基于点云反射特性的前方道路附着系数估计方法研究

路面附着系数是影响自动驾驶系统决策控制策略的重要因素。为实现对道路附着系数前瞻性的高精度感知,本文基于车载激光雷达设计了一种新的路面附着系数估计方法。首先采集了干燥柏油路面、混凝土路面、湿滑柏油路面、结冰路面和积雪路面构建道路数据集;基于使用布料模拟滤波和RANSAC算法进行了道路点云提取、基于高斯滤波去除反射率异常噪点;根据点云反射率随距离和入射角变化的规律将路面划分为不同区域分别提取特征;基于深度神经网络构建了道路识别模型,并基于采集数据集进行了训练,最后基于路面材质和峰值附着系数的统计经验确定了前方道路的附着系数。测试结果表明,本文提出的算法道路类型辨识精度超过99.3%,算法平均运行周期55ms,可实现实时高精度的路面峰值附着系数估计。

分布式驱动电动汽车状态与路面附着系数估计

【目的】准确获取车辆行驶状态参数和路面附着系数对于维持分布式驱动电动汽车的安全性和稳定性十分重要,针对于此,研究了一种能够准确估计其参数的算法,既能降低量产车辆的成本,又能达到车辆安全稳定的目的。【方法】首先,建立三自由度车辆模型,应用基于奇异值分解方法(SVD)的容积卡尔曼滤波算法搭建参数估计器。然后,搭建Carsim/Simulink联合仿真实验平台,采用高、低附着和对接路面双移线工况进行仿真验证。【结果】仿真实验结果表明,估计器能够较准确地估计出参数的真实值。基于仿真的良好估计效果,搭建实车实验平台,进一步进行验证得出,实车实验结果与仿真结果趋势一致,该算法具有较好的估计准确性和时效性。

基于路面附着系数估计的模糊自适应轨迹跟踪控制

为提高智能汽车轨迹跟踪在复杂工况环境下的控制精度和稳定性,提出了一种适应路面附着系数突变与车速动态变化的模糊自适应轨迹跟踪控制策略。建立七自由度车辆动力学模型,基于模型预测控制(model predictive control,MPC)算法设计了车辆轨迹跟踪控制器,研究了MPC控制器参数、路面附着系数、车速与车辆轨迹跟踪性能间的影响关系;为了实时获取当前道路的路面附着系数,根据dugoff轮胎模型和整车动力学模型设计了无迹卡尔曼滤波估计器;据此设计了以路面附着系数和车速为输入量的MPC控制器参数自适应模糊控制器,实时修正MPC控制器的参数,以提高复杂工况环境下车辆的稳定性及跟踪能力;通过仿真实验对所设计的控制方法进行了验证。结果表明:所提出控制方法在低速条件下保证了车辆稳定性,提高了车辆的跟踪精度;中速条件下有效克服了车辆在路面附着系数突变道路上动态行驶时轨迹跟踪精度较低,稳定性较差的不足。

4WD车辆路面附着系数自适应滤波估计方法

分布式驱动车辆路面附着系数是开发先进底盘控制策略的关键,而轮胎参数对路面附着系数估计具有较大影响。因此,提出了考虑轮胎参数的4WD车辆路面附着系数自适应滤波估计方法,提高了附着系数估计的准确性。在建立HSRI轮胎模型和3DOF车辆模型的基础上,基于扩展卡尔曼滤波理论开发了4WD车辆路面附着系数估计模型;为提高算法估计的精度,以轮胎半径变化量为输入设计了EKF参数自适应模糊调节器,通过对EKF量测噪声实时调整的方式实现了路面附着系数估计。开展实验验证了算法的可靠性,并在双移线和对接路面工况进行了仿真分析。结果表明,相比于EKF算法,该算法在双移线低附着路面上精度提高了17.2%,在对接路面工况下精度整体提高了约35.7%。研究结果为分布式驱动车辆的精确力矩分配提供了理论基础。

四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

路面附着系数对车辆动力学控制性能有重要影响,为准确实时估计路面附着系数,提高算法在不同路面及工况下的估计精度与收敛速度,本文针对分布式四轮驱动车辆,结合7自由度车辆动力学模型和Dugoff轮胎模型,提出了一种基于交互式多模型的自适应无迹卡尔曼滤波(IMM-AUKF)路面附着系数估计方法,首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波(UKF)算法中,构建了自适应无迹卡尔曼滤波(AUKF)观测器,以对测量噪声进行实时更新并保证其协方差矩阵的正定性,同时提高新观测数据的权重,并增强算法的实时跟踪精度和稳定性;然后通过选择不同的观测变量,分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器,并利用交互式多模型(IMM)算法进行观测器模型的切换,进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明,所提出的IMM-AUKF算法相比于传统的UKF算法,具有更高的估计精度与更快的收敛速度,能够适应不同工况下路面附着系数的实时准确估计。

基于改进极限学习机的路面附着系数估计

路面附着系数是车-路相互作用中最为关键的参数之一,精确识别路面附着系数可用来确定汽车最佳安全控制方式,为此,提出一种基于改进极限学习机(Extreme Learning Machine,ELM)的路面附着系数估计方法。对车辆进行动力学分析,确定神经网络模型的输入量;搭建整车模型和工况,进行仿真试验建立数据集;利用限幅递推平均滤波算法处理数据集,并利用麻雀搜索算法对极限学习机进行改进优化,提高ELM的准确性及稳定性。试验结果表明,改进后的ELM在多方面性能有综合提升,预测准确率为93.4%,提高了4.89%,收敛速度提高了41.33%。

基于变权重PSO-Elman神经网络的路面附着系数估计

针对传统神经网络权值更新不稳定导致路面附着系数预估精度不高的问题,提出基于变权重粒子群优化(PSO)-Elman神经网络的路面附着系数估计方法.搭建基于7自由度汽车动力学模型的神经网络模型,在Elman神经网络模型中引入粒子群算法降低训练绝对误差,并使用线性权重递减策略对粒子群算法中的权重进行改变,平衡粒子全局和局部搜索能力,实现网络权值矩阵优化;采用傅里叶函数方法拟合出理想滑移率-路面附着系数相关曲线;通过理论分析和仿真验证,证明采用该方法能够提升路面附着系数预估精度.仿真结果表明:在定附和变附路面行驶工况下,相比于传统Elman神经网络,采用变权重PSO-Elman神经网络的路面附着系数估计方法获得的路面附着系数均方根误差分别平均降低了35.62%和19.20%,有效提升了防抱死控制效果.

四轮驱动车辆路面附着系数实时估计

针对目前无法直接测得车辆路面附着系数的问题,通过设计扩张状态观测器及利用递推最小二乘法来实时估计该值.建立7自由度车辆模型,给出车轮受力平衡方程,设计二阶非线性扩张状态观测器.根据轮胎驱动转矩及车轮转速估计当前利用附着系数,并对观测器进行仿真.结果表明,观测器能够有效观测利用附着系数.在已观测出的利用附着系数的基础上,推导了利用附着系数与峰值附着系数间的递推公式,利用递推最小二乘法设计峰值附着系数估计器,并在Matlab/Simulink中进行仿真.结果表明,估计器可以较为快速有效地实现峰值附着系数识别,较为准确地实时估计附着系数.

同步附着系数的优化

提出一种同步附着系数的计算方法，它不仅能满足制动法规对车辆制动性能的要求。

利用附着系数和路面附着系数利用率计算分析方法

本文介绍了变比值制动力分配汽车的利用附着系数和路面附着系数利用率的计算分析方法。该法显然比固定比值制动力分配汽车的计算分析方法复杂。利用该分析方法得到的带比例阀汽车的利用附着系数完全满足了 M1类车辆的 ECE制动法规的要求。并且利用附着系数和制动强度之间的关系曲线与路面附着系数利用率曲线完全吻合 ,说明该分析方法正确。

基于SRCKF的路面附着系数估计

搭建了基于Dugoff轮胎模型的七自由度四轮独立驱动电动车辆模型,基于平方根容积卡尔曼滤波(SRCKF)算法设计了路面附着系数估计器。利用Simulink与Carsim的联合仿真平台对路面附着系数进行估计,与传统容积卡尔曼滤波算法估计结果进行对比。结果表明:SRCKF算法提高了滤波的稳定性和实时估计精度。

路面峰值附着系数辨识算法研究

为改善现有路面辨识方法,兼顾其准确性和实时性,在Burckhardt轮胎-路面数学模型的基础上,基于类比特性提出了快速准确的路面辨识算法,能实时计算汽车当前行驶路面的峰值附着系数。通过Car Sim软件建立整车模型,并测试了路面峰值附着系数,验证路面-轮胎模型。利用Burckhardt轮胎模型验证算法的有效性和可行性,再分别在单一路面和对接路面上进行Car Sim/Simulink联合仿真。结果表明,该算法能快速准确地计算出路面峰值附着系数,滞后仅0.1s,误差在5%左右。该辨识算法可同时兼顾准确性和实时性,且适用路面范围广。

基于路面附着系数估计的汽车纵向碰撞预警策略

本文中提出了一种基于路面附着系数估计的自适应汽车纵向碰撞预警策略。首先建立了碰撞预警安全距离模型,分析了路面附着系数对碰撞预警策略的影响;接着给出了基于最小二乘法和斜率法的路面附着系数估算算法,可实现全滑移率工况的路面附着系数精确识别;在此基础上,建立了基于路面识别的汽车纵向碰撞预警策略;最后分别进行了Matlab/Simulink-Car Sim联合仿真和实车测试。结果表明,本文提出的预警策略可准确估算路面附着系数,并据此自适应调节碰撞预警策略,能够在不同工况下有效提高预警准确性和道路空间利用率。

路面附着系数估算技术发展现状综述

对路面附着系数估算领域的研究状况进行了综合叙述,并对其缺陷和今后发展方向进行了讨论。

基于扩张状态观测器的路面附着系数实时估计

对车辆动力学控制中的道路路面附着系数实时估计问题进行研究。首先使用魔术公式建立1/4车辆制动模型,即车轮制动动力学模型;然后将其中的附着系数相关项视为制动系统的扩张状态,建立其扩张状态观测器,通过轮速信号和制动力矩信号实时观测制动过程中地面与轮胎间的纵向力,进而计算出路面附着系数;最后在均匀路面和突变路面条件下进行仿真研究。结果表明,所提出的方法对车辆制动系统参数摄动和传感器噪声具有鲁棒性,可以准确地实现道路路面附着系数的实时估计,观测器与控制器设计具有一定独立性。

基于四轮轮边驱动电动车的路面附着系数估算方法

路面附着系数是影响车辆行驶安全性的重要因素,利用轮边驱动电动汽车驱动力矩可以对路面利用附着系数进行观测。当观测到μ-λ曲线接近于峰值点时,将该时刻的轮胎利用附着系数作为路面峰值附着系数,并根据识别的路面峰值附着系数进行驱动防滑控制。该方法能够有效防止轮胎滑转,提高车辆行驶稳定性。

路面附着系数识别方法发展现状综述

实时、准确地识别路面附着系数是国内外汽车行业研究领域的热点和难点之一。针对目前国内外路面附着系数识别领域研究现状,根据汽车运动工况及动力学原理,分别对汽车纵向运动过程中的路面附着系数识别方法和汽车侧向运动过程中的路面附着系数识别方法进行了论述。对路面附着系数识别中常涉及的附着率估算、路面类型识别方法进行了分析,最后对路面附着系数识别技术发展方向进行了讨论。

基于路面附着系数估计的AFS控制策略研究

考虑路面附着条件对车辆横摆响应的影响,设计了路面附着系数修正的主动转向控制策略.为了迅速准确地获取当前路面附着信息,采用了无迹卡尔曼滤波观测器观测路面附着系数,并用Carsim-Simulink联合仿真验证了此方法的有效性.在传统主动转向控制的基础上将路面附着系数作为输入,设计了滑模控制器.通过Simulink仿真,验证了所设计的滑模控制器在低附着路面、对接路面均能提高车辆的操纵稳定性和理想轨迹跟踪能力.

分布式电驱动车车速及路面附着系数融合估计

基于纵向车速融合估计器,结合分布式驱动电动汽车的优势,采用多种估计方法,建立了路面峰值附着系数融合估计器,并进行了实车试验验证。结果表明,建立的基于双卡尔曼滤波技术的车速及路面峰值附着系数融合估计系统,扩大了路面峰值附着系数估计的适用工况范围,保证了纵向车速估计的精度。

车辆转向工况下的路面附着系数估计算法

提出了一种在转向工况下根据车轮侧偏特性估计路面附着系数的算法。首先在M atlab/S imu link中建立了七自由度整车模型,分析了车轮的侧偏特性;然后设计了扩展卡尔曼滤波器,以根据车辆的纵、侧向加速度,估算车辆的纵、侧向速度,并据此计算出车轮的侧偏角;最后,采用反向传播神经网络算法,根据前轮侧偏角和横摆角速度及其增益,估计路面附着系数。仿真结果验证了该算法的有效性。