CN114212074A - 基于路面附着系数估计的车辆主动转向防侧翻控制方法 - Google Patents
基于路面附着系数估计的车辆主动转向防侧翻控制方法 Download PDFInfo
- Publication number
- CN114212074A CN114212074A CN202210159710.3A CN202210159710A CN114212074A CN 114212074 A CN114212074 A CN 114212074A CN 202210159710 A CN202210159710 A CN 202210159710A CN 114212074 A CN114212074 A CN 114212074A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- adhesion coefficient
- active steering
- road
- rollover
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000000126 substance Substances 0.000 claims description 16
- 239000000725 suspension Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 101100379081 Emericella variicolor andC gene Proteins 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101100001671 Emericella variicolor andF gene Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
-
- 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
- B60W40/064—Degree of grip
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
- B60W30/04—Control of vehicle driving stability related to roll-over prevention
- B60W2030/043—Control of vehicle driving stability related to roll-over prevention about the roll axis
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了基于路面附着系数估计的车辆主动转向防侧翻控制方法,通过神经网络卷积模块提取摄像头采集的路面图像的颜色和纹理特征,实现路面的分类,再基于路面类型和附着系数之间的映射关系计算不同路面下的附着系数初始值;根据轮胎动力学模型设计路面附着系数高增益观测器,路面变化时用附着系数初始值,初始化高增益观测器实现路面附着系数估计的快速收敛;最后根据观测的实时路面附着系数搭建主动转向防侧翻控制器的线性变参数模型,基于模型设计主动转向防侧翻模型预测控制器,降低车辆在极限工况下的侧翻风险,提高车辆的驾驶安全性。本发明在防侧翻控制中引入轮胎‑路面附着系数的实时估计量,能有效提高车辆防侧翻的控制效果。
Description
技术领域
本发明属于车辆主动安全控制技术领域,尤其涉及一种基于路面附着系数估计的车辆主动转向防侧翻控制方法。
背景技术
货车、卡车和运动型多用途车(SUVs)由于重心较高,高速运动时转弯幅度稍大就会导致车身失去稳定,发生侧翻,造成严重的安全事故。车辆侧翻事故的致死率相比于其他交通事故更高。近年来,车辆防侧翻控制研究越来越受到国内外学者的关注。
为了降低车辆侧翻事故的发生,有国外机构提出了所有新车的防侧翻评价等级,成为了新车评估程序的一部分。汽车行业为了满足防侧翻等级指标,在重心较高的车辆上通常配备了用于防止侧翻的控制***,主要包括完全制动防侧翻控制,前轮制动防侧翻控制,差动制动防侧翻控制和主动转向防侧翻控制等。
专利申请公开号CN113753026A,针对营运车辆防侧翻决策方法缺乏路面条件适应性和准确性的问题,公开了一种考虑路面附着条件的大型营运车辆防侧翻决策方法,能够为驾驶员提供节气门开度、制动踏板开度、方向盘转角控制量等精确量化的驾驶建议,且能够适应不同的路面附着条件,提高了大型营运车辆防侧翻决策方法的准确性和适应性。专利申请公开号CN113147735A,针对现有分布驱动电动汽车的差动制动防侧翻控制在实施过程中未能充分考虑路面附着系数对防侧翻控制效果的影响,且存在单独实施差动制动控制会造成车辆行驶速度损耗的技术问题,提供了一种差动制动/驱动协调防侧翻控制***及其控制方法,充分考虑了路面附着系数对差动制动防侧翻控制效果的影响,对于提升车辆的行驶安全性有重要研究意义。
专利申请公开号CN113619564A,针对智能工厂内的无人搬运车,由于搬运货物时质心较高,在斜坡上行驶时车身及货物质心变化会造成侧翻的问题,公开了一种无人搬运车主动防侧翻控制方法,采用联合主动转向和负载平台质心调整的防侧翻控制策略,有效降低了无人搬运车在斜坡及因货物堆积高质心下造成的无人车侧翻现象。专利申请公开号CN111891118A,针对四轮独立驱动车辆在某些极限工况下的侧翻风险的问题,提供了基于模型预测控制算法的电动汽车防侧翻控制方法,能根据当检测到车辆的翻车指数与设定阈值的比较结果进行对应的操作,以降低四轮独立驱动车辆在某些极限工况下的侧翻风险,提高车辆的驾驶安全性。
主动转向技术是在驾驶员转向的基础上,通过产生一个额外的转角来调节车轮转角。车轮转角改变的同时也改变了轮胎的侧向力,使车辆的侧翻倾向减少,从而达到车辆稳定行驶的目的。路面附着系数直接影响着轮胎可以提供的作用力,是影响主动转向防侧翻控制效果的关键参数。而现阶段基于路面附着系数估计的防侧翻控制方法较少,一方面是因为路面附着系数估计较为复杂,另一方面在路面附着系数发生变化时,要求较快的收敛速度。以上困难限制了基于路面附着系数估计的防侧翻控制的研究,致使主动转向防侧翻控制方法不能达到更好的效果。
因此,急需一种快速收敛的路面附着系数估计方法来提高防侧翻控制的效果,降低车辆在某些极限工况下的侧翻风险,提高车辆的驾驶安全性。
发明内容
为了解决路面附着系数估计研究较少,主动转向防侧翻控制效果难以提升的问题,本发明提出一种基于路面附着系数估计的主动转向防侧翻控制方法,通过车辆摄像头获取路面信息,经过神经网络对路面进行分类,根据路面类型和路面附着系数映射关系得到附着系数估计值,然后用此估计值初始化路面附着系数估计器来加速观测器的收敛,最后基于估计得到的路面附着系数进行主动转向防侧翻模型预测控制器的设计,实现较好的防侧翻控制效果。本发明的具体技术方案如下:
基于路面附着系数估计的车辆主动转向防侧翻控制方法,包括以下步骤:
S1:基于图像信息进行路面类型识别,计算路面附着系数初始值;具体过程为:
S1-1:基于车载摄像头获取车辆行驶路面的图像信息,使用神经网络提取路面图像的颜色特征和纹理特征,并实现路面的分类;
S1-2:通过路面类型和附着系数之间的映射关系计算不同路面附着系数的初始值;
S2:根据车轮的动力学模型,建立高增益观测器对路面附着系数进行实时估计;路面发生变化时,利用步骤S1得到的路面附着系数初始值,对高增益观测器进行初始化,加快高增益观测器的收敛速度;
S3:根据步骤S2得到的路面附着系数建立主动转向防侧翻模型预测控制器的线性变参数模型;
S4:基于车辆的状态反馈信号和步骤S3建立的主动转向防侧翻模型预测控制器的线性变参数模型,对待预测时域状态进行预测,然后根据预测信息建立目标函数,运用Casadi优化求解器优化目标函数,求解主动转向防侧翻模型预测控制器的控制序列,用于主动转向防侧翻控制。
进一步地,所述步骤S2中的高增益观测器为:
其中,ω为车轮角速度,为对车轮角速度的观测值,为车轮角速度观测值的导数,λ为轮胎滑移率,为路面附着系数估计值,T m 为车轮被施加的驱动或制动力矩,I ω 为车轮等效转动惯量,F zi 为第i个车轮的垂直载荷, R为车轮半径,β为观测器增益系数。
进一步地,所述步骤S3中的主动转向防侧翻模型预测控制器的线性变参数模型用于描述车辆的侧向、横摆和滚转运动,所述模型包括一个二自由度的自行车模型和一自由度的滚转模型:
其中,
选取状态向量,输出向量,u为主动转向防侧翻模型预测控制器的输入,w为干扰输入,v x 和v y 分别表示纵向和横向速度,C f 和C r 分别表示前轮和后轮侧偏刚度,J zz 表示车辆横摆惯性矩,J xx 表示车辆滚转惯性矩,l f 和l r 分别表示前轴和后轴到质心的距离,Ψ表示车辆横摆角,表示横摆角速度,Ф表示车辆滚转角,k表示悬架弹簧刚度,c表示悬架阻尼系数,m表示车辆质量,g=9.8m/s 2表示重力加速度,h是车辆质心高度,l s 表示左右悬架之间的距离,LTR为瞬态负载转移率。
进一步地,所述步骤S4中的目标函数为:
其中, J为目标函数,t为积分起始时间,t p 为预测时域,τ为积分时间变量,y(τ)为τ时刻的预测输出,y d 为期望输出,Q 1为输出量的权重矩阵,Q 2为控制量的权重矩阵,u(τ)为τ时刻的控制量,u(τ)T为τ时刻的控制量的转置。
本发明的有益效果在于:
1.本发明可以有效的提高路面附着系数估计的效率,减少路面附着系数的估计时间;
2.本发明在防侧翻控制中引入了轮胎-路面附着系数的实时估计量,能有效提高车辆防侧翻的控制效果;
3.本发明可以有效地减少侧翻事故的发生率,提高汽车行驶的安全性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:
图1为本发明的基于路面附着系数估计的车辆主动转向防侧翻控制方法的流程示意图;
图2为本发明基于路面附着系数估计的车辆主动转向防侧翻控制方法的结构示意图;
图3为本发明的极限学习机的网络结构图;
图4为本发明的基于图像信息实现路面分类的AlexNet卷积神经网络结构图;
图5为本发明的车辆单轨动力学模型结构示意图;
图6为本发明的车辆滚转动力学模型结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1-2所示,本发明提供了一种基于路面附着系数估计的车辆主动转向防侧翻控制方法,适用于不同车辆主动安全防侧翻控制。通过车轮动力学模型设计附着系数高增益观测器,并基于附着系数估计值搭建侧向、横摆和侧翻三自由度线性变参数模型进行控制器设计。
路面附着系数是车辆***的关键参数,决定着车辆轮胎的纵向力和侧向力大小,直接影响着主动转向防侧翻控制***的效果。本专利利用道路图像与粘附系数之间的映射关系,加快了具有先验信息的动态估计器的收敛速度,从而提高了轮胎-路面附着系数估计算法的实时性和精度。
以如图4所示的AlexNet卷积神经网络提取路面图像的颜色特征和纹理特征,基于图像信息进行路面类型识别,实现不同路面的分类。从图4看出,该卷积神经网络共包含五个卷积层、三个池化层和一个基于极限学习机的全连接输出层,其中,前两个卷积层用于提取路面图像的颜色和纹理特征,后三个卷积层用于提取路面图像的更深层信息。
为了能够提取路面图片中精确的图像特征,结合均值池化对细节的特征表现出更好的鲁棒性,最大值池化则表现出平移不变形优势,将如下形式的池化方式加入到AlexNet网络结构中:
其中,i p 表示图像中N个像素点的第p个像素点,p表示该点在滑动窗口中的方位。
输出层采用全连接层加上图3所示的极限学习机网络的结构实现图像分类,极限学习机的目标函数为:
其中,H为神经网络隐含层的输出矩阵;O为期望输出,γ为隐含层到输出层的权值。
h(a)=g(W∙a+b)
根据统计经验值,建立道路材料与粘附系数之间的映射关系,然后根据路面类型的分类结果计算路面附着系数的初始值。
车轮的动力学模型为:
其中,ω为车轮角速度,为车轮角速度的导数,T m 为车轮被施加的驱动或制动力矩,I ω 为车轮等效转动惯量,λ为轮胎滑移率,μ(λ)表示不同滑移率下的路面附着系数,R表示车轮半径,F zi 表示第i个车轮的垂直载荷,由下式计算:
其中,m表示车辆质量;g=9.8m/s 2表示重力加速度;h是车辆质心高度;l表示车辆轴距;l zi 表示第i个车轮轴到质心的距离;a x 表示纵向加速度。
基于车轮动力学模型,设计高增益观测器对路面附着系数进行估计:
当路面发生变化时,基于神经网络得到的路面附着系数初始值,对高增益观测器进行初始化,根据先验知识可以加快估计器的收敛速度和精度,提高路面附着系数估计算法的实时性和精度。
根据图5所示的车辆单轨动力学模型和图6所示的车辆滚转动力学模型,考虑车辆的横摆、侧向和滚转三个自由度建立面向控制的线性变参数***模型。具体为:
车辆侧向动力学微分方程为:
车辆横摆角速度动力学微分方程为:
车辆滚转动力学微分方程为:
侧向加速度a y 为:
前、后轮的轮胎侧向力F yf 和F yr 分别为:
F yf = C f α f ;F yr = C r α r (13)
前、后轮侧偏角α f 和α r 分别为:
其中,v x 和v y 分别表示纵向和横向速度;C f 和C r 分别表示前轮和后轮侧偏刚度;F yf 和F yr 分别表示前轮和后轮侧向力;J zz 表示车辆横摆惯性矩;J xx 表示车辆滚转惯性矩;l f 和l r 分别表示前轴和后轴到质心的距离;Ψ表示车辆横摆角;Ф表示车辆滚转角;δ表示转向角;k表示悬架弹簧刚度;c表示悬架阻尼系数。
在车轮运动过程中,侧偏刚度会发生变化,根据路面附着系数和侧偏刚度的映射关系以及观测器估计得到的路面附着系数,得到前后轮的侧偏刚度:
考虑车辆的滚转运动,瞬态负载转移率LTR为:
假设转向角δ和滚转角Ф很小,基于小角度假设对上述动力学模型进行线性化,得到主动转向防侧翻模型预测控制器的线性变参数模型:
其中,
根据建立的主动转向防侧翻模型预测控制器的线性变参数模型,设计主动转向防侧翻模型预测控制器,在保证驾驶员期望横摆角速度的同时,通过附加转向角实现车辆防侧翻控制。因此,主动转向防侧翻模型预测控制器的目标函数为:
其中,J表示模型预测控制器的优化目标函数;t p 表示预测时域;t表示积分起始时间;τ为积分时间变量;Q 1表示输出量的权重矩阵;Q 2表示控制量的权重矩阵;表示期望的输出值,表示期望的横摆角速度,α是常值增益系数,u(τ)表示为τ时刻的控制量。
根据车辆执行器的物理约束,可以将模型预测控制优化求解的***控制量约束表示为:
δ min ≤δ d +δ c ≤δ max (19)
输出约束表示为:
-1≤LTR≤1 (20)
其中,δ min 为转向角的最小值,δ max 为转向角的最大值;
根据目标函数,在满足式(19)和(20)约束的前提下,调用Casadi优化求解器对优化问题进行求解,得到当前时刻的控制序列,并将控制序列的第一个元素传递给转向执行器实现主动转向防侧翻控制。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于路面附着系数估计的车辆主动转向防侧翻控制方法,其特征在于,包括以下步骤:
S1:基于图像信息进行路面类型识别,计算路面附着系数初始值;具体过程为:
S1-1:基于车载摄像头获取车辆行驶路面的图像信息,使用神经网络提取路面图像的颜色特征和纹理特征,并实现路面的分类;
S1-2:通过路面类型和附着系数之间的映射关系计算不同路面附着系数的初始值;
S2:根据车轮的动力学模型,建立高增益观测器对路面附着系数进行实时估计;路面发生变化时,利用步骤S1得到的路面附着系数初始值,对高增益观测器进行初始化,加快高增益观测器的收敛速度;
S3:根据步骤S2得到的路面附着系数,建立主动转向防侧翻模型预测控制器的线性变参数模型;
S4:基于车辆的状态反馈信号和步骤S3建立的主动转向防侧翻模型预测控制器的线性变参数模型,对待预测时域状态进行预测,然后根据预测信息建立目标函数,运用Casadi优化求解器优化目标函数,求解主动转向防侧翻模型预测控制器的控制序列,用于主动转向防侧翻控制。
3.根据权利要求1或2所述的基于路面附着系数估计的车辆主动转向防侧翻控制方法,其特征在于,所述步骤S3中的主动转向防侧翻模型预测控制器的线性变参数模型用于描述车辆的侧向、横摆和滚转运动,所述模型包括一个二自由度的自行车模型和一自由度的滚转模型:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159710.3A CN114212074B (zh) | 2022-02-22 | 2022-02-22 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159710.3A CN114212074B (zh) | 2022-02-22 | 2022-02-22 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114212074A true CN114212074A (zh) | 2022-03-22 |
CN114212074B CN114212074B (zh) | 2022-04-29 |
Family
ID=80709182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159710.3A Active CN114212074B (zh) | 2022-02-22 | 2022-02-22 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114212074B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541066A (zh) * | 2024-01-09 | 2024-02-09 | 巨野金牛车业有限公司 | 一种自卸半挂车侧翻评价指标及评价方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6508102B1 (en) * | 1999-08-26 | 2003-01-21 | Aisin Seiki Co., Ltd. | Near real-time friction estimation for pre-emptive vehicle control |
US20150284006A1 (en) * | 2014-04-03 | 2015-10-08 | The Goodyear Tire & Rubber Company | Road surface friction and surface type estimation system and method |
CN108099902A (zh) * | 2017-12-18 | 2018-06-01 | 长春工业大学 | 一种体现汽车非线性特性的横摆稳定性控制方法 |
CN108622101A (zh) * | 2018-05-09 | 2018-10-09 | 南京航空航天大学 | 一种汽车转向工况下的路面附着系数估计方法 |
CN108944866A (zh) * | 2018-07-06 | 2018-12-07 | 长春工业大学 | 一种改善转向与制动协同控制的自适应模型预测控制算法 |
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
CN112346337A (zh) * | 2020-09-15 | 2021-02-09 | 吉林大学 | 极限工况下基于后轮主动转向的车辆稳定性控制方法 |
CN113460056A (zh) * | 2021-08-03 | 2021-10-01 | 吉林大学 | 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法 |
WO2022027753A1 (zh) * | 2020-08-03 | 2022-02-10 | 北京理工大学 | 基于路面附着系数识别的整车动态性能控制方法及*** |
CN114043986A (zh) * | 2021-08-20 | 2022-02-15 | 东南大学 | 一种考虑质量失配的轮胎路面附着系数多模型融合估计方法 |
-
2022
- 2022-02-22 CN CN202210159710.3A patent/CN114212074B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6508102B1 (en) * | 1999-08-26 | 2003-01-21 | Aisin Seiki Co., Ltd. | Near real-time friction estimation for pre-emptive vehicle control |
US20150284006A1 (en) * | 2014-04-03 | 2015-10-08 | The Goodyear Tire & Rubber Company | Road surface friction and surface type estimation system and method |
CN108099902A (zh) * | 2017-12-18 | 2018-06-01 | 长春工业大学 | 一种体现汽车非线性特性的横摆稳定性控制方法 |
CN108622101A (zh) * | 2018-05-09 | 2018-10-09 | 南京航空航天大学 | 一种汽车转向工况下的路面附着系数估计方法 |
CN108944866A (zh) * | 2018-07-06 | 2018-12-07 | 长春工业大学 | 一种改善转向与制动协同控制的自适应模型预测控制算法 |
CN109466558A (zh) * | 2018-10-26 | 2019-03-15 | 重庆邮电大学 | 一种基于ekf和bp神经网络的路面附着系数估计方法 |
WO2022027753A1 (zh) * | 2020-08-03 | 2022-02-10 | 北京理工大学 | 基于路面附着系数识别的整车动态性能控制方法及*** |
CN112346337A (zh) * | 2020-09-15 | 2021-02-09 | 吉林大学 | 极限工况下基于后轮主动转向的车辆稳定性控制方法 |
CN113460056A (zh) * | 2021-08-03 | 2021-10-01 | 吉林大学 | 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法 |
CN114043986A (zh) * | 2021-08-20 | 2022-02-15 | 东南大学 | 一种考虑质量失配的轮胎路面附着系数多模型融合估计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541066A (zh) * | 2024-01-09 | 2024-02-09 | 巨野金牛车业有限公司 | 一种自卸半挂车侧翻评价指标及评价方法 |
CN117541066B (zh) * | 2024-01-09 | 2024-03-29 | 巨野金牛车业有限公司 | 一种自卸半挂车侧翻评价指标及评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114212074B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
US11364895B2 (en) | Yaw motion control method for four-wheel distributed vehicle | |
CN109144076B (zh) | 一种多车辆横纵向耦合协同控制***及控制方法 | |
CN109522666B (zh) | 一种分布式电动汽车稳定性控制方法 | |
CN107380161B (zh) | 一种辅助驾驶员实现理想行驶轨迹的主动转向控制装置 | |
CN101054092B (zh) | 基于驾驶员工作负荷的车辆稳定性增强控制 | |
CN110606079B (zh) | 一种分层控制的车辆防侧翻方法及多轴分布式驱动车辆 | |
Boada et al. | Integrated control of front-wheel steering and front braking forces on the basis of fuzzy logic | |
CN113753034B (zh) | 一种考虑路面附着条件的大型营运车辆防碰撞决策方法 | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
CN109131312A (zh) | 一种智能电动汽车acc/esc集成控制***及其方法 | |
CN113721606B (zh) | 跟随式自动驾驶物流车辆控制***及方法 | |
CN110901630A (zh) | 一种半挂汽车列车横向稳定性控制方法及*** | |
CN1882464B (zh) | 车体运动实现方法及装置 | |
WO2022134929A1 (zh) | 一种确定车辆质量方法、装置、设备及介质 | |
CN114212074B (zh) | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制***与方法 | |
CN115534938A (zh) | 一种基于附加横摆力矩的人机共驾汽车紧急避撞控制方法及*** | |
CN115520176A (zh) | 一种基于afs和dyc的轮毂式电动汽车协调控制方法 | |
CN116039672A (zh) | 一种面向自动驾驶决策控制功能的数据-模型后端融合方法 | |
CN115042770A (zh) | 一种基于分布式鲁棒模型预测的车辆队列横向控制方法 | |
Sun et al. | Lap time optimization and path following control for 4WS & 4WID autonomous vehicle | |
Guo et al. | Integrated control of variable torque distribution and electronic stability program based on slip angle phase | |
CN113954876B (zh) | 智能汽车纵横向整体反馈线性化控制方法 | |
Vantsevich et al. | Control of the wheel driving forces as the basis for controlling off-road vehicle dynamics |
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 |