CN118246147A - 轮心载荷的确定方法、装置、电子设备及车辆 - Google Patents

Abstract

本公开提供了一种轮心载荷的确定方法、装置、电子设备及车辆，采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。本公开无需利用传感器进行轮心载荷的采集，避免因传感器损坏导致无法准确采集轮心载荷的问题，使得后续车辆底盘零部件的设计更加精准。

Description

轮心载荷的确定方法、装置、电子设备及车辆

技术领域

本公开涉及车辆控制领域，尤其涉及一种轮心载荷的确定方法、装置、电子设备及车辆。

背景技术

随着车辆技术领域的快速发展，车辆成为人们日常生活中重要的代步工具。

车辆轮心载荷大小与路面不平度、车辆的前后轴荷、车速、驾驶操作如转弯、制动多种因素有关，是车辆零部件设计需考虑的重要因素。由于车辆轮心载荷通过传感器测试得到，但由于道路状况可能会存在传感器损坏的问题，导致无法准确确定轮心载荷，进而使得车辆底盘零部件设计受限。

发明内容

有鉴于此，本公开的目的在于提出一种轮心载荷的确定方法、装置、电子设备及车辆，用以解决因无法准确确定车辆轮心载荷，使得车辆底盘零部件设计受限的问题。

基于上述目的，本公开的第一方面提供了一种轮心载荷的确定方法，所述方法包括：

采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；

将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；

将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

基于同一发明构思，本公开的第二方面提出了一种轮心载荷的确定装置，包括：

采集模块，被配置为采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；

仿真模块，被配置为将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；

比较模块，被配置为将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

基于同一发明构思，本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的轮心载荷的确定方法。

基于同一发明构思，本公开的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的轮心载荷的确定方法。

基于同一发明构思，本公开的第五方面提供了一种车辆，包括第二方面所述的轮心载荷的确定装置或第三方面所述的电子设备或第四方面所述的存储介质。

从上述可以看出，本公开提出一种轮心载荷的确定方法、装置、电子设备及车辆，采集初始悬架二力杆载荷，将所述初始悬架二力杆载荷输入至预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷，所述初始轮心载荷的确定更加准确。将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷，将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。由初始悬架二力杆载荷确定初始轮心载荷，再由初始轮心载荷确定仿真悬架二力杆载荷，根据仿真悬架二力杆载荷与初始悬架二力杆载荷间的比较结果确定目标轮心载荷，无需利用传感器进行轮心载荷的采集，避免因传感器损坏导致无法准确采集轮心载荷的问题，使得后续车辆底盘零部件的设计更加精准。

附图说明

为了更清楚地说明本公开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，下面描述中的附图仅仅是本公开的实施例，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为本公开实施例的轮心载荷的确定方法的流程图；

图2为本公开另一实施例的轮心载荷的确定方法的流程图；

图3为本公开实施例的轮心载荷的确定装置的结构框图；

图4为本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本公开涉及的名词解释如下：

Altair HyperStudy：HyperStudy是一款多学科设计研究软件，可帮助设计师探索和优化产品的性能和鲁棒性。

Odyssee：Odyssee是一款基于机器学习和降阶建模的数字孪生与机器学习大数据优化软件，能够实现秒级实时的CAE静态、动态仿真、图像识别、智能预测等功能。

interpolating-kriging：插值克里金法，克里金法(Kriging)是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。

smart-ensemble：智能集成机器学习，结合多个学习器来提高整体性能。这种方法的核心在于通过结合多个学习器的预测结果，产生更好的预测性能。

Machine learning：机器学习，机器学习是让计算机像人类一样学习和行动的科学，通过以观察和现实世界互动的形式向他们提供数据和信息，以自主的方式改善他们的学习。

车辆轮心载荷大小与路面不平度、车辆的前后轴荷、车速、驾驶操作如转弯、制动多种因素有关，是车辆零部件设计需考虑的重要因素。在为了使底盘零部件强度能够满足用户越野的需求，需要获取车辆越野时轮心载荷，将轮心载荷转化成加速度(排除轴荷影响)，再转化成适用于一类车型的强度工况，与用于底盘零部件的结构设计。

现有轮心载荷是通过轮心六分力传感器测试得到的，但六分力传感器设备价格昂贵，受泥浆、雨雪等环境因素制约，使用范围有限。在碎石路、交叉轴、炮弹坑、巨石攀岩、泥浆等恶劣场景，此路面会对轮心六分力采集设备造成损坏，因此无法直接采集轮心载荷，这些场景只能通过应变片采集悬架二力杆载荷，而二力杆载荷与车辆悬架参数强相关，在相同路面、相同车速、相同驾驶操作、轴荷近似的情况下，不同车型载荷差异较大，没有共通性，故二力杆载荷不能直接转化为仿真强度工况用于越野新车型的开发。因此，如何准确确定轮心载荷，满足车辆底盘零部件的设计，成为了亟待解决的技术问题。

基于上述描述，本实施例提出了一种轮心载荷的确定方法，如图1所示，所述方法包括：

步骤101，采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷。

具体实施时，车辆悬架为车辆车身与车轮间一切传力连接装置的总称，其作用为传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平顺地行驶。车辆悬架中包括悬架二力杆，所述悬架二力杆具有两个连接点，其中一个连接点连接车身侧，另一个连接点连接车轮侧。

通过车辆上的应变片采集当前场景下的初始悬架二力杆载荷，所述应变片设置于被采集的悬架二力杆上，设置方式为贴附设置，如采用胶带将应变片粘贴于被采集的悬架二力杆表面。应变片可以测量整车结构的应变、应力、扭矩等相关信号。所述场景按照路面平整程度进行划分，具体分为路面情况较差的越野场景及路面情况较好的城市道路场景，所述越野场景包括碎石路、交叉轴、炮弹坑、巨石攀岩、泥浆等，所述城市道路场景包括城区道路及高速公路等。

将采集到的初始悬架二力杆载荷输入至预先构建的载荷关系模型中，经由载荷关系模型输出与所述初始悬架二力杆载荷对应到的初始轮心载荷。所述载荷关系模型为对初始载荷关系模型进行训练得到的数学模型。

步骤102，将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷。

具体实施时，预先搭建整车仿真模型，将所述初始轮心载荷输入至仿真模型，经由所述仿真模型进行处理，得到初始轮心载荷对应的仿真悬架二力杆载荷，以供后续将得到的仿真悬架二力杆载荷与采集到的初始悬架二力杆载荷进行比较，以确定目标轮心载荷。

步骤103，将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

具体实施时，将仿真悬架二力杆载荷与初始悬架二力杆载荷进行作差处理，比较仿真悬架二力杆载荷与初始悬架二力杆载荷之间的差异性，得到比较结果。根据比较结果确定目标轮心载荷，解决了无法采集轮心载荷的问题，实现了车辆底盘零部件的精准设计。

通过上述方案，通过采集初始悬架二力杆载荷，将所述初始悬架二力杆载荷输入至预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷，所述初始轮心载荷的确定更加准确。将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷，将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。由初始悬架二力杆载荷确定初始轮心载荷，再由初始轮心载荷确定仿真悬架二力杆载荷，根据仿真悬架二力杆载荷与初始悬架二力杆载荷间的比较结果确定目标轮心载荷，无需利用传感器进行轮心载荷的采集，避免因传感器损坏导致无法准确采集轮心载荷的问题，使得后续车辆底盘零部件的设计更加精准。

在一些实施例中，所述载荷关系模型的预构建过程具体包括：

步骤10A，获取样本数据集，其中所述样本数据集中的每个样本数据包括样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷。

具体实施时，预先采集多个样本数据，每个所述样本数据包括样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷。根据多个样本数据构建样本数据集，以供后续训练初始载荷关系模型。

步骤10B，根据所述样本数据集对初始载荷关系模型进行训练。

步骤10C，确定所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

具体实施时，获取初始载荷关系模型，其中所述初始载荷关系模型可为利用Altair HyperStudy、Odyssee等优化或机器学习软件构建得到的。具体地，采用interpolating-kriging、smart-ensemble、Machine learning等方法构建的。

利用样本数据集对初始载荷关系模型进行训练，当所述初始载荷关系模型满足预设的训练结束条件时，得到载荷关系模型。其中，所述预设的训练结束条件包括下列至少之一：初始载荷关系模型的精度大于预设精度阈值、确定样本数据集中的全部数据均输入至初始载荷关系模型中训练、确定初始载荷关系模型的损失函数收敛至第一预设收敛阈值或确定初始载荷关系模型迭代训练至第一预设迭代次数。

示例性地，预设的训练结束条件为初始载荷关系模型的精度大于预设精度阈值：

确定初始载荷关系模型的精度，确定所述精度大于预设精度阈值，所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

获取训练过程中初始载荷关系模型的精度，当所述初始载荷关系模型的精度大于预设精度阈值时，表明初始载荷关系模型的精度达到要求，初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

示例性地，预设精度阈值为90％，确定初始载荷关系模型的精度为95％，则所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

通过上述方案，依据初始载荷关系模型的精度来确定是否满足预设的训练结束条件，使得得到的载荷关系模型的整体拟合精度及外推预测精度更高，进而后续利用载荷关系模型得到的初始轮心载荷更加准确。

另一示例，预设的训练结束条件为确定样本数据集中的全部数据均输入至初始载荷关系模型中训练：

所述样本数据集中共有五十组数据，每组数据包括样本轮心载荷及样本悬架二力杆载荷。所述第一预设训练结束条件为确定样本数据集中的全部数据均输入至初始载荷关系模型中训练，即为当所述五十组数据均输入进初始载荷关系模型中时，此时不存在还未输入进初始载荷关系模型中的样本数据集中的样本数据，确定初始载荷关系模型训练结束，得到载荷关系模型。

另一示例，预设的训练结束条件为确定初始载荷关系模型的损失函数收敛至第一预设收敛阈值：

将样本数据集中的训练数据输入至初始载荷关系模型中进行训练，输出第一训练结果。根据所述第一训练结果及所述实际功能参数确定第一损失函数。所述第一损失函数的类型包括下列至少之一：均方误差损失函数、交叉熵损失函数、对数损失函数、指数损失函数、平方损失函数或绝对值损失函数等。当所述第一损失函数收敛至第一预设收敛阈值时，确定满足预设的训练结束条件，得到载荷关系模型。

另一示例，预设的训练结束条件为确定初始载荷关系模型迭代训练至第一预设迭代次数。

将样本数据集中的样本数据输入至初始载荷关系模型中进行迭代训练，记录迭代次数，确定所述迭代次数等于第一预设迭代次数时，满足预设的训练结束条件，得到载荷关系模型。

通过上述方案，样本数据集中的样本数据包括所述样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷，利用样本数据集中的样本数据对初始载荷关系模型进行训练，直至满足预设的训练结束条件，得到载荷关系模型，以供后续利用所述载荷关系模型模型输出与采集到的初始悬架二力杆载荷对应的初始轮心载荷，所述初始轮心载荷的确定更加准确。

在一些实施例中，步骤10A具体包括：

步骤10A1，获取样本轮心载荷，将所述样本轮心载荷输入至预先构建的仿真模型，经由所述仿真模型处理，输出与所述样本轮心载荷对应的样本悬架二力杆载荷。

步骤10A2，根据所述样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷构建样本数据集。

具体实施时，对车辆的轮心加载不同的载荷，得到多个样本轮心载荷。针对多个样本轮心载荷中的每个样本轮心载荷，将所述样本轮心载荷输入至预先构建的仿真模型，经由所述仿真模型处理，得到所述样本轮心载荷对应的样本悬架二力杆载荷。

根据一一对应的样本轮心载荷及与样本轮心载荷对应的样本悬架二力杆载荷，构建得到样本数据集。

本实施例中，为保证样本数据集的代表性，对样本数据集中的样本数据的数量进行限定。具体为：确定目标车轮种类的数量，所述目标车轮种类表示用户想要确定目标轮心载荷的车轮的种类，目标车轮种类包括下列至少之一：车辆左前轮、车辆右前轮、车辆左后轮及车辆左后轮。每个车轮轮心的载荷对应6个方向的力，分别为正交三轴方向的三个力及每个轴对应的力矩。计算车轮种类的数量与每个车轮轮心的载荷的方向的数量的乘积。确定样本数据集中的样本数据的数量为所述乘积的五倍以上。

示例性地，用户想要确定车辆左前轮及右前轮对应的目标轮心载荷，则确定目标车轮种类为两类，每个车轮轮心的载荷对应6个方向的力，则计算所述乘积为12，因此样本数据集中样本数据的数量至少为60。

另一示例，用户想要确定车辆所有车轮对应的目标轮心载荷，即确定车辆左前轮、车辆右前轮、车辆左后轮及车辆左后轮对应的目标轮心载荷。确定目标车轮种类为四类，每个车轮轮心的载荷对应6个方向的力，则计算所述乘积为24，因此样本数据集中样本数据的数量至少为120。

通过限定样本数据集中的样本数据的数量，保证了样本数据集的多样性，后续依据样本数据集对初始载荷关系模型进行训练，得到的载荷关系模型更加准确。

在一些实施例中，步骤103具体包括：

步骤1031，响应于确定所述比较结果大于或等于预设差异阈值，则确定新的初始轮心载荷及与所述新的初始轮心载荷对应的新的仿真悬架二力杆载荷，将所述新的仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，直至比较结果小于预设差异阈值。

或者，

步骤1032，响应于确定所述比较结果小于预设差异阈值，将所述初始轮心载荷作为目标轮心载荷。

具体实施时，根据仿真悬架二力杆载荷与初始悬架二力杆载荷之间的比较结果确定目标轮心载荷，其中所述比较结果即为仿真悬架二力杆载荷与初始悬架二力杆载荷间的差异值。

具体地，当比较结果大于或等于预设差异阈值时，表明当前得到的仿真悬架二力杆载荷与采集到的真实的悬架二力杆载荷的偏差较大。此时，需重新确定新的初始轮心载荷，将新的初始轮心载荷输入至预先构建的仿真模型，得到与新的初始轮心载荷对应的新的仿真悬架二力杆载荷。

再次将新的仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到新的比较结果，判断新的比较结果是否小于预设差异阈值。

若新的比较结果仍大于预设差异阈值，重复上述确定新的初始轮心载荷至得到新的比较结果的过程，直至比较结果小于预设差异阈值。

当比较结果小于预设差异阈值时，表明当前得到的仿真悬架二力杆载荷与采集到的真实的悬架二力杆载荷的偏差在预期可接受的范围内。此时，将初始轮心载荷作为目标轮心载荷。

通过上述方案，通过将比较结果与预设差异阈值进行比较，当比较结果小于预设差异阈值时，即当仿真悬架二力杆载荷与初始悬架二力杆载荷的偏差较小时，将所述初始轮心载荷作为目标轮心载荷，目标轮心载荷的确定更加准确。

在一些实施例中，步骤1031中确定新的初始轮心载荷的过程，具体包括：

步骤10311，获取新的样本数据集，根据所述新的样本数据集对所述载荷关系模型进行训练，得到新的载荷关系模型。

步骤10312，基于所述新的载荷关系模型，确定与所述初始悬架二力杆载荷对应的新的初始轮心载荷。

具体实施时，获取新的样本数据集，所述新的样本数据集为从仿真模型的输出结果中选取的数据。所述新的样本数据集中包括多个新的样本数据，选取所述多个新的样本数据的范围大于选取所述多个样本数据的范围，所述多个新的样本数据的范围指多个新的样本数据中新的样点轮心载荷的范围，所述多个样本数据的范围指多个样本数据中样点轮心载荷的范围。

示例性地，选取多个样本数据中样点轮心载荷的范围为-60000至60000，选取多个新的样本数据中新的样点轮心载荷的范围为-80000至80000。

根据新的样本数据集对所述载荷关系模型进行再次训练，直至所述载荷关系模型满足预设的第一训练结束条件，得到新的载荷关系模型。其中所述预设的第一训练结束条件为载荷关系模型的精度大于预设精度阈值、确定新的样本数据集中的全部数据均输入至载荷关系模型中训练、确定载荷关系模型的损失函数收敛至第二预设收敛阈值或确定载荷关系模型迭代训练至第二预设迭代次数。

本实施例中，预设的第一训练结束条件优选为载荷关系模型的精度大于预设精度阈值。

根据得到的新的载荷关系模型，根据初始悬架二力杆载荷确定与所述初始悬架二力杆载荷对应的新的初始轮心载荷。后续根据新的初始轮心载荷确定新的仿真悬架二力杆载荷，以根据新的仿真悬架二力杆载荷确定目标轮心载荷。

通过上述方案，利用新的样本数据集对载荷关系模型进行再次训练优化，得到新的载荷关系模型，后续根据新的载荷关系模型输出的新的初始轮心载荷，进而得到与新的初始轮心载荷对应的新的仿真悬架二力杆载荷与初始悬架二力杆载荷间的差异更小。

基于同一发明构思，本公开的另一实施例提出了一种轮心载荷的确定方法，如图2所示，所述方法具体包括：

步骤201，采集初始悬架二力杆载荷。

具体实施时，悬架二力杆用于连接车辆的车轮及车身，其中所述悬架二力杆具有两个连接点，其中一个连接点连接车身侧，另一个连接点连接车轮侧。通过车辆上的应变片采集当前场景下的初始悬架二力杆载荷，所述应变片设置于被采集的悬架二力杆上，设置方式为贴附设置，如采用胶带将应变片粘贴于被采集的悬架二力杆表面。应变片可以测量整车结构的应变、应力、扭矩等相关信号。所述场景按照路面平整程度进行划分，具体分为路面情况较差的越野场景及路面情况较好的城市道路场景，所述越野场景包括碎石路、交叉轴、炮弹坑、巨石攀岩、泥浆等，所述城市道路场景包括城区道路及高速公路等。

步骤202，搭载整车仿真模型，获取样本轮心载荷，根据所述仿真模型输出与所述样本轮心载荷对应的样本悬架二力杆载荷，根据所述样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷构建样本数据集。

具体实施时，预先搭建整车仿真模型。对车辆的轮心加载不同的载荷，得到多个样本轮心载荷。针对多个样本轮心载荷中的每个样本轮心载荷，将所述样本轮心载荷输入至预先构建的仿真模型，经由所述仿真模型处理，得到所述样本轮心载荷对应的样本悬架二力杆载荷。

根据一一对应的样本轮心载荷及与样本轮心载荷对应的样本悬架二力杆载荷，构建得到样本数据集。

本实施例中，为保证样本数据集的代表性，对样本数据集中的样本数据的数量进行限定。具体为：确定目标车轮种类的数量，所述目标车轮种类表示用户想要确定目标轮心载荷的车轮的种类，目标车轮种类包括下列至少之一：车辆左前轮、车辆右前轮、车辆左后轮及车辆左后轮。每个车轮轮心的载荷对应6个方向的力，分别为正交三轴方向的三个力及每个轴对应的力矩。计算车轮种类的数量与每个车轮轮心的载荷的方向的数量的乘积。确定样本数据集中的样本数据的数量为所述乘积的五倍以上。

通过限定样本数据集中的样本数据的数量，保证了样本数据集的多样性，后续依据样本数据集对初始载荷关系模型进行训练，得到的载荷关系模型更加准确。

步骤203，根据所述样本数据集确定载荷关系模型。

具体实施时，获取初始载荷关系模型，其中所述初始载荷关系模型可为利用Altair HyperStudy、Odyssee等优化或机器学习软件构建得到的。具体地，采用interpolating-kriging、smart-ensemble、Machine learning等方法构建的。

利用样本数据集对初始载荷关系模型进行训练，当所述初始载荷关系模型满足预设的训练结束条件时，得到载荷关系模型。

步骤204，将初始悬架二力杆载荷输入至载荷关系模型，得到与所述初始悬架二力杆载荷对应的初始轮心载荷。

具体实施时，将采集到的初始悬架二力杆载荷输入至预先构建的载荷关系模型中，经由载荷关系模型输出与所述初始悬架二力杆载荷对应到的初始轮心载荷。所述载荷关系模型为对初始载荷关系模型进行训练得到的数学模型。

步骤205，将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷。

具体实施时，将所述初始轮心载荷输入至仿真模型，经由所述仿真模型进行处理，得到初始轮心载荷对应的仿真悬架二力杆载荷，以供后续将得到的仿真悬架二力杆载荷与采集到的初始悬架二力杆载荷进行比较，以确定目标轮心载荷。

步骤206，将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较。

步骤207，响应于确定所述比较结果大于或等于预设差异阈值，获取新的样本轮心载荷，并返回步骤202。

具体实施时，将仿真悬架二力杆载荷与初始悬架二力杆载荷进行作差处理，比较仿真悬架二力杆载荷与初始悬架二力杆载荷之间的差异性。当比较结果大于或等于预设差异阈值时，表明当前得到的仿真悬架二力杆载荷与采集到的真实的悬架二力杆载荷的偏差较大。此时，需重新确定新的初始轮心载荷，将新的初始轮心载荷输入至预先构建的仿真模型，得到与新的初始轮心载荷对应的新的仿真悬架二力杆载荷。

步骤208，响应于确定所述比较结果小于预设差异阈值，将所述初始轮心载荷作为目标轮心载荷。

具体实施时，当比较结果小于预设差异阈值时，表明当前得到的仿真悬架二力杆载荷与采集到的真实的悬架二力杆载荷的偏差在预期可接受的范围内。此时，将初始轮心载荷作为目标轮心载荷。

通过上述方案，采集初始悬架二力杆载荷，将所述初始悬架二力杆载荷输入至预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷，所述初始轮心载荷的确定更加准确。将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷，将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。由初始悬架二力杆载荷确定初始轮心载荷，再由初始轮心载荷确定仿真悬架二力杆载荷，根据仿真悬架二力杆载荷与初始悬架二力杆载荷间的比较结果确定目标轮心载荷，无需利用传感器进行轮心载荷的采集，避免因传感器损坏导致无法准确采集轮心载荷的问题，使得后续车辆底盘零部件的设计更加精准。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种轮心载荷的确定装置。

参考图3，图3为实施例的轮心载荷的确定装置，包括：

采集模块301，被配置为采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；

仿真模块302，被配置为将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；

比较模块303，被配置为将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

在一些实施例中，所述装置还包括模型构建模块，所述模型构建模块具体包括：

样本数据集获取单元，被配置为获取样本数据集，其中所述样本数据集中的每个样本数据包括样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷；

训练单元，被配置为根据所述样本数据集对初始载荷关系模型进行训练；

载荷关系模型确定单元，被配置为确定所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

在一些实施例中，样本数据集获取单元具体被配置为：

获取样本轮心载荷，将所述样本轮心载荷输入至预先构建的仿真模型，经由所述仿真模型处理，输出与所述样本轮心载荷对应的样本悬架二力杆载荷；

根据所述样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷构建样本数据集。

在一些实施例中，载荷关系模型确定单元具体被配置为：

确定初始载荷关系模型的精度；

确定所述精度大于预设精度阈值，所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

在一些实施例中，所述比较模块303具体包括：

第一比较单元，被配置为响应于确定所述比较结果大于或等于预设差异阈值，则确定新的初始轮心载荷及与所述新的初始轮心载荷对应的新的仿真悬架二力杆载荷，将所述新的仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，直至比较结果小于预设差异阈值；

或者，

第二比较单元，被配置为响应于确定所述比较结果小于预设差异阈值，将所述初始轮心载荷作为目标轮心载荷。

在一些实施例中，所述第二比较单元具体被配置为：

获取新的样本数据集，根据所述新的样本数据集对所述载荷关系模型进行训练，得到新的载荷关系模型；

基于所述新的载荷关系模型，确定与所述初始悬架二力杆载荷对应的新的初始轮心载荷。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的轮心载荷的确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，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上任意一实施例所述的轮心载荷的确定方法。

图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的轮心载荷的确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的轮心载荷的确定方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的轮心载荷的确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种车辆，包括上述实施例中的轮心载荷的确定装置，上述实施例中的电子设备，上述实施例中的计算机可读存储介质，所述车辆设备实现上任意一实施例所述的轮心载荷的确定方法。

上述实施例的车辆用于实现前述任一实施例所述的轮心载荷的确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

可以理解的是，在使用本公开中各个实施例的技术方案之前，均会通过恰当的方式对所涉及的个人信息的类型、使用范围、使用场景等告知用户，并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确的提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主的选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定的实现方式，响应于接受到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其他满足相关法律法规的方式也可应用于本公开的实现方式中。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种轮心载荷的确定方法，其特征在于，包括：

采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；

将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；

将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

2.根据权利要求1所述的方法，其特征在于，所述载荷关系模型的预构建过程，包括：

获取样本数据集，其中所述样本数据集中的每个样本数据包括样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷；

根据所述样本数据集对初始载荷关系模型进行训练；

确定所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

3.根据权利要求2所述的方法，其特征在于，所述获取样本数据集，包括：

获取样本轮心载荷，将所述样本轮心载荷输入至预先构建的仿真模型，经由所述仿真模型处理，输出与所述样本轮心载荷对应的样本悬架二力杆载荷；

根据所述样本轮心载荷及与所述样本轮心载荷对应的样本悬架二力杆载荷构建样本数据集。

4.根据权利要求2所述的方法，其特征在于，所述确定所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型，包括：

确定初始载荷关系模型的精度；

确定所述精度大于预设精度阈值，所述初始载荷关系模型满足预设的训练结束条件，得到载荷关系模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述比较结果确定目标轮心载荷，包括：

响应于确定所述比较结果大于或等于预设差异阈值，则确定新的初始轮心载荷及与所述新的初始轮心载荷对应的新的仿真悬架二力杆载荷，将所述新的仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，直至比较结果小于预设差异阈值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述比较结果确定目标轮心载荷，包括：

响应于确定所述比较结果小于预设差异阈值，将所述初始轮心载荷作为目标轮心载荷。

7.根据权利要求5所述的方法，其特征在于，确定所述比较结果大于或等于预设差异阈值，

所述确定新的初始轮心载荷，包括：

获取新的样本数据集，根据所述新的样本数据集对所述载荷关系模型进行训练，得到新的载荷关系模型；

基于所述新的载荷关系模型，确定与所述初始悬架二力杆载荷对应的新的初始轮心载荷。

8.一种轮心载荷的确定装置，其特征在于，包括：

采集模块，被配置为采集初始悬架二力杆载荷，基于预先构建的载荷关系模型，确定与所述初始悬架二力杆载荷对应的初始轮心载荷；

仿真模块，被配置为将所述初始轮心载荷输入至预先构建的仿真模型，得到与所述初始轮心载荷对应的仿真悬架二力杆载荷；

比较模块，被配置为将所述仿真悬架二力杆载荷与初始悬架二力杆载荷进行比较，得到比较结果，根据所述比较结果确定目标轮心载荷。

9.一种电子设备，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权利要求1至7任意一项所述的方法。

10.一种车辆，其特征在于，包括权利要求8所述的装置或权利要求9所述的电子设备。