欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025118916951
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.面向超视距场景的车路协同感知与融合估计车辆稳控方法,在视觉盲区与事故历史数据确定的特定弯道路段被触发;其特征在于:包括以下步骤,且以下步骤顺次进行:步骤一:获取车辆动力学道路附着系数;

步骤二:获取路端摄像头的视觉路面附着系数;

步骤三:融合视觉路面附着系数和动力学路面附着系数;

步骤四:路端工作站与车端建立通讯联系;

步骤五:基于路面附着系数判断当前失稳危险;

步骤六:根据危险的判断执行车辆操稳性控制策略;

步骤三所述融合视觉路面附着系数和动力学路面附着系数方法为:步骤1:使用一个离散时间卡尔曼滤波器,状态为附着系数μ,建立系统模型:,

式中,wk是过程噪声,服从均值为零、方差为Q的高斯分布;

步骤2:代入两个观测源:估计的动力学道路附着系数μdyn和估计的视觉路面附着系数μvis;

,

式中,和是观测噪声,σ2 dyn和σ2 vis分别服从均值为零、方差为的高斯分布,且两者相互独立,观测噪声的协方差矩阵为:,

步骤3:根据置信度动态调整观测噪声方差σ2 dyn和σ2 vis;

动力学观测噪声方差:

;

式中,是动力学估计的置信度,S是车辆状态,其中,表示动力学观测噪声方差的计算函数,具体由基础噪声方差 、动力学置信度的倒数、以及基于车辆状态的调整因子相乘得到;

具体表示为:

,

视觉观测噪声方差:

,

式中::视觉观测的基础噪声方差,表示在理想条件下视觉估计的固有不确定性;

:视觉估计的置信度,由视觉识别模型输出;

:基于环境条件E的调整因子,环境条件E包括光照强度、天气状况、路面纹理、摄像头遮挡及影响视觉识别准确性的因素;

:基于路面变化标志 的调整函数,当 =1 时,表示检测到路面类型变化,函数通过增大噪声方差反映更高的不确定性;

E:环境条件,包括光照、天气、路面纹理及视觉感知相关因素;

步骤4:置信度计算,动力学置信度和视觉置信度由以下公式计算:,

式中,和是置信度计算函数;

步骤5:路面变化检测通过视觉观测值的突变检测路面类型变化:,

当超过阈值且较大时,判定为路面变化,触发 标志1;

步骤6:卡尔曼滤波并最终融合结果:

预测步骤:,

更新步骤:

①计算卡尔曼增益:

,

式中,;

②状态更新:

,

式中,;

③协方差更新:

,

滤波器的状态输出即为融合后的附着系数估计值。

2.根据权利要求1所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:步骤一所述车辆动力学附着系数的计算方法为:采集车辆行驶中的动力学数据,建立车辆建立车辆七自由度模型,获得纵向、横向和横摆运动方程,四个车轮垂直负荷、侧偏角和滑移率;通过Dugoff轮胎模型,获取轮胎归一化轮胎力,采用无迹卡尔曼滤波算法获得估计的动力学道路附着系数μdyn。

3.根据权利要求1所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:步骤二所述路端摄像头的视觉路面附着系数的计算方法为:采集车辆前方路面图像数据,进行数据预处理;将预处理后的数据输入至轻量化卷积神经网络模型MobileNetV3+,利用深度可分离卷积与瓶颈结构提取多层次特征,通过分类器输出路面状态类别;建立预定义路面状态类别与附着系数值之间的映射关系查找表,查询并输出对应估计的视觉路面附着系数μvis,通过MobileNetV3+模型最终Softmax层输出的概率向量评估本次视觉估计的视觉置信度Cvis。

4.根据权利要求1所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:步骤四所述路端工作站与车端建立通讯联系方法为:路端单元向车端单元发送数据包,包括融合后的附着系数估计值,及融合后的附着系数估计值对应的路段位置信息、数据有效时间戳、以及路端对该系数的置信度水平;

所述路端单元包括摄像头以及路端计算工作站,所述摄像头用于采集路面图像;所述路端计算工作站被配置为执行以下操作:基于图像识别视觉路面附着系数,并与接收自车辆的动力学路面附着系数进行融合;

所述车端单元,包括车载传感器、通信模块以及车辆控制器,所述车载传感器用于估计动力学路面附着系数,所述通信模块用于与路端单元进行数据交互,所述车辆控制器被配置为接收融合后的路面附着系数,并执行操稳性控制策略。

5.根据权利要求4所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:还包括云端服务器,与路端单元和车端单元通信连接,用于存储和分发历史路面数据与融合结果。

6.根据权利要求1所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:步骤五所述基于路面附着系数判断当前失稳危险,包括车轮抱死,离心力引起侧滑以及汽车在某些行驶工况下造成的过度转向。

7.根据权利要求1所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:步骤六所述根据危险的判断执行车辆操稳性控制策略包括基于滑模控制的上层控制器设计,以及基于路面附着系数识别的下层转矩分配方法。

8.根据权利要求7所述的面向超视距场景的车路协同感知与融合估计车辆稳控方法,其特征在于:所述基于路面附着系数识别的下层转矩分配方法为:令总横摆力矩T = T1 + T2+ T3,式中:T1 = W1 ( Fx -Fxd )2,T2 = W2 ( Mz -Mzd )2,T3 = W3 [ ( Fx11Dx) 112+ ( Fx12Dx) 122+ ( Fx21Dx) 212+ ( Fx22Dx) 222],Fx =Fx11cosδ11+Fx12cosδ12+Fx21cosδ21+Fx22cosδ22,Mz= Fx11h1+Fx12h2+Fx21h3+Fx22h4,式中:

T:总横摆力矩,由各车轮转矩分配产生;

T1 纵向力跟踪误差的加权平方项,表示实际总纵向力Fx与期望总纵向力Fxd的偏差,用于优化纵向力跟踪;

T2:横摆力矩跟踪误差的加权平方项,表示实际横摆力矩Mz与期望横摆力矩Mzd的偏差,用于优化横摆力矩跟踪;

T3:各车轮附着利用率加权平方和,表示各车轮纵向力与最大纵向力之比的平方和,用于优化轮胎附着裕度,防止车轮打滑或抱死;

Mz:实际横摆力矩,由各车轮纵向力及其到车辆中心的力臂h1计算得到;

Mzd:期望横摆力矩,由上层滑模控制器根据车辆状态和路面附着系数计算得出;

Fx:实际总纵向力,由各车轮纵向力及其转向角的余弦投影到车辆纵轴方向求和得到;

Fxd :期望总纵向力,由上层控制器根据驾驶员输入和车辆状态计算得出;

δ11:左前轮的转向角,用于计算纵向力投影和横摆力矩;

W1:纵向力权重系数;

W2:横摆力矩的权重系数;

W3:四轮附着系数的权重系数;

hi:各车轮纵向力到受力各车辆中心的有效距离;

Dxij:地面能够提供给各车轮的最大纵向力,求解公式为:Dxij = μxijFzij,

式中: μxij是根据PAC轮胎模型计算得到的路面与车轮之间最大摩擦因数; Fzij为各轮的垂向载荷;

通过拉格朗日乘数法求得局部最优解,假设目标函数为凸函数式,即 Hessian 矩阵为正定矩阵;目标函数的Hessian矩阵H表达式为:,

令 = 0,可以得到:

,

式中:

:各车轮转角;

Li:质心到各轴距离;

A:转向角的余弦矩阵,元素,用于将各车轮纵向力投影到车辆纵轴方向,计算总纵向力;

B:横摆力矩贡献矩阵,元素,其中为质心到各轴的距离,j表示车轮左右位置,用于计算各车轮纵向力对横摆力矩的贡献;

D:附着利用率权重矩阵,是一个对角矩阵,元素为,其中是地面能够提供给各车轮的最大纵向力,用于在目标函数中加权各车轮的附着利用率;

和分别是矩阵A和B中的元素。