一种智能车辆可控能力等级预测方法技术

本发明专利技术提供了一种智能车辆可控能力等级预测方法，首先通过安装在智能车辆的视觉传感器识别智能车辆前方30米至50米范围的路面类型，根据前方30米至50米范围的路面类型对应的路面附着系数范围得到路面峰值附着系数；根据智能车辆实时采集到的车辆动力学响应信息，通过扩展卡尔曼滤波算法估计当前车辆所在位置的路面利用附着系数；然后采用时空同步方法将路面峰值附着系数和路面利用附着系数进行时空对齐；最后通过轮胎模型分别计算得到最大轮胎力和当前轮胎力，根据轮胎力的余量预测智能车辆的可控能力等级。车辆的可控能力等级。车辆的可控能力等级。

【技术实现步骤摘要】
一种智能车辆可控能力等级预测方法


[0001]本专利技术属于智能汽车
，涉及一种可控能力等级预测方法，更加具体的来讲，涉及一种智能车辆可控能力等级预测方法。

技术介绍

[0002]随着车辆智能化进程的推进，对智能车辆的安全性提出了更高的要求，智能车辆行驶过程中，常会遇到路况突变等紧急情况，提前预测智能车辆可控能力等级显得尤为重要，然而智能车辆直接获取可控能力较为困难，并且目前对这方面的研究较少；轮胎作为智能车辆与路面接触的唯一部件，准确获取和提前预知轮胎与路面之间相互作用产生的轮胎力给智能车辆获取可控能力带来契机；路面利用附着系数与路面峰值附着系数作为重要的路面信息，是获取智能车辆当前轮胎力和预测最大轮胎力的前提条件，准确获取当前轮胎力和提前预知未来轮胎力的余量进而根据模糊规则预测智能车辆可控能力等级，有助于及时调整智能车辆的控制策略，进一步提升智能车辆控制系统的安全性，保障智能车辆行车安全；

技术实现思路

[0003]为了克服现有技术存在的问题，本专利技术提供了一种智能车辆可控能力等级预测方法。
[0004]本专利技术是采用如下技术方案实现的：
[0005]一种智能车辆可控能力等级预测方法，步骤如下：
[0006]步骤一、通过安装在智能车辆的视觉传感器识别前方道路路面类型，根据路面类型对应的路面附着系数范围得到前方路面的峰值附着系数；
[0007]步骤二、根据智能车辆实时采集到的车辆动力学响应信息，通过扩展卡尔曼滤波算法估计当前智能车辆所在位置的路面利用附着系数；
[0008]步骤三、采用时空同步方法将路面峰值附着系数和路面利用附着系数进行对齐；
[0009]步骤四、通过轮胎模型分别计算得到最大轮胎力和当前轮胎力，根据轮胎力的余量预测智能车辆的可控能力等级；
[0010]与现有技术相比，本专利技术的有益效果为：
[0011]本专利技术提供了一种智能车辆可控能力等级预测方法，因为步骤三建立区间行驶时间预测模型估计得到智能车辆由当前位置行驶到前方30m处的区间行驶时间，所以能将前方路面30m处的路面峰值附着系数与当前位置的路面利用附着系数进行时空对齐；因为步骤四设计了智能车辆可控能力等级的模糊规则，输入为智能车辆剩余轮胎力等级与区间行驶时间等级，所以可得到精确的智能车辆可控能力等级。
附图说明
[0012]下面结合附图对专利技术作进一步的说明：
[0013]图1为本专利技术所述的一种智能车辆可控能力等级预测方法的流程图；
[0014]图2为本方法中的步骤三的时空同步方法的流程图；
具体实施方式
[0015]下面结合附图对本专利技术作详细的描述：
[0016]本专利技术提供了一种智能车辆可控能力等级预测，如图1所示，首先通过安装在智能车辆的视觉传感器识别智能车辆前方30米至50米范围的路面类型，根据智能车辆前方30米至50米范围的路面类型对应的路面附着系数范围得到路面峰值附着系数；根据智能车辆实时采集到的车辆动力学响应信息，通过扩展卡尔曼滤波算法估计当前车辆所在位置的路面利用附着系数；然后采用时空同步方法将路面峰值附着系数和路面利用附着系数进行时空对齐；最后通过轮胎模型分别计算得到最大轮胎力和当前轮胎力，根据轮胎力的余量预测智能车辆的可控能力等级，本方法具体步骤如下：
[0017]步骤一、通过安装在智能车辆的视觉传感器识别前方道路路面类型，根据路面类型对应的路面附着系数范围得到前方路面的峰值附着系数：
[0018]视觉传感器采用像素不低于500万的工业相机，最大帧率不低于60fps，镜头视角不小于58.81
°
；视觉传感器安装在智能车辆内部的前风挡玻璃中上方，达到拍摄区域不包含有智能车辆引擎盖的要求，以前方道路30米至50米范围的路面为识别区域；
[0019]在不同天气状况和不同光照条件下采集前方路面图像，保存为分辨率为1920
×
1080、格式为png的图片，根据结构化道路和非结构化道路的特点，按照路面材料和干湿程度将路面分为干沥青路面、干水泥路面、湿沥青路面、湿水泥路面、沙砾路面、干土路路面、湿土路路面、压实雪路面和冰路面共计9种路面类型，分别用1、2、
…
、9表示这9种路面类型；保证每种路面类型的图片数量不低于10000张，所有图片的数量不低于90000张，且每种路面类型的图片数量保持一致，将每种路面类型的图片分别放入以各自路面类型命名的文件夹中作为训练数据集X_train；
[0020]采用k邻近分类算法对采集到的智能车辆前方道路图片X_test进行路面类型的分类，将X_train中的每张图片均打上标签，标签表示X_train中每张图片所属的路面类型，构建集合X记录X_train中每张图片与X_test的距离且X＝{D
n
|n＝1,2,
…
,N}，其中N表示X_train中样本的个数，用欧式距离来量度距离，则X_train中的每个图片与X_test的距离给定为：
[0021][0022]d表示比较的像素个数；然后k邻近分类算法提取与X_test距离最近的k张X_train中图片，取k＝15，将X中数组进行排序，选取距离最近的k个样本表示为x1,x2,
…
,x
k
，将这k个样本存入命名为X_knn的数组中；分别统计每个道路类别标签在X_knn中的个数，最后选取这k个样本中出现次数最多的标签，则X_test的路面类型即为X_knn中出现次数最多的标签表示的路面类型；给定目标函数为f:R
d
→
t
k
，其中的t
k
表示第k个路面类型的标签，则X_knn＝{t
k
}为选取的与智能车辆前方道路图片距离最近的样本标签的集合；给定目标函数为：
[0023][0024]其中f(X_test)表示X_test所属的路面类型，类别属性函数为
[0025][0026]采用k邻近分类算法得到路面类型，建立不同的路面类型与附着系数的范围值对照表如表1所示：
[0027]表1路面类型与附着系数范围值对照表
[0028][0029]通过查询上述不同路面类型与附着系数的范围值对照表获取到此种路面类型所对应的路面附着系数的上界μ_max根据式(3)
[0030]μ
peak
＝μ_max
ꢀꢀ
(3)
[0031]得到此种路面类型所对应的路面峰值附着系数μ
peak
；
[0032]步骤二、根据智能车辆实时采集到的车辆动力学响应信息，通过扩展卡尔曼滤波算法估计当前智能车辆所在位置的路面利用附着系数：
[0033]通过扩展卡尔曼滤波算法估计路面利用附着系数需要得到智能车辆的状态信息，智能车辆转向盘转角δ
sw
由智能车辆上安装的智能传感器获取，根据智能车辆转向传动比τ
sw
计算得到智能车辆前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能车辆可控能力等级预测方法，其特征在于，步骤如下：步骤一、通过安装在智能车辆的视觉传感器识别前方道路路面类型，根据路面类型对应的路面附着系数范围得到前方路面的峰值附着系数；步骤二、根据智能车辆实时采集到的车辆动力学响应信息，通过扩展卡尔曼滤波算法估计当前智能车辆所在位置的路面利用附着系数；步骤三、采用时空同步方法将路面峰值附着系数和路面利用附着系数进行对齐；步骤四、通过轮胎模型分别计算得到最大轮胎力和当前轮胎力，根据轮胎力的余量预测智能车辆的可控能力等级。2.根据权利要求1所述的一种智能车辆可控能力等级预测方法，其特征在于，步骤一的具体过程如下：视觉传感器采用像素不低于500万的工业相机，最大帧率不低于60fps，镜头视角不小于58.81
°
；视觉传感器安装在智能车辆内部的前风挡玻璃中上方，达到拍摄区域不包含有智能车辆引擎盖的要求，以前方道路30米至50米范围的路面为识别区域；在不同天气状况和不同光照条件下采集前方路面图像，保存为分辨率为1920
×
1080、格式为png的图片，根据结构化道路和非结构化道路的特点，按照路面材料和干湿程度将路面分为干沥青路面、干水泥路面、湿沥青路面、湿水泥路面、沙砾路面、干土路路面、湿土路路面、压实雪路面和冰路面共计9种路面类型，分别用1、2、...、9表示这9种路面类型；保证每种路面类型的图片数量不低于10000张，所有图片的数量不低于90000张，且每种路面类型的图片数量保持一致，将每种路面类型的图片分别放入以各自路面类型命名的文件夹中作为训练数据集X_train；采用k邻近分类算法对采集到的智能车辆前方道路图片X_test进行路面类型的分类，将X_train中的每张图片均打上标签，标签表示X_train中每张图片所属的路面类型，构建集合X记录X_train中每张图片与X_test的距离且X＝{D
n
|n＝1,2,
…
,N}，其中N表示X_train中样本的个数，用欧式距离来量度距离，则X_train中的每个图片与X_test的距离给定为：，d表示比较的像素个数；然后k邻近分类算法提取与X_test距离最近的k张X_train中图片，取k＝15，将X中数组进行排序，选取距离最近的k个样本，表示为x1,x2,
…
,x
k
，将这k个样本存入命名为X_knn的数组中；分别统计每个道路类别标签在X_knn中的个数，最后选取这k个样本中出现次数最多的标签，则X_test的路面类型即为X_knn中出现次数最多的标签表示的路面类型；给定目标函数为f:R
d
→
t
k
，其中的t
k
表示第k个路面类型的标签，则X_knn＝{t
k
}为选取的与智能车辆前方道路图片距离最近的样本标签的集合；给定目标函数为：其中f(X_test)表示X_test所属的路面类型，类别属性函数为
采用k邻近分类算法得到路面类型，建立不同的路面类型与附着系数的范围值对照表如表1所示：表1路面类型与附着系数范围值对照表表1路面类型与附着系数范围值对照表通过查询上述不同路面类型与附着系数的范围值对照表获取到此种路面类型所对应的路面附着系数的上界μ_max根据式(3)μ
peak
＝μ_max
ꢀꢀ
(3)得到此种路面类型所对应的路面峰值附着系数μ
peak
。3.根据权利要求2所述的一种智能车辆可控能力等级预测方法，其特征在于，步骤二的具体过程如下：通过扩展卡尔曼滤波算法估计路面利用附着系数需要得到智能车辆的状态信息，智能车辆转向盘转角δ
sw
由智能车辆上安装的智能传感器获取，根据智能车辆转向传动比τ
sw
计算得到智能车辆前轮转角δ
f
：δ
f
＝δ
sw
/τ
sw
ꢀꢀ
(4)考虑到车辆模型的高度非线性，采用扩展卡尔曼滤波算法求解路面利用附着系数；首先建立包括车辆纵向、侧向和横摆运动的三自由度车辆动力学模型，具体表达为:a
x
＝((F
xfl
+F
xfr
)cosδ
f
‑
(F
yfl
+F
yfr
)sinδ
f
+F
xrl
+F
xrr
)/m
ꢀꢀ
(5)a
y
＝((F
xfl
+F
xfr
)sinδ
f
+(F
yfl
+F
yfr
)cosδ
f
+F
yrl
+F
yrr
)/m
ꢀꢀ
(6)(6)其中，F
xfl
表示智能车辆左前轮纵向力，F
yfl
表示智能车辆左前轮侧向力，F
xfr
表示智能车辆右前轮纵向力，F
yfr
表示智能车辆右前轮侧向力，F
xrl
表示智能车辆左后轮纵向力，F
yrl
表示智能车辆左后轮侧向力，F
xrr
表示智能车辆右后轮纵向力，F
yrr
表示智能车辆右后轮侧
向力，m表示智能车辆整车质量，a
x
表示智能车辆纵向加速度，a
y
表示智能车辆侧向加速度，r表示智能车辆横摆角速度，且a
x
、a
y
、r由安装在智能车辆上的智能传感器获取，I
z
表示智能车辆绕z轴的转动惯量，M
z
表示智能车辆的横摆力矩，L
f
表示智能车辆质心与前轴的距离，L
r
表示智能车辆质心与后轴的距离，B
f
表示智能车辆的前轮轴距，B
r
表示智能车辆的后轮轴距；轮胎力采用Dugoff轮胎模型来计算，Dugoff轮胎模型的轮胎纵向力、侧向力具体表达式为：式为：式为：式为：其中，ij＝fl、fr、rl、rr，fl表示智能车辆的左前轮，fr表示智能车辆的右前轮，rl表示智能车辆的左后轮，rr表示智能车辆的右后轮，F
xij
分别表示智能车辆四个车轮纵向力，F
yij
分别表示智能车辆四个车轮侧向力，F
zij
分别表示智能车辆四个车轮垂直载荷，由公式(13)计算得到，α
ij
分别表示四个车轮侧偏角，由公式(14)计算得到，S
ij
分别表示智能车辆四个车轮纵向滑移率，由公式(15)计算得到，λ
ij
分别表示智能车辆四个车轮的动态参数，C
s
表示智能车辆轮胎纵滑刚度，C
α
表示智能车辆轮胎侧偏刚度；公式(13)中智能车辆左前轮垂直载荷F
zfl
、智能车辆右前轮垂直载荷F
zfr
、智能车辆左后轮垂直载荷F
zrl
、智能车辆右后轮垂直载荷F
zrr
的计算式为：公式(10)与(11)中的α
ij
即智能车辆左前轮侧偏角α
fl
、智能车辆右前轮侧偏角α
fr
、智能车辆左后轮侧偏角α
rl
和智能车辆右后轮侧偏角α
rr
表达式为：
公式(9)、(10)与(11)中的S
ij
即智能车辆左前轮纵向滑移率S
fl
、智能车辆右前轮纵向滑移率S
fr
、智能车辆左后轮纵向滑移率S
rl
、智能车辆右后轮纵向滑移率S
rr
表达式为：其中，h表示智能车辆质心到地面的距离，K
fφ
表示智能车辆前轴的侧倾角刚度，K
rφ
表示智能车辆后轴的侧倾角刚度，g表示重力加速度，R
e
表示智能车辆车轮的有效滚动半径，v
x
表示智能车辆的纵向车速，v
y
表示智能车辆的侧向车速，w
fl
表示智能车辆左前轮的车轮轮速、w
fr
表示智能车辆右前轮的车轮轮速、w
rl
表示智能车辆左后轮的车轮轮速、w
rr
表示智能车辆右后轮的车轮轮速，且v
x
、v
y
、w
fl
、w
fr
、w
rl
和w
rr
均由安装在智能车辆上的智能传感器获取；轮心坐标系下的智能车辆左前轮纵向车速v
xfl
、智能车辆右前轮纵向车速v
xfr
、智能车辆左后轮纵向车速v
xrl
、智能车辆右后轮纵向车速v
xrr
、智能车辆左前轮侧向车速v
yfl
、智能车辆右前轮侧向车速v
yfr
、智能车辆左后轮侧向车速v
yrl
、智能车辆右后轮侧向车速v
yrr
与车辆坐标系下智能车辆纵向车速v
x
和智能车辆侧向车速v
y
的转换关系表达式为：
其中，δ
r
表示智能车辆后轮转角，此处取δ
r
＝0，选用智能车辆左前轮路面利用附着系数μ
fl
、智能车辆右前轮路面利用附着系数μ
fr
、智能车辆左后轮路面利用附着系数μ
rl
、智能车辆右后轮路面利用附着系数μ
rr
作为估计系统的状态变量x，即x＝[μ
fl μ
fr μ
rl μ
rr
]
T
，选用智能车辆前轮转角作为系统的输入变量u，即u＝δ
f
，选取智能车辆纵向加速度a
x
、智能车辆侧向加速度a
y
和智能车辆横摆角加速度作为系统的观测变量y，即系统的测量方程为：状态方程为：其中，f(x
k
,u
k
)表示离散化后的估计系统状态方程，h(x
k
,u
k
)表示离散化后的估计系统测量方程，s
k
表示系统过程噪声，v
k
表示系统测量噪声，系统过程噪声s
k
和系统测量噪声v
k
是均值为零、方差分别为Q、R的不相关白噪声，Q表示系统过程噪声s

【专利技术属性】
技术研发人员：郭洪艳，王连冰，赵旭，刘俊，戴启坤，郭景征，孟庆瑜，谭中秋，
申请(专利权)人：吉林大学，
类型：发明
国别省市：