具体实施方式

现在参考附图，图1示出了一流程图，该流程图示出了根据本发明的用于车辆的自适应制动和方向控制系统(ABADCS)的操作步骤。通常，该系统由一监视步骤启动，其中由多个传感器10A-D(见图2)提供的信号由一神经控制器20(见图2)监视。

参考图2，所述多个传感器可以包括位置传感器10A、非车辆传感器10B、路面传感器10C和动态车辆传感器10D。位置传感器10A可以设置为提供车辆的实时位置数据，例如纬度、经度、海拔等。可以设想，这样的位置传感器10A可以设置为提供指示车辆的三维定位的信号(例如，来自全球定位系统(GPS))等。

非车辆传感器10B可以设置为提供指示来自操作者的输入、天气状况和环境中的障碍物的信号。非车辆传感器10B可以利用RWIS(提供关于残留砂、磨料、化学品等的信息的道路天气信息系统)、3D基础设施输入(例如海拔、坡度)以及随着时间的推移将变得越来越可用的、来自自动驾驶车辆及其传感器(如LIDAR(激光雷达)、RADAR(雷达)、GPS/GIS(全球定位系统/地理信息系统)、标牌和危险通知等)的其他数据。可以想到的是，可以通过各种通信手段通过局域网和车辆对车辆网络、互联网或工业物联网来提供其他数据。特别地，车辆传感器可以提供指示制动踏板的位置、方向盘的位置、施加到方向盘的旋转力的量、施加到制动踏板的压力、方向盘输入的信号。

路面传感器10C可以设置为提供指示车辆正在行驶的表面的状况以及该表面上污染物的存在和/或状况的信号。特别地，路面传感器10C可以设置为提供指示以下信息的信号：表面温度、环境空气温度、表面摩擦、污染物拖曳阻力和滚动阻力。

动态车辆传感器10D可以设置为提供指示车辆的各种动态运动的信号，例如但不限于车辆速度，车轮速度和轮胎角速度和加速度，惯性测量值，车辆速度，制动可用性，横向、纵向和垂直速度和加速度，轴和车轮横向力，制动压力，车轮制动扭矩，车辆车轮上的重量，轮胎压力，横向、纵向和垂直轮胎力，存在/不存在附着在车辆上的设备及其描述，车辆的摇摆、颠簸和滚动，车辆的静态和动态重心等。

除了前述明确提到的向神经控制器20提供信息的传感器10A-10D之外，还可以想到，不限于防撞系统的其他车辆系统也可以向神经控制器提供信息。

神经控制器20还可设置为接收指示车辆驾驶员的命令的信号。这些信号可以是以上详细讨论的车辆和非车辆传感器10B提供的信息的补充或重复。基于所收集的信息，可以对神经控制器20进行编程以确定在车辆行驶的表面上是否存在污染。在没有污染的情况下，来自操作员的输入直接传递到车辆的制动系统30和转向系统40。

回到图1，来自前述传感器的信号由神经控制器20监视。基于这些信号，对神经控制器20进行编程以确定是否接合ABADCS。特别地，当确定已经发生以下一种或多种情况时，ABADCS参与：1)路面状况指示在路面上存在污染；2)动态车辆传感器10D提供指示对一驾驶员的输入的非标称响应；3)动态车辆传感器10D指示存在障碍物；4)当与动态车辆传感器结合使用时GIS数据指示车辆处于发生碰撞的方向上；或5)其他任何传感器数据指示车辆失去控制或正确的标称响应。如果没有上述情况发生，则ABADCS保持不活动状态，但是神经控制器20继续监视这些数据。如图1所示，当绕过ABADCS时，到车辆的制动输出和转向输出保持不变，并且车辆制动和转向系统30、40无需进一步修改就可以操作。

但是，当神经控制器20确定应该接合ABADCS时，它会根据时间来计算最佳制动(t)50，并根据时间来计算最佳转向(t)60。可以设想的是，ABADCS还可以通过各种感官反馈(例如灯光、振动、声音等)提醒操作员ABADCS将/已使用。

参考图2，神经控制器20将前述的感觉数据作为输入，并根据检测到的表面状况以及用户输入的转向和制动命令来计算优化的制动和转向响应。图3示出了神经控制器20如何获取输入的感觉数据并确定作为时间的函数的最佳制动和转向输出。可以想到的是，神经控制器可以设置为基于所确定的制动和转向命令来修改警报和/或添加附加警报。例如，由神经控制器20提供的初始警报可以简单地向操作员指示ABADCS处于活动状态，例如，在正常加速度下，ABADCS监测并注意到驱动轮的角速度已明显高于非驱动轮的速率，指示表面光滑或受污染。来自ABADCS的更新警报可以向用户指示ABADCS正在修改来自操作员的转向输入80和/或制动输入90。

参考图1，ABADCS的输出可以以迭代的方式用作返回ABADCS的输入，以进一步优化ABADCS的制动和转向输出。一旦所计算的制动和转向命令优化到预定精度，则ABADCS可以将最优制动即制动(t)50、最优转向即转向(t)60以及警报/警告输出到车辆的适当系统。

参考图1，最佳制动制动即制动(t)50和最佳转向(仅在数字式的情况下)即转向(t)60输入到车辆制动和转向系统30、40。车辆制动和转向系统30、40的输出以及上面详细讨论的感测数据，再次由神经控制器20评估，并且该组合评估的输出用于更新神经控制器20的算法。就此而言，神经控制器20是一种学习系统，其配置为从过去的情况中学习以改善其操作。可以想到的是，神经控制器20可以设置为自动地或者在指定用户(例如，具有适当训练和知识的控制器工程师)审查和批准之后更新其控制参数，以确定神经控制器20的参数是否应当或不应根据神经控制器的计算进行更新。就此而言，指定的用户充当了一种门卫，以防止对神经控制器的不当修改。

除上述内容外，还可以设想的是，可以收集各种ABADCS收集的数据并将其存储在外部数据库110中。可以离线分析该数据，并在适当时可以根据需要对所有或选定的ABADCS进行更新。

可以预期的是，本发明可以对在受污染的表面上操作的车辆提供更好的制动和方向控制，其中用于制动和转向的最佳摩擦滑移值与未污染的硬表面上的摩擦滑移值不同。本发明可以减小停止距离并改善车辆的方向稳定性和控制。

除上述内容外，当前的ABS和ASBS系统无法通过方向控制主动整合或调整其对不同表面的反应。方向控制(通过轮胎)以及在同时转向和制动时需要与制动系统共享的牵引或者可以通过阈值(和/或踏频)制动优化的转向牵引是被动的，在主动ABS或ASBS制动期间为低牵引、顺应性的且容易屈服于污染物，这种牵引通常很小或几乎不存在，或者是发生转向作用的介质之内或之上所存在的。此转向控制牵引要求的示例可以是飞机或汽车在干燥沥青上转向时的制动，其中激进但不是最大的制动可能需要0.4g的制动牵引，因此，如果路面和轮胎能够产生0.7g或为0.8g的牵引力时，首先，不需要ABS或ASBS系统来周期性地调节制动压力，因为防滑传感器在ABS或ASBS所在的10％或20％以上(或轮胎减速度在0.40g以上)不会出现任何打滑现象，ABS或ASBS信号将分别导致防抱死或防滑阀门致动，并且仍然可用的转向牵引可以允许需要约0.3g的汽车执行50kph(公路每小时)、66米半径转弯。第二个示例可以是带雪胎的汽车，其在潮湿的雪中“湿路打滑”，ABS系统不允许轮胎滑行或滑过顺应性污染物到达轮胎在行驶时会接触到的更具牵引力的表面；如果是“非ABS系统”制动/滑行/滑过顺应性的容易屈服的雪时，则轮胎到压实的积雪只会产生0.1g的牵引力，并且汽车不仅需要很长时间减速，它还会几乎没有可用的横向牵引力，即使制动器完全松开，也无法获得超过30kph的66米转弯(需要.107g)，这也阻止了车辆减速并阻止了车辆能够获得较小的半径或相同转弯半径时的更高的速度。

因此，需要一种解决当前系统的上述缺点的系统。

由于ABS和ASBS系统不会感测表面污染物，并且在污染物中的作用方式与在干燥路面上的作用方式相同，因此它们对污染物的反应与操作员寻找阈值制动和转向的方式不同。例如，轮胎没有滑过或滑行到顺应性和屈服性污染物诸如湿的雪到其下面更具牵引力的坚硬表面，操作员不会执行脚踏制动，而非ABS制动系统允许汽车操作员将制动泵送至更高的压力，会导致更高的车轮减速，从而使轮胎在潮湿的雪中打滑或滑落至其下方更高的牵引面。在顺应性的污染表面情形，这种脚踏韵律制动可以提供更好的停止和方向控制，因为间隔提供了因纠正方向不稳的偏离，例如摆尾或转向过度，而制动器处于“关闭”状态，以及要求方向稳定性，例如增强降低的转向不足，因为车辆可以执行更慢、更低侧向力的转弯，以及增强转向牵引力，从而使轮胎可能会在顺应性的和屈服性的湿雪之下享受到最大牵引滑移值，这在任何驾驶员引起车轮接近或完全锁定之前或之后发生。

在具有ASBS的高空速和地面速度的飞机上，飞机的很大部分的(如果不是绝大多数)高速方向性控制是通过控制方向舵上的气流来提供的，而正常情况下未制动的前起落架可提供一些方向性控制和稳定性，尤其是在强侧风情况下以及较低的空速和地面速度下。在某些情况下，当飞机的ASBS可能无法获得在较高的非ASBS滑移值下可获得的轮制动时，在受污染的表面上操作时，可以通过使用额外的或长时间使用最大反向推力来寻求额外的制动。在受污染表面上影响轮制动和进行方向控制的几个因素中，较差的轮制动条件不会将太多的重量转移到前起落架上，并且在起落架轮上方进行气动制动，重量的枢转点从制动轮转移到前起落架轮，任何额外或附加的空气动力学飞机制动都会趋向于降低前起落架的重量。为什么在受污染的表面上减少车轮制动会影响方向控制的一个例子是，飞机在强风下降落在潮湿的雪地上，车轮制动效果较差，由于轮胎在顺应性和牵引屈服雪地之内或之上滑行，因此将较少的重量转移到前起落架和前起落架对方向控制的影响很小，飞机机组人员要求最大的空气动力制动，所有制动都在起落架重量传递枢转区域上方进行，从而减轻了低牵引力要求前起落架组的额外的重量，同时反向推力可能会遮挡舵面气流，进一步降低了方向稳定性，并且强大的侧风质量对起落架前方的飞机部分产生了影响，这在一般情况下可以说是第一杠杆，当剩余或无遮挡的气流通过方向舵时，所述第一类杠杆作用会影响飞机重心前部的方向控制，这可以描述为第三类杠杆，两者均对侧风导致飞机前部朝着强侧风的方向移动有贡献而且可能对导致偏离路线到跑道的另一侧有贡献，所有这些都由制动系统不能可操作地识别地面状况并对其做出反应而增强。

本发明提供了一种控制系统，该控制系统感测实时的操作和地面状况以及车辆的控制和反应，并且通过在感测到的不同状况下不同地且适当地起作用来优化轮制动和方向控制，从而优化轮制动和方向控制，所述优化基于所有感测到的和动态变化的操作条件和表面以及车辆动力学信息，这是因为轮制动和方向控制是可操控的。

本发明可以在不同条件下使用但不限于以下传感器：车辆速度和车轮角速度和加速度传感器，惯性测量系统，GPS和其他三维位置、速度和位置传感器，表面和环境温度传感器，表面和路面摩擦测量传感器，制动可用性传感器，横向、纵向和垂直速度和加速度传感器，车轴和车轮的侧向力传感器，制动踏板和转向控制位置传感器，方向盘转向力传感器，污染物拖曳和滚动阻力传感器，制动踏板压力传感器，制动压力传感器，车轮制动扭矩传感器，车轮重量传感器，转向控制输入压力传感器，轮胎压力传感器，横向、纵向和垂直轮胎压力传感器，地面车辆、飞机、水上交通工具、地下、地下交通工具、附属设备、组合设备、拖车和无人机、摇摆、颠簸和横滚传感器，静态和动态重力传感器或系统，动态车辆稳定性传感器，动态操作员控制传感器以及对系统反馈传感器的反应。其他非车辆感测和输入可以包括操作员输入、天气、RWIS(道路天气信息系统，包括残留的沙子，磨料和化学品等)，3D基础设施输入(例如海拔、坡度)以及其他随着时间推移来自自动驾驶汽车及其传感器(例如激光雷达、雷达、GPS(全球定位系统)/GIS(地理信息系统)、指示牌和危险通知等)的，以及可以通过各种通讯方式通过局域网和车辆到车辆网络、互联网或工业物联网提供的其他数据。诸如但不限于防撞系统的其他混合动力内/外车辆系统可以向ABADCS提供输入。

在本发明中，当操作者请求制动和/或方向控制时，控制模块将轮询和/或接受和/或询问传感器数据、算法和/或可用数据，而控制模型算法将向制动和/或转向系统输出命令，其允许更全面地调查或感测车辆轮胎在其中或在其上运行的表面，同时调查或感测车辆如何响应来自控制模型的实时输出命令(参见图1)。该操作协议的一个示例是，在湿的雪上行驶的汽车由操作员控制进行制动。踏板位置、踏板压力、制动压力、车轮速度、车轮减速均使用传感器进行感测，并且所有感测到的信息均由控制模块进行监控。通过可获得的大量传感数据，控制模块可以检测到随着制动压力的增加，轮胎的滑移何时更快地增加，以及通过正常的干燥、硬表面打滑区域时，但车辆并未如预期的在平均干燥的硬质表面那样减速，制动压力也不会增加到制动器试图在轮胎滑移率在10％至20％的“最佳”干路面摩擦打滑时减速的程度。如果操作员继续进一步踩下制动踏板或增加制动踏板压力，则控制系统会在驾驶员寻求更多制动和控制时识别制动踏板传感器的输出并命令增加制动压力，并监控车轮的角速度降速以及车辆的减速度，并寻找每个车轮的最佳的打滑和制动压力值，以提供最佳的制动和方向控制。可以通过车轮制动扭矩传感器或车辆减速度传感器，在接近最高车辆减速度的特定频率处调节制动压力，只要车辆减速度值在一定范围的制动压力和/或车轮速度调制内保持最高即可，这将一直持续到车辆停止或操作员降低制动踏板压力或车辆执行未受控制的操作(例如摆尾/转向过度)或不执行受控制的操作(例如转向不足)。当发生这些不受控制的事件之一时，控制模块已接收到并继续接收到检测到的表面状况(例如最大的非锁定车轮制动可用性发生在92％的车轮打滑情况下，或者存在明显的污染物车轮拖曳表明存在显著层的污染物)，以及车辆对控制的反应方式，确定车辆由于后轮牵引力下降而受到不希望的偏航或摆尾，而车辆前轮仍能很好地响应转向输入，后轮制动可以控制为防抱死或增加轮制动，因为系统可以非常快速地循环通过每个制动，以确定重新获得完全方向控制和/或车辆制动以及/或者测量和优化整体车辆控制的最佳方式。即操作员控制输入是否指示操作员正在寻求比转向更多的制动、比制动更多的转向，或者通常讲在不同情况下寻求更多的总体车辆控制。示例：可能需要转向比制动更多的操作来避免发生碰撞(可能由自动驾驶汽车传感器系统(如雷达)检测到)，在这种情况下，可以采用转向解决方案，或者可能需要比转向更多的制动以避免或减轻仅由转向无法避免的碰撞。

在本发明中，输出到控制模块的传感器将提供有关表面状况的信息，例如可用的低牵引力(即，感测到的车轮角速度正在迅速下降，但车辆没有)、车辆动力学(例如车轮上的重量)以及各种车辆加速度、如何控制车辆，例如要求多少制动、转向和各种车辆加速度，以及车辆如何响应请求的控制输入。

在本发明中，控制模块将解释和评估感测到的信息，并且如果车辆在直接响应协调操作员(人员或计算机操作员)如何控制车辆，则控制模块将不会修改车辆的制动和方向控制系统如何由人或计算机控制。

在本发明中，控制模块将解释和评估所感测的信息，并且如果车辆没有直接响应协调操作员(人员或计算机操作员)如何控制车辆，则控制模块将修改车辆制动和方向控制系统。

在本发明中，当需要时，控制模块将根据阈值制动和阈值转向优化算法来提供制动和方向控制输出。

根据本发明的一个实施例，传感器输出数据、控制输出数据以及任何变化的传感器输出数据和控制输出数据将被存储在一数字存储介质上，并且可用于一定时长的下载。

可以设想的是，传感器输出数据、控制输出数据以及任何变化的传感器输出数据和控制输出数据可以存储在一数字存储介质上，并且在被覆盖之前可以下载一定时长，并且可以下载到一车辆外机器学习模块中，来根据需要对其进行分析、询问评估和/或使用。

还可以设想的是，传感器输出数据、控制输出数据以及任何变化的传感器输出数据和控制输出数据可以存储在一数字存储介质上，并且在被覆盖之前可以下载一定的时长，并且可下载到一车辆外机器学习模块中，在该模块中可以根据需要对其进行分析、询问评估和/或使用，并可以处理到一车载或车辆外机器学习/人工智能和教学模块，该模块能够或者会更改原始的阈值制动和阈值方向控制算法。

在本发明的一个实施例中，传感器数据可以集成到当前的或适当修改的电子牵引和稳定性控制系统中。

在本发明的另一个实施例中，传感器数据可以集成到适当的电子牵引控制和电子稳定性控制阈值制动和方向控制系统中，该系统优化了本发明提供的牵引力，以帮助轮胎在当前感测到的表面状况和车辆动力学中获得最大的制动和方向控制牵引力。

在本发明的另一实施例中，可以将听觉、视觉、触觉和“可读”数字反馈提供给个人或计算机操作员，分别提供状态反馈，例如与所请求的控制相比提供的控制量。此反馈可用于使人员或计算机操作员(通过机器学习)熟悉如何在观察到的条件下操作和控制车辆，并导致在受污染的表面条件下进行更多的初始和持续的细微控制。

在本发明的另一个实施例中，车辆可以感测并使用来自车载车辆传感器的数据，例如驱动线性扭矩，或者将车轮速度与车辆速度进行比较，以确定实时存在低牵引力条件(如果车辆启用电子牵引控制(ETC)系统，或者类似地，通过暂时中断系统来进行监视是否已经启用，系统可以执行此操作)，以监控是否有比ETC或同等提供的更多的牵引力和加速度，并且在这种情况下，都警示驾驶员车辆可能正在低牵引表面上行驶，并且还通知ABADCS这种情况可能存在，并以GIS和/或雷达为例，车辆正在接近停车标志或障碍物，例如另一辆车辆。如果车辆分别保持在现有的行驶路线上则可能发生碰撞，应尽早警告操作员存在这种情况，并且如果操作员足够早的应用制动或足够狠地应用制动以防止碰撞或在感知条件下在要求的距离内停下来，则启用和/或优化ABADCS以将风险或伤害降至最低。

还可以预期的是，来自车轮速度传感器、制动压力传感器、车轴制动力传感器、飞机减速传感器的数据可以输入到控制模块中，并且本发明的飞机迭代可以限制总体(相对于车轮和轮胎)飞机制动和总体飞机减速以防止轮胎损坏或故障。

已经参考上述示例性实施例描述了本发明。他人在阅读和理解本说明书后会进行修改和改变。包含本发明的一个或多个方面的示例性实施例旨在包括所有这样的修改和改变，只要它们落入所附权利要求及其等同的范围内即可。