使用道路纵断面自适应滤波的轮胎载荷估计系统

摘要

本发明涉及使用道路纵断面自适应滤波的轮胎载荷估计系统。提供一种动态载荷估计系统，其包括：车辆载荷承载轮胎；安装到轮胎的至少一个轮胎传感器，该传感器可操作用来测量一个轮胎的轮胎变形并且生成传达测得的变形数据的原始载荷指示信号；道路粗糙度估计装置，其用于确定道路粗糙度估计；滤波装置，其用于通过道路粗糙度估计来对测得的变形数据进行滤波；以及载荷估计装置，其用于根据已滤波的测得的变形数据来估计一个轮胎上的估计的载荷。将道路纵断面估计与静态载荷估计融合以便获得瞬时轮胎载荷估计。

说明书

技术领域

本发明一般地涉及用于在车辆操作期间收集测得的轮胎参数数据的轮胎监测系统，并且更特别地涉及为了基于测得的轮胎参数数据来估计轮胎加载而生成的系统和方法。

背景技术

可以通过轮胎压力监测系统（TPMS）来监测车辆安装的轮胎，该轮胎压力监测系统（TPMS）在车辆操作期间测量诸如压力和温度之类的轮胎参数。来自轮胎装配的TPMS系统的数据被用来基于测得的轮胎参数来查明轮胎的状态，并且使驾驶员意识到可能需要补救维护的状况，诸如低轮胎压力或泄露这类。在轮胎制造的预固化阶段或者在对轮胎的后固化组装中，在每个轮胎内安装传感器。

对于车辆操作和安全性来说，诸如轮胎加载之类的其他因素是重要的考虑因素。因此进一步希望的是，在实时且驾驶状况下估计轮胎加载并且将载荷信息连同前述测得的压力和温度的轮胎参数一起传递给车辆操作员和/或车辆系统（诸如制动系统）。

发明内容

根据本发明的一个方面，提供一种动态载荷估计系统，其包括：车辆载荷承载轮胎；安装到轮胎的至少一个轮胎传感器，该传感器可操作用来测量一个轮胎的轮胎变形并且生成传达测得的变形数据的原始载荷指示信号；道路粗糙度估计装置，其用于确定道路粗糙度估计；未滤波的载荷估计装置，其用于根据该原始载荷指示信号来生成静态载荷估计；滤波装置，其用于通过道路粗糙度估计来对该静态载荷估计进行滤波；以及载荷估计装置，其用于基于已滤波的载荷估计来估计一个轮胎上的估计载荷。

在另一方面中，轮胎传感器在配置中起到生成对轮胎变形作出响应的信号的能量收获设备的作用。

根据另一方面，该滤波装置被配置为使用基于递归的过程的自适应滤波器（诸如自适应卡尔曼滤波器）。自适应卡尔曼滤波器根据未滤波的轮胎覆盖区长度估计来生成通过道路粗糙度估计自适应滤波的覆盖区长度估计。然后已滤波的覆盖区长度连同测得的轮胎膨胀压力和轮胎标识数据被用于从轮胎特定的数据库提取估计的轮胎载荷。在第一实施例中，轮胎粗糙度估计装置在操作上将表面粗糙度分类系统应用于原始道路指示信号以便确定相对道路粗糙度估计。滤波装置然后操作用来通过相对道路粗糙度估计来对测得的变形数据进行滤波。来自车辆安装的传感器的数据被用在自适应滤波器中并且被应用于来自轮胎的静态载荷估计以便生成道路纵断面高度估计和载荷变化估计。在操作上将估计的道路纵断面高度与已滤波载荷估计融合以便产生计算的瞬时轮胎载荷估计。

根据本发明，提出一种用于估计车辆载荷的动态载荷估计系统，其特征在于包括：支撑车辆的至少一个轮胎；安装到所述一个轮胎的轮胎传感器装置，该传感器装置可操作用来测量所述一个轮胎的轮胎变形并且生成传达测得的变形数据的载荷指示原始信号；载荷估计装置，其用于根据所述载荷指示原始信号来确定轮胎上的未滤波载荷估计；道路粗糙度估计装置，其用于确定道路粗糙度估计；滤波装置，其用于通过道路粗糙度估计来对未滤波的载荷估计进行滤波；以及载荷估计装置，其用于根据滤波装置来确定所述一个轮胎上的已滤波载荷估计。

进一步地，所述轮胎传感器装置包括能量收获装置，所述载荷指示原始信号表示从所述一个轮胎的变形收获的能量。

进一步地，所述轮胎传感器装置包括至少一个基于压电的传感器。

进一步地，所述滤波装置包括自适应滤波装置。

进一步地，所述自适应滤波装置包括使用基于递归的过程的自适应卡尔曼滤波器。

进一步地，所述载荷估计装置根据所述载荷指示原始信号来确定轮胎的估计的未滤波覆盖区长度。

进一步地，所述自适应卡尔曼滤波器根据估计的未滤波覆盖区长度来确定已滤波的覆盖区长度估计。

进一步地，还包括轮胎特定的数据库，其根据包括已滤波的覆盖区长度估计、测得的轮胎膨胀压力和轮胎识别数据的输入来确定所述一个轮胎上的载荷估计。

进一步地，所述道路粗糙度估计装置在操作上将表面粗糙度分类系统应用于所述载荷指示原始信号以便确定相对道路粗糙度估计，所述自适应滤波装置被操作用于通过所述相对道路粗糙度估计来对估计的未滤波覆盖区长度进行滤波。

进一步地，还包括道路纵断面高度估计装置，其用于根据至少一个车辆安装的传感器装置来确定估计的量化道路纵断面高度。

进一步地，所述车辆安装的传感器装置包括悬架偏转测量装置。

进一步地，所述车辆安装的传感器装置还包括用于测量车辆底盘加速度的底盘安装的加速度计装置。

进一步地，在操作上将估计的道路纵断面高度与已滤波载荷估计融合以便产生计算的瞬时轮胎载荷估计。

根据本发明，提出一种估计支撑车辆的轮胎上的动态载荷的方法，其特征在于包括：将轮胎传感器装置安装到一个轮胎上，所述传感器装置可操作用来测量所述一个轮胎的轮胎变形并且生成传达测得的变形数据的载荷指示原始信号；根据利用所述载荷指示原始信号的道路粗糙度估计装置来确定道路粗糙度估计；根据所述载荷指示原始信号来计算未滤波载荷估计；通过利用自适应滤波器装置的道路粗糙度估计来对未滤波载荷估计进行滤波；以及在通过自适应滤波器装置进行滤波之后估计所述一个轮胎上的已滤波的载荷估计。

进一步地，还包括将所述轮胎传感器装置配置为能量收获传感器装置以便生成所述载荷指示原始信号。

进一步地，所述自适应滤波装置包括使用基于递归的过程的自适应卡尔曼滤波器。

进一步地，还包括借助于轮胎特定的数据库来根据包括已滤波的覆盖区长度估计、测得的轮胎膨胀压力和轮胎识别数据的输入来确定所述一个轮胎上的载荷估计。

进一步地，还包括将表面粗糙度分类系统应用于所述原始载荷指示信号以便确定相对道路粗糙度估计，以及借助于所述自适应滤波装置来通过所述相对道路粗糙度估计对未滤波的轮胎载荷估计进行滤波。

进一步地，还包括根据至少一个车辆安装的传感器装置来计算道路纵断面估计。

进一步地，还包括将估计的道路纵断面高度与已滤波的载荷估计融合以便产生计算的瞬时轮胎载荷估计。

定义。

“ANN”或“人工神经网络”是一种用于非线性统计数据建模的自适应工具，该自适应工具基于在学习阶段期间流过网络的外部或内部信息来改变其结构。ANN神经网络是用来建模输入和输出之间的复杂关系或找出数据中的模式的非线性统计数据建模工具。

轮胎的“横纵比”意指其断面高度（SH）与其断面宽度（SW）的比率，其乘以百分之100用于表示为百分比。

“不对称胎面”意指具有关于轮胎的中心面或赤道面EP不对称的轮胎花纹的轮胎。

“轴向”和“轴向地”意指平行于轮胎的旋转轴的线或方向。

“CAN总线”是控制器区域网络的缩写。

“胎圈包布”是围绕轮胎胎圈的外侧放置的窄条材料，以保护帘布层（cord plies）免受轮辋的磨损和切割，并且在轮辋上分配挠曲。

“圆周的”意指沿着垂直于轴向方向的环形胎面的表面周界延伸的线或方向。

“赤道中心面（CP）”意指垂直于轮胎的旋转轴且穿过胎面中心的平面。

“覆盖区”意指当轮胎旋转或滚动时由具有平坦表面的轮胎胎面创建的接触区或接触斑点（contact patch）。

“凹槽”意指可围绕轮胎壁沿圆周或横向延伸的轮胎壁中的细长空区。“凹槽宽度”等于在其长度上的其平均宽度。凹槽的尺寸被制造成如所述的那样容纳气管。

“内板侧”意指当轮胎被安装在车轮上并且车轮被安装在车辆上时轮胎最接近车辆的一侧。

“卡尔曼滤波器”是实施预测器-校正器类型估计器的一组数学等式，当某些假定条件满足时从最小化估计的误差协方差的意义上来说该组数学等式是最优的。

“横向的”意指轴向方向。

“横向边缘”意指当在正常载荷和轮胎充气的情况下测量的与轴向最外侧胎面接触斑点或覆盖区正切的线，线与赤道中心面平行。

“龙伯格（Luenberger）观测器”是状态观测器或估计模型。“状态观测器”是根据真实系统的输入和输出的测量结果来提供给定真实系统的内部状态的估计的系统。其通常是计算机实施的，并且提供许多实际应用的基础。

“MSE”是均方误差的缩写，该误差是测得信号和卡尔曼滤波器最小化的估计信号之间的误差。

“净接触面积”意指接触了胎面的整个圆周周围的横向边缘之间的胎面元件的地面的总面积，除以横向边缘之间的整个胎面的总面积。

“无向胎面”意指不具有优选的向前行进方向且不需要以一个或多个特定车轮位置被定位在车辆上以确保胎面花纹与优选的行进方向对准的胎面。相反地，定向胎面花纹具有需要特定车轮定位的优选的行进方向。

“外板侧”意指当轮胎被安装在车轮上并且车轮被安装在车辆上时轮胎最远离车辆的一侧。

“蠕动”意指借助于沿着管状路径推进所包含的物质（诸如空气）的像波动一样的收缩进行操作。

“压电薄膜传感器”是使用通过薄膜体的弯曲致动的压电效应来通过将压力、加速度、应变或力转换成电荷来测量它们的薄膜体形式的设备。

“PSD”是功率谱密度（与FFT（快速傅里叶变换）同意的技术名称）。

“径向”和“径向地”意指径向地朝向或远离轮胎的旋转轴的方向。

“罗纹”意指通过至少一个圆周凹槽以及第二这样的凹槽或横向边缘限定的胎面上的沿圆周延伸的橡胶条，该条在横向上不会被全深凹槽分开。

“轮胎沟槽”意指模制成轮胎的胎面元件中的小狭缝，其再分胎面表面并且改进牵引，轮胎沟槽在宽度上通常窄，并且如与在轮胎的覆盖区中保持开放的凹槽相对的那样在轮胎覆盖区中封闭。

“胎面元件”或“牵引元件”意指通过具有邻近凹槽的形状限定的罗纹或块元件。

“胎面弧宽”意指如在胎面的横向边缘之间测量的那样的胎面的弧长。

附图说明

将通过示例的方式并参考附图来描述本发明，在其中：

图1是示出轮胎安装的传感器的车辆的图解视图。

图2是传感器封装安装到的轮胎的一部分的分解透视图。

图3是示出对于一个轮胎旋转的特性波形的示图。

图4是示出原始信号幅度与表面粗糙度之间的关系的示图。

图5是示出在信号比较算法中使用的信号比较方法的示图。

图6A是示出以60kph在光滑柏油路状况下对于一个轮胎旋转的参考信号数据的示图。

图6B是示出以60kph在光滑柏油路状况下对于一个轮胎旋转的测试数据的示图。

图6C是示出对于光滑与光滑分类实例的互相关系数（R）的示图，R_max大概等于0.85。

图7A是示出以60kph在光滑柏油路状况下对于一个轮胎旋转的参考信号数据的示图。

图7B是示出以60kph在粗糙柏油路状况下对于一个轮胎旋转的测试数据的示图。

图7C是示出对于光滑与粗糙分类实例的互相关系数（R）的示图，R_max大概等于0.6。

图8A是示出以60kph在光滑柏油路状况下对于一个轮胎旋转的参考数据的示图。

图8B是示出以60kph在非常粗糙柏油路状况下对于一个轮胎旋转的测试数据的示图。

图8C是示出对于光滑与非常粗糙实例的互相关系数（R）的示图，R_max大概等于0.3。

图9A是示出以90kph在光滑柏油路状况下对于一个轮胎旋转的参考信号数据的示图。

图9B是示出以90kph在光滑柏油路状况下对于一个轮胎旋转的测试数据的示图。

图9C是示出对于光滑与光滑分类实例的互相关系数（R）的示图，R_max大概等于0.85。

图10A是示出以90kph在光滑柏油路状况下对于一个轮胎旋转的参考信号数据的示图。

图10B是示出以9kph在光滑柏油路状况下对于一个轮胎旋转的测试信号数据的示图。

图10C是示出对于光滑与粗糙分类实例的互相关系数（R）的示图，R_max大概等于0.6。

图11A是示出以90kph在光滑柏油路状况下对于一个轮胎旋转的参考信号数据的示图。

图11B是示出以90kph在非常粗糙柏油路状况下对于一个轮胎旋转的测试信号数据的示图。

图11C是示出对于光滑与非常粗糙分类实例的互相关系数（R）的示图，R_max大概等于0.3。

图12A、12B、13A、13B、14A和14B是示出在60kph和90kph的速度下对于光滑与光滑、光滑与粗糙、以及光滑与非常粗糙的三种情况的互相关系数示图的依赖于速度的研究的概述示图。在每个示图中指示每一个的R_max。

图15是示图对于循环互相关系数的分类规则的图。

图16A示出对于光滑和粗糙表面情况的原始传感器信号的示图。

图16B示出小波分解能量的能量分布图。

图17A示出对于自相关系数的所选数据图的选择1可视化。

图17B示出对于图17A的数据的统计图。

图18A示出所选数据的选择指数2可视化。

图18B示出对于图18A的数据的统计分布图。

图19是道路表面分类算法的图。

图20A是示出载荷与实际平均载荷的所观测的直线噪声传感器估计的示图。

图20B示出载荷与实际平均载荷的所观测的粗糙表面噪声传感器估计的示图。

图21是示出标准偏差对表面粗糙水平的依赖性的正态分布曲线。

图22A是对于实例1光滑表面状况的载荷估计算法性能与轮胎载荷的示图。

图22B是示出移动平均滤波器性能与卡尔曼滤波器性能结果的随着时间的载荷估计误差的示图。

图23A是对于实例2粗糙表面状况的载荷估计算法性能与轮胎载荷的示图。

图23B示出实例2中的移动平均滤波器性能与卡尔曼滤波器性能结果的随着时间的按百分比表示的载荷估计误差的示图。

图24A是对于常规卡尔曼滤波器的随着时间的估计误差的示图。

图24B是对于自适应卡尔曼滤波器的随着时间的估计误差的示图。

图25是主题载荷估计算法的数据流程图。

图26是使用四分之一汽车车辆模型的替代载荷估计算法的数据流程图。

图27是使用图26的算法的实际的与估计的道路纵断面上升的示图，其中相关系数（R）=0.966。

图28是在相关系数为67.979的情况下将实际的与估计的（使用卡尔曼滤波器）进行比较的随着时间的载荷的示图。

具体实施方式

参考图1和图2，车辆10被示为由多个轮胎12支撑，每个轮胎都配备传感器封装14。当车辆10处于一般形式的乘用车时，可以在任何车辆系统中使用该主题系统。传感器模块14的类型是商业可用的，适合于安装在车辆10的内衬16。传感器模块或封装10包括用于在轮胎操作期间分别测量轮胎内腔的气压和温度的压力传感器和温度传感器。此外，依照本发明的传感器模块10包括安装用来在轮胎操作期间测量轮胎变形的振动传感器。该振动传感器优选基于压电的，并且生成指示轮胎变形的信号。根据该信号，当轮胎12靠着地表面旋转时，可以粗略地估计其覆盖区（在这里也被称为“原始”或“未滤波”估计），这些借助于在2012年6月27日提交的名称为“用于车辆轮胎的载荷估计系统和方法（Load Estimation System and Method for a Vehicle Tire）”并且通过引用由此整体并入的共同待审美国专利申请序列号13/534,043中教导的方法来确定。

模块14内的压电传感器生成指示滚动轮胎覆盖区内的轮胎变形的信号。压电传感器将原始信号传送到信号处理器（未示出）。信号的峰值到峰值长度被分析，以查明轮胎覆盖区的长度。然后咨询适当的表格，其基于压电传感器测量的覆盖区长度、轮胎气压和轮胎腔温度数据来为轮胎提供轮胎特定的加载信息。

依照上文标识的申请的轮胎加载的估计可以利用诸如卡尔曼滤波器的滤波模型。然而根据轮胎偏转的测量结果来确定轮胎加载是有问题的，因为存在对轮胎变形的“噪声”贡献。如这里所使用的，“噪声”指的是除了轮胎加载之外对轮胎的外部影响，这会影响轮胎变形并且由此招致基于这种轮胎变形的测量结果的载荷估计不精确。例如，道路粗糙度影响轮胎变形，轮胎在其上行驶的道路表面的粗糙度越大，基于轮胎变形的任何静态轮胎载荷估计中的噪声失真的可能性就越大。主题发明提议通过实施考虑载荷估计过程中的道路表面粗糙度的自适应滤波器来使以道路粗糙度形式的噪声贡献对轮胎载荷估计的影响最小化。

提议利用轮胎安装的传感器（优选压电传感器）来估计轮胎载荷和道路粗糙度二者的算法的使用。为了达到载荷估计（现实世界驾驶状况中的重要方面）的目的，该算法适应道路粗糙度变化的影响。这里公开的系统和方法使用用于轮胎载荷和道路粗糙度估计二者的压电能量收获器信号。通过使用如将解释的自适应卡尔曼滤波器来实现前面提到的最小化对载荷估计的“噪声”影响的目的。全局载荷和载荷分布的信息随后可以被比如电子制动分配（EBD）系统的高级制动控制系统有利地使用，以便优化系统性能和降低车辆停止距离。在商业车辆应用的情况下，每个车轮上估计的重量可以被平均以便产生车辆重量的估计。然后可以将车辆重量传播到中央位置，因此消除了对称重站的需要。

主题系统中使用的算法使用用于载荷和载荷粗糙度估计二者的压电收获器信号，而不是依赖于加速度计或应变传感器。这里公开的算法考虑在载荷估计期间的道路粗糙度，并且由此更紧密地反映现实世界驾驶状况。并且因此基于主题算法方法的卡尔曼滤波器是递归过程，不存在对要被存储的历史信息的需要，不像分析的移动平均方法那样。

常规卡尔曼滤波器对动态模型噪声水平的选择是相对敏感的。因为这样的常规滤波器易于受到因道路粗糙度变化引起的不准确性的影响。相反，使用自适应卡尔曼滤波器算法的主题方法更稳健，并且适应道路粗糙度状况的突然改变。

在图25中图示主题载荷估计算法。那里示出，轮胎2配备轮胎附接的传感器模块14，通常包括温度和压力测量传感器（TPMS）加上用于生成指示滚动轮胎覆盖区内的轮胎变形的信号的压电传感器。通过适合的装置（诸如粘合剂）将模块14附接到轮胎在轮胎胎冠区域内的内衬。根据模块14，产生指示滚动轮胎覆盖区内轮胎变形的原始能量收获器信号。轮胎变形与通过轮胎支撑的载荷成比例。在由并入于此的共同待审美国申请序列号13/534,043公开的类型的覆盖区长度估计54过程中使用该原始信号。

在覆盖区长度估计4处处理来自模块14中的压电传感器的原始信号，以便产生原始覆盖区长度。因为原始覆盖区长度估计易于受到来自道路粗糙度的误差的影响，所以由自适应卡尔曼滤波器56进一步来对原始覆盖区长度滤波。来自模块14的压电传感器的原始信号除了被用在初始原始覆盖区长度估计54中之外，还被用在所示的粗糙度估计算法52中。如将解释的那样，粗糙度估计算法52操作在表面分类系统上。自适应卡尔曼滤波器56使用滤波器参数，通过粗糙度估计算法52将该滤波器参数变为道路表面状况的函数。因此，从自适应卡尔曼滤波器获得已滤波覆盖区长度。在补偿道路粗糙度之后，已滤波覆盖区长度更准确地估计轮胎覆盖区长度。

以实际经验为根据地创建轮胎特定的查找表58，其基于覆盖区长度、轮胎识别和轮胎膨胀压力的输入提供轮胎加载。从TPMS模块14连同轮胎识别来获得轮胎压力。可以获得在测得的膨胀压力和覆盖区长度下对于特定轮胎的加载，与来自自适应卡尔曼滤波器56的已滤波覆盖区长度相组合。

参考图3，示出原始信号波形。指示来自一个轮胎旋转的波形。所示波形在实验上从2.1巴并且以60kph行驶的轮胎导出。来自图3的示图示出信号幅度[V]与样本数之间的关系。在图4中，用图形示出在下面三种道路状况下来自2.9、60kph的轮胎的原始信号：光滑表面、粗糙表面和非常粗糙表面。将会意识到，信号幅度（将根据该信号幅度来估计轮胎载荷）随着表面状况的变化而显著波动。本发明用于表征表面的粗糙度水平，以便补偿在原始轮胎变形信号中存在的表面粗糙度“噪声”的影响。

如从图5看到的那样，可以使用下面三种不同的信号比较方法，来构造信号比较算法：最大循环互相关系数（参见图6）、基于小波的特征提取（参见图16）和自相关系数分布（参见图17和图18）。这三种方法基于所采用的方法来从信号比较提取不同特征。在图6A到图6C中，以图形形式表明最大循环互相关系数方法。图6A示出实例1测试，在其中接合对于一个以60kph的轮胎旋转的光滑柏油路参考表面。图6B示出对于测试表面对于实例1的示图，也被配置为光滑柏油路。在该光滑与光滑测试中，作为分类依据来检查互相关系数。互相关系数R被限定为作为施加于两个波形中的一个的时间滞后的函数的两个波形的相似性的测量。对于光滑与光滑（图6A和图6B）实例1测试，大概0.95的R_max是依据经验来确定的，并且在图6C中以图形示出。描述性地阐述，在光滑表面上经历变形的轮胎将预期经历与不大于0.05的光滑表面的半径偏差。

图7A和图7B示出对于实例2测试的示图，在其中将参考光滑表面与粗糙柏油路的测试表面相比较。两图的比较结果产生了对于实例2测试的大概0.6的最大循环互相关系数R_max，在图7C中以图形指示。因此，粗糙柏油路表面将引起比由光滑表面（图6A、6B）引起的更大的圆形轮胎变形。

在图8A和8B中，使用将图8A的光滑参考表面示图与图8B中以图形示出的非常粗糙柏油路测试表面进行比较的实例3测试参数。对于实例3的结果得到的最大循环互相关系数R_max被确定为大概0.3，在图8C中以图形示出。

图9A、9B、9C（实例1）、图10A、10B、10C（实例2）、图11A、11B、11C（实例3）是与图6A到6C、图7A到7C和图8A到8C的测试示图类似的示图，但是是在90kph的高速下进行的。图9C、10C和11C的互相关系数示图通常与图6C、7C和8C的慢速示图相对应，表明在每种道路表面状况下的R_max值在一系列车辆速度范围内不变。在图12A、12B（光滑与光滑）、图13A、13B（光滑与粗糙）、和图14A、14B（光滑与非常粗糙）中图示依赖于速度的研究的比较概述。两个速度下的比较R_max值证实作为对道路表面进行分类的依据的R_max的使用，以达到对载荷估计测量结果进行滤波的目的。图15示出对于三种道路表面水平中的每一种的R_max（最大循环互相关系数）范围，并且表示算法中遵循的（多个）分类规则。

图16A和16B示出构造将使得载荷估计适应道路表面粗糙度状况的滤波器的第二方法。以图形方式表明对于光滑和粗糙道路状况的基于小波的特征提取子带小波熵方法。

图16B中示出小波分解能量的能量分布。熵表示滤波器变量具有的混乱程度。将从图16B看出存在子带能量分布的差异。可以就小波系数的相对能量通过上面数学公式来定义子带小波熵。然后可以在载荷估计的自适应滤波中使用小波系数的相对能量，以便补偿表面状况。

图17A、17B、18A和18B图示用于对估计的载荷进行滤波的第三替代特征，即自相关系数区别的使用。在图17A、17B中，分别示出第一选择指数1的分布以及其对应统计图。在图18A和18B中，图示选择指数2，分别示出分布和统计图。自相关函数的分布指示轮胎在上面移动的道路表面的表面特性。通过辨别分布函数，可以完成对道路粗糙度的评估。如这里所使用的，“自相关相关”可以被定义为时间序列与其自己过去和将来值的相关。

参考图19，示出在实现表面区别分类18中的特征提取及它们相应的替代使用的三种方法的概述。可以使用在处理器存储器22中采用参考信号的最大互相关系数24方法来分析来自轮胎压电传感器的原始信号20。可以在表面分类器30（ANN）中使用最大互相关系数作为表面区别特征的使用，以便确定相对表面类型（光滑、中等或粗糙）。

可替代地，基于熵分解26的子带小波熵区别可以被用作特征方法。小波熵的分解可以被用于通过使用分类器30来确定轮胎会碰到三种表面分类中的哪一种。作为另一替代，自相关的相关28可以被用作第三替代特征方法。自相关的相关函数的分布可以被评估，并且可以根据分布数据通过表面分类器30得出关于在变形检测期间轮胎会碰到三种表面类型中的哪一种的结论。

根据图20A和20B，将会意识到恒定速度、直线测试结果下的载荷变化、感兴趣的道路粗糙度水平下的基本原理。图20A示出光滑表面上的载荷变化，观测值（噪声传感器估计）和实际平均载荷二者。将会看到，甚至在光滑表面、直线驾驶状况下载荷估计也可以发生百分之15到20的变化。根据图20B，将会看到粗糙表面会引起甚至更大变化。在图20B的粗糙表面测试结果中反映出百分之30到40的变化。

根据上面，在轮胎载荷的任何估计中考虑道路粗糙度是有用的。因此采用卡尔曼滤波器。在给定噪声离散时间LTI（限定）过程和噪声测量结果的情况下，卡尔曼滤波器可以确定最小化MSE（限定）二次成本函数的状态的最优估计，如下文所阐述。

J=E [                                               ]，

其中是状态估计误差矢量。在这里通过下面的线性随机微分方程来管理离散时间控制过程的状态：

和  。

在没有驱动函数或过程噪声的情况下，矩阵Z涉及先前时间步长的状态到当前步长处的状态。矩阵B涉及对状态的操作控制输入。测量方程中的矩阵C使状态与测量结果相关联。测量方程中的矩阵D使控制输入与测量结果相关联。实时动态系统经受破坏响应的各种“噪声”信号。过程噪声（w_k-1）破坏状态并且传感器噪声（_k）破坏输出。并入这些外部输入的影响的已修改管理方程可以被写为：和   。

卡尔曼滤波器操作在某些系统假设条件下。首先，状态动力学是线性的，即当前状态是先前状态的线性函数。其次，状态动力学中的噪声是正态分布的。第三，观测过程是线性的，即观测是状态的线性函数。最后，做出观测噪声是正态分布的假设。

尽管测量噪声值或过程噪声的预测是有问题的，但是它们的统计的一些知识是可能的。下面是阐述过程噪声和测量噪声的陈述。因为平均载荷在稳定状态驱动条件下是逐样本地不变的，所以状态方程是：

；即。

并且输出等式是：

 _；即。

术语θ_k表示考虑载荷变化的测量噪声。它是可以成为与关于粗糙度水平的知识相适应的该参数。下面是被分类为预测和校正的五个卡尔曼滤波器等式和出于示例性解释的目的的等式减少的概述。在图21中，描绘一种正态分布曲线，其中平均值=0并且标准偏差=平均轮胎载荷的百分之X（取决于表面粗糙度水平）。因此，x大概等于百分之15（对于光滑表面）；百分之25（对于粗糙表面）和百分之35（对于非常粗糙表面）。图22A中表示对于实例1光滑表面道路状况的实验上获得的估计结果。图22A的示图通过用曲线图表示以下轮胎载荷随着时间的比较来示出载荷估计算法性能：观测值（噪声传感器估计）、移动平均滤波器估计、卡尔曼滤波器估计和实际平均载荷。在图22B中，以图形示出移动平均滤波器性能和卡尔曼滤波器性能之间的估计误差。卡尔曼滤波器提供较低估计误差和百分之5准确度带内的估计（对于静态车轴载荷）。

图23A中以图形方式示出实例2粗糙表面上的载荷估计算法性能，其将观测值（噪声传感器估计）、移动平均滤波器估计、卡尔曼滤波器估计和实际平均载荷进行比较。图23B示出对于实例2粗糙表面的移动平均滤波器性能和卡尔曼滤波器之间的估计误差。卡尔曼滤波器提供比移动平均滤波器更低的估计误差，并且实现在百分之5准确度带内的估计（对于粗糙表面上静态车轴载荷）。

在图24A中，示出使用恒定噪声变化的常规卡尔曼滤波器的估计误差（与移动平均滤波器性能进行比较）。图24B示出描绘使用作为道路粗糙度水平的函数而改变的噪声变化的自适应卡尔曼滤波器性能的示图。如图24B中看到的那样，自适应卡尔曼滤波器性能优于移动平均滤波器性能。通过将图24B的自适应卡尔曼滤波器性能与图24A的常规卡尔曼滤波器性能进行比较，将会意识到自适应卡尔曼滤波器性能导致比常规卡尔曼滤波器更低的百分比误差。因此，示图支持这样的结论：使用改变噪声变化来反映道路粗糙度水平的自适应卡尔曼滤波器实现比使用恒定噪声水平的滤波器更优的预测性能。

再次参考图25，用于预测轮胎载荷的算法利用先前在表面分类框52的应用中解释的基于特征的方法中的一个。因此滤波器参数变成为道路表面状况的函数。变成如此这样，自适应卡尔曼滤波器将自适应滤波器参数应用于原始覆盖区长度估计54以便创建已滤波的覆盖区长度。此后，可以使用已滤波的覆盖区长度以及轮胎识别和膨胀压力，来从查找表58导出载荷估计。如所解释的那样，使用自适应卡尔曼滤波器54，因为对于常规卡尔曼滤波器应用，在滤波过程之前给出模型统计噪声水平并且在整个递归过程期间该模型统计噪声水平将保持不变。通常地，通过关于预先准备好的观测类型的测试分析和某些知识来确定该先验统计信息。如果这样的先验信息不足以表示真实统计噪声水平，则常规卡尔曼滤波器不是最优的，并且可能引起不可靠的结果。主题系统和方法通过使用自适应滤波应用来克服这样的可能性。

根据前述内容，将会意识到，图25的主题算法使用用于载荷和道路粗糙度估计二者的压电能量收获器信号。通过在载荷估计期间应用道路粗糙度来解决真实世界驾驶状况。此外，因为基于卡尔曼滤波器的方法是一种递归过程，所以不需要存储历史信息，即显然优于其他方法（诸如移动平均方法）的优点。另外，常规卡尔曼滤波器对保持为常数的动态模型噪声水平的选择相对更灵敏。在该主题方法中，使用自适应卡尔曼滤波器算法，导致考虑道路粗糙度状况的突然改变的更稳健载荷估计。

图26、27和28示出上述方法的扩展，以便除了瞬时轮胎载荷的估计之外还包含道路纵断面高度估计方案。图26到28涉及经由卡尔曼滤波器技术及其在瞬时轮胎载荷估计算法中的应用的基于多传感器融合方法的道路纵断面高度估计。道路纵断面被视为影响车辆动态数据的必要输入。因此在车辆动力学和控制系统设计（诸如主动和半主动悬架（suspension）设计）中，道路纵断面的准确估计是有用的。适应于图26到28的主题提供道路纵断面估计，其可以被用于车辆控制系统的目的以及用于动态轮胎加载的估计中。

关于道路纵断面，图26中阐述数据流程图，并且使用基于卡尔曼滤波器的使用的实时估计方法。该方法使用来自可用传感器、加速计和悬架偏转传感器的测量结果。参考图26，算法32使用四分之一汽车车辆模型34。在该模型34中：

m_s=簧载质量

m_u=非簧载质量

K_suspension=悬架刚度

C_suspension=悬架阻尼系数

K_轮胎=轮胎刚度

C_轮胎=轮胎阻尼系数

Z_s=簧载质量垂直位移

Z_u=非簧载质量垂直位移

Z_r=道路纵断面高度

由下面的内容给出用于描述状态空间表示的标准标记法则：

x`=A x+B u  } 状态等式

 y=C x + D u  } 输出等式

其中：

x(t) 状态矢量

x`(t) 状态矢量的导数

A 状态矩阵

B 输入矩阵

u(t) 输入矢量

y(t) 输出矢量

C  输出矩阵

D  直接传输矩阵

已经如下详细说明了卡尔曼滤波器中使用的“四分之一汽车模型”的等效状态空间表示：

A = [0 1 0 0 0 0; - K_suspension / m_s - C_suspension / m_s  K_suspension/ m_s  C_suspension / m_s 0 0; 0 0 0 1 0 0;

K_suspension / m_u  C_suspension / m_u  -(( K_suspension / m_u)+( K_tire / m_u))  -( C_suspension + C_tire)/ m_u  K_tire / m_u  C_tire / m_u;

0 0 0 0 0 1;  0 0 0 0 0 0  ];

B = [0; 0; 0; 0; 0; 0 ];

C = [1 0 -1 0 0 0 ; 1 0 0 0 0 0 ; - K_suspension / m_s  - C_suspension / m_s  K_suspension / m_s  C_suspension / m_s 0 0];

D = [0; 0; 0]。

将商业上可用类型的加速计38和悬架偏转传感器40粘贴到车辆上，并且分别测量底盘加速度（Z_s”）和悬架偏转（Z_s-Z_u）。所估计的卡尔曼线性滤波器的状态是Z_s、Z_s’、Z_u、Z_u’、Z_r和Z_r’。卡尔曼滤波器42生成道路纵断面高度（Z_r）的估计并且其进一步用于估计因为道路起伏引起的轮胎载荷变化。通过表达式F_z来给出载荷变化, 载荷变化= [K_tire*(Z_u-Z_r) + C_tire*(Z_u’-Z_r’)]。

卡尔曼滤波方法允许通过克服严重影响加速度计的振动干扰来实现成功估计。四分之一车辆建模使得能够使用实时估计方法。道路纵断面高度估计的第二使用是计算轮胎上的载荷（瞬时的）。车轴载荷变化估计器44从卡尔曼滤波器42接收道路纵断面高度估计并且将车轴载荷变化估计指向轮胎载荷估计器48。从先前描述的方法的实现获得轮胎12的覆盖区长度。静态载荷估计器46从轮胎12接收压电传感器信号并且估计轮胎上的静态载荷F_z。由轮胎载荷估计器48来使用静态载荷连同载荷变化估计。根据静态载荷估计和载荷变化估计的融合，轮胎载荷估计器48计算轮胎上的瞬时载荷F_z：

F_z,瞬时 = F_z,静态 - F_{z,载荷变化}

F_z,瞬时 = F_z,静态 - [K_轮胎*(Z_u-Z_r) + C_轮胎*(Z_u’-Z_r’)] 。

图27示出反映将实际载荷估计（经由表面光度仪（profilometer））和使用图26的系统估计的道路纵断面估计进行比较的实验结果的示图（道路纵断面随着时间的上升）。密切相关系数（R）=0.966证实主题方法和系统在生成量化道路纵断面估计中的有效性。在图28中，呈现出反映实际载荷（8自由度全车辆悬架动态模型）和估计的载荷（卡尔曼滤波器）之间的实验结果的示图（随着时间的载荷）。该示图指示相关系数（R）=67.979，由此验证图26的主题系统和方法。

轮胎正态载荷被假定成与轮胎和载荷之间的接触力直接相关。因此轮胎载荷的测量对实现面向车辆的抓地性性能的最大化的控制策略有用。此外，全局载荷和车辆上所有轮胎之间的载荷分布的信息可以被比如电子制动分配（EBD）系统的高级制动控制系统使用，以便优化系统性能和降低车辆停止距离。在商业车辆的情况下，每个车轮上估计的重量可以被平均以便产生车辆重量的估计（然后可以将车辆重量传播到中央位置），因此消除了对称重站的需要。如上文讨论的图1到图25的道路粗糙度方法和关于图26到图28的道路纵断面讨论非常相关，因为道路粗糙度可以被看作微观道路纵断面改变并且道路纵断面改变可以被看作宏观道路纵断面变化。宏观（道路纵断面）和微观（道路粗糙度）变量估计两者或其中之一在自适应卡尔曼滤波器分析中的使用将导致更稳健且准确的估计，并且因此更紧密地反映真实驾驶状况。

鉴于这里提供的本发明的描述，本发明中的变化是可能的。尽管为了说明主题发明的目的已经示出了某些代表性实施例和细节，但是对本领域技术人员将是显而易见的是，在不偏离主题发明的范围的情况下可以在这里做出各种改变和修改。因此，要理解的是，可以在所述的特定实施例中做出改变，它们将在如由下面的所附权利要求所限定的本发明的完整的意图的范围之内。