基于机器学习的牵引极限和车轮稳定性状态估计

技术领域

本公开涉及估计车辆车轮关于道路牵引的操作范围。

背景技术

车辆转弯、加速和制动的能力取决于安装在车辆车轮上的轮胎与轮胎接触的路面之间的摩擦。车辆通常包括用以控制驱动扭矩和/或制动扭矩的系统，以在轮胎/道路界面上保持所需的摩擦水平。

因此，虽然目前的车辆控制系统达到了其预期的目的，但需要一种新的和改进的用于动态车辆控制的系统和方法。

发明内容

根据几个方面，一种估计车辆车轮的性能特性的方法包括：基于车轮动力学和轮胎行为选择相关输入特征，并在多个车辆运行条件中的每个条件下，针对相关输入特征的每个相关输入特征来收集实验数据。该方法还包括从实验数据中手动识别并标记随时间变化的车轮稳定性状态，并从实验数据中计算随时间变化的牵引极限。该方法还包括以实验数据为输入，计算出的牵引极限为输出，使用机器学习回归算法训练牵引极限模型，以及以实验数据为输入，标记的车轮稳定性状态为输出，使用机器学习分类算法训练车轮稳定性状态模型。该方法还包括接收多个测试输入，其中多个测试输入中的每个测试输入是从车辆上的传感器或从车辆上的控制器接收的；以及处理在预定的机器学习过程中所接收的测试输入，以便在一个或多个数据处理器中计算性能特性的预测值。

在本公开的另一个方面，性能特性是牵引极限。

在本公开的另一个方面，机器学习回归算法是高斯过程回归。

在本公开的另一个方面，机器学习回归算法是神经网络算法。

在本公开的另一个方面，机器学习回归算法是基于核的回归算法。

在本公开的另一个方面，性能特性是车轮稳定性状态。

在本公开的另一个方面，机器学习分类算法是高斯过程分类。

在本公开的另一个方面，多个测试输入包括以下各项中的两项或多项：纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。

在本公开的另一个方面，该方法还包括将性能特性的计算预测值与地面真值进行比较，并且在性能特性的计算预测值与地面真值的差值大于预定阈值的情况下，使用针对训练过程修改后的超参数来重复训练牵引极限模型的步骤和/或训练车轮稳定性状态模型的步骤。

在本公开的另一个方面，该方法还包括使用来自测试输入的数据来更新经训练的牵引极限模型和/或经训练的车轮稳定性状态模型。

根据一些方面，车辆包括车轮和控制器，该控制器被配置为接收多个输入，其中多个输入中的每个输入是从车辆上的传感器或从车辆上的控制器接收的。控制器还被配置为处理在预定的机器学习过程中所接收的输入，以在一个或多个数据处理器中计算车轮的性能特性的预测值，其中预定的机器学习过程的超参数是先前在使用机器学习的离线训练过程中确定的。

在本公开的另一个方面，性能特性是牵引极限。

在本公开的另一个方面，预定的机器学习过程是回归。

在本公开的另一个方面，性能特性是车轮稳定性状态。

在本公开的另一个方面，预设的机器学习过程是分类。

在本公开的另一个方面，多个输入包括以下各项中的两项或多项：纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。

根据一些方面，车辆包括车轮和控制器。该控制器被配置为接收多个输入。该多个输入包括以下各项中的两项或多项：纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度或车辆重心与车轮中心之间的横向距离。控制器还被配置为处理在机器学习回归过程中所接收的输入，用以在一个或多个数据处理器中计算车轮的牵引极限的预测值，并用以处理在机器学习分类过程中所接收的输入，以在一个或多个数据处理器中计算车轮的稳定性状态的预测值。机器学习分类过程和机器学习回归过程的超参数是先前在离线训练过程中确定的。

在本公开的另一个方面，计算出的车轮的预测牵引极限和/或计算出的预测车轮稳定性状态被用于确定对车辆上的致动器的控制信号。

在本公开的另一个方面，致动器被配置为控制传递给车轮的驱动扭矩或制动扭矩。

在本公开的另一个方面，该致动器被配置为控制转向角。

根据本文提供的描述，进一步的适用领域将变得显而易见。应当理解，说明书和具体示例仅仅是为了说明的目的，而不是旨在限制本公开的范围。

附图说明

本文描述的附图仅用于说明目的，并不旨在以任何方式限制本公开的范围。

图1是根据一个示例性实施例的车辆的示意框图；

图2是根据一个示例性实施例的轮胎/道路界面处的力的示意图；

图3是针对各种路面的归一化轮胎纵向力随滑移率变化的函数曲线图；

图4是根据一个示例性实施例的基于机器学习的牵引极限和车轮稳定性估计算法的流程图；以及

图5是根据示例性实施例的纵向力随着滑移变化的函数曲线图，其中识别了车轮稳定性状态区域。

具体实施方式

以下描述本质上仅仅是示例性的，并不旨在限制本公开、应用或用途。

在现实世界中运行的车辆将在不断变化和不可预测的条件下运行。作为示例，路面可以包括用几种可能的铺路材料中的一种铺设和/或未铺设的路段。此外，路面可能潮湿、干燥、结冰，和/或覆盖在松散的碎屑，如沙子、砾石或雪。这些不同的条件可能会改变可用的轮胎牵引力，从而减少轮胎产生的摩擦力，使维持车辆控制具有挑战性。

如图1所示，车辆10通常包括底盘12、车身14、前轮和后轮17。车身14安装在底盘12上，基本上包围着车辆10的部件。车身14和底盘12可以共同形成框架。车轮17在车身14的各自角附近分别与底盘12可旋转地联接。每个车轮17都有安装在其外周的轮胎18。

在所示的实施例中，车辆10被描述为乘用车，但应当理解的是，还可以使用其他车辆，包括摩托车、卡车、运动型多用途车(Sport Utility Vehicle，SUV)、休闲车(Recreational Vehicle，RV)、船舶、飞机等。

如图所示，车辆10可以包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动系统30、至少一个数据存储装置32、至少一个控制器34和通信系统36。在不同的实施例中，推进系统20可以包括电动机，如牵引电机和/或燃料电池推进系统。车辆10还包括与推进系统20电连接的电池(或电池组)21。据此，电池21被配置为储存电能并向推进系统20提供电能。附加地，推进系统20可以包括内燃机。传动系统22被配置为根据可选择的速度比，将动力从推进系统20传输到车辆车轮17。根据各种实施例，传动系统22可以包括步进比自动变速器、无极变速器或其他适当的变速器。制动系统26被配置为向车辆车轮17提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、再生制动系统，如电动机，和/或其他适当的制动系统。转向系统24影响着车辆车轮17的位置。虽然出于说明的目的被描述为包括方向盘，但在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘。

传感器系统28包括一个或多个传感器40(即传感装置)，其感知车辆10的外部环境和/或内部环境的可观察条件。传感器40可以包括但不限于纵向速度传感器、纵向加速度传感器、横向加速度传感器、偏航率传感器、车轮角速度传感器、车轮角加速度传感器、法向力传感器、方向盘角度传感器和/或其他传感器。致动系统30包括一个或多个致动装置42，其控制一个或多个车辆特征，例如，但不限于，由推进系统20和传动系统22传递给车轮的驱动扭矩，由转向系统24传递的转向角，以及由制动系统26传递的制动扭矩。在各种实施例中，车辆特征还可以包括内部和/或外部车辆特征，例如，但不限于，车门、后备箱、以及车厢特征，例如通风装置、媒体装置、照明装置等(未标号)。由于传感器系统28向控制器34提供对象数据，因此传感器系统28及其传感器40被认为是信息源(或简单地说是源)。

数据存储装置32存储用于控制车辆10的数据。可以理解的是，数据存储装置32可以是控制器34的一部分，与控制器34分开，或者是控制器34的一部分，或是独立系统的一部分。

控制器34包括至少一个处理器44和计算机非暂态可读存储设备或介质46。处理器44可以是定制的或市售的处理器、中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、与控制器34相关的几个处理器中的辅助处理器，基于半导体的微处理器(以微芯片或芯片组的形式)，宏处理器，其组合，或通常用于执行指令的装置。计算机可读存储设备或介质46可以包括例如只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random-Access Memory，RAM)和保活存储器(Keep-AliveMemory，KAM)中的易失性和非易失性存储。KAM是一种持久性或非易失性存储器，可用于在处理器44断电时存储各种操作变量。计算机可读存储设备或介质46可以使用一些已知的存储设备来实施，例如PROM(Programmable Read-Only Memory，可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储数据的其他电、磁、光或组合存储设备。其中一些数据代表可执行指令，由控制器34用于控制车辆10。

指令可以包括一个或多个独立程序，每个程序包括用于执行逻辑功能的可执行指令的有序列表。当由处理器44执行时，指令接收并处理来自传感器系统28的信号，执行逻辑、计算、方法和/或算法，用于自动控制车辆10的部件，并产生控制信号给致动系统30，以基于该逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管图1中示出了单个控制器34，但车辆10的实施例可以包括多个控制器34，其通过合适的通信介质或多种通信介质的组合进行通信，并协同处理传感器信号，执行逻辑、计算、方法和/或算法，并产生控制信号以自动控制车辆10的特征。

在各种实施例中，控制器34的一个或多个指令实例化在控制系统98中。车辆10包括用户界面23，其可以是仪表板上的触摸屏。用户界面23与控制器34电子通信，并被配置为接收用户(例如，车辆操作员)的输入。据此，控制器34被配置为通过用户界面23接收来自用户的输入。用户界面23包括显示器，显示器被配置为向用户(例如，车辆操作员或乘客)显示信息。

通信系统36被配置为与其他实体48进行无线信息通信，例如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程系统和/或个人设备。在一个示例性的实施例中，通信系统36是无线通信系统，被配置为通过使用IEEE 802.11标准的无线局域网(WirelessLocal Area Network，WLAN)或通过使用蜂窝数据通信进行通信。然而，附加的或替代的通信方法，如专用短程通信(Dedicated Short-Range Communication，DSRC)信道，也被认为在本公开的范围内。DSRC信道是指专门为汽车使用而设计的单向或双向短程至中程无线通信信道以及一套相应的协议和标准。据此，通信系统36可以包括一个或多个天线和/或收发器，用于接收和/或发射信号，例如协作感知消息(Cooperative Sensing Message，CSM)。

图1包括控制系统98的示意框图，该系统被配置为控制车辆10。控制系统98的控制器34与制动系统26、推进系统20和传感器系统28电子通信。制动系统26包括一个或多个制动致动器(例如，制动钳)，其与一个或多个车轮17联接。一旦启动，制动致动器对一个或多个车轮17施加制动压力，以使车辆10减速。推进系统20包括一个或多个推进致动器，用于控制车辆10的推进力。例如，如上所述，推进系统20可以包括内燃机，并且在这种情况下，推进致动器可以是专门配置为控制内燃机气流的节流阀。传感器系统28可以包括一个或多个加速度计(或一个或多个陀螺仪)，其联接到一个或多个车轮17。加速度计与控制器34电子通信，并被配置为测量并监测车辆10的纵向和横向加速度。传感器系统28可以包括一个或多个速度传感器，配置为测量车辆10的速度(或速率)。速度传感器联接至控制器34，并与一个或多个车轮17电子通信。

参照图2，示出了其上安装有车辆轮胎18的车轮17，以及表示轮胎18和路面之间的界面处的力矢量的箭头。第一箭头52表示纵向力分量F

参照图3，示出了针对各种路面归一化轮胎纵向力随滑移率变化的函数曲线图60。y轴62表示归一化轮胎纵向力，通常称为μ，定义为纵向力F

在曲线图60中，x轴64表示滑移率，其被定义为：

其中ω＝车轮的角速度；

R

V＝车辆的前进速度。

继续参考图3，示出了针对各种路面和条件的归一化轮胎纵向力μ和滑移率之间关系的示例。在图3中，轨迹66表示干燥的沥青路，轨迹68表示潮湿的沥青路，轨迹70表示鹅卵石路，轨迹72表示雪路，轨迹74表示结冰路面。在轮胎-道路界面处能够产生的最大纵向力，也被称为牵引极限，不仅取决于路面，也取决于滑移率。μ-滑移关系的行为一般可分为三个区域。在低滑移值处，随着滑移的增加，μ通常以线性方式增大。随着滑移的继续增加，μ-滑移关系的斜率减小至零，并达到μ的峰值。进一步增加的滑移导致轮胎饱和区域的μ不断减小，且坡度相对平稳。

曲线图60描述了在没有横向力F

最好是在μ-滑移曲线的峰值附近来操作轮胎，以防止轮胎饱和，同时将控制性能最大化。在实践中，使用随时可用的车辆传感器读数实时估计力和摩擦系数μ是具有挑战性的。此外，纵向受力能力F

参照图4，示出了基于机器学习的牵引极限和车轮稳定性估计算法100的流程图。本文中使用的术语“机器学习”指的是基于样本数据(称为训练数据)构建模型的算法，以便在没有明确编程的情况下做出预测或决策。作为一个非限制性示例，机器学习算法可以是回归算法，其中输出本质上是连续的，输入可以是数字或类别的。作为另一个非限制性示例，机器学习算法可以是分类算法，其将数据点分类到固定数量的类中的一个类。超参数是在学习过程开始前设置的参数。这些参数是可调的，能够直接影响模型的训练效果。

继续参考图4，在输入选择步骤102中，根据车轮动力学和轮胎行为选择相关输入特征。车轮动力学由下述等式描述：

其中

I

是车轮角加速度；

T

F

R

相关输入特征可以包括纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度和车辆重心与车轮中心之间的横向距离。与其使用列出的所有输入特征，不如只使用列出的特征中的一个子集。也可以使用未包括在上述列表中的一个或多个输入特征。基于在算法性能和计算需求之间达到平衡以选择输入特征。

继续参考图4，算法步骤104包括地面真值估计和标记。在地面真值估计和标记步骤104中，使用带仪器的车辆，覆盖各种驾驶动作和路面来收集实验数据集。作为一个非限制性示例，可以记录以下数据：在干燥沥青路上转弯时增加的速度，在干燥沥青路上的直线加速度，在瓷砖路上的直线加速度，在玄武岩路上从静止状态转弯时的加速度，以及在分裂表面类型上的直线加速度。在收集数据后，在标记程序中对数据进行分析，以识别随时间变化的车轮稳定性状态。车轮随时间变化的行为可以可视化为“纵向力对滑移”图200上的轨迹，如图5所示。纵向力对滑移图200的形状通常与图3中所示的μ-滑移关系类似，但y轴尺度具有力单位(例如牛顿)，并且范围从零到最大值，略小于车轮处的法向力F

能够对每个区域202、204、206的牵引极限(即在轮胎-道路界面处能够产生的最大纵向力)进行估计。在线性区域202中，摩擦椭圆被用来估计在时间t处的纵向摩擦系数最大能力：

在近峰值区域204中，在时间t处的纵向摩擦系数的最大能力被估计为：

在饱和区域206中，在第一种方法中，保留在最近的近峰区域中计算出的数值μ

继续参考图4，算法从地面真值估计和标记步骤104继续到训练步骤106。训练步骤106包括训练回归模型，以预测牵引极限。训练步骤106还包括训练分类模型，以预测车轮稳定性状态(例如，线性区域、近峰值区域或饱和区域)。

在算法步骤108中，使用未用于开发训练模型的新数据集的输入特征，对该训练模型进行测试和预测。对于每个车轮，输入特征可以包括纵向速度、纵向加速度、横向加速度、偏航率、车轮角速度、车轮角加速度、法向力、方向盘角度，以及车辆重心与车轮中心之间的横向距离。对于每个车轮，预测输出包括牵引极限预测和机器学习回归算法的相关不确定性。预测输出还包括车轮稳定性状态和分类算法的不确定性。将预测牵引极限和车轮稳定性状态分类输出与地面真值进行比较。

继续参考图3，该算法进行到决策框110。如果步骤108中的预测输出被判断为满足算法的性能要求，则算法在框112处结束。如果步骤108中的输出被判断为不符合算法的性能要求，则执行返回步骤104并重复训练。对于随后的迭代，模型的超参数调整可以使用随机搜索来定义每个超参数的分布，对超参数值的若干组合进行采样，并确定提供最佳模型性能的组合。

测试结果验证了，机器学习回归算法的牵引极限估计产生了与地面真值相关的准确预测。因此，可以得出结论，可以使用机器学习原理来学习牵引极限和测量信号之间的关系。同样地，测试结果也验证了，使用机器学习分类算法能够准确预测车轮稳定性状态。

本文所公开的过程、方法或算法能够用于处理装置、控制器或计算机(其可包括任何现有的可编程电子控制单元或专用电子控制单元)或由其执行。同样地，过程、方法或算法能够以多种形式存储为控制器或计算机可执行的数据和指令，包括但不限于永久存储在非可写存储介质(如ROM设备)上的信息和可改变地存储在可写存储介质(如软盘、磁带、CD、RAM设备以及其他磁性和光学介质)上的信息。这些过程、方法或算法也能够在软件可执行对象中实施。可替代地，这些过程、方法或算法可以全部或部分地使用合适的硬件组件来体现，例如特定应用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、状态机、控制器或其他硬件组件或设备，或者硬件、软件和固件组件的组合。这样的示例设备可以作为车辆计算系统的一部分安装在车上，或者位于车外并与一个或多个车辆上的设备进行远程通信。

从所公开的方法中获得的牵引极限估计和车轮稳定性状态估计可以提供给控制器，以改善车辆控制性能。通过非限制性示例，牵引控制系统、偏航控制系统和防抱死制动系统都可以受益于具有可用的牵引极限估计和/或车轮稳定性状态估计信息。

本公开的一种基于机器学习的牵引极限和车轮稳定性状态估计方法具有多个优点。学习输入特征和牵引极限之间的关系，避免了确定路面状况或估计轮胎-路面摩擦系数的需求。本公开的方法只使用机载传感器数据并进行在线学习。通过从更多的数据中学习并增强回归和分类模型，能够不断地提高性能。该方法适用于车辆上的所有车轮，并可扩展到不同的车辆。通过识别并最小化轮胎饱和度，能够最大化控制性能，从而提高安全性和机动性。

本公开的描述本质上仅仅是示例性的，并且不偏离本公开的主旨的变化旨在落入本公开的范围内。这种变化不应被视为背离本公开的精神和范围。