阅读说明：本技术 用于复杂路况的主动悬架控制系统和控制方法 (Active suspension control system and control method for complex road conditions ) 是由 李玉芳 卢小丁 倪铭 徐国放 于 2019-08-21 设计创作，主要内容包括：本发明公开一种用于复杂路况的主动悬架控制系统和控制方法,其中控制系统包括环境感知模块,包括速度传感器、红外结构光组件和单目摄像头；实时处理控制模块,包括BP神经网络,其接收来自速度传感器和红外结构光组件的数据,输出适合当前路况的阻尼和刚度值,再结合卷积神经网络输出的数据,得到修正的阻尼和刚度值；调节模块,用于将修正的阻尼和刚度值传送到主动悬架,并对主动悬架的阻尼和刚度进行调整。本发明在保证实时性和精度的前提下,降低了路面信息获取的成本,提升了对路面的适应能力。(The invention discloses an active suspension control system and a control method for complex road conditions, wherein the control system comprises an environment sensing module, a speed sensor, an infrared structure light assembly and a monocular camera; the real-time processing control module comprises a BP neural network, a speed sensor and an infrared structure optical assembly, wherein the BP neural network receives data from the speed sensor and the infrared structure optical assembly, outputs a damping and rigidity value suitable for the current road condition, and combines the data output by the convolutional neural network to obtain a corrected damping and rigidity value; and the adjusting module is used for transmitting the corrected damping and rigidity values to the active suspension and adjusting the damping and rigidity of the active suspension. The invention reduces the cost of acquiring the road surface information and improves the adaptability to the road surface on the premise of ensuring the real-time property and the precision.)

用于复杂路况的主动悬架控制系统和控制方法

技术领域

本发明涉及汽车控制技术领域，尤其是一种用于复杂路况的主动悬架控制系统和控制方法。

背景技术

汽车平顺性是衡量车辆性能的一个重要指标，是车辆驾驶员的最直观体验。平顺性差则影响着人的舒适性及车的工作效能，导致乘客疲劳，货物磨损，整车零部件过早损坏以及产生车内较大的噪音。

悬架对于平顺性至关重要，而主动悬架由于其刚度、阻尼可调的特性其平顺性更优。但现有主动悬架的阻尼及刚度控制方法大多是在根据车轮受到来自于路面的垂直载荷，将路面载荷输入到预先设定好的调节系统中来调节主动悬架阻尼大小。这种调节方法调节的范围有限，无法应对突变性很大的路面。

其次是将激光雷达输出作为路面信息来调整的主动悬架，但激光雷达整体价格偏高，不适合在各级车辆上普及，且计算机视觉的实时性和测量精度难以兼顾。

而结构光深度探测利用目标物体表面深度信息会对结构光投影图案产生影响来获取目标物体深度信息通过分析众多结构光编码方式，能获取路面的深度信息，界具有良好的精度以及实时性。

传统基于车轮载荷的控制方法，对路面输入的处理难以保证响应速度和精度。对于减速带等路面突变，不能得到良好的处理。

现有的控制方法建模过程中将路面考虑为刚体，没有考虑由路面偏软导致负载变形程度对悬架振动参数影响。

发明内容

本发明的目的在于提供一种用于复杂路况的主动悬架控制系统和控制方法，考虑路面软硬程度对悬架参数的影响，以在保证快速响应和高精度的前提下，提升对突变路面的适应性和降低系统成本。

为了达到上述目的，本发明一方面提供一种用于复杂路况的主动悬架控制系统，包括：环境感知模块，包括速度传感器、红外结构光组件和单目摄像头，所述速度传感器用于测量车辆的当前速度，所述红外结构光组件用于路面的立体识别，所述单目摄像头位于车辆前部上方，用于采集路面图像，然后发送给卷积神经网络，判断路面的软硬程度；实时处理控制模块，包括BP神经网络，其接收来自所述速度传感器和所述红外结构光组件的数据，输出适合当前路况的阻尼和刚度值，再结合所述卷积神经网络输出的数据，得到修正的阻尼和刚度值；调节模块，用于将所述修正的阻尼和刚度值传送到主动悬架，并对所述主动悬架的阻尼和刚度进行调整。

进一步的，所述速度传感器为轮速传感器或OBD接口。

进一步的，所述环境感知模块还包括车辆距离测量仪，用于感知与相邻车辆之间的距离，根据当前车速设定改变阻尼和刚度值的时间阈值。

本发明另一方面还提供一种用于复杂路况的主动悬架控制方法，包括以下步骤：

获取当前环境和路况信息，包括路面立体结构和路面图像；提取车辆前方路面高度值和当前车速，输入到BP神经网络，得到适合当前路况的阻尼和刚度值；将所述路面图像经过卷积神经网络处理，识别路面类型，评估得到路面软硬程度参数；利用所述路面软硬程度参数对所述阻尼和刚度值进行修正，得到修正的阻尼和刚度值；将所述修正的阻尼和刚度值传送到主动悬架，并对所述主动悬架的阻尼和刚度进行调整。

进一步的，所述识别路面类型通过卷积神经网络间隔采样完成。

进一步的，所述利用所述路面软硬程度参数对所述阻尼和刚度值进行修正，是将所述阻尼和刚度值乘以所述路面软硬程度参数，所述路面软硬程度参数的范围为0.5～1.5。

本发明通过红外结构光组件和单目摄像头采集前方路面信息，通过BP神经网络和卷积神经网络模型计算出车辆即将经过路面主动悬架最佳的阻尼和刚度，结合路面软硬程度进行修正后进行调节。本发明的方法和现有技术相比，在保证实时性和精度的前提下，降低了路面信息获取的成本，提升了对路面的适应能力。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。在附图中，

图1为本发明一实施例用于复杂路况的主动悬架控制系统框图；

图2为本发明另一实施例用于复杂路况的主动悬架控制方法流程图；

图3为图2实施例中单目摄像头和红外结构光组件工作示意图；

图4为卷积神经网络结构图；

图5为简化的悬架七自由度模型图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，用于复杂路况的主动悬架控制系统，包括：环境感知模块、实时处理控制模块、卷积神经网络和调节模块。其中环境感知模块包括速度传感器、红外结构光组件和单目摄像头，速度传感器用于测量车辆的当前速度，可以是轮速传感器中也可以是OBD接口；红外结构光组件位于车辆前部中部，正对车轮轨迹中心，倾斜向下，用于路面的立体识别，特别是测量路面高度。速度传感器和红外结构光组件测得的速度、功率密度、路面不平度、路面所属等级等信息输入到实时处理控制模块训练好的BP神经网络中，输出适合当前路况的阻尼和刚度值。单目摄像头位于车辆前部上方，倾斜向下，用于采集路面图像，然后发送给卷积神经网络，通过卷积神经网络识别出来的路面信息对照可查到路面硬度值计算路面软硬程度，也可将卷积神经网络训练集的输出值标定好硬度值，使其训练完成后能直接输出硬度值。

在一些实施方式中，环境感知模块还包括车辆距离测量仪，用于感知与相邻车辆之间的距离，根据当前车速设定改变阻尼和刚度值的时间阈值，其获取的信息被传送到实时处理控制模块。

实时处理控制模块输出的适合当前路况的阻尼和刚度值结合卷积神经网络输出的数据，得到修正的阻尼和刚度值。

调节模块，用于将所述修正的阻尼和刚度值传送到主动悬架，并对主动悬架的阻尼和刚度进行调整。

实施例2

本发明提出的一种用于复杂路况的主动悬架控制方法，其整体流程图如图2所示，

车辆前部路面数据采集。如图3所示，其中R为红外结构光装置系统，C为单目摄像头，单目摄像头位于车辆前部顶端中间，倾斜向下。红外结构光装置亦位于车辆前部顶端两侧，正对车轮轨迹中心，倾斜向下。

单目相机用于路面检测，检测路面类型和障碍分析。路面类型每10秒检测一次，从相机采集的视频流中发送一张路面照片给处理器，经过卷积神经网络可分类为水泥路面、沥青路面、砂石路面、泥路等若干种，并转换成对应的路面硬度信息。卷积神经网络的网络结构如图4所示，模型训练离线进行。其中，卷积层负责对输入卷积层的图像进行卷积操作，输出卷积后的特征图，图4中卷积层中的白色方框代表卷积核，图像或特征图每和卷积核进行一次卷积操作就会产生一新的特征矩阵。池化层(pooling layers)也称为下采样层，对传入的图像在空间维度上进行下采样操作，使得输入的特征图长和宽变为原来的一半。经过多层的特征提取，进入全连接层。全连接层与普通神经网络一样，每个神经元都与输入的所有神经元相连，然后经过激活函数进行计算。最后进入输出层，输出层会通过SOFTMAX函数计算每一类别的分类评分值。假设输出的图像分类项为(泥路、沥青路、水泥路)，那么输出层的输出为([0.1，0.7，0.9])，输出层选择概率最高的水泥路作为本次卷积神经网络的图像分类结果。

根据红外结构光提取路面信息，计算路面不平度，功率密度，路面所属等级和位移幅值变化。

路面功率谱密度计算公式为式中，n为空间频率(m^-1)，它是波长λ的倒数，表示每米长度中包括几个波长；n₀为参考空间频率，n₀＝0.1m^-1；G_q(n₀)为参考空间频率n₀下的路面功率谱密度值，称为路面不平度系数，单位为m³；W为频率指数，为每段功率谱斜线的斜率；取值确定了路面功率谱密度的频率。

在本实施例中，根据路面不平度系数和它均方根值的几何平均值，按路面功率谱密度把路面的不平程度分为A、B、C、D、E、F、G、H共8个等级，分级路面谱的频率指数W＝2。经统计我国高等级公路路面谱基本上处在A、B、C三级，D级公路很少，其中B、C级路面占的比重比较大。

建立主动悬架七自由度整车模型如图5，模型坐标系根据右手螺旋法则：x轴指向车辆行驶方向、y轴指向车辆左方、z轴垂直向上，七个自由度分别为车身的垂向运动、俯仰运动、侧倾运动以及四个非簧载质量的垂向运动。

根据路面不平度功率谱密度的时域模型计算路面激励，并将其与路面等级和车速一起作为输入参数，以主动悬架阻尼及刚度作为优化目标，车身垂向加速度、悬架动挠度和轮胎动载荷的加权函数作为目标函数，采用遗传算法等智能优化算法匹配当前主动悬架阻尼及刚度的合适参数。

以上经智能优化算法计算而得的参数模型实际上是一个离散的模型，并且在车辆行驶过程中实时优化显然不是高效可行的方案。本实施例将以上优化的得到的数据，建立相对应的BP神经网络模型，模型输入路面不平度功率谱密度、路面等级、车速，输出为阻尼和刚度值，训练后的模型能实现数值连续性，提升了处理效率。

由于路面不是刚体，车辆行驶在上面存在一定的压力—沉陷关系，车轮下陷深度h与其接地压力p₀之间的关系可以描述为式中，k_c和为土壤的变形模量,分别由土壤的黏性和摩擦性所决定；b为负荷支承面较小一边的宽度；r为与土壤特性有关的变形指数，r,k_c和可以由土壤剪切试验获得。

这一特性在较软的路面特别是泥路时尤为明显。增大系统刚度比可以显著减小车身垂向加速度，但刚度比不宜超过临界值。在变形较大的路面上行驶时，应采用较大的悬架阻尼以改善平顺性。在识别单目摄像头采集的图像后，判断路面软硬程度，在计算得出的阻尼和刚度乘以适当的系数来修正。

最后将修正后的阻尼和刚度值传输到执行机构对主动悬架的阻尼和刚度进行调整。

本实施例采用单目摄像头和红外结构光组成的深度探测系统采集车辆正前方的路面信息，通过轮速传感器获取车辆速度信息，根据车辆速度和前面路面特征通过智能算法优化获得主动悬架的最佳阻尼和刚度参数。通过这些参数建立神经网络模型实现在线连续的输入输出。又根据单目摄像头分析路面软硬程度对所获得的阻尼和刚度进行适当修正，最后由控制单元延时改变主动悬架刚度和阻尼。本发明实施例根据路面软硬程度对参数进行修正，改善了主动悬架对不同道路(特别是越野道路)的适应性；采用包含有最佳参数的神经网络进行输出，不需要重新进行求解最优参数的运算提升了系统响应速度和精度；采用红外结构光代替雷达，降低系统成本，同时解决了视觉技术实时性和测量精度难以兼顾的问题；遇到路面突变提前改善阻尼刚度值，增强车辆安全性和舒适性。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。