CN109159783A - 一种针对分布式电驱动履带车辆的地面参量估计方法 - Google Patents
一种针对分布式电驱动履带车辆的地面参量估计方法 Download PDFInfo
- Publication number
- CN109159783A CN109159783A CN201810969265.0A CN201810969265A CN109159783A CN 109159783 A CN109159783 A CN 109159783A CN 201810969265 A CN201810969265 A CN 201810969265A CN 109159783 A CN109159783 A CN 109159783A
- Authority
- CN
- China
- Prior art keywords
- ground
- vehicle
- data
- right sides
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/08—Electric propulsion units
- B60W2510/081—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/08—Electric propulsion units
- B60W2510/083—Torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种针对分布式电驱动履带车辆的地面参量估计方法,包括以下步骤,通过离线训练方法,得到行驶路面的地面参量统计学模型;根据采集的车辆信息,利用所述地面参量统计学模型对车辆电机转矩进行预测;建立履带车辆动力学模型,计算得到车辆左、右两侧电机理论转矩,与左、右两侧电机转矩预测结果进行迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。本发明采用的试验数据均为日常跑车数据,数据均可通过整车数据采集***直接得到,通过本发明方法无需过多的试验前准备,就可得到未知的地面参数。
Description
技术领域
本专利涉及无人驾驶车辆领域,尤其涉及一种针对分布式电驱动履带车辆的地面参量估计方法。
背景技术
分布式电驱动履带车辆因其灵活的转向性能受到越来越多研究者的青睐,车辆-地面***的研究更是其中的研究热点。之前关于车辆-地面***的研究主要集中在两方面,一是利用车辆的动力学模型求解车辆的滑动参数,忽略地面参数的求解;二是将大量试验与仿真模型或者实车模型结合求解地面参数,试验前准备较复杂。
发明内容
鉴于上述的分析,本发明旨在提供一种针对分布式电驱动履带车辆的地面参量估计方法,无需过多的试验前准备,得到未知的地面参数。
本发明的目的主要是通过以下技术方案实现的:
一种针对分布式电驱动履带车辆的地面参量估计方法,包括以下步骤:
步骤S1、通过离线训练方法,得到行驶路面的地面参量统计学模型;所述模型的输入量为左、右两侧电机转速以及航向偏差,输出量为受地面约束,与地面参量有关的车辆左、右两侧电机转矩;
步骤S2、根据采集的车辆信息,利用所述地面参量统计学模型对车辆电机转矩进行预测,得到左、右两侧电机转矩T1、T2;
步骤S3、建立履带车辆动力学模型,计算得到车辆左、右两侧电机理论转矩T'1、T'2,并与左、右两侧电机预测结果T1、T2进行迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。
进一步地,步骤S1包括:
步骤S110、采集履带车辆在行驶路面的不同行驶工况的行驶数据;所述行驶工况包括不同速度下的车辆直驶工况、S弯工况、换道工况和定半径转向工况;
步骤S120、提取采集数据中包括电机转速、车辆航向角以及电机转矩信息在内的特征数据;
步骤S130、去除特征数据中的冗余数据并进行中值滤波处理得到左、右侧电机转速、航向偏差、左右侧电机转矩;
步骤S140、进行GMM模型训练,建立地面参量统计学模型。
进一步地,步骤S110的不同行驶工况的数据采集多次进行,得到多组不同行驶工况的采集数据。
进一步地,所述冗余数据包含主要包括车辆静止状态提取的数据。
进一步地,所述建立地面参量统计学模型的步骤如下:
1)随机选取步骤S130得到的不同行驶工况下采集数据的部分数据组成数据集Z,进行K-means聚类;
2)计算Z中所有数据点的轮廓系数求其平均值,选平均轮廓系数最接近1的K值对应的聚类结果作为GMM的初始化参数;
3)利用EM算法对GMM模型进行训练得到地面参量统计学模型,训练后得到地面参量统计学模型的参数包括,高斯分布的权重pi,高斯分布的均值μi和高斯分布的标准差σi。
进一步地,所述步骤S2具体包括:
在线采集车辆在所述行驶路面行驶时,车辆左、右两侧电机转速和航向偏差数据;
将采集数据输入所述地面参量统计学模型进行预测,得到车辆左、右两侧电机转矩T1、T2。
进一步地,所述预测采用高斯混合回归预测方法。
进一步地,所述步骤S3包括:
步骤S310、在线采集车辆在所述行驶路面行驶时,车辆左、右两侧电机转速和转向半径数据;
步骤S320、将采集数据输入履带车辆动力学模型进行左、右电机转矩理论值计算,得到左、右两侧电机的理论转矩T'1、T'2;
步骤S330、利用最小二乘法将得到的左、右两侧电机转矩T1、T2和履带车辆动力学模型输出的左、右两侧电机的理论转矩T'1、T'2进行多次迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。
进一步地,所述左、右两侧电机的理论转矩 式中,f为地面变形阻力系数,G为车重,L为履带接地长,r为主动轮工作半径,B为履带中心距,μ为转向阻力系数。
进一步地,所述最小二乘法迭代计算的停止条件为,(T'1-T1)2+(T'2-T2)2取最小值时。
本发明有益效果如下:
本发明将大量数据与车辆动力学模型结合,基于日常试验数据,提取电机转速、航向偏差、电机转矩作为特征数据,通过高斯混合算法建立地面参量统计学模型;将车辆实际行驶过程中的两侧电机转速以及航向偏差输入地面参量统计学模型中得到电机的预测转矩;将车辆实际行驶过程中的两侧电机转速以及转向半径输入履带车辆的动力学模型中,得到电机的理论转矩,利用最小二乘法使电机预测转矩与理论转矩的误差最小,从而提出一种估计车辆地面参数的方法。本发明采用的试验数据均为日常跑车数据,数据均可通过整车数据采集***直接得到,无需过多的试验前准备。将获得的数据经过训练后建立地面参量统计学模型,结合履带车辆的动力学模型,利用最小二乘法和迭代算法得到公式中未知的地面参数。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中地面参量估计方法流程图;
图2为本发明实施例中履带车辆的动力学模型示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例,公开了一种针对分布式电驱动履带车辆的地面参量估计方法;
如图1所示,包括以下步骤:
步骤S1、通过离线训练方法,得到行驶路面的地面参量统计学模型;
具体包括:
步骤S110、数据采集
采集履带车辆在该路面下不同行驶工况数据,包括不同速度下的车辆直驶工况、S弯工况、换道工况、定半径转向工况等;
特殊的,为排除试验过程中的随机性,对不同行驶工况的每一种工况的数据采集重复进行,得到多组不同行驶工况采集数据。
步骤S120、数据提取
提取采集数据中包括电机转速、车辆航向角以及电机转矩信息在内的特征数据,并且,将下一时刻的航向角减去本时刻的航向角作为本时刻的航向偏差。
步骤S130、滤波处理
去除特征数据中的冗余数据并进行中值滤波处理得到左右两侧电机转速、航向偏差、左右两侧电机转矩;
具体的,在本实施例中,冗余数据主要包括车辆静止状态提取的数据。
上述步骤中的电机转速以及电机转矩数据均为电机控制器的反馈量,航向角由惯性导航***测量得到。
步骤S140、进行GMM模型训练,建立地面参量统计学模型
本发明实施例提出的地面参量统计学模型输入量为左、右两侧电机转速以及航向偏差,输出量为左、右两侧电机转矩。
建立地面参量统计学模型的步骤如下:
1)对经滤波处理后的数据进行聚类
随机选取不同行驶工况下的部分数据组成数据集Z,针对不同的聚类数据集Z,对Z进行多次K-means聚类,对于Z中的数据点i,计算其轮廓系数si,轮廓系数越接近1,说明对于该数据点的聚类结果越合理。
2)得到GMM的初始化参数
计算Z中所有数据点的轮廓系数求其平均值,选平均轮廓系数最接近1的K值对应的聚类结果作为GMM的初始化参数。
3)利用EM算法对GMM模型进行训练
通过EM算法训练得到的GMM模型即为地面参量统计学模型,其参数即为所求的pi、μi、σi;其中,pi为第i个高斯分布的权重,μi为第i个高斯分布的均值,σi为第i个高斯分布的标准差。
建立的地面参量统计学模型可看作在大量试验数据的基础上建立的车辆-地面关系模型,其中的输入量(两侧电机转速)代表车辆***,输出量(两侧电机转矩)受地面约束,与地面参量有关。
通过建立的地面参量统计学模型,得到了与地面参量有关的左、右两侧电机转矩,考虑了地面参量的影响,便于后续对地面参量的提取。
步骤S2、根据采集的车辆信息,利用所述地面参量统计学模型对车辆电机转矩进行预测,得到左、右两侧电机转矩T1、T2;
具体包括,
步骤S210、在线采集车辆***数据
采集的具体数据包括,当前左、右两侧电机转速和航向角;根据航向角计算出航向偏差;
具体的,将采集的下一时刻的航向角减去本时刻的航向角作为本时刻的航向偏差。
步骤S220、将采集数据输入步骤S140建立的地面参量统计学模型进行预测,得到车辆左、右两侧电机转矩T1、T2
特殊的,本发明实施例采用高斯混合回归(GMR)对两侧电机转矩进行预测,得到左、右两侧电机转矩T1、T2;
该左、右两侧电机转矩T1、T2可看作车辆-地面***中车辆在行驶过程中的实际转矩。
通过高斯混合回归(GMR)对两侧电机转矩进行预测计算结果不仅是电机转矩预测值,更是关于履带车辆未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种行驶工况下的电机转矩预测。
步骤S3、建立履带车辆动力学模型,计算车辆左、右两侧电机理论转矩T'1、T'2,和电机转矩的预测结果T1、T2进行迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。
具体包括,
步骤S310、在线采集车辆***数据
所采集的具体数据包括,左、右两侧电机转速和转向半径。
步骤S320、将采集数据输入履带车辆动力学模型进行左、右电机转矩理论值计算;
特殊的,本发明实施例的履带车辆的动力学模型不考虑履带车辆的滑移与滑转特性,并做出如下假设:
1)履带转向时的行驶阻力系数与直驶时的行驶阻力系数相同;
2)履带为不可伸长的均匀柔性带,履带车辆法向符合沿接地段均匀分布,即负荷图形为矩形,横向阻力S和法向负荷G成正比,其比例系数用μ表示,即μ又被叫做转向阻力系数;
3)履带车辆重心在水平面上的投影和车辆平面中心重合;
4)涉及的转向过程为稳态转向,路面为水平路面;
5)不考虑履带的沉陷以及履带侧面的推土效应。
如2图所示,P2为作用在外侧履带接地面上的驱动力,P1为作用在内侧履带接地面上的制动力,R1、R2为地面变形阻力,Sh、Sq为地面横向阻力。在本发明实施例中使用直驶时的地面变形阻力系数代替转向时的地面变形阻力系数,有:
f为地面变形阻力系数,G为车重。
由假设2)不难得出:
转向时的横向阻力矩Mμ为:
L为履带接地长。
履带车辆在稳态转向时,可列出下列平衡方程:
P2-P1=R1+R2 (4)
rP2-T'2=0 (6)
rP1-T'1=0 (7)
T'1、T'2为两侧电机的理论转矩,r为主动轮工作半径,B为履带中心距。
联立上述式子可得到:
步骤S330、利用最小二乘法将步骤S2得到的线预测值和履带车辆动力学模型输出的理论值进行多次迭代运算得到地面参量。
假设根据地面参量统计学模型预测得到的两侧电机转矩分别为T1、T2,联立(8)式、(9)式,利用最小二乘法迭代计算,令(T'1-T1)2+(T'2-T2)2最小即可求得地面变形阻力系数f与转向阻力系数μ。
综上所述,本发明实施例公开的针对分布式电驱动履带车辆的地面参量估计方法,将大量数据与车辆动力学模型结合,基于日常试验数据,提取电机转速、航向偏差、电机转矩作为特征数据,通过高斯混合算法建立地面参量统计学模型;将车辆实际行驶过程中的两侧电机转速以及航向偏差输入地面参量统计学模型中得到电机的预测转矩;将车辆实际行驶过程中的两侧电机转速以及转向半径输入履带车辆的动力学模型中,得到电机的理论转矩,利用最小二乘法使电机预测转矩与理论转矩的误差最小,从而提出一种估计车辆地面参数的方法。本发明实施例采用的试验数据均为日常跑车数据,数据均可通过整车数据采集***直接得到,无需过多的试验前准备。将获得的数据经过训练后建立地面参量统计学模型,结合履带车辆的动力学模型,利用最小二乘法和迭代算法得到公式中未知的地面参数。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种针对分布式电驱动履带车辆的地面参量估计方法,其特征在于,包括以下步骤:
步骤S1、通过离线训练方法,得到行驶路面的地面参量统计学模型;所述模型的输入量为左、右两侧电机转速以及航向偏差,输出量为受地面约束,与地面参量有关的车辆左、右两侧电机转矩;
步骤S2、根据采集的车辆信息,利用所述地面参量统计学模型对车辆电机转矩进行预测,得到左、右两侧电机转矩T1、T2;
步骤S3、建立履带车辆动力学模型,计算得到车辆左、右两侧电机理论转矩T1'、T2',并与左、右两侧电机预测结果T1、T2进行迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。
2.根据权利要求1所述的地面参量估计方法,其特征在于,步骤S1包括:
步骤S110、采集履带车辆在行驶路面的不同行驶工况的行驶数据;所述行驶工况包括不同速度下的车辆直驶工况、S弯工况、换道工况和定半径转向工况;
步骤S120、提取采集数据中包括电机转速、车辆航向角以及电机转矩信息在内的特征数据;
步骤S130、去除特征数据中的冗余数据并进行中值滤波处理得到左、右侧电机转速、航向偏差、左右侧电机转矩;
步骤S140、进行GMM模型训练,建立地面参量统计学模型。
3.根据权利要求2所述的地面参量估计方法,其特征在于,步骤S110的不同行驶工况的数据采集多次进行,得到多组不同行驶工况的采集数据。
4.根据权利要求2或3所述的地面参量估计方法,其特征在于,所述冗余数据包含主要包括车辆静止状态提取的数据。
5.根据权利要求2-4任一所述的地面参量估计方法,其特征在于,
所述建立地面参量统计学模型的步骤如下:
1)随机选取步骤S130得到的不同行驶工况下采集数据的部分数据组成数据集Z,进行K-means聚类;
2)计算Z中所有数据点的轮廓系数求其平均值,选平均轮廓系数最接近1的K值对应的聚类结果作为GMM的初始化参数;
3)利用EM算法对GMM模型进行训练得到地面参量统计学模型,训练后得到地面参量统计学模型的参数包括,高斯分布的权重pi,高斯分布的均值μi和高斯分布的标准差σi。
6.根据权利要求1所述的地面参量估计方法,其特征在于,
所述步骤S2具体包括:
在线采集车辆在所述行驶路面行驶时,车辆左、右两侧电机转速和航向偏差数据;
将采集数据输入所述地面参量统计学模型进行预测,得到车辆左、右两侧电机转矩T1、T2。
7.根据权利要求6所述的地面参量估计方法,其特征在于,所述预测采用高斯混合回归预测方法。
8.根据权利要求1所述的地面参量估计方法,其特征在于,
所述步骤S3包括:
步骤S310、在线采集车辆在所述行驶路面行驶时,车辆左、右两侧电机转速和转向半径数据;
步骤S320、将采集数据输入履带车辆动力学模型进行左、右电机转矩理论值计算,得到左、右两侧电机的理论转矩T1'、T2';
步骤S330、利用最小二乘法将得到的左、右两侧电机转矩T1、T2和履带车辆动力学模型输出的左、右两侧电机的理论转矩T1'、T2'进行多次迭代运算得到包括地面变形阻力系数f和转向阻力系数μ在内的地面参量。
9.根据权利要求8所述的地面参量估计方法,其特征在于,所述左、右两侧电机的理论转矩式中,f为地面变形阻力系数,G为车重,L为履带接地长,r为主动轮工作半径,B为履带中心距,μ为转向阻力系数。
10.根据权利要求8所述的地面参量估计方法,其特征在于,所述最小二乘法迭代计算的停止条件为,(T1'-T1)2+(T2'-T2)2取最小值时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810969265.0A CN109159783B (zh) | 2018-08-23 | 2018-08-23 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810969265.0A CN109159783B (zh) | 2018-08-23 | 2018-08-23 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109159783A true CN109159783A (zh) | 2019-01-08 |
CN109159783B CN109159783B (zh) | 2020-10-09 |
Family
ID=64896589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810969265.0A Active CN109159783B (zh) | 2018-08-23 | 2018-08-23 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109159783B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113135192A (zh) * | 2021-05-20 | 2021-07-20 | 北京理工大学 | 一种能得到估计不确定性的履带车辆滑移率估计方法 |
CN116702096A (zh) * | 2023-08-04 | 2023-09-05 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103407451A (zh) * | 2013-09-03 | 2013-11-27 | 东南大学 | 一种道路纵向附着系数估计方法 |
CN104236932A (zh) * | 2014-09-22 | 2014-12-24 | 中国北方车辆研究所 | 一种测试履带车辆转向性能的方法 |
CN106019195A (zh) * | 2016-07-22 | 2016-10-12 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断*** |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
US20170249844A1 (en) * | 2016-02-25 | 2017-08-31 | Ford Global Technologies, Llc | Autonomous probability control |
CN107235045A (zh) * | 2017-06-29 | 2017-10-10 | 吉林大学 | 考虑生理与操控信息的驾驶员路怒状态车载识别交互*** |
US20180066753A1 (en) * | 2016-09-07 | 2018-03-08 | Ford Global Technologies, Llc | Torque Convrter Clutch Engagement Pressure |
CN107953888A (zh) * | 2017-11-29 | 2018-04-24 | 北京经纬恒润科技有限公司 | 一种道路类型识别方法及*** |
CN108099908A (zh) * | 2017-12-07 | 2018-06-01 | 浙江工业大学 | 一种车辆自适应巡航优化控制计算方法 |
-
2018
- 2018-08-23 CN CN201810969265.0A patent/CN109159783B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103407451A (zh) * | 2013-09-03 | 2013-11-27 | 东南大学 | 一种道路纵向附着系数估计方法 |
CN104236932A (zh) * | 2014-09-22 | 2014-12-24 | 中国北方车辆研究所 | 一种测试履带车辆转向性能的方法 |
US20170249844A1 (en) * | 2016-02-25 | 2017-08-31 | Ford Global Technologies, Llc | Autonomous probability control |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106019195A (zh) * | 2016-07-22 | 2016-10-12 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断*** |
US20180066753A1 (en) * | 2016-09-07 | 2018-03-08 | Ford Global Technologies, Llc | Torque Convrter Clutch Engagement Pressure |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
CN107235045A (zh) * | 2017-06-29 | 2017-10-10 | 吉林大学 | 考虑生理与操控信息的驾驶员路怒状态车载识别交互*** |
CN107953888A (zh) * | 2017-11-29 | 2018-04-24 | 北京经纬恒润科技有限公司 | 一种道路类型识别方法及*** |
CN108099908A (zh) * | 2017-12-07 | 2018-06-01 | 浙江工业大学 | 一种车辆自适应巡航优化控制计算方法 |
Non-Patent Citations (1)
Title |
---|
方志强 等: "一种测定履带车辆行驶地面性质参数的新方法", 《兵工学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113135192A (zh) * | 2021-05-20 | 2021-07-20 | 北京理工大学 | 一种能得到估计不确定性的履带车辆滑移率估计方法 |
CN116702096A (zh) * | 2023-08-04 | 2023-09-05 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
CN116702096B (zh) * | 2023-08-04 | 2023-10-03 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109159783B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102371995B (zh) | 用于控制运动物体的速度的设备 | |
CN102167041B (zh) | 一种基于加速度传感器的车辆行驶状态的判定方法 | |
CN106596135B (zh) | 一种纯电动汽车实际行驶能耗测试、评价和预测方法 | |
CN112533775B (zh) | 胎面磨损监测***和方法 | |
CN109177979A (zh) | 评估乘车舒适度的数据处理方法、装置及可读存储介质 | |
CN107000755A (zh) | 用于估计影响车辆动力学的变量的方法和对应的虚拟传感器 | |
CN109784560A (zh) | 一种电动汽车续航里程估算方法及估算*** | |
CN103661395A (zh) | 动态道路坡度估计 | |
CN104354700A (zh) | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 | |
CN103661393A (zh) | 运动学道路坡度估计 | |
CN103661352A (zh) | 静态道路坡度估计 | |
CN106828503A (zh) | 一种驾驶员制动行为及状态实时辨识方法 | |
CN107247234A (zh) | 一种车用动力电池的soc实时在线估计方法及*** | |
US9168906B2 (en) | Method of analyzing stopping distance performance efficiency | |
Yang et al. | FE-based tire loading estimation for developing strain-based intelligent tire system | |
CN109159783A (zh) | 一种针对分布式电驱动履带车辆的地面参量估计方法 | |
CN108304594B (zh) | 一种基于速度与陀螺仪数据的汽车驾驶稳定性的判定方法 | |
JP2011149879A (ja) | タイヤの使用条件評価方法及び装置、並びにタイヤの摩耗予測方法及び装置 | |
CN109872415A (zh) | 一种基于神经网络的车速估计方法及*** | |
DE102012224420A1 (de) | Verfahren und System für das Messen des Neigungswinkels während des Abbiegens eines Fahrzeugs | |
JP2014232497A5 (zh) | ||
CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
CN109190153A (zh) | 一种能耗计算方法及其*** | |
Andriaminahy et al. | Comparative study of vehicle aerodynamic and rolling resistance coefficients estimation methods | |
CN113340392B (zh) | 基于加速度传感器的车辆载重检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |