KR20200040875A

KR20200040875A - 차량의 무게 중심의 포지션을 확인하기 위한 방법

Info

Publication number: KR20200040875A
Application number: KR1020207008726A
Authority: KR
Inventors: 천 장; 세바슈티안 베른하르트; 안드레아스 쿤차르
Original assignee: 콘티넨탈 테베스 아게 운트 코. 오하게
Priority date: 2017-09-28
Filing date: 2018-09-19
Publication date: 2020-04-20
Also published as: WO2019063376A1; US20200231167A1; US11453405B2; CN111094099A; EP3687875A1; CN111094099B; EP3687875B1; KR102341187B1; DE102017220860A1

Abstract

차량의 무게 중심의 포지션을 확인하기 위한 방법
본 발명은 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법에 관한 것이고, 여기서, 관련 입력 변수들의 적어도 하나의 세트가 고려되고, 그 입력 변수들의 세트는 적어도, 자동차의 종가속도, 자동차의 횡가속도, 자동차의 요 레이트, 및 적어도 하나의 휠 회전 속도, 특히 4 개의 휠 회전 속도들을 포함하며, 입력 변수들의 세트는 정상 상태 운전 조작 중에 확인되고, 가능한 무게 중심 포지션들의 양은 클래스들로서 정의되고, 학습-기반 분류 방법에 의해, 입력 변수들의 세트에 기초하여, 추정된 무게 중심 포지션을 나타내는 클래스가 선택된다. 본 발명은 또한, 그 방법을 수행하기 위한 제어 유닛에 관한 것이다.

Description

차량의 무게 중심의 포지션을 확인하기 위한 방법

본 발명은 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법에 관한 것이고, 여기서, 관련 입력 변수들의 적어도 하나의 세트가 고려된다. 그 입력 변수들의 세트는, 적어도 자동차의 종가속도, 자동차의 횡가속도, 자동차의 요 레이트, 및 적어도 하나의 휠 회전 속도를 포함한다. 본 발명은 또한, 전자 제어 유닛에 관련된다.

무게 중심 포지션을 추정하기 위한 알려진 방법들에서, 횡방향 무게 중심 좌표 y 는 보통 무시되고, 종방향 코너링 x 는 일부 경우들에서 알려지는 것으로 가정되거나 제로인 것으로 가정된다. 무게 중심 높이 z 의 추정의 품질은 종종 만족스럽지 못하다.

DE 10 2014 200 987 A1 은, 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법을 개시하였고, 여기서, 적어도 자동차의 가속도, 적어도 2 개, 특히 4 개의 휠들의 휠 속도들, 및 상기 휠들의 구동 토크들 또는 제동 토크들을 포함하는 관련 입력 변수들로부터의 적어도 2 개의 데이터 포인트들이 고려된다. 차량에 관하여 고정된 좌표 시스템에서의 적어도 하나의 무게 중심 좌표, 및 마찰 특성 곡선의 계수의 적어도 하나의 적응 파라미터가 공동으로 확인된다.

알려진 방법들은, 수많은 차량 파라미터들이 미리 알려져 있어야만 하고, 추정은 종종 모든 3 개의 공간 좌표들이 아닌 오직 하나 또는 2 개의 좌표들에 대해서만 수행된다는 불리한 점을 갖는다. 공통의 결과는 수직 무게 중심 좌표의 추정의 낮은 품질이고, 무게 중심 좌표들은 서로 커플링된다. 기존의 학습-기반 접근법들은 매우 큰 수의 분류자들을 필요로 한다. 일부 경우들에서, 하이 레벨의 프로세싱 파워가 필요하고, 이는 비싸고 종종 이동하는 차량에서 구현될 수 없다.

따라서, 본 발명의 목적은 무게 중심 (center of gravity) 포지션을 확인하기 위한 방법을 명시하기 위한 것이고, 그 방법은 강건하고, 정확하며 독립적이고, 동시에 비교적 낮은 프로세싱 파워를 필요로 한다.

본 발명에 따르면, 입력 변수들의 세트는 정상 상태 운전 조작 (steady-state driving maneuver) 동안 확인되고, 가능한 무게 중심 포지션들의 양은 클래스들 (classes) 로서 정의되고, 그리고 학습-기반 분류 방법 (learning-based classification method) 에 의해, 입력 변수들의 세트에 기초하여, 추정된 무게 중심 포지션을 나타내는 클래스가 선택된다.

관련 입력 변수들의 세트는 동시에 측정되거나 확인되는 또는 일정 시점에서의 자동차의 구동 상태를 기술하는 다양한 구동 역학 변수들의 데이터 세트를 의미하는 것으로 이해되어야 한다. 다양한 구동 역학 변수들은 적어도 자동차의 종가속도 (longitudinal acceleration), 자동차의 횡가속도 (lateral acceleration), 자동차의 요 레이트 (yaw rate), 및 적어도 하나의 휠 회전 속도를 포함한다. 입력 변수들의 세트는 바람직하게는, 4 개의 휠의 회전 속도들을 포함한다.

본 발명에 따른 방법은 추정 알고리즘에서 아무런 차량 파라미터들도 요구되지 않는다는 이점을 갖는다. 분류자들 (classifiers) 및 모델 파라미터들의 수가 상당히 감소된다. 수직 무게 중심 좌표의 추정의 품질이 향상된다. 본 방법은 측정 노이즈, 특히 제로-평균 측정 노이즈에 대해 증가된 강건성 (robustness) 을 달성한다. 또한, 도로 마찰 계수 및 질량 추정자의 오프셋에 대한 하이 레벨의 강건성이 실현된다.

다수의 휠 회전 속도들, 특히 바람직하게는 차량의 각 휠에 대해 하나의 휠 회전 속도가 검출되는 것이 바람직하다. 다수의 휠 회전 속도들이 검출되는 경우에는, 그 휠 회전 속도들의 평균 값 또는 가중된 평균 값이 유리하게 계산된다. 휠 회전 속도들의 평균 값 또는 가중된 평균 값은 입력 변수 (평균 휠 회전 속도) 로서 사용된다. 평균 값 또는 가중된 평균 값은 단일 휠 회전 속도보다 측정 에러들에 대해 보다 강건하다.

입력 변수들의 세트들과 무게 중심 포지션들의 클래스들 사이의 비-선형 할당 (non-linear assignment) 이 자동차의 모델의 시뮬레이션 데이터를 이용하여 학습되는 것이 바람직하다. 여기서, 비-선형 할당은, 무게 중심 포지션의 좌표들과 입력 변수들 사이에 비례 관계가 없는 것으로 가정되는 할당을 의미하는 것으로 이해되어야 한다.

구동 역학 데이터 (표준 ESP 센서 데이터) 및 연관된 무게 중심 포지션 사이의 비-선형 할당을 복제하기 위해 학습-기반 분류 알고리즘 (learning-based classification algorithm) 이 사용된다. 할당은 바람직하게는 트레이닝 프로세스에 의해 수행되고, 그 동안 시뮬레이션 데이터가 생성된다. 후속하여, 예를 들어 랜덤 포레스트 분류자 (random forest classifier) 가 x 및 y 좌표들의 추정을 위해 사용될 수도 있다.

바람직하게는, 트레이닝 프로세스 동안, 가능한 무게 중심 포지션들의 공간이 정의되고, 학습될 무게 중심 포지션들의 양이 클래스들로서 정의된다. 센서 데이터와 연관된 무게 중심 포지션들 사이의 비-선형적 할당은 바람직하게는 타겟 차량의 모델의 시뮬레이션 데이터를 이용하여 학습된다. 여기서, 각각의 개별 클래스의 확률의 출력을 제공하는 분류 방법이 바람직하게 이용된다. 랜덤 포레스트 방법은 유리한 방편이다. 대안적으로, 임포트 벡터 머신 (import vector machine) 이 사용될 수도 있다.

트레이닝 프로세스의 완료 후에, 자동차의 무게 중심 포지션을 확인하기 위한 방법이 구현될 수 있다. 그 분류 방법은 트레이닝 프로세스에서 학습된 할당들에 기초하여 분류들을 수행하는 분류자에서 바람직하게 구현된다.

입력 변수들의 세트는 바람직하게는, 스티어링 각도를 포함한다.

입력 변수들의 세트는 바람직하게는, 자동차의 총 질량의 추정된 값을 포함한다.

자동차의 총 질량 대신에, 탑재량 질량 (payload mass) 의 추정된 값이 계산 내로의 입력 변수로서 입력될 수도 있다. 총 질량 및 탑재량 질량은 자동차의 공차 질량의 지식으로 서로 변환될 수 있다.

입력 변수들은 바람직하게는 연속적인 센서 신호들 종 및 횡 가속도, 요 레이트, 스티어링 각도 및 적어도 하나의, 하지만 이상적으로는 모두 4 개의, 휠 회전 속도들 및 차량의 현재 총 질량에 대한 추정된 값이다.

자동차의 종가속도, 자동차의 횡가속도, 자동차의 요 레이트 및 휠 회전 속도는 바람직하게는 구동 안전성 시스템의 센서 배열에 의해 검출된다. 구동 안전성 시스템 및 그것의 ESP 표준 센서 배열에 의해 이미 검출된 측정 변수들의 사용은, 그것이 종방향 및 횡방향 무게 중심 좌표들의 추정에 대한 더 낮은 비용을 초래한다는 이점을 갖는다.

본 방법은 바람직하게는 ESP 제어 유닛의 인터페이스(들)에서 진술된 변수들을 판독하는 프로세싱 유닛에 의해 수행된다.

정상 상태 운전 조작은 차량 속도, 횡가속도 및/또는 요 레이트 및/또는 스티어링 각도가 미리정의된 기간에 걸쳐 일정한 경우에 바람직하게 식별된다.

정상 상태 운전 조작은 차량 속도가 미리정의된 기간에 걸쳐 일정하고, 추가적으로 변수들 횡가속도, 요 레이트 또는 스티어링 각도 중 적어도 하나가 미리정의된 기간에 걸쳐 일정한 경우에 유리하게 식별된다.

차량 속도는 특히 바람직하게는 휠 회전 속도에 기초하여 또는 평균화된 휠 회전 속도에 기초하여 결정된다.

바람직하게는, 정상 상태 운전 조작은, 미리정의된 기간에 걸쳐,

- 차량 속도의 분산 (variance) 이 제 1 임계 값 미만, 및

- 횡가속도의 분산이 제 2 임계 값 미만, 및/또는

- 요 레이트의 분산이 제 4 임계 값 미만, 및/또는

- 스티어링 각도의 분산이 제 3 임계 값 미만

인 경우에 식별된다.

구동 역학 변수 (횡가속도, 요 레이트, 스티어링 각도) 는, 구동 역학 변수의 분산이 일정 기간 동안 각각의 임계 값 아래에 놓이는 경우에 그 일정 기간에 걸쳐 일정한 것으로 유리하게 간주된다.

바람직하게는, 무게 중심 포지션의 결정을 위해 입력 변수들의 적어도 2 개의 세트들이 고려되고, 여기서, 입력 변수들의 제 1 세트는 제 1 정상 상태 운전 조작 동안 확인되고, 입력 변수들의 제 2 세트는 제 2 정상 상태 운전 조작 동안 확인된다. 입력 변수들의 다수의 세트들의 사용은 본 방법의 향상된 정밀도로 이끈다.

무게 중심 포지션의 결정을 위해 입력 변수들의 적어도 3 개의 세트들이 고려되면 특히 바람직하고, 여기서, 입력 변수들의 제 3 세트는 정상 상태 운전 조작 중에 확인된다. 이는 정밀도에서의 추가적인 향상을 허용한다.

바람직하게는, 분류 방법에 의해, 적어도 2 개의 중간 결과들이 입력 변수들의 상이한 세트들에 기초하여 확인된다.

각각의 경우에 하나의 중간 결과가 입력 변수들의 제 1 세트에 기초하여 그리고 입력 변수들의 제 2 세트에 기초하여 확인되면 특히 바람직하다.

추정된 무게 중심 포지션이 적어도 2 개의 중간 결과들에 기초하여 계산되면 특히 바람직하다. 추정된 무게 중심 포지션의 계산은 유리하게는 최소 평균 제곱 에러 (minimum mean square error; MMSE) 방법을 이용하여 중간 결과들로부터 수행된다.

클래스들이 공간의 범주화 (discretization) 를 표현하는 한편, MMSE 추정된 값은 3-차원 공간에서의 예상되는 값을 나타내고, 심지어 클래스들의 포지션들 사이의, 임의의 포지션을 가정할 수 있다. 그 방법에 의해 확인되는 바와 같은 무게 중심의 포지션은 바람직하게는 MMSE 에 의해 계산된 추정된 무게 중심 포지션에 대응한다. 이는 결과적인 무게 중심 포지션을 가져오는 중간 결과들의 오프셋팅을 허용하고, 이는 특히 정확한 결과들을 제공한다.

입력 변수들의 세트들의 수 n (n ≥ 2) 이 고려되고 중간 결과가 그 세트들의 각각에 대해 확인되면 바람직하다. 추정된 무게 중심 포지션의 계산은 n 개의 중간 결과들에 기초하여, 바람직하게는 최소 평균 제곱 에러 방법에 의해 확인된다.

특히 바람직하게는, 제 1 운전 조작은 제 2 운전 조작과는 상이하다. 상이한 운전 조작들의 사용은 특히 정확한 것으로 증명되었다.

각각의 정상 상태 운전 조작은 그것의 유형에 따라 정상 상태 좌측 코너링, 정상 상태 우측 코너링 또는 정상 상태 직진 구동으로 분류되면 바람직하다.

운전 상태가 정상 상태, 및 가속도들 및 요 레이트의 분산 계산에 의해 결정된 그것의 유형 "정상 상태 직진 구동", "정상 상태 좌측 코너링" 또는 "정상 상태 우측 코너링" 에 대해 체크되면 바람직하다.

본 방법은 바람직하게는 유효 정상 상태 운전 조작들의 자동적 식별을 포함한다. 식별의 입력 변수들은 종 및 횡 가속도 그리고 또한 차량의 요 레이트 및 선택적으로 스티어링 각도이다. 각각의 샘플링 포인트는 이동가능한 시간 윈도우의 범위에서 그리고 임계 값이 특정된 상태에서 식별의 각각의 입력 변수의 분산의 계산에 의해 정상 상태에 대해 체크된다. 정상 상태가 존재하는 경우에, 조작의 유형은 요 레이트 및/또는 횡가속도에 기초하여 결정된다.

이것은, 정상 상태들 및 그것의 유형 (직진 구동, 좌측 코너링, 우측 코너링) 이 자동적으로 식별되고, 무게 중심 추정이 추가적인 방법에 대해 특성 벡터로서 제공된다는 이점을 제공한다.

상세하게, 조작들은 바람직하게는 정상 상태 좌측 코너링, 정상 상태 우측 코너링 및 정상 상태 직진 구동을 포함한다. 이들 조작들의 각각은 일정한 스티어링 각도, 일정한 속도 및 일정한 횡가속도 및 요 레이트에 의해 특징지어진다.

제 1 정상 상태 운전 조작은 제 2 정상 상태 운전 조작과는 유형이 상이하면 특히 바람직하다. 예를 들어, 제 1 정상 상태 운전 조작은 정상 상태 좌측 코너링이고, 제 2 정상 상태 운전 조작은 정상 상태 직진 구동인 등등이다.

본 발명의 선호되는 개량에서, 분류 방법에 의해, 클래스들의 적어도 하나의 확률 분포가 결정되고, 이는 무게 중심 포지션들의 각 클래스에 확률 값을 할당한다.

클래스들의 공간적 분포로 인해, 분류자의 출력은 공간적 확률 분포를 초래하고, 그것의 최소 평균 제곱 에러 (MMSE) 는 무게 중심 포지션의 추정된 값을 나타낸다.

각각의 중간 결과는 확률 분포의 형태로 존재하면 특히 바람직하다.

설명된 분류자는 바람직하게는 사용되는 정상 상태 운전 조작들의 각각에 대해 각각의 경우에 적용된다.

각각의 경우에 하나의 분류자가 3 개의 상이한 정상 상태 운전 조작들의 각각에 대해 사용되면 특히 바람직하다. 3 개의 분류자들은 3 개의 확률 분포들 (각각의 조작에 대해 하나의 분포) 을 제공하고, 그 3 개의 확률 분포들로부터, 무게 중심 포지션 (x, y, z) 에 대한 추정된 값이 최소 평균 제곱 에러 (MMSE) 의 계산 및 조합을 통해 나타난다.

공간적 확률 분포는 바람직하게는 베이지안 추론 (Bayesian inference) 에 의해 다른 운전 조작들의 확률 분포들과 결합되어 공통 확률 분포를 형성하고, 예상 값의 후속 계산을 통해, 차량의 무게 중심 포지션에 대한 추정된 값을 초래한다.

분류 방법은 바람직하게는 랜덤 포레스트 또는 임포트 벡터 머신 방법이다.

추정된 무게 중심 포지션의 횡방향 좌표 및 종방향 좌표가 바람직하게는 결정된다.

추정된 무게 중심 포지션의 횡방향 좌표 및 종방향 좌표는 바람직하게는 우선 분류 방법에 의해 결정된다. 횡방향 및 종방향 좌표들은 특히 바람직하게는 제 1 부분적 분류자, 예를 들어, 랜덤 포레스트 분류자에 의해 결정된다. 제 1 부분적 분류자는 공간 좌표들의 오직 일부만을 결정한다: 수직 좌표는 아니고 횡방향 및 종방향 좌표들.

추정된 무게 중심 포지션의 수직 좌표는 바람직하게는 먼저 계산된 횡방향 및 종방향 좌표들에 기초하여 결정된다.

수직 좌표의 결정은 특히 바람직하게는, 추가의, 선형 부분적 분류자에 의해 수행되고, 그 선형 부분적 분류자 내로 이미 결정된 횡방향 및 종방향 좌표들의 값들이 입력된다. 이러한 접근법은 계산을 단순화하고, 따라서 보다 적은 프로세싱 파워를 취한다. 선형 부분적 분류자는 선형 분류를 수행하고, 그렇게 행함에 있어서, 선형 방정식에 기초하여 수직 좌표를 계산한다. 횡방향 및 종방향 좌표들은 그 선형 방정식 내로 변수들로서 입력되고 및/또는 그 방법의 입력 변수들, 예를 들어, 롤 각도 (roll angle) 가 변수들로서 입력된다. 선형 보간 (linear interpolation) 이 수행된다.

제 1 부분적 분류자가 횡방향 및 종방향 좌표들의 확률 분포를 결정하고 이 확률 분포의 예상 값들이 수직 좌표의 결정을 위해 추가의 선형 부분적 분류자에 의해 고려되면 유리하다.

제 1 부분적 분류자 및 추가의 부분적 분류자는 유리하게는 분류자의 구성 부분들이다. 그 분류자는 따라서 모든 3 개의 공간적 좌표들을 결정한다.

입력 변수들의 세트는 바람직하게는, 자동차의 측정된 또는 추정된 롤 각도를 포함한다. 롤 각도는 유리하게는 롤 레이트 센서의 측정된 값의 적분으로부터 초래된다.

추정된 무게 중심 포지션의 수직 좌표의 결정을 위해 롤 각도를 포함하는 입력 변수들의 세트가 바람직하게 고려된다. 롤 각도의 사용은 수직 좌표의 특별히 정확한 결정을 허용한다.

수직 좌표는 롤 각도와 결합하여 횡방향 및 종방향 좌표들의 확률 분포의 예상 값들로부터 선형 부분적 분류자에 의해 유리하게 결정된다.

공간적 무게 중심 포지션의 결정을 위해, 랜덤 포레스트 분류자들은 유리하게는 선형 보간에 기초한 분류자들과 유리하게 결합된다. 정상 상태 코너링 조작들에서, 종방향 및 횡방향에서의 확률 분포는 랜덤 포레스트 부분적 분류자에 의해 제공되고, 그것에 기초하여 선형 부분적 분류자는 무게 중심 높이를 추정하고, 2-차원 확률 분포를 보충하여 3-차원 확률 분포를 제공한다.

본 발명에 따르면, 전자 제어 유닛은 본 발명에 따른 방법을 수행하는 프로세싱 유닛을 포함한다.

본 발명의 유리한 개량들은 도면들을 참조하여 이하에서 논의될 것이다. 도면들에서:
도 1 은 방법의 예시적인 개략적 시퀀스를 나타낸다.
도 2 는 예시적인 분류자의 내부 구조를 나타낸다.
도 3 은 예시적인 정상 상태 운전 조작들의 정보 콘텐트의 3-차원적 예시이다.
도 4 는 무게 중심 추정 예의 평가를 나타낸다.

도 1 은 입력 변수들

,

, δ, a_x, a_y, m_load, φ, 유효 운전 조작의 자동적 식별, 및 노이즈 있는 신호들의 평균화 및 버퍼 (5) 에서의 공간적 확률 분포들의 저장을 이용한 방법의 시퀀스를 개략적으로 나타낸다.

입력 변수들은 예를 들어 휠 회전 속도들

, 요 레이트

, 스티어링 각도 δ, 종 및 횡 가속도 a _x , a _y , 차량 질량 m _load 및 롤 각도 φ 의 추정된 값의 평균 값의 신호들이다.

유효 운전 조작의 자동적 식별 (4) 이 수행된다. 자동차의 운전 상태는 요 레이트

, 종가속도 a_x 및 횡가속도 a_y 에 기초하여 모니터링된다. 요 레이트

, 종가속도 a_x 및 횡가속도 a_y 가 미리정의된 시간 간격에 걸쳐 일정한 경우에, 제 1 정상 상태 운전 조작이 식별된다. 바람직하게는, 정상 상태 운전 조작은 종가속도 a_x 가 제로 또는 거의 제로이고, 이에 의해 일정 속도가 추론될 수 있는 경우에 식별된다.

추가적으로, 스티어링 각도 δ 가 또한 모니터링되고, 운전 조작은 스티어링 각도 δ 가 또한 일정한 경우에만 정상 상태인 것으로서 식별된다. 대안적으로, 스티어링 각도 δ 의 모니터링은 요 레이트

의 모니터링을 대체할 수도 있다.

여기서, 값의 분산이 미리정의된 기간에 걸쳐 임계 값 아래로 유지되는 경우에 값은 일정한 것으로 간주된다.

요 레이트

및 횡가속도 a_y 의 값들에 기초하여, 무슨 유형의 정상 상태 운전 조작이 존재하는지: 직진 구동, 좌측 코너링 또는 우측 코너링인지 여부가 결정된다. 결과에 의존하여, 분류자는 직진 구동 분류자 (1), 우측 코너링 분류자 (2) 또는 좌측 코너링 분류자 (3) 로부터 선택되고, 방법은 선택된 분류자로 진행한다.

예를 들어, 평균 휠 회전 속도

, 요 레이트

및 스티어링 각도 δ 가 직진 구동 분류자 (1) 내로 입력된다.

예를 들어, 횡가속도 a_y, 차량 질량 m_load 및 롤 각도 φ 의 추정된 값이 또한 평균 휠 회전 속도

, 요 레이트

및 스티어링 각도 δ 에 추가하여 우측 코너링 분류자 (2) 및 좌측 코너링 분류자 (3) 내로 입력된다.

선택된 분류자 (1, 2 또는 3) 에 의해, 확률 분포 P_i(x, y, z) 가 중간 결과로서 계산되고, 버퍼 (5) 에 저장된다. 인덱스 i 는 선택된 분류자 (1, 2 또는 3) 에 대응한다.

제 1 정상 상태 운전 조작이 종료되자 마자, 자동차의 운전 상태의 모니터링이 계속되고, 추가의 정상 상태 운전 조작들이 식별된다. 각각의 검출된 정상 상태 운전 조작에 대해, 새로운 확률 분포 P_i(x, y, z) 가 계산되고, 버퍼 (5) 에 저장된다.

바람직하게는, 정상 상태 운전 조작의 각 유형에 대해, 확률 분포들 P_i(x, y, z) 의 최대 수 k 가 버퍼 (5) 에 저장된다. 예를 들어, 그것은 특히, 정상 상태 운전 조작의 각 유형에 대해, 정확히 하나의 확률 분포 P_i(x, y, z) 가 버퍼 (5) 에 저장되는 경우이다.

확률 분포가 확률 분포들의 최대 수가 버퍼 (5) 에 이미 저장된 유형에 대해 새로운 정상 상태 운전 조작에 대해 계산되는 경우에는, 이미 저장된 확률 분포는 새로운 확률 분포로 대체된다. 예를 들어, 그것은 따라서, 최대 3 개의 상이한 정상 상태 운전 조작들이 사용되고, 운전 조작의 각 유형 중 하나인 경우이다.

버퍼 (5) 에 저장된 확률 분포들 P₁(x, y, z), P₂(x, y, z), P₃(x, y, z) 로부터, 추정된 무게 중심 포지션 (x, y, z) 이 최소 제곱 에러 계산 (6) 에 의해 계산된다.

버퍼 (5) 에서의 확률 분포들 P₁(x, y, z), P₂(x, y, z), P₃(x, y, z) 은 베이지안 필터 (Bayesian filter) 의 공식에 따라 서로 결합된다. 최소 제곱 에러 추정된 값은 결과적인 공통 확률 분포 P(x, y, z) 로부터 계산된다.

추정된 무게 중심 포지션 (x, y, z) 의 재계산은 바람직하게는 매 새롭게 식별된 정상 상태 운전 조작 후에 수행된다.

종결 조건이 충족되는 경우에 본 방법은 유리하게 종료되고 추정된 무게 중심 포지션 (x, y, z) 의 아무런 새로운 계산도 수행되지 않는다.

도 1 에서 열거된 분류자들 (1, 2, 3) 의 내부 구조가 도 2 에서 예시된다. 분류자들 (1, 2, 3) 의 각각은 예를 들어 그러한 구조를 갖는다.

예를 들어, 휠 회전 속도

, 요 레이트

, 스티어링 각도 δ 및 횡가속도 a_y 의 검출된 값들은 각각, 검출된 정상 상태 운전 조작 동안 평균화되고, 각각의 평균화된 값은 입력 변수로서 사용된다.

예를 들어, 롤 각도 φ 의 검출된 값 및/또는 차량 질량의 추정된 값 m_load 은 또한 각 경우에 평균화된다.

정상 상태에서의 신호들의 평균화 후에, 휠 회전 속도

, 요 레이트

, 스티어링 각도 δ 및 횡가속도 a_y, 및 차량 질량의 추정된 값 m_load 을 포함하는 결과적인 특성 벡터는 랜덤 포레스트 부분적 분류자 (20) 에 대해 이용가능하도록 만들어진다. 랜덤 포레스트 부분적 분류자 (20) 는 종 및 횡 방향들에서의 무게 중심 포지션의 확률 분포 P(x, y) 를 확인한다.

프로세싱 단계 (23) 에서, 확률 분포 P(x, y) 의 예상 값들 μ _x , μ _y 이 결정된다. μ _x 는 종 방향에서의 분포의 예상 값이고, μ _y 는 횡 방향에서의 분포의 예상 값이다.

확률 분포 P(x, y) 의 예상 값들 μ _x , μ _y 에 기초하여 그리고 종가속도 a_y, 추정된 차량 질량 m_load 및 롤 각도 φ 를 고려하여, 수직 방향에서의 확률 분포 P(z) 가 선형 부분적 분류자 (21) 에 의해 결정된다. 운전 조작에 대한 확률 분포 P(x, y, z) 는 2 개의 결과들을 결합함으로써 획득된다. 획득된 확률 분포는 버퍼 (5) 에 저장된다.

도 3 은 예시적인 정상 상태 운전 조작들의 정보 콘텐트 (information content) 를 그래픽적으로 도시한다. 가능한 무게 중심 포지션들의 3-차원 공간에서, 가장 강한 특성으로서 스티어링 각도 δ 는 우측 코너링들 (31, 32, 33) 및 좌측 코너링 (30) 에 대한 가능한 무게 중심 포지션들의 면들 사이의 교차의 라인을 기술하고, 이 라인은 정확히 무게 중심을 관통한다. 무게 중심 높이는 롤 각도 φ 를 이용하여 후속하여 결정된다.

도 4 는 예시적인 방법에 의한 예시적인 무게 중심 추정의 평가를 나타낸다. 감아도는 경로는 자체 알려진 시뮬레이션 프로그램을 이용하여 시뮬레이션된다. 측정 신호들은 예를 들어 신호-대-노이즈 비 SNR = 20 dB 로 가우시안 노이즈 (Gaussian noise) 와 중첩된다. 횡가속도 a_y 및 롤 각도 φ 는 측정 노이즈와 함께 그리고 측정 노이즈 없이 도시된다. 시간 t 는 모든 다이어그램들 i-vii 의 가로축 상에 플로팅된다.

제 1 다이어그램 (i) 은 시뮬레이션된 횡가속도 프로파일 (41), 및 중첩된 노이즈를 갖는 동일한 프로파일 (42) 을 나타낸다. 제 2 다이어그램 (ii) 은 시뮬레이션된 롤 각도 프로파일 (43), 및 중첩된 노이즈를 갖는 동일한 프로파일 (44) 을 나타낸다. 상태 식별 및 무게 중심 추정이 노이즈 있는 신호들에 기초하여 수행된다.

상태 식별 (4) 은 정상 상태 운전 조작들을 식별하고, 이것들을 그것들의 유형 A 에 따라 분류한다. 제 3 다이어그램 (iii) 에서, 식별의 결과는 프로파일 (45) 로서 플로팅된다. 여기서, 식별된 유형 A 는 세로좌표 상에 값 (1: 직진 구동, 2: 우측 코너링 및 3: 좌측 코너링) 으로서 묘사된다. 이 예에서, 5 개의 정상 상태 조작들이 정확하게 식별된다: 좌측 코너링, 우측 코너링, 직진 구동, 우측 코너링, 우측 코너링).

정상 상태 조작이 발생하는 동안, 신호들은 각 경우에 평균화되고, 조작의 끝에서, 입력 변수들의 단일 특성 벡터로서 각각의 분류자들 (1, 2, 3) 에 패스된다. 이 예에서, 식별된 5 개의 연속적인 정상 상태 운전 조작들에 대응하는 총 5 개의 분류들이 수행된다. MMSE 추정된 값 (x, y, z) 이 무게 중심 추정을 위해 사용된다.

MMSE 추정된 값 x, y 및 z 의 컴포넌트들은 다이어그램들 iv-vi 에서 예시된다. 각각의 시간 단계에서, 이들은 버퍼 (5) 로부터의 확률 분포들 P_i(x, y, z) 의 조합으로부터 발생된다. 다이어그램들 iv-vi 은 방법에 의해 추정된 값 x 47, y 50, z 53 의 프로파일 및 각각의 좌표의 참 값 (예에 대해 가정된 값) x 46, y 49, z 52 을 플로팅한다. 확률 분포의 분산의 프로파일 x 48, y 51 은 또한 종 좌표 x 및 횡 좌표 y 에 대해 각각의 경우에 플로팅된다.

방법의 시작에서, 버퍼 (5) 에서의 모든 좌표들에 대한 확률 분포들은 동등한 분포에 대응하고, 여기서, 무게 중심 포지션들의 모든 클래스들은 동등하게 가능한 것으로 가정된다. 이것은 가능한 무게 중심 포지션들의 범위의 중간에서의 MMSE 추정된 값 (x, y, z) 을 초래한다.

예에서의 제 1 좌측 코너링 후에, 이 좌측 코너링에 대한 확률 분포 P₃(x, y, z) 는 버퍼 (5) 에 저장되고, x 및 y 컴포넌트들 (47, 50) 은 참 값 (46, 49) 에 접근한다. 후속 정상 상태 조작들의 분류 결과들은 또한 버퍼 (5) 에 입력된다. 프로파일이 다이어그램 vii 에서 플로팅되는 추정 에러 F 는 각각의 새로운 정상 상태 운전 조작 및 연관된 분류와 함께 감소한다.

방법에 대한 종결 기준은 바람직하게는, 추정 에러 F 가 에러 임계 값 아래로 속하는 경우에 충족되는 것으로 간주된다.

Claims

이동하는 자동차의 무게 중심의 포지션이 확인되는 방법에 있어서,
관련 입력 변수들의 적어도 하나의 세트가 고려되고, 상기 입력 변수들의 세트는 적어도, 상기 자동차의 종가속도, 상기 자동차의 횡가속도, 상기 자동차의 요 레이트 (yaw rate), 및 적어도 하나의 휠 회전 속도, 특히 4 개의 휠 회전 속도들을 포함하고,
상기 입력 변수들의 세트는 정상 상태 운전 조작 중에 확인되고, 가능한 무게 중심 포지션들의 양은 클래스들로서 정의되고, 상기 입력 변수들의 세트에 기초하여, 학습-기반 분류 방법에 의해, 추정된 무게 중심 포지션을 나타내는 클래스가 선택되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항에 있어서,
입력 변수들의 세트들과 무게 중심 포지션들의 클래스들 사이의 비-선형 할당이 상기 자동차의 모델의 시뮬레이션 데이터를 이용하여 학습되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 또는 제 2 항에 있어서,
상기 입력 변수들의 세트는 스티어링 각도를 포함하고 및/또는 상기 입력 변수들의 세트는 상기 자동차의 총 질량의 추정된 값을 포함하며 및/또는 상기 입력 변수들의 세트는 측정된 또는 추정된 롤 각도를 포함하는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
정상 상태 운전 조작은, 차량 속도 그리고 또한 상기 횡가속도 및/또는 요 레이트 및/또는 스티어링 각도가 미리정의된 기간에 걸쳐 일정한 경우에 식별되며,
- 상기 차량 속도는, 상기 차량 속도의 분산이 제 1 임계 값 미만인 경우에 일정한 것으로 간주되고,
- 상기 횡가속도는, 상기 횡가속도의 분산이 제 2 임계 값 미만인 경우에 일정한 것으로 간주되며,
- 상기 요 레이트는, 상기 요 레이트의 분산이 제 4 임계 값 미만인 경우에 일정한 것으로 간주되고,
- 상기 스티어링 각도는, 상기 스티어링 각도의 분산이 제 3 임계 값 미만인 경우에 일정한 것으로 간주되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 분류 방법에 의해, 입력 변수들의 상이한 세트들에 기초하여 적어도 2 개의 중간 결과들이 확인되고, 상기 추정된 무게 중심 포지션은 상기 적어도 2 개의 중간 결과들에 기초하여, 특히 최소 평균 제곱 에러 방법에 의해 계산되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
각각의 정상 상태 운전 조작은 그것의 유형에 따라 정상 상태 좌측 코너링, 정상 상태 우측 코너링 또는 정상 상태 직진 구동으로 분류되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 6 항에 있어서,
상기 무게 중심 포지션의 결정을 위해 입력 변수들의 적어도 2 개의 세트들이 고려되고, 입력 변수들의 제 1 세트는 제 1 정상 상태 운전 조작 동안 확인되고, 입력 변수들의 제 2 세트는 제 2 정상 상태 운전 조작 동안 확인되며, 상기 제 1 정상 상태 운전 조작은 상기 제 2 정상 상태 운전 조작과는 유형이 상이한 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
상기 분류 방법, 특히 랜덤 포레스트 또는 임포트 벡터 머신 방법에 의해, 상기 클래스들의 적어도 하나의 확률 분포가 결정되고, 이는 각 클래스에 확률 값을 할당하는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
상기 분류 방법에 의해, 먼저 상기 추정된 무게 중심 포지션의 횡방향 좌표 및 종방향 좌표가 결정되고, 그 후에, 상기 추정된 무게 중심 포지션의 수직 좌표가 상기 횡방향 좌표 및 종방향 좌표에 기초하여, 특히 선형 분류에 의해 결정되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
상기 추정된 무게 중심 포지션의 수직 좌표를 결정하기 위해 롤 각도를 포함하는 입력 변수들의 세트가 고려되는 것을 특징으로 하는 이동하는 자동차의 무게 중심의 포지션이 확인되는 방법.
특히 자동차의 브레이크 시스템을 위한, 전자 제어 유닛으로서,
청구항 제 1 항 내지 청구항 제 10 항 중 어느 한 항에 기재된 바와 같은 방법을 수행하는 프로세싱 유닛에 의해 특징지어지는 전자 제어 유닛.