具有道路预视的自适应主动悬架系统的制作方法

具有道路预视的自适应主动悬架系统的制作方法
【专利摘要】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。
【专利说明】具有道路预视的自适应主动悬架系统
【技术领域】
[0001]本发明的实施例涉及车辆悬架控制系统，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系统。
【背景技术】
[0002]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、隆起等。自适应或主动悬架系统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。
[0003]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系统的可驱动的元件，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，因此系统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系统和单独的系统元件的动态响应时间以及车辆的速度的因素。
[0004]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隆起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】

[0005]鉴于上述情况，可取的是将自适应或主动悬架系统包含在车辆中，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，以便车辆控制系统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。
[0006]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系统的可驱动元件。为了提高效率，同样可取的是，悬架控制系统操作可驱动系统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)。
【专利附图】

【附图说明】
[0007]在示出本发明的实施例的附图中:
[0008]图1为包含根据本发明的实施例的自适应主动悬架控制系统的车辆控制系统的示意图。
[0009]图2为根据本发明一实施例控制的主动悬架系统的一部分的示意图。
[0010]图3为根据本发明的一个实施例的估算器(estimator)装置的框图。
[0011]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。
[0012]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。
[0013]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。
[0014]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ζ维度的三维栅格的典型示例。
[0015]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。
[0016]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】
[0017]图1为包含根据本发明一实施例的主动悬架系统的车辆控制系统12的示意图。控制系统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系统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/摄像系统)的群组；惯性传感器(例如已知或合适的惯性测量单元(MU) 22)、各种车轮速度传感器Hf、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(例如全球定位系统(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系统(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系统中需要执行的任务。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。
[0018]控制系统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/或控制系统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系统中的控制模块，例如动力传动系统控制模块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系统元件，或传送至控制主动悬架系统(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)。
[0019]虽然所有可驱动的车辆系统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系统，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系统控制。悬架驱动对于使用前述感应系统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系统的数据并确定异常路况的类型和严重程度。
[0020]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系统(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系统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系统，例如车辆对车辆和/或车辆对基础设施的通信系统。
[0021]控制系统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系统的元件。示例包括主动悬架系统210、制动器控制系统212、转向控制系统214的元件以及它们的组成部分和相关的元件。
[0022]图2为包含主动悬架系统的车辆的一个车轮的示意图，其中所述类型的主动悬架系统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。在该表不中，车辆车身的质量由簧载质量11表不。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的主动悬架系统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。
[0023]如这里所述的包含估算器装置的控制系统可以可选地用于控制其他类型的驱动器和悬架系统元件，例如，悬架力可以用于控制每个车轮的动态标准负载。
[0024]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系统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系统并可用于整合接收自各种车辆传感器和/或其他系统的输入的一个或多个整合装置110。
[0025]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系统中，或者所述模块可以配置为改装在现有的车辆的控制系统中。
[0026]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系统部件、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系统部件的代替而被安装。
[0027]在另一实施例中，主动悬架部件被安装，以便与被动悬架系统部件同时运行。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系统元件的主动控制。在正常路况期间，估算器装置及其相关的主动悬架系统元件和传感器可以保持不运行。
[0028]在另一实施例中，在现有的主动悬架系统中，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系统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系统，并配置为执行以前的控制器的其他控制功能。
[0029]在另一实施例中，在现有的主动悬架系统中，新的控制器可以操作性地耦接至现有传感器和/或可驱动的悬架系统元件。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系统控制。在所有其他的情况下，第一控制器都将执行悬架系统控制功能。
[0030]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系统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。
[0031]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、隆起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系统。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。
[0032]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、碎片或隆起的异常级别)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/摄像系统)，以用于检测车辆环境的各个方面。
[0033]在一具体实施例中，第二传感器装置104包括并入车辆控制系统12的已知或适当的惯性测量单元(MU) 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Y、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。
[0034]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。
[0035]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系统处理之前预处理来自整合装置的信号。
[0036]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系统125、耦接至MU22、并耦接至车辆车轮速度传感器(总体上表不为105)。
[0037]整合装置110以已知的方式整合来自路况传感器、GPS系统、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
[I]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(ASelf-supervised Terrain 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 Uncertaintyin Al (UAI))，中做出了说明，其内容通过参考引用的方式结合于此。
[0038]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。
[0039]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^_，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，其到达主动悬架系统的可驱动元件，以响应于估算的路面情况控制悬架系统。
[0040]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。
[0041]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。
[0042]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。
[0043]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系统元件的管理控制。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系统元件的临时控制，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。
[0044]在这里所述的车辆控制系统的实施例中，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(rattle space)、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系统部件。如果需要的话，附加的车辆系统或元件也可以配置为响应于生成的控制指令而驱动。
[0045]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:[l]Stavens D, Thrun S(2006年)的《用于越野自主驾驶的自监督地面粗糖度估算器(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, NietoJ, 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)》,关于智能机器人和系统的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。
[0046]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。
[0047]在步骤300，根据参考文献[I]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。此夕卜，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系统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。
[0048]在步骤308，根据参考文献[I]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Li都包括下列元素:
[0049]Li= [x, y, z, d Y , d Ψ, t] (I)
[0050]其中t为给定云点的x、y和ζ坐标的测量时间，以及Y和Ψ的测量时间；d Y为车辆的侧滚率Y在测量时间t的一阶导数，由IMU数据确定；(1ψ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ζ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。
[0051]参考文献[I]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[I]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系统，以用于减轻这种接触对于车辆及其乘员的影响。
[0052]在步骤309，生成了临时占用栅格。
[0053]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表不。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。
[0054]栅格标记Xl包括相对靠近车辆(与车辆相距dl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),...，(η-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+l)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。
[0055]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η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。
[0056]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。
[0057]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。
[0058]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:
[0059]E= [X，y, ζ,侦彳滚率Y，俯仰率Ψ，测量的时间t]
[0060]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Y和Ψ的绝对值)得到的向量。合适的向量E满足以下关系:
[0061]E={L: (Y2+Ψ2)<| I δ I |} (ΙΑ)
[0062]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:
[0063]δ =a+b V
[0064]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。
[0065]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。
[0066]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。
[0067]参考图7，栅格的第三维由激光扫描器的ζ-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(xoi, yOJ, zok)的间隔。栅格的每个单元都由三个数((xi； Yj, zk)来定义，其中i，j, k={l, 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(XpyyZ1), (xi； Yj, Z2),..., (xi； Yj, zM)中的云点的数目或频率S来计算。概率密度函数Pijk可以使用以下关系式确定:
[0068]Pijk (n-N) =Sijk (η-Ν) / Σ kSiJk (n-N) (2)
[0069]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Ci在共同的非零参考值上被初始化，其中i={l，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Hij(I1-N)上，以产生修正估算的道路高度估算。
[0070]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(Xi，Yi)上的道路的高度Hij通过以下关系式估算:
[0071]Hij (n-N) = Σ k Pijk (n-N) zok
[0072]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η-l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wK_的值。
[0073]在该方面，接触异常路面特征的主动悬架系统的部分用作提供可用于计算参数(例如道路轮廓(road profile)向量wK_)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。
[0074]在步骤320，左和右前轮所在的路面的估算高度hwl’和h?，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。
[0075] 分别在给定位置(Xi, Yi)上的左和右前轮所在的路面的修正估算的高度hwl和h?可以通过使用距离倒数在栅格中心y。j之间插值，以及将修正因子Ci施加在之前计算的相应的道路高度估算上来得到:
[0076]hwl’ (n-N) = Σ i ICi Hffl(n-N) | yo1- ywl |_1}/Σ? | yo1- ywl |(4)
[0077]hw/ (n-N) = Σ j (Ci Hffl (n-N) | yo1- ywr || yo1- ywr | ^1.(5)
[0078]在步骤322，修正因子被更新。修正因子Ci, i={l，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hwl’和h?’来更新修正因子Ci, i={l，N}
[0079](η) = Σ j (Ci Hil (n) | yo1- ywl || yo1- ywl | (6)
[0080]hw/ (η) = Σ j (Ci Hil (η) | yo1- ywr || yo1- ywr | (7)
[0081]如从激光云估算的同一位置上的实际测量的路面高度hwl(n)和h?(n)，其中:
[0082]Hij (η) = Σ k Pijk (n) zok, (8)
[0083]由上文关于步骤314描述的关系式给定。
[0084]关系式(8)中的概率Pijk(η)由线性加权的频率Sijk(n_N)，Sijk(n-N+1)，…，Sijk(η-l)计算:
[0085]Pijk (n) =Sijk (η) / Σ k (Sijk (η))
[0086]Sijk (η) =wN Sijk (n-N) +W^1Sijk(η-Ν+1) +...+W1Sijk (η-1)
[0087]其中i, j, k={l, N},并且权重W1, w2, --?，'%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[I]中所述。
[0088]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):
【权利要求】
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处的异常路面的表不; 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η。
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。
6.一种用于控制主动悬架的方法，其特征在于，包含以下步骤: 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小、中和大的严重程度中的一种；以及 响应于类型和严重程度控制悬架。
7.根据权利要求6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。
8.根据权利要求6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。
9.根据权利要求6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。
10.根据权利要求6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。
11.根据权利要求6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。
12.根据权利要求6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。
13.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。
14.根据权利要求13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。
15.根据权利要求14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hwl ’和h?，。
16.根据权利要求13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。
17.根据权利要求16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。
18.根据权利要求16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。
19.根据权利要求16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。
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。
【文档编号】B60G17/015GK103963593SQ201410007846
【公开日】2014年8月6日 申请日期:2014年1月8日 优先权日:2013年1月8日
【发明者】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 申请人:福特全球技术公司