阅读说明：本技术 基于相机传感器路面信息识别的主动悬架预瞄控制方法 (Active suspension pre-aiming control method based on camera sensor road surface information identification ) 是由 陈志勇 ***强 于远彬 于 2020-07-15 设计创作，主要内容包括：本发明公开了一种基于相机传感器路面识别的主动悬架预瞄控制方法,包括以下步骤：通过相机传感器获取前方路面预瞄信息；对前方路面预瞄信息进行数据处理,获得前方路面不平度值,根据不平度划分准则确定路面不平度等级；接收前方路面不平度等级指令,并建立基于前方路面预瞄信息的主动悬架模型；设计多性能指标约束的主动悬架H<Sub>∞</Sub>最优控制器；使用多目标约束优化算法获取H<Sub>∞</Sub>最优控制器中的权重值,以实现悬架多种性能指标的性能平衡。本发明利用相机传感器获取路面预瞄信息,结合H<Sub>∞</Sub>最优控制,改善了主动悬架阻尼参数调整过程中的时滞现象,实现了主动悬架的多性能指标均衡控制。(The invention discloses an active suspension pre-aiming control method based on camera sensor road surface identification, which comprises the following steps: acquiring the pre-aiming information of the front road surface through a camera sensor; carrying out data processing on the pre-aiming information of the front road surface to obtain an unevenness value of the front road surface, and determining the grade of the unevenness of the road surface according to an unevenness dividing criterion; receiving a front road surface unevenness grade instruction, and establishing an active suspension model based on front road surface preview information; design of active suspension H with multiple performance index constraints ∞ An optimal controller; obtaining H using a multi-objective constrained optimization algorithm ∞ And optimizing the weight value in the controller to realize the performance balance of various performance indexes of the suspension. The invention utilizes the camera sensor to acquire the road surface preview information in combination with H ∞ Optimal control is achieved, the time lag phenomenon in the process of adjusting the damping parameters of the active suspension is improved, and multi-performance index balance control of the active suspension is achieved.)

基于相机传感器路面信息识别的主动悬架预瞄控制方法

技术领域

本发明涉及主动悬架的参数控制，具体涉及一种基于相机传感器路面识别的主动悬架预瞄控制方法。

背景技术

车辆在行驶过程中，不平路面提供的激励可能会引起车辆颠簸，使车辆产生垂向振动，影响车辆平顺性和舒适性。为了提高车辆平顺性，有必要对悬架性能提出新的改善方法。随着机器视觉的不断发展，传统的2D相机传感器已经逐步转化为3D相机传感器，在拍摄的图像中不仅能表现二维平面信息，还能体现出三维立体坐标信息，如：Kinect、ZED 2KStereo Camera和Bumble Bee等。若能将立体视觉传感器应用在路面不平度检测上，为悬架控制提供预瞄信息，悬架预先设定参数完成减振功能，这很大程度提高了悬架性能。

路面预瞄信息可使车辆悬架在接收路面激励输入之前调整至最合适的设置。例如，当相机传感器扫描到凹凸路面时，悬架控制器将提前调整为软阻尼状态来吸收路面激励，以减少车身振动，提高舒适性，当经过凹凸路面后及时切换至硬阻尼状态来抑制车身后续振荡，当行驶在随机路面时，悬架调整为车轮跟随路面的低频输入状态，对控制过程中的时滞现象起到改善作用。

现有的通过预瞄信息进行主动悬架控制的研究，只停留在轴距预瞄控制理论层面。文献【Madau D P,Khaykin B L.Continuously variable semi-active suspensionsystem using centrally located yaw rate and accelerometer sensors:US 2003.】中通过安装在前轴的加速度计获得路面信息，根据前轴与后轴存在的行驶时间差，将前轴反馈的路面信息作用在后轴悬架的调整上。这种方法通常具有时滞性，只在车辆前轮已行驶过一段时间的路面后才开始作用，但此时驾驶员已经感受到了路面起伏带来的振动。文献[基于激光雷达的路面不平度重构方法研究]中通过激光雷达获得车辆前方的路面高度信息，但是由于激光雷达的成本和计算复杂度，该方法并没有普遍实施。

因此，设计开发一种基于相机传感器路面识别的主动悬架预瞄控制方法，不仅能够准确获得路面预瞄信息，改善主动悬架控制过程中的时滞现象，又因为使用低成本的相机传感器，降低了本方法的实施成本。

发明内容

针对上述技术问题，本发明提供一种基于相机传感器路面识别的主动悬架预瞄控制方法，可低成本实现路面信息识别且易于实现的主动悬架预瞄控制，本发明基于相机传感器识别并采集路面前方信息，作为前轮悬架预瞄控制输入，为悬架参数调节过程预留响应时间，改善了主动悬架阻尼参数调整过程中的时滞现象首先。

根据Kinect相机传感器获取路面预瞄信息，并计算路面不平度，将不平度信息加入到悬架系统模型中，建立基于车前预瞄控制的悬架系统动力学模型；其次，设计悬架控制器实现悬架模型的多性能指标的优化，改善悬架参数调节过程中的时滞现象，并减少路面激励带来的不良影响。

为实现上述功能，本发明采用的技术方案为：

一种基于相机传感器路面识别的主动悬架预瞄控制方法，包括以下步骤：

步骤一、通过相机传感器获取前方路面预瞄信息；

步骤二、对所述前方路面预瞄信息进行数据处理，获得前方路面不平度值，根据不平度划分准则确定路面不平度等级；

步骤三、接收步骤二确定的前方路面不平度等级指令，并建立基于前方路面预瞄信息的主动悬架模型；

步骤四、设计多性能指标约束的主动悬架H_∞最优控制器；

步骤五、使用多目标约束优化算法获取H_∞最优控制器中的权重值，以实现悬架多种性能指标的性能平衡。

进一步地，所述步骤一中，在前方路面预瞄信息采集前，首先对相机传感器进行标定和校准，确保采集的路面信息的准确性。

进一步地，所述步骤二中，对所述前方路面预瞄信息进行数据处理包括以下过程：

采用双边滤波器算法对相机传感器采集的图像进行降噪处理；

使用基于特征的图像拼接算法进行场景重建，减少前后连续帧图像中同一场景中的重叠内容：由SURF算法检测相邻道路部分的两个RGB图像的关键特征点；然后使用k-最近邻算法对图像之间的特征点进行匹配，并使用RANSAC算法去除异常值；最后，根据匹配的特征点，估计两个图像之间的单应性变换矩阵，使用单应变换将连续帧图像进行拼接，以获得新的融合图片。

进一步地，如权利要求1所述的一种基于相机传感器路面识别的主动悬架预瞄控制方法，其特征在于，所述步骤二中，相机传感器采集的前方路面预瞄信息在图像处理后，进行IRI值的计算，获得前方路面不平度值，根据预设公式确定路面不平度等级，包括以下过程：

将相机传感器深度摄像头输出的深度数据转移到RGB图像上；

获得对齐后的RGB图像(包含路面纵向轮廓的3D点云数据)，并导入ProVAL软件，选择半车模型计算IRI值；

根据国际标准ISO 8608中的等级划分准则确定路面不平度等级值α_r。

更进一步地，所述将相机传感器深度摄像头输出的深度数据转移到RGB图像上包括以下步骤：

首先，将相机传感器获取的深度数据从图像坐标转换为世界坐标，计算过程如下：

Z_IR＝Z_D

式中，(X_IR,Y_IR,Z_IR)为相机传感器上三维点的世界坐标；(u_D,v_D)为深度图像的像素坐标；

是相机传感器面的畸变中心坐标；

为IR相机传感器部分的焦距；Z_D表示深度值，通过相机传感器获得；其余相机传感器内在参数通过相机传感器标定获得；

然后，将相机传感器深度坐标信息转换成RGB图像坐标，计算公式如下；

其中，(X_RGB,Y_RGB,Z_RGB)为相对于RGB相机传感器的世界坐标；(X_IR,Y_IR,Z_IR)为相对于IR相机传感器的世界坐标；旋转矩阵R和平移矩阵t是通过相机传感器标定估计得到的外部参数；

最后，根据下式将世界坐标(X_RGB,Y_RGB,Z_RGB)映射到RBG图像的像素坐标(u_RGB,v_RGB)上；

其中，

都是相机传感器标定获得的RGB相机传感器的内在参数。

进一步地，所述步骤三建立基于前方路面预瞄信息的主动悬架模型包括以下过程：

前后悬架采用牛顿第二定律得到悬架模型动力学方程为：

式中，M为车身簧载质量，I为车身相对于质心的转动惯量，m_f、m_r为前后轮非簧载质量，x_s为车身绝对位移，x_f、x_r分别为前后轮非簧载质量位移，θ为俯仰角，k_sf、k_sr为前后悬架的刚度，c_f、c_r分别为前后悬架的固有阻尼系数，k_tf、k_tr分别为前后轮胎的刚度，u_f、u_r为根据H_∞控制策略产生的阻尼力，a、b分别为前后轴距，L为预瞄距离；

定义悬架系统的状态变量为：

扰动输入为：

其中，w(t)为前轮输入；w(t-τ)为后轮输入；τ＝(a+b)/v为前后轮之间的时间延迟；

控制输入为U＝[u_f,u_r]^T；

将系统方程改写成状态方程形式：

X＝AX+BU+D₁w(t)+D₂w(t-τ)

N_v为模型的状态变量个数；

进一步地，所述步骤四设计多性能指标约束的主动悬架H_∞最优控制器包括以下过程：

考虑系统控制目标为系统簧载质量垂直加速度、系统俯仰角加速度、前后悬架动行程以及前后轮轮胎变形，确定系统性能目标函数如下：

式中，T为控制周期时间；J₃＝E[(z_s+aθ-z_f)²]；J₄＝E[(z_s-bθ-z_r)²]；J₅＝E[(z_f-h_f)²]；J₆＝E[(z_r-h_r)²]；

为根据H_∞最优控制产生的悬架阻尼力；

将上式改写为如下形式：

式中，Γ为性能指标约束；Q＝C_yu ^TC_yu为对称半正定矩阵；F＝D_yu ^TD_yu、N＝C_yu ^TD_yu为正定矩阵；C_yu＝C_yu1C_yu2；

使用H_∞控制，假设测量向量ψ为：

ψ＝C_mx+ξ

其中，C_m为状态与测量的转换矩阵，ξ为测量误差；

为了最小化性能指标函数，对系统控制输入U求解：

式中，为系统状态的最佳估计向量，r(t)为一个包含预瞄信息的向量，其中包括轴前和轴距预瞄信息，公式如下：

式中，t_p为预瞄时间；C_a、C_b为反馈和前馈控制增益；其中，C_a＝F^-1(N^T+B^TS)；C_a＝-F^{- 1}N^T；S为Riccati方程得到的稳态解：

S(A-BF^-1N^T)+(A-BF^-1N^T)^TS-S(BF^-1B^T-Γ^-2DD^T)S+(Q-NF^-1N^T)＝0

系统状态向量的估计为：

其中，L为H_∞最优控制器的增益向量：L＝PC_m ^TR^-1；R为测量误差的正定矩阵；P为估计误差的协方差矩阵：

本发明具有以下有益效果：

1)选择低成本的Kinect相机传感器作为路面信息采集传感器，在保证采集精度的同时降低了本方法的开发成本，使之易于实现；

2)采用前方路面信息作为预瞄控制的输入，建立基于前方路面信息的主动悬架预瞄控制模型，可以对路面干扰进行提前防范，使悬架系统在车辆输入路面激励响应前，提前调整至最合适的控制参数；

3)设计多性能指标约束的H_∞预测控制器，在反馈控制基础上，利用前方路面信息生成前馈项，形成更有效的控制输入。

附图说明

图1为本发明基于相机传感器路面识别的主动悬架预瞄控制方法流程图。

图2为相机传感器安装位置示意图。

图3为主动悬架半车模型。

图4为车身加速度传递特性曲线。

图5为轮胎动变形传递特性曲线。

图6为本发明过程原理图。

具体实施方式

下面结合附图和实例对本发明作进一步详细说明：

实施例

考虑传统车辆主动悬架控制过程中存在的时滞现象，结合轴距预瞄方案和H_∞预测控制方法，提出一种基于相机传感器路面识别的主动悬架预瞄控制方法，识别前方路面信息，使得车辆悬架系统针对未知道路干扰提前做出参数调节的轴前预瞄控制，如图1所示，包括如下步骤：

步骤一、通过相机传感器获取前方路面预瞄信息：

1.1)信息采集前首先对相机传感器进行标定和校准：

所述相机传感器选择Kinect V2深度相机，内外标定参数通过MATLAB中的CameraCalibration Toolbox标定工具箱确定。

所述相机传感器在安装过程中可能存在误差，需要进行相机校准，确保准确的采集路面信息，为此，将相机传感器采集的数据与地面真实高度进行比较，校准相机传感器采集的数据准确性，消除相机由于安装松动出现的误差，其具体步骤如下：。

首先将Kinect相机安装至距地面600～1300mm高度，每间隔为100mm采集10张深度图像，每张图像随机提取2000个点取平均值计算相机与地面的测量高度；

然后使用激光测距仪确定相机传感器与地面之间的真实高度，使用最小二乘法拟合得到高度真实值与Kinect相机测量值的关系：

Z_gt＝1.0016Z_m+5.5122

式中，Z_gt表示激光测距仪获得的真实值，Z_m表示Kinect直接测量的深度值；

1.2)设置路面信息采集系统，进行前方路面预瞄信息采集：

路面信息采集系统包括Kinect V2相机传感器和GPS传感器，Kinect V2相机传感器通过专用PCI-E USB卡接入车辆工控机，GPS传感器用来记录实时车速信息和按顺序在采集的图像上创建时间戳。为了管理不同的程序，使数据采集软件易于操作，将独立的数据采集过程通过LabVIEW的虚拟环境进行集成，其中Kinect的数据采集软件使用c++编写，使用OpenNI库同时记录RGB数据流和深度数据流，分辨率640×480像素，帧率30fps，GPS数据采集软件采用C/C++和Garmin软件开发工具包(SDK)开发。

步骤二、对所述前方路面信息进行数据处理，获得前方路面不平度值，根据预设公式确定路面不平度等级：

2.1)对相机传感器采集的前方路面数据进行图像处理：

2.1.1)相机传感器采集的原始色差图含有一些噪声点，会影响深度数据的准确性，需要进行降噪处理，为此，选择既能保持图像边缘信息，又能达到平滑降噪效果的双边滤波器算法对图像进行降噪处理；

2.1.1)相机传感器采集过程中，前后连续帧图像出现约30％的重叠内容，使用基于特征的图像拼接算法进行场景重建，减少同一场景中的重叠内容，从而提高深度数据处理速度，其实现步骤如下:

首先，由SURF算法检测相邻道路部分的两个RGB图像的关键特征点；然后使用k-最近邻算法对图像之间的特征点进行匹配，并使用RANSAC算法去除异常值；最后，根据这些匹配的特征点，估计两个图像之间的单应性变换矩阵，使用单应变换将连续帧图像进行拼接，以获得新的融合图片；

2.2)计算前方路面不平度值，根据预设公式确定路面不平度等级：

相机传感器采集的前方路面数据在图像处理后，进行IRI(国际平整度指数)值的计算，这需要Kinect相机传感器的RGB摄像头输出和深度摄像头输出在空间上对齐，所以为了将RGB图像和深度数据正确组合，本方法将深度数据转移到RGB图像上，其步骤如下；

首先，将Kinect相机传感器获取的深度数据从图像坐标转换为世界坐标，计算过程如下：

Z_IR＝Z_D

式中，(X_IR,Y_IR,Z_IR)为Kinect相机传感器上三维点的世界坐标，(u_D,v_D)为深度图像的像素坐标，

是相机传感器面的畸变中心坐标，为IR相机传感器部分的焦距。Z_D表示深度值，通过Kinect相机传感器获得，其余相机传感器内在参数通过相机传感器标定获得；

然后，将相机传感器深度坐标信息转换成RGB图像坐标，计算公式如下；

其中(X_RGB,Y_RGB,Z_RGB)为相对于RGB相机传感器的世界坐标，(X_IR,Y_IR,Z_IR)为相对于IR相机传感器的世界坐标，旋转矩阵R和平移矩阵t是通过Kinect相机传感器标定估计得到的外部参数。

最后，根据下式将世界坐标(X_RGB,Y_RGB,Z_RGB)映射到RBG图像的像素坐标(u_RGB,v_RGB)上；

其中，都是相机传感器标定获得的RGB相机传感器的内在参数；

综上所述，获得对齐后的RGB图像上路面纵向轮廓的3D点云数据，并导入ProVAL软件，选择半车模型计算IRI值，并根据国际标准ISO 8608中的等级划分准则确定路面不平度等级值α_r；

本实例中，输出地面识别信息：α_r＝2rad/m,σ²＝3×10^-4m²；

步骤三、接收步骤二确定的前方路面不平度等级指令，并建立基于前方路面预瞄信息的主动悬架模型：

首先根据图3所示，对前后悬架采用牛顿第二定律得到悬架模型动力学方程为：

式中，M为车身簧载质量，I为车身相对于质心的转动惯量，m_f、m_r为前后轮非簧载质量，x_s为车身绝对位移，x_f、x_r分别为前后轮非簧载质量位移，θ为俯仰角，k_sf、k_sr为前后悬架的刚度，c_f、c_r分别为前后悬架的固有阻尼系数，k_tf、k_tr分别为前后轮胎的刚度，u_f、u_r为根据H_∞控制策略产生的阻尼力，a、b分别为前后轴距，L为预瞄距离；

定义悬架系统的状态变量为：扰动输入为

其中w(t)为前轮；路面输入，w(t-τ)为后轮输入，τ＝(a+b)/v为前后轮之间的时间延迟；控制输入为U＝[u_f,u_r]^T；

将系统方程改写成状态方程形式：

X＝AX+BU+D₁w(t)+D₂w(t-τ)

N_v＝8为模型的状态变量个数

综上所述，基于路面信息的轴前预瞄控制只需将路面不平度信息等价于虚拟前轴输入，实际前轴等价于虚拟后轴，虚拟前后轴构成新的轴间预瞄控制，通过虚拟前轴测量前方路面不平度信息输入，控制前悬架动作。

步骤四、设计多性能指标约束的主动悬架H_∞最优控制器：

考虑系统控制目标为系统簧载质量垂直加速度、系统俯仰角加速度、前后悬架动行程以及前后轮轮胎变形，可确定系统性能目标函数如下：

式中，T为控制周期时间；

J₃＝E[(z_s+aθ-z_f)²]；J₄＝E[(z_s-bθ-z_r)²]；J₅＝E[(z_f-h_f)²]；J₆＝E[(z_r-h_r)²]；

为根据H_∞最优控制产生的悬架阻尼力；

进一步将上式改写为如下形式：

式中，Γ为性能指标约束，Q＝C_yu ^TC_yu为对称半正定矩阵，F＝D_yu ^TD_yu、N＝C_yu ^TD_yu为正定矩阵，C_yu＝C_yu1C_yu2；

使用H_∞控制，假设测量向量ψ为：

ψ＝C_mx+ξ

其中，C_m为状态与测量的转换矩阵，ξ为测量误差；

认为簧上和簧下质量之间的相对位移和速度可被H_∞最优控制器估计，为了最小化性能指标函数，对系统控制输入U求解：

式中，为系统状态的最佳估计向量，r(t)为一个包含预瞄信息的向量，其中包括轴前和轴距预瞄信息，公式如下：

式中，t_p为预瞄时间，C_a、C_b为反馈和前馈控制增益；其中C_a＝F^-1(N^T+B^TS)；C_a＝-F^{- 1}N^T；S为Riccati方程得到的稳态解：

S(A-BF^-1N^T)+(A-BF^-1N^T)^TS-S(BF^-1B^T-Γ^-2DD^T)S+(Q-NF^-1N^T)＝0

系统状态向量的估计为：

其中，L为H_∞最优控制器的增益向量：L＝PC_m ^TR^-1,R为测量误差的正定矩阵；P为估计误差的协方差矩阵：

步骤五、使用多目标约束优化算法获取H_∞最优控制器中的加权参数ρ₁,ρ₂,…,ρ₈权重值，以实现悬架多种性能指标(即弹簧质量加速度，俯仰加速度，前后悬架动行程，具有合理阻尼力且在不同车速和行驶速度下的附着力)的性能平衡。

本实例中，选择车辆参数有：车身总质量：M＝1200kg；前后悬架簧下质量分别为：m_f＝75kg，m_r＝80kg；转动惯量：I＝1800kg·m²；前后弹簧线性刚度：k_sf＝30kN/m,k_sr＝30kN/m；前后轮悬架固有阻尼系数：c_f＝400Ns/m,c_r＝450Ns/m；前后轮胎弹性刚度：k_tf＝300kN/m,k_tr＝300kN/m；前后轴距：a＝1.011m,b＝1.803m；

本实例中，选择与弹簧质量加速度，俯仰加速度和R值相对应的权重参数固定常数:ρ₁＝1，ρ₂＝1,R＝10^-3,获得优化值为：ρ₃＝31.623，ρ₄＝98.958，ρ₅＝5551.6，ρ₆＝1224.1，ρ₇＝1.64×10^-6，ρ₈＝2.11×10^-8；

图4为前方路面信息预瞄控制预测的车身加速度传递特性曲线；图5为轮胎动变形传递特性曲线。

由图4和图5可知，本发明提出的基于相机传感器路面信息识别的主动悬架预瞄控制方法，相较于传统悬架控制方法有明显提升效果。通过Kinect相机传感器实现路面预瞄识别且将路面识别信息与主动悬架H_∞最优控制器有机结合，使得车辆面对未知路面干扰时以较低的幅度提前调整悬架参数，避免参数调节过程中的时滞现象，同时低成本的Kinect相机传感器，使得本方法易于实施。