轮胎模型及路面附着系数协同辨识方法、系统技术方案

一种轮胎模型及路面附着系数协同辨识方法，首先依据实车参数建立虚拟仿真车辆模型，在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，构建轮胎模型的神经网络辨识模型，再采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，接着结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，构建路面附着系数的神经网络辨识模型，再实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识，最终实现了轮胎模型及路面附着系数协同辨识，且无需专用设备、实现成本低。实现成本低。实现成本低。

【技术实现步骤摘要】
轮胎模型及路面附着系数协同辨识方法、系统


[0001]本专利技术涉及汽车
，特别是涉及一种轮胎模型及路面附着系数协同辨识方法、系统。

技术介绍

[0002]轮胎模型和路面附着系数是车辆状态估计、车辆动力学及控制、智能驾驶路径跟踪控制取得精确控制效果的关键数据，但轮胎模型呈现出强非线性特性和饱和特性，路面附着系数呈现时变特性，这两者往往同时未知。
[0003]目前轮胎模型的辨识，通常需要通过轮胎六分力仪或轮胎测试台架等专用设备，测试获取轮胎侧偏角和轮胎侧向力、滑移率和轮胎纵向力、轮胎载荷等数据，然后采用遗传算法等优化算法对轮胎模型进行非线性拟合。这种方法需基于专用设备而开展，成本昂贵，难以普及。

技术实现思路

[0004]为此，本专利技术的一个实施例提出一种轮胎模型及路面附着系数协同辨识方法，以实现轮胎模型及路面附着系数协同辨识，同时具有无需专用设备、实现成本低的优点。
[0005]一种轮胎模型及路面附着系数协同辨识方法，包括：
[0006]依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轮胎模型及路面附着系数协同辨识方法，其特征在于，包括：依据实车参数建立虚拟仿真车辆模型，且在虚拟仿真车辆模型中配置不同参数的轮胎模型，在具有第一附着系数的道路工况中进行纵向制动/侧向转向仿真，利用传感器采集虚拟车辆动力学响应作为神经网络训练数据的输入，对应的轮胎模型特征参数作为神经网络训练数据的输出，进行神经网络模型训练，构建轮胎模型的神经网络辨识模型；采集装配了待辨识轮胎模型的实车在具有第一附着系数的道路工况中的动力学响应，依据训练数据的分类条件进行分类后，作为轮胎模型的神经网络辨识模型的输入，得到待辨识轮胎模型特征参数，以确定非线性轮胎模型，实现轮胎模型的离线辨识；在确定非线性轮胎模型后，将虚拟仿真车辆模型中的轮胎模型更新为离线辨识出来的非线性轮胎模型，结合虚拟仿真车辆模型，采集在不同的附着率路面上的整车动力学响应数据作为输入，对应的路面附着系数作为输出，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型；采集实车在待辨识路面上的瞬时动力学响应作为路面附着系数的神经网络辨识模型的输入，实现采取纯侧偏或纯纵滑操纵时的路面附着系数实时在线辨识。2.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述传感器至少包括虚拟IMU、车轮转速传感器、方向盘转角传感器。3.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，进行神经网络模型训练，构建路面附着系数的神经网络辨识模型的步骤之前，所述方法还包括：根据不同待辨识轮胎模型特征参数对轮胎纵向力
‑
纵向滑移率曲线影响敏感程度的不同，对数据分类后进行神经网络模型训练，构建路面附着系数的神经网络辨识模型。4.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述虚拟仿真车辆模型为Carsim虚拟仿真车辆模型。5.根据权利要求1所述的轮胎模型及路面附着系数协同辨识方法，其特征在于，所述神经网络模型为BP神经网络模型。6.一种轮胎模型及路面附...

【专利技术属性】
技术研发人员：王爱春，吴晓建，江会华，郑莉萍，张瑞雪，彭晨若，顾祖飞，花逸青，周志芬，
申请(专利权)人：江铃汽车股份有限公司，
类型：发明
国别省市：