用于估算车辆质量的方法与流程

本发明总体上涉及用于估算机动车辆的总重量的方法。更确切地，本发明涉及用于估算车辆装载之后的总重量的方法。

背景技术：

知晓机动车辆总重量对于该车辆中众多车载系统的正确运行是必须的，例如减震器系统、充气不足检测系统、发动机控制系统(例如电动、燃烧或混合动力发动机)、坡起系统、超载检测系统、照明系统、制动和/或能量回收系统、等等。

参考文献FR-12-57425项下提交的专利申请披露了一种使用智能通信设备来估算车辆总重量的方法，其中相机的光轴必须与车轮中心的轴线重合。该方法需要用户弯腰来使得该光轴与车轮中心的轴线对齐并且因此使操作不方便。

技术实现要素：

本发明的一个目的是针对该现有技术文献的上述缺点来提出一种用于估算机动车辆装载之后的重量的方法，该方法将使得用户能够以简单方式检测到其车辆的超载，而不需要对该智能通信设备进行任何特殊操纵。本发明还将必须提出一种需要最少计算时间的方法。

为此目的，本发明的第一方面涉及一种使用智能通信设备来估算机动车辆在该车辆装载之后的重量的方法，该机动车辆包括前车轮组件和后车轮组件，该方法包括以下步骤：(i)在该智能通信设备中识别该车辆；(ii)使用该智能通信设备的相机来捕捉并处理在加载之后至少一个车轮的、以及在该车辆装载之后随着该车辆的该车轮的悬架一起下沉的该车辆的至少一个点的照片，以便根据所识别的车辆来确定被拍照的车轮的车轮组件的间隙，拍摄车轮的照片要遵循将电话保持在与被拍照的车轮的平面成直角的平面内，该电话的竖直位置除外；(iii)确定与在步骤(ii)中被拍照的车轮相反的车轮组件的间隙，这是通过使用该智能通信设备的至少一个加速度计或倾角计来测量在装载之后该车辆的倾斜角度而进行的；或者是通过使用该智能通信设备的相机来捕捉并处理至少一个车轮的、以及在该车辆装载之后随着与在步骤(ii)中被拍照的车轮的车轮组件相反的车轮组件的一个车轮的悬架一起下沉的该车辆的至少一个点的照片而进行的；(iv)使用该智能通信设备的计算单元来根据被拍照的车轮的车轮组件以及相反的车轮组件的相应间隙来计算这些车轮组件上的负载值，从而确定该车辆的总负载值；(v)使用该智能通信设备将该车辆的负载状态告知给用户。

这种用于估算车辆负载的方法可以是由用户借助于智能通信设备来快速且容易地实施的，如装备有适当应用程序的智能手机或电脑电话(在英语词汇中也称为“智能电话”)。这个解决方案使得用户能够容易地确定车辆重量、并且是可靠的，因为它不依赖于该车辆中的任何元件。因此它允许任何用户检查在装载之后其车辆的负载状态、并且防止尤其可能导致过量消耗、道路安全性下降、或违反针对所涉及车辆类型的安全条例(尤其在车辆总重量等级或GVWR)的任何超载风险。

有利地，对该照片的处理可以包括至少一个计算出不变量的步骤。

有利地，该不变量计算可以是在该车轮的至少一个点以及在该车辆装载之后随着该车辆的该车轮的悬架系统一起下沉的该车辆的至少一个点上进行的交比。

根据一个变体，识别车辆的步骤(i)包括以下步骤：(i.1)在装载之前确定该车轮中心以及将在步骤(ii)中被拍照的车轮的车轮壳体的中心之间的距离；(i.2)确定在装载之前该车辆的倾斜角度；(i.3)确定所识别的车辆的总许可装载量。

根据一个有利变体，捕捉并处理图像的步骤(ii)包括以下子步骤：

(ii.0)拍摄该车辆的一个车轮的照片；

(ii.1)将所捕捉的该车轮的照片转换成灰度级图像；

(ii.2)使用模糊高斯型第一滤波器来改善该图像的清晰度；

(ii.3)使用索贝尔型第二滤波器来获得该图像的轮廓；

(ii.4)将该图像分解成两个部分，即关于该车轮的第一部分以及关于该车轮壳体的第二部分；

(ii.5)通过最小二乘法计算该车轮壳体的中心和半径；

(ii.6)根据该车轮壳体的半径以及所识别车辆来计算出该车轮的最小半径值和最大半径值；

(ii.7)使用墨西哥帽小波型第三滤波器来改善在该车轮中心附近的点的浓度；

(ii.8)基于在该车轮中心的点的累积来计算出该车轮中心、并且计算出在装载之后在该车轮中心与该车轮壳体中心之间的距离、计算出该车轮的所述至少一个点以及在该车辆装载之后随着该车辆的该车轮的悬架一起下沉的该车辆的至少一个点的交比；

(ii.9)使用在装载之后和之前该车轮中心与该车轮壳体中心之间的距离差值来计算出被拍照的车轮的车轮组件的间隙。

根据本发明的另一个变体，确定相反车轮组件的间隙的步骤(iii)可以是基于在装载之前和之后倾斜角度之差的测量的，该倾斜角度被选择为地球参照系与车辆参照系之间沿着该车辆的X轴的角度。

测量倾斜角度的步骤(iii)，任意检测到超出某个预定阈值的加速度都被认为指明该智能通信设备已掉落，并且步骤(iii)必须被重复。

计算该前车轮组件和后车轮组件上的负载值的步骤(iv)可以是通过在负载/间隙图中进行插值法来执行的。

本发明的另一方面涉及一种被配置成用于执行如以上权利要求中任一项所述的方法的智能通信设备，其特征在于，该智能通信设备包括

-适合于启用一种用于估算车辆重量的方法的编程的应用程序，

-适合于启动该用于估算车辆重量的应用程序的人机界面，

-用于识别该车辆的装置，

-适合于拍摄至少一个车轮的以及在该车辆装载之后随着该车辆的该车轮的悬架系统一起下沉的该车辆的至少一个点的照片的相机，

-适合于测量该地球参照系与该车辆参照系之间的倾斜角度的至少一个加速度计和/或倾角计，

-被编程来执行图像处理步骤以及间隙值和负载值计算步骤的计算单元，这些步骤包括计算至少一个不变量的至少一个步骤，以及

-适合于将该车辆的负载状态对用户做出警告的至少一个图形和/或音频接口。

附图说明

阅读以下对通过非限制性实例的方式提供的并且在这些附图中展示的本发明的实施例的详细说明，本发明的另外的特征和优点将变得更清楚，在附图中：

-图1是根据本发明实施例的智能通信设备的示意性表示；

-图2示出了根据本发明实施例用于估算车辆重量的方法的简图；

-图3是在车辆装载之后前车轮组件与后车轮组件的间隙的示意性表示；

-图4示出了根据本发明实施例的图像处理步骤的详细图解；

-图5是通过根据本发明实施例的智能通信设备来获取图像的示意性表示；

-图6A-6B表示了车轮在两种不同情形中的图像；

-图7A示出了针对预定车辆型号而言车轮悬架的负载/间隙关系的实例；

-图7B示出了车辆总负载确定的实验结果；

-图8示出了对智能通信设备的轴线的定义的实例。

具体实施方式

图1是根据本发明实施例的智能通信设备的示意性表示。该智能通信设备10包括可编程中央单元12。用于估算车辆重量的应用程序14被编程到这个中央单元12中。使用了人机界面16来启动此用于估算车辆重量的应用程序14。提供了用于识别车辆的装置，例如其形式为经由人机界面16来从之前记录在非易失性存储器18中的型号清单中选择车辆型号。还提供了用于拍摄该车辆的至少一个车轮的照片的相机20、以及用于测量该智能通信设备的倾斜角度的至少一个加速度计22和/或倾角计24，该中央单元12被编程来执行图像处理步骤以及间隙值和负载值计算步骤。还提供了至少一个图形和/或音频接口26以将该车辆的负载状态对用户做出警告。这个图形和/或音频接口26可以部分地或完全地连接到人机界面16上。用作参考，在图8中示出了针对这种通信设备一般性限定的x轴线、y轴线和z轴线。

图2示出了根据本发明实施例用于估算车辆重量的方法的简图。预备步骤在于启动用于估算车辆重量的应用程序。

当该应用程序已被启动时，用户必须在第一步骤(i)中识别其车辆，从而使得可以估算该车辆的重量。为此目的，可以经由该人机界面来邀请他从之前记录的清单中选择他的车辆型号。这个之前记录的车辆型号必须包括至少同车轮中心与所拍照的车轮的车轮壳体的中心之间的距离(步骤i.1)相关的、以及同此型号车辆的总许可装载量(步骤i.3)相关的信息。替代地，车轮中心与所拍照的车轮的车轮壳体的中心之间的距离(步骤i.1)可以通过拍摄在装载之前该车辆的一个车轮的照片来手动确定，该照片的随后处理与在图4中关于步骤(ii.1)至(ii.8)所详细解释的相类似。此外，识别车辆可以包括确定该车辆在其装载之前的倾斜角度(步骤i.2)。这种倾斜度测量将优选地沿着车辆的X轴、也就是在地球参照系(基于重力)与车辆参照系(基于车辆)之间沿着车辆的纵向轴线进行。为此，该智能通信设备将优选地定位在该车辆中为此目的而提供的位置，例如处于具有已知取向的对接站的形式。

在第二步骤(ii)中，邀请用户在装载之后拍摄其车辆的至少一个车轮的照片。优选地，邀请用户拍摄位于装载空间末端处的车轮的照片。因此，对大多数车辆而言，装载空间是位于车辆后部处，并且因此将邀请用户拍摄其车辆的后车轮的照片。这个照片接着通过参照图4详细描述的图像处理方法来处理。在所执行的图像处理的基础上，该应用程序确定被拍照的车轮的车轮组件的间隙，按照惯例这个间隙将是后车轮组件的间隙。

在第三步骤(iii)中，用户优选地将该智能通信设备定位在其对接站中以便在车辆装载之后在地球参照系与车辆参照系之间至少一次地测量该车辆沿着X轴的倾斜度。为此目的所提供的是将该通信设备正确定位在其位置上，以便确保所测量的倾斜度实际上是沿着该车辆的X轴的倾斜度。如果在装载之前已经进行了类似的测量，则在识别车辆的过程中，有可能计算出在装载之前和之后倾斜度的准确差值，从而补偿在装载时停放该车辆的地面的任何梯度。在装载之后、并且有利地在装载之前和之后测量的倾斜度的基础上，该应用程序确定与被拍照的车轮相反的车轮组件、例如前车轮组件的间隙。

在第四步骤(iv)中，该应用程序计算出该车辆的前车轮组件和后车轮组件上的负载值，由此通过将这两个负载相加来推导出该车辆的总负载值。这个总负载值接着可以被该通信设备显示。

在第五步骤(v)中，该应用程序操作该通信设备的图形和/或音频接口以便将该车辆的负载状态对用户做出警告。因此，例如该通信设备在重量大于0.95倍最大重量时显示红色警报，其中“最大重量”是与最大许可装载量相对应的校准常数。该设备在重量位于从0.8倍最大重量至0.95倍最大重量的范围内时显示黄色警报。该设备在重量低于0.8倍最大重量时显示绿色警报。0.8和0.95这两个级别是两个阈值，它们也是校准参数。显然，它们可以被修改以满足要求。警报级别的数量可以是可变的并且可以取决于应用类型。还能够显示超载的可能性，或例如95％或99％的负载和可信度。

图3是在车辆装载之后前车轮组件的间隙ΔAV与后车轮组件的间隙ΔARR的示意性表示。在该图中所示的实例中，车辆停放在水平地面上。该车辆用代表其前车轮中心CRAV和后车轮中心CRARR的两个点并且用该车辆的前车轮壳体中心CPAV和后车轮壳体中心CPARR来表示，这些点用于确定该车辆的这些车轮组件的间隙。然而，显然也可以考虑车辆上的在车轮壳体中心以外的其他地方的点，其中这些其他点在车辆装载时随着该车轮悬架一起被向内推的。该车辆的前车轮中心CRAV与后车轮中心CRARR之间的距离是车辆的轴距L。

此外，术语“间隙”一般可以当成是指与在装载过程中由于悬架的柔性导致的车桥相对于底盘的竖直振荡相对应的距离。在这个实例的其余部分中，间隙将表示车轮壳体的中心相对于对应车轮中心的竖直振荡。

在装载之前，该识别使得尤其能够确定在装载之前在后部处的、在车轮中心CRARR与车轮壳体中心CPARR之间的距离尤其是在装载空间是位于车辆后部处的情况下，并且如果希望的话能够确定在地球参照系与车辆参照系之间沿着车辆X轴的倾斜角度(如果这个角度不为零的话)。如果该智能通信设备在初始识别步骤过程中检测到非零的倾斜度，则这个测量可以由该智能通信设备自动完成并记录。

在以下参照图4详细描述的步骤(iii)的过程中，该通信设备确定在装载之后在后部处的、在车轮中心CRARR与已经被向内推的车轮壳体中心CPARR之间的距离

在步骤(iv)的过程中，该通信设备计算出与被拍照的车轮相反的车轮组件、在本实例中也就是前车轮组件的间隙。为此，该通信设备优选地被放在车辆中为此目的而提供的对接站中。当该通信设备处于预定位置中时，它可以自动或手动地(也就是，通过用户的动作)执行对车辆倾斜度的测量。因此，例如在三秒的过程中，该通信设备对其加速度计测量的三个分量求平均。获得了值gxiPh、gyiPh和gziPh。如果该通信设备在这三秒测量期间下降，则这些加速度分量中的至少一个超过1.5g，并且接着认为该设备已经移动并且该测量将必须被重复。如果角速度之一超过了绝对值为0.1rad/s的阈值，则可以遵循相同的程序。有利地，该通信设备在测量期间显示一个过程条。在此测量期间，它必须还检查该通信设备是否维持在正确方向上，该正确方向是由参数gyiPh和gziPh的负值来指示的。

当该计算已结束时，该通信设备例如通过如下计算来估算在地球参照系与车辆参照系之间沿着该车辆的X轴的装载后倾斜角度αapc：

αapc＝0.5(a cos(|gyiPh|)+a sin(|gziPh|))

该通信设备接着使用以下公式来推导出在前部处在装载后的、在车轮中心CRAV与已经被向内推的车轮壳体中心CPAV之间的距离

如果不考虑地面梯度，则可以使用以下一般公式：

其中Δα＝αavc-αapc，αavc是在识别车辆的过程中限定的装载前倾斜度。L是也在识别车辆的过程中限定的车辆轴距。

图4示出了根据本发明优选实施例的图像捕捉和处理步骤(ii)的详细图解。

如上所述，该应用程序邀请用户来拍摄其车辆的至少一个车轮、例如后车轮的照片(步骤ii.0)。该照片是在如图5所示的条件下拍摄的，也就是说在其中所含有的这些加速度测量值表明x分量接近零、z分量小于零、并且y分量小于零(电话不是上下颠倒的)时。在图5和8中展示了该智能通信设备的x、y和z分量。

点亮的和/或音频的和/或振动信号可以告诉用户这些条件是存在的，从而使得他可以开始照片捕捉。在变体中，当满足这些条件时可以提供照片的自动捕捉。

接着出现两种情况：

-其中分量z几乎为零(未呈现出，为通信设备处于竖直位置中的情况)，则所获取的图像是图6A中所呈现的，这种配置使得能够在处理该图像之后直接测量这些不同点之间的距离，这迫使用户将相机的光轴与该车轮的中心对齐，

-其中分量z>0(图5)的情况，则所获取的图像是图6B所呈现的，这种配置引入了所获取的图像的扭曲并且因此并不能够实现直接测量，这种情形是对用户而言更经济的情形，因为该照片可以是站立拍摄的。

如图5所示，在平面y’上完成获取包括在车辆装载之后随着该车辆的该车轮的悬架一起下沉的该车辆的至少一个点A以及该车轮的若干点B、C、D、E、F(为清楚起见，点E和F在图5中未呈现出)，该平面是相机20的焦平面。平面y’与这些点在其上对齐的这个竖直平面不是平行的，这引起了如图6B所示的图像扭曲效应。以此方式在平面y’上获取的这些点在图6B中表示成B’、C’、D’、E’、F’。

该通信设备接着开始对用户拍摄的后车轮照片进行处理，从而能够计算出对应悬架系统的间隙。当已经拍摄了该照片时，如果该通信设备不允许直接获取灰度级照片，则将该图片转换成灰度级(步骤ii.1，仅在必须时)。这种转换可以例如是通过对信号的每个RGB级应用以下权重来进行的：

灰_图像＝0.3*照片_红+0.59*照片_绿+0.11*照片_蓝；

其中照片_红是红色发光强度，照片_绿是绿色发光强度，而照片_蓝是蓝色发光强度。当图像已被转换成灰度级时，该处理以用高斯滤波器对该图像进行模糊处理来开始(步骤ii.2)。这种处理使得人工图像梯度、缺陷等能够被减少。

接着应用“索贝尔”滤波(步骤ii.3)来计算出该图像在宽度和高度的方向上的导数、接着是计算在组合这两个方向上的导数。这种处理使得能够获得该图像中存在的轮廓。

接着将该图像分解成两个部分，即车轮壳体和车轮(步骤ii.4)。

对于单独的车轮壳体而言，通过最小二乘法计算出含有形成该轮廓的这些点的圆(步骤ii.5)。因此找出了以像素计的车轮壳体的中心和半径因此推导出了点A’。

对于单独的车轮而言，第一阶段是计算出方向图，方向图是含有与在索贝尔滤波过程中计算出的强度梯度正交的这些方向的一个矩阵。接着在该图像中累积在由这个矢量指示的方向上的这些点，其距离从r_min变化至r_max。这些值r_min和r_max是使用在前一步骤中估算出的以像素计的车轮壳体半径值以及轮辋半径与车轮壳体半径之间的理论比率RJ/PR(已知的)来计算的(步骤ii.6)。因此推导出了点B’、D’。

通过用类似于基本正弦的墨西哥帽滤波器或墨西哥帽小面滤波器(步骤ii.7)对所得图像进行滤波来继续该处理。这使得能够改善车轮中心附近的点的浓度。

接着在车轮中心的点的累积的基础上计算出车轮中心(步骤ii.8)。因此推导出了点C’。

在本发明的上下文中，可以使用其他形式的图像处理来限定车轮中心和车轮壳体中心二者。

在这个阶段，能够知晓具有扭曲的间隙值C’A’，但这个值不是该间隙的真实值。为此，应用欧几里得几何中的不变量理论的交比。

一种给定的变换的不变量是在所涉及的变换被应用一次或多次时保持不变的一种特性。例如，在欧几里得几何的背景下，距离是相对于旋转或平移型变换而言的一个不变量。类似地，角度也是欧几里得几何中相对于平移和旋转而言的一个不变量。

在投影型变换的代数学的背景下，不变量之一是交比。取4个对齐点P1，P2，P3和P4，交比被定义为：

现在将使用上文中刚刚限定的交比。通过将其值表达在投影图像中以及车轮平面中，获得了以下内容：

此外，已知了交比是投影型变换的一个不变量，因此：

β(D′，C′，B′，A′)＝β(D，C，B，A)

因此，

计算出交比β(D′，C′，B′，A′)并将称为P。还已知了和这给出了以下等式：

这最终使得能够找到车轮中心与车轮平面上的车轮通过高点之间的距离：

计算交比是特别有利的，因为与含扭曲的其他图像处理方法相比，它不需要任何过度显著的计算时间。

为了完成处理，计算出车轮中心与车轮壳体中心之间以像素计的距离，此后使用以像素计和以米计(理论半径)的车轮壳体半径之比将该距离转换成米。

在图7B中示出了实验结果。该计算的结果是装载之后在车轮中心与车轮壳体中心之间的距离这个距离随着车辆负载的增大而减小。

因此，在工厂中的初始校准步骤使得能够绘制出将这个距离显示为车辆的已知重量的函数的一个图、并且随后通过估算来确定这个重量。

可以想象这个应用程序的更高级版本，其中请求用户拍摄两个后车轮以便计算出是这两个车辆的平均值的距离

然而，为了允许老化、并且尤其允许底盘与悬架之间的联动机构中的蠕变现象，该应用程序随后通过以下运算来推导出(步骤ii.9)后车轮组件的间隙，

其中表示在装载之前(在空的状态下)的前部距离。这个值将是在车辆识别阶段中推导出的：例如通过让用户拍摄在空的状态下的车辆、或者通过访问数据库并用车辆标识符来查询该数据库。

还可以请求用户定期拍摄在空的状态下的车辆(例如一年一次或两次)，以便允许这个空距离的变化，这主要是由于悬架的这些不同构件的老化。

图7A示出了针对预定车辆型号而言车辆悬架的负载/间隙关系的实例。在处理步骤(ii)完成时得到的后部间隙值可以在该步骤中用来通过在一个图(例如图7A所示的)中进行内插法来计算后车轮组件上的负载值。

这个图展现出了迟滞现象：当车辆被逐渐装载时，间隙遵循曲线a1，而当车辆卸载时，关系遵循曲线a2。

为了限制这些不确定性，使用了用虚线示出的平均曲线。

根据本发明的另一个实施例，请求用户拍摄车辆的四个车轮，从而能够提高重量估算的精确度，尤其是通过改善对装载条件的评估。

拍摄这些车轮中的每个车轮并如所限定的进行图像处理、或者导致确定这些车轮中心和车轮壳体中心的任何其他图像处理于是就能够确定每个车轮组件的每个车轮的间隙。在车辆识别过程中，如果明确了要确定每个车轮的间隙，从而就必须拍摄每个车轮，则不再必须确定该车辆的纵向倾斜角度和横向倾斜角度，因为每个车轮的未装载间隙于是将仅依赖于该车辆的已知特性、以及道路的梯度，这因此将通过在例如平坦地面上内插这些已知间隙而容易地确定出来。

简化变体为测量每个车轮组件中这些车轮的仅一个车轮来确定这些车轮组件的间隙。

显然，可以对本说明中描述的本发明的这些不同实施例作出本领域计算人员所清楚的多种不同修改和/或改进，而不背离由所附权利要求书限定的本发明的范围。

值得注意的是，车辆识别可以是基于使用VIN(“车辆识别号”)来使用的，该车辆识别号是指配给每个车辆的唯一字母数字码。如果使用VIN，则这这些不同计算所需要的参数可以是从中央服务器获得的。

这个VIN可以通过该智能通信设备例如经由OBD(车载诊断)诊断接口发送给车辆的请求来获得，并且接着可以进而将响应传输至数据库，该数据库将返回这些不同计算所需要的参数。

此外，为了改善该设备的精确度，在请求用户将该智能通信设备定位在其对接站中以便在车辆装载之前在地球参照系与车辆参照系之间至少一次地测量该车辆沿着X轴的倾斜度的该车辆识别步骤(步骤(iii))的过程中，还有利地提供了确定沿着车辆Y轴的倾斜度(横向倾斜度)以便针对此倾斜度来矫正对车轮壳体中心与车轮中心之间的距离的随后确定。

有利地，在确定装载之后沿X轴的倾斜度的过程中还提供了确定沿Y轴的倾斜度，这个确定有利地与对每个车轮组件的单一车轮的测量相联系。

因此更精确地测量出了倾斜度差值。

沿Y轴的车辆倾斜度可能是由于地面的埂坎造成的、或者可能在车辆被停放成一侧上的这些车轮之一或两个车轮位于便道上而另两个车轮位于马路上时发生。