基于统计模式识别的路面条件辨识

摘要

本发明涉及基于统计模式识别的路面条件辨识。具体地，提供了一种使用统计模式识别技术确定车辆道路表面附着条件的方法。提供多个概率分布函数，该概率分布函数代表所驾驶车辆的车辆轮胎和车辆道路之间相应的附着作用。计算代表车辆转向不足特性的指标。针对每种路面附着条件应用概率分析，所述概率分析作为指标的函数。递归更新每个概率分析。确定每种路面附着条件的似然因子，所述似然因子作为每个相应递归更新的概率分析的函数。每种相应路面附着条件具有作为指标的函数的相应的似然因子，该似然因子辨识了具有相应附着条件的路面的似然性。将辨识出的路面的附着条件输入车辆控制进程。

说明书

技术领域

本发明的实施例总体涉及辨识车辆行驶路面的附着作用。

背景技术

路面条件辨识主要是通过使用各种方法基于道路路面的反射和吸收特性的遥感测量，这些方法包括微波和光学感测技术。然而，该方法非常复杂，因为所探测表面的摩擦特性很大程度上取决于表面图案、强度和弹性，甚至表面温度的组合，尚且不论传感器和处理器带来的额外费用。另一方面，路面条件也可通过对路面摩擦的估计来推断。但是这种方法通常需要进行避让操作(evasive maneuver)，使得轮胎工作在非线性或近极限区。因此，这种方法常常不是非常实用，因为许多主动安全和驾驶员辅助特征均主要工作在正常驾驶操作下，而这些正常的驾驶操作不会产生使轮胎工作在非线性或近极限区内的所需高激励(large excitation)。另外，该方法通常需要额外的传感器，例如侧偏力测量传感器。

发明内容

本发明实施例的优点在于使用了统计模式识别技术，其基于多个预先分类的路面附着类别的一个来估计和辨识路面的附着条件。该系统在包括了正常驾驶操作的任何驾驶操作下进行驾驶的同时，从多个预先分类的路面类别来估计道路的附着条件，并且同时使在其他系统中使用的额外硬件和传感器所带来的费用和复杂性最小化。

本发明实施例构想了一种使用统计模式识别技术来确定车辆道路表面附着条件的方法。为多种路面提供多个概率分布函数，其代表所驾驶车辆的车辆轮胎和车辆道路之间相应的附着作用。获取所驾驶车辆的转向盘转向角、车辆速度和横摆角速度。计算了代表在当前道路上行驶车辆的车辆转向不足特性的指标，所述指标是转向盘转向角输入、车辆速度和横摆角速度的函数。针对每种路面附着条件应用概率分析，所述概率分析作为指标的函数。针对每种相应的路面附着条件对概率分析进行递归更新。为每种路面附着条件确定似然因子(likelihood factor)，所述似然因子作为每个相应的递归更新的概率分析的函数。每种相应的路面附着条件具有作为指标函数的相应似然因子，所述似然因子辨识路面具有相应附着条件的似然性。将辨识出的路面的附着条件与其似然因子一起输入车辆控制进程。车辆控制进程可以是单独的车辆控制进程或者多个车辆控制进程，其包括但不限于自适应巡航控制进程、车辆稳定性控制进程和车道保持控制进程。

本发明实施例构想了一种使用统计模式识别技术确定车辆道路表面附着条件的方法：(a)为多种路面提供多个概率分布函数，其代表所驾驶车辆的车辆轮胎和车辆道路之间的相应的附着作用；(b)将计数设定到初始设定值；(c)获取车辆工作特性数据；(d)基于车辆工作特性数据来确定指标；(e)针对每种附着条件路面应用概率分析，所述概率分析作为所确定指标的函数；(f)针对每种相应路面附着条件的概率分析作为计数的函数进行递归更新；(g)确定计数是否小于预定计数；(h)如果计数小于预定计数，则重复步骤(c)-(g)；(i)确定每种路面附着条件的似然因子，所述似然因子作为每个相应的递归更新的概率分析的函数，其中每种相应的路面附着条件具有作为指标函数的相应似然因子，所述似然因子辨识路面具有相应的附着条件的似然性；(j)选择辨识车辆行驶路面的附着条件的相应似然因子；(k)将辨识出的路面附着条件和相应的似然因子一起输入车辆控制进程。

本发明还提供了以下方案：

方案1.一种使用统计模式识别技术确定车辆道路表面的附着条件的方法，所述方法包括如下步骤：

a)为多种路面提供多个概率分布函数，所述概率分布函数代表所驾驶车辆的车辆轮胎和车辆道路之间的相应附着作用；

b)获取所驾驶车辆的转向盘转向角、车辆速度和横摆角速度；

c)计算代表在当前道路上行驶车辆的车辆转向不足特性的指标，所述指标为所述转向盘转向角输入、所述车辆速度和所述横摆角速度的函数；

d)针对每种路面附着条件应用概率分析，所述概率分析作为所述指标的函数；

e)递归更新每种相应路面附着条件的所述概率分析；

f)确定每种路面附着条件的似然因子，所述似然因子作为每个相应的递归更新的概率分析的函数，每种相应路面附着条件具有作为所述指标的函数的相应似然因子，所述似然因子辨识了具有相应附着条件的路面的似然性；以及

g)将辨识出的所述路面的附着条件输入车辆控制进程。

方案2.如方案1所述的方法，其特征在于，应用于每种附着条件的步骤b)-步骤g)是并行地执行的。

方案3.如方案1所述的方法，其特征在于，构建多个概率密度函数并将其存储在车辆数据库中。

方案4.如方案1所述的方法，其特征在于，用于每种相应的附着条件的每个概率分析均被递归更新预定次数。

方案5.如方案4所述的方法，其特征在于，所述概率分析基于贝叶斯法则。

方案6.如方案5所述的方法，其特征在于，基于贝叶斯法则的概率分析基于下式来估计：

$\hat{P}(w_j\backslash {\rho }_k)=\frac{p({\rho }_k\backslash w_j){\hat{P}}_{k-1}\left(w_j\right)}{\underset{n=1}{\overset{N}{\Sigma }}p({\rho }_k\backslash w_n){\hat{P}}_{k-1}\left(w_n\right)},(j=1,....,N)$

其中，p(ρ_k\w_j)是路面附着条件w_j上计算出的指标ρ_k的概率密度值，是在时间步长k-1时行驶在路面附着条件w_j的车辆的概率估计。

方案7.如方案1所述的方法，其特征在于，所述似然因子由下式来确定：

$\hat{L}\left(w_j\right)=\frac{1}{M}\underset{i=k-M+1}{\overset{k}{\Sigma }}\hat{P}(w_j\backslash {\rho }_i)(j=\mathrm{1,2},....,N)$

其中，是基于计算出的指标ρ_k的关于每种路面附着条件w_j的概率分析，其中M是预定的固定值。

方案8.如方案7所述的方法，其特征在于，所述似然因子作为具有所述附着条件的所述路面的概率百分数而输出。

方案9.如方案7所述的方法，其特征在于，对所述附着条件的辨识包括在相应似然因子的每个之间确定更高的概率。

方案10.如方案1所述的方法，其特征在于，所述指标被确定为所述横摆角速度的函数，所述横摆角速度被推导为前后轴侧偏刚度的函数。

方案11.如方案1所述的方法，其特征在于，车辆前轮转向角是由驾驶员转向输入推导的车辆工作特性。

方案12.一种使用统计模式识别技术确定车辆道路表面附着作用的方法，所述方法包括如下步骤：

a)为多种路面提供多个概率分布函数，所述概率分布函数代表所驾驶车辆的车辆轮胎和车辆道路之间的相应附着作用；

b)将计数设定到初始设定值；

c)获取车辆工作特性数据；

d)基于所述车辆工作特性数据来确定指标；

e)针对每种附着条件路面应用概率分析，所述概率分析作为所确定指标的函数；

f)作为所述计数的函数来递归更新每种相应路面附着条件的所述概率分析；

g)确定所述计数是否小于预定数；

h)如果所述计数小于所述预定计数，则重复步骤c)-步骤g)；

i)确定每种路面附着条件的似然因子，所述似然因子作为每个相应的递归更新的概率分析的函数，每种相应路面附着条件具有作为所述指标的函数的相应似然因子，所述似然因子辨识了具有相应附着条件的路面的似然性；

j)选择辨识了所述车辆行驶的所述路面的附着条件的相应的似然因子；以及

k)将辨识出的所述路面的附着条件和相应的似然因子输入车辆控制进程。

方案13.如方案12所述的方法，其特征在于，在将辨识出的附着条件输入所述车辆控制进程之后，重复步骤a)-步骤j)。

方案14.如方案12所述的方法，其特征在于，所述似然因子作为具有所述附着条件的所述路面的概率百分数而输出。

附图说明

图1是用于路面条件辨识的统计模式识别技术的系统流程图。

图2是图1所示每种相应的路面条件辨识技术的详细流程图。

图3是各种路面条件的示例表。

图4是相应路面条件的概论分布函数图的示例。

图5是在冰面上驾驶的车辆的确定的似然因子的示图。

图6是在雪面上驾驶的车辆的确定的似然因子的示图。

图7是在干燥表面上驾驶的车辆的确定的似然因子的示图。

具体实施方式

图1是大概的流程图，其示出了本发明实施例所述的路面条件辨识技术。路面条件辨识技术在正常驾驶条件下进行，从多种可能的路面附着条件中的一个辨识出路面条件的附着作用。应当理解，正常驾驶条件包括车辆沿道路驾驶而不需要进行避让操作。路面条件辨识技术基于存储器中存储的每种已知路面条件的所确定指标来估计路面的附着作用，从而确定每种附着作用就是当前行驶道路条件的似然性。应当理解，本文所述的似然性仅仅是本发明的一个实施例，而且可通过比本文描述的方式更多的方式来进行辨识。

本文所述的估计技术基于线性轮胎工作条件。在车辆轮胎非线性或近极限工作区，车辆动力学在不同道路条件之间表现出显著区别，使得路面模型的辨识非常容易得到确定。与车辆轮胎非线性和近极限工作区相反，车辆动力学在不同道路条件之间表现出很小的区别，使得对路面的辨识难以得到确定。因此，非线性或近极限工作区需要进行避让操作，以产生大的滑移。线性工作区不需要进行避让操作；然而，在线性区进行路面辨识更加困难，因为在不同路面中产生的轮胎力的区别很小。本实施例中的方法可在线性区辨识路面条件，而无需进行避让操作，并且相比于许多其他方法没有额外的传感器或硬件费用。本文所述的实施例克服了车辆在线性的轮胎工作区内行驶时确定路面条件的难点。还应当理解的是，除了线性区之外，本文所述实施例也可用于当车辆工作在非线性或近极限区时对路面条件进行辨识。

在方块10中，在车辆工作期间对车辆工作特性进行监测。所监测的车辆工作特性包括由驾驶员转向输入所推导出的车辆前轮转向角、车辆纵向速度和横摆角速度。其他车辆特性可包括例如车辆前后轴之间的距离等特征。以预定时间间隔对车辆工作特性进行监测和记录。

在方块11中，基于测得的和预定的车辆工作特性来计算路面指标ρ。指标ρ相当于车辆转向不足梯度(gradient)，该车辆转向不足梯度对于驾驶员转向输入和车辆速度较不敏感，但对于路面条件更加敏感。定义了路面指标ρ的公式如下：

$\rho =\frac{{\delta }_f{v}_x-\mathrm{rl}}{r{v}_x^2}---\left(1\right)$

其中，δ_f是车辆前轮转向角，v_x是车辆纵向速度，l是车辆前后轴之间的距离，r是所驾驶车辆测得的车辆横摆角速度。

在方块12-方块15中，针对每种路面条件(即，每种路面条件的附着作用)的概率分析作为计算出的路面指标ρ的函数进行。概率分析是基于每种路面条件对每个计算出的路面指标ρ的概率分布函数而确定的。相应的概率分析计算中的每一个均可彼此并行地进行，使得多个概率分析可在相同的时间段内得到确定。

在方块16-方块19中，基于每个相应的概率分析来确定相应的似然因子。似然因子代表了相应的附着作用就是当前行驶道路的路面条件的似然性。似然因子可通过各种形式表示，这将在后面详细论述。

在方块20中，在似然因子之间进行比较，以便辨识出最有可能就是当前路面条件的相应路面条件。

在方块21中，将具有最高似然性的似然因子辨识为路面条件。向车辆控制处理单元提供所辨识的路面条件的附着作用，以便增强对车辆的控制。车辆控制系统基于路面条件调整其控制操作，以增强车辆稳定性及性能。车辆控制进程可以是，但不限于，自适应巡航控制进程、车辆稳定性控制进程和车道保持控制进程。

图2示出了一种方法的流程图，其示出了用于确定路面条件的附着作用的详细流程图。

在方块30中，在数据库中提供了通过车辆轮胎和道路之间的附着作用来辨识的多种路面条件。将各种路面分类成许多个类别(N个类别)，其中每个类别代表与相应摩擦系数有关的各种路面条件。图3所示的表中示出了路面条件的各种类别和子类别及其相应摩擦系数值的例子。应当理解，该列表可包括比本文所示和所描述的更多或更少的类别和/或子类别及其各自摩擦系数值。

在方块31中，数据库包含了指标ρ的多个概率密度函数。针对每个路面类别w_j确定每个概率密度函数ρ(ρ\w_j)的指标分布。因此，在数据库中针对每种路面类别均提供了概率密度函数。用于确定概率分布函数的数据是实验性的，而且是在车辆测试期间离线采集并且存储在存储器、数据库、分类器(classifier)或车辆内的其他类似存储装置中，以便数据检索。基于对所采集数据的分析，应当理解的是，每种路面条件w_j上的指标分布可合理地近似成正态分布，如下式所示：

$p(\rho \backslash {\omega }_j)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{{\frac{(\rho -u_j)}{2{\sigma }_j^2}}^2}$其中(j＝1，2，....，N)(2)

其中，指标ρ是正态分布的，对于每种相应的路面w_j，平均值为u_j，标准差为σ_j。

图4示出了从各种路面指标得到的一些概率密度函数分布曲线的示例。该图示出了冰面、干燥表面和雪面的概率密度函数；然而，应当理解的是，图4所示概率密度函数的数量仅是说明性目的，也可使用更多或更少的概率密度函数。

在方块32中，初始化由车辆执行的在线路面条件辨识技术。在初始化期间，将计数m设为1。一开始假设存储在数据库内的任意一种已知路面条件就是所行驶道路的路面条件的概率均是相等的。该概率由下式表示：

${\hat{P}}_o\left(w_j\right)=1/N$其中(j＝1，2，...，N)       (3)

其中，N是路面类别(即，条件)的数量，w_j表示第j种路面条件，j＝1，2，...，N。应当理解，本文所述的初始概率仅仅是本发明的一个实施例，并且如果存在任何先验知识(prior knowledge)，则该初始概率可设定成不同的值来反映其先验知识。

在方块33中，针对车辆当前行驶的道路在每个时间点k处确定路面指标ρ。用于在每个时间点k处确定指标的公式如下：

${\rho }_k=\frac{{\delta }_f{v}_x-\mathrm{rl}}{{{\mathrm{rv}}_x}^2}---\left(3\right)$

可通过下式从数据库容易地得到在每种路面附着条件w_j的ρ_k的概率密度：

$p({\rho }_k\backslash {\omega }_j)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{{\frac{({\rho }_k-u_j)}{2{\sigma }_j^2}}^2}$其中(j＝1，2，....，N)(4)

在方块34中，针对行驶在相应路面条件w_j上的车辆，使用在那个时间点与相应指标ρ_k相等的相应指标来确定相应的概率分析估计概率估计可使用贝叶斯法则(Bayes’Rule)来确定。对于给定计算出的指标ρ＝ρ_k，针对行驶在路面w_j上的车辆的概率分析的估计由下式表示：

$\hat{P}({\omega }_j\backslash {\rho }_k)=\frac{p({\rho }_k\backslash {\omega }_j){\hat{P}}_{k-1}\left({\omega }_j\right)}{\underset{n=1}{\overset{N}{\Sigma }}p({\rho }_k\backslash {\omega }_n){\hat{P}}_{k-1}\left({\omega }_n\right)},$(j＝1，....，N)(5)

其中，p(ρ_k\w_j)是关于路面附着条件w_j计算出的指标ρ_k的概率密度值，而是在时间步长k-1时对行驶在路面附着条件w_j的车辆的概率估计。

在步骤35中，使用下式对行驶在路面附着条件w_j的车辆的概率估计进行递归更新：

$\hat{P}\left(w_j\right)=\frac{1}{m}\underset{i=k-m+1}{\overset{k}{\Sigma }}\hat{P}(w_j\backslash {\rho }_i)---\left(6\right)$

其中，m是计数器的可变计数值。

在方块36中，确定是否计数器值m大于或等于预定计数M。如果计数器值m不等于或大于预定计数值，则程序向前进行到方块37，在方块37中，计数器值被递增(例如，递增1)。程序然后返回到方块33以确定下一个时间点的新的指标值ρ_k。如果计数器值m等于或大于M，则程序前进到方块38。

在方块38中，基于其相应的概率分析来确定每种相应的路面条件w_j的似然因子似然因子表示车辆行驶在各自路面条件w_j的似然性。似然因子由下式确定：

$\hat{L}\left(w_j\right)=\hat{P}\left(w_j\right)=\frac{1}{M}\underset{i=k-M+1}{\overset{k}{\Sigma }}\hat{P}(w_j\backslash {\rho }_i)(j=\mathrm{1,2},....,N)---\left(7\right)$

其中，是基于计算出的指标ρ_k的每种路面附着条件w_j的概率分析，M表示预定的固定值。似然因子是当m等于M时的相应概率分析

由公式(7)确定的似然因子可乘以100来得到每种路面条件的似然性百分数。图5-图7所示的图是例如不同道路条件的似然性百分数的示例。每幅图示出了当前行驶道路的不同附着作用，以及如统计路面辨识技术所确定的每种路面条件的估计似然性。随着时间流逝，对每个分类的路面条件的由公式(7)得到的结果进行追踪。

在方块39中，将每种路面条件w_j的似然因子中的每一个彼此比较。将最佳地辨识出当前道路附着作用的相应路面条件w_j从多个似然因子中辨识出来，其中以最高的似然性百分数表示最相似的路面条件。例如，图5示出了冰路面条件。在冰路面上驾驶的车辆工作期间采集数据。将所得到的数据输入到路面辨识程序中。绘制出了每种路面条件(即，冰面、雪面和干燥表面)的似然因子。比较每个所绘制的似然因子，从图中看出车辆位于冰面上的似然性约为85％，而车辆位于雪面或干燥表面上的似然性分别是15％和接近0％。图6和图7分别为示出了对于在雪路面和干燥路面上驾驶的车辆通过路面辨识技术确定的似然因子的图形。

在方块40中，将计数重新设为1，然后重复方块33-36以监测和辨识当前行驶路面的附着作用。

尽管详细描述了本发明的某些实施例，但是本发明相关领域的技术人员将意识到用于实施本发明的各种替代性设计和实施例，正如所附权利要求中限定的那样。