DE112009005342T5

DE112009005342T5 - Klassifikation der oberfläche

Info

Publication number: DE112009005342T5
Application number: DE112009005342T
Authority: DE
Inventors: Fredrik Gustafsson; Marius RÖLLAND; Andreas HALL; Rickard Karlsson
Original assignee: Nira Dynamics AB
Current assignee: Nira Dynamics AB
Priority date: 2009-11-04
Filing date: 2009-11-04
Publication date: 2012-12-20
Anticipated expiration: 2029-11-05
Also published as: DE112009005342B4; WO2011054363A1

Abstract

Verfahren zum Abschätzen des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das Verfahren für wenigstens ein Radpaar umfasst: Bestimmen erster und zweiter Sensorsignale, die zeitabhängige Vibrationen an dem vorderen und dem hinteren Rad angeben; Korrelieren der ersten und zweiten Sensorsignale um ein Korrelationssignal zu bestimmen, das die Zeitverzögerung zwischen den ersten und den zweiten Sensorsignalen angibt; Bestimmen des Bodenzustands basierend auf den Charakteristiken des Korrelationssignals.

Description

GEBIET DER ERFINDUNG
Die vorliegende Erfindung bezieht sich im Allgemeinen auf das Abschätzen des Zustands der Straßenoberfläche unter einem Fahrzeug und beispielsweise auf Systeme, Verfahren und Computerprogrammprodukte zum Abschätzen des Zustands der Straßenoberfläche unter einem Fahrzeug.
HINTERGRUND DER ERFINDUNG
Moderne Automobile umfassen elektronische Steuersysteme wie Antiblockiersysteme (ABS), dynamische Stabilitätssysteme, Antischlupf-Systeme und Traktions-Steuersysteme. Neben diesen aktiven Steuersystemen gibt es auch Sicherheitsinformationssysteme für den Fahrer, wie beispielsweise Straßenreibungsschluss-Angaben und sensorfreie Reifendruck-Überwachungssysteme, welche Informationen über die Fahrbedingungen an den Fahrer liefern.
Allen oben genannten Systemen kommt das Wissen über den Zustand der Straßenoberfläche unter dem Fahrzeug zugute. Im Stand der Technik werden verschiedene unterschiedliche Techniken verwendet, um den Zustand der Straßenoberfläche unter einem fahrenden Fahrzeug zur ermitteln. Eine solche Technik basiert auf vertikalen Beschleunigungsmessern in einem Dämpfungssystem eines Automobils. Andere Techniken basieren auf Pegelstandsmessern im Benzintank des Automobils. Andere Techniken nutzen spezielle Luftmassen-Flusssensoren in der Motorsteuerungseinheit.
Die vorliegende Erfindung bezieht sich auf Techniken zum Abschätzen des Straßenzustands, welche Vibrationssignale nutzen, die von Sensoren, z. B. Radgeschwindigkeitssensoren oder Beschleunigungssensoren erhalten werden. Beispielsweise kann die Nutzung der Signale von Radgeschwindigkeitssensoren eines ABS-Systems (und/oder vom CAN-Bus des Fahrzeugs) einen ökonomischen Weg liefern, Messungen des Zustands der Straßenoberfläche zu erhalten, da diese ABS-Systeme zu der Standardausrüstung der meisten der heute verkauften Automobile und Lastwagen gehören.
Solch ein System, das auf den Signalen von Radgeschwindigkeitssensoren basiert, ist beispielsweise in US-Patent 5,566,090 offenbart, welches gerichtet ist auf ein Verfahren zum Detektieren von Segmenten einer schlechten Straße direkt aus den von einem ABS-Sensor gelieferten Rohdaten. Das Verfahren verwendet die Tatsache, dass Segmente einer schlechten Straße starke Fluktuationen der Radgeschwindigkeiten des Automobils hervorrufen. Starke Radgeschwindigkeitsfluktuationen wiederum resultieren in großen Differenzen zwischen aufeinanderfolgenden Segment-Zeiten, wobei die Segment-Zeit jene Zeit ist, welche das Rad benötigt, um verknüpfte Winkelsegmente zu durchlaufen. Das offenbarte Verfahren ermittelt ein Segment einer schlechten Straße, falls die Differenz zwischen aufeinanderfolgenden Segment-Zeiten größer ist als ein voreingestellter Grenzwert. Dieser einfache Entscheidungsalgorithmus operiert direkt auf den Signalen des Radgeschwindigkeitssensors. US 4,837,727 offenbart ein Verfahren, das auf einem ähnlichen Entscheidungsalgorithmus basiert.
Ein anderes System das auf den Signalen von Radgeschwindigkeitssensoren basiert ist in der internationalen Anmeldung WO 2005/068271 offenbart und publiziert. Dieses System verwendet einen Signalkorrektur-Abschnitt, um ein imperfektionskorrigiertes Sensor-Signal zu ermitteln.
EP 0 795 448 A2 offenbart ein Detektionssystem für den Zustand der Straßenoberfläche, welches einen Radgeschwindigkeitssensor umfasst zum Detektieren einer Radgeschwindigkeit wenigstens eines Rades, um ein Radgeschwindigkeitssignal zu erzeugen, sowie eine Steuereinheit, welche das Radgeschwindigkeitssignal für eine bestimmte Zeitspanne integriert. Die Steuereinheit bestimmt einen unebenen Straßenoberflächenzustand, wenn das integrierte Signal über einem bestimmten Schwellwert liegt, und andernfalls einen normalen Straßenoberflächenzustand. Vor der Integration wird das Radgeschwindigkeitssignal im Frequenzbereich von 10–15 Hz bandpassgefiltert.
Es ist auch aus dem Stand der Technik bekannt, dass eine Korrelationsanalyse von Vibrationen in vorderen und hinteren Radgeschwindigkeitssignalen verwendet werden kann, um die Absolutgeschwindigkeit eines Fahrzeugs zu ermitteln. Durch Bestimmen der Zeitverzögerung τ zwischen den Störungen der vorderen und hinteren Räder kann die Absolutgeschwindigkeit v des Fahrzeugs aus der Relation τ = B/v ermittelt werden, wobei B der Abstand zwischen den Achsen der vorderen und hinteren Räder ist. Solch eine Geschwindigkeitsermittlung mittels einer Korrelationsanalyse ist beispielsweise in der veröffentlichten internationalen Patentanmeldung WO 2005/005993 A1 offenbart.
ZUSAMMENFASSUNG DER ERFINDUNG
Die Erfindung bezieht sich auf Verfahren, Systeme und Computerprogrammprodukte zum Abschätzen des Bodenzustands unter einem fahrenden Fahrzeug, wie sie in den beigefügten Ansprüchen definiert sind.
Gemäß eines ersten Aspekts wird ein Verfahren vorgeschlagen zum Abschätzen des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das Verfahren umfasst: Ermitteln erster und zweiter Sensorsignale, die zeitabhängige Vibrationen am ersten bzw. zweiten Rad angeben; Korrelieren der ersten und zweiten Sensorsignale, um ein Korrelationssignale aus den ersten und zweiten Sensorsignalen zu ermitteln; und Bestimmen des Bodenzustands basierend auf den Charakteristiken des Korrelationssignals.
Gemäß eines weiteren Aspekts wird ein System vorgeschlagen zur Abschätzung des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das System umfasst: erste und zweite Sensoren zum Bestimmen erster und zweiter Sensorsignale, die zeitabhängige Vibrationen am ersten bzw. zweiten Rad angeben; eine Korrelationseinheit zum Korrelieren der ersten und zweiten Sensorsignale, um ein Korrelationssignal aus den ersten und zweiten Sensorsignalen zu ermitteln; eine Auswerteeinheit zum Bestimmen des Bodenzustands basierend auf den Charakteristiken des Korrelationssignals.
Gemäß eines weiteren Aspekts wird ein Computerprogrammprodukt vorgeschlagen, das eingerichtet ist für eine Abschätzung des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das Computerprogramm dazu eingerichtet ist, erste und zweite Sensorsignale zu ermitteln, welche zeitabhängige Vibrationen am ersten bzw. zweiten Rad angeben; die ersten und zweiten Sensorsignale zu korrelieren, um ein Korrelationssignal aus den ersten und zweiten Sensorsignalen zu ermitteln; und den Bodenzustand basierend auf den Charakteristiken des Korrelationssignals zu bestimmen.
Andere Merkmale sind den offenbarten Verfahren und Systemen inhärent oder sind dem Fachmann aus der folgenden detaillierten Beschreibungen der Ausführungsbeispiele und den beigefügten Zeichnungen ersichtlich.
BESCHREIBUNG DER ZEICHNUNGEN
Im Folgenden werden nun Ausführungsbeispiele der Erfindung beispielhaft und unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen:
1 ein Automobil zeigt, das auf einer Straße mit einer Straßenstörung (”Bodenwelle”) fährt, sowie die zeitabhängigen hinteren und vorderen Rad-Rauschsignale, die resultieren, wenn das Automobil die Oberflächenstörung passiert;
2 eine schematische Ansicht eines Ausführungsbeispiels eines Radgeschwindigkeitssensor ist;
3 ein beispielhaftes Diagramm von vier Radgeschwindigkeitssignalen zeigt, die von den vier Rädern eines fahrenden Fahrzeugs als Funktion der Zeit erhalten wurden;
4 die Korrelationsfunktion der Signale aus 3 zeigt;
5a schematisch das Korrelationssignal in der Korrelationsfunktion für einen unebenen Straßenzustand zeigt; wobei die gestrichelte Linie die Einhüllende des Korrelationssignals angibt;
5b schematisch das Korrelationssignal in der Korrelationsfunktion für einen ebenen Straßenzustand zeigt; wobei die gestrichelte Linie die Einhüllende des Korrelationssignals angibt;
5c schematisch zeigt, wie Fluktuationen im Korrelationssignal dazu führen können, dass Seitenmaxima stärker sind, als das Hauptmaximum des Korrelationssignals; die gestrichelte Linie gibt die Einhüllende eines idealen Korrelationssignals an, welches nicht von Fluktuationen betroffen ist;
6 schematisch die Halbwertsbreiten-Technik (FWHM = „Full-Width-Half-Maximum”) beschreibt, welche in einem Ausführungsbeispiel verwendet wird, um die Breite des Korrelationspeaks zu bestimmen;
7 die Korrelationsfunktion der Korrelation zwischen Daten des vorderen und des hinteren Rades in der Ereignis-Domäne zeigt. Bei einer Verzögerung von 67 Zähnen liegt der maximale Peak;
8 einen Plot der Verzögerung zeigt, welche dem Maximum des Korrelationssignals für eine große Anzahl an Batches der Messdaten entspricht. Jeder Kreis repräsentiert den maximalen Korrelationswert (Korrelationspeak) von einem Sample des überwachten Sensorsignals;
9 ein Ausführungsbeispiel eines Verfahrens zeigt, um den Bodenzustand unter einem fahrenden Fahrzeug zu bestimmen;
10 ein weiteres Ausführungsbeispiel eines Verfahrens zum Bestimmen des Bodenzustands unter einem fahrenden Fahrzeug zeigt.
BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSBEISPIELE
Im Allgemeinen basiert das vorgeschlagene Verfahren und System zum Bestimmen des Zustands der Straßenoberfläche unter einem Fahrzeug auf einer Korrelationsanalyse des zeitabhängigen Verhaltens von Vibrationssignalen, zum Beispiel Vibrationen in Radgeschwindigkeitssignalen, eines Radpaares eines Fahrzeugs, die mit der Unebenheit oder Welligkeit der Straße variieren. Der Grund für solche Variationen kann in beliebigen kleinen oder größeren Straßenmerkmalen liegen, wie Asphalttextur, Split, kleinen Steinen, Bodenwellen und dergleichen. Diese Merkmale induzieren solche Vibrationen über den Rad-Straße-Kontakt. Die Variationen, die an einem bestimmten Rad induziert werden, resultieren in einem spezifischen zeitabhängigen Verhalten der entsprechenden Sensorsignale. Wenn Radgeschwindigkeitssensoren verwendet werden, um die Vibrationen zu messen, dann werden die Radgeschwindigkeitssignale vorzugsweise in einem Paar eines vorderen und eines hinteren Rades gemessen, die entlang einer Linie laufen, so dass sie dieselben Straßenmerkmale auf zeitverzögerte Weise erfahren. Die unmittelbaren Radgeschwindigkeitssignale, die von diesen Sensoren gemessen werden, werden durch die Straßenmerkmale beeinflusst, die unmittelbar von einem jeweiligen Rad passiert werden.
1 zeigt schematisch ein Automobil mit vier Rädern, das auf einer Straße mit einer Oberflächenstörung (”Bodenwelle”) fährt. Die beiden Grafen unterhalb der schematischen Darstellung des Automobils zeigen die zeitabhängigen hinteren und vorderen Vibrationssignale, die resultieren, wenn das Automobil die Oberflächenstörung passiert. Es ist in den zwei Grafen zu sehen, dass das aus der Oberflächenstörung resultierende Signal in dem hinteren Radvibrationssignal mit einer Zeitverzögerung τ im Vergleich zu dem vorderen Radvibrationssignal erscheint.
Das Fahrzeug kann ein Fahrzeug mit Rädern sein, wie beispielsweise Automobile, Lastwagen, Trucks, Motorräder, Züge und dergleichen, welche ein vorderes und ein hinteres Rad in Kontakt mit dem Boden haben. In den bevorzugten Ausführungsbeispiele werden die beiden auf einer Linie laufenden Räder (ein Vorderrad und ein Hinterrad) als einem bestimmten Paar von Rädern zugehörig bezeichnet. Im Allgemeinen sind vordere und hintere Räder auf verschiedenen Achsen montiert, aber Achsen sind nicht notwendiger Weise erste und zweite Achsen des Fahrzeugs. Beispielsweise kann das vordere linke und das hintere linke Rad eines Automobils mit vier Rädern ein geeignetes Radpaar darstellen. Bei Fahrzeugen mit mehr als zwei Achsen können zwei beliebige Achsen des gesamten Satzes an Achsen als die beiden Räder auf einer Linie gewählt werden, die als vordere und hintere Räder bezeichnet werden. In einigen Ausführungsbeispielen laufen das vordere und das hintere Rad auf einer Linie, so dass bei einer Geradeausfahrt Straßenmerkmale, die von dem vorderen Rad passiert werden nachfolgend von dem hinteren Rad passiert werden. Radgeschwindigkeitsvariationen bei den zwei Rädern eines solchen Radpaares sind die Basis für die hier vorgeschlagene Geschwindigkeitsbestimmung. In einer Geschwindigkeitsanalyse können mehr als das eine vorgeschlagene Radpaar verwendet werden, um die Performanz des Systems zu verbessern. Aber in den folgenden Ausführungsbeispiele werden die Prinzipien des Verfahrens zur Geschwindigkeitsermittlung lediglich an einem Radpaar präsentiert. Das Radpaar muss nicht notwendigerweise ein vorderes und hinteres Rad umfassen. In anderen Ausführungsbeispiele kann auch ein Paar eines linken und eines rechten Rades verwendet werden.
Die beiden Achsen bzw. die beiden Räder sind in einer Distanz von einander beabstandet, die im Folgenden als Radabstand bezeichnet wird. Im Allgemeinen wird dieser Radabstand B auch als Radbasis bezeichnet.
Die zur Ermittlung der vorderen und hinteren Radrauschsignale verwendeten Sensoren können von einem beliebigen Typ sein, welcher auf Vibrationen responsiv ist, die aus dem Kontakt der vorderen und hinteren Räder des Fahrzeugs mit der Straßenoberfläche resultieren. Beispielsweise können die Sensoren beliebige gewöhnliche Radgeschwindigkeitssensoren sein. Es kann aber auch jeder andere Sensortyp verwendet werden, beispielsweise Beschleunigungssensoren in einem Dämpfungssystem eines Automobils, Ultraschall-Sensoren, Mikrofone, Laser-Sensoren, Achshöhen-Sensoren, beliebige andere analoge Distanzsensoren, Geophone, welche Verschiebungen in Spannung umwandeln, oder beispielsweise Druck- oder Beschleunigungs-Sensoren, die sich im Reifen befinden.
Vorzugsweise werden in den Ausführungsbeispielen die Radgeschwindigkeitssensoren eines Antiblockiersystems (ABS) verwendet, da solche ABS-Sensoren bereits in den meisten der heutigen Fahrzeuge montiert sind. Radgeschwindigkeitssensoren sind dem Fachmann wohl bekannt. 2 zeigt ein schematisches Diagramm eines Radgeschwindigkeitssensors umfassend ein Zahnrad mit sieben identischen Zähnen. Ein Sensor ist am Umfang des Zahnrades lokalisiert. Der Sensor ist so angeordnet, dass er immer dann ein Sensorsignal erzeugt, wenn ein Zahn des Zahnrades den Sensor passiert. Der Sensor kann ein optischer Sensor, einen magnetischen Sensor (z. B. ein HALL-Sensor) oder ein beliebiger anderer denkbarer Sensortyp sein. Der Sensor produziert elektrische Signale, die über Kabel oder Funkverbindungen zu einer nachfolgenden Einheit für die weitere Verarbeitung transportiert werden. In dem Beispiel der 2 gibt es insgesamt sieben Sensorsignale, die während einer kompletten Umdrehung des Zahnrades erzeugt werden.
Genauer kann der Sensor des Radgeschwindigkeitssensors intern ein Signal mit zwei möglichen Zuständen, High (An) und Low (Aus), erzeugen (wobei beispielsweise High einen bedeckten Sensor anzeigt und Low einen unbedeckten Sensor anzeigt), das wiederum den Ausgang eines Clock-Signals triggert, das von einem Zeitgeber (nicht gezeigt) geliefert wird und einen Datenstrom ausgibt. Der Datenstrom umfasst Daten-Samples in Form von beispielsweise einer realen oder ganzzahligen Zahl t(n), welche repräsentativ ist für den Zeitpunkt des Auftretens eines entsprechenden internen Signals. Die Zeitspanne Δt(n) = t(n) – t(n – 1) ist definiert als die Zeitspanne zwischen zwei aufeinanderfolgenden internen Signalen. Dabei ist n eine ganze Zahl, welche die Sample-Nummer angibt, zum Beispiel entspricht n = 1 dem ersten Sensorsignal, n = 2 dem zweiten Sensorsignal, und so weiter. Die Sequenz Δt(n) kann mittels bekannter Mittel aus der Ereignis-Domäne in die Zeit-Domäne transformiert werden, um ein Radgeschwindigkeitssignal als Funktion der Zeit ω(t) zu erhalten.
Im Folgenden werden die Prinzipien der vorliegenden Erfindung in der Zeit-Domäne erläutert. Allerdings erzeugt der oben beschriebene Radgeschwindigkeitssensor seine Messergebnisse in der Regel in der Ereignis-Domäne. Radgeschwindigkeitssensoren können somit ihre Daten nicht auf eine Weise liefern, welche ein direktes Speichern in der Zeitdomäne ermöglicht. Deshalb kann bei der Implementierung der Erfindung eine Analyse in der Ereignis-Domäne bevorzugt sein.
Wie oben beschrieben gibt ein Radgeschwindigkeitssensor jedes Mal dann ein Signal aus, wenn das überwachte Rad um einen bestimmten Winkel rotiert ist (im obigen Ausführungsbeispiel α = 2π/L, wobei L die Anzahl der Zähne des Zahnrades ist). Deshalb sind die Signalwerte (Winkel) hier äquidistant über die Signalachse verteilt, wogegen die entsprechenden Zeitpunkte nicht äquidistant über die Zeitachse verteilt sind. Die Zeitintervalle zwischen den Sensorsignalen hängen von der Rotationsgeschwindigkeit des überwachten Rades ab. Daten solcher Art, welche beispielsweise durch Sampeln der Ausgabe eines Radgeschwindigkeitssensor erzeugt werden, werden im Allgemeinen als Ereignis-Domänen-gesampelt bezeichnet (hier Winkel-Domänen-gesampelt; manchmal auch bezeichnet als ”Zahn”-Domäne). Obgleich eine Analyse in der Ereignis-Domäne bevorzugt sein kann, sind die Prinzipien der vorliegenden Erfindung gleichermaßen anwendbar in der Zeit-Domäne und in der Ereignis-Domäne. Der Fachmann kann die Verfahren an die bevorzugte Domäne mittels konventioneller Mittel anpassen, die beispielsweise in der bereits oben erwähnten publizierten internationalen Patentanmeldung WO 2005/005993 A1 adressiert sind.
Hier werden die Prinzipien der Klassifikation der Straßenoberflächen unter Bezugnahme auf ein zeitkontinuierliches Radwinkelgeschwindigkeitssignal ω(t) erläutert. Unter „zeitkontinuierliches” Signal wird ein reales oder ein hypothetisches Signal verstanden, welches in den verfügbaren Zeitintervallen für jede Zeit einen Datenpunkt liefert. Einige Sensoren liefern allerdings gesampelte Messsignale, die nicht zeitkontinuierlich sind, sondern diskrete Signale, da beispielsweise bei digitalen Messungen lediglich eine beschränkte Anzahl an Messwerten aufgezeichnet werden.
Es sei ω(t) die Geschwindigkeit eines jeweiligen Rades i = 1, 2, ... eines Fahrzeugs. Das in 1 gezeigte Ausführungsbeispiel bezieht sich auf ein Automobil mit vier Rädern, wobei das vordere linke Rad als 1 beziffert ist, das vordere rechte als 2, das hintere linke als 3 und das hintere rechte als 4. Beispiele von Radgeschwindigkeitssignalen, die mit den Radgeschwindigkeitssensoren gesampelt wurden, sind in 3 gezeigt. Der Plot zeigt gemessene Radgeschwindigkeiten in rad/s der vier Rädern eines Automobils als Funktion der Zeit. Die Daten wurden über ein Zeitintervall von 60 s aufgezeichnet. Die Winkelgeschwindigkeiten sind in dem Intervall von 41.9 rad/s bis 42.7 rad/s gezeigt, was illustriert, dass die Fluktuationen der Radgeschwindigkeiten um ihren Mittelwert im Bereich von einigen Prozent liegen. In 3 entspricht 40 rad/s ungefähr 40 km/h, was ungefähr 11 m/s ist. Geplottet sind vier Kurven entsprechend der vier Räder FL = vorne-links, FR = vorne-rechts, RL = hinten-links, RR = hinten-rechts des Automobils. Eine Kurve enthält einen Offset, was auf unterschiedliche Radradien, Reifenschlupf oder Lenken zurückzuführen ist. Beide Kurven enthalten eine kaum sichtbare Störung, welche um 0.3 Sekunden verzögert ist.
In bevorzugten Ausführungsbeispielen enthalten die Sensorsignale eine durch die Straße induzierte Störung, welche in den Signalen der hinteren Achse ω₃(t) und ω₄(t) τ Sekunden später auftaucht als in den Signalen der vorderen Achse ω₁(t) und ω₂(t). Eine Korrelationsanalyse der vorderen und hinteren Sensorsignale zeigt ein spezifisches Korrelationssignal, wie beispielsweise einen oder mehrere Peaks der Korrelationsfunktion, das die Zeitverzögerung τ zwischen den vorderen und hinteren Radgeschwindigkeitssignalen angibt.
In einem Ausführungsbeispiel ist die Kreuzkorrelation zwischen den vorderen und hinteren Radgeschwindigkeiten definiert als R₁₃(τ) = E[(ω₁(t) – E(ω₁(t)))(ω₃(t – τ) – E(ω₃(t – τ)))] (1) wobei E(ω(t)) den Erwartungswert von ω(t) angibt. Leichte Störungen, die durch eine unebene Straßenoberfläche ausgelöst werden, treten erst in ω₁(t) und dann B/v Sekunden später in ω₃(t) auf. Hier bezeichnet v die Geschwindigkeit der linken Seite des Automobils und B die Radbasis des Fahrzeugs. Diese Kreuzkorrelationsfunktion ist eine Funktion der Zeitverzögerung τ und wird einen Peak bei τ = B/v aufzeigen. Es sollte allerdings angemerkt sein, dass die Korrelationsfunktion nicht notwendigerweise eine Funktion der Zeit sein muss. Beispielsweise könnte die Korrelationsfunktion in einem alternativen Ausführungsbeispiel in der Zahn-Domäne repräsentiert sein. In anderen Ausführungsbeispielen könnte sie auch im Frequenz-Raum repräsentiert sein, in welchem Falle das Spektrum der Strassenoberflächenvibration sich in der Amplitude der Phasenfunktion Ω₁(f)/Ω₃(f) der Fouriertransformierten Ω₁(f) und Ω₃(f) der Radgeschwindigkeitssignale ω₁(t) und ω₃(t) zeigen würde. Eine Korrelationsanalyse im Frequenzraum ist detaillierter in der publizierten internationalen Anmeldung WO 2005/005993 A1 beschrieben.
Der Plot der 4 zeigt die Korrelationsfunktion R₁₃(τ) des Radgeschwindigkeitssignals des vorderen linken und des hinteren linken Rades und die Korrelationsfunktion R₂₄(τ) des Radgeschwindigkeitssignals des vorderen rechten und des hinteren rechten Rades eines Automobils. Die Abszisse des Plots repräsentiert die Zeitverzögerung τ im Intervall von –1 bis 1 Sekunden. Die Ordinate gibt die entsprechenden Werte der Kreuzkorrelationsfunktion R₁₃(τ) an. Jede Korrelationsfunktion zeigt ein Korrelationssignal, welches die Zeitverzögerung zwischen den vorderen und hinteren Radvibrationen angibt, beispielsweise hier als Peak der maximalen Oszillation für eine bestimmte Zeitverzögerung τ. Diese Peaks zeigen an, dass die Störungen in den Radgeschwindigkeitssignalen bei diesen speziellen Zeitverzögerungswerten am ähnlichsten sind.
Der Plot aus 4 zeigt auch, dass das Korrelationssignal eine Oszillationscharakteristik ausbildet mit einer Hauptkeule und einem entsprechenden Hauptmaximum (und einem Hauptminimum) im Zentrum des Korrelationssignals und mehrere Seitenkeulen mit entsprechenden Seitenmaxima (und Seitenminima) in der Nähe des Hauptmaximums. Im Folgenden werden das Hauptmaximum und das Hauptminimum als der Hauptkeule des Korrelationssignals zugehörig betrachtet und die Seitenminima und Seitenmaxima werden als den Seitenkeulen des Korrelationssignals zugehörig betrachtet.
Die Erfindung basiert auf der Beobachtung, dass verschiedene Straßenoberflächen die Kreuzkorrelation unterschiedlich anregen werden und dadurch ein Korrelationssignal produziert wird, das zum Abschätzen des Straßenoberflächenzustands unter einem fahrenden Fahrzeug verwendet werden kann, beispielsweise zur Klassifikation der Straßenoberfläche. Typischerweise ist der Hauptkorrelationspeak (oder die Hauptkeule) des Korrelationssignals schwächer ausgebildet, wenn ein Fahrzeug auf einer ebenen Oberfläche fährt. Entsprechend sind die Seitenkeulen des Korrelationssignals schwächer ausgeprägt, wenn ein Fahrzeug auf einer unebenen Oberfläche fährt. Je unebener die Straße ist, desto weniger ausgeprägt sind die Seitenkeulen. Eine Erklärung dieses Effekts wird im Folgenden gegeben:
Es gibt im Allgemeinen drei Beiträge zu den gemessenen Sensorsignalen γ_i(t):

• ein erster Beitrag g·v_i(t) der aus den Radumdrehungen hervorgeht und der damit die Abhängigkeit von der Radgeschwindigkeit wiedergibt; hier ist v_i(t) die Radgeschwindigkeit und g ist die Impulsantwort von Radgeschwindigkeit nach Vibrationen; * gibt die Faltungsoperation an;
• ein zweiter Beitrag h·z_i(t) hat seinen Ursprung in den vertikalen Ablenkungen der Straße unter dem Rad i; hier bezeichnet z_i(t) die vertikalen Ablenkungen und h ist die Impulsantwort von Straßenablenkungen nach Vibrationen; und
• ein dritter Beitrag e_i(t) der vom Messrauschen am Sensor i stammt.

Das gemessene Sensorsignal γ_i(t) (in einem bevorzugten Ausführungsbeispiel das Signal ω_i(t), das von einem Radgeschwindigkeitssensor gemessen wird) kann demgemäß wie folgt ausgedrückt werden: y_i(t) = g·v_i(t) + h·z_i(t) + e_i(t) (2)
Die Kreuzkorrelationsfunktion (Gleichung (1)) des Sensorsignals kann dann geschrieben werden als R_y,ij(τ) = E(y_i(t)y_j(t – τ)) = h·h·R_z,ij(τ) (3)
Hier bezeichnet h (t) = h(–t) die zeitumgekehrte Impulsantwort und R_z,ij(τ) die Kreuzkorrelationsfunktion der vertikalen Ablenkungen z_i(t). Wie in Gleichung (3) ersichtlich ist, verschwinden die Beiträge der Geschwindigkeitsabhängigkeit v_i(t) und der Beitrag des Sensorrauschens e_i(t). Da h im Wesentlichen der Dynamik der Raddämpfung entspricht, ähnelt h × h einem nichtkausalen Bandpass-Filter, der gekennzeichnet ist durch eine Hauptkeule und mehrere kleinere Seitenkeulen.
Ebene Oberflächen tendieren dazu, eine weiße Ablenkungen z(t) zu haben, so dass R_z,ij(τ) eine Impulsfunktion ist: R_z,ij(τ) = δ(B/v – τ). Hier bezeichnet δ die Diracsche Delta-Funktion, B die Radbasis und v die Fahrzeuggeschwindigkeit. Die Faltung mit δ(B/v – τ) reflektiert ein Verschiebung um h × h (beispielsweise der Hauptkeule und der Seitenkeulen) auf der Zeitachse. Im speziellen Fall, dass die Räder nicht auf derselben Achse liegen, beispielsweise B = 0 und R_z,ij(τ) = δ(τ) ist das zu erwartende Korrelationsergebnis R_y,ij(τ) dann h × h , d. h. eine symmetrische Funktion mit Hauptkeule und Hauptmaximum bei τ = 0.
Bei unebenen Straßen hat R_z,ij(τ) allerdings einen Bandpass-Charakter. Dies resultiert darin, dass die Kreuzkorrelation des Sensorsignals R _y,ij(τ) eine verschmierte Version von h × h ist. Die Seitenkeulen sind auf unebenen Straßen weniger ausgeprägt.
Die obige Analyse zeigt, dass es nicht wesentlich ist, dass die Sensorsignale eines vorderen und eines hinteren Rates miteinander korreliert werden. Die Prinzipien können auch beispielsweise durch Korrelation von Sensorsignalen angewandt werden, die mit linken und rechten Rädern verknüpft sind. So werden in alternativen Ausführungsbeispielen die Sensoren eines linken und eines rechten Rades derselben Fahrzeugachse miteinander korreliert. In den bevorzugten Ausführungsbeispielen, die hier detaillierter beschrieben sind, werden allerdings Sensorsignale von vorderen und hinteren Rädern miteinander korreliert.
Die 5a und 5b zeigen zwei Korrelationssignale für zwei unterschiedliche Bodenzustände, nämlich 5a das Korrelationssignal eines Fahrzeugs, das auf einer unebenen Straßenoberfläche fährt und 5b das Korrelationssignal eines Fahrzeugs, das auf einer ebenen Straßenoberfläche fährt. In dem Fall der unebenen Straße der 5a hat das Korrelationssignal ein ausgeprägtes Hauptkeulen-Maximum und signifikant kleinere Seitenkeulen-Maxima. In dem in 5b gezeigten Fall einer ebenen Straße hat das Korrelationssignal Seitenkeulen-Maxima, die nahezu ebenso ausgeprägt sind, wie das Maximum der Hauptkeule. Dieser Unterschied kann auch in den Einhüllendenkurven der Korrelationsfunktion gesehen werden, die in den 5a und 5b durch gestrichelte Linien dargestellt sind. Die Kurve der Einhüllenden in 5a steigt steiler an und fällt steiler ab als die Kurve der Einhüllenden in 5b. Mit anderen Worten ist das Korrelationssignal in 5b breiter in seiner Gestalt als das Korrelationssignal in 5a. Dies zeigt, dass Charakteristiken des Korrelationssignals, wie beispielsweise die Gestalt des Korrelationssignals das die Entwicklung der Seitenkeulen reflektiert, von dem Bodenzustand unter einem fahrenden Fahrzeug abhängen und deshalb für eine Klassifikation der Straßenoberfläche verwendet werden können.
Wie oben gezeigt wurde, gibt es verschiedene Wege die Charakteristiken des Korrelationssignals zu analysieren, um den Bodenzustand unter einem fahrenden Fahrzeug zu ermitteln:
Beispielsweise wird in einem Ausführungsbeispiel die Höhe des Hauptmaximums in Bezug gesetzt zu den Höhen der Seitenmaxima. Typischerweise ist das Verhältnis zwischen der Höhe des Hauptmaximums und den Höhen der Seitenmaxima bei unebenen Straßenoberflächen größer als bei ebenen Straßenoberflächen.
Gemäß eines anderen Ausführungsbeispiels wird die Einhüllende der Korrelationsfunktion, die durch die gestrichelten Linien in den 5a und 5b dargestellt sind, für jedes Korrelationssignal mittels konventioneller Mittel ermittelt, zum Beispiel durch Anwenden eines entsprechenden Filters auf die Korrelationsfunktion. Die Breite des jeweiligen Korrelationssignals wird bestimmt durch Berechnen der Breite der jeweiligen Einhüllenden. Die Breite der Einhüllenden kann beispielsweise bestimmt werden durch eine konventionelle Halbwertsbreiten-Technik (FWHM = „Full Width Half Maximum”), was schematisch in 6 beschrieben ist, oder durch beliebige andere geeignete Mittel zum Quantisieren der Breite der Einhüllenden. Die Breite des Korrelationssignals kann dann verwendet werden, um den Bodenzustand unter dem fahrenden Fahrzeug zu ermitteln.
Gemäß eines zweiten Ausführungsbeispiels wird die Einhüllende des Korrelationssignals wie in dem zuvor beschriebenen Ausführungsbeispiel berechnet; aber statt der Breite des Korrelationssignals wird die Fläche unter der Einhüllenden-Funktion als Charakteristikum zur Bestimmung des Bodenzustands unter dem fahrenden Fahrzeug verwendet. Die Fläche unter der Einhüllenden des Korrelationssignals kann beispielsweise durch Integration berechnet werden.
Der Fachmann kann natürlich auch andere Arten der Quantifizierung von Charakteristiken des Korrelationssignals verwenden, um den Bodenzustand unter dem fahrenden Fahrzeug zu bestimmen, beispielsweise durch Anwenden von Filtern verschiedener Typen, beispielsweise Kalman-Filter oder autoregressive Filter der kleinsten Quadrate (autoregressive Least-Mean-Square-Filter). Beispielsweise können beliebige Gestalt-Faktoren wie sie in der publizierten internationalen Anmeldung WO 2008/113384 offenbar sind verwendet werden, um die Charakteristiken des Korrelationssignals zu quantifizieren.
In einem weiteren Ausführungsbeispiel werden die vorderen und hinteren Radgeschwindigkeitssignale während spezifischer Zeitintervalle gesammelt. Die in einem Zeitintervall gesammelten Sensorsignale bilden ein Batch (eine Sammlung) an Messsignalen. Solch ein Batch an Messsignalen kann beispielsweise eine Länge von 60 s haben, wie dies in dem Beispiel der 3 gezeigt ist. Die Länge eines Batch kann genauso gut auch kleiner sein, zum Beispiel 1 Sekunde oder größer als die in 3 gezeigten 60 Sekunden. In diesem Ausführungsbeispiel wird eine individuelle Korrelationsfunktion für jedes der Mess-Batches berechnet und ein spezifisches Merkmal des Korrelationssignals, beispielsweise die Zeitverzögerung τ ^, welche dem Maximum der Korrelationsfunktion entspricht, wird für jedes Batch ermittelt. Die Zeitverzögerung τ ^, welche dem Maximum der Korrelationsfunktion entspricht, wird beispielsweise aus R₁₃(τ) erhalten durch
Im Falle eines Fahrzeugs, das auf einer unebenen Straßenoberfläche fährt, ist die Hauptkeule stark und die Seitenkeulen sind schwach. Es besteht damit eine große Wahrscheinlichkeit, dass das ermittelte Maximum der Korrelationsfunktion der zentrale Peak des Korrelationssignals ist, d. h. der Peak, der mit der Hauptkeule des Korrelationssignals verknüpft ist, wie dies in 5a gezeigt ist. Die derart ermittelte Zeitverzögerung τ ^ sollte der erwarteten Zeitverzögerung τ = B/v entsprechen, wobei B der Radabstand und v die Fahrzeuggeschwindigkeit ist. Aufgrund von Fluktuationen im Messsignal besteht allerdings eine kleine Wahrscheinlichkeit, dass ein Seitenkeulen-Maximum des Korrelationssignals stärker ausgeprägt ist, als das zentrale Maximum der Hauptkeule des Korrelationssignals. Diese Situation ist schematisch in 5c gezeigt. In diesem Fall liegt das mittels der Gleichung (4) bestimmte globale Maximum der Korrelationsfunktion in einer Seitenkeule des Korrelationssignals, ungefähr 10% vom erwarteten Wert B/v entfernt. Die Wahrscheinlichkeit, dass das globale Maximum des Korrelationssignals ein Seitenkeulen-Maximum ist, ist größer wenn die Seitenkeulen ausgeprägt sind, d. h. unter ebenen Straßenbedingungen. Unter unebenen Straßenbedingungen sind die Seitenkeulen weniger ausgeprägt und die Wahrscheinlichkeit, dass das globale Maximum der Korrelationsfunktion ein Seitenkeulen-Maximum ist, ist kleiner.
7 zeigt ein beispielhaftes Ergebnis, das aus Korrelationsdaten von den vorderen und hinteren Rädern in der Zahn-Domäne erhalten wird. Bei der Verzögerung von η ^ = 67 Zähnen ist der maximale Peak-Wert lokalisiert.
8 zeigt einen Plot des Korrelationsergebnisses einer großen Anzahl von Mess-Batches. Der Plot wurde aus einer Analyse erhalten, die in der Zahn-Domäne durchgeführt wurde. Jeder Kreis repräsentiert den maximalen Korrelationswert (Korrelationspeak) eines Batches des überwachten Sensorsignals, zum Beispiel den Korrelation-Peak eines 60-Sekunden-Batches des überwachten Sensorsignals, wie es in 3 gezeigt ist. Auf der y-Achse ist die Korrelationsverzögerung η ^ in der Zahn-Domäne aufgetragen (was der Korrelationverzögerung τ ^ in der Zeitdomäne entspricht), ermittelt durch die Korrelationsanalyse, und auf der x-Achse ist die Zeit der Sammlung der Batch-Daten aufgetragen. Mit fortschreitender Zeit bei fortschreitender Fahrzeugposition bewegen sich die Kreise auf der X-Achse von links nach rechts. Drei verschiedene Straßen mit unterschiedlichen Straßenunebenheiten sind in 8 dargestellt. Wie oben beschrieben sind bei einer ebeneren Straßenoberfläche (Straßensegment 3 in 8) die erwarteten Seitenkeulen stärker, so dass die Wahrscheinlichkeit, dass ein Korrelationspeak (das globale Maximum der Korrelationsfunktion der Batch-Daten) in eine der Seitenkeulen fällt, größer ist. Das bedeutet, dass für ebenere Straßen die Anzahl an Kreisen, die nahe des erwarteten Werts des Hauptkeulen-Maximum liegen, dazu tendiert, abzunehmen und die Anzahl der Kreise, die nahe der erwarteten Seitenkeulen-Maxima liegen, dazu tendiert, zuzunehmen. Andererseits sind mit zunehmender Unebenheit der Straßenoberfläche (Oberflächensegment 1 in 8) die erwarteten Seitenkeulen schwächer, so dass die Wahrscheinlichkeit, dass ein ermittelter Korrelations-Peak in eine der Seitenkeulen fallen wird kleiner ist. Das bedeutet, dass für unebenere Straßen die Anzahl der Kreise, die nahe des erwarteten Werts des Hauptkeulen-Maximums liegen, dazu tendieren, zuzunehmen, und die Anzahl an Kreisen, die nahe der erwarteten Seitenkeulenmaxima liegen, dazu tendieren, abzunehmen. In der Zahn-Domäne würde die erwartete Verzögerung η = B·L/(2πr) sein, wobei B die Radbasis, L die Anzahl der Zähne des Rades, und r der Radradius ist. In einer Zeit-Domänen-Analyse würde die erwartete Verzögerung τ = B/v sein.
Im Ergebnis zeigen die in 8 aufgetragenen Kreise eine Bandstruktur mit einem Hauptband und Seitenbändern. Das Hauptband reflektiert die Hauptkeule der Korrelationsfunktion und die Seitenbänder reflektieren die Seitenkeulen der Korrelationsfunktion. Je mehr Kreise sich in den Seitenbändern befinden, desto ebener ist die Straße. Je mehr Kreise sich in dem Hauptband befinden, desto unebener ist die Straße. Das Zentrum des Hauptbandes liegt bei η = 65 und die äußeren Bänder liegen um η = 59 und η = 71. Da der Plot aus 8 in einer Ereignis-Domänen-Analyse erhalten wurde, beziehen sich die Werte 65, 59 und 71 auf die Zähne eines Radgeschwindigkeitssensors.
Wie aus dem obigen zu sehen ist, kann die statistische Dispersion der gemessenen Korrelationsverzögerung τ ^ (bzw. η ^), zum Beispiel die Varianz Var(τ ^) = E((τ ^ – E(τ ^))²) (5) der Position des Korrelationspeaks als Maß für den Bodenzustand unter dem fahrenden Fahrzeug verwendet werden. Die Varianz der Positionen der Korrelationspeaks ist klein für Straßenoberfläche 1 (unebene Straße), bei der das Hauptband stark mit Kreisen gefüllt ist und die Seitenbänder nur schwach gefüllt sind. Die Varianz der Positionen der Korrelationspeaks wird für Straßenoberfläche 2 größer, bei der die Besetzung des Hauptbandes verringert ist und die Seitenbänder starker mit Kreisen besetzt sind. Schließlich wird die Varianz der Positionen der Korrelationspeaks für Straßenoberfläche 3 (ebene Straße) am größten, bei der die Besetzung des Hauptbandes noch weiter verringert ist und die Seitenbänder noch starker mit Kreisen besetzt sind.
9 zeigt einen Flussdiagramm, welches die grundlegenden Schritte eines beispielhaften Verfahrens zum Bestimmen des Bodenzustands unter einem fahrenden Fahrzeug zeigt, wie es oben beschrieben wurde. In den Schritten 91 und 93 werden vordere und hintere Radgeschwindigkeitssignale von Radgeschwindigkeitssensoren des Fahrzeugs erhalten. In Schritt 95 werden diese Signale miteinander korreliert, beispielsweise mittels einer Korrelationsfunktion R₁₃ gemäß der Gleichung (1). In Schritt 97 werden die Charakteristiken der Korrelationsfunktion bzw. die Charakteristiken eines Korrelationssignals, beispielsweise eines Korrelationsmaximums bestimmt. Dies kann aufgrund der oben beschriebenen Prinzipien durchgeführt werden, beispielsweise durch Auswerten der Stärke der Seitenkeulen, beispielsweise durch Vergleich der Stärke der Seitenkeulen mit der Stärke der Hauptkeule (Hauptmaximum). Schließlich kann in Schritt 99 der Bodenzustand aus diesen Charakteristiken des Korrelationssignals bestimmt werden. Falls beispielsweise die Gestalt des Korrelationssignals ausgewertet wird, zum Beispiel die Breite des Korrelationssignals, so gilt, dass je breiter das Korrelationssignal ist, desto ebener die Straßenoberfläche ist.
Als eine Alternative zum Verfahren der Gleichung (5) kann sich der Fachmann auch verschiedene andere Wege vorstellen, um ein Maß für die Varianz der Korrelationsverzögerung zu bestimmen, d. h. die Varianz in der Position der Korrelationspeaks. Beispielsweise kann jeder Kreis entweder dem erwarteten Hauptband oder einem erwarteten Seitenband des Korrelationssignals zugeordnet werden. Die Anzahl an Kreisen, die in das Seitenband des Korrelationssignals fallen, kann dann mit der Anzahl an Kreisen verglichen werden, die in das Hauptband des Korrelationssignals fallen, um ein Maß für den Straßenoberflächenzustand zu erhalten. Diese Alternative ist in 10 gezeigt. In den Schritten 101 und 103 wird eine gesamte Anzahl von N Batches an Radgeschwindigkeitssignalen über eine Zeit akkumuliert. In Schritt 105 wird für jedes Batch die Korrelation der vorderen und hinteren Radgeschwindigkeitssignale berechnet. In Schritt 107 wird das Maximum jeder Korrelationsfunktion bestimmt. In Schritt 109 wird die Gesamtzahl N1 an Batches, deren Maximum in die Hauptkeule fällt, gezählt. In Schritt 111 wird die Gesamtzahl N2 an Batches, deren Maximum in Seitenkeulen fällt gezählt. In Schritt 113 wird der Bodenzustand aus dem Verhältnis von N1 und N2 ermittelt. Je größer das Verhältnis N1/N2 ist, desto unebener ist die Straße.
Im Allgemeinen liefert eine Korrelationsanalyse eines Mess-Batches wie oben beschrieben einen oder mehrere Ausgabewerte, welche beispielsweise die (aktuelle) Stärke der Seitenkeulen der Korrelationsfunktion beschreiben. Wie gesagt kann dieser Ausgabewert beispielsweise die Varianz des Korrelationspeaks sein. Eine Realzeit-Straßenklassifikation kann auf diesen Ausgabewerten basieren. Beispielsweise kann die Varianz in Realzeit durch einen Filter kleinster Quadrate approximiert werden: η ^_k – η ^_k-1 + μ_η(η_k – η ^_k-1) (6) Hier ist η_k der rohe Korrelationspeak, η ^_k ist der verfolgte Korrelationspeak, k ist die Nummer des aktuellen Batches und die Schrittlänge μ_η ist ein Filterparameter. Die Klassifikation der Straßenoberfläche wird basierend auf dem neuen, gefilterten Wert aus der Korrelationsanalyse erneuert. Die Varianz kann ferner abgeschätzt werden aus einer Kombination eines Filters kleinster Quadrate und einem Forgetting-Faktor gemäß V ^ar_k = 0.5u(η_k – η_k-1)² + (1 – u)V ^ar_k-1 (7)
Hier ist u der Forgetting-Faktor des Filters.
Eine Klassifikation des Bodenzustands basierend auf dem gefilterten Ausgabewert kann dann durch Kalibrierung erhalten werden, d. h. es werden die Ausgaberesultate mit bekannten Straßenzuständen aus Testfahrten in Bezug gesetzt.
Auch kann eine sequenzielle Analysetechnik verwendet werden, um die Ausgabe der Korrelationsanalyse auszuwerten, beispielsweise kann eine kumulative Summationstechnik (CUSUM) verwendet werden, um Änderungen in den Ausgabewerten zu detektieren.
Eine Hysteresis-Funktion kann verwendet werden, um in Situationen, bei denen sich die Oberfläche langsam verändert, schnelle Fluktuationen des Klassifikations-Ergebnisses zu vermeiden.
Die Ausführungsbeispiele der Computerprogrammprodukte mit Programmcode zum Ausführen der beschriebenen Verfahren umfassen beliebige maschinenlesbare Medien, die in der Lage sind, Programmcode zu speichern oder zu kodieren. Der Begriff „maschinenlesbares Medium” soll demgemäß so verstanden werden, dass er Festkörperspeicher, optische und magnetische Speichermedien, Wellenträgersignale und dergleichen enthält, aber nicht auf diese beschränkt ist. Der Programmcode kann Maschinencode oder anderer Code sein, der mittels Kompilieren und/oder Interpretation in Maschinencode umgewandelt werden kann, wie beispielsweise ein Source-Code in einer Hochsprache, wie beispielsweise C++, oder in einer beliebigen geeigneten imperativen oder funktionellen Programmiersprache, oder virtueller Maschinencode. Das Computerprogrammprodukt kann einen Datenträger umfassen, der mit dem Programm geliefert wird, oder andere Mittel, die dazu ausgelegt sind, eine Datenverarbeitungsvorrichtung so zu steuern, dass diese das Verfahren gemäß der Beschreibung ausführt. Eine Datenverarbeitungsvorrichtung, welche das Verfahren ausführt, umfasst typischerweise einen zentralen Prozessor, Datenspeichermittel und ein I/O-Interface für Signale und Parameterwerte.
Somit liegt ein allgemeiner Zweck der offenbarten Ausführungsbeispiele darin, verbesserte Verfahren und Produkte bereitzustellen, die in der Lage sind, einen Bodenzustand genau zu bestimmen mittels Sensoren, die sich bei ersten und zweiten Rädern eines Fahrzeugs befinden.
Alle Publikationen und in dieser Spezifikation erwähnten existierenden Systeme werden durch Bezugnahme hier mit aufgenommen.
Obgleich bestimmte Verfahren und Produkte, die gemäß der Lehren der vorliegenden Erfindung konstruiert sind, hier beschrieben wurden, ist der Schutzbereich und die Abdeckung dieses Patents darauf nicht beschränkt. Im Gegenteil, das Patent deckt sämtliche Ausführungsbeispiele der Lehren der Erfindung ab, die rechtmäßig in den Schutzbereich der beigefügten Ansprüche fallen, entweder wörtlich oder unter der Äquivalenzdoktrin.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 5566090 [0005]
US 4837727 [0005]
WO 2005/068271 [0006]
EP 0795448 A2 [0007]
WO 2005/005993 A1 [0008, 0035, 0039]
WO 2008/113384 [0053]

Claims

Verfahren zum Abschätzen des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das Verfahren umfasst: a) Bestimmen erster und zweiter Sensorsignale (ω), die zeitabhängige Vibrationen an dem ersten bzw. an dem zweiten Rad angeben; b) Korrelieren der ersten und zweiten Sensorsignale (ω), um ein Korrelationssignal der ersten und zweiten Sensorsignale (ω) zu bestimmen; c) Bestimmen des Bodenzustands basierend auf Charakteristiken des Korrelationssignals.
Verfahren nach Anspruch 1, bei denen das erste Rad ein vorderes Rad und das zweite Rad ein hinteres Rad des Fahrzeugs ist.
Verfahren nach Anspruch 1 oder Anspruch 2, bei dem des Bestimmen des Bodenzustands auf einer Auswertung der Gestalt des Korrelationssignals beruht.
Verfahren nach einem der vorstehenden Ansprüche, bei dem das Korrelationssignal eine Hauptkeule und Seitenkeulen umfasst, und der Schritt der Ermittlung des Bodenzustands eine Auswertung der Stärke der Seitenkeulen des Korrelationssignals umfasst.
Verfahren nach Anspruch 4, bei dem die Auswertung der Stärke der Seitenkeulen des Korrelationssignals einen Vergleich der Stärke der Seitenkeulen mit der Stärke der Hauptkeule des Korrelationssignals umfasst.
Verfahren nach einem der vorstehenden Ansprüche, bei dem in Schritt a) die ersten und zweiten Sensorsignale für mehrere Batches an Sensorsignalen ermittelt werden; Schritt b) ein Korrelieren der ersten und zweiten Sensorsignale für die jeweiligen Batches umfasst, sowie ein Bestimmen der Position des Maximums des Korrelationssignals für die jeweils gemessenen Batches; Schritt c) ein Bestimmen der statistischen Dispersion (Var(τ ^)) der Position des Maximums des Korrelationssignals umfasst;
Verfahren nach Anspruch 6 soweit rückbezogen auf Anspruch 5, bei dem das Vergleichen der Stärke des Korrelationssignals in der Hauptkeule mit der Stärke des Korrelationssignals in den Seitenkeulen umfasst für jedes der Batches: Verknüpfen der Position des Maximums des Korrelationssignals mit entweder der Hauptkeule oder den Seitenkeulen des Korrelationssignals; Bestimmen der Anzahl an Batches, deren Maximum des Korrelationssignals mit der Hauptkeule verknüpft ist; Bestimmen der Anzahl an Batches, deren Maximum des Korrelationssignals mit den Seitenkeulen verknüpft ist; ins Verhältnis setzen der Anzahl an Batches, deren Maximum des Korrelationssignals mit der Hauptkeule verknüpft ist, mit der Anzahl an Batches, deren Maximum des Korrelationssignals mit den Seitenkeulen verknüpft ist.
Verfahren nach einem der vorstehenden Ansprüche, ferner umfassend ein Filtern des Korrelationsergebnisses, so dass die Charakteristiken des Korrelationssignals erhalten werden.
Verfahren nach Anspruch 8, bei dem der Schritt des Filterns ein Bestimmen der Einhüllenden des Korrelationssignals umfasst.
Verfahren nach einem der vorstehenden Ansprüche, bei dem die Sensorsignale Winkelgeschwindigkeitssignale (ω) sind, die das zeitabhängige Verhalten der ersten und zweiten Radgeschwindigkeiten des Fahrzeugs angeben.
Verfahren nach einem der vorstehenden Ansprüche, bei denen die Sensorsignale Signale von Beschleunigungsmessern sind, die zum Beispiel in einem Dämpfungssystem des Fahrzeugs lokalisiert sind.
Verfahren nach einem der vorstehenden Ansprüche, bei denen die Klassifikation der Straßenoberfläche basierend auf dem neuen, gefilterten Wert aus der Korrelationsanalyse erneuert wird.
System zum Abschätzen des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten und eines zweiten Rades, wobei das System umfasst: a) erste und zweite Sensoren, welche erste und zweite Sensorsignale (ω) bestimmen, die zeitabhängige Vibrationen am ersten bzw. zweiten Rad angeben; b) eine Korrelationseinheit zum Korrelieren der ersten und zweiten Sensorsignale (ω), um ein Korrelationssignal der ersten und zweiten Sensorsignale (ω) zu bestimmen; c) eine Auswerteeinheit zum Bestimmen des Bodenzustands basierend auf Charakteristiken des Korrelationssignals.
Computerprogrammprodukt, ausgelegt für eine Abschätzung des Bodenzustands unter einem fahrenden Fahrzeug mit wenigstens einem Paar eines ersten eines und zweiten Rades, wobei das Computerprogramm eingerichtet ist zum: a) Bestimmen erster und zweiter Sensorsignale (ω), welche zeitabhängige Vibrationen an dem ersten bzw. dem zweiten Rad angeben; b) Korrelieren der ersten und zweiten Sensorsignale (ω), um ein Korrelationssignal der ersten und zweiten Sensorsignale (ω) zu bestimmen; c) Bestimmen des Bodenzustands basierend auf Charakteristiken des Korrelationssignals.
Computerprogrammprodukt nach Anspruch 14, ferner eingerichtet zum Ausführen der Verfahrensschritte nach einem der Ansprüche 2–12.