CN103963593B

CN103963593B - 具有道路预视的自适应主动悬架***

Info

Publication number: CN103963593B
Application number: CN201410007846.8A
Authority: CN
Inventors: 卢建波; 达沃尔·赫罗瓦特; 洪特·埃里克·曾; 乌韦·霍夫曼; 西蒙·巴利斯; 迈克尔·西曼
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2013-01-08
Filing date: 2014-01-08
Publication date: 2018-02-09
Anticipated expiration: 2034-01-08
Also published as: DE102014200031B4; US8996249B2; US8788146B1; CN103963593A; US20140195112A1; DE102014200031A1; US20140330483A1

Abstract

本发明公开了一种用于控制主动悬架的方法，该方法包括以下步骤：确定车辆前方的道路异常的尺寸以及将所述尺寸与车辆尺寸相比较。响应于所述比较，异常被归类为多种预定类型中的一种类型。响应于异常的高度尺寸，异常被进一步归类为具有小、中和大的严重程度中的一种。悬架响应于所述类型和严重程度而被控制。

Description

具有道路预视的自适应主动悬架***

技术领域

本发明的实施例涉及车辆悬架控制***，并且更具体地，涉及适用于预测的和实际的异常路况的车辆悬架控制***。

背景技术

乘用车辆被设计为在各种路面和几何条件下行驶。偶尔，车辆会遇到特殊（异常）路况，例如碎片、严重的坑洼、***等。自适应或主动悬架***允许响应于车辆车轮与异常道路特征之间的接触而实现例如阻尼或刚度这样的悬架特性的选择性调节。这有助于改进车辆的行驶舒适性、操纵和安全性。

然而，为了使传统的主动悬架响应于异常道路特征而操作悬架***的可驱动的元件，车辆车轮必须接触道路特征。由于需要在操作可驱动的悬架元件之前与异常道路特征相互作用，因此***响应可能不像其本来可能的那样及时和有效的，这是因为例如作为总体的***和单独的***元件的动态响应时间以及车辆的速度的因素。

某些车辆设计参数还可以定制为减轻车辆与异常道路特征之间的相互作用的影响。例如，提供具有相对较高的离地间隙的车辆降低了其对于由于许多道路中的***或位于路面上的碎片导致的损坏的敏感性。然而，具有较高的离地间隙的车辆比具有较小的离地间隙的车辆具有相对较大的耗油量。

发明内容

鉴于上述情况，可取的是将自适应或主动悬架***包含在车辆中，以允许响应于异常路况来实现例如悬架刚度和阻尼这样的特性的选择性调节。同样可取的是，具有任何异常道路或驾驶情况的类型和严重程度的预先通知，以便车辆控制***的可驱动元件可以被实时驱动，以帮助减轻在异常表面上驾驶的不良后果，如果必要的话，这在车辆车轮遇到异常路况之前完成。

因此，可取的是检测异常路况，预测情况的严重程度，并响应于所预测的异常路况的类型和严重程度来操作悬架***的可驱动元件。为了提高效率，同样可取的是，悬架控制***操作可驱动***元件仅仅减轻特定异常路况的不利影响所需的时间长度（且仅仅达到减轻特定异常路况的不利影响所需的程度）。

附图说明

在示出本发明的实施例的附图中：

图1为包含根据本发明的实施例的自适应主动悬架控制***的车辆控制***的示意图。

图2为根据本发明一实施例控制的主动悬架***的一部分的示意图。

图3为根据本发明的一个实施例的估算器（estimator）装置的框图。

图4为示出根据本发明的一个实施例的用于生成在移动的车辆前方的异常路面的模型或表示的方法的流程图。

图5a-5c示出了由根据本发明的一个实施例的路面情况估算装置生成的临时占用栅格（temporal occupancy grid）的迭代的级数，这是随着车辆接近路面的异常部分完成的。

图6为根据本发明的一个实施例生成的合成临时占用栅格的典型示例。

图7为根据本发明的一个实施例、被构造用于表示异常道路特征的x、y和z维度的三维栅格的典型示例。

图8示出了根据本发明的一个实施例、含有用于生成表示异常道路特征的表面上的点的高度的概率密度函数的云点（cloud point）的三维栅格的单元的表示。

图9为用于计算根据本发明一实施例的悬架高度测量向量zrp的悬架参数的图解。

具体实施方式

图1为包含根据本发明一实施例的主动悬架***的车辆控制***12的示意图。控制***12包括设计为监测各种车辆参数和车辆外部环境情况的车辆传感器的阵列。传感器阵列包括操作性地耦接至一个或多个***控制模块以容许传感器输入能够传送至控制模块的各种类型的传感器。传感器阵列可以包括单独的传感器或用于检测车辆环境的方面并用于检测例如即将发生的碰撞的相关的传感器（例如雷达、激光雷达、激光扫描或视觉/摄像***）的群组；惯性传感器（例如已知或合适的惯性测量单元（IMU）22）、各种车轮速度传感器14f、如果某些路况的直接测量可能的情况下的路况传感器102、雨水传感器14a、悬架高度传感器30、转向车轮角度传感器14b、转向扭矩传感器、制动器压力传感器、轮胎压力传感器14c；目的在于帮助车辆定位和导航的传感器（例如全球定位***（GPS）125）；用于实现并促进车辆对车辆的通信以及车辆对基础设施的通信***（如果有的话）的合作传感器（cooperative sensor）以及其他类型的传感器。一组相关的传感器（例如路况传感器组合）可以包括多个不同类型的传感器，这取决于该组合在给定的控制***中需要执行的任务。在图1中所示的特定实施例中，传感器阵列包括路况传感器或包含一个或多个已知路况传感器的传感器组合102。路况传感器可以测量以下特征：例如道路温度，路面是潮湿或干燥、任何路面水分的盐度以及道路上雪的存在。路况传感器可以包括以下元件：例如激光扫描器或摄像机，以实现对车辆所经过的路面的一部分的视觉或数字扫描。

控制***12还包括操作性地耦接至相关的传感器（或传感器群组）、其他控制模块和/或控制***的其他元件的一个或多个控制模块。这种控制模块的示例包括车辆动态控制模块（或VDCM）99或类似的主控制模块，以及包含在各种车辆子***中的控制模块，例如动力传动***控制模块201、底盘控制模块203以及车辆乘员约束控制模块204。以本领域公知的方式，VDCM99接收来自各种传感器的输入、根据储存的控制逻辑或控制程序处理这些输入并且生成控制信号，其中控制信号被传送至各种可驱动的控制***元件，或传送至控制主动悬架***（总体上在图1中表示为210）的元件的合适的下级或较低级别的控制模块（例如底盘控制模块203）。

虽然所有可驱动的车辆***之间的相互作用都有关系，但是本发明的实施例主要关注主动悬架***，其中例如悬架行程或高度、悬架阻尼、悬架刚度和悬架力这样的特性是实时可调节的，其中驱动响应时间足够短，以允许响应于预测的或车辆遇到的实际异常路况实现悬架***控制。悬架驱动对于使用前述感应***和相关的处理装置确定的估算或预测的路况来说是自适应的，其中相关的处理装置配置为处理接收自感应***的数据并确定异常路况的类型和严重程度。

以本领域公知的方式，各种控制模块包括接收并处理来自相关的传感器或来自控制***（例如其他控制模块）的其他元件的输入以生成响应于该输入的控制信号的处理装置。这些控制信号接着以本领域公知的方式被传送至一个或多个相关的可驱动元件。可驱动的车辆元件和子***响应于接收的控制信号运行，以控制与车辆相关的行驶和操纵特性。在某些实施例中，车辆还可以包含合作或交互式通信***，例如车辆对车辆和/或车辆对基础设施的通信***。

控制***12包括各种可驱动的单独元件以及影响例如行驶舒适性、操纵特性以及各种安全性和驾驶员辅助特征这样的特性的各种子***的元件。示例包括主动悬架***210、制动器控制***212、转向控制***214的元件以及它们的组成部分和相关的元件。

图2为包含主动悬架***的车辆的一个车轮的示意图，其中所述类型的主动悬架***可以使用来自根据本发明的原理的估算器装置的输入来控制。如本领域所公知的，主动悬架可以用于通过响应于来自VDCM或其他车辆控制模块的输入调节悬架阻尼和/或弹簧刚度（spring rate）特征来改进驾驶。在一个实施例中，图2中所示的元件可以被视为在垂直方向上可移动的单个的车辆车轮。在该表示中，车辆车身的质量由簧载质量11表示。由非簧载质量13表示的车轮通过控制臂15连接至车辆车身11。车身11通过包括控制臂15、弹簧19、阻尼器21以及与弹簧19和阻尼器21串联作用的一定容积的流体17的主动悬架***被支承在非簧载车轮质量13之上。通过控制流入或流出驱动器17（例如液压驱动器）的流体流Q，可以控制悬架力和离地高度。车轮的非簧载质量13由路面13支承，轮胎偏转在图2中由弹簧25表示。

如这里所述的包含估算器装置的控制***可以可选地用于控制其他类型的驱动器和悬架***元件，例如，悬架力可以用于控制每个车轮的动态标准负载。

现在参考图1并参考图3的示意框图，这里所述的车辆控制***的实施例包含路面情况估算器装置，总体上表示为100。在一个实施例中，根据本发明的估算器装置100包含微处理器112以及操作性地耦接至微处理器***并可用于整合接收自各种车辆传感器和/或其他***的输入的一个或多个整合装置110。

估算器装置的一个或多个元件可以包含在VDCM99或另一控制模块中。可选地，估算器装置100的元件可以包含在操作性地耦接至VDCM以实现与VDCM和/或其他控制模块的交互的估算模块中。这种模块可以配置为在制造期间包含在新的车辆的控制***中，或者所述模块可以配置为改装在现有的车辆的控制***中。

在一个实施例中，估算器装置的相关元件（例如控制器、由控制器可驱动的任何相关主动悬架***部件、任何所需的传感器以及任何其他必要的元件）作为现有相应的被动悬架***部件的代替而被安装。

在另一实施例中，主动悬架部件被安装，以便与被动悬架***部件同时运行。主动悬架部件和传感器如所述地被耦接至控制器，以执行模型生成和悬架控制功能。在一个特定实施例中，控制器可以配置为仅当遇到异常路面情况时操作可驱动的悬架***元件的主动控制。在正常路况期间，估算器装置及其相关的主动悬架***元件和传感器可以保持不运行。

在另一实施例中，在现有的主动悬架***中，配置为处理传感器数据并响应于异常路面情况生成控制指令的新的控制器可以作为现有***控制器的代替而被安装。新的控制器还可以配置为在正常路况的情况下控制主动悬架***，并配置为执行以前的控制器的其他控制功能。

在另一实施例中，在现有的主动悬架***中，新的控制器可以操作性地耦接至现有传感器和/或可驱动的悬架***元件。新的控制器还将适于与现有的控制器一起运行。适当的通信和控制协议将包含在一个或两个控制器中，当遇到异常路况时，该通信和控制协议容许新的控制器承担悬架***控制。在所有其他的情况下，第一控制器都将执行悬架***控制功能。

总之，在上述任何实施例中，执行响应于异常路况的检测（和/或与异常路况接触）而生成的控制器指令所必需的任何传感器、控制器或可驱动的悬架***元件都可以增加在车辆上，并操作性地耦接至车辆现有的元件。

这里所述的估算器装置的实施例还包含一个或多个路况传感器（或利用由一个或多个路况传感器提供的数据），其可用于预视或调查路面，以在车辆前方将异常路况（例如粗糙的修补、坑洼、碎片、***和路面上的其他不规则情况）定位于特定的一组GPS坐标系上，并且其可用于估算异常路面的各种特性。为了估算路况，可以将被设计为给估算器装置提供数据的一个或多个传感器增加或改装至现有的车辆控制***。可选地，取代将传感器增加至车辆以用于估算器装置，来自一个或多个现有的车辆传感器的数据可以提供给估算器装置以进行处理。

在一个实施例中，路况传感器被包含在第一传感器装置103中。在一个特定实施例中，第一传感器装置103包括并入（或操作性地耦接至）路况传感器组合102的已知的激光扫描器20。扫描器20配置为以本领域公知的方式在车辆运动时扫描车辆前方的路面。扫描器20配置为扫描车辆前方的路面，以下文所述的方式收集可用的数据，以生成表示路面上的不规则情况或异常（例如路面上粗糙、坑洼、碎片或***的异常级别）的点云（pointcloud）。由于特定应用的需要，第一传感器装置102还可以包括附加的传感器元件。此外，如前文所述，第一传感器装置103还可以包括单独的传感器或相关传感器群组（例如雷达、激光雷达、激光扫描或视觉/摄像***），以用于检测车辆环境的各个方面。

在一具体实施例中，第二传感器装置104包括并入车辆控制***12的已知或适当的惯性测量单元（IMU）22，以用于为整合装置提供角速度和线性加速度数据。如在本领域中公知的，IMU22可以包括配置为检测车辆的侧滚率γ、横摆角速度、俯仰率ψ、纵向加速度、横向加速度和垂直加速度的传感器。由于特定应用的需要，第二传感器装置104还包括附加的传感器元件。

输入用于检测异常路况且用于预测情况的严重程度的各种传感器装置还可以包括并入标准车辆传感器阵列中的一个和/或并入到未正常并入标准车辆传感器阵列中的一个的元件的传感器元件，这取决于将要用于生成并完善路面模型的传感器数据的具体类型。

如果需要的话，可以提供附加的装置（例如一个或多个滤波器或其他电子预处理装置（未示出）），以用于在由整合装置处理之前滤波或另外预处理来自任何传感器装置的信号和/或以用于在由微处理器***处理之前预处理来自整合装置的信号。

在一个实施例中，整合装置110操作性地耦接至前述的一个或多个路况传感器102。整合装置110还操作性地耦接至车辆GPS***125、耦接至IMU22、并耦接至车辆车轮速度传感器（总体上表示为105）。

整合装置110以已知的方式整合来自路况传感器、GPS***、车轮速度传感器和IMU的数据，以如下文所述生成一系列六维云向量（six-dimensional cloud vectors），其中每个向量都涉及表示异常路面上的点的相应的云点。整合装置110可以如图3中所示操作性地耦接至计算机112。可选地，整合装置可以包含在计算机112中。在一个实施例中，整合装置包含适用于执行所需整合的滤波器（例如卡尔曼滤波器）。这种滤波器在[1]Stavens D,Thrun S(2006年)的《用于越野自主驾驶的自监督地面粗糙度估算器（A Self-supervisedTerrain Roughness Estimator for Off-road Autonomous Driving）》，马萨诸塞州坎布里奇的关于人工智能中的不确定性的会议（Conference on Uncertainty in Al(UAI)），中做出了说明，其内容通过参考引用的方式结合于此。

在一个实施例中，计算机112包含在VDCM99中，如图1中所示。然而，计算机112可以可选地是独立于VDCM的并操作性地耦接至VDCM，如图3中所示。计算机112操作性地耦接至整合装置110并（如果需要的话）耦接至车辆传感器阵列的各种传感器。计算机112接收由整合装置110生成的云向量信息并执行生成车辆前方的异常路面的一部分的情况的预测或估算所需的云向量信息和传感器信息的加权和/或任何其他处理。

计算机112还配置为，当车辆车轮遇到之前由激光扫描器扫描的异常路面特征时，处理接收自悬架高度传感器30的传感器数据。该数据以下文所述的方式被处理，以生成路况向量w_ROAD，以用于根据一组预定的路况类别将异常路况分类。响应于路况类别，可以生成一个或多个控制指令，其到达主动悬架***的可驱动元件，以响应于估算的路面情况控制悬架***。

计算机还可以包括（或操作性地关联）存储器（未示出），以用于储存与储存的路面情况的GPS位置相关联的路面情况信息，连同任何其他所需的数据和/或信息。

配置为执行涉及异常路况模型的生成的功能（包括传感器数据的处理和估算、响应于由基于数据的处理的模型预测的异常路况的控制指令的生成以及与模型相关的功能和这里所述的功能）的计算机112可以包含在主车辆VDCM99中。

可选地，估算传感器数据和响应于异常路况生成控制指令所必需的控制程序可以包含在可以代替已有的车辆VDCM的单独的VDCM的计算机中。

可选地，计算机可以包含在单独的VDCM中，除了已有的车辆VDCM外，该单独的VDCM可以改装或增加在现有的车辆上。这种附加VDCM可以包含使新的VDCM能够与已有的VDCM连接的协议。例如，在遇到异常路况的情况下，这种协议提供通过新的VDCM，而不是已有的车辆VDCM的对各种可驱动悬架***元件的管理控制。在该情况下，新的VDCM将承担视为响应异常路况所必需的可驱动悬架***元件的临时控制，以实施必要的控制指令。在车辆通过一段异常道路之后，控制可以接着返回至已有的车辆VDCM。

在这里所述的车辆控制***的实施例中，可以由响应于来自估算器装置的输入而生成的指令控制的可驱动车辆元件包括悬架刚度调节装置210a、悬架高度调节装置210b、悬架阻尼调节装置210c、防侧滚调节装置210d以及影响车辆悬架力、悬架浮动空间（rattlespace）、悬架的阻尼部件、悬架的刚度部件、悬架的防侧滚部件、悬架行程和/或悬架高度的任何其他已知或适当的可驱动悬架***部件。如果需要的话，附加的车辆***或元件也可以配置为响应于生成的控制指令而驱动。

图4为示出了用于使用收集的传感器数据生成表征异常路况的模型、并用于响应于表征的异常路况而生成悬架控制指令的一种方法的处理流程的流程图。已经开发了多种地面认知和估算方法，以促进地面粗糙度的建模。这些方法的一些示例在下面的参考文献中做出了说明：[1]Stavens D,Thrun S(2006年)的《用于越野自主驾驶的自监督地面粗糙度估算器（A Self-supervised Terrain Roughness Estimator for Off-roadAutonomous Driving）》，马萨诸塞州坎布里奇的关于人工智能中的不确定性的会议（Conference on Uncertainty in Al(UAI)；[2]Brooks CA,Iagnemma KD(2007年)的《用于行星探测车地面感应的自监督分类法（Self-Supervised Classification for PlanetaryRover Terrain Sensing）》，2007年的IEEE（电气及电子工程师学会）航天会议（IEEEAerospace Conference）,IEEE,蒙大拿，长天州（Big Sky,Montana）；[3]Katz R,Nieto J,Nebot E(2008年)的《基于激光的运动检测的概率性方案（Probabilistic Scheme forLaser Based Motion Detection）》，关于智能机器人和***的IEEE/RSJ国际会议（IEEE/RSJ International Conference on Intelligent Robots and Systems）,IEEE,法国尼斯（Nice,France）,161-166页。这些参考文献的教授通过参考引用的方式结合于此。

如前文所述，路况传感器阵列102的一个实施例包括用于扫描车辆前方的路面以得到路面数据的激光扫描器20。

在步骤300，根据参考文献[1]中所述的方法，随着车辆移动通过激光扫描来预视车辆前方的路面。这提供了用于生成“预视”或估算车辆前方的路况的数据。在一个实施例中，使用的激光扫描器能够以50-100Hz、0.5度的角分辨率获得用于100-200角位置的范围数据。对于该实施例来说，选择可操作或可配置为至少在这些参数内操作的扫描器。此外，扫描的道路特征的估算的GPS坐标系形式的附加的数据由GPS***106收集。而且，车辆侧滚、俯仰和横摆数据在异常道路特征被扫描的时候从IMU的车辆惯性传感器得到，并且来自车辆车轮速度传感器的数据在异常道路特征被扫描的时候被收集。来自这些各种源的数据被同时收集，以使激光扫描数据、IMU数据、GPS坐标系估算和车轮速度数据可以是时间相关的。

在步骤308，根据参考文献[1]中所述的方法，整合装置110用于将异常路面上每个测量的点的激光扫描云点数据与关于该点的估算的GPS位置数据、由IMU数据估算的车辆侧滚和俯仰率的时间导数以及车轮速度传感器数据整合。使用所收集的数据，整合装置生成了一系列六维云向量L，每个向量都涉及相应测量的云点。每个向量L_i都包括下列元素：

L_i=[x,y,z,dγ,dψ,t] (1)

其中t为给定云点的x、y和z坐标的测量时间，以及γ和ψ的测量时间；dγ为车辆的侧滚率γ在测量时间t的一阶导数，由IMU数据确定；dψ为车辆的估算的俯仰率ψ在测量时间t的一阶导数，由IMU数据确定；并且x、y和z为给定云点在测量时间t的估算的GPS位置坐标。因此云点的聚集提供了在时间t测量的路面及其特征的形状和尺寸的表示。整合的结果传至计算机112。

参考文献[1]中所述的方法使用了测量冲击值（shock value）来认知未知的参数pi的值，其用于改进路面分类的准确度。参考文献[1]的方法仅仅提供了道路粗糙度的分类。其未如这里关于本发明的实施例所述处理悬架高度传感器测量值，并且未如这里所述预测或预视车辆前方的路况。在本发明的实施例中，使用了另外的传感器融合方法。该方法使用了与悬架高度传感器测量值结合的激光云数据，以生成并完善可用于预测或估算车辆前方的路面的模型。因而，源自该模型的路面情况估算可以在车辆与由激光扫描展现的任何异常路面特征接触之前用于控制车辆主动悬架***，以用于减轻这种接触对于车辆及其乘员的影响。

在步骤309，生成了临时占用栅格。

根据本发明的实施例的用于估算或建模异常路面特征的方法基于临时占用栅格的使用，其中临时占用栅格的逐次迭代（successive iteration）由图5a-5c中的900a-900c表示。参考图5a-5c，临时占用栅格施加在激光云上。栅格包括车辆前方固定距离内的扫描的道路特征的表示（例如道路特征990）。栅格随着车辆和云移动，并且随着每次新的激光扫描而被连续更新。因此，栅格随着车辆和云朝着由扫描识别出的任何异常道路特征（例如异常道路特征990）移动，并且随着每次新的激光扫描栅格被连续更新，静态异常道路特征990越来越靠近车辆。

栅格标记x1包括相对靠近车辆（与车辆相距d1的距离）的道路特征的表示，而栅格标记x6包括相对远离车辆（与车辆相距d2的距离）的道路特征的表示。图5a示出了距离与车辆车轮物理接触n-N时间周期的特征990的表示。图5a-5c中示出了，随着移动的车辆接近路面特征，在连续的时间间隔(n-N),(n-N+1),...,(n-1)时的异常路面特征990的分辨率的级数，其中图5a示出了当异常路面特征990相对远离车辆时（在时间n-N）的栅格的实施例900a，图5b示出了当异常路面特征比图5a相对靠近车辆时（在时间n-N+1）的栅格的实施例900b，并且图5c示出了当异常路面特征比图5b相对靠近车辆时（在时间n-1）的栅格的实施例900c。

随着时间的推移和通过连续的扫描实现的每次云的更新，车辆靠近异常路面特征，该特征的特性变得更加清楚地限定，并且涉及该特征的云向量表示的不确定性减小。随着车辆朝着异常道路特征移动，目标沿着相对于车辆的栅格的x轴移动，并且云向量被连续更新。在第n时间点，根据云向量的异常路面特征特性的估计应当符合可以由传感器数据得到的特征的相应的特性的测量值，其来自于传感器与道路特征之间的物理接触。

图6示出了（以单一视图）随着车辆接近特征990，并且随着道路特征990的表示变得越来越清晰和精确的图5a-5c的延时级数（time-lapse progression）。同时，并且以类似的方式，随着车辆接近位于比特征990距离车辆更远的异常道路特征，这些道路特征的表示变得越来越清晰和精确。

在步骤310，识别可用于基准或参照（即标准）路面表示的云向量。

为了识别车辆前方的道路高度的变化，根据以下关系式将3D栅格施加在合适的6D向量的(x、y、z)激光云上：

E=[x,y,z,侧滚率γ,俯仰率ψ,测量的时间t]

合适的向量E是那些在标准驾驶期间（具有相对较低的俯仰率和侧滚率分量的向量，并且排除在相对剧烈或猛烈的动态操纵期间获得的侧滚和俯仰率数据，其产生相对较高的γ和ψ的绝对值）得到的向量。合适的向量E满足以下关系：

E={L:(γ²+ψ²)<||δ||} (1A)

其中δ为取决于某些驾驶条件的预定的阈值。例如，一个影响量δ的因素为车辆速度；速度越高，δ的值越大。δ可以根据以下关系式被定义为速度的函数：

δ=a+b V

其中a和b是两个校准参数。这些标准帮助从异常路面特征中区分出基准或标准路面。

合适的向量E可以由提供涉及异常道路部分的信息的车辆前方相同的扫描确定。可选地，合适的向量E可以由涉及在给定GPS位置上的路面的储存的或之前获得的信息得到。在又一实施例中，合适的向量E由之前穿过在给定GPS位置上的道路部分的另一车辆提供。

在步骤312，计算概率密度函数（PDF）以用于在临时占用栅格中表示的道路部分。概率密度函数用于计算和估算临时占用栅格内的每个位置x、y的路面高度。

参考图7，栅格的第三维由激光扫描器的z-轴测量的范围定义。为了标记的简单性，假设均匀划分的N*N*N栅格，其具有集中在云点（x_oi,y_oj,z_ok）的间隔。栅格的每个单元都由三个数（(x_i,y_j,z_k）来定义，其中i,j,k={1,N}。在时间n-N（即在车辆车轮物理地接触异常道路特征990且获得产生的悬架高度传感器测量值之前的n-N时间周期）预测的异常道路部分的概率密度函数由图8中表示的每个单元(x_i,y_j,z₁),(x_i,y_j,z₂),…,(x_i,y_j,z_M)中的云点的数目或频率S来计算。概率密度函数P_ijk可以使用以下关系式确定：

P_ijk(n-N)=S_ijk(n-N)/Σ_kS_ijk(n-N) (2)

同样在步骤312或在进入由步骤314至322限定的循环之前的一些其他点，一系列修正因子C_i在共同的非零参考值上被初始化，其中i={1,N}。修正因子接着如下文所述响应于异常路面与车辆车轮之间的接触而被更新。修正因子被施加在之前由激光扫描数据生成的道路高度估算H_ij(n-N)上，以产生修正估算的道路高度估算。

在步骤314，计算了临时占用栅格内的每个位置x,y上估算的路面高度。在给定位置（x_i,y_i）上的道路的高度H_ij通过以下关系式估算：

H_ij(n-N)=Σ_k P_ijk(n-N)z_ok

在步骤316，当车辆遇到扫描的道路特征（在如图6中所示的时间周期n-1经过之后）且车轮与异常道路特征相互作用时，来自车辆传感器（例如悬架高度传感器）的数据通过滤波器555，并且接着到达用于处理的计算机112。以上文所述的方式，滤波后的数据被处理，以计算表示之前扫描的位置上的实际路况的路况向量w_ROAD的值。

在该方面，接触异常路面特征的主动悬架***的部分用作提供可用于计算参数（例如道路轮廓（road profile）向量w_ROAD）的信息附加的传感器，所述参数可以用于响应于异常路况来控制主动悬架。

在步骤320，左和右前轮所在的路面的估算高度h_wl’和h_wr’分别使用估算的路面高度H和修正因子C的最新值来计算。

分别在给定位置（x_i,y_i）上的左和右前轮所在的路面的修正估算的高度h_wl和h_wr可以通过使用距离倒数在栅格中心y_oj之间插值，以及将修正因子C_i施加在之前计算的相应的道路高度估算上来得到：

h_wl’(n-N)=Σ_i{C_i H_iN(n-N)|y_oi–y_wl|^-1}/Σ_i|y_oi–y_wl|^-1 (4)

h_wr’(n-N)=Σ_i{C_i H_iN(n-N)|y_oi–y_wr|^-1}/Σ_i|y_oi–y_wr|^-1. (5)

在步骤322，修正因子被更新。修正因子C_i,i={1,N}使用结构化的认知方法（structured learning method）被连续更新。该认知方法通过比较路面高度h_wl’和h_wr’来更新修正因子C_i,i={1,N}

h_wl’(n)=Σ_i{C_i H_i1(n)|y_oi–y_wl|^-1}/Σ_i|y_oi–y_wl|^-1 (6)

h_wr’(n)=Σ_i{C_i H_i1(n)|y_oi–y_wr|^-1}/Σ_i|y_oi–y_wr|^-1 (7)

如从激光云估算的同一位置上的实际测量的路面高度h_wl(n)和h_wr(n)，其中：

H_ij(n)=Σ_k P_ijk(n)z_ok, (8)

由上文关于步骤314描述的关系式给定。

关系式（8）中的概率P_ijk(n)由线性加权的频率S_ijk(n-N),S_ijk(n-N+1),…,S_ijk(n-1)计算：

P_ijk(n)=S_ijk(n)/Σ_k(S_ijk(n))

S_ijk(n)=w_N S_ijk(n-N)+w_N-1S_ijk(n-N+1)+…+w₁S_ijk(n-1)

其中i,j,k={1,N}，并且权重w₁,w₂,…,w_N线性地单调递减，以反映云估算的高度的误差对时间的近似线性相关，如参考文献[1]中所述。

最终，修正因子通过将最小均方（LMS）算法应用于最小化由基于云的估算预测的路面高度与在车轮实际测量的路面高度之间的误差的价值函数（cost function）：

该过程产生了以下修正因子C(n)的向量的递归式：

C(n+1)=C(n)+α(h_wl(n))–C^T(n)d_l(n))d_l ^T(n)/(d_l ^T(n)d_l(n)) (12)

C(n+1)=C(n)+α(h_wr(n))–C^T(n)d_r(n))d_r ^T(n)/(d_r ^T(n)d_r(n)) (13)

其中

d_il(n)=H_i1(n)|y_oi–y_wl|^-1/Σ_i|y_oi–y_wl|^-1-h_wl(n)

d_ir(n)=H_i1(n)|y_oi–y_wl|^-1/Σ_i|y_oi–y_wl|^-1-h_wr(n)

并且α为将指数地减小的权重给到之前的、较旧的估算的路面高度h的遗忘因子（forgetting factor），J(n)为价值函数，并且d_l ^T为相关向量的转置操作（transposeoperation）。

最新的（即最近更新的）修正因子被反馈给步骤314，以如上文所述在涉及车辆的运动期间遇到的任何新的异常道路特征的数据的处理期间被应用。应用于扫描数据的修正因子的不断更新改进了模型的精确度，这是由于越来越多的数据从车辆悬架与各种异常路面特征之间的相互作用中被收集。

以上文所述的方式，提供了一种用于精确估算异常路面特征的特性的方法，该方法基于激光扫描数据、GPS坐标数据、IMU数据和车轮速度传感器数据，而不需要车辆与道路特征相互作用。随着遇到附加的异常路面特征，通过使用道路传感器接触数据实现的激光扫描数据的重复修正，修正因子C的值可以得到完善或调整。这增加了得自激光扫描的路面情况估算的精确度和可靠性。最后，预测***道路的精确度为：路况由估算器单独使用激光扫描、GPS坐标、IMU和车轮速度传感器数据而被预测和分类，并且悬架的控制可以仅仅基于由估算器预测的路况。

在步骤318，当数据已经从悬架与异常路面特征之间的相互作用收集时，道路轮廓向量w_ROAD被计算。

在下文所述的方式中并且对于另一操作模式，计算机112还配置为计算用于道路轮廓向量w_ROAD的值，所述值反映了之前由激光扫描器扫描的异常路面特征的情况，所述计算是基于以下文所述的方式处理悬架高度传感器数据并使用各种参数的已知值来实现的。轮廓向量w_ROAD是对异常路面从平滑路面的垂直偏差的表示。

参考图3，在第一步骤中，随着悬架与异常路面相互作用，来自车辆高度传感器30的数据被传送至适当的滤波器555。此外，涉及由于车辆车轮与异常道路特征之间的接触导致的车身侧滚γ和车身俯仰ψ的来自IMU104的数据被提供至计算机112。

在下一个步骤中，车身起伏（body heave）h被计算或估算。车身起伏h被定义为由于车辆车轮与异常道路特征的接触导致的车辆的重心的位移。而且，在步骤312a中，由于车辆车轮与异常道路特征的接触导致的车身侧滚γ被收集，并且由于车辆车轮与异常道路特征的接触导致的车身俯仰ψ被收集。参数h可以以已知的方式根据车轮遇到实际物理道路异常时生成的车辆高度传感器数据并且根据重心的位置来进行测量或计算。参数γ和ψ可以从IMU收集。

在下一个步骤中，车身起伏h、车身俯仰ψ以及车身侧滚γ用于定义车身状态向量q：

在下一个步骤中，绝对车轮垂直位移向量z_w被确定。该向量的分量为由于与异常路面特征接触导致的车轮的垂直位移。这可以以已知的方式根据车轮遇到实际物理道路异常时生成的悬架高度传感器数据进行测量或计算。

在下一个步骤中，悬架高度测量向量z_rp被确定。该向量的分量为悬架在每个车轮上的两个末端之间的相对位置差。向量z_rp可以根据绝对车轮垂直位移向量z_w和车身状态向量（body state vector）q来计算。

一般地，悬架高度测量向量z_rp可以通过以下关系式表达为车身运动和车轮运动的线性函数：

z_rp=H₁q-H₂z_w (4)

其中H₁为4x3矩阵，并且H₂为4x4矩阵，其可以以已知的方式根据悬架几何结构与特定悬架***的运动比（motion ratio）而被确定。

z_w的i^th分量为i^th车轮/轮胎总成的中心的垂直位移。车轮运动在车轮可见，悬架高度变化沿着在车辆运动期间动态变化的悬架方向可见，并且车身运动在车身上定义的方向上可见。经历这些运动的车辆的元件以已知的方式通过联动装置被连接。因此，这些运动之间的关系可以包含动态式样中的比例因子和定向角。

基本上，车辆运动的悬架的影响取决于弹簧位移与车轮位移以及弹簧阻尼器速度与车轮速度的比。这些比被称为“运动比”或“安装比”。由于悬架沿着起作用的方向或轴可以随悬架部件的运动而变化，因此前述的“运动比”或“安装比”通常不是恒定的。该现象在由约翰威利父子有限公司（John Wiley and Son Ltd.）于2009年出版的，作者为JohnDixon的“悬架几合结构和计算（Suspension Geometry and Computation）”中做出了详细解释，其通过引用并入本文。

参考图9，用于具有支柱悬架的车辆的四分之一模型的悬架高度测量向量z_rp可以使用以下关系式计算：

其中l为从车辆重心到车轮/轮胎总成的旋转中心的距离，m为从车辆重心到悬架轴与车轮的轴相交处的距离，并且θ为响应于与异常道路特征接触的悬架行程方向与响应于与异常道路特征接触的车轮/轮胎总成的中心的运动方向之间的角度。

z_rp还可以以本领域中已知的方式使用安装在悬架的左前、右前、左后和右后角的相对位置传感器来进行测量。来自这些传感器的输入可以包括在如下典型的矩阵中：

被动悬架弹簧力f_s为弹簧的两个末端的相对行程的函数，其可以以已知的方式根据z_rp的测量的值连同某些联动比（linkage ratio）来计算。

例如，对于线性悬架来说f_s=Kz_rp，其中K为增益矩阵。通用被动悬架弹簧力f_s可以由以下关系式表示：

其中L_s为由包括运动比的悬架的几何结构确定的矩阵。

如本领域所公知的，被动悬架阻尼器力f_d为阻尼器的相反末端的相对速度的函数，其还可以由向量z_rp的测量值确定，并且可以表示为：

其中L_si和L_di为获得i^th车轮的运动比的相应参数，并且i=1,2,3,4。表征车辆车身的垂直行驶动态的模型因此可以由以下关系式表示：

其中M_bdy定义了车辆车身的惯性矩阵，其包含簧载质量以及侧滚和俯仰的惯性矩：

其中F定义了元素为车轮上的悬架力的主动悬架力向量，其中V_s为元素涉及悬架弹簧距离车辆车身的距离的矩阵。而且，V_d为元素涉及悬架阻尼器距离车辆车身的距离的矩阵。

在一个实施例中，M_s为簧载质量（车辆的车身质量），I_xx为车辆车身的侧滚惯性矩，并且I_yy为车辆车身的俯仰惯性矩；l_sylf,l_syrf,l_sylr,l_syrr为从左前、右前、左后和右后悬架到车辆的纵向中心线的横向或垂直距离；l_sxlf,l_sxrf,l_sxlr,l_sxrr为从从左前、右前、左后和右后悬架到车辆的重心的纵向距离。当包含在独立、非线性的悬架中时，轮胎/车轮总成服从以下运动的等式：

其中C_t为轮胎的阻尼系数，K_t为轮胎刚度并且z_td为轮胎偏转向量，其元素为如车轮的轮胎偏转。

可以根据给定车身状态向量q以及给定悬架高度测量向量z_rp来计算绝对车轮位移向量z_w：

并且表示道路轮廓的可变的w_ROAD现在可以如下计算：

量w_ROAD的滤波值用于表征被检查的异常路面部分。量w_ROAD表示正常路面之上的异常路面特征的最大高度。在一个实施例中，w_ROAD以米测量。然而，可以使用任何其他适当的测量的单位。总的来说，沿着道路特征的外表面测量的数据点的集合提供了道路特征的三维轮廓。

在给定位置上的w_ROAD的计算值连同识别异常道路特征的位置的数据（例如GPS坐标）一起可以保存到存储器。在步骤319中，并且以下文所述的方式，该信息可以用于将异常路面分成多种预定的通用道路类型中的一种。

在分类表的一个实施例中，异常或不规则的路况可以被表征为以下类型中的一种，这是基于异常和不规则情况的尺寸与例如轮距、轴距、离地间隙以及任何其他相关尺寸这样的各种与车辆相关的尺寸的比较实现的。为了这里所述的目的，车辆的轮距被定义为任何给定车辆上的相同轴上的两个车轮的每一个的中心线之间的距离。

表1

如果得自基于激光扫描的道路“预视”的估算的路面情况和得自异常道路特征与车辆主动悬架***之间的任何之前的相互作用的反应性的道路类型表征都表明车辆前方的路况异常，则异常的GPS位置坐标（X_i,Y_i,Z_i）和当前的GPS时间t_i可以与关于异常情况的定量的信息一起被记录，其中并且N为将要被追踪的异常路况的总数。以下文所述的方式，该信息可以用于绘制显示出车辆遇到的异常道路特征的位置的数字地图。

对于表1中所示的每种异常道路类型来说，道路异常的严重程度可以通过以下结构性变量表示：

T_map(X_i,Y_i，Z_i).严重程度

T_est(x,y,z).严重程度

T(x,y,z).严重程度

并且异常的严重程度的级别被定义为小异常、中异常或大异常。道路的异常的这些级别可以例如涉及异常的尺寸和/或相对于各种车辆尺寸——例如轴距、轮距、离地间隙和任何其他相关的尺寸——的异常的尺寸。

在一个实施例中，每种道路类型内的严重程度都可以通过将w_ROAD的值的范围分成大致大小相等的三组，并设定具有相对较小的值的w_ROAD的值为“小”等级的严重程度，设定具有接近最大值的组的w_ROAD的值为“中”等级的严重程度，并且设定具有最大值的组的w_ROAD的值为“大”等级的严重程度。

在另一实施例中，异常道路类型可以根据前述类型以及严重程度中的一种来分类，这基于之前计算的在每个前轮上的估算的道路高度h_wl’和h_wr’。这允许由一个或多个前轮收集的路况信息可能用于控制前轮后面的一个或多个后轮的悬架，并且用于只需要为前轮数据执行的道路车轮相互作用信息的处理。

在另一实施例中，将来自异常道路特征与一个或多个前轮之间的相互作用的数据与来自异常道路特征与一个或多个相应的后轮之间的相互作用的数据取平均值，以生成综合或平均的路况估算。

计算机***可以被配置用于生成并更新这种数字地图。在一个特定实施例中，数字地图包含沿着道路的长度的指定位置上的路况或道路状态的汇集。数字模型还包括与每个储存的路况相关联的GPS坐标。数字模型还可以包括异常路况的严重程度的定量测量。异常道路数字地图的示例可以概括为以下表格：

表2：异常道路数字地图

如前文所述获得的预测或生成的异常路况信息可用于与现有的异常道路数字地图或调查数据同步。如果估算的道路类型的可信度足够高，则路面情况估算可以用于修改现有的异常道路数字地图/调查数据，甚至在数字地图中生成可以储存在车辆ECU内的存储器位置以备将来使用的新的异常道路类型条目。该估算还可以用于“重置”现有的道路/调查数据和/或对应于道路/调查数据的GPS位置，以防止或补偿任何漂移或误差。

以下讨论提供了估算的异常路况的现有数字地图如何使用新确定的道路类型估算来修改的示例。

在未来的时间t，如果GPS***检测到车辆（在任何给定瞬间的位置由GPS坐标（x,y,z）表示）正在接近中心位置具有GPS坐标（X_i,Y_i,Z_i）并且路况已经根据上述方法估算或分类的异常路况，则估算的异常道路类型（基于前述方法确定的）将与应用于道路位置（X_i,Y_i,Z_i）的记录在案的道路类型相比较。

如果估算的异常道路类型符合记录在案的道路类型，则该位置上的道路类型将保持为由现有地图表示的道路类型。

如果估算的异常道路类型不符合现有地图上的道路类型，则现有数字地图将被修改以反映给定位置上新确定的道路类型估算，或者新确定的道路类型估算将与记录的现有道路类型结合，这是基于新确定的道路类型估算的可信度实现的。

道路类型估算的可信度取决于由激光扫描和悬架高度传感器提供的数据的质量。可信度可以使用多种方法中的任何方法来评估或确定。例如，如果用于得自激光扫描数据图像的特定异常道路特征的路况估算与使用来自悬架与异常路面之间的物理相互作用的数据生成的路况估算相关联（在预定的公差范围内），则两种路况估算的可信度都被认为较高。

相反，如果得自激光扫描数据图像的特定异常道路特征的路况估算与使用来自悬架与异常路面之间的物理相互作用的数据生成的路况估算不相关联（在预定的公差范围内），则两种路况估算的可信度都可以被认为较低。在可信度被认为相对较低的情况下，响应于估算的路况的悬架***元件的驱动可以被延迟，以便防止对可能不精确的路况估算的非最佳响应。

在另一示例中，如果路况的历史记录在给定地理位置上存在（例如，根据一段道路的现有的数字地图），并且如果相同位置的任何路况估算都与历史记录不相关联（在预定的公差范围内），则一种或两种路况估算的可信度可以设为中级别。

以上论述可以使用包含以下计算的变量的算法来实施：

其中||·||表示反映两组GPS坐标之间的距离的向量范数，i^*表示最靠近当前位置的第i^*个异常道路特征，h^*为当前位置与i^*异常道路特征之间的距离。

如果在GPS坐标（x,y,z）上的估算的道路类型被定义为T_est(x,y,z)并且现有数字地图中的位置（X_i,Y_i,Z_i）上的异常道路类型被定义为T_map(X_i,Y_i,Z_i)，则T_est(x,y,z)、T_map(X_i,Y_i,Z_i)和T(x,y,z)都属于有限集{0,1,2,3,4,5,6,7}，其中0对应于正常路况并且i对应于表1中定义的第q种异常道路类型，其中q=1,2,3,4.5,6,7。

对于给定的车辆速度v_x来说，我们将γ(v_x)定义为取决于速度的标量。如果在（9）中计算的距离h*等于或小于该标量，即：

h^*≤γ(v_x) (10)

则当前位置由GPS坐标(x,y,z)反映的车辆被确定正在接近具有GPS坐标(X_i,Y_i,Z_i)的路段，并且其在现有数字地图上被当前表征为道路类型

如果道路类型估算T_est(x,y,z)的可信度低于预定的阈值（例如40%的可信度），则计算的道路类型估算应当由得自已有异常道路数字地图的第i种（i^th）异常道路类型T_map(X_i,Y_i,Z_i)代替。

如果满足关系式（10）时估算的道路类型T_est(x,y,z)不符合T_map(X_i,Y_i,Z_i)，则可以执行T_est(x,y,z)与T_map(X_i,Y_i,Z_i)的融合或结合，以提供该位置的最终道路类型T(x,y,z)：

T(x,y,z)Ξ[T_map(X_i,Y_i,Z_i),T_est(x,y,z)]

其中表示平滑策略（smoothing strategy）、加权和策略或用于在T_map(X_i,Y_i,Z_i)与T_est(x,y,z)之间获得平滑结合的其他已知方法。

如果遇到了T_est(x,y,z)符合上文表中所示的其中一种路况类型的路况，但是没有i*，使得计算自现有的数字地图信息的相应的h*满足关系式（10），则以下数字地图条目将被启动并增加至现有的数字地图：

对于上文表1中所示的每种异常道路类型来说，道路异常的严重程度由以下结构化变量表示为：

T_map(X_i,Y_i，Z_i).严重程度

T_est(x,y，z).严重程度

T(x,y,z).严重程度

在特定的实施例中，第一和第二车辆各自设有车辆对车辆（V2V）的通信***，并且第一车辆根据前文所述的实施例配备有为检测和建模异常路况并为获得和处理涉及检测到的异常路况的数据而构建的部件和***。在第一车辆在第二车辆前方行驶的情况下，涉及异常路况的信息可以从第一（领先）车辆容易地传送至第二（跟随）车辆。如果第二车辆根据前文所述的实施例也配备有为检测和建模异常路况并为获得和处理涉及检测到的异常路况的数据而构建的部件和***，则接收到的异常路况信息还可以被进一步处理和/或与储存在车辆存储器中的信息结合。这种异常道路信息还可以同样被传至周围的车辆。

在另一特定实施例中，装备有前述感应和处理***的车辆还装备有车辆对基础设施的通信***（允许从车辆到例如路边数据接收器单元的通信，其中路边数据接收器单元可以与运输管理***或交通数据中心交换信息）。接着异常路况可以报告给道路维修人员并且可以帮助维修人员定位异常路段以便于修缮。

如果储存在基础设施存储器或数据库中的信息表明具有较大等级的严重程度的异常道路处于车辆的当前路线的较远处（即在当前的传感器检测范围以外），则车辆控制器可以将迫近的路况通知给驾驶员，并且还可以配置为给驾驶员提供一条或多条替代路线。

如果储存在基础设施存储器和/或数据库中的信息表明，或者由悬架控制***处理的信息表明前方存在的异常路况严重程度过大，以至于主动悬架控制***不能在无损坏车辆的风险的情况下适应该路况，则控制器可以通知驾驶员，并且还可以配置为给驾驶员提供一条或多条替代路线。

在另一特定实施例中，配备有前述感应和处理***的车辆还配备有可以与云服务器通信的无线或移动式***或装置。接着，涉及异常路况的信息可以传送至云，并且可以被能够访问云的其他驾驶员和车辆访问。如果接收自云的信息表明较高严重程度的异常道路位于当前的车辆路线上，则车辆控制器可以将迫近的路况通知给驾驶员，并且还可以配置为给驾驶员提供一条或多条替代路线。同样，如果接收自云的信息表明前方存在异常路况，其非常严重以至于主动悬架控制***无法在不存在对车辆不可接受的损坏的风险的情况下适应该路况，则车辆控制器可以将迫近的路况通知驾驶员，并且还可以配置为给驾驶员提供一条或多条替代路线。

此外，由车辆悬架或由传感器检测的其他类型的异常路面信息可以与其他车辆、基础设施位置或云进行通信。例如，车轮纵向滑移和/或车辆侧滑角（如果在预定义的标准参数以外）以及相关的地理位置信息可以传送至其他车辆、基础设施位置或云，并且接着储存以用于后来的访问和更新。接着，从基础设施位置或到云，该信息可以接着被传送至（或者可以被访问）穿过异常所在的道路的位置或路段的另外的车辆。接收信息的车辆的驾驶员可以使用该信息来利用车辆安全性特征以用于减轻异常路况对车辆的影响。可选地，基于异常路况信息的接收，车辆可以自动或自主地利用相关的安全性特征或***。驾驶员还可以使用该信息来规划异常路况周围的替代路线，或者车辆***可以（自动地或在驾驶员的指示下）计算出合适的替代路线。

在步骤330，在特定的实施例中，当异常路况和严重程度已经被确定时，对主动悬架***的可驱动的元件的一个或多个控制指令可以响应于路况和严重程度生成，以响应于预测或检测的路面情况控制悬架***。

这些控制指令可以针对于补偿异常路况对车辆的影响，从而最小化异常情况对行驶质量的影响。可以产生控制信号，以用于和针对于例如底盘控制***或主动悬架***的元件。可以修改以补偿异常路况对车辆的影响的特性包括悬架力、悬架浮动空间、悬架***的阻尼部件、悬架***的刚度部件以及悬架***的防侧滚部件。

在特定实施例中，一个或多个车辆车轮的悬架刚度和/或阻尼特性被调节，以便防止或减轻由车辆车轮与异常路面特征之间的接触造成的对行驶和乘客舒适性的负面影响。此外，因为控制指令基于异常路面的预测或基于涉及实际道路特征的信息（例如，通过一个或多个车辆与道路特征之间的之前的相互作用收集的），所以某些控制指令可以在车辆车轮与异常路面特征之间的接触之前实施。

如前文所述，悬架控制指令可以基于道路类型的各种估算生成。在一个示例中，假设当前的车辆GPS位置为(x,y,z)，并且位置(X,Y,Z)上的最终和估算的道路类型表示为

对于正常路况（即其中T(x,y,z)=0）来说，道路被假设为正常道路类型并且可以应用传统的平坦道路主动悬架控制策略。这种传统的悬架策略包括用于行驶舒适性的车身控制，用于改进的车轮抓地性的车轮控制以及操纵控制。其中T(x,y,z)≠0，可以使用多种方法中的任何方法。可以考虑非传统的方法，以使主动悬架***适用于上文所示的7类异常路况。也就是说，情况被认为是：

并且每一类的T(x,y,z)都具有异常的不同严重程度，其表示为：

T(x,y,z)的不同异常道路类型将需要不同的主动悬架控制策略。可以定制主动悬架控制策略，以用于每种道路类型及其异常的不同严重程度。

在一个实施例中，控制结构类似于具有内回路和外回路的已知的双回路控制方法。外控制回路设置目标主动悬架力或目标浮动空间，以便响应路况的特定类型，这是基于车辆级别性能要求实现的。内控制回路调节由外回路设置的目标值，这是通过悬架驱动器级别控制的调节完成的。外控制回路可以以反馈和前馈形式的实施。

下文说明了一些任务导向的悬架控制模式，其可以响应于给定的一组异常路况来实施。这些模式包括对角侧滚控制（diagonal rolling control）、三轮支承控制（three-wheel support control）、曲折操纵控制（zigzag maneuver control）、交变阻尼控制（alternating damping control）、交变刚度控制（alternating stiffness control）和跳跃控制（jumping control）。

生成的控制响应的定时和严重程度或大小可以取决于异常路况的类型和严重程度、车辆性能要求、在车辆到达或接触异常道路特征以前的估算的时间以及其他相关的因素。

对角侧滚控制（DRC）

对角侧滚控制（DRC）为开环控制方案，其中由在第一对角位置的两个车轮悬架提供的悬架力被调节，以便提供相对较大的悬架力或增加的阻尼或刚度，而由第二、相反的对角位置上的两个车轮悬架提供的悬架力被调节，以便提供相对较小的悬架力或减少的阻尼或刚度。当一个第二对角位置中的车轮被与异常路面的相互作用干扰时，这种悬架控制模式允许车辆绕着经过第一对角位置延伸的轴侧滚。这有助于减少车辆侧滚和对车辆的冲击。由第二对角车轮悬架提供的悬架力的大小可以相对于道路轮廓向量w_ROAD的估算值的大小由控制器自动调节，以使道路轮廓向量值的大小越大，第二对角车轮悬架中的悬架力越小。这使在第二对角车轮位置上的车轮悬架能够适应很多种w_ROAD的值。道路轮廓向量w_ROAD的计算值的大小与第二对角车轮悬架处的适当相关联的阻尼或刚度值之间的相关性可以由车辆运行之前的悬架测试确定，并且储存在控制器中或操作性地耦接至控制器的合适的存储器中。

DRC还可以用于增加沿着第一对角位置的两个悬架的浮动空间并减少沿着第二对角位置的两个车轮悬架的浮动空间，从而使车辆能够处理在一个第二对角位置中的车轮遇到的相对较大的干扰。在该方式中，由于车辆绕着第一对角轴侧滚，因此一个第二对角位置中的车轮可以被相对容易地抬起。结合位于一个第二对角位置上的车轮的固有浮动空间的使用，该特征使该车轮能够翻越较大的障碍物。

因此，DRC可以如上文所述将基于悬架力的“对角调节”与基于悬架浮动空间的对角调节结合起来，从而增强控制能力。

三轮支承（TWS）

三轮支承（TWS）为悬架控制方案，其中三轮具有可以支承车辆车身的相对“硬的”悬架设置，而第四车轮具有相对“松弛的”悬架设置。因此，第四车轮可以自由地、相对较高地（且更容易地）抬离地面。TWS可以通过悬架力或浮动空间的适当变化或者通过两种方法的结合来应用。

应用于第四车轮以提供必要的“松弛”的悬架力的大小可以相对于道路轮廓向量w_ROAD的估算值的大小由控制器自动调节，以便道路轮廓向量值大小越大，第四车轮悬架中的悬架力越小。这使第二对角车轮位置上的车轮悬架能够适应很多种w_ROAD的值。道路轮廓向量w_ROAD的估算值的大小与第四车轮悬架的适当关联的阻尼或刚度值之间的相关性可以由车辆运行之前的悬架测试来确定，并且储存在控制器中或操作性地耦接至控制器的合适的存储器中。高级控制/优化方法（例如模型预测控制、自适应控制、模糊控制等）还可以如本领域所公知地用于进一步优化车辆***响应。

曲折操纵控制（ZMC）

ZMC为开环悬架控制方案，其中车辆实行曲折或“蛇形”操纵，以在某时抬起一个前轮，以便翻越障碍物。ZMC结合了转向控制和悬架控制，以获得想要的效果。受控制的转向***通过使第一前轮经由在车轮的方向上突然的急转弯实现的向内转向来抬起第一前轮，而同时使用在抬起的第一车轮处的主动悬架来进一步抬高车轮。在第一次转弯完成并且第一车轮翻越至物体上方之后，转向控制在相反方向上猛然使车辆转弯，以使第二前轮向内转向以将其抬起，而同时第二车轮的受控制的悬架进一步抬起了该车轮。车辆车轮转弯以执行控制指令的角度可以由控制器使用例如车辆速度、路面异常的特性、例如轮距和离地间隙这样的相关的车辆尺寸以及其他相关因素这样的因素来计算。

存在能够以所需的方式控制转向的多种方法和***。这些***中的一些通过施加将车轮从现有的角度转至已知、想要的角度所需的扭矩来将“叠加”或修改应用至现有的转向车轮角度。这种***的一个示例在第6854558号美国专利中公开，其以参考引用的方式全部结合于此。高级控制/优化方法（例如模型预测控制、自适应控制、模糊控制等）还可以如本领域所公知地用于进一步优化车辆***响应。

交变阻尼控制（ADC）

ADC为开环悬架控制方案，其中悬架阻尼正好在事件（例如由悬架支承的车轮遇到减速带）发生之前被调节为一种设置，并且正好在事件发生之后切换至另一种设置。

交变刚度控制（ASC）

ASC为开环悬架控制方案，其中悬架刚度正好在事件发生之前被调节为一种设置，并且在事件发生之后切换至另一种设置，其中调节的量与事件有关。

悬架刚度还可以被不断调节，以使车辆更好地适应道路。

跳跃控制（JC）

JC为开环悬架控制方案，其中悬架被调节，以生成周期性起伏以及俯仰运动，其可以引起车辆表现为好像将要“跳跃”越过例如道路***。

下文说明了上文所述的控制方案可以如何应用于驱动主动悬架***的元件以在车辆的一个或多个车轮遇到一种前文所述的异常路况时改进车辆的操纵、行驶舒适性和安全性的多个示例。在以下情况中，假设车辆将肯定或极有可能遇到异常路况，例如这是因为异常路况周围不存在可转向的路径，或者因为车辆以相对较高的速度行驶，并且驾驶员不大可能能够恰当和/或及时地响应异常路况。

响应于路况类型1（碎片）的主动悬架适应

在该情况下，T(x,y,z)=1并且车辆的一个车轮将遇到尺寸大于那些在正常路况下遇到的的碎片T(x,y,z)=0的相对小块的碎片。在该情况下，碎片具有小于车辆的轮距、底座和离地间隙的尺寸。如果估算方法预测T(x,y,z)=1并且T(x,y,z).严重程度=小，则碎片可以被车辆车轮越过，而不会引起对车辆的明显损伤。位于碎片一侧的、与碎片间隔开的车轮悬架可以调节为适应碎片。更具体地，这些悬架可以被控制，以最小化与碎片碰撞的影响，以最大化驾驶的舒适性，并且以在通过碎片之后立即优化车辆响应。这种优化可以通过使用例如模型预测控制（MPG）、适应性控制、模糊控制等这样的工具来实行。

如果对于异常路段来说，估算器装置预测T(x,y,z)=1并且T(x,y,z).严重程度=中，则可以启动DRC控制，以使中等尺寸的碎片引起车辆绕着经过第二对角车轮位置延伸的轴侧滚，如前文所述，这是响应于与位于一个第一对角车轮位置上的撞击车轮的接触实现的。接触的车轮还可以在与碎片接触之前被抬高，以便减小接触影响的严重程度。

如果估算器装置预测T(x,y,z)=1并且T(x,y,z).严重程度=大，则可以启动ZMC模式，以便防止车轮与碎片接触，或者减小接触影响的严重程度。如果由于缺少异常路况周围的空间导致ZMC模式不可行，则可以实施ADC模式，以使接触碎片的车轮的悬架阻尼将正好在接触碎片之前减小，并且正好在接触碎片之后增加。高级控制/优化方法（例如模型预测控制、自适应控制、模糊控制等）还可以如本领域所公知地用于进一步优化车辆***响应。

响应于路况类型2（***）的主动悬架适应

在该情况下，T(x,y,z)=2，并且前轮可能同时接触具有大于车辆的轮距的宽度、小于车辆的底座的长度以及小于车辆的离地间隙的高度的***。在前轮通过***之后的某个时间，两个后轮将遇到***。如果估算器装置预测T(x,y,z)=2并且T(x,y,z).严重程度=小，则***可以被越过，而不会引起对车辆的明显损伤。在该情况下，车辆悬架***元件将被调节，以优化车辆的动态响应和行驶舒适性。此外，可以实施车辆的阶跃或脉冲响应（step orpulse response）的优化。该优化可以通过使用例如模型预测控制、自适应控制、模糊控制等这样的工具来实行。

如果估算器装置预测T(x,y,z)=2并且T(x,y,z).严重程度=中，将启动ADC和ASC模式。例如，就在车轮接触***之前，前轮主动悬架元件将被调节，以增加悬架的有效刚度、以帮助保持良好的离地间隙。前轮主动悬架元件还将被调节，以减小悬架的有效阻尼、以减少车轮撞击的震动影响。一旦前轮通过***之后，前悬架就将被调节，以增加他们的有效阻尼，以使由于撞击导致的车辆的震动可以被相对快地阻抑掉。后悬架控制将以相同的方式被调节。

如果估算器装置预测T(x,y,z)=2并且T(x,y,z).严重程度=大，并且当前的车辆速度大于预定的阈值，则车辆速度将被降低到预定的限度。悬架调节将实施ZMC或JC控制模式中的一种，力图至少部分减轻由与***接触生成的力。在该情况下，ZMC模式应用了在一个方向上的较小的急转弯来将车轮抬起到***上方，并且接着应用了在相反方向上的另一个这种转弯来将另一个车轮抬起到***上方。同时，悬架可以应用悬架高度管理装置来进一步抬高车轮。

响应于路况类型3（坑洼）的主动悬架适应

在该情况下，T(x,y,z)=3，并且一个车轮将遇到具有小于车辆的轮距的宽度、小于车辆的底座的长度以及小于车辆的离地间隙的深度的中空区域。如果估算器装置预测T(x,y,z)=3并且T(x,y,z).严重程度=小，则左前和右前悬架元件的驱动将被协调为增加耦合的侧滚刚度（roll stiffness coupling）和/或优化悬架响应。在前轮通过坑洼之后，左后和右后悬架的驱动将被协调为增加耦合的侧滚刚度和/或优化后悬架响应。如果估算器装置预测T(x,y,z)=3并且T(x,y,z).严重程度={中或大}，则悬架控制将与SM控制模式结合，以临时将车轮抬起在坑洼上方。可选地，将实施TWS模式，以使三轮保持道路接触并且第四个车轮抬起在坑洼上方。高级控制/优化方法（例如模型预测控制、自适应控制、模糊控制等）可以用于进一步优化车辆***响应。

响应于路况类型4（陡坡）的主动悬架适应

在该情况下，T(x,y,z)=4，并且路面中存在突陷，其具有大于车辆的轮距（横向道路陡坡）的宽度或具有较窄的宽度而大于车辆的底座（纵向道路陡坡，例如道路边沿）的长度。在横向道路陡坡的情况下，前面的两个车轮将陷入陡坡，接着是后面的两个车轮。在道路边沿的情况下，沿着车辆的一侧的车轮将陷入陡坡中。如果对于横向道路陡坡来说估算器装置预测T(x,y,z)=4并且T(x,y,z).严重程度=小，则悬架控制将优化车辆的阶跃响应。如果对于横向道路陡坡来说估算器装置预测T(x,y,z)=4并且T(x,y,z).严重程度={中或大}，则可以实施下文的控制策略。就在前轮遇到横向陡坡之前，前轮悬架将被调节，以增加悬架的有效刚度，以帮助保持足够的离地间隙。同样，前轮悬架将被调节，以减小悬架的有效阻尼，以减少在下降之后车轮接触的震动影响。

此外，一旦前轮通过横向陡坡之后，前悬架就将被调节，以增加他们的有效阻尼系数，以使由于横向陡坡导致的车辆的震动可以被相对快地阻抑掉。后悬架控制将被调节，以便提供类似的效果。该控制方案是ADC与ASC模式的有效结合。高级控制/优化方法（例如MPC（模型预测控制）、自适应控制、模糊控制等）可以用于进一步优化车辆***响应。

响应于路况类型5（粗糙道路）的主动悬架适应

在该情况下，T(x,y,z)=5并且路面具有相对较小级别的不平整度（例如由砾石的存在产生的），其可以给车辆造成高频干扰。基于该种类型的异常的检测，所有车轮悬架的阻尼系数都将增加，并且所有悬架的相对刚度都将减小。如前述实例中，优化可以通过使用例如模型预测控制、适应性控制、模糊控制等这样的工具来实行。

响应于路况类型6（野外）的主动悬架适应

在该情况下，T(x,y,z)=6并且车辆前方的野外地形由于岩石、泥土、未铺砌的表面等导致具有中到大级别的不平整度。基于这种情况的检测，悬架控制将被驱动，以便减小防侧滚刚度，从而允许更好的车轮与道路的接触。这样的作用是为了改进车辆在直线上被驱动且处于相对较高的速度时的牵引。悬架控制还将被驱动，以在每当驾驶员启动例如急转弯这样的激烈操纵时增加防侧滚刚度。此外，行驶舒适性标准将变宽松，以增强野外地形行驶期间的驾驶性能。如前文所述，该优化可以通过使用例如模型预测控制、自适应控制、模糊控制等这样的工具来实行。

响应于路况类型7（障碍物）的主动悬架适应

在该情况下，T(x,y,z)=7并且车辆前方的道路包括具有大于车辆的离地间隙的高度的物体。如果在异常情况周围不存在可转向的路径（例如由于相邻车道的拥挤交通导致的），或者其中车辆在驾驶员可能不能恰当且及时地响应不利情况的情况下以高速被驱动，主动悬架的有效性有限，并且车辆安全性措施，例如通过制动（和/或转向）实现的碰撞减轻将被启动。为了更好地使车辆具有事故避免的响应能力，主动悬架元件根据预定的性能控制设置而被调节，以便考虑到所有可用的驱动器来提供整体优化的响应。

应当理解，本发明的实施例的前述说明只是为了说明的目的。因此，可以通过本领域技术人员的能力对这里所公开的各种结构和操作特征做出多种修改，这些修改均不背离如所附权利要求中所限定的本发明的保护范围。

Claims

1.一种用于生成移动的车辆的前方路面的表示的方法，其特征在于，包含以下步骤：

a)获得在时间n-N的车辆前方距离d2处的路面数据以及与路面数据时间相关的车辆数据；

b)使用数据生成多个表示路面的云向量；以及

c)使用云向量生成含有在时间n-N、距离d2处的路面的表示的临时占用栅格。

2.根据权利要求1所述的方法，其特征在于，还包含以下步骤：

d)获得在时间(n-N+1)的车辆前方距离d2处的路面数据以及与路面数据时间相关的车辆数据；

e)使用新获得的数据来更新表示车辆前方距离d2处的路面的多个云向量；

f)使用更新的云向量来更新临时占用栅格，以使栅格含有在时间(n-N+1)、距离d2处的异常路面的表示；

g)增加一个时间周期的时间；

h)重复步骤d)到g)，直到时间等于n。

3.根据权利要求2所述的方法，其特征在于，还包含以下步骤：识别可用于表示车辆前方的路面的参考部分的多个云向量的云向量。

4.根据权利要求3所述的方法，其特征在于，还包含以下步骤：使用获得的路面数据、计算以临时占用栅格表示的路面的概率密度函数。

5.根据权利要求4所述的方法，其特征在于，还包含以下步骤：使用概率密度函数和获得的路面数据、计算多个云向量中的每个云向量的位置上的估算的路面高度。

6.根据权利要求5所述的方法，其特征在于，还包含以下步骤：获得由车辆悬架与路面的一部分之间的相互作用产生的车辆悬架响应数据，所述路面的一部分由多个云向量的相应部分表示。

7.根据权利要求6所述的方法，其特征在于，还包含以下步骤：初始化一组校正因子，以应用于所选择的那些在对应于多个云向量的位置上计算的路面高度。

8.根据权利要求7所述的方法，其特征在于，还包含以下步骤：使用校正因子的值和所选择的那些在多个云向量的位置上计算的路面高度来估算车辆的左和右前轮所在的路面的估算的高度h_wl’和h_wr’。

9.根据权利要求6所述的方法，其特征在于，还包含以下步骤：使用由车辆悬架与路面的一部分之间的相互作用导致的车辆悬架响应数据来计算表示路面的一部分与路面的参考部分的垂直偏差的道路轮廓向量。

10.根据权利要求9所述的方法，其特征在于，还包含以下步骤：将涉及路面的一部分的信息传送至另一车辆。

11.根据权利要求9所述的方法，其特征在于，还包含以下步骤：将涉及路面的一部分的信息传送至与车辆相关的基础设施。

12.根据权利要求9所述的方法，其特征在于，还包含以下步骤：将涉及路面的一部分的信息传送至云服务器。

13.一种用于控制主动悬架的方法，其特征在于，包含以下步骤：

使用权利要求1-12中任一项所述的方法来确定车辆前方的道路异常的尺寸；

将尺寸与车辆尺寸相比较；

响应于所述比较，将异常归类为多种预定类型中的一种类型；

响应于异常的尺寸，进一步将异常归类为具有多种预定类型中的一种类型的严重程度；以及

响应于类型和严重程度控制悬架。

14.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施对角侧滚控制方案来控制悬架。

15.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施三轮支承控制方案来控制悬架。

16.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施曲折操纵控制(ZMC)方案来控制悬架。

17.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施交变阻尼控制方案来控制悬架。

18.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施交变刚度控制方案来控制悬架。

19.根据权利要求13所述的方法，其特征在于，其中控制悬架的步骤包含：通过实施跳跃控制方案来控制悬架。

20.一种用于计算表示异常路面与平坦路面的垂直偏差的向量的方法，其特征在于，包含以下步骤：

生成包含路面上的位置的栅格；

使用由权利要求1-12中任一项所述的方法获得的表示异常路面的数据来计算每个位置上的估算的道路高度；从车辆前轮与每个位置上的路面之间的相互作用收集数据。