System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及估计车辆车轮关于道路牵引的操作范围。
技术介绍
1、车辆转弯、加速和制动的能力取决于安装在车辆车轮上的轮胎与轮胎接触的路面之间的摩擦。车辆通常包括用以控制驱动扭矩和/或制动扭矩的系统,以在轮胎/道路界面上保持所需的摩擦水平。
2、因此,虽然目前的车辆控制系统达到了其预期的目的,但需要一种新的和改进的用于动态车辆控制的系统和方法。
技术实现思路
1、根据几个方面,一种估计车辆车轮的性能特性的方法包括:基于车轮动力学和轮胎行为选择相关输入特征,并在多个车辆运行条件中的每个条件下,针对相关输入特征的每个相关输入特征来收集实验数据。该方法还包括从实验数据中手动识别并标记随时间变化的车轮稳定性状态,并从实验数据中计算随时间变化的牵引极限。该方法还包括以实验数据为输入,计算出的牵引极限为输出,使用机器学习回归算法训练牵引极限模型,以及以实验数据为输入,标记的车轮稳定性状态为输出,使用机器学习分类算法训练车轮稳定性状态模型。该方法还包括接收多个测试输入,其中多个测试输入中的每个测试输入是从车辆上的传感器或从车辆上的控制器接收的;以及处理在预定的机器学习过程中所接收的测试输入,以便在一个或多个数据处理器中计算性能特性的预测值。
2、在本公开的另一个方面,性能特性是牵引极限。
3、在本公开的另一个方面,机器学习回归算法是高斯过程回归。
4、在本公开的另一个方面,机器学习回归算法是神经网络算法。
5、在本公开的另一个方面,机器学习回
6、在本公开的另一个方面,性能特性是车轮稳定性状态。
7、在本公开的另一个方面,机器学习分类算法是高斯过程分类。
8、在本公开的另一个方面,多个测试输入包括以下各项中的两项或多项:纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。
9、在本公开的另一个方面,该方法还包括将性能特性的计算预测值与地面真值进行比较,并且在性能特性的计算预测值与地面真值的差值大于预定阈值的情况下,使用针对训练过程修改后的超参数来重复训练牵引极限模型的步骤和/或训练车轮稳定性状态模型的步骤。
10、在本公开的另一个方面,该方法还包括使用来自测试输入的数据来更新经训练的牵引极限模型和/或经训练的车轮稳定性状态模型。
11、根据一些方面,车辆包括车轮和控制器,该控制器被配置为接收多个输入,其中多个输入中的每个输入是从车辆上的传感器或从车辆上的控制器接收的。控制器还被配置为处理在预定的机器学习过程中所接收的输入,以在一个或多个数据处理器中计算车轮的性能特性的预测值,其中预定的机器学习过程的超参数是先前在使用机器学习的离线训练过程中确定的。
12、在本公开的另一个方面,性能特性是牵引极限。
13、在本公开的另一个方面,预定的机器学习过程是回归。
14、在本公开的另一个方面,性能特性是车轮稳定性状态。
15、在本公开的另一个方面,预设的机器学习过程是分类。
16、在本公开的另一个方面,多个输入包括以下各项中的两项或多项:纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。
17、根据一些方面,车辆包括车轮和控制器。该控制器被配置为接收多个输入。该多个输入包括以下各项中的两项或多项:纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。控制器还被配置为处理在机器学习回归过程中所接收的输入,用以在一个或多个数据处理器中计算车轮的牵引极限的预测值,并用以处理在机器学习分类过程中所接收的输入,以在一个或多个数据处理器中计算车轮的稳定性状态的预测值。机器学习分类过程和机器学习回归过程的超参数是先前在离线训练过程中确定的。
18、在本公开的另一个方面,计算出的车轮的预测牵引极限和/或计算出的预测车轮稳定性状态被用于确定对车辆上的致动器的控制信号。
19、在本公开的另一个方面,致动器被配置为控制传递给车轮的驱动扭矩或制动扭矩。
20、在本公开的另一个方面,该致动器被配置为控制转向角。
21、根据本文提供的描述,进一步的适用领域将变得显而易见。应当理解,说明书和具体示例仅仅是为了说明的目的,而不是旨在限制本公开的范围。
本文档来自技高网...【技术保护点】
1.一种估计车辆车轮的性能特性的方法,所述方法包括:
2.根据权利要求1所述的方法,其中,所述性能特性的所述预测值是牵引极限的预测值。
3.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是高斯过程回归。
4.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是神经网络算法。
5.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是基于核的回归算法。
6.根据权利要求1所述的方法,其中,所述性能特性的所述预测值是车轮稳定性状态的预测值。
7.根据权利要求6所述的方法,其中,用于训练所述车轮稳定性状态模型的所述机器学习过程是高斯过程分类。
8.根据权利要求1所述的方法,其中,所述多个测试输入包括以下各项中的两项或多项:纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。
9.根据权利要求1所述的方法,还包括:
10.根据权
...【技术特征摘要】
1.一种估计车辆车轮的性能特性的方法,所述方法包括:
2.根据权利要求1所述的方法,其中,所述性能特性的所述预测值是牵引极限的预测值。
3.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是高斯过程回归。
4.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是神经网络算法。
5.根据权利要求2所述的方法,其中,用于训练所述牵引极限模型的所述机器学习回归算法是基于核的回归算法。
6.根据权利要求1所述的方法,其中,所述性能特性的所述预测...
【专利技术属性】
技术研发人员:张玉彪,Q·赵,E·J·埃克尔斯通,
申请(专利权)人:通用汽车环球科技运作有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。