用于确定轮胎的摩擦曲线的系统和方法技术方案

一种系统根据运动数据校准行驶在在道路上的车辆的轮胎摩擦函数，该运动数据包括在道路上移动车辆的对于车辆的控制输入序列和通过控制输入序列移动的车辆的运动的对应测量结果序列。系统迭代更新轮胎摩擦函数的概率分布直到终止条件被满足，其中，对于一次迭代，系统对轮胎摩擦函数的概率分布进行采样，确定车辆的状态轨迹以根据测量结果模型拟合序列测量结果并根据包括轮胎摩擦函数样本的运动模型拟合控制输入序列，以及基于车辆的状态轨迹更新轮胎摩擦函数的概率分布。更新轮胎摩擦函数的概率分布。更新轮胎摩擦函数的概率分布。

【技术实现步骤摘要】
【国外来华专利技术】用于确定轮胎的摩擦曲线的系统和方法


[0001]本专利技术总体上涉及车辆控制，并且更特定地涉及用于根据在车辆控制期间收集的数据来确定轮胎的摩擦曲线的方法和装置。

技术介绍

[0002]轮胎与道路的相互作用是生成或改变轮式车辆运动的主导因素，并且涉及与轮胎与道路的相互作用相关的变量的知识对于现代车辆中的许多主动安全系统至关重要。与道路摩擦相关的参数被用在许多现代车辆中。例如，防抱死制动系统(ABS)、电子稳定性控制系统 (ECS)和先进驾驶辅助系统(ADAS)都对与轮胎与道路的相互作用相关的参数进行可扩展的使用，以提供先进的安全机制。
[0003]尽管有若干因素决定轮胎与道路的相互作用，但通常将轮胎摩擦建模为车轮滑移的静态函数。在纵向情况下，即在车轮的前向方向上，滑移是根据由车轮转速或纵向速度(取两者中较大者)归一化的纵向速度和车轮转速的差值(即车轮是加速还是制动)来定义的。在横向情况下，即在车轮的横向方向上，滑移是根据车轮的横向和纵向速度分量之间的比率来定义的。
[0004]了解轮胎函数对于可靠的车辆控制是重要的，因为用于实现 ADAS特征的若干方法依赖于轮胎摩擦随滑移变化的准确模型。不幸的是，轮胎摩擦估计中涉及的车辆状态在生产车辆中没有被直接测量。因此，轮胎摩擦估计通常也通过间接摩擦确定方法完成，有时结合太贵而无法被部署在生产车辆中的传感器来完成。
[0005]许多方法旨在使用各种优化技术来估计轮胎的参数。例如，第 8,065,067号美国专利中描述的方法使用收集的数据的箱来近似非线性函数并使用非线性优化来最小化摩擦误差。然而，已知非线性优化在局部最优中容易缺乏收敛性。此外，依赖非线性优化需要使用特定的轮胎模型，这是次优的，因为不同的轮胎模型适用于不同的目的。
[0006]用于确定轮胎摩擦的方法通常基于高精度传感器设置或试验台。然而，高精度传感器是昂贵的，并且试验台只是现实世界的近似，使得在试验台中确定特定的轮胎模型将仅对于该特定试验台是正确的。
[0007]因此，需要用于使用生产车辆中可用的传感器来确定道路表面和轮胎之间的轮胎的系统和方法。

技术实现思路

[0008]一些实施例的目的是提供一种用于确定轮胎摩擦曲线的系统。此摩擦曲线定义了轮胎与道路的接触摩擦并且在本文中被称为轮胎摩擦函数。一些实施例的另一个目的是提供一种方法，该方法适用于从使用在大规模生产车辆中可用的低成本传感器测量的试驾运动数据来确定轮胎摩擦函数。一些实施例的另一个目的是提供一种用于确定轮胎摩擦函数的方法，该方法是概率性的和非参数化的以捕获现实世界中常见的不确定性。一些实施例的另一个目的是提供一种用于确定轮胎摩擦函数的方法，该方法不依赖于先验确定的轮胎
模型。
[0009]一些实施例基于认识到从在实时车辆控制期间收集的数据估计轮胎摩擦函数对扰动和在数据收集期间行驶的道路的细节是敏感的。通过使用概率方法确定轮胎摩擦，不仅可以捕获传感器数据中的不确定性而且可以捕获在捕获数据的特定道路的细节中的不确定性。实际上，使用概率方法给出了捕获运动数据中的不确定性的可能性，其中不确定的数据可能由于有限的数据量或由于状态空间区域中系统的有限激励而出现。使用非参数方法提供了更大的灵活性，因为确定的接触力摩擦关系与具体模型无关。
[0010]为此，一些实施例首先确定道路和轮胎之间的摩擦的可能的函数的概率分布，其次从所述概率分布确定具体函数。以这样的方式进行确保确定的轮胎与道路接触摩擦关系遵循源于可用数据的不确定性。
[0011]一些实施例基于认识到车辆的运动取决于描述轮胎与道路接触摩擦关系的轮胎摩擦函数。因此，使用一批收集的传感器数据迭代估计状态轨迹，并使用估计的状态轨迹和车辆运动模型更新轮胎摩擦函数是有吸引力的。然而，由于各种不确定性，例如，仅仅通过找到将拟合测量结果的轮胎摩擦函数，确定性地确定这样的轮胎摩擦函数是不切实际的。
[0012]一些实施例基于意识到未知轮胎摩擦可以被视为车辆运动模型的随机不确定性以产生具有未知摩擦的运动模型。此外，一个实施例认识到通常存在作用于车辆运动的其他扰动。例如，由于产生控制输入的致动器的不确定性，或其他未建模动力学特性(dynamics)，例如，轮胎悬架系统建模的简化。另一个实施例是基于理解到如果由未知轮胎摩擦引起的随机不确定性是仅有的随机分量，则如上所述的所有其他误差都将由未知轮胎摩擦来描述，这将导致对轮胎摩擦的错误估计。因此，一个实施例引入了作用于车辆运动模型的随机扰动，该随机扰动与描述轮胎摩擦的随机扰动组合对车辆的完整运动建模。
[0013]车辆的测量结果模型还可以被表示为包括描述轮胎与道路接触摩擦关系的函数，例如，可以测量车辆的纵向加速度、横向加速度和转速。通过使用这样的测量结果，未知的轮胎摩擦可以至少间接地由运动模型和测量结果模型来表示。运动和测量结果通过车辆行驶的状态轨迹相关联，如果轮胎摩擦和随机扰动已知，则运动和测量结果在直到一定阈值内应该是相同的。差值的变化阻止确定轮胎摩擦，但允许确定轮胎摩擦的概率分布。
[0014]一些实施例基于概率轮胎摩擦不适合车辆模型的认识。然而，一些实施例基于意识到可以对(由它们相应的概率分布定义的)轮胎摩擦的函数的可行空间和随机扰动的方差的可行空间进行采样，并在状态轨迹、轮胎摩擦和随机扰动的方差的联合估计中使用被采样的量。值得注意的是，一些实施例的联合估计更新了量的概率分布，而不是量的值。
[0015]例如，一些实施例使用轮胎摩擦函数的概率分布，也被称为轮胎摩擦函数的概率密度函数(PDF)。该PDF上的每个样本是整个轮胎摩擦函数，而不是单个摩擦值。在一些实现中，轮胎摩擦函数的 PDF可以被视为高斯过程，即具有连续域(例如空间)的函数上的分布，使得高斯过程的样本是连续的轮胎摩擦函数。将轮胎函数的 PDF表示为高斯过程提高了轮胎摩擦函数估计的准确度。然而，根据高斯过程的原理估计轮胎摩擦函数是一项具有计算挑战性的任务。
[0016]一些实施例基于意识到一种简化高斯过程的估计以确定轮胎摩擦函数的方式。具体地，在一些实施例中，轮胎摩擦函数被视为基函数的加权组合，并且轮胎摩擦函数的高斯过程由基函数的权重的高斯分布来捕获。可以证明，如果每个基函数的权重被建模为高斯
分布，则它具有轮胎摩擦函数被建模为高斯过程的解释。换句话说，为了更新高斯过程，一些实施例可以仅更新这些权重的高斯分布，并且为了对轮胎摩擦函数进行采样，一些实施例可以仅从高斯分布中采样N个标量权重。实际上，将轮胎摩擦函数视为基函数的加权组合减少了用于以概率方式估计轮胎摩擦的计算需求。
[0017]一个实施例基于洞察到生产车辆中已经采用的若干控制方法是基于特定轮胎模型的并且其中控制器是根据该轮胎模型的参数进行调整的。因此，一个实施例使用描述道路和轮胎之间摩擦的确定的函数，通过最小化描述具体轮胎模型和非参数函数之间的误差的成本函数，允许将具体轮胎模型的参数拟合到该确定的函数。
[0018]因此，一个实施例公开了一种用于校准行驶在道路本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于校准行驶在道路上的车辆的轮胎摩擦函数的系统，其中所述轮胎摩擦函数是将所述道路的表面与所述车辆的轮胎之间的摩擦描述为所述车辆的车轮的车轮滑移的函数的非线性函数，所述系统包括：存储器，所述存储器被配置为存储所述轮胎摩擦函数的概率分布、将对于所述车辆的控制输入与所述车辆的状态相关的运动模型、以及将所述车辆的运动的测量结果与所述车辆的所述状态相关的测量结果模型，其中所述运动模型包括所述轮胎摩擦函数，并且其中所述运动模型和所述测量结果模型中的一个或组合受到噪声的影响；输入接口，所述输入接口被配置为接受指示道路上的所述车辆的运动的运动数据，其中所述运动数据包括在所述道路上移动所述车辆的对于所述车辆的控制输入序列和通过所述控制输入序列移动的所述车辆的所述运动的对应测量结果序列；处理器，所述处理器被配置为迭代更新所述轮胎摩擦函数的所述概率分布直到终止条件被满足，其中，对于一次迭代，所述处理器被配置为对所述轮胎摩擦函数的所述概率分布进行采样；确定所述车辆的状态轨迹以根据所述测量结果模型拟合所述序列测量结果并根据包括所述轮胎摩擦函数的所述样本的所述运动模型拟合所述控制输入序列；以及基于所述车辆的所述状态轨迹更新所述轮胎摩擦函数的所述概率分布；以及输出接口，所述输出接口用于在所述终止条件被满足时呈现所述轮胎摩擦函数的所述概率分布和所述轮胎摩擦函数的所述概率分布的所述样本中的至少一个或组合。2.如权利要求1所述的系统，其中所述处理器被配置为通过使用所述车辆的所述运动模型递归地估计所述状态轨迹的分布并基于由所述运动轨迹和由所述测量结果轨迹确定的对应状态之间的差值来更新所述状态轨迹的所述分布，确定所述状态轨迹的概率分布；以及对所述状态轨迹的所述概率分布进行采样以产生所述车辆的所述状态轨迹以用于更新所述轮胎摩擦函数的所述概率分布。3.如权利要求2所述的系统，其中所述处理器被配置为对于每个时间步长，执行被配置为在每个时间步长处估计所述车辆的状态和所述状态的不确定性以产生状态轨迹的所述概率分布的卡尔曼滤波器。4.如权利要求2所述的系统，其中对于每个时间步长，所述卡尔曼滤波器使用所述运动模型确定所述车辆的所述状态及所述状态的不确定性并使用所述测量结果模型更新所述状态及所述状态的不确定性。5.如权利要求1所述的系统，其中对于所述运动数据中的每个时间步长，所述处理器执行粒子滤波器，所述粒子滤波器被配置为确定一组粒子，每个粒子表示用从所述噪声的概率分布中抽取的不同样本确定的所述状态轨迹；将来自所述一组粒子的每个粒子与所述测量结果进行比较以确定每个粒子的权重，所述权重表示所述粒子与根据所述测量结果模型由所述测量结果指示的状态轨迹之间的误差；以及将所述状态轨迹确定为根据每个粒子的所述权重加权的所述粒子的组合。6.如权利要求1所述的系统，其中所述处理器被配置为
确定对应于从所述轮胎摩擦函数的所述概率分布中抽取的不同样本的一组初始状态轨迹；使用所述测量结果模型将每个初始状态轨迹与所述测量结果进行比较以确定每个初始状态轨迹的权重，所述权重表示将所述初始状态轨迹与所述测量结果拟合的误差；以及将所述状态轨迹确定为根据每个初始第一状态轨迹的所述权重加权的所述初始状态轨迹的组合。7.如权利要求1所述的系统，其中所述处理器被配置为根据所述测量结果模型从指示所述车辆的所述状态的所述测量结果序列确定所述车辆的指示性状态轨迹；根据包括所述轮胎摩擦函数的所述样本的所述运动模型和所述指示性状态轨迹确定由所述控制输入序列产生的所述车辆的所述状态轨迹；以及更新所述轮胎摩擦函数的所述概率分布以降低所述车辆的所述状态轨迹与所述车辆的所述指示性状态轨迹之间的误差。8.如权利要求1所述的系统，其中所述车辆的所述测量结果模型包括所述轮胎摩擦函数，并且其中所述状态轨迹是使用包括所述轮胎摩擦函数的所述样本的所述测量结果模型来确定的。9.如权利要求1所述的系统，其中所述控制输入包括指定所述车辆的所述车轮的转向角和所述车轮的转速中的一个或组合的值的命令，并且其中所述测量结果包括所述车辆的转速和所述车辆的加速度中的一个或组合的值，并且其中所述状态轨迹包括状态序列，每个状态包括所述车辆的速度和航向速率，使得所述运动模型在连续时间步长处通过所述车辆的动力学特性将所述控制输入的所述值与所述车辆的所述状态的第一值相关，并且所述测量结果模型在所述相同时间步长处将所述测量结果的所述值与所述车辆的所述状态的第二值相关。10.如权利要求1所述的系统，其中所述轮胎摩擦函数的所述概率分布是被表示为一组基函数的加权组合的高斯过程，其中每个函数的每个权重具有高斯概率分布，并且其中为了更新所述轮胎摩擦函数的所述概率分布，所述处理器被配置为更新所述一组基函数的加权组合的至少一些权重的所述高斯概率分布。11.如权利要求10所述的系统，其中所述处理器被配置为基于所述状态轨迹更新基的...

【专利技术属性】
技术研发人员：K，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：