车辆的车重及所处坡度的计算方法、装置及设备

技术领域

本发明涉及车辆技术领域，具体地涉及一种车辆的车重计算方法、一种车辆的车重估计装置、一种车辆所处坡度的计算方法、一种车辆所处坡度的计算装置、一种电子设备以及一种计算机可读存储介质。

背景技术

车重及道路坡度是车辆动力学的关键参数，对变速箱挡位选择、能量回收控制以及自动驾驶车速跟随具有重要意义，严重影响着车辆运行安全。自卸车具有载货质量变化范围大的特点，对自卸车当前车重及所处坡道的坡度大小进行准确估算至关重要。现有技术通过载荷传感器或采用Recursive Least Square(RLS)最小二乘法、Kalman Filter(KF)卡尔曼滤波及Model Prediction Control(MPC)模型预测这类算法感知车重和坡度，前者成本高、安装复杂；后者收敛速度慢，运算量大，且无法在停车状态下估算车重和坡度。

现有技术通过载荷传感器或采用Recursive Least Square(RLS)最小二乘法、Kalman Filter(KF)卡尔曼滤波及Model Prediction Control(MPC)模型预测这类算法感知车重和坡度，前者成本高、安装复杂；后者因初值难以准确获取导致收敛速度慢，计算初期或低车速时误差较大，且无法在停车状态下估算车重和坡度，即使采用预设比例的车辆满载值作为车辆质量估算值，其整车质量估计值只有满载质量和该预设比例对应的半载质量，无法根据实际情况进行准确估计。若在停车过程中车辆加载或者卸载，则会导造成车重和坡度数据不准确，引发坡道起步失败或冲击等现象，从而会导致危险的发生。

发明内容

本发明实施例的目的是提供一种车辆的车重计算方法、装置及设备，以解决现有技术中的部分问题。

为了实现上述目的，本发明的第一方面提供了一种车辆的车重计算方法，所述方法包括：获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；在从给定车重开始的装载过程或卸载过程中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态；若确定所述车辆不处于所述组合中的坡度值和/或运动状态，在根据所述装载过程或卸载过程中的加速度值以及加速度值与车重的对应关系映射得到所述车辆的车重的过程中，选择对映射前的加速度值进行修正和/或对映射得到车重进行修正。

优选地，所述方法还包括：若确定所述车辆处于所述组合中的坡度值和运动状态，根据所述装载过程或卸载过程中的加速度值，通过所述加速度值与车重的对应关系得到所述车辆的车重。

优选地，所述坡度值与运动状态的一种组合包括：坡度值为0与运动状态为静止。

优选地，所述车辆为自卸车，所述方法还包括：根据所述车辆所获取的动作执行指令的类型确定所述车辆处于装载过程或卸载过程；根据从与所述车辆配合的装载设备获取的装载信号确定装载过程处于以下状态之一：装载开始、装载中和装载完成；根据所述车辆的取力器的取力状态以及货箱的倾角状态，确定卸载过程处于以下状态之一：卸载开始、卸载中和卸载完成。

优选地，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态，包括：根据所述给定车重与所述加速度值与车重的对应关系，得到加速度值作为加速度基准值；计算所述装载过程或卸载过程开始时的加速度值与所述加速度基准值的差值，若计算得到的差值大于预设阈值，确定所述车辆的坡度值和运动状态中的至少一者不处于所述组合中的坡度值和运动状态。

优选地，对映射前的加速度值进行修正，包括：获取所述装载过程或卸载过程中的加速度值；采用所述差值对获取的加速度值进行修正，得到修正后的加速度值；所述修正后的加速度值用于通过所述加速度值与车重的对应关系得到所述车辆的车重。

优选地，对映射得到车重进行修正，包括：选择所述车辆的运动速度、映射得到的车重和所处的坡度值为系统状态变量，分别构建状态方程和观测方程；基于所述状态方程和观测方程，通过自适应扩展卡尔曼滤波算法，得到修正后的车辆的车重。

优选地，所述所处的坡度值通过以下步骤得到：获取所述车辆的车重和加速度值；根据所述车重和所述加速度值与车重的对应关系计算得到加速度值；计算获取的加速度值和计算的加速度值之间的差值；根据所述差值与重力加速度的三角函数关系计算得到所述车辆所处的坡度值。

优选地，对得到的车重进行修正后作为所述车辆的车重的触发条件包括：所述车辆不处于所述组合中的运动状态；所述车辆的运动速度高于预设速度阈值；所述车辆的方向盘转角小于预设转角阈值；和所述车辆的变速箱未处于换挡过程中。

优选地，所述方法还包括：对不同运动状态下得到的车重进行数据融合，以融合后的车重作为所述车辆的车重。

在本发明的第二方面，还提供了一种车辆所处坡度的计算方法，所述方法包括：获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；获取所述车辆的车重和加速度值；根据所述车重和所述加速度值与车重的对应关系计算得到加速度值；计算获取的加速度值和计算的加速度值之间的差值；根据所述差值与重力加速度的三角函数关系计算得到所述车辆所处的坡度值。

优选地，所述方法还包括：对不同运动状态下得到的坡度值进行数据融合，以融合后的坡度值作为所述车辆所处的坡度值。

在本发明的第三方面，还提供了一种车辆的车重计算装置，所述装置包括：对应关系存储模块，用于获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；车辆状态确定模块，用于在从给定车重开始的装载过程或卸载过程中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态；以及车重计算模块，用于若确定所述车辆不处于所述组合中的坡度值和/或运动状态，在根据所述装载过程或卸载过程中的加速度值以及加速度值与车重的对应关系映射得到所述车辆的车重的过程中，选择对映射前的加速度值进行修正和/或对映射得到车重进行修正。

在本发明的第四方面，还提供了一种车辆所处坡度的计算装置，所述装置包括：对应关系存储模块，获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；参数获取模块，用于获取所述车辆的车重和加速度值；加速度计算模块，用于根据所述车重和所述加速度值与车重的对应关系计算得到加速度值；差值计算模块，用于计算获取的加速度值和计算的加速度值之间的差值；以及坡度计算模块，用于根据所述差值与重力加速度的三角函数关系计算得到所述车辆所处的坡度值。

在本发明的第五方面，还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的车辆的车重计算方法的步骤。

在本发明的第六方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的车辆的车重计算方法的步骤。

本发明的第七方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的车辆的车重计算方法。

上述技术方案至少具有以下有益效果：

(1)相较于现有技术中的Recursive Least Square(RLS)最小二乘法、KalmanFilter(KF)卡尔曼滤波及Model Prediction Control(MPC)模型等预测算法相比，本发明实施方式基于车辆已有的加速度传感器实现较高精度的车重及坡度估算，运算简单快捷、可节省整车成本，且在车辆静止状态下便能有效估算。

(2)本发明实施方式中提供的装卸状态识别方法，并基于装卸状态识别，可实现装载和卸载过程中的车重实时估算。

(3)本发明实施方式中提出的自适应扩展卡尔曼滤波估算法，利用获取的车重和坡度作为计算初值，并依据不同初始条件选择不同的车速及协方差初值实现算法参数自适应，可有效解决卡尔曼滤波算法初值难以获取而导致收敛速度慢，计算初期估算精度低的问题，同时有效拓宽卡尔曼滤波的使用场景，使得其对自卸车重量变化大、行驶道路路况复杂多变的工况具有良好的自适应性。

(4)本发明实施方式提出的车辆车重及坡度估算方法，通过基于可信度的数据融合方法，有效整合静态称重法及自适应卡尔曼滤波估算法的计算结果，数据融合规则随整车工况变化而自动调整，可进一步提高估计结果精度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1示意性示出了根据本发明实施方式的车辆的车重计算方法的步骤示意图；

图2示意性示出了根据本发明实施方式的车重坡度估算与装卸状态关系图；

图3示意性示出了根据本发明实施方式的车重估算原理图；

图4示意性示出了根据本发明实施方式的车辆坡道行驶纵向受力分析图；

图5示意性示出了根据本发明实施方式的车辆的车重估计装置的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1示意性示出了根据本发明实施方式的车辆的车重计算方法的步骤示意图。如图1所示，一种车辆的车重计算方法，包括：

S01、获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；例如为了计算简便，可以选择坡度值为0时，即水平路面上，以及选择运动状态为0时，即静止状态下作为该组合。在该组合的条件下，以单位重量递增的方式，将该车辆从空载增加至满载，记录不同车重下加速度传感器数值。该单位重量可以选择以5吨为单位。以此得到在水平路面静止工况下车重与加速度传感器数值的对应关系，该对应关系可以采用查询表的方式进行存储。在后续的使用中，通过获取的加速度值或者车重，能够快速确定出其对应的车重或者加速度值。

S02、在从给定车重开始的装载过程或卸载过程中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态。车辆在装载过程或卸载过程中，车重会发生变化，车架角度会因车重变化而发生变化，加速度传感器设置于车架或车桥的相应位置，可以检测出车架或车桥的角度变化。因此，车辆静止时，加速度传感器信号包含坡度信息及车重信息；车辆行驶时，加速度传感器信号包含坡度信息、车重信息及车辆真实加速度信息。并且车辆在装载过程中，车重的变化趋势为从轻到重，而在卸载过程中相反。车辆装载过程或卸载过程开始时的车重即该给定车重，如果此时加速度值和车重符合所述加速度值与车重的对应关系，则基本可确定坡度值与运动状态符合前述对应关系的设定条件。在后续的过程中，直接通过加速值和前述的对应关系，能够得到车重。但是在大多数场景中，坡度值和运动状态并不与前述对应关系的设定条件完全匹配，因此需要在后续步骤中进行对应的调整，以获取准确的车重。

S03、若确定所述车辆不处于所述组合中的坡度值和/或运动状态，在根据所述装载过程或卸载过程中的加速度值以及加速度值与车重的对应关系映射得到所述车辆的车重的过程中，选择对映射前的加速度值进行修正和/或对映射得到车重进行修正。在实际场景中，自卸车通常不处于前述的预设坡度和/或运动状态，例如不为水平路面。此时获取的加速度值会受到当前坡度的影响而对车重估计产生误差，因此本步骤通过加速度值的变化量确定自卸车不处于所述预设坡度，即无法适用前述的查询表时，需要对加速度值进行修正，以满足查询表的适用条件。本步骤中的调整，包括以下三种调整方式：1、先修正加速度，并以修正后的加速度和加速度值与车重的对应关系，映射得到车重；2、先根据加速度和加速度值与车重的对应关系映射得到车重之后，再对映射得到的车重进行调整；3、先通过第1种调整方式得到车重，在对映射得到的车重进行调整，即进行两次修正或调整。

通过以上实施方式，基于车辆已有的加速度传感器实现较高精度的车重及坡度估算，运算简单快捷、可节省整车成本，且在车辆静止状态下便能有效估算。

在一些的实施方式中，所述坡度值与运动状态的一种组合包括：坡度值为0与运动状态为静止。选择以上条件作为组合的原因在于其属于车辆最常见工作场景，车辆大多处于坡度值为0与运动状态为静止的状态。且便于对应关系的采集和后续的计算。

图2示意性示出了根据本发明实施方式的车重坡度估算与装卸状态关系图；如图2所示，在本实施方式中，所述装载过程的执行阶段包括：未装载、装载开始、装载中和装载完成；所述卸载过程的执行阶段包括：未卸载、卸载开始、卸载中和卸载完成，图2中还示出了不同执行阶段的车重以及车重的变化趋势。车辆首次装载前，车重为下线出厂值G1，装载开始后，利用前述的方法实时估算车重，直至装载完成(假设装载完成后车重为G2’)。由于前述的方法中的预设运动状态优选为0，因此也将前述的车重估计方法为静态称重法。运输过程中的运动状态发生了改变，此时无法适用静态称重法，因此采用自适应扩展卡尔曼滤波进行车重估算，车重由G2’修正为G2，自适应扩展卡尔曼滤波的细节将在后文详述。卸载开始后，利用静态称重法实时估算车重，直至卸载完成(假设卸载完成后车重为G3’)；回程过程中利用自适应扩展卡尔曼滤波进行车重估算，车重由G3’修正为G3，直至下一次装载。装载点和卸载点坡度α保持不变，利用静态称重法由加速度值A及车重估计值G、车辆真实加速度a计算得出。车辆行驶过程中利用自适应扩展卡尔曼滤波算法随路面变化实时计算。由于“未装载”和“未卸载”状态与其他状态存在重合，例如“未卸载”状态即为前一装载过程的“装载完成”状态。因此在实际场景中，可以不对这两种状态进行单独识别。

在本发明提供的一些实施方式中，以自卸车为例，通过以下方式确定该自卸车所处的执行阶段。根据所述自卸车所获取的动作执行指令的类型确定所述自卸车处于装载过程或卸载过程；例如：车辆停在装载点后，V2X(车对外界的信息交换)装载侧设备(如挖掘机)通过V2X与车辆无线通信连接，并向自卸车发送装载状态信号，此时可确定自卸车处于装载过程。自卸车在到达预设卸载位置时，会根据判断条件确定可以卸载，并生成卸载开始的指令，以此可确定自卸车处于卸载过程。在车辆卸载开始后至装载侧设备尚未装载时期内，发送未装载；在装载侧设备准备将货物倒入自卸车货箱时，发送装载开始状态，装在过程中发送装载中状态，装载完成后发送装载完成。根据所述自卸车的取力器的取力状态以及所述货箱的倾角状态，确定所述装载过程或卸载过程中所处的执行阶段，包括：车辆根据取力位置传感器反馈的取力状态和货箱倾角传感器反馈的货箱转角识别卸货状态，在车辆开始装载后识别为未卸货状态；在车辆到达卸货点且取力状态为挂上后识别为卸载开始状态；从货箱开始举升到取力断开前识别为卸载中；在取力断开后识别为卸载完成。本实施方式中提出一种装卸状态识别方法，并基于装卸状态识别，可实现装载和卸载过程中的车重实时估算。图3示意性示出了根据本发明实施方式的车重估算原理图。如图3所示，本实施方式通过装载过程和卸载过程中加速度值的变化映射得到车重的变化。

在本发明提供的一些实施方式中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态，包括：根据所述给定车重和所述加速度值与车重的对应关系，得到加速度值作为加速度基准值；计算所述装载过程或卸载过程开始时的加速度值与所述加速度基准值的差值，若计算得到的差值大于预设阈值，确定所述车辆的坡度值和运动状态中的至少一者不处于所述组合中的坡度值和运动状态。具体的，以装载过程为例，在自卸车的车辆第一次装载或卸载完全时，获取当前车重以基准车重，以该基准车重所对应的加速度基准值作为基准值。当车辆再次进入装载开始状态时，从基准车重即给定车重开始发生变化。通过加速度传感器获取第一加速度值。若第一加速度值减去基准值的绝对值大于某一设定值，则判断车辆处于坡道上，且坡度等效加速度值即为(第一加速度值-基准值)，此时获取的当前加速度值需要被修正，修正为：当前加速度值-(第一加速度值-基准值)；即为车重G2’在水平道路上的加速度值，那么根据修正后的加速度值查询前述的车重与加速度基准值的对应关系，获取装载完成后的车重G2’。车辆在运输过程中(装载完成后至卸货开始前)，利用自适应扩展卡尔曼滤波算法将车重修正为G2。同样的，以卸载过程为例，以未卸载时的车重得到对应的加速度值，记为加速度基准值。以车辆到达卸载点进入卸载开始时，通过加速度传感器获取加速度值，记为第二加速度值。若第二加速度值减去基准值的绝对值大于某一设定值，则判断车辆处于坡道上。后续的处理过程与装载过程类似，此处不再赘述。

在本发明提供的一些实施方式中，还提供了车辆所处坡度的计算方法。具体的，根据车辆是否处于预设运动状态，分别根据第一算法和第二算法进行坡度值计算。

当车辆静止时，加速度传感器信号获取的加速度值包含坡度信息及车重信息，根据车重估算值G查询前述的车重与加速度值对应关系，可获取车重G的等效加速度值A

当车辆行驶时，加速度传感器信号包含坡度信息、车重信息及车辆真实加速度信息，则坡度值α计算公式为：

在本发明提供的一些实施方式中，需要对得到的车重进行修正后作为所述车辆的车重。自卸车的车重变化范围大，工作道路的路况复杂多变，现有技术利用卡尔曼滤波(Kalman Filter，KF)估计自卸车车重与道路坡度存在估计初值难以确定、车重与道路坡度解耦效果差、ECU计算负载大等问题。关键的，卡尔曼滤波无法在车辆静止状态下估计整车车重与所处道路坡度，这严重限制了其应用场景。为了解决上述问题，通过对车速v

在本发明提供的一些实施方式中，采用自适应扩展卡尔曼滤波算法对得到的自卸车的车重进行修正，包括：选择所述自卸车的运动速度、得到的车重和所处的坡度值为系统状态变量，分别构建状态方程和观测方程；基于所述状态方程和观测方程，通过自适应扩展卡尔曼滤波算法，得到修正后的自卸车的车重。图4示意性示出了根据本发明实施方式的车辆坡道行驶纵向受力分析图。如图4所示，图中的F

F

结合本发明实施方式，式(1)的具体表达形式由式(2)确定：

其中，v

自适应扩展卡尔曼滤波的求解过程如式(3)～(8)所示：

首先，对式(2)进行离散化并设定在AEKF迭代求解过程中车重和坡度变化差值小，则有：

其中，下标k，k-1分别表示当前步和上一计算步各变量的值，△t

然后，选取车速v

其中，W

其中，由式(3)系统状态方程对各状态变量求偏导即可得到所需的Jacobian矩阵。

进一步的，对于卡尔曼滤波初值难以确定及收敛速度慢的问题，本发明实施方式针对系统的三个状态变量(车速v

对于车重m

在本发明提供的一些实施方式中，对适用前述的自适应扩展卡尔曼滤波算法设定进入条件或激活条件。包括：所述车辆不处于所述组合中的运动状态；所述车辆的运动速度高于预设速度阈值；所述车辆的方向盘转角小于预设转角阈值；和所述车辆的变速箱未处于换挡过程中。具体的，自适应卡尔曼滤波算法建立在车辆动力学方程基础之上，当车辆处于低车速、转弯行驶及换挡过程中这类工况时，算法估算精度低，故本实施方式为其设置了进入条件Flag_Enable，其触发条件包括：1、车速高于某一标定值(V1)；2、车辆方向盘转角小于一定值(非转弯行驶)；3、变速箱未处于换挡过程中。在以上条件同时满足时，Flag_Enable＝1，即开始估算。否则Flag_Enable＝0，即估算退出。

在本发明提供的一些实施方式中，所述方法还包括：对不同运动状态下得到的车重进行数据融合，得到融合后的自卸车的车重；或者对不同运动状态下得到的坡度值进行数据融合，得到融合后的坡度值。针对不同工况下的车重和坡度值的计算方法不同。为了进一步提高估计结果精度，本实施方式根据不同工况下两种方法的计算结果进行融合。融合结果的计算方式可以选用现有数据处理中的方式。此处以加权融合举例如下：针对不同计算结果的可信度设定不同的权重系数，对估计结果进行数据融合：

其中，Rmix为数据融合后的结果(最终估计值)，可以为车重或者坡度值，Rsensor为静态称重法估计结果，R

在本发明提供的一些实施方式中，车辆的车重计算方法包括以下步骤：

步骤1：标定加速度传感器，使得车辆处于水平路面且空载静止时(加速度传感器数值只包含车重信息)的加速度传感器的读数为0；

步骤2：车辆处于水平路面且静止，以5吨为单位将车重从空载增加至满载，记录不同车重下加速度传感器数值，获取对应关系，记为《水平路面静止工况下车重与加速度传感器数值的对应关系查询表T1》。

步骤3：回程车重设为G3，若卸载完全或车辆第一次装载，则G3＝G1，根据车重G3查询《水平路面静止工况下车重与加速度传感器数值的对应关系查询表T1》获取G3对应的第六加速度值A

步骤4：若A

步骤5：若A

步骤6：车辆在运输过程中(装载完成后至卸货开始前)，利用自适应扩展卡尔曼滤波算法将车重修正为G2；

步骤7：装载过程中，读取实时加速度传感器数值A

步骤8：车辆到达卸载点进入卸载开始时，通过加速度传感器获取第四加速度值A

步骤9：若A

步骤10：若A

步骤11：车辆在回程过程中(卸货完成后至装载开始前)，利用自适应扩展卡尔曼滤波算法将车重修正为G3；

步骤12：卸载过程中，读取实时加速度传感器数值A

步骤13：车辆下电时，将A

基于同一发明构思，本发明还提供了一种车辆的车重估计装置。图5示意性示出了根据本发明实施方式的车辆的车重估计装置的结构示意图。如图5所示，一种车辆的车重估计装置，包括：对应关系存储模块，用于获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；车辆状态确定模块，用于在从给定车重开始的装载过程或卸载过程中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态；以及车重计算模块，用于若确定所述车辆不处于所述组合中的坡度值和/或运动状态，在根据所述装载过程或卸载过程中的加速度值以及加速度值与车重的对应关系映射得到所述车辆的车重的过程中，选择对映射前的加速度值进行修正和/或对映射得到车重进行修正。

在本发明的一些可选实施方式中，所述装置还包括：若确定所述车辆处于所述组合中的坡度值和运动状态，根据所述装载过程或卸载过程中的加速度值，通过所述加速度值与车重的对应关系得到所述车辆的车重。

在本发明的一些可选实施方式中，所述车辆为自卸车，所述装置还包括：根据所述车辆所获取的动作执行指令的类型确定所述车辆处于装载过程或卸载过程；根据从与所述车辆配合的装载设备获取的装载信号确定装载过程处于以下状态之一：装载开始、装载中和装载完成；根据所述车辆的取力器的取力状态以及货箱的倾角状态，确定卸载过程处于以下状态之一：卸载开始、卸载中和卸载完成。

在本发明的一些可选实施方式中，根据所述装载过程或卸载过程开始时的加速度值是否符合所述加速度值与车重的对应关系，确定所述车辆是否处于所述组合中的坡度值与运动状态，包括：根据所述给定车重与所述加速度值与车重的对应关系，得到加速度值作为加速度基准值；计算所述装载过程或卸载过程开始时的加速度值与所述加速度基准值的差值，若计算得到的差值大于预设阈值，确定所述车辆的坡度值和运动状态中的至少一者不处于所述组合中的坡度值和运动状态。

在本发明的一些可选实施方式中，对映射前的加速度值进行修正，包括：获取所述装载过程或卸载过程中的加速度值；采用所述差值对获取的加速度值进行修正，得到修正后的加速度值；所述修正后的加速度值用于通过所述加速度值与车重的对应关系得到所述车辆的车重。

在本发明的一些可选实施方式中，对映射得到车重进行修正，包括：选择所述车辆的运动速度、映射得到的车重和所处的坡度值为系统状态变量，分别构建状态方程和观测方程；基于所述状态方程和观测方程，通过自适应扩展卡尔曼滤波算法，得到修正后的车辆的车重。

在本发明的一些可选实施方式中，所述所处的坡度值通过以下步骤得到：获取所述车辆的车重和加速度值；根据所述车重和所述加速度值与车重的对应关系计算得到加速度值；计算获取的加速度值和计算的加速度值之间的差值；根据所述差值与重力加速度的三角函数关系计算得到所述车辆所处的坡度值。

在本发明的一些可选实施方式中，对得到的车重进行修正后作为所述车辆的车重的触发条件包括：所述车辆不处于所述组合中的运动状态；所述车辆的运动速度高于预设速度阈值；所述车辆的方向盘转角小于预设转角阈值；和所述车辆的变速箱未处于换挡过程中。

在本发明的一些可选实施方式中，所述装置还包括：对不同运动状态下得到的车重进行数据融合，以融合后的车重作为所述车辆的车重。

上述的车辆的车重估计装置中的各个功能模块的具体限定可以参见上文中对于车辆的车重计算方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一些实施方式中提供了一种车辆所处坡度的计算装置，对应关系存储模块，获取车辆在坡度值与运动状态的一种组合下的加速度值与车重的对应关系；参数获取模块，用于获取所述车辆的车重和加速度值；加速度计算模块，用于根据所述车重和所述加速度值与车重的对应关系计算得到加速度值；差值计算模块，用于计算获取的加速度值和计算的加速度值之间的差值；以及坡度计算模块，用于根据所述差值与重力加速度的三角函数关系计算得到所述车辆所处的坡度值。

在一些可选实施方式中，所述装置还包括：对不同运动状态下得到的坡度值进行数据融合，以融合后的坡度值作为所述车辆所处的坡度值。

同样的，上述的车辆所处坡度的计算装置中的各个功能模块的具体限定可以参见上文中对于车辆所处坡度的计算方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本发明提供的一些实施方式中，还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的车辆的车重计算方法和/或车辆所处坡度的计算方法的步骤。此处的处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

在本发明的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，该指令在被处理器执行时使得处理器被配置成执行上述的车辆的车重计算方法和/或车辆所处坡度的计算方法的步骤。

在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的车辆的车重计算方法和/或车辆所处坡度的计算方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。