CN115959140A - 基于卡尔曼滤波的车辆纵向阻力获取方法、装置及车辆 - Google Patents

Abstract

本发明涉及自动驾驶技术领域，具体提供一种基于卡尔曼滤波的车辆纵向阻力获取方法、装置、介质及车辆，旨在解决如何对自动驾驶车辆的整车纵向阻力进行精确估计的问题。为此目的，本发明在预测阶段构建车辆整车纵向阻力的状态表示，根据状态表示相关的动力学模型构建过程模型，基于过程模型获取当前时刻的整车纵向阻力的状态表示的预测值；在更新阶段根据预设条件，选择性地将预测值和当前时刻整车纵向阻力的状态表示的观测值进行融合，更新整车纵向阻力的状态表示的预测值，获得当前时刻的整车纵向阻力，为辅助驾驶***提供纵向动力学的重要参考信息，辅助自动驾驶的决策和控制过程。

Description

基于卡尔曼滤波的车辆纵向阻力获取方法、装置及车辆

技术领域

本发明涉及自动驾驶技术领域，具体提供一种基于卡尔曼滤波的车辆纵向阻力获取方法、装置、介质及车辆。

背景技术

高级辅助驾驶功能越来越受到大家的关注，而且其使用的场景也随着传感器和信息技术的进步而不断增加，其功能体验也在不断提升。随着辅助驾驶覆盖场景的拓展，在低速纵向控制上，会遇到越来越多的纵向扰动，例如减速带、路面坑洼、换电站V槽、台阶车位等。对这些纵向扰动带来的整车纵向阻力进行精确估计，将直接影响到辅助驾驶***的控制效果。

相应地，本领域需要一种新的自动驾驶车辆的整车纵向阻力获取方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何对自动驾驶车辆的整车纵向阻力进行精确估计的问题。

在第一方面，本发明提供一种基于卡尔曼滤波的车辆纵向阻力获取方法，所述方法包括：

预测阶段：

构建车辆整车纵向阻力的状态表示；

基于所述状态表示相关的动力学模型构建过程模型；

基于所述过程模型获取当前时刻的整车纵向阻力的状态表示的预测值；

更新阶段：

基于预设条件，选择性地将所述预测值和获取的当前时刻的整车纵向阻力的状态表示的观测值融合，更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述状态表示包括整车纵向阻力和质心纵向速度；

所述动力学模型为车辆纵向动力学模型。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述状态表示还包括主减速器的输出轴转速和轮胎纵向力；

所述动力学模型还包括电轴纵向动力学模型。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述过程模型中的控制变量为车辆的主减速器的输出轴转矩。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述观测值包括主减速器的输出轴转速和质心纵向速度。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述方法还包括：

分别获取所述输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度；

将所述输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度分别与对应的梯度阈值进行比较；

当所述输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度均大于对应的梯度阈值时，将获取的当前时刻的整车纵向阻力的状态表示的观测值以较低的滤波截至频率进行低通滤波处理，以降低所述更新的速度，否则以较高的滤波截至频率进行低通滤波处理，以提高所述更新的速度。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述基于预设条件，选择性地将所述预测值和获取的当前时刻的整车纵向阻力的状态表示的观测值融合，更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力，包括：

判断所述车辆的机械制动是否介入；

若是，使用上一时刻更新后的预测值作为当前时刻更新后的预测值，以得到当前时刻的整车纵向阻力；和/或

若否，使用融合后的结果更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述机械制动介入的判断条件为：

所述车辆的制动踏板开度大于预设开度；或，

所述车辆的制动压力大于预设压力值；或，

所述车辆的底盘制动***自动介入。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述方法还包括：

获取所述机械制动介入后的制动距离；

当所述制动距离大于预设距离时，将所述当前时刻更新后的预测值清零。

在上述基于卡尔曼滤波的车辆纵向阻力获取方法的一个技术方案中，所述获取的当前时刻的整车纵向阻力的状态表示的观测值是通过对输入的整车纵向阻力状态表示的观测值进行低通滤波以使得所述观测值相位对齐后得到的。

在第二方面，提供一种控制装置，该控制装置包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述基于卡尔曼滤波的车辆纵向阻力获取方法的技术方案中任一项技术方案所述的基于卡尔曼滤波的车辆纵向阻力获取方法。

在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述基于卡尔曼滤波的车辆纵向阻力获取方法的技术方案中任一项技术方案所述的基于卡尔曼滤波的车辆纵向阻力获取方法。

在第四方面，提供一种车辆，所述车辆包括控制装置技术方案中的控制装置。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

在实施本发明的技术方案中，本发明在预测阶段，构建车辆整车纵向阻力的状态表示，并根据状态表示相关的动力学模型构建过程模型，基于过程模型获取当前时刻的整车纵向阻力的状态表示的预测值；在更新阶段，根据预设条件，选择性地将预测值和当前时刻整车纵向阻力的状态表示的观测值进行融合，以更新整车纵向阻力的状态表示的预测值，从而获得当前时刻的整车纵向阻力。通过上述配置方式，本发明能够基于卡尔曼滤波对车辆当前时刻的整车纵向阻力进行准确估计，从而为辅助驾驶***提供纵向动力学的重要参考信息，辅助自动驾驶的决策和控制过程。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：

图1是根据本发明的一个实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的主要步骤流程示意图；

图2是根据本发明实施例的一个实施方式的基于卡尔曼滤波的车辆纵向阻力获取方法的主要组成架构示意图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

参阅附图1，图1是根据本发明的一个实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的主要步骤流程示意图。如图1所示，本发明实施例中的基于卡尔曼滤波的车辆纵向阻力获取方法主要包括下列步骤S101-步骤S102。

步骤S101：预测阶段：

步骤S1011：构建车辆的整车纵向阻力的状态表示。

步骤S1012：基于状态表示相关的动力学模型构建过程模型。

步骤S1013：基于过程模型获取当前时刻的整车纵向阻力的状态表示的预测值。

在本实施例中，在卡尔曼滤波的预测阶段，可以构建车辆的整车纵向阻力的状态表示，基于状态表示相关的动力学模型构建卡尔曼滤波的过程模型，并基于过程模型来获取当前时刻车辆整车纵向阻力的状态表示的预测值。其中，状态表示为卡尔曼滤波过程中需要估计的状态参数。过程模型是基于上一时刻更新后的预测值对当前时刻的预测值进行估计的模型。

一个实施方式中，状态表示可以包括整车纵向阻力和质心纵向速度；动力学模型可以为车辆纵向动力学模型。

一个实施方式中，状态表示还可以包括主减速器的输出轴转速和轮胎纵向力；动力学模型还可以包括电轴纵向动力学模型。

一个实施方式中，过程模型中的控制变量可以为主减速器的输出轴转矩。其中，输出轴转矩可以通过转矩传感器测量获得。

一个实施方式中，主减速器可以包括前主减速器和后主减速器。输出轴转速可以包括前主减速器输出轴转速和后主减速器输出轴转速。输出轴转矩可以包括前主减速器输出轴转矩和后主减速器输出轴转矩。轮胎纵向力可以包括前轮胎纵向力和后轴轮胎纵向力。

一个实施方式中，可以根据以下公式（1）至（6）来获取车辆纵向动力学模型和电轴纵向动力学模型组成的动力学模型：

    (1)

    (2)

    (3)

    (4)

    (5)

    (6)

其中，为前主减速器输出轴转矩，驱动为正，单位为Nm；为后主减速器输出轴转矩，驱动为正，单位为Nm；为前主减速器输出轴转速，单位为radps；为后主减速器输出轴转速，单位为radps；为质心纵向速度，单位的mps；为前轴轮胎纵向力，向前为正，单位为N；为后轴轮胎纵向力，向前为正，单位为N；为整车纵向阻力，向后为正，单位为N；为轮胎半径，单位为m；为前轴转动惯量，单位为kg·m²；为后轴转动惯量，单位为kg·m²；为整车质量，单位为kg。

步骤S102：更新阶段。

步骤S1021：基于预设条件，选择性地将预测值和获取的当前时刻的整车纵向阻力的状态表示的观测值融合，更新整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

在本实施例中，可以根据预设条件，选择性地将预测值和当前时刻状态表示的观测值进行融合，从而更新状态表示的预测值，以获取到当前时刻的整车纵向阻力。其中，观测值是指根据车辆的实际状态测量或计算获得的值。

一个实施方式中，观测值可以包括主减速器的输出轴转速和质心纵向速度。其中，输出轴转速可以通过速度传感器测量获得，质心纵向速度可以通过GPS（GlobalPositioning System，全球定位***）信号差分获得。

一个实施方式中，可以通过动力学模型，并基于主减速的输出轴转速和质心纵向速度来计算前轴轮胎纵向力、后轴轮胎纵向力和整车纵向阻力，并将计算获得的前轴轮胎纵向力、后轴轮胎纵向力和整车纵向阻力也作为当前时刻的状态表示的观测值。

一个实施方式中，由于不同的观测值在通过传感器测量过程中存在时延、信号噪声等问题，可以通过对输入的整车纵向阻力状态表示的观测值进行低通滤波，从而将噪声滤除，将观测值的相位对齐，以便于后续基于观测值进行融合。

一个实施方式中，可以通过以下公式（7）至公式（11）获取卡尔曼滤波方程：

预测阶段：

   (7)

    (8)

更新阶段：

    (9)

   (10)

    (11)

其中，为k时刻的状态表示的预测值；为状态转移矩阵；为k-1时刻的更新后的状态表示的预测值；为输入控制矩阵；为k时刻的控制变量；为k时刻协方差矩阵；为k-1时刻的更新后的协方差矩阵；为状态转移矩阵的转置；为过程激励噪声协方差；为k时刻的卡尔曼增益；为状态观测矩阵；为状态观测矩阵的转置；为观测噪声协方差；为k时刻的更新后的状态表示的预测值；为k时刻的状态表示的观测值；为k时刻的更新后的协方差矩阵。

基于上述步骤S101-步骤S102，本发明实施例在预测阶段，构建车辆整车纵向阻力的状态表示，并根据状态表示相关的动力学模型构建过程模型，基于过程模型获取当前时刻的整车纵向阻力的状态表示的预测值；在更新阶段，根据预设条件，选择性地将预测值和当前时刻整车纵向阻力的状态表示的观测值进行融合，以更新整车纵向阻力的状态表示的预测值，从而获得当前时刻的整车纵向阻力。通过上述配置方式，本发明实施例能够基于卡尔曼滤波对车辆当前时刻的整车纵向阻力进行准确估计，从而为辅助驾驶***提供纵向动力学的重要参考信息，辅助自动驾驶的决策和控制过程。

在本发明实施例的一个实施方式中，本发明除了可以包括上述步骤S101和步骤S102外，还可以进一步包括以下步骤S103至步骤S105：

步骤S103：分别获取输出轴转矩、输出轴转速和质心纵向速度的变化梯度。

步骤S104：将输出轴转矩、输出轴转速和质心纵向速度的变化梯度分别与对应的梯度阈值进行比较。

步骤S105：当输出轴转矩、输出轴转速和质心纵向速度的变化梯度均大于对应的梯度阈值时，将获取的当前时刻的整车纵向阻力的状态表示的观测值以较低的滤波截至频率进行低通滤波处理，以降低更新的速度，否则以较高的滤波截至频率进行低通滤波处理，以提高更新的速度。

在本实施方式中，可以对状态表示的观测值进行滤波处理，即计算输出轴转矩、输出轴转速和质心纵向速度的变化梯度，并将计算获得的变化梯度分别与其对应的梯度阈值进行比较，若输出轴转矩、输出轴转速和质心纵向速度的变化梯度均大于其对应的梯度阈值，则可以将当前时刻的整车纵向阻力的状态表示的观测值以较低的滤波截至频率进行低通滤波处理，以降低更新的速度，否则以较高的滤波截至频率进行低通滤波处理，以提高更新的速度，即允许卡尔曼滤波输出的整车纵向阻力快速更新。

在本发明实施例的一个实施方式中，步骤S1021可以进一步包括以下步骤S10211至步骤S10213：

步骤S10211：判断车辆的机械制动是否介入；若是，跳转至步骤S10212；若否，跳转至步骤S10213。

步骤S10212：使用上一时刻更新后的预测值作为当前时刻更新后的预测值，以得到当前时刻的整车纵向阻力。

步骤S10213：使用融合后的结果更新整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

在本实施方式中，由于在机械制动介入后，电轴上会存在未知的摩擦阻力矩，此时应暂停卡尔曼滤波的更新，将上一时刻更新后的预测值作为当前时刻更新后的预测值。

一个实施方式中，机械制动介入的判断条件可以包括：

车辆的制动踏板开度大于预设开度；或，

车辆的制动压力大于预设压力值；或，

车辆的底盘制动***自动介入。

本领域技术人员可以根据实际应用的需要，对预设开度和预设压力值进行设置。

一个实施方式中，当机械制动介入后，可以获取制动距离，当制动距离大于预设距离时，则可以将当前时刻更新后的预测值清零。

在本实施方式中，当制动距离大于预设距离后，可以将当前时刻更新后的预测值清零。本领域技术人员可以根据实际应用的需要对预设距离进行设置。

一个实施方式中，可以通过对车速和采样时间进行积分的方式获取制动距离。

一个实施方式中，可以参阅附图2，图2是根据本发明实施例的一个实施方式的基于卡尔曼滤波的车辆纵向阻力获取方法的主要组成架构示意图。如图2所示，可以将观测值进行输入滤波前处理，基于机械制动是否介入，控制卡尔曼滤波的数据融合的暂停和更新，并通过观测值的变化梯度控制更新速度以实现扰动观测后处理，从而获取当前时刻的整车纵向阻力。其中，数据融合的暂停是指使用上一时刻更新后的预测值作为当前时刻更新后的预测值或将当前时刻更新后的预测值清零；更新是指使用融合后的结果更新整车纵向阻力的状态表示的预测值。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。

在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法，即每个处理器分别执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的不同步骤，来共同实现上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法。

上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的基于卡尔曼滤波的车辆纵向阻力获取方法的程序，该程序可以由处理器加载并运行以实现上述基于卡尔曼滤波的车辆纵向阻力获取方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，本发明还提供一种车辆。在根据本发明的一个车辆实施例中，车辆可以包括控制装置实施例中的控制装置。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (13)

1.一种基于卡尔曼滤波的车辆纵向阻力获取方法，其特征在于，所述方法包括：

预测阶段：

构建车辆的整车纵向阻力的状态表示；

基于所述状态表示相关的动力学模型构建过程模型；

基于所述过程模型获取当前时刻的整车纵向阻力的状态表示的预测值；

更新阶段：

基于预设条件，选择性地将所述预测值和获取的当前时刻的整车纵向阻力的状态表示的观测值融合，更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

2.根据权利要求1所述的方法，其特征在于，

所述状态表示包括整车纵向阻力和质心纵向速度；

所述动力学模型为车辆纵向动力学模型。

3.根据权利要求2所述的方法，其特征在于，

所述状态表示还包括主减速器的输出轴转速和轮胎纵向力；

所述动力学模型还包括电轴纵向动力学模型。

4.根据权利要求3所述的方法，其特征在于，

所述过程模型中的控制变量为车辆的主减速器的输出轴转矩。

5.根据权利要求1所述的方法，其特征在于，

所述观测值包括主减速器的输出轴转速和质心纵向速度。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

分别获取输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度；

将所述输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度分别与对应的梯度阈值进行比较；

当所述输出轴转矩、所述输出轴转速和所述质心纵向速度的变化梯度均大于对应的梯度阈值时，将获取的当前时刻的整车纵向阻力的状态表示的观测值以较低的滤波截至频率进行低通滤波处理，以降低所述更新的速度，否则以较高的滤波截至频率进行低通滤波处理，以提高所述更新的速度。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于预设条件，选择性地将所述预测值和获取的当前时刻的整车纵向阻力的状态表示的观测值融合，更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力，包括：

判断所述车辆的机械制动是否介入；

若是，使用上一时刻更新后的预测值作为当前时刻更新后的预测值，以得到当前时刻的整车纵向阻力；和/或

若否，使用融合后的结果更新所述整车纵向阻力的状态表示的预测值，以得到当前时刻的整车纵向阻力。

8.根据权利要求7所述的方法，其特征在于，所述机械制动介入的判断条件为：

所述车辆的制动踏板开度大于预设开度；或，

所述车辆的制动压力大于预设压力值；或，

所述车辆的底盘制动***自动介入。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

获取所述机械制动介入后的制动距离；

当所述制动距离大于预设距离时，将所述当前时刻更新后的预测值清零。

10.根据权利要求1所述的方法，其特征在于，

所述获取的当前时刻的整车纵向阻力的状态表示的观测值是通过对输入的整车纵向阻力状态表示的观测值进行低通滤波以使得所述观测值相位对齐后得到的。

11.一种控制装置，包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至10中任一项所述的方法。

12.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至10中任一项所述的方法。

13.一种车辆，其特征在于，所述车辆包括权利要求11所述的控制装置。

Images