k+1|k为下一时刻的量测容积点。
S307，根据下一时刻的量测容积点、当前时刻的四轮横向力估计值及当前时刻的四轮纵向力估计值，确定下一时刻的观测预测值的自协方差矩阵平方根。
示例性的，下一时刻的观测预测值的自协方差矩阵平方根满足下述公式：
其中：
其中，Zk+1|k为下一时刻的自协方差矩阵的加权中心距，为下一时刻的观测预测值，/>为下一时刻的容积点传播结果。
S308，根据下一时刻的观测预测值的自协方差矩阵平方根，确定下一时刻的路面附着系数和下一时刻矩阵协方差因子。
示例性的，下一时刻的矩阵协方差因子Sk+1|k+1可以满足下述公式：
Sk+1|k+1＝Tria([xk+1|k-KZk+1|k,K chol(Rk)])(1.49)；
下一时刻的路面附着系数可以满足下述公式：
其中：
其中，K为平方根容积卡尔曼滤波增益矩阵。
图4示出的为本发明实施例提供的一种汽车路面附着系数估计装置的结构示意图。作为示例而非限定，装置400包括处理单元410，处理单元410可以包括自适应滑膜观测器411、基于PID的反馈观测器412及基于平方根容积卡尔曼滤波的路面附着系数状态观测器413。
处理单元可以用于：
根据汽车的传感器信息和车辆信息，分别确定所述汽车的横摆角速度估计值和转动角速度估计值，其中，所述传感器信息包括所述汽车的横摆角速度实际值和转动角速度实际值；
通过所述自适应滑模观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力估计值，其中，所述横摆角速度误差为所述横摆角速度实际值与所述横摆角速度估计值的差值；
通过所述反馈观测器，根据所述汽车的转动角速度误差，确定所述汽车的四轮纵向力估计值，其中，所述转动角速度误差为所述转动角速度实际值与所述转动角速度估计值的差值；
通过所述路面附着系数状态观测器，根据所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定所述汽车所在路面的路面附着系数，其中，所述四轮横向归一化力及四轮纵向归一化力是根据所述传感器信息和车辆信息确定的。
根据本发明提供的装置，通过先对汽车横摆角速度和转动角速度进行估计，再根据估计误差而不是直接使用传感器采集得到的横摆角速度和转动角速度确定汽车轮胎横向力和轮胎纵向力，能够减小环境因素对传感器噪声的影响，避免因为环境因素导致确定的附着系数较低的现象；通过轮胎的纵向力和横向力共同确定附着系数，能够使得本发明提供的方法能应用于附着系数与轮胎的纵向力和横向力均相关的场景，扩大应用场景的同时提升估计精度。
图5示出的为本发明实施例提供的一种汽车的结构示意图。作为示例而非限定，汽车500可以包括汽车路面附着系数估计装置510。
示例性的，汽车路面附着系数估计装置510可以为上述实施例中的汽车路面附着系数估计装置400，用于如上述实施例中方法100和方法300所述的方法。
在一种可能的实现方式中，参见图5，汽车500还可以包括车载传感器组520。车载传感器组520可以用于获取传感器信息。
在一个示例中，参见图5，车载传感器组520可以包括卫星定位系统(如北斗、GPS、伽利略等)、惯性导航单元(Inertial measurement unit，IMU)、轮速传感器(Wheel SpeedSensor，WSS)、方向盘转角传感器(Steering Angle Sensor，SAS)等。
汽车路面附着系数估计装置510可以通过车辆CAN总线获取车载传感器组520得到的信息然后对车载传感器得到的信息进行处理得到传感器信息。
示例性的，传感器信息可以包括：纵向车速、横向车速、加速度信息(包括纵向加速度、横向加速度)、横摆角速度实际值、转动角速度实际值、轮速、方向盘转角、前轮转角、横向加速度、纵向加速度、四轮转速等。
对卫星定位系统获取的原始数据进行处理可以得到纵向车速和横向车速；可以通过IMU获取加速度信息和横摆角速度，可以通过WSS获取轮速，通过SAS获取方向盘转角。
为了说明本发明提供的方法的有益效果进行了如下仿真实验：
示例性的，基于整车动力学仿真软件Carsim与Matlab/Simulink进行联合仿真对本发明提供的方法进行了仿真验证。仿真验证在对接路面上进行，方向盘转角设置为正弦转向，设置车辆的速恒定度为60Km/h，在6s以前的路面附着系数设置为0.8,在6s后的路面附着系数设置为0.25。
图6示出的为本发明实施例提供的一种路面附着系数的对比示意图。
参见图6，图6中的601为左前轮胎的路面附着系数，602位右前轮胎的路面附着系数，603位左后轮胎的路面附着系数，604位右后轮胎的路面附着系数，600为四轮路面附着系数的真实值。
由图6可以看出，路面附着系数在1s左右就能迅速收敛，其中右后轮胎路面附着系数估计的相对误差为11.67％，其他三个轮胎的相对误差保持在3％左右，在6s以后进入低附着系数路面，观测器能够迅速捕捉到路面附着系数的变化，迅速收敛后的相对误差均保持在10％以内，实验结果表明，无论在高附着系数路面还是低附着系数路面，算法均能较好地识别出汽车当前工况下的附着系数，且具有较快的响应速度。
根据本发明提供的方法，通过先对汽车横摆角速度和转动角速度进行估计，再根据估计误差而不是直接使用传感器采集得到的横摆角速度和转动角速度确定汽车轮胎横向力和轮胎纵向力，能够减小环境因素对传感器噪声的影响，避免因为环境因素导致确定的附着系数较低的现象；通过轮胎的纵向力和横向力共同确定附着系数，能够使得本发明提供的方法能应用于附着系数与轮胎的纵向力和横向力均相关的场景，扩大应用场景的同时提升估计精度。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

Claims (10)

1.一种汽车路面附着系数估计方法，其特征在于，包括：
根据汽车的传感器信息和车辆信息，分别确定所述汽车的横摆角速度估计值和转动角速度估计值，其中，所述传感器信息包括所述汽车的横摆角速度实际值和转动角速度实际值；
通过自适应滑模观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力估计值，其中，所述横摆角速度误差为所述横摆角速度实际值与所述横摆角速度估计值的差值；
通过基于PID的反馈观测器，根据所述汽车的转动角速度误差，确定所述汽车的四轮纵向力估计值，其中，所述转动角速度误差为所述转动角速度实际值与所述转动角速度估计值的差值；
通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，根据所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定所述汽车所在路面的路面附着系数，其中，所述四轮横向归一化力及四轮纵向归一化力是根据所述传感器信息和车辆信息确定的。
2.根据权利要求1所述的方法，其特征在于，所述通过自适应滑模观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力估计值，包括：
通过所述自适应滑膜观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力的第一估计值；
根据所述传感器信息和所述车辆信息，确定所述汽车的四轮荷载；
根据所述四轮荷载和所述四轮横向力的第一估计值，确定所述四轮横向力估计值。
3.根据权利要求2所述的方法，其特征在于，所述传感器信息还包括横向加速度；
所述横摆角速度估计值满足下述公式：
其中，i＝1或者2；为横摆角加速度估计值，是通过对所述横摆角速度估计值进行微分运算得到的；λi、ηi分别为根据所述传感器信息和所述车辆信息确定的第一模型参数与第二模型参数，u为所述车辆的横向加速度，Li为所述自适应滑模观测器的增益；ψi为所述横摆角速度实际值，/>为所述横摆角速度估计值；/>为所述四轮横向力的第一估计值。
4.根据权利要求3所述的方法，其特征在于，所述四轮横向力的第一估计值包括前轴轮胎横向力的第一估计值和后轴轮胎横向力的第一估计值；
所述自适应滑模观测器满足下述公式：
其中，分别为所述前轴轮胎横向力的第一估计值和所述后轴轮胎横向力的第一估计值，εi为阈值参数，s为所述横摆角速度误差，sgn(·)表示符号函数。
5.根据权利要求1所述的方法，其特征在于，所述车辆信息包括：轮胎的转动惯量、轮胎有效滚动半径、轮胎驱动力矩、轮胎驱动力矩；
所述转动角速度估计值满足下述公式：
其中，Iw为轮胎的转动惯量；为轮胎的转动角加速度；/>为轮胎角加速度估计值；r为轮胎有效滚动半径；Te为轮胎驱动力矩；Tb为轮胎驱动力矩；/>为所述四轮纵向力估计值；f(eω)表示为由于量测误差以及传感器误差造成的未知扰动；/>eω为所述转动角误差，ω为所述转动角速度实际值，/>为所述转动角速度估计值。
6.根据权利要求5所述的方法，其特征在于，所述反馈观测器满足下述公式：
其中，为用户输入的轮胎纵向力观测的初始值，K0为正常数，Kp、Ki、Kd分别为由用户设置的比例项参数、积分项参数及微分项参数，eω为所述转动角速度误差。
7.根据权利要求1所述的方法，其特征在于，所述通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，根据所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定所述汽车所在路面的路面附着系数，包括：
通过基于平方根容积卡尔曼滤波的路面附着系数状态观测器，对所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，进行平方根容积卡尔曼滤波，以更新所述路面附着系数得到所述汽车的下一时刻的路面附着系数。
8.一种汽车路面附着系数估计装置，其特征在于，包括处理单元，所述处理单元包括自适应滑膜观测器、基于PID的反馈观测器及基于平方根容积卡尔曼滤波的路面附着系数状态观测器；
所述处理单元用于：
根据汽车的传感器信息和车辆信息，分别确定所述汽车的横摆角速度估计值和转动角速度估计值，其中，所述传感器信息包括所述汽车的横摆角速度实际值和转动角速度实际值；
通过所述自适应滑模观测器，根据所述汽车的横摆角速度误差，确定所述汽车的四轮横向力估计值，其中，所述横摆角速度误差为所述横摆角速度实际值与所述横摆角速度估计值的差值；
通过所述反馈观测器，根据所述汽车的转动角速度误差，确定所述汽车的四轮纵向力估计值，其中，所述转动角速度误差为所述转动角速度实际值与所述转动角速度估计值的差值；
通过所述路面附着系数状态观测器，根据所述四轮横向力估计值、所述四轮纵向力估计值、四轮横向归一化力及四轮纵向归一化力，确定所述汽车所在路面的路面附着系数，其中，所述四轮横向归一化力及四轮纵向归一化力是根据所述传感器信息和车辆信息确定的。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被所述汽车路面附着系数估计装置执行时实现如权利要求1-7任一项所述的方法。
10.一种汽车，其特征在于，包括汽车路面附着系数估计装置，所述汽车路面附着系数估计装置用于执行如权利要求1-7任一项所述的方法。
CN202410145939.0A 2024-02-01 2024-02-01 汽车路面附着系数估计方法及装置、存储介质、汽车 Pending CN118182485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410145939.0A CN118182485A (zh) 2024-02-01 2024-02-01 汽车路面附着系数估计方法及装置、存储介质、汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410145939.0A CN118182485A (zh) 2024-02-01 2024-02-01 汽车路面附着系数估计方法及装置、存储介质、汽车

Publications (1)

Publication Number Publication Date
CN118182485A true CN118182485A (zh) 2024-06-14

Family

ID=91410528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410145939.0A Pending CN118182485A (zh) 2024-02-01 2024-02-01 汽车路面附着系数估计方法及装置、存储介质、汽车

Country Status (1)

Country Link
CN (1) CN118182485A (zh)

Similar Documents

Publication Publication Date Title
CN101417654B (zh) 用于估计车辆状态以便避免倾翻的系统
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
Pi et al. Design and evaluation of sideslip angle observer for vehicle stability control
Jeon et al. Simultaneous state estimation and tire model learning for autonomous vehicle applications
CN113771857A (zh) 一种用于车辆控制的纵向车速估计方法和系统
CN115257782A (zh) 车辆横摆角预测方法、装置及计算机可读存储介质
Boada et al. A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation
Da Lio et al. Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles
US6853886B2 (en) Method of estimating quantities that represent state of vehicle
CN111231976B (zh) 一种基于变步长的车辆状态估计方法
Liu et al. Vehicle state estimation based on unscented kalman filtering and a genetic algorithm
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法
Junqueira et al. A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept
Coyte et al. Decision tree assisted EKF for vehicle slip angle estimation using inertial motion sensors
Ghosh et al. Sideslip angle estimation of a Formula SAE racing vehicle
CN118182485A (zh) 汽车路面附着系数估计方法及装置、存储介质、汽车
CN115402337A (zh) 一种基于纵向动力学模型的轮胎侧偏刚度辨识方法及装置
Jeon et al. Tire force estimation of dynamic wheeled mobile robots using tire-model based constrained Kalman filtering
De Pascali et al. A kinematic observer with adaptive dead-zone for vehicles lateral velocity estimation
CN114043986A (zh) 一种考虑质量失配的轮胎路面附着系数多模型融合估计方法
CN111703429A (zh) 一种轮毂电机驱动车辆纵向速度估算方法
Puscul et al. A literature survey on sideslip angle estimation using vehicle dynamics based methods
Panzani et al. Control-oriented vehicle attitude estimation with online sensors bias compensation
Xu et al. Estimation of Sideslip Angle with Tire-Road Friction Adaptation Using Nonlinear Observability Theory
CN117094204B (zh) 一种基于astckf和ga-bp的路面附着系数估计方法

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