阅读说明：本技术 一种视觉与动力学融合的路面附着系数估计方法 (Vision and dynamics fused road adhesion coefficient estimation method ) 是由 熊璐 金达 冷搏 杨兴 于洋 关佚卓 余卓平 于 2020-05-26 设计创作，主要内容包括：本发明涉及一种视觉与动力学融合的路面附着系数估计方法,包括以下步骤：S1：获取车辆行驶过程中前方的路面图像；S2：将路面图像训练完成的路面分类模型,得到前方路面类型；S3：根据前方路面类型和路面类型与路面附着系数映射关系,获取路面附着系数视觉估计值θ<Sub>ximage</Sub>；S4：获取车辆行驶过程中轮胎的动力学信息；S5：利用路面附着系数-轮胎纵向力估计器,获取当前路面峰值附着系数估计值θ<Sub>x</Sub>；S6：结合路面附着系数视觉估计值θ<Sub>ximage</Sub>和当前路面峰值附着系数估计值θ<Sub>x</Sub>,利用模糊推理规则得到最终路面附着系数估计值,与现有技术相比,本发明具有估计精度高、实时性好、鲁棒性强等优点。(The invention relates to a road adhesion coefficient estimation method integrating vision and dynamics, which comprises the following steps of: s1: acquiring a road surface image in front of a vehicle in the driving process; s2: obtaining a front road type by using a road classification model after the road image training is finished; s3: obtaining a road adhesion coefficient vision estimation value theta according to the front road surface type and the mapping relation between the road surface type and the road adhesion coefficient ximage (ii) a S4: acquiring dynamic information of a tire in the running process of a vehicle; s5: obtaining the current road surface peak value adhesion coefficient estimated value theta by utilizing the road surface adhesion coefficient-tire longitudinal force estimator x (ii) a S6: visual estimation value theta combined with road adhesion coefficient ximage And the current road surface peak value adhesion coefficient estimated value theta x Compared with the prior art, the method has the advantages of high estimation precision, good real-time performance, strong robustness and the like.)

一种视觉与动力学融合的路面附着系数估计方法

技术领域

本发明涉及电动汽车控制领域，尤其是涉及一种视觉与动力学融合的路面附着系数估计方法。

背景技术

路面附着系数是车辆系统动力学控制中的重要参数，估计的准确性将极大地影响控制质量，如果能够准确地获得当前的路面附着系数，则可以大大减少雨雪天的交通事故数量。

目前研究方法大致可分为两类：一类是基于车辆动力学估计器估计路面附着系数，主要考虑道路对轮胎的激励。这种方法的优点是，识别所需的硬件相对容易满足，并已安装在大多数汽车上，并且识别精度很高。然而，为了获得准确的识别结果，需要足够的激励条件，即仅当轮胎道路的利用系数接近峰值附着系数时，识别效果才明显，这使得车辆容易不稳定。另一种方法是直接测量路面附着系数。这种类型的研究通常需要使用其他传感器，例如相机和激光雷达。这种方法的优点是识别的检测范围很广且具有预测性。但是，使用的大多数传感器都很昂贵，并且容易受到环境的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种估计精度高、实时性好、鲁棒性强的视觉与动力学融合的路面附着系数估计方法。

本发明的目的可以通过以下技术方案来实现：

本发明提供一种视觉与动力学融合的路面附着系数估计方法，包括以下步骤：

S1：获取车辆行驶过程中前方的路面图像；

S2：将路面图像输入训练完成的路面分类模型，得到前方路面类型；

S3：根据前方路面类型和路面类型与路面附着系数映射关系，获取路面附着系数视觉估计值θ_ximage；

S4：获取车辆行驶过程中轮胎的动力学信息；

S5：利用路面附着系数-轮胎纵向力估计器，获取当前路面峰值附着系数估计值θ_x；

S6：结合路面附着系数视觉估计值θ_ximage和当前路面峰值附着系数估计值θ_x，利用模糊推理规则得到最终路面附着系数估计值。

进一步地，所述的路面分类模型的训练过程具体包括：

S21：获取不同天气下的路面图像，得到包括不同路面类型的路面图像；

S22：对获取的路面图像标注路面类型；

S23：利用标注完成的路面图像对深度卷积神经网络进行端到端的训练，得到训练完成的路面分类模型。

进一步优选地，所述的路面类型包括干燥路面、湿滑路面和冰雪路面，所述的干燥路面对应为干燥天气下的路面，所述的湿滑路面对应为阴雨天气下的路面，所述的冰雪路面对应为冰雪天气下的路面。不同路面类型对车辆路面附着系数影响较大，本发明考虑三种路面类型，包括了行车过程可能遇到的绝多数路面情况，能够保证对路面附着系数估计值的准确性。

更进一步优选地，所述的路面类型与路面附着系数映射关系具体为：

所述的干燥路面的路面附着系数为0.85；

所述的湿滑路面的路面附着系数为0.6；

所述的冰雪路面的路面附着系数为0.15。

根据不同路面类型的特点，对应设置不同的路面附着系数。

进一步优选地，所述的深度卷积神经网络所基于的深度学习框架为Pytorch、Tensorflow或Caffe。

进一步地，所述的路面附着系数-轮胎纵向力估计器的建立步骤具体包括：

S51：建立轮胎-整车动力学模型；

S52：基于扰动观测理论建立路面附着系数-轮胎纵向力估计器。

滑移率和车轮驱动力矩的信息较容易获得，因此通过纵向力估计路面附着系数的估计器相对容易建立。

更进一步地，所述的轮胎-整车动力学模型为：

式中，ω表示车轮角速度，R表示车轮半径，T_m表示作用在车轮上的驱动/制动力矩，μ_x(θ_x,λ)表示当前轮胎对地面的利用附着系数，F_z表示车轮受到的垂向载荷，I_ω表示车轮的转动惯量，λ表示车轮滑移率，v_x表示车轮中心处的纵向速度，θ_x表示当前动力学路面峰值附着系数。

其中单轮动力学模型具体为：

式中，θ表征路面峰值附着系数，即μ-λ曲线最高点的对应路面的峰值附着系数；λ表示车轮滑移率，c₁表示轮胎的纵滑刚度，即μ-λ曲线在原点处的斜率，c₂、c₃、c₄分别为曲线下降段控制参数。

所述的路面附着系数-轮胎纵向力估计器的表达式为：

式中，

表示轮胎纵向力的估计，μ_x(θ_x,λ)表示当前轮胎对地面的利用附着系数，K表示纵向力估计器增益，

表示根据当前的纵向力和车轮滑移率计算得到的路面峰值附着系数，

为路面峰值附着系数的估计值，γ表示路面附着系数估计器增益，y为运算过程的中间变量，无实际物理含义。

进一步地，所述的模糊推理规则的输入为路面附着系数视觉估计值θ_ximage和路面附着系数视觉估计值θ_ximage与当前路面峰值附着系数估计值θ_x的差值|θ_ximage-θ_x|，输出为纵向力估计器增益K、路面附着系数估计器增益γ以及触发融合估计器的激励阈值，并按照S、M、B(对应于小、中、大)的模糊隶属度划分相应的间隔。

进一步优选地，所述的路面附着系数视觉估计值θ_ximage的论域设置为[0.15,0.85]，所述的路面附着系数视觉估计值θ_ximage与当前路面峰值附着系数估计值θ_x的差异|θ_ximage-θ_x|的论域设置为[0.05,1.0]，所述的纵向力估计器增益K的论域设置为[3,30]，所述的路面附着系数估计器增益γ的论域设置为[3,30]，所述的触发融合估计器的激励阈值的论域设置为[0.03,0.15]。下表为本发明中模糊逻辑推理规则：

与现有技术相比，本发明具有以下优点：

1)本发明的路面附着系数估计算法在通过图像处理，根据路面类型获得路面附着系数视觉估计值θ_ximage的基础上，通过动力学算法进一步校正估计结果，相比传统的传感器估计方法，估计精度更高；

2)本发明的路面附着系数估计算法能同时调用路面图像信息和车辆状态信息，相比传统的动力学估计方法，收敛速度更快，实时性好；

3)本发明的路面附着系数估计算法采用视觉与动力学融合的方式，能在轮胎力激励不足的工况下，通过路面附着系数视觉估计值使估计值仍维持在一个经验值，以便能在下次激励到来时实现快速收敛，鲁棒性强。

4)本发明中通过纵向力估计当前路面峰值附着系数，滑移率和车轮驱动力矩的信息较容易获得，路面附着系数-轮胎纵向力估计器容易建立，实施方便；

5)本发明通过模糊推理将路面附着系数视觉估计值和当前路面峰值附着系数估计值融合，可以较好地拟合系统的非线性特征，同时做到控制的平滑切换，避免出现一些抖振现象，提高稳定性。

附图说明

图1为本发明方法的流程示意图；

图2为本发明具体实施过程的流程示意图；

图3为单轮运动学模型示意图；

图4为路面类型与路面附着系数之间的映射关系示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明提供一种视觉与动力学融合的路面附着系数估计方法，包括以下步骤：

S1：获取车辆行驶过程中前方的路面图像；

S2：将路面图像输入训练完成的路面分类模型，得到前方路面类型；

S3：根据前方路面类型和路面类型与路面附着系数映射关系，获取路面附着系数视觉估计值θ_ximage；

S4：获取车辆行驶过程中轮胎的动力学信息；

S5：利用路面附着系数-轮胎纵向力估计器，获取当前路面峰值附着系数估计值θ_x；

S6：结合路面附着系数视觉估计值θ_ximage和当前路面峰值附着系数估计值θ_x，利用模糊推理规则得到最终路面附着系数估计值。

如图2所示，该方法包括三个部分：

(一)基于车载摄像头采集的路面图像，获取路面附着系数视觉估计值θ_ximage，其具体过程包括：

(1)通过车载摄像头采集干燥、阴雨和冰雪天气下的车辆前方道路路面图像，分别对应干燥路面图像、湿滑路面图像和冰雪路面图像。

其中优选地将车载摄像头安装在车辆前端保险杠处，其技术参数要求为：分辨率不低于720×480像素，帧率不低于30fps。采集的光线环境包括但不限于早晨、正午、黄昏等；采集的样本图片数量要求为：干燥路面图像数量不少于1000张，湿滑路面图像数量不少于1000张，冰雪路面图像数量不少于1000张；

(2)将采集的路面图像分别标注为干燥路面、湿滑路面或冰雪路面，生成路面分类训练数据集。

(3)利用路面分类训练数据集对网络A(深度卷积神经网络)进行端到端的训练，得到路面分类模型，该深度卷积神经网络所基于的深度学习框架为Pytorch、Tensorflow或Caffe。

(4)如图4所示，建立路面类型与路面附着系数之间的映射关系，本实施例中，设置干燥路面的路面附着系数为0.85，湿滑路面的路面附着系数为0.6，冰雪路面的路面附着系数为0.15。

(5)在车辆行驶过程中，根据车载摄像头采集的路面图像，利用训练完成的路面分类模型和路面类型与路面附着系数之间的映射关系，获取路面附着系数视觉估计值θ_ximage。

(二)基于车辆动力学信息，获取当前路面峰值附着系数估计值θ_x，其具体过程包括：

(1)建立轮胎-整车动力学模型：

式中，ω表示车轮角速度，R表示车轮半径，T_m表示作用在车轮上的驱动/制动力矩，μ_x(θ_x,λ)表示当前轮胎对地面的利用附着系数，F_z表示车轮受到的垂向载荷，I_ω表示车轮的转动惯量，λ表示车轮滑移率，v_x表示车轮中心处的纵向速度，θ_x表示当前动力学路面峰值附着系数。

如图3所示，其中单轮动力学模型具体为：

式中，θ表征路面峰值附着系数，即μ-λ曲线最高点的对应路面的峰值附着系数；λ表示车轮滑移率，c₁表示轮胎的纵滑刚度，即μ-λ曲线在原点处的斜率，c₂、c₃、c₄分别为曲线下降段控制参数，通常变化不大。

(2)基于扰动观测理论，设计路面附着系数-轮胎纵向力估计器，其计算公式为：

式中，

表示轮胎纵向力的估计，μ_x(θ_x,λ)表示当前轮胎对地面的利用附着系数，K表示纵向力估计器增益，

表示根据当前的纵向力和车轮滑移率计算得到的路面峰值附着系数，

为路面峰值附着系数的估计值，γ表示路面附着系数估计器增益，y为运算过程的中间变量，无实际物理含义。

(3)在车辆行驶过程中，根据车辆传感器采集的车辆动力学信息，利用路面附着系数-轮胎纵向力估计器，获取当前路面峰值附着系数估计值θ_x。

(三)通过模糊推理规则对融合估计器的结构参数进行优化，以实现估计器收敛的快速性和稳定性，并得到最终路面附着系数估计值。

模糊推理规则的输入为路面附着系数视觉估计值θ_ximage及其与当前路面峰值附着系数估计值θ_x的差异，即|θ_ximage-θ_x|，输出为纵向力估计器增益K、路面附着系数估计器增益γ以及触发融合估计器的激励阈值，其中，路面附着系数视觉估计值θ_ximage的论域设置为[0.15,0.85]，路面附着系数视觉估计值θ_ximage与当前路面峰值附着系数估计值θ_x的差异|θ_ximage-θ_x|的论域设置为[0.05,1.0]，纵向力估计器增益K的论域设置为[3,30]，路面附着系数估计器增益γ的论域设置为[3,30]，触发融合估计器的激励阈值的论域设置为[0.03,0.15]，并按照S、M、B(对应于小、中、大)的模糊隶属度划分相应的间隔，下表为本发明中模糊逻辑推理规则：

本实施例中，系统的硬件设置包括车载摄像头、工控机和量产的电动汽车整车控制器。摄像头通过USB数据线与工控机实现图像数据的传输，工控机用于进行处理图像数据，并以CAN协议传输路面附着系数估计结果至整车控制器。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。