WO2024251741A1 - Procédé de calcul d'un angle de dérive d'un véhicule automobile - Google Patents

Procédé de calcul d'un angle de dérive d'un véhicule automobile Download PDF

Info

Publication number
WO2024251741A1
WO2024251741A1 PCT/EP2024/065349 EP2024065349W WO2024251741A1 WO 2024251741 A1 WO2024251741 A1 WO 2024251741A1 EP 2024065349 W EP2024065349 W EP 2024065349W WO 2024251741 A1 WO2024251741 A1 WO 2024251741A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
motor vehicle
filter
drift angle
state
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.)
Ceased
Application number
PCT/EP2024/065349
Other languages
English (en)
Inventor
Gael-Parfait ATHEUPE-GATCHEU
Christophe Develay
Zhou FANG
Xavier Mouton
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.)
Ampere SAS
Original Assignee
Ampere SAS
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 Ampere SAS filed Critical Ampere SAS
Priority to EP24731870.2A priority Critical patent/EP4724320A1/fr
Publication of WO2024251741A1 publication Critical patent/WO2024251741A1/fr
Anticipated expiration legal-status Critical
Ceased 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
    • B60W40/10—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 vehicle motion
    • B60W40/103—Side slip angle of vehicle body
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B60W2050/0033—Single-track, 2D vehicle model, i.e. two-wheel bicycle model
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0657—Engine torque
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction

Definitions

  • the present invention generally relates to the field of estimating driving parameters of a motor vehicle.
  • the invention finds a particularly advantageous application in driving assistance functions or functions for controlling the trajectory of the motor vehicle.
  • drift angle is particularly useful for implementing driving assistance or trajectory control systems for the motor vehicle such as: torque vector control, direct yaw control or even the electronic trajectory corrector (better known by the English acronym ESP for “electronic stability control”).
  • driving assistance or trajectory control systems for the motor vehicle such as: torque vector control, direct yaw control or even the electronic trajectory corrector (better known by the English acronym ESP for “electronic stability control”).
  • ESP electronic stability control
  • the drift angle For example, it is known to estimate the drift angle by means of a filter adapted to estimate the state of the vehicle based on the previous states of the vehicle and observable quantities. The drift angle is then deduced from this state of the vehicle.
  • the filter is based for this on a model of the vehicle describing its movement.
  • the model links, for example, the accelerations and speeds of the vehicle by means of equations of the discretized differential equation type.
  • the filter and the model can give more or less precise estimates of the drift angle.
  • the present invention proposes a method for calculating a drift angle of a motor vehicle, the method being implemented by a computer of the motor vehicle, the method comprising the following steps:
  • a model/filter pair is selected from among several so as to give a precise estimate of the drift angle, whatever the driving situation. Indeed, this selection is precisely carried out according to the driving situation through the kinematic parameters of the vehicle.
  • This solution makes it possible in particular to guarantee that the estimated angle is always precise, with an error lower than a given threshold, for example 2 degrees or even 1.5 degrees.
  • the noise on the measurements provided by the sensors of the motor vehicle is substantially Gaussian.
  • a Kalman filter based on a kinematic model of the vehicle is particularly accurate for estimating the drift angle.
  • the kinematic model does not allow a good estimation of the drift angle and, for these driving situations, it is preferable to use a dynamic model with an extended Kalman filter or a particle filter.
  • the filters and models are selected from predetermined lists. These lists can in particular be updated with new filters and models, for example less expensive in computing power or more adapted to certain particular driving situations.
  • the method according to the invention can therefore benefit from future technological developments.
  • the filters and models chosen and recorded on the computer of the motor vehicle are economical in computing power.
  • the method according to the invention does not require determining the state of the roadway (for example whether it is dry or wet). Indeed, the selection is based solely on parameters relating to the motor vehicle itself. The method therefore makes it possible to do without a detection system dedicated to determining the state of the roadway, such as cameras.
  • the selection step is based on a machine learning algorithm.
  • the algorithm learns which model/filter pair is the most accurate according to the values of kinematic parameters provided to it (in other words, according to the driving situation).
  • the computer can therefore precisely determine the driving situation (since it has learned to distinguish them) so as to select the appropriate model/filter pair.
  • the computer can then take into account a large number of kinematic parameters of the motor vehicle, which makes it possible to further refine its selection.
  • the training of the machine learning algorithm is pre-performed offline before the machine learning algorithm is implemented by the computer of the motor vehicle, so that only simple calculations are performed by the computer to select the filter and the model.
  • the invention is thus simple to implement.
  • the kinematic parameter relates to the movement of the motor vehicle relative to a roadway on which the motor vehicle is traveling or to a movement of a mobile element of the vehicle intended for rolling;
  • each filter in the predetermined list is a recursive, Bayesian or particle digital filter, which is based on a hidden Markov chain;
  • each model of said predetermined list is chosen from the group comprising: a linear kinematic model, a non-linear dynamic model, a dynamic model with random walk, a bicycle type model;
  • the model comprises at least one equation of motion relating to a temporal evolution of a state of the motor vehicle and at least one measurement equation making it possible to calculate said observable data on the basis of a measurement of at least one kinematic parameter; - said observable data relates to the movement of the motor vehicle;
  • the invention also provides a motor vehicle comprising a computer, said computer comprising:
  • FIG.l is a schematic top view of a motor vehicle and its representation in the bicycle model
  • FIG.2 is a block diagram of a sequence of steps for implementing a method according to the invention for calculating a drift angle of the motor vehicle of [Fig.l];
  • FIG.3 is a schematic representation of an iteration of a Kalman filter implemented in the method of [Fig.2];
  • FIG.4 is a schematic representation of an iteration of a Kalman filter extended implemented in the method of [Fig.2];
  • FIG.5 is a schematic representation of an iteration of a particle filter implemented in the method of [Fig.2].
  • a motor vehicle 10 is shown conventionally comprising a chassis which delimits in particular a passenger compartment and an engine compartment, two front steered wheels 11, and two rear non-steered wheels 12. Alternatively, these two rear wheels could also be steered.
  • This motor vehicle 10 comprises a conventional steering system making it possible to act on the orientation of the steered wheels so as to be able to turn the motor vehicle 10.
  • the motor vehicle 10 comprises a powertrain, comprising in particular a propulsion actuator making it possible to control this group in order to accelerate the motor vehicle 10.
  • the drift angle P of the motor vehicle 10 is defined as the angle between the vector representing the speed of the motor vehicle 10 denoted v (represented at the level of the center of gravity C of the vehicle in [Fig.l]) and the longitudinal axis Al of the motor vehicle 10.
  • v represented at the level of the center of gravity C of the vehicle in [Fig.l]
  • v represented at the level of the center of gravity C of the vehicle in [Fig.l]
  • the chassis of the vehicle is modeled by a body which connects the two wheel models.
  • the longitudinal axis Al is then parallel to the straight line passing through the centers of the two wheel models.
  • the motor vehicle 10 also comprises a computer 13. Thanks to its input interfaces, the computer 13 is adapted to receive input signals coming from different sensors on board the motor vehicle 10.
  • an observation device such as a front camera or a RADAR or LIDAR remote sensor
  • a device such as a gyrometer, making it possible to determine the yaw rotation speed (around a vertical axis) of the motor vehicle 10, and
  • various sensors such as an inertial unit allowing for example the longitudinal speed to be estimated.
  • the input interfaces of the computer 13 allow it to have access to the CAN data bus of the motor vehicle 10.
  • the computer 13 can acquire, thanks to its input interfaces, a large number of kinematic parameters of the motor vehicle 10.
  • the kinematic parameters of the motor vehicle 10 are here parameters relating to the movement of the motor vehicle 10 relative to a roadway on which it is traveling (or to its traffic lane), or to a movement of a mobile element of the motor vehicle 10. intended for rolling.
  • the kinematic parameters relating to the movement relative to the roadway are for example: a yaw rate, a longitudinal speed, a lateral acceleration, a longitudinal acceleration, a steering angle induced by the driver, wheel steering angles (for example determined by the steering angle), a GPS position, a vertical acceleration and speed, an estimated value of the road slope.
  • the kinematic parameters relating to a moving element are for example: a wheel rotation speed, an engine torque, a tire pressure, a suspension compression ratio, a braking torque, wheel angular speeds, a master cylinder brake pressure, an electric power steering assistance torque, a suspension stroke, a machine torque of the drive train.
  • the computer 13 comprises at least one memory and at least one processor. Thanks to its memory, it stores data used in the context of the method described below. In particular, it stores a computer application, consisting of computer programs comprising instructions whose execution by the processor allows the computer 13 to implement the method described below. In other words, the processor is programmed to implement the method described below.
  • the calculator 13 has more particularly in memory a predetermined list of models and a predetermined list of filters.
  • Each model in the predetermined list of models makes it possible to describe a movement of the motor vehicle 10 and more particularly an evolution of the motor vehicle 10 in its traffic lane.
  • Each model is therefore at least partially representative of the trajectory and the dynamics of the motor vehicle 10.
  • each model includes in particular at least one equation of motion relating to a temporal evolution of a state of the motor vehicle 10.
  • these equations are called “state equations”, as is common in the field of modeling.
  • the state equations are of the differential equation type, in the sense that they link at least one kinematic parameter and its derivative, for example the speed and acceleration of the motor vehicle 10.
  • the state equations are for example derived from the fundamental principle of dynamics.
  • Each model also comprises a measurement equation for calculating an observable datum based on a measurement of at least one kinematic parameter. Each observable datum is therefore also relative to the movement of the motor vehicle 10. As detailed in the subsequent examples, an observable datum is for example directly equal to the measurement of a kinematic parameter or to a combination of measurements of kinematic parameters.
  • Each filter of the predetermined list of filters is adapted to estimate an instantaneous state of at least one of the models on the basis of at least one observable data and at least one predetermined prior state of said model. Each filter is thus a recursive filter. This means that it is based on the prior states to estimate, by iteration, the instantaneous state.
  • a predetermined prior state is here considered known.
  • a prior state corresponds for example to an initial state of said model or to a state preceding, by one or more iterations, the instantaneous state.
  • a state is here characterized by a set of parameters describing the motor vehicle 10.
  • the states are subsequently called “state vectors”, which means that they group together several state variables, for example the positions and speeds of the motor vehicle 10 or the speeds and accelerations of the motor vehicle 10.
  • state variables are also relative to the movement of the motor vehicle 10. They may, but not necessarily, correspond to kinematic parameters measurable by the sensors of the motor vehicle 10.
  • a state can be characterized by a single state variable.
  • each filter in the predetermined list is preferably a digital, Bayesian or particle filter, which is based on a hidden Markov chain.
  • the total mass of the motor vehicle will be denoted m.
  • the distance between the center of gravity C and the front axle of the vehicle will be noted a f .
  • the index / will be associated with the front wheels.
  • the distance between the center of gravity C and the rear axle will be noted a r .
  • the index r will be associated with the rear wheels.
  • the steering angle that the rear wheels make with the longitudinal axis X of the vehicle will be noted ô r . It will be noted here that in the following, this angle will be zero. Alternatively, it could be non-zero and expressed as a function of the steering angle ô f .
  • the vehicle's yaw rate (around the Z axis) will be noted r.
  • the vehicle's longitudinal speed, along the X axis, will be noted
  • V The lateral speed of the vehicle, along the Y axis, will be noted V
  • the method according to the invention is intended to enable the drift angle
  • the steps of the method are here implemented repeatedly.
  • the computer 13 is thus programmed to implement the method recursively, that is to say step by step.
  • the drift angle p is thus estimated at each instant (for example from the moment when the motor vehicle 10 starts) which then allows the computer 13 to implement driving assistance or trajectory control functions.
  • the selected filter is iterated at successive times which are for example separated by a constant time step.
  • the qualifier "instantaneous” refers to the present time, that is to say to the last iteration of the filter. This present time is referenced “k”, it is here equal to k times the time step from an initial time referenced “k0" (k being a strictly positive integer).
  • the state vector representative of the present time is referenced “k” as an index.
  • iteration "k” of a filter which means that it has been iterated k times.
  • the qualifier "previous” refers to a past time, older than the present time. A past time corresponds for example to the previous time (i.e.
  • the objective of the method is precisely to estimate the drift angle [3 "instantaneous", that is to say at the iteration "k” of the selected filter.
  • the drift angle P at the "previous” instant is known since the previous state vector is predetermined (typically because already calculated at a previous iteration).
  • estimating we mean the fact of determining by calculation as opposed to a direct measurement. We will therefore use in the following, the terms calculate or estimate as opposed to measure or acquire.
  • the method thus begins with a step E1 of acquiring, by means of the input interfaces of the computer 13, a value of at least one kinematic parameter.
  • a value of at least one kinematic parameter Preferably, the values of several kinematic parameters are acquired, for example a yaw rate value r and a longitudinal speed value V x .
  • step E1 may comprise the acquisition of lateral acceleration values a y and yaw rate values r.
  • the method then comprises a step E2 of selecting a pair formed by a model and a filter, called a “model/filter” pair. This selection is carried out on the basis of the values of the kinematic parameters acquired in step E1.
  • the selection step E2 is more particularly based on a machine learning algorithm.
  • the machine learning algorithm is for example: a linear regression, a support vector machine, or even a neural network.
  • This association between the values of the kinematic parameters and the model/filter pairs is established during tests carried out with a test vehicle equipped with a sensor adapted to measure the drift angle
  • the learning here makes it possible to construct a decision tree with kinematic parameter values as input and model/filter pairs as output.
  • the decision tree makes it possible, during step E2, to select the most suitable model/filter pair, i.e. the most appropriate for the driving situation reflected by said kinematic parameter values.
  • This decision tree is recorded in the memory of the computer 13 for the implementation of step E2.
  • the learning is for example carried out using the Matlab software, here using the applications: Deep learning toolbox, Statistics and Machine learning toolbox.
  • several learning algorithms are compared during the test phase and only the most precise (in comparison with the derivative angle measurements from the sensor) is used to generate the decision tree.
  • step E3 of the method the calculator 13 determines each observable data associated with the selected model.
  • the calculator 13 thus determines one (see Example 1 below) or several observable data (see Example 4 below).
  • Each observable data is here determined using a measurement equation of the selected model.
  • Each observable data is therefore determined on the basis of a measurement of at least one kinematic parameter, the at least one kinematic parameter possibly having been used or not to select the model/filter pair in step E2.
  • the method comprises a step E4 of iteration of the selected filter. This iteration makes it possible to calculate the instantaneous state vector of the motor vehicle 10.
  • step F2 of correction of the instantaneous state vector on the basis of each observable data determined in step E3.
  • the predetermined prior state vector on which the prediction is based is the one preceding the instantaneous state vector, i.e. the one resulting from iteration k-1.
  • the prediction step F1 makes it possible to calculate a predicted state vector at time k based on the previous state vector at time k-1. The prediction is thus based solely on the prior state vectors, and in particular on the previous state vector.
  • the correction step F2 makes it possible to adjust the prediction, i.e. the predicted state vector of step F1, by comparing the predicted state vector with measurements via the observable data. The result of this correction step F2 is in particular the instantaneous state vector.
  • the correction step F2 also comprises a filter adjustment step, for example of a filter gain, so as to refine its subsequent predictions.
  • the method finally comprises a step E5 of deducing, from the instantaneous state vector, the drift angle
  • the drift angle P is deduced either by calculating it from one or more state variables, or by being itself directly one of the state variables.
  • a preliminary drift angle is calculated for each model/filter pair recorded in the memory of the computer 13.
  • four preliminary drift angles are determined at each instant using respectively one of the model/filter pairs of Examples 1 to 4 described below.
  • the computer 13 selects, on the basis of the values of the kinematic parameters and using the learning algorithm, one of the model/filter pairs.
  • the drift angle P is then determined as the preliminary drift angle of the selected model/filter pair.
  • the decision tree makes it possible to assign coefficients to the different preliminary drift angles according to the values of the kinematic parameters that it receives as input.
  • the preliminary drift angle of the selected model/filter pair is assigned a coefficient of one when the others are assigned a coefficient of zero.
  • different non-zero coefficients for example between zero and one could be applied to the preliminary drift angles.
  • the filter is a Kalman filter.
  • the theory (which can be found in any appropriate engineering work) of the Kalman filter which is a Bayesian filter based on the Chapman-Kolmogorov equations and hidden Markov chains.
  • the kinematic model is here defined by the following two equations: [0085] - an equation of state: [0086] [Math.l] v
  • [0087] - a measurement equation: representing the derivative with respect to time.
  • the yaw rate r is measured at each instant by means of the sensors of the motor vehicle 10.
  • variable y generally represents an observable data.
  • y is directly equal to the measurement of the longitudinal speed
  • the state vector includes, in this kinematic model, the longitudinal speed V x and the lateral speed V y .
  • the instantaneous state vector is noted t and is therefore characterized by the longitudinal speed V x and the lateral speed V y k.
  • the state vector is for example initialized as a zero vector at time k0, which corresponds to the motor vehicle 10 being stationary. When the motor vehicle 10 starts, the filter begins to be iterated to determine the successive states.
  • this model uses only quantities (yaw rate r, acceleration a terme a y ) which are easily accessible, provided by inexpensive sensors.
  • the Kalman filter allows the estimation of the state vector x governed by the linear stochastic differential equation of type:
  • the matrices A, B and H represent respectively the transition matrix, the matrix linked to the command u and the observation matrix.
  • the command u at time k-1 is the vector _ ⁇ a xl comprising the longitudinal accelerations a x ukA ⁇ av and lateral a y at time k-1.
  • the vector u is here measured using the inertial unit of the motor vehicle 10.
  • the random variables q kt and m k represent the model noise (state noise) and the measurement noise, they are considered Gaussian and independent of each other. This is for example the case when there is no slope (horizontal roadway) and the contact with the roadway at the wheels 11, 12 is a rolling without slippage.
  • the notation represents the predicted state vector at step Fl and iteration k of the filter.
  • the notation represents the corrected state vector at step F2 and at iteration k of the filter.
  • the notation represents the state vector calculated at iteration k-1 of the filter (i.e. the predetermined previous state of the model).
  • step F2 The state vector corrected in step F2 is calculated according to the formula:
  • step E4 The observable data y k is obtained in step E4, here by measuring the longitudinal speed as shown in [Math. 2], the variable K k is the correction gain of the filter at iteration k (see [Fig.3] for its formula).
  • P represents the error covariance and Q the state noise covariance.
  • step E4 the state vector at time k (i.e. the instantaneous state of the motor vehicle 10) is estimated.
  • the model/filter pair is therefore based on an estimation of the lateral speed V y on the basis, in particular, of a measurement of the longitudinal speed V x .
  • step E5 comprises the calculation of the drift angle P using the two state variables, namely the longitudinal speed
  • This second example is based on the use of a dynamic model.
  • the dynamic model unlike the kinematic model presented above, takes into account the forces undergone by the wheels. This dynamic model makes it possible to compensate for the deficiencies of the kinematic model which is poorly adapted when the yaw rate r is close to zero.
  • the dynamic model is more complete and takes into account other aspects intrinsic to the motor vehicle 10 as well as its dynamics.
  • M yawC represents the yaw moment at the center of gravity C.
  • the state vector includes as state variables the drift angle
  • the observable data is the measurement of the yaw rate r.
  • This dynamic model here includes a Dugoff tire model for estimating the variations in drift stiffness of the front and rear axles.
  • the drift stiffnesses can be assumed to be constant.
  • the filter implemented in this second example is an extended Kalman filter.
  • This filter which is derived from the Kalman filter, allows the estimation of a state vector of a nonlinear model, that is to say a model where the relationship between the measurement and the state vector is nonlinear.
  • the dynamic model can be written in the form: [0123]
  • the random variables q k .j and m k denote the state noise and the measurement noise.
  • the Euler method allows to simply connect the state vectors at the different instants.
  • the sampling period is equal to the time step.
  • the calculator 13 calculates the partial derivatives of the function/and of the function h around The iteration of the extended Kalman filter is then similar to that of the Kalman filter once the dynamic model is linearized, as shown in [Fig.4],
  • the extended Kalman filter is applied to the linearized and discretized dynamic model according to the Euler method.
  • the parameters involved in the iteration of the filter and appearing in [Fig.4] are:
  • step E5 includes the determination of the drift angle [3 directly from the state vector. Indeed, the drift angle P is one of the state variables, it is therefore estimated in step E4.
  • Example 3 Bicycle model and particle filter
  • the filter is a particle filter.
  • Particle filters allow to estimate the instantaneous state vector of a strongly nonlinear and non-Gaussian model. Particle filters allow to calculate probability densities as Dirac weighted sums.
  • the bicycle model is here defined by the following two systems of equations:
  • the state vector includes as state variables the drift angle P and the yaw rate r.
  • the observable data are the yaw rate r and the lateral acceleration a y . This model also assumes small angles.
  • the iteration of the particle filter is schematized in Figure 5.
  • the notation x represents a particle and x ⁇ the state vector.
  • the particles are here vectorial in the sense that each of them represents a value of the drift angle P and a value of the yaw rate r.
  • the particle filtering begins with an initialization step F0 comprising a drawing of initial particles XQ, XQ, ⁇ ⁇ ⁇ , XQ , N being the number of initial particles, following a uniform distribution q.
  • an initialization step F0 comprising a drawing of initial particles XQ, XQ, ⁇ ⁇ ⁇ , XQ , N being the number of initial particles, following a uniform distribution q.
  • all the particles have an identical weighting coefficient io 0 equal to 1/N.
  • the number N of initial particles is for example between 1000 and 100,000. Preferably, the number of particles is greater than 10,000, which makes it possible to accurately estimate the drift angle P even when the motor vehicle 10 maneuvers abruptly. However, using more particles requires more computing power.
  • the initialization step F0 takes place only during the first iteration of the filter.
  • the symbol “ ⁇ ” represents a weighting, here a raw weighting different from a weighting normalized to unity.
  • the prediction step Fi occurs only from the second iteration of the filter in the sense that it is replaced by the step F0 during the first iteration.
  • the particles from the previous iteration are then propagated (i.e. drawn) according to the distribution q.
  • the distribution q is a probability density q propagates the particles according to the previous state of the model.
  • the correction step F2 is then divided into several sub-steps.
  • the main role of the correction step F2 is to calculate the weighting coefficients j k of the particles of the iteration k on the basis of the weighting coefficients from the previous iteration k-1.
  • the calculator 13 calculates two probability densities (from a hidden Markov chain).
  • the calculator 13 calculates the a priori probability p ⁇
  • This a priori probability is calculated using two state equations (cf. [Math. 11]).
  • the particles at iteration k are calculated knowing the particles X ⁇ at iteration k-1 using [Math. 11], It therefore only depends on the previous state.
  • the calculator 13 calculates the likelihood y
  • the likelihood is a multidimensional Gaussian distribution defined by the equation:
  • Nv represents the number of state variables
  • x the state vector
  • p a vector of means associated with the state vector
  • Z the variance of this vector p and of the determining operator.
  • This vector p and its variance 2 can be calibrated as the covariance of the measurement noises and the model noises.
  • weighting coefficients w k of iteration k are calculated in sub-step F21, as shown in [Fig.5],
  • the instantaneous state vector x k is calculated as the sum of the particles weighted by their normalized weighting coefficients.
  • particles may be removed at a substep F24 when the following condition is satisfied: probability density.
  • the covariance of the state noises is equal to le-1 for the longitudinal speed V x and is between le-2 and 0.2 for the lateral speed ;
  • the initial distribution is a centered Gaussian of covariance le-2 for the longitudinal velocity V x and for the lateral velocity V y .
  • the initial distribution occurs during the first iteration of the filter.
  • Example 4 Dynamic model with random walk and particle filter
  • the filter is also a particle filter. Its implementation is identical to that of the filter presented in the third example.
  • the model here is a dynamic model with random walk. This model does not require knowledge related to a pneumatic model. The equations used are derived from the fundamental principle of dynamics.
  • the state vector includes in particular the lateral forces on the front axle F yf and on the rear axle F yr and the front longitudinal force F xf .
  • the principle of the random walk is to consider that the forces exerted on the wheels 11, 12 (i.e. the lateral forces on the front axle F yf and rear F yr and the front longitudinal force F ⁇ f ) are constant, therefore that their time derivatives are zero, and to add a high noise which will allow to have random force variations on each particle.
  • the covariance of the measurement noises is for example equal to le-2 for the yaw rate r and to 1 for the longitudinal acceleration a x ;
  • the covariance of the model noises is for example equal to le-2 for the yaw rate r, le-3 for the drift angle [3, 1500 for the lateral force on the front axle F yf , 1500 for the lateral force on the rear axle F K and 200 for the longitudinal force on the front axle F / ;
  • the initial distribution is a centered Gaussian with covariance le-4 for the yaw rate r, le-5 for the drift angle [3, le3 for the lateral force on the front axle F yf , le3 for the lateral force on the rear axle F yr , le3 for the longitudinal force on the front axle F / ;
  • the number of particles is between 30,000 and 100,000.
  • the kinematic model and Kalman filter pair (Example 1) may be selected when the yaw rate is greater than a threshold value.
  • the calculator selects for example the dynamic model and extended Kalman filter pair (Example 2) or the pair based on a particle filter (Examples 3 and 4). This same selection principle may be based on the longitudinal speed.
  • a model/filter pair on the basis of several values of kinematic parameters of the vehicle by comparing each value to an associated threshold value. The selection is then made according to these comparisons, which are for example implemented one after the other. The comparisons concerning the most important kinematic parameters (i.e. the most representative of the driving situation) may be implemented first.
  • model/filter pairs than those described in detail above can be recorded in the memory of the computer and selected in the method according to the invention.
  • the particle filter can be used in combination with the kinematic model (Example 1) or the dynamic model (Example 2). It can also be used in combination with a mixed model based on the dynamic model with random walk (Example 4) also including the drift angle estimated by a Kalman filter with kinematic model. The drift angle of the Kalman filter is then compared with the angle estimated by the particle filter to improve the estimation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

L'invention concerne un procédé de calcul d'un angle de dérive (β) d'un véhicule automobile (10), le procédé étant mis en œuvre par un calculateur (13) du véhicule automobile, le procédé comprenant les étapes suivantes : - acquisition d'une valeur d'au moins un paramètre cinématique (Vx, r) du véhicule; - sélection d'un modèle et d'un filtre, sur la base de ladite valeur dudit au moins un paramètre cinématique, parmi respectivement une liste prédéterminée de modèles et une liste prédéterminée de filtres, ledit modèle décrivant un mouvement du véhicule, ledit filtre étant adapté à estimer un état instantané dudit modèle sur la base d'au moins une donnée observable (Vy) et d'un état antérieur prédéterminé dudit modèle; - détermination de ladite au moins une donnée observable; - calcul, par itération dudit filtre, de l'état instantané dudit modèle; - déduction, à partir de l'état instantané, de l'angle de dérive.

Description

Description
Titre de l'invention : Procédé de calcul d’un angle de dérive d’un véhicule automobile
Domaine technique de l'invention
[0001] La présente invention concerne de manière générale le domaine de l’estimation de paramètres de conduite d’un véhicule automobile.
[0002] Elle concerne plus particulièrement un procédé de calcul d’un angle de dérive d’un véhicule automobile.
[0003] Elle concerne également un véhicule automobile comprenant un calculateur adapté à mettre en œuvre ce procédé.
[0004] L’invention trouve une application particulièrement avantageuse dans des fonctions d’aide à la conduite ou des fonctions de contrôle de la trajectoire du véhicule automobile.
Etat de la technique
[0005] La plupart des constructeurs automobiles intègrent dans leurs véhicules des procédés d’estimation de l’angle de dérive à partir de données mesurées par des capteurs embarqués.
[0006] Un capteur permettant de mesurer directement l’angle de dérive étant en effet très coûteux, plusieurs fois le prix du véhicule lui-même, les constructeurs ont donc recours à une estimation de cet angle de dérive selon des techniques de détection virtuelle.
[0007] La connaissance de l’angle de dérive est particulièrement utile pour mettre en œuvre des systèmes d’aide à la conduite ou de contrôle de la trajectoire du véhicule automobile comme : le contrôle vectoriel du couple, le contrôle direct du lacet ou encore le correcteur électronique de trajectoire (plus connu sous l’acronyme anglais ESP pour « electronic stability control »)
[0008] Il est par exemple connu d’estimer l’angle de dérive au moyen d’un filtre adapté à estimer l’état du véhicule en fonction des états antérieurs du véhicule et de grandeurs observables. L’angle de dérive est ensuite déduit de cet état du véhicule. Le filtre se base pour cela sur un modèle du véhicule décrivant son mouvement. Le modèle relie par exemple les accélérations et les vitesses du véhicule au moyen d’équations de type équations différentielles discrétisées.
[0009] Toutefois, selon la situation de conduite, qui est par exemple représentative de l’adhérence du véhicule à la chaussée, de la pente de la chaussée ou encore des vitesses du véhicule, le filtre et le modèle peuvent donner des estimations plus ou moins précises de l’angle de dérive.
Présentation de l'invention [0010] Dans ce contexte, la présente invention propose Procédé de calcul d’un angle de dérive d’un véhicule automobile, le procédé étant mis en œuvre par un calculateur du véhicule automobile, le procédé comprenant les étapes suivantes :
- acquisition d’une valeur d’au moins un paramètre cinématique du véhicule automobile ;
- sélection d’un modèle et d’un filtre, sur la base de ladite valeur dudit au moins un paramètre cinématique, parmi respectivement une liste prédéterminée de modèles et une liste prédéterminée de filtres, ledit modèle décrivant un mouvement du véhicule automobile, ledit filtre étant adapté à estimer un état instantané dudit modèle sur la base d’au moins une donnée observable et d’un état antérieur prédéterminé dudit modèle ;
- détermination de ladite au moins une donnée observable ;
- calcul, par itération dudit filtre, de l’état instantané dudit modèle ;
- déduction, à partir de l’état instantané, de l’angle de dérive.
[0011] Ainsi, grâce à l’invention un couple modèle/filtre est sélectionnée parmi plusieurs de manière à donner une estimation précise de l’angle de dérive, quelle que soit la situation de conduite. En effet, cette sélection est précisément effectuée en fonction de la situation de conduite au travers des paramètres cinématiques du véhicule. Cette solution permet notamment de garantir que l’angle estimé soit toujours précis, avec une erreur inférieure à un seuil donné, par exemple de 2 degrés voire de 1,5 degré.
[0012] A titre d’exemple, lorsque le véhicule automobile effectue un virage à faible courbure sur route sèche (donc avec une bonne adhérence), le bruit sur les mesures fournies par les capteurs du véhicule automobile est sensiblement gaussien. Dans ce cas, un filtre de Kalman basé sur un modèle cinématique du véhicule est particulièrement précis pour estimer l’angle de dérive. Cependant, lorsque la vitesse latérale, longitudinale ou de lacet est proche de la valeur nulle, le modèle cinématique ne permet pas une bonne estimation de l’angle de dérive et, il est préférable, pour ces situations de conduite, d’utiliser un modèle dynamique avec un filtre de Kalman étendu ou un filtre particulaire.
[0013] Avantageusement, les filtres et les modèles sont sélectionnés parmi des listes prédéterminées. Ces listes peuvent notamment être mises à jour avec de nouveaux filtres et modèles, par exemple moins coûteux en puissance de calcul ou plus adaptés à certaines situations de conduite particulières. Le procédé selon l’invention peut donc bénéficier de futurs développements technologiques. De préférence, les filtres et les modèles choisis et enregistrés sur le calculateur du véhicule automobile sont économes en puissance de calcul.
[0014] Enfin, le procédé selon l’invention ne nécessite pas de déterminer l’état de la chaussée (par exemple le fait qu’elle soit sèche ou mouillée). En effet, la sélection est uniquement basée sur des paramètres relatifs au véhicule automobile lui-même. Le procédé permet donc de se passer de système de détection dédié à la détermination de l’état de la chaussée tels que des caméras.
[0015] De façon optionnelle et avantageuse, l’étape de sélection est basée sur un algorithme d’apprentissage automatique. Pendant l’apprentissage, l’algorithme apprend quel est le couple modèle/filtre le plus précis selon les valeurs de paramètres cinématiques qui lui sont fournies (autrement dit, selon la situation de conduite). Le calculateur peut donc déterminer précisément la situation de conduite (puisqu’il a appris à les distinguer) de manière à sélectionner le couple modèle/filtre approprié. De plus, le calculateur peut alors prendre en compte un grand nombre de paramètres cinématiques du véhicule automobile, ce qui permet d’affiner davantage sa sélection.
[0016] A ce sujet, l’apprentissage de l’algorithme d’apprentissage automatique est préeffectué hors ligne avant que l’algorithme d’apprentissage automatique soit mis en œuvre par le calculateur du véhicule automobile, si bien que seuls des calculs simples sont effectués par le calculateur pour sélectionner le filtre et le modèle. L’invention est ainsi simple à implémenter.
[0017] D’autres caractéristiques avantageuses et non limitatives du procédé conforme à l’invention, prises individuellement ou selon toutes les combinaisons techniquement possibles, sont les suivantes :
[0018] - il est prévu d’entraîner l’algorithme d’apprentissage automatique sur la base d’une base de données associant des valeurs de paramètres cinématiques du véhicule avec des couples formés d’un des modèles et d’un des filtres desdites listes, la base de donnée étant établie en équipant un véhicule de test d’un capteur adapté à mesurer l’angle de dérive et en déterminant, pour plusieurs ensembles de valeurs de paramètres cinématiques, lequel desdits couples fournit l’estimation de l’angle de dérive la plus proche de la mesure de l’angle de dérive fournie par le capteur ;
- le paramètre cinématique est relatif au mouvement du véhicule automobile par rapport à une chaussée sur laquelle circule le véhicule automobile ou à un mouvement d’un élément mobile du véhicule destiné au roulage ;
- chaque filtre de la liste prédéterminée est un filtre numérique récursif, bayésien ou particulaire, qui est basé sur une chaine de Markov cachée ;
- chaque modèle de ladite liste prédéterminée est choisi dans le groupe comprenant : un modèle cinématique linéaire, un modèle dynamique non-linéaire, un modèle dynamique avec marche aléatoire, un modèle de type bicyclette ;
- le modèle comprend au moins une équation de mouvement relative à une évolution temporelle d’un état du véhicule automobile et au moins une équation de mesure permettant de calculer ladite donnée observable sur la base d’une mesure d’au moins un paramètre cinématique ; - ladite donnée observable est relative au mouvement du véhicule automobile ;
- il est prévu, à chaque itération, de calculer plusieurs angles de dérive préliminaires au moyen de plusieurs couples formés d’un des modèles et d’un des filtres desdites listes, et de déterminer l’angle de dérive en sélectionnant l’un des angles de dérive préliminaires sur la base de ladite valeur dudit au moins un paramètre cinématique.
[0019] L’invention propose aussi un véhicule automobile comprenant un calculateur, ledit calculateur comprenant :
- une interface adaptée à l’acquisition d’une valeur d’au moins un paramètre cinématique du véhicule automobile ;
- une mémoire sur laquelle sont enregistrées une liste prédéterminée de modèles décrivant un mouvement du véhicule automobile et une liste prédéterminée de filtres ;
- un processeur programmé pour :
• sélectionner un modèle et un filtre, sur la base de ladite valeur dudit au moins un paramètre cinématique, parmi respectivement une liste prédéterminée de modèles et une liste prédéterminée de filtres, ledit modèle décrivant un mouvement du véhicule automobile, ledit filtre étant adapté à estimer un état instantané dudit modèle sur la base d’au moins une donnée observable et d’un état antérieur prédéterminé dudit modèle ;
• déterminer ladite au moins une donnée observable ;
• calculer, par itération dudit filtre, l’état instantané dudit modèle ;
• déduire, à partir de l’état instantané, l’angle de dérive.
[0020] Bien entendu, les différentes caractéristiques, variantes et formes de réalisation de l'invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres.
Description détaillée de l'invention
[0021] La description qui va suivre en regard des dessins annexés, donnés à titre d’exemples non limitatifs, fera bien comprendre en quoi consiste l’invention et comment elle peut être réalisée.
[0022] Sur les dessins annexés :
[0023] [Fig.l] est une vue schématique de dessus d’un véhicule automobile et de sa représentation dans le modèle bicyclette ;
[0024] [Fig.2] est un schéma bloc d’une séquence d’étapes permettant de mettre en œuvre un procédé selon l’invention pour calculer un angle de dérive du véhicule automobile de la [Fig.l] ;
[0025] [Fig.3] est une représentation schématique d’une itération d’un filtre de Kalman mis en œuvre dans le procédé de la [Fig.2] ;
[0026] [Fig.4] est une représentation schématique d’une itération d’un filtre de Kalman étendu mis en œuvre dans le procédé de la [Fig.2] ;
[0027] [Fig.5] est une représentation schématique d’une itération d’un filtre particulaire mis en œuvre dans le procédé de la [Fig.2].
[0028] Sur la [Fig.l], on a représenté un véhicule automobile 10 comprenant classiquement un châssis qui délimite notamment un habitacle et un compartiment moteur, deux roues avant 11 directrices, et deux roues arrière 12 non directrices. En variante, ces deux roues arrière pourraient également être directrices. Ce véhicule automobile 10 comporte un système de direction conventionnel permettant d’agir sur l’orientation des roues directrices de façon à pouvoir faire tourner le véhicule automobile 10. Le véhicule automobile 10 comporte un groupe motopropulseur, comprenant notamment un actionneur de propulsion permettant de commander ce groupe afin de faire accélérer le véhicule automobile 10.
[0029] Comme le montre la [Fig.l], l’angle de dérive P du véhicule automobile 10 est défini comme l’angle entre le vecteur représentant la vitesse du véhicule automobile 10 notée v (représentée au niveau du centre de gravité C du véhicule sur la [Fig.l]) et l’axe longitudinal Al du véhicule automobile 10. Dans le cadre du modèle bicyclette représentée en [Fig.l], les deux roues avant 11 sont considérées comme étant confondues, et il en va de même des deux roues arrière 12. Le châssis du véhicule est quant à lui modélisé par un corps qui relie les deux modèles de roues. L’axe longitudinal Al est alors parallèle à la droite passant par les centres des deux modèles de roues.
[0030] Le véhicule automobile 10 comprend également un calculateur 13. Grâce à ses interfaces d'entrée, le calculateur 13 est adapté à recevoir des signaux d'entrée provenant de différents capteurs embarqués sur le véhicule automobile 10.
[0031] Parmi ces capteurs, il est par exemple prévu :
- un dispositif d’observation tel qu’une caméra frontale ou un télédétecteur RADAR ou LIDAR,
- un dispositif tel qu’un gyromètre, permettant de déterminer la vitesse de rotation en lacet (autour d’un axe vertical) du véhicule automobile 10, et
- différents capteurs tel qu’une centrale inertielle permettant d’estimer par exemple la vitesse longitudinale.
[0032] Ici, les interfaces d'entrée du calculateur 13 lui permettent d’avoir accès au bus de données CAN du véhicule automobile 10.
[0033] De façon générale, le calculateur 13 peut acquérir, grâce à ses interfaces d’entrée, un grand nombre de paramètres cinématiques du véhicule automobile 10. Les paramètres cinématiques du véhicule automobile 10 sont ici des paramètres relatifs au mouvement du véhicule automobile 10 par rapport à une chaussée sur laquelle il roule (ou à sa voie de circulation), ou à un mouvement d’un élément mobile du véhicule automobile 10 destiné au roulage. Les paramètres cinématiques relatifs au mouvement par rapport à la chaussée sont par exemple : une vitesse de lacet, une vitesse longitudinale, une accélération latérale, une accélération longitudinale, un angle au volant induit par le conducteur, des angles de braquage roues (par exemple déterminées par l’angle au volant), une position GPS, une accélération et vitesse verticale, une valeur estimée de la pente de la route. Les paramètres cinématiques relatifs à un élément mobile sont par exemple : une vitesse de rotation des roues, un couple moteur, une pression des pneus, un taux de compressions des suspensions, un couple de freinage, des vitesses angulaires des roues, une pression de frein du maitre-cylindre, un couple d’assistance de la direction assisté électrique une course des suspensions, un couple machine de la chaine de traction.
[0034] Le calculateur 13 comprend au moins une mémoire et au moins un processeur. Grâce à sa mémoire, il mémorise des données utilisées dans le cadre du procédé décrit ci- dessous. Il mémorise notamment une application informatique, constituée de programmes d’ordinateur comprenant des instructions dont l’exécution par le processeur permet la mise en œuvre par le calculateur 13 du procédé décrit ci-après. En d’autres termes, le processeur est programmé pour mettre en œuvre le procédé décrit ci-après.
[0035] Le calculateur 13 a plus particulièrement en mémoire une liste prédéterminée de modèles et une liste prédéterminée de filtres.
[0036] Chaque modèle de la liste prédéterminée de modèles permet de décrire un mouvement du véhicule automobile 10 et plus particulièrement une évolution du véhicule automobile 10 dans sa voie de circulation. Chaque modèle est donc représentatif au moins partiellement de la trajectoire et la dynamique du véhicule automobile 10.
[0037] Pour cela chaque modèle comprend notamment au moins une équation de mouvement relative à une évolution temporelle d’un état du véhicule automobile 10. Dans la suite, ces équations sont appelées « équations d’état », comme cela est courant dans le domaine de la modélisation. Ici, les équations d’état sont du type équation différentielle, dans le sens où elles relient au moins un paramètre cinématique et sa dérivée, par exemple la vitesse et l’accélération du véhicule automobile 10. Les équations d’état sont par exemple issues du principe fondamental de la dynamique.
[0038] Chaque modèle comprend aussi une équation de mesure permettant de calculer une donnée observable sur la base d’une mesure d’au moins un paramètre cinématique. Chaque donnée observable est donc elle aussi relative au mouvement du véhicule automobile 10. Comme détaillé dans les exemples ultérieurs, une donnée observable est par exemple égale directement à la mesure d’un paramètre cinématique ou à une combinaison de mesures de paramètres cinématiques. [0039] Chaque filtre de la liste prédéterminée de filtres est quant à lui adapté à estimer un état instantané d’au moins un des modèles sur la base d’au moins une donnée observable et d’au moins un état antérieur prédéterminé dudit modèle. Chaque filtre est ainsi un filtre récursif. Cela signifie qu’il se base sur les états antérieurs pour estimer, par itération, l’état instantané. Un état antérieur prédéterminé est ici considéré connu. Un état antérieur correspond par exemple à un état initial dudit modèle ou un à état précédant, d’une ou plusieurs itérations, l’état instantané.
[0040] Un état est ici caractérisé par un ensemble de paramètres décrivant le véhicule automobile 10. Les états sont par la suite appelés « vecteurs d’état », ce qui signifie qu’ils regroupent plusieurs variables d’état, par exemple les positions et les vitesses du véhicule automobile 10 ou les vitesses et les accélérations du véhicule automobile 10. On parle de « variables » d’état dans le sens où leur valeur peut varier, notamment lors de l’itération du filtre comme décrit ultérieurement. Ainsi, les variables d’état sont elles aussi relatives au mouvement du véhicule automobile 10. Elles peuvent, mais pas nécessairement, correspondre à des paramètres cinématiques mesurables par les capteurs du véhicule automobile 10. En variante, un état peut être caractérisé par une seule variable d’état.
[0041] Ici, chaque filtre de la liste prédéterminée est de préférence un filtre numérique, bayésien ou particulaire, qui est basé sur une chaine de Markov cachée.
[0042] Avant de décrire ce procédé, on peut introduire les différents paramètres et variables qui seront utilisés, dont certains sont illustrés sur la [Fig.l],
[0043] La masse totale du véhicule automobile sera notée m.
[0044] Le centre de gravité du véhicule sera noté C.
[0045] On considérera ici principalement un repère orthogonal (C, X, Y, Z) attaché au véhicule. Son origine est confondue avec le centre de gravité C. L’axe X correspond à l’axe longitudinal Al du véhicule. L’axe Y correspond à l’axe latéral tourné vers la gauche du véhicule. En pratique, cet axe Z est l’axe normal à la route.
[0046] Le moment d’inertie vertical du véhicule automobile autour de l’axe Z sera noté /.
[0047] La distance entre le centre de gravité C et l’essieu avant du véhicule sera notée af. De manière générale, dans la suite, l’ indice /sera associé aux roues avant.
[0048] La distance entre le centre de gravité C et l’essieu arrière sera notée ar. Dans la suite, l’indice r sera associé aux roues arrière.
[0049] La rigidité de dérive des pneus des roues avant sera notée caf.
[0050] La rigidité de dérive des pneus des roues arrière sera notée car.
[0051] L’angle de braquage que font les roues avant directrices avec l’axe longitudinal X du véhicule sera noté ôf.
[0052] L’angle de braquage que font les roues arrière avec l’axe longitudinal X du véhicule sera noté ôr. On notera ici que dans la suite, cet angle sera nul. En variante, il pourrait être non nul et s’exprimer en fonction de l’angle de braquage ôf. [0053] La vitesse de lacet du véhicule (autour de l’axe Z) sera notée r. [0054] La vitesse longitudinale du véhicule, selon l’axe X, sera notée
Figure imgf000010_0001
[0055] La vitesse latérale du véhicule, selon l’axe Y, sera notée V
[0056] L’accélération longitudinal du véhicule, selon l’axe X, sera notée ax. [0057] L’accélération latérale du véhicule, selon l’axe Y, sera notée ay.
[0058] La force latérale de traction de l’essieu avant (i.e. des roues avant) sera notée Fyf.
[0059] La force latérale de traction de l’essieu arrière (i.e. des roues arrière) sera notée Fyr.
[0060] La force longitudinale de traction de l’essieu avant (i.e. des roues avant) sera notée F -
[0061] Enfin, l’opérateur « ■ » signifiera une dérivation par rapport au temps, l’opérateur « T » la transposée d’une matrice et l’opérateur « 1 » l’inverse d’une matrice.
[0062] Le procédé selon l’invention est prévu pour permettre d’estimer avec précision l’angle de dérive |3. Comme le montre la [Fig.2], le procédé comprend les étapes suivantes :
- acquisition d’une valeur d’au moins un paramètre cinématique ;
- sélection d’un modèle et d’un filtre, sur la base de ladite au moins une valeur, parmi respectivement la liste prédéterminée de modèles et la liste prédéterminée de filtres ;
- détermination d’au moins une donnée observable associée au modèle sélectionné ;
- calcul, par itération du filtre sélectionné, du vecteur d’état instantané du modèle sélectionné ;
- déduction, à partir du vecteur d’état instantané, de l’angle de dérive |3.
[0063] Les étapes du procédé sont ici mises en œuvre de façon répétée. Le calculateur 13 est ainsi programmé pour mettre en œuvre le procédé de façon récursive, c’est-à-dire pas à pas. L’angle de dérive p est ainsi estimé à chaque instant (par exemple à partir du moment où le véhicule automobile 10 démarre) ce qui permet ensuite au calculateur 13 de mettre en œuvre des fonctions d’aide à la conduite ou de contrôle de trajectoire.
[0064] En particulier, le filtre sélectionné est itéré à des instants successifs qui sont par exemple séparés d’un pas de temps constant. Dans la suite, le qualificatif « instantané » fait référence à l’instant présent, c’est-à-dire à la dernière itération du filtre. Cet instant présent est référencé « k », il est ici égal à k fois le pas de temps à compter d’un instant initial référencé « kO » (k étant un entier strictement positif). De même, le vecteur d’état représentatif de l’instant présent est référencé « k » en indice. On parle aussi dans la suite d’itération « k » d’un filtre, ce qui signifie qu’il a été itéré k fois. Le qualificatif « antérieur » fait référence à un instant passé, plus ancien que l’instant présent. Un instant passé correspond par exemple l’instant précédent (i.e. immédiatement avant) l’instant présent. L’instant précédent est alors référencé « k-1 », il est par exemple égal à k-1 fois le pas de temps à compter de l’instant initial. [0065] L’objectif du procédé est précisément d’estimer l’angle de dérive [3 « instantané », c’est-à-dire à l’itération « k » du filtre sélectionné. L’angle de dérive P à l’instant « antérieur » est connu puisque le vecteur d’état antérieur est prédéterminé (typiquement car déjà calculé à une itération antérieure). On entend par « estimer » le fait de déterminer par le calcul par opposition à une mesure directe. On utilisera donc dans la suite, les termes calculer ou estimer par opposition à mesurer ou acquérir.
[0066] On décrit dans la suite l’itération k du filtre, sur la base de la [Fig.2],
[0067] Le procédé commence ainsi par une étape El d’acquisition, aux moyens des interfaces d’entrées du calculateur 13, d’une valeur d’au moins un paramètre cinématique. De préférence, les valeurs de plusieurs paramètres cinématiques sont acquises, par exemple une valeur de vitesse de lacet r et une valeur de vitesse longitudinale Vx. Encore en exemple, l’étape El peut comprendre l’acquissions de valeurs d’accélération latérale ay et de vitesse de lacet r.
[0068] Le procédé comprend ensuite une étape E2 de sélection d’un couple formé par un modèle et un filtre, appelé couple « modèle/filtre ». Cette sélection est effectuée sur la base des valeurs des paramètres cinématiques acquises à l’étape El.
[0069] Ici, l’étape E2 de sélection est plus particulièrement basée sur un algorithme d’apprentissage automatique. L’algorithme d’apprentissage automatique est par exemple : une régression linéaire, une machine à vecteur support, ou encore un réseau de neurones.
[0070] Il est ici prévu d’entraîner l’algorithme d’apprentissage automatique préalablement à la mise en œuvre du procédé par le calculateur 13, c’est-à-dire hors ligne (par exemple lors de la conception du véhicule automobile). Pour effectuer cet apprentissage, une base de données est construite. Cette base de données associe des valeurs de paramètres cinématiques du véhicule automobile 10 avec des couples modèle/filtre, les modèles et les filtres étant ceux des listes enregistrées sur la mémoire du calculateur 13.
[0071] Cette association entre les valeurs des paramètres cinématiques et les couples modèle/filtre est établie au cours de tests réalisés avec un véhicule de test équipé d’un capteur adapté à mesurer l’angle de dérive |3. Au cours de ces tests, le véhicule test se trouve dans plusieurs situations de conduite correspondant à plusieurs ensembles de valeurs de paramètres cinématiques. Pour chaque ensemble de valeurs, l’angle de dérive |3 est à la fois mesuré au moyen du capteur et estimé au moyen des couples modèle/filtre par le procédé selon l’invention. La base de données associe alors par exemple le couple modèle/filtre donnant l’estimation de l’angle de dérive P la plus proche de la valeur mesurée au moyen du capteur.
[0072] Il est aussi possible, lors de ces tests, d’acquérir plusieurs valeurs de paramètres cinématiques à plusieurs pas de temps successifs, par exemple dix valeurs acquises toutes les 200 ms. Le couple modèle/filtre associé à l’ensemble de ces valeurs dans la base de données est alors celui présentant l’erreur quadratique moyenne la plus faible, sur l’ensemble des pas de temps, entre les angles de dérive |3 mesurés et estimés.
[0073] En pratique, l’apprentissage permet ici de construire un arbre de décision avec en entrée des valeurs de paramètres cinématiques et en sortie des couples modèle/filtre. L’arbre de décision permet, lors de l’étape E2, de sélectionner le couple modèle/filtre le plus adapté, c’est-à-dire le plus approprié à la situation de conduite reflétée par lesdites valeurs des paramètres cinématiques. Cet arbre de décision est enregistré sur la mémoire du calculateur 13 pour la mise en œuvre de l’étape E2. L’apprentissage est par exemple réalisé au moyen du logiciel Matlab, ici grâce aux applications : Deep learning toolbox, Statistics and Machine learning toolbox. De préférence, plusieurs algorithmes d’apprentissage sont comparés lors de la phase de tests et seul le plus précis (en comparaison avec les mesures d’angle de dérivé issues du capteur) est utilisé pour générer l’arbre de décision.
[0074] A l’étape E3 du procédé, le calculateur 13 détermine chaque donnée observable associée au modèle sélectionné. Le calculateur 13 détermine ainsi une (cf. Exemple 1 ci-après) ou plusieurs données observables (cf. Exemple 4 ci-après). Chaque donnée observable est ici déterminée grâce à une équation de mesure du modèle sélectionné. Chaque donnée observable est donc déterminée sur la base d’une mesure d’au moins un paramètre cinématique, le au moins un paramètre cinématique pouvant avoir servi ou non à sélectionner le couple modèle/filtre à l’étape E2.
[0075] Le procédé comprend une étape E4 d’itération du filtre sélectionné. Cette itération permet de calculer le vecteur d’état instantané du véhicule automobile 10.
[0076] Classiquement, comme le montre par exemple la [Fig.3], cette itération comprend :
- une étape Fl de prédiction du vecteur d’état instantané sur la base d’au moins un vecteur d’état antérieur prédéterminé du modèle sélectionné,
- une étape F2 de correction du vecteur d’état instantané sur la base de chaque donnée observable déterminée à l’étape E3.
[0077] Ici, le vecteur d’état antérieur prédéterminé sur lequel est basée la prédiction est celui précédent le vecteur d’état instantané, c’est-à-dire celui issu de l’itération k-1. Ainsi, dans un premier temps, l’étape Fl de prédiction permet de calculer un vecteur d’état prédit à l’instant k sur la base du vecteur d’état précédent à l’instant k-1. La prédiction est ainsi basée uniquement sur les vecteurs d’états antérieurs, et en particulier sur le vecteur d’état précédent. Dans un second temps, l’étape F2 de correction permet d’ajuster la prédiction, i.e. le vecteur d’état prédit de l’étape Fl, en confrontant le vecteur d’état prédit à des mesures via les données observables. Le résultat de cette étape de correction F2 est notamment le vecteur d’état instantané. Classiquement, l’étape F2 de correction comprend aussi une étape d’ajustement du filtre, par exemple d’un gain du filtre, de manière à affiner ses prédictions ultérieures.
[0078] Le procédé comprend enfin une étape E5 de déduction, à partir du vecteur d’état instantané, de l’angle de dérive |3. Ici, l’angle de dérive P est déduit soit en le calculant à partir d’une ou plusieurs variables d’état, soit en étant lui-même directement une des variables d’état.
[0079] Ici, plusieurs couples modèle/filtre effectuent en parallèle des estimations d’angles de dérive préliminaires. De préférence, à chaque instant, i.e. à chaque pas de temps, et en particulier à l’instant k, un angle de dérive préliminaire est calculé pour chaque couple modèle/filtre enregistré sur la mémoire du calculateur 13. A titre d’exemple, quatre angles de dérive préliminaires sont déterminés à chaque instant en utilisant respectivement un des couples modèle/filtre des Exemples 1 à 4 décrits ci-dessous.
[0080] Ensuite, comme décrit précédemment, le calculateur 13 sélectionne, sur la base des valeurs des paramètres cinématiques et à l’aide de l’algorithme d’apprentissage, un des couples modèle/filtre. L’angle de dérive P est alors déterminé comme l’angle de dérive préliminaire du couple modèle/filtre sélectionné. En pratique, l’arbre de décision permet attribuer des coefficients aux différents angles de dérive préliminaires en fonction des valeurs des paramètres cinématiques qu’il reçoit en entrée. Ici, l’angle de dérive préliminaire du couple modèle/filtre sélectionné se voit attribuer un coefficient un quand les autres se voient attribuer un coefficient zéro. En variante, différents coefficients non-nuls (par exemple compris entre zéro et un) pourraient être appliqués aux angles de dérive préliminaires.
[0081] On décrit maintenant l’implémentation de plusieurs couples modèle/filtre. Pour chacun d’entre eux, on décrit en détail les étapes E3, E4 et E5 mises en œuvre, l’itération k du filtre, pour le couple modèle/filtre sélectionné à l’étape E2. Le modèle sélectionné est simplement appelé « modèle » et le filtre sélectionné est simplement appelé « filtre ». L’idée de cette partie est notamment de donner des exemples non limitatifs de filtres et de modèles qui peuvent être enregistrés sur le calculateur 13 préalablement à la mise en œuvre du procédé selon l’invention.
[0082] Exemple 1 : Modèle cinématique et filtre de Kalman
[0083] Dans ce premier exemple de couple modèle/filtre, le filtre est un filtre de Kalman. On ne rappellera pas ici la théorie (qui peut être retrouvée dans tout ouvrage d’ingénierie approprié) du filtre de Kalman, qui est un filtre bayésien basé sur les équations de Chapman-Kolmogorov et les chaines de Markov cachées. On explicitera cependant son application particulière au modèle cinématique afin de bien comprendre sa mise en œuvre pratique par le calculateur 13.
[0084] Le modèle cinématique est ici défini par les deux équations suivantes : [0085] - une équation d’état : [0086] [Math.l] v
Figure imgf000014_0006
[0087] - une équation de mesure :
Figure imgf000014_0001
représentant la dérivée par rapport au temps. La vitesse de lacet r est mesurée à chaque instant au moyen des capteurs du véhicule automobile 10.
[0090] Dans la suite, la variable y représente de façon générale une donnée observable. En particulier, dans ce premier exemple, y est directement égale à la mesure de la vitesse longitudinale
[0091] On note aussi x le vecteur d’état, c’est-à-dire l’état du véhicule automobile 10. Le vecteur d’état comprend, dans ce modèle cinématique, la vitesse longitudinale Vx et la vitesse latérale Vy. Ici, le vecteur d’état instantané est noté t est donc ca- Xk ractérisé par la vitesse longitudinale Vx et la vitesse latérale Vy
Figure imgf000014_0002
k. Le vecteur d’état est par exemple initialisé comme un vecteur nul à l’instant kO, ce qui correspond au véhicule automobile 10 à l’arrêt. Quand le véhicule automobile 10 démarre, le filtre commence à être itéré pour déterminer les états successifs.
[0092] Avantageusement, ce modèle utilise uniquement des grandeurs (vitesse de lacet r, accélération a„ ay) facilement accessibles, fournies par des capteurs bon marchés.
[0093] Le filtre de Kalman permet l’estimation du vecteur d’état x régi par l'équation différentielle stochastique linéaire de type :
Figure imgf000014_0003
[0095] avec pour équation de mesure de la donnée observable y à l’instant k
Figure imgf000014_0004
[0097] Les matrices A, B eX. H représentent respectivement la matrice de transition, la matrice liée à la commande u et la matrice d’observation. Ici, la commande u à l’instant k-1 est le vecteur _ ï axl comprenant les accélérations longitudinal ax ukA ~ av
Figure imgf000014_0005
et latérale ay à l’instant k-1. Le vecteur u est ici mesuré au moyen de la centrale inertielle du véhicule automobile 10. Ces matrices sont définies par les équations suivantes :
Figure imgf000015_0001
[0099] Les variables aléatoires qk t et mk représente le bruit du modèle (bruit d’état) et le bruit de mesure, elles sont considérées gaussiennes et indépendantes l’une de l’autre. Cela est par exemple le cas lorsque qu’il n’y a pas de pente (chaussée horizontale) et que le contact avec la chaussée au niveau des roues 11, 12 est un roulement sans glissement.
[0100] L’itération du filtre de Kalman est schématisée en [Fig.3],
[0101] Dans ce premier exemple (ainsi que dans l’Exemple 2 ci-après), la notation
Figure imgf000015_0002
représente le vecteur d’état prédit à l’étape Fl et à l’itération k du filtre. La notation
Figure imgf000015_0003
représente le vecteur d’état corrigé à l’étape F2 et à l’itération k du filtre. La notation représente le vecteur d’état calculé à l’itération k-1 du filtre (i.e. l’état précédent prédéterminé du modèle).
[0102] Le vecteur d’état corrigée à l’étape F2 est calculé selon la formule :
Figure imgf000015_0004
[0104] La donnée observable yk est obtenue à l’étape E4, ici par la mesure de la vitesse longitudinale
Figure imgf000015_0005
comme le montre [Math. 2], La variable Kk est le gain de correction du filtre à l’itération k (cf. [Fig.3] pour sa formule). Sur la [Fig.3], P représente la covariance de l’erreur et Q la covariance du bruit d’état.
[0105] A la fin de l’étape E4, le vecteur d’état à l’instant k (i.e. l’état instantané du véhicule automobile 10) est estimé. Dans ce premier exemple, le couple modèle/filtre est donc basé sur une estimation de la vitesse latérale Vy sur la base, notamment, d’une mesure de la vitesse longitudinale Vx.
[0106] Dans ce premier exemple de couple filtre/modèle, l’étape E5 comprend le calcul de l’angle de dérive P au moyen des deux variables d’état, à savoir la vitesse longitudinale
Vx et la vitesse latérale
Figure imgf000015_0006
L’angle de dérive p est ici calculé selon la formule : fi = . Ici, on fait l’hypothèse des petits angles : pour x proche de zéro
Figure imgf000015_0007
sin(x)«x et cos(x)«l, donc
Figure imgf000015_0008
[0107] D’après [Math. 1], on remarque que le modèle n’est observable que pour des valeurs de vitesse de lacet r non milles. L’estimation est aussi moins précise lorsque la vitesse longitudinale Vx est faible. En pratique, l’algorithme d’apprentissage automatique est conçu de sorte que le calculateur 13 sélectionne le couple modèle/filtre de ce premier exemple seulement si la vitesse de lacet r et la vitesse longitudinale Vx sont suffisamment élevées (i.e. supérieures à des valeurs seuils). [0108] Exemple 2 : Modèle dynamique et filtre de Kalman étendu
[0109] Ce deuxième exemple est basé sur l’utilisation d’un modèle dynamique. Le modèle dynamique, contrairement au modèle cinématique présenté ci-dessus, prend en compte les efforts subis par les roues. Ce modèle dynamique permet de pallier les carences du modèle cinématique qui est peu adapté lorsque la vitesse de lacet r est au proche de zéro. Le modèle dynamique est plus complet et prend en compte d’autres aspects in- trinsèques au véhicule automobile 10 ainsi que sa dynamique.
[0110] Le modèle dynamique est ici défini par les deux équations suivantes :
[OUI] - une équation d’état :
Figure imgf000016_0001
[0115] dans laquelle MyawC représente le moment de lacet au centre de gravité C.
[0116] Dans ce modèle le vecteur d’état comprend comme variables d’état l’angle de dérive
B et la vitesse de lacet r. A l’instant k, le vecteur d’état instantané est noté
*k =
Figure imgf000016_0002
La donnée observable y est quant à elle la mesure de la vitesse de lacet r.
[0117] Ce modèle dynamique comprend ici un modèle de pneu de Dugoff permettant d’estimer les variations de rigidité de dérive des trains avant et arrière. En variante, les rigidités de dérive peuvent être supposées constantes.
[0118] Le filtre mis en œuvre dans ce deuxième exemple est un filtre de Kalman étendu. Ce filtre, qui dérive du filtre de Kalman, permet l’estimation d’un vecteur état d’un modèle non linéaire, c’est-à-dire un modèle où la relation entre la mesure et le vecteur d’état est non linéaire.
[0119] D’après [Math. 7] et [Math. 8], le modèle dynamique peut être écrit sous la forme :
Figure imgf000016_0003
[0123] Comme dans le premier exemple (filtre de Kalman), les variables aléatoires qk.j et mk désignent le bruit d’état et le bruit de mesure.
[0124] Ici, la méthode explicite d’Euler est utilisée pour exprimer le modèle sous une forme convenant à l’implémentation du filtre. Cette méthode donne :
Figure imgf000017_0001
[0127] où xk.j et xk représentent le vecteur d’état.
[0128] La méthode d’Euler permet de relier simplement les vecteurs d’état aux différents instants. La période d’échantillonnage Te est choisie en fonction de la fréquence à laquelle les mesures sont acquises pour déterminer les données observables et permet de relier les états aux instants k et k-1 : xk = xk + Te Xk . Ici, la période d’échantillonnage est égale au pas de temps.
[0129] Les fonctions fk.} et hk.} sont respectivement les fonctions d’état et d’observation reliant les vecteurs d’état des instants k et k-1. Elles sont ici données par :
Figure imgf000017_0002
[0133] avec
Figure imgf000017_0003
filtre de Kalman étendu est schématisée en [Fig.4],
[0136] Pour itérer ce filtre de Kalman étendu, le calculateur 13 calcule les dérivées partielles de la fonction/et de la fonction h autour de
Figure imgf000017_0004
L’itération du filtre de Kalman étendue est ensuite semblable à celle du filtre de Kalman un fois le modèle dynamique linéarisée, comme le montre la [Fig.4],
[0137] Ici, le filtre de Kalman étendu est appliqué au modèle dynamique linéarisé et discrétisé selon la méthode d’Euler. Les paramètres intervenant dans l’itération du filtre et apparaissant sur la [Fig.4] sont :
[0138] - la matrice jacobienne des dérivées partielles de/par rapport à x, c’est-à-dire [0139]
Figure imgf000018_0001
[0140] - Q ij la matrice jacobienne des dérivées partielles de/par rapport à q, c’est-à-dire
[0141]
Figure imgf000018_0002
[0142] - la matrice jacobienne des dérivées partielles de h par rapport à x, c’est-à-dire
[0143]
Figure imgf000018_0003
[0144] - R[ij], est la matrice jacobienne des dérivées partielles de h par rapport à m, c’est-à-dire
Figure imgf000018_0004
[0146] Sur la [Fig.4], P représente la covariance de l’erreur.
[0147] Dans ce deuxième exemple de couple filtre/modèle, l’étape E5 comprend la détermination de l’angle de dérive [3 directement à partir du vecteur d’état. En effet, l’angle de dérive P est une des variables d’état, il est donc estimé à l’étape E4.
[0148] Exemple 3 : Modèle bicyclette et filtre particulaire
[0149] Dans ce troisième exemple de couple modèle/filtre, le filtre est un filtre particulaire.
On ne rappellera pas ici la théorie (qui peut être retrouvée dans tout ouvrage d’ingénierie approprié) des filtres particulaires qui sont basés sur les chaînes de Markov cachées, les méthodes Monte-Carlo (en particulier l’échantillonnage préférentiel) et l’interférence bayésienne. On explicitera cependant son application particulière au modèle bicyclette, c’est-à-dire sa mise en œuvre pratique par le calculateur 13.
[0150] Les filtres particulaires permettent d’estimer le vecteur d’état instantané d’un modèle fortement non linéaire et non gaussien. Les filtres particulaires permettent de calculer des densités de probabilité comme étant des sommes pondérées de Dirac.
[0151] Le modèle bicyclette est ici défini par les deux systèmes d’équations suivants :
[0152] - deux équations d’état :
Figure imgf000018_0005
[0154] - deux équations de mesure :
Figure imgf000018_0006
[0156] Ce modèle est en partie basé sur un modèle pneumatique linéaire reliant les forces latérales sur l’essieu avant Fyf et arrière Fyr à l’angle de dérive des roues avant
Figure imgf000019_0001
et arrière [} . Ce modèle pneumatique est donné par les équations suivantes :
Figure imgf000019_0002
[0159] Dans ce modèle, le vecteur d’état comprend comme variables d’état l’angle de dérive P et la vitesse de lacet r. Les données observables sont la vitesse de lacet r et l’accélération latérale ay. Ce modèle fait aussi l’hypothèse des petits angles.
[0160] L’itération du filtre particulaire est schématisée en figure 5. Sur cette figure, la notation x représente une particule et x^ le vecteur d’état. Les particules sont ici vectorielles dans le sens où chacune d’entre elles représente une valeur de l’angle de dérive P et une valeur de la vitesse de lacet r.
[0161] Le filtrage particulaire débute par une étape F0 d’initialisation comprenant un tirage de particules initiales XQ, XQ, ■ ■ ■ , XQ , N étant le nombre de particules initiales, suivant une distribution uniforme q. A l’étape F0 d’initialisation, toutes les particules ont un coefficient de pondération identique io0 égale à 1/N.
[0162] Le nombre N de particules initiales est par exemple compris entre 1000 et 100 000. De préférence, le nombre de particules est supérieur à 10 000, ce qui permet d’estimer avec précision l’angle de dérive P même lorsque le véhicule automobile 10 manœuvre brusquement. Utiliser davantage de particules requiert cependant plus de puissance de calcul. L’étape F0 d’initialisation à lieu uniquement lors de la première itération du filtre. Sur la [Fig.5], le symbole « ~ » représente une pondération, ici une pondération brute différente d’une pondération normalisée à l’unité.
[0163] L’étape de prédiction Fi a lieu uniquement à partir de la deuxième itération du filtre en ce sens qu’elle est remplacée par l’étape F0 lors de la première itération. Les particules provenant de l’itération précédente sont ensuite propagées (c’est-à-dire tirée) suivant la distribution q. En d’autres termes, la distribution q est une densité de probabilité q propage les particules en fonction de l’état précèdent du modèle.
[0164] L’étape F2 de correction est ensuite divisée en plusieurs sous-étapes. L’étape F2 de correction a pour rôle principal de calculer les coefficients de pondération jk des particules de l’itération k sur la base des coefficients de pondération
Figure imgf000019_0003
de l’itération précédente k-1.
[0165] Tout d’abord, pour effectuer cette étape, le calculateur 13 calcule deux densités de probabilité (issues d’une chaîne de Markov cachée). Premièrement, le calculateur 13 calcule la probabilité a priori p ^|x . ] ) qui est la probabilité de passage d’un état au suivant. Cette probabilité a priori est calculée grâce deux équations d’état (cf. [Math. 11]). Ainsi, les particules à l’itération k sont calculés sachant les particules X^ à l’itération k-1 au moyen de de [Math. 11], Elle ne dépend donc que de l’état précédent. Deuxièmement, le calculateur 13 calcule la vraisemblance y | ]Q
Figure imgf000020_0001
permet de relier les données observables yk au vecteur d’état à estimer. Ici, la vraisemblance est une loi gaussienne multidimensionnelle définie par l’équation :
Figure imgf000020_0002
[0167] dans laquelle Nv représente le nombre de variables d’état, x le vecteur d’état, p un vecteur de moyennes associées au vecteur d’état, Z la variance de ce vecteur p et de l’opérateur déterminant. Ce vecteur p et sa variance 2 peuvent être calibrés comme la covariance des bruits de mesure et des bruits de modèle.
[0168] Grâce à ces deux densités de probabilité, coefficients de pondération wk de l’itération k sont calculés à la sous-étape F21, comme le montre la [Fig.5],
[0169] A la sous-étape F22, les coefficients de pondération mk de l’itération k sont normalisés.
[0170] A la sous-étape F23, le vecteur d’état instantané xk est calculé comme la somme des particules pondérés de leurs coefficients de pondération normalisé
Figure imgf000020_0003
[0171] Comme le montre la figure 7, de manière optionnelle, les particules peuvent être retirées à une sous-étape F24 lorsque la condition suivante est vérifiée : densité de probabilité.
Figure imgf000020_0004
[0172] Ici, la méthode explicite d’Euler est présentée précédemment est aussi utilisée pour exprimer le modèle bicyclette sous une forme convenant à l’implémentation du filtre particulaire.
[0173] Dans ce troisième exemple, les paramètres suivants peuvent être utilisés pour implémenter le filtre particulaire :
- la covariance des bruits de mesure est égale à le-2 pour la vitesse longitudinale Vx ;
- la covariance des bruits d’état est égale à le-1 pour la vitesse longitudinale Vx et est comprise entre le-2 et 0.2 pour la vitesse latérale
Figure imgf000020_0005
;
[0174] - la distribution initiale est une gaussienne centrée de covariance le-2 pour la vitesse longitudinale Vx et pour la vitesse latérale Vy. La distribution initiale intervient lors de la première itération du filtre.
[0175] Exemple 4 : Modèle dynamique avec marche aléatoire et filtre particulaire
[0176] Dans ce quatrième exemple de couple modèle/filtre, le filtre est aussi un filtre particulaire. Son implémentation est identique à celle du filtre présenté dans le troisième exemple. [0177] Le modèle est ici un modèle dynamique avec marche aléatoire. Ce modèle ne nécessite pas de connaissances liées à un modèle pneumatique. Les équations utilisées sont issues du principe fondamental de la dynamique. Le vecteur d’état inclut notamment les forces latérales sur l’essieu avant Fyf et sur l’essieu arrière Fyr et la force longitudinale avant Fxf. Le principe de la marche aléatoire est de considérer que les forces exercées sur les roues 11, 12 (i.e. les forces latérales sur le l’essieu avant Fyf et arrière Fyr et la force longitudinale avant F^f) sont constantes, donc que leurs dérivées temporelles sont nulles, et d’ajouter un bruit élevé qui permettra d’avoir des variations de forces aléatoires sur chaque particule.
[0178] Les équations d’état sont :
Figure imgf000021_0001
[0180] Les équations d’observations sont :
Figure imgf000021_0002
[0182] Dans ce quatrième exemple, les paramètres suivants peuvent être utilisés pour implémenter le filtre particulaire :
- la covariance des bruits de mesure est par exemple égale à le-2 pour la vitesse de lacet r et à 1 pour l’accélération longitudinale ax ;
[0183] - la covariance des bruits de modèle est par exemple égale à le-2 pour la vitesse de lacet r, le-3 pour l’angle de dérive [3, 1500 pour la force latérales sur le l’essieu avant Fyf, 1500 pour la force latérale sur le l’essieu arrière FKet 200 pour la force longitudinal sur le l’essieu avant F/;
- la distribution initiale est une gaussienne centrée de covariance le-4 pour la vitesse de lacet r, le-5 pour l’angle de dérive [3, le3 pour la force latérales sur le l’essieu avant Fyf, le3 pour la force latérale sur le l’essieu arrière Fyr, le3 pour la force longitudinal sur le l’essieu avant F/;
- le nombre de particules est compris 30 000 et 100 000.
[0184] La présente invention n’est nullement limitée aux modes de réalisation décrits et re- présentés, mais l’homme du métier saura y apporter toute variante conforme à l’invention.
[0185] Par exemple, il peut être prévu, au lieu d’utiliser un algorithme d’apprentissage automatique, de sélectionner un couple modèle/filtre dans lequel le modèle linéaire lorsque la valeur d’un paramètre cinématique du véhicule est supérieure à une valeur seuil prédéterminée. Ainsi, par exemple, le couple modèle cinématique et filtre de Kalman (Exemple 1) peut être sélectionné lorsque la vitesse de lacet est supérieure à une valeur seuil. Lorsque la vitesse de lacet est supérieure à ladite valeur seuil, le calculateur sélectionne alors par exemple le couple modèle dynamique et filtre de Kalman étendu (Exemple 2) ou le couple basé sur un filtre particulaire (Exemples 3 et 4). Ce même principe de sélection peut être basé sur la vitesse longitudinal.
[0186] Encore en variante, il peut être prévu, au lieu d’utiliser un algorithme d’apprentissage automatique, de sélectionner un couple modèle/filtre sur la base de plusieurs valeurs de paramètres cinématiques du véhicule en comparant chaque valeur à une valeur seuil associée. La sélection se fait alors en fonction de ces comparaisons, qui sont par exemple implémentées les unes après les autres. Les comparassions concernant les paramètres cinématiques les plus importants (i.e. les plus représentatifs de la situation de conduite) peuvent être implémentées en premières.
[0187] D’autres couples modèle/filtre que ceux décrits en détail ci-dessus peuvent être enregistrés sur la mémoire du calculateur et sélectionnés dans le procédé selon l’invention. A titre d’exemple, le filtre particulaire peut être utilisé en combinaison avec le modèle cinématique (Exemple 1) ou le modèle dynamique (Exemple 2). Il peut aussi être utilisé en combinaison avec un modèle mixte basé sur le modèle dynamique avec marche aléatoire (Exemple 4) incluant de plus l’angle de dérive estimé par un filtre de Kalman avec modèle cinématique. L’angle de dérive du filtre de Kalman est alors comparé avec l’angle estimé par le filtre particulaire pour améliorer l’estimation.
[0188] Il peut aussi être prévu de sélectionner un seul couple modèle/filtre (toujours en fonction d’au moins un paramètre cinématique) puis d’estimer l’angle de dérive uniquement grâce à ce couple, c’est-à-dire sans passer par la détermination des angles de dérive préliminaires.

Claims

Revendications
[Revendication 1] Procédé de calcul d’un angle de dérive (P) d’un véhicule automobile (10), le procédé étant mis en œuvre par un calculateur (13) du véhicule automobile (10), le procédé comprenant les étapes suivantes :
- acquisition d’une valeur d’au moins un paramètre cinématique (Vx, r) du véhicule automobile (10) ;
- sélection d’un modèle et d’un filtre, sur la base de ladite valeur dudit au moins un paramètre cinématique (Vx, r), parmi respectivement une liste prédéterminée de modèles et une liste prédéterminée de filtres, ledit modèle décrivant un mouvement du véhicule automobile (10), ledit filtre étant adapté à estimer un état instantané dudit modèle sur la base d’au moins une donnée observable (Vy) et d’un état antérieur prédéterminé dudit modèle ;
- détermination de ladite au moins une donnée observable (Vy) ;
- calcul, par itération dudit filtre, de l’état instantané dudit modèle ;
- déduction, à partir de l’état instantané, de l’angle de dérive (P).
[Revendication 2] Procédé selon la revendication 1, selon lequel l’étape de sélection est basée sur un algorithme d’apprentissage automatique.
[Revendication 3] Procédé selon la revendication 2, dans lequel il est prévu d’entraîner l’algorithme d’apprentissage automatique sur la base d’une base de données associant des valeurs de paramètres cinématiques (Vx, r) du véhicule avec des couples formés d’un des modèles et d’un des filtres desdites listes, la base de donnée étant établie en équipant un véhicule de test d’un capteur adapté à mesurer l’angle de dérive et en déterminant, pour plusieurs ensembles de valeurs de paramètres cinématiques (Vx, r), lequel desdits couples fournit l’estimation de l’angle de dérive (p) la plus proche de la mesure de l’angle de dérive fournie par le capteur.
[Revendication 4] Procédé selon l’une des revendications 1 à 3, selon lequel le paramètre cinématique (Vx, r) est relatif au mouvement du véhicule automobile (10) par rapport à une chaussée sur laquelle circule le véhicule automobile (10) ou à un mouvement d’un élément mobile du véhicule destiné au roulage.
[Revendication 5] Procédé selon l’une des revendications 1 à 4, selon lequel chaque filtre de la liste prédéterminée est un filtre numérique récursif, bayésien ou particulaire, qui est basé sur une chaine de Markov cachée.
[Revendication 6] Procédé selon l’une des revendications 1 à 5, selon lequel chaque modèle de ladite liste prédéterminée est choisi dans le groupe comprenant : un modèle cinématique linéaire, un modèle dynamique non-linéaire, un modèle dynamique avec marche aléatoire, un modèle de type bicyclette.
[Revendication 7] Procédé selon l’une des revendications 1 à 6, selon lequel le modèle comprend au moins une équation de mouvement relative à une évolution temporelle d’un état du véhicule automobile (10) et au moins une équation de mesure permettant de calculer ladite donnée observable (Vy) sur la base d’une mesure d’au moins un paramètre cinématique (Vx, r).
[Revendication 8] Procédé selon l’une des revendications 1 à 7, selon lequel ladite donnée observable est relative au mouvement du véhicule automobile (10).
[Revendication 9] Procédé selon l’une des revendications 1 à 8, dans lequel il est prévu, à chaque itération, de calculer plusieurs angles de dérive préliminaires au moyen de plusieurs couples formés d’un des modèles et d’un des filtres desdites listes, et de déterminer l’angle de dérive (|3) en sélectionnant l’un des angles de dérive préliminaires sur la base de ladite valeur dudit au moins un paramètre cinématique (Vx, r).
[Revendication 10] Véhicule automobile (10) comprenant un calculateur (13), ledit calculateur (13) comprenant :
- une interface adaptée à l’acquisition d’une valeur d’au moins un paramètre cinématique (Vx, r) du véhicule automobile (10) ;
- une mémoire sur laquelle sont enregistrées une liste prédéterminée de modèles décrivant un mouvement du véhicule automobile (10) et une liste prédéterminée de filtres ;
- un processeur programmé pour :
■ sélectionner un modèle et un filtre, sur la base de ladite valeur dudit au moins un paramètre cinématique (Vx, r), parmi respectivement une liste prédéterminée de modèles et une liste prédéterminée de filtres, ledit modèle décrivant un mouvement du véhicule automobile (10), ledit filtre étant adapté à estimer un état instantané dudit modèle sur la base d’au moins une donnée observable (Vy) et d’un état antérieur prédéterminé dudit modèle ;
■ déterminer ladite au moins une donnée observable (Vy) ;
■ calculer, par itération dudit filtre, l’état instantané dudit modèle ;
• déduire, à partir de l’état instantané, l’angle de dérive (P).
PCT/EP2024/065349 2023-06-09 2024-06-04 Procédé de calcul d'un angle de dérive d'un véhicule automobile Ceased WO2024251741A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP24731870.2A EP4724320A1 (fr) 2023-06-09 2024-06-04 Procédé de calcul d'un angle de dérive d'un véhicule automobile

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2305869A FR3149574B1 (fr) 2023-06-09 2023-06-09 Procédé de calcul d’un angle de dérive d’un véhicule automobile
FRFR2305869 2023-06-09

Publications (1)

Publication Number Publication Date
WO2024251741A1 true WO2024251741A1 (fr) 2024-12-12

Family

ID=87800796

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/065349 Ceased WO2024251741A1 (fr) 2023-06-09 2024-06-04 Procédé de calcul d'un angle de dérive d'un véhicule automobile

Country Status (3)

Country Link
EP (1) EP4724320A1 (fr)
FR (1) FR3149574B1 (fr)
WO (1) WO2024251741A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10059030B4 (de) * 1999-11-29 2007-06-28 Aisin Seiki K.K., Kariya Vorrichtung zum Schätzen eines Fahrzeugschwimmwinkels
DE102016214064A1 (de) * 2016-07-29 2018-02-01 Zf Friedrichshafen Ag Bestimmung von Fahrzustandsgrößen
CN116101295A (zh) * 2023-03-31 2023-05-12 重庆长安汽车股份有限公司 一种地面附着系数获取方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10059030B4 (de) * 1999-11-29 2007-06-28 Aisin Seiki K.K., Kariya Vorrichtung zum Schätzen eines Fahrzeugschwimmwinkels
DE102016214064A1 (de) * 2016-07-29 2018-02-01 Zf Friedrichshafen Ag Bestimmung von Fahrzustandsgrößen
CN116101295A (zh) * 2023-03-31 2023-05-12 重庆长安汽车股份有限公司 一种地面附着系数获取方法、装置及存储介质

Also Published As

Publication number Publication date
FR3149574A1 (fr) 2024-12-13
EP4724320A1 (fr) 2026-04-15
FR3149574B1 (fr) 2025-05-02

Similar Documents

Publication Publication Date Title
FR2771366A1 (fr) Procede et dispositif de calcul d'angle de derapage de caisse dans un systeme de controle de mouvement de vehicule
FR2980573A1 (fr) Procede d'estimation de la resistance au roulement d'une roue de vehicule
WO2019175516A1 (fr) Procédé de calibration d'un gyromètre équipant un véhicule
EP3898366B1 (fr) Dispositif et procédé de contrôle de trajectoire d'un véhicule automobile
FR2918337A1 (fr) Procede d'identification du moment d'inertie vertical et des rigidites de derive d'un vehicule automobile
EP4724320A1 (fr) Procédé de calcul d'un angle de dérive d'un véhicule automobile
EP4168288A1 (fr) Dispositif de contrôle de direction d'un véhicule
WO2017198972A1 (fr) Procédé de détermination d'une marge d'adhérence anticipée pour un véhicule en situation de roulage
FR2947899A1 (fr) Procede de detection de pente et de devers, et d'estimation de leur signe
EP4526166A1 (fr) Procede de pilotage autonome d'un appareil automobile
EP1756688A1 (fr) Procede d'estimation de l'ecart evalue entre la position d'un vehicule et une trajectoire theorique
EP4370392A1 (fr) Procédé et dispositif de contrôle de la trajectoire d'un véhicule automobile circulant sur une voie de circulation et véhicule associé
FR3092914A1 (fr) Procédé de détermination de la trajectoire d'un véhicule comprenant quatre roues directrices
FR2912363A1 (fr) Systeme et procede de determination de l'angle de devers d'un vehicule a partir des efforts exerces sur les roues
WO2021249809A1 (fr) Procede de calibration d'une camera et dispositif associe
FR2888810A1 (fr) Procede de controle de l'orientation directionnelle d'un vehicule
EP3820756B1 (fr) Procédé d'élaboration d'une consigne de commande prédictive apte à être implantée dans une unité de commande de trajectoire d'un véhicule automobile
EP4430569B1 (fr) Procédé d'estimation dynamique du tangage d'un véhicule automobile au moyen d'un capteur d'acquisition d'images
EP1804041A1 (fr) Méthode d'estimation en temps réel d'un effort avant et d'un effort arrière appliqués par le sol à un véhicule
FR3165854A1 (fr) Procédé de synthèse d’un contrôleur de type H infini pour un système de commande de mouvement d’un véhicule
EP4359278A1 (fr) Procede d'optimisation du contrôle dynamique du châssis d'un vehicule
WO2026046692A1 (fr) Procédé et dispositif de détermination de la masse totale d'un véhicule
FR2892823A1 (fr) Methode de determination d'une derivee de vitesse longitudinale d'un vehicule automobile.
FR3149851A1 (fr) Procédé et dispositif de gestion du fonctionnement d’un actionneur de châssis d’un véhicule automobile en fonction de l’angle de dérive du véhicule
EP4227912A1 (fr) Procede de detection d'une ligne centrale d'une voie de circulation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24731870

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024731870

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024731870

Country of ref document: EP

Effective date: 20260109

ENP Entry into the national phase

Ref document number: 2024731870

Country of ref document: EP

Effective date: 20260109

ENP Entry into the national phase

Ref document number: 2024731870

Country of ref document: EP

Effective date: 20260109

ENP Entry into the national phase

Ref document number: 2024731870

Country of ref document: EP

Effective date: 20260109

ENP Entry into the national phase

Ref document number: 2024731870

Country of ref document: EP

Effective date: 20260109

WWP Wipo information: published in national office

Ref document number: 2024731870

Country of ref document: EP