确定车辆的有效载荷质量的方法

技术领域

本发明涉及基于由车辆的水平传感器系统提供的传感器数据来确定所述车辆的有效载荷质量。

背景技术

驾驶员辅助系统或用于至少部分自动行驶的系统的许多功能必须操控相应的车辆，使得该车辆经历定义的加速度。从而例如在并入高速公路时，重要的是要准确地遵守在考虑右侧车道上的其他车辆的情况下规划的轨迹并在正确的时间点在加速车道上达到所述并入所需的速度。在自动泊车过程中，特别重要的是使得车辆准确地在特定点停止，以免与停车位两侧的其他车辆发生碰撞。

车辆的纵向加速度所需的力以转矩的形式施加在车轮上，该力与所述纵向加速度和车辆质量成比例。根据车辆类型，车辆质量可以在准备行驶状态时的最小质量和最大允许总质量之间的宽范围内变化。从而例如一辆送货车可以装载大约其空载重量的50%。如果不考虑这一点并且送货车在停车后卸载，则该送货车在接着离开停车位时会不期望地向前猛冲。

因此，EP 1 863 659 B1公开了一种方法，利用该方法可以基于车身的垂直运动从来自车辆的水平传感器系统的传感器数据中确定车辆的质量。

发明内容

在本发明的范围内，开发了一种用于确定施加在车辆的车轮上的有效负载质量

在该方法的范围中，在车辆移动的时间段内使用所述水平传感器系统检测测量值的时间序列，每个测量值都说明车身相对于所述车轮的垂直位置

对于在车身和有效载荷的重力、车身和车辆的所述车轮之间的弹性弹簧以及车身和车辆的所述车轮之间的垂直相对运动阻尼的影响下所述垂直位置

将所述模型最佳地与所述测量值的时间序列保持一致的有效载荷质量

例如，可以将有效载荷质量的不同候选值代入到所述模型中，然后可以测试这些候选值中的哪一个使得然后由所述模型提供的垂直位置

然而，例如相反地也可以从所述模型中结合所检测的测量值的时间序列确定一个或多个条件，最佳有效载荷质量

与具体通过何种方式确定有效载荷质量

当然，在车辆的每个车轮上不仅施加了有效载荷质量

特别有利地，所述模型包含作用在车身上的力的平衡。然后，静态模型和动态模型可以无缝地融合在一起。例如，可以为垂直位置

在该微分方程中，

这是弹簧力和已知的弹簧常数

特别有利地，所述模型的建立包括将所述时间发展离散化为具有步长

例如，在一个时间步骤

来近似。

在一种特别有利的设计中，有效载荷质量

在另一特别有利的设计中，选择以下模型，该模型通过垂直位置

重力加速度

由于输入变量

有利地，使用所述观察算法交替地从过去的信息中预测状态z或所述参数并基于新信息进行校正。这种递归方案一方面特别有效，因为由此最近的估计总是包含所有先前的信息，因此可以再次使用用于这些先前信息的计算工作。另一方面，一方面状态z的计算和另一方面所述参数（特别是

这种耦合是有利的，因为可以确定两种性质不同的变量（状态和参数），但只有一个测量的输入变量

特别有利地，使用无迹卡尔曼滤波器UKF确定状态z，并且使用扩展卡尔曼滤波器EKF确定所述参数。实验表明，EKF提供对所述参数（特别特别是对

在另一有利的设计中，所述模型通过改变其参数来适配于所述测量值的时间序列。然后从使得所述模型与所述测量值的时间序列最一致的那些参数中确定有效载荷质量

无论以何种途径确定在模型和测量序列之间的一致性方面最佳的有效载荷质量

该方法特别是可以完全或部分地由计算机实现。因此，本发明还涉及具有机器可读指令的计算机程序，当所述机器可读指令在一个或多个计算机上执行时，所述机器可读指令促使所述一个或多个计算机执行所描述的方法。从这个意义上说，同样能够执行机器可读指令的车辆的控制设备和技术设备的嵌入式系统也应被视为计算机。

本发明还涉及具有所述计算机程序的机器可读数据载体和/或下载产品。下载产品是可通过数据网络传输的、即可由所述数据网络的用户下载的数字产品，所述数字产品例如可以在在线商店中出售以供立即下载。

此外，计算机可以配备有所述计算机程序、所述机器可读数据载体或所述下载产品。

下面与基于附图对本发明的优选实施例的描述一起更详细地介绍改进本发明的进一步措施。

附图说明

图1示出了方法100的实施例；

图2示出了仅具有弹簧常数

图3示出了用于估计参数1a的EKF和用于估计状态z的UKF的组合；

图4示出了不同非线性观察器在模拟平路上行驶（图4a）和上坡-下坡行驶（图4b）中的比较；

图5示出了从平路上的真实行程的测量值

具体实施方式

图1是用于确定施加在车辆的车轮上的有效载荷质量

在步骤110中，用车辆的水平传感器系统在车辆运动的时间段内检测测量值的时间序列，每个测量值说明车身相对于车轮的垂直位置

在步骤120中，对于在车身和有效载荷的重力、车身和车辆的所述车轮之间的弹性弹簧以及车身和车辆的所述车轮之间的垂直相对运动阻尼的影响下垂直位置

在步骤130中，将模型1最佳地与测量值的时间序列保持一致的有效载荷质量

在步骤140中使用所确定的有效载荷质量

根据框121，模型1可以包含作用在车身上的力的平衡。

根据框122，模型1的建立包括将时间发展离散化为具有步长

根据框122a，在一个时间步骤

根据框123，选择以下模型1，该模型通过垂直位置

特别地，根据框132a，可以使用所述观察算法交替地从过去的信息中预测状态z或参数1a并基于新信息进行校正。根据框132b，然后可以使用状态z的预测来校正参数1a并且可以使用参数1a的预测来预测状态z。

根据框132c，可以使用无迹卡尔曼滤波器UKF确定状态z，并且可以使用扩展卡尔曼滤波器EKF确定参数1a。

根据框124，模型1可以通过改变其参数1a来适配于测量值的时间序列。根据框133，然后可以从使得模型1与测量值的时间序列最一致的那些参数1a中确定有效载荷质量

图2示出了简化的动态模型1。具有质量

水平传感器系统测量车身相对于图2未示出的车辆车轮的垂直位置

图3示出了用于估计参数1a的EKF和用于估计状态z的UKF的组合。传感器数据

UKF包括预测器P

类似地，EKF包括预测器P

EKF和UKF之间的主要区别在于EKF主要依赖于通过泰勒展开对观察到的行为进行线性化，而UKF选择多个sigma点并且合并通过用待观察的非线性函数处理这些sigma点而获得的结果。

在UKF和EKF中，都将分别由校正器K

图4a示出了在平路上的行驶模拟中不同非线性观察器的比较。车辆首先从0km/h加速到10km/h，然后在10m后再次制动。将车辆的估计总质量

实际总质量

图4b示出了沿着由曲线f绘制的轮廓上坡和下坡行驶的类似的模拟，其中图4b的右侧刻度说明相应的高度h。

无论是在平地上行驶还是在上坡-下坡行驶时，根据使用DEUKF确定的估计确定的总质量

图5示出了从平路上的真实行程的测量值

图5a中的线a示出了实际的有效载荷质量

图5b中的曲线c示出了从使用DEUKF模型对状态z的观察中得到的垂直位置

图5c中的曲线e示出了从使用DEUKF模型对状态z的观察中得到的垂直位置