用于预测和检测车辆不稳定性的系统和方法与流程

1.本公开总体上涉及与车辆相关联的用于检测和预测车辆不稳定性的系统和方法。


背景技术：

2.一些自动化车辆控制系统旨在维持车身稳定性。一些车辆控制系统利用模型预测控制车辆模型来基于来自传感器系统的各种输入生成控制动作命令。一些模型预测控制算法依赖于一些可能不准确或不精确的数据，诸如轮胎型号、路面状况和横向速度。如果能够在不使用不太可靠的数据输入的情况下准确地检测到车身不稳定性，则此类模型预测控制方法将会得到改进。
3.因此，期望提供能够在不必要求诸如道路状况和轮胎型号等输入数据的情况下预测和检测车身不稳定性的系统和方法。另外，期望提供使用可靠输入测量值、最少测量次数和低计算预算的车辆不稳定性检测和车辆控制。此外，根据随后的详细描述和所附的权利要求，结合附图以及前述技术领域和背景技术，本发明的其他期望的特征和特性将变得显而易见。


技术实现要素：

4.在一个方面，提供了一种用于控制车辆的系统。该系统包括传感器系统和处理器，处理器与传感器系统可操作地通信，其中处理器被配置为执行程序指令，其中程序指令被配置为使处理器：从传感器系统接收车辆的横摆率值、横向加速度值和纵向速度值；基于横摆率值、横向加速度值和纵向速度值确定侧滑角参数值；基于侧滑角参数值(例如，侧滑角的时间导数)和横摆率值(例如，横摆率的时间导数)确定相图角，其中相图角各自表示横摆率和侧滑角的相图中车辆的横摆率和侧滑角之间的角度；至少基于相图角检测或预测车辆不稳定性；以及当检测到或预测到车辆不稳定性时，控制车辆的运动以至少部分地校正车辆不稳定性。
5.在实施例中，侧滑角参数值是侧滑角值的时间导数，并且其中程序指令被配置为使处理器确定横摆率值的时间导数并且基于横摆率值的时间导数和侧滑角值的时间导数确定相图角。
6.在实施例中，确定相图角包括基于侧滑角参数值和横摆率值的反正切函数。
7.在实施例中，程序指令被配置为使处理器基于侧滑角参数值和横摆率值确定速度幅度值，其中速度幅度值表示相图内车辆的横摆率和侧滑角的移动速度。检测车辆不稳定性是至少基于相图角和速度幅度值。
8.在实施例中，检测或预测车辆不稳定性包括车辆不稳定性的早期预测和车辆不稳定性的检测。可以至少基于相图角和基于横摆率值的最小变化量来执行车辆不稳定性的早期预测。可以至少基于相图角和基于侧滑角参数值的最小变化量来执行车辆不稳定性的检测。可以至少基于表示相图中由变化的横摆率和基本恒定的侧滑角限定的基本垂直路径的相图角来执行车辆不稳定性的早期预测。可以至少基于表示相图中由变化的侧滑角和基本
恒定的横摆率限定的基本水平路径的相图角来执行车辆不稳定性的检测。
9.在实施例中，当检测到或预测到车辆不稳定性时，程序指令被配置为使处理器基于侧滑角参数值确定车辆的不稳定性水平，并且至少基于不稳定性水平控制车辆的运动，以至少部分地校正车辆不稳定性。
10.在实施例中，通过调节模型预测控制算法中的约束条件对车辆的运动进行控制，以至少部分地校正车辆不稳定性。
11.在实施例中，检测或预测车辆不稳定性不是基于路面信息或轮胎信息。
12.在另一方面，提供了一种用于控制车辆的方法。该方法包括：经由处理器从传感器系统接收车辆的横摆率值、横向加速度值和纵向速度值；经由处理器基于横摆率值、横向加速度值和纵向速度值确定侧滑角参数值；经由处理器基于侧滑角参数值(例如，其时间导数)和横摆率值(例如，其时间导数)确定相图角，其中相图角各自表示横摆率和侧滑角的相图中车辆的横摆率和侧滑角(例如，它们的时间导数)之间的角度；经由处理器至少基于相图角检测或预测车辆不稳定性；以及当检测到或预测到车辆不稳定性时，经由处理器控制车辆的运动以至少部分地校正车辆不稳定性。
13.在实施例中，侧滑角参数值是侧滑角值的时间导数。该方法包括经由处理器确定横摆率值的时间导数。确定相图角是基于横摆率值的时间导数和侧滑角值的时间导数。
14.在实施例中，确定相图角包括基于侧滑角参数值和横摆率值的反正切函数。
15.在实施例中，该方法包括经由处理器基于侧滑角参数值和横摆率值确定速度幅度值，其中速度幅度值表示相图内车辆的横摆率和侧滑角的移动速度。检测或预测车辆不稳定性是至少基于相图角和速度幅度值。
16.在实施例中，检测或预测车辆不稳定性包括车辆不稳定性的早期预测和车辆不稳定性的检测。至少基于相图角和基于横摆率值的最小变化量来执行车辆不稳定性的早期预测。至少基于相图角和基于侧滑角参数值的最小变化量来执行车辆不稳定性的检测。
17.在另一方面，提供了一种车辆。该车辆包括：传感器系统；和处理器，处理器与传感器系统可操作地通信。处理器被配置为执行程序指令以使处理器：从传感器系统接收车辆的横摆率值、横向加速度值和纵向速度值；基于横摆率值、横向加速度值和纵向速度值确定侧滑角参数值；基于侧滑角参数值和横摆率值确定相图角，其中相图角各自表示横摆率和侧滑角的相图中车辆的横摆率和侧滑角之间的角度；至少基于相图角检测或预测车辆不稳定性；以及当检测到或预测到车辆不稳定性时，控制车辆的运动以至少部分地校正车辆不稳定性。
附图说明
18.下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同的元件，并且在附图中：
19.图1是示出了根据各种实施例的与用于检测和预测车辆不稳定性的系统相关联的车辆的功能区块图；
20.图2描绘了根据各种实施例的相图；
21.图3是根据各种实施例的用于检测和预测车辆不稳定性的系统的功能区块图；并且
22.图4是示出了根据各种实施例的用于检测和预测车辆不稳定性的方法的流程图。
具体实施方式
23.以下详细描述本质上仅是示例性的，并且不旨在限制应用和使用。此外，不旨在受到前述技术领域、背景技术、发明内容或以下详细描述中提出的任何明示或暗示理论的约束。如本文所用，术语模块是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备，单独地或以任何组合方式，包括但不限于：专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的或组)和存储器、组合逻辑电路和/或提供所描述的功能的其他合适部件。
24.本公开的实施例可以在本文中按照功能和/或逻辑区块部件以及各种处理步骤进行描述。应当理解，此类区块部件可以通过被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本公开的实施例可以采用各种集成电路部件，例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，这些部件可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解，本公开的实施例可以结合任何数量的系统进行实践，并且本文所描述的系统仅仅是本公开的示例性实施例。
25.为简洁起见，本文中可能不详细描述与信号处理、数据传输、信令、控制和系统(以及系统的单独的操作部件)的其他功能方面有关的传统技术。此外，本文所包含的各个附图中所示的连接线旨在表示各种元件之间的示例性功能关系和/或物理联接。应当注意，在本公开的实施例中可能存在许多替代的或附加的功能关系或物理连接。
26.参照图1，根据各种实施例，总体以200示出的用于检测和预测车辆不稳定性的系统与车辆10相关联。通常，用于检测和预测车辆不稳定性的系统200提供方法学和算法结构，以基于相图中的车身运动模式来预测车辆10的车身的行为并检测不稳定性。预测和/或检测信息可以用于调节车辆运动控制的约束条件(或以其他方式调节车辆运动控制)。用于检测和预测车辆不稳定性的系统200可以识别和利用β(侧滑角)与r(横摆率(yaw rate))相图中的车辆运动模式，以预测和检测车辆10的车身不稳定性。根据一些实施例，车身稳定性监测不需要轮胎型号/信息，并且用于检测和预测车辆不稳定性的系统200不依赖道路状况。在本文描述的实施例中，用于检测和预测车辆不稳定性的系统200使用最少(3次)测量次数和可靠估值。除了检测之外，本系统200还可以提供车辆10的车身不稳定性的早期标志。
27.如图1所示，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且基本上包围车辆10的部件。车身14和底盘12可以共同形成框架。车轮16-18各自在车身14的相应角部附近可旋转地联接到底盘12。
28.在各种实施例中，车辆10是自主车辆，并且用于检测和预测车辆不稳定性的系统200与车辆10相关联。车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。车辆10在所示实施例中被描绘为乘用车，但应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多功能车(suv)、休闲车(rv)、共享乘用车、长途汽车等。在示例性实施例中，车辆10是所谓的四级或五级自动化系统。四级系统表示“高度自动化”，是指自动化驾驶系统即使在人类驾驶员没有适当响应干预请求的情况下，对动态驾驶任务所有方面的特定驾驶模式执行。五级系统表示“完全自动化”，是指自动化驾驶系统在可由人类驾驶员
管理的所有道路和环境条件下对动态驾驶任务所有方面的全时执行。然而，在其他实施例中，车辆10具有较低自动化水平并且包括高级驾驶员辅助系统(adas)。
29.如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、至少一个控制器34和连接系统36。在各种实施例中，推进系统20可以包括内燃发动机、诸如牵引马达等电机和/或燃料电池推进系统。传动系统22被配置为根据可选择速比将动力从推进系统20传输到车轮16-18。根据各种实施例，传动系统22可以包括有级比自动变速器、无级变速器或其他合适的变速器。制动系统26被配置为向车轮16-18提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统和/或其他适当的制动系统。转向系统24影响车轮16-18的位置。尽管出于说明性目的而被描绘为包括方向盘，但在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘。
30.传感器系统28包括一个或多个感测设备40a-40n，该一个或多个感测设备感测车辆10的外部环境和/或内部环境的可观察条件。感测设备40a-40n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机、热成像相机、超声传感器和/或其他传感器。传感器系统28包括惯性测量单元和纵向速度传感器。传感器系统28输出横摆率r、纵向速度v
x
和横向加速度ay，作为向用于检测和预测车辆不稳定性的系统200的数据输入。致动器系统30包括一个或多个致动器设备42a-42n，该一个或多个致动器设备控制一个或多个车辆特征，诸如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，车辆特征还可以包括内部和/或外部车辆特征，诸如但不限于门、后备箱和舱室特征，诸如空气、音乐、照明等(未编号)。
31.连接系统36被配置为向其他实体48无线地传送信息和从其他实体48无线地传送信息，其他实体48诸如但不限于其他车辆(“v2v”通信)、基础设施(“v2i”通信)、远程系统和/或个人设备。在示例性实施例中，连接系统36是无线通信系统，该无线通信系统被配置为经由使用ieee 802.11标准的无线局域网(wlan)或通过使用蜂窝数据通信进行通信。然而，附加或替代通信方法(诸如专用短程通信(dsrc)信道)也被认为在本公开的范围内。dsrc信道是指专为汽车使用而设计的单向或双向短程到中程无线通信信道以及一组对应的协议和标准。
32.数据存储设备32存储用于自动控制车辆10的数据。在各种实施例中，数据存储设备32存储可导航环境的定义地图。在各种实施例中，定义地图可以由远程系统(例如云处理系统)预定义并从其获得。例如，定义地图可以由远程系统组装，并且被(无线地和/或以有线方式)传送到车辆10并被存储在数据存储设备32中。如可以理解的，数据存储设备32可以是控制器34的一部分，与控制器34分开，或者是控制器34的一部分和单独系统的一部分。数据存储设备32可以存储参考数据238(见图3)，以供用于检测和预测车辆不稳定性的系统200使用。
33.控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或可商购的处理器、中央处理单元(cpu)、图形处理单元(gpu)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(形式为微芯片或芯片组)、宏处理器、它们的任何组合，或通常用于执行指令的任何设备。例如，计算机可读存储设备或介质46可以包括只读存储器(rom)、随机存取存储器(ram)和不失效存储器(kam)中的易失
性和非易失性存储装置。kam是可以用于在处理器44掉电时存储各种操作变量的持久性或非易失性存储器。计算机可读存储设备或介质46可以使用许多已知存储器设备中的任一者来实现，诸如prom(可编程只读存储器)、eprom(电可编程只读存储器)、eeprom(电可擦除可编程只读存储器)、闪存存储器或者能够存储数据的任何其他电存储器设备、磁存储器设备、光存储器设备或组合存储器设备，其中一些数据表示可执行指令，由控制器34用来控制车辆10。
34.指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。指令在由处理器44执行时接收和处理来自传感器系统28的信号，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并且生成致动器系统30的控制信号以基于逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管在图1中仅示出了一个控制器34，但车辆10的实施例可以包括任何数量的控制器34，这些控制器通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号，执行逻辑、计算、方法和/或算法，并生成控制信号以自动控制车辆10的特征。
35.在各种实施例中，控制器34的一个或多个指令被包含在用于检测和预测车辆不稳定性的系统200中，并且当由处理器44执行时，执行关于图3的系统描述的功能和关于图4描述的方法的步骤。特别地，处理器44由指令配置为接收表示车辆在车辆10的重心处的状态的输入数据，以预测即将发生的车身不稳定性或检测当前的车身不稳定性。用于检测和预测车辆不稳定性车身的系统200基于评估表示相图中的车身运动模式的参数来进行操作。用于检测和预测车辆不稳定性的系统200可以输出表示所预测到或检测到的车辆不稳定性的数据，该数据可以用于调节车辆运动控制系统220(见图3)的约束条件或其他参数。在一个实施例中，基于从用于检测和预测车辆不稳定性的系统200输出的车辆不稳定性数据来调节运动预测控制算法的约束条件。这样，可以实现车辆10的增强控制性能。
36.参照图2，描绘了沿y轴104的横摆率r和沿x轴105的侧滑角β的相图100。车身运动数据点109被绘制在相图中。此外描绘了相图的稳定区域108，从而示出了车身运动数据点109的边界，这通常将表示车身稳定性。根据本公开，发现了车身运动数据点109的模式会提供对车身不稳定性的早期预测和实际检测。特别地，当车身运动数据点109以足够的速度在相图100中大体上呈垂直趋势(基本恒定的侧滑角β和变化的横摆率r)时，则可以识别出预测模式110，该预测模式提供对车辆不稳定性的早期预测。当车身运动数据点109在相图100中大体上呈水平趋势(基本恒定的横摆率r和变化的侧滑角β)时，则可以识别出检测模式112，该检测模式指示对当前车辆不稳定性事件的检测。用于检测和预测车辆不稳定性的系统200导出相图参数并且确定是否满足描述预测模式110或检测模式112的条件。在实施例中，相图参数包括多个车身运动数据点109的样本窗口的横摆率r与侧滑角β之间的相图角θ106，以及车身运动数据点109的样本窗口的移动速度m。移动速度m对于相对紧密靠近的连续车身运动数据点109而言将较低，而对于相对间隔开的连续车身运动数据点109而言则较高。
37.现在将参照图3更详细地描述用于检测和预测车辆不稳定性的系统200。用于检测和预测车辆不稳定性的系统200包括参考数据源214、传感器系统28、车辆不稳定性处理系统202和车辆运动控制系统220。传感器系统28提供传感器数据240，从而允许由车辆不稳定性处理系统202导出指示相图运动模式的参数。车辆不稳定性处理系统202评估指示相图运
动模式的参数，以提供对车身不稳定性的早期预测并检测当前的车身不稳定性。车辆不稳定性处理系统202输出体现对车身不稳定性的预测和/或检测的车辆不稳定性数据226，该车辆不稳定性数据用于校正车辆运动控制系统220的约束条件或其他参数以使车辆进入更稳定的状态。车辆不稳定性处理系统202执行稳定性恢复检测，以重置已由车辆不稳定性处理系统202设置的车辆不稳定性和预测标志。
38.在图3的示例性实施例中，传感器系统28提供传感器数据240，该传感器数据包括车辆10的横摆率r、横向加速度ay和纵向速度v
x
的测量值或估值。传感器数据240被提供给车辆不稳定性处理系统202，以在不使用路面状况数据和轮胎型号/信息的情况下预测和检测车辆不稳定性。车辆不稳定性处理系统202包括被配置为接收传感器数据240并对其执行各种操作的预处理模块208。预处理模块根据以下方程确定横摆率的时间导数和侧滑角的时间导数
[0039][0040][0041]
此外，在一些实施例中，预处理模块208将平均函数应用于横摆率和侧滑角的时间导数或应用于传入的传感器数据240。平均函数可以是移动平均函数。预处理模块208输出经预处理的测量数据232，其包括成对的横摆率的导数和侧滑角的导数，它们表示如关于图2描述的车身运动数据点109并且可以用于导出指示车身不稳定性的相图参数。
[0042]
车辆不稳定性处理系统202包括车辆不稳定性预测模块204和车辆不稳定性检测模块206。车辆不稳定性预测模块204实施一系列条件，关于从经预处理的测量数据232导出的相图参数对这些条件进行评估，以识别关于图2描述的预测模式110。车辆不稳定性检测模块206实施一系列条件，关于从经预处理的测量数据232导出的相图参数对这些条件进行评估，以识别关于图2描述的检测模式112。
[0043]
车辆不稳定性预测模块204接收p个经预处理的测量数据232的样本窗口。经预处理的测量数据232是时间序列数据，其中最近的数据点被标记为tk。样本窗口尺寸被定义为t
k-p
:tk。车辆不稳定性预测模块204基于满足以下条件来识别预测模式110：
[0044]
对于t＝t
k-p
:tk，
[0045][0046][0047][0048]
方程3表示相图角θ106的确定。相图角θ106应该相当于与相图100中的基本垂直模式相对应的经预处理的测量数据232的样本窗口。方程4表示被包括在经预处理的测量数据232的样本窗口中的数据点的移动速度(或传播范围)m。k1和k2是在来自参考数据源214的参考数据238中提供的可校准加权因子。c1是可校准常数，其为移动速度提供阈值，超过该阈
值，预测模式就是可识别的。方程5表示第三个条件，其需要横摆率r在样本窗口内有足够量(大于可校准常数c2)的总计移动/变化。对于要识别的预测模式110，应该满足方程3、4和5。然而，方程3、4和5的条件中的每个条件都指示预测模式110并且可以独立地或以任何组合形式进行应用。当车辆不稳定性预测模块204基于方程3、4和5评估预测模式110存在时，提供指示这种情况的不稳定性预测输出数据228。不稳定性预测输出数据228可以包括布尔预测标志或者表示预测的确定性的更细粒度变量等。
[0049]
车辆不稳定性检测模块206接收p个经预处理的测量数据232的样本窗口。用于车辆不稳定性检测模块206的数量p可以不同于用于车辆不稳定性预测模块204的数量p。经预处理的测量数据232是时间序列数据，其中最近的数据点被标记为tk。样本窗口尺寸被定义为t
k-p
:tk。车辆不稳定性检测模块206基于满足以下条件来识别检测模式112：
[0050]
对于t＝t
k-p
:tk，
[0051][0052][0053][0054]
方程6表示相图角θ106的确定。相图角θ106应该相当于与相图100中的基本水平模式相对应的经预处理的测量数据232的样本窗口。方程7表示被包括在经预处理的测量数据232的样本窗口中的数据点的移动速度(或传播范围)m。k1和k2是在来自参考数据源214的参考数据238中提供的可校准加权因子。c3是可校准常数，其为移动速度提供阈值，超过该阈值，检测模式就是可识别的。方程8表示第三个条件，其需要侧滑角β在样本窗口内有足够量(大于可校准常数c4)的总计移动/变化。对于要识别的检测模式112，应该满足方程6、7和8。然而，方程6、7和8的条件中的每个条件都指示检测模式112并且可以单独地进行应用或以任何组合形式进行应用。当车辆不稳定性检测模块206基于方程6、7和8评估检测模式112存在时，提供指示这种情况的不稳定性检测输出数据230。不稳定性检测输出数据230可以包括布尔检测标志或者表示检测的确定性的更细粒度变量等。
[0055]
在实施例中，不稳定性检测输出数据230(例如检测标志)和不稳定性预测输出数据228(例如预测标志)被输出作为车辆不稳定性数据226的一部分以由车辆运动控制系统220进行进一步处理。在一个实施例中，稳定性水平确定模块(未示出)对来自车辆不稳定性检测模块206的检测标志作出响应以确定不稳定性水平。不稳定性水平可以根据方程9进行计算：
[0056][0057]
t1表示车辆不稳定性检测模块206首次确定不稳定性的时间。t2是稍后的时间点(例如约2秒后)，此时侧滑角速率的积分合理准确地指示不稳定性水平。不稳定性水平的量化可以被包括作为车辆不稳定性数据226的一部分以供车辆运动控制系统220使用。
[0058]
在一些实施例中，车辆不稳定性处理系统202包括稳定性恢复检测模块212，该稳
定性恢复检测模块用于检测何时不再存在用于不稳定性预测或检测的条件，并且相应地改变不稳定性预测输出数据228或不稳定性检测输出数据230(例如，通过重置预测或检测标志)。可以使用多种条件来检测不稳定性预测不再有效，这些条件包括以下一项或多项：相图角106不是垂直的(例如，不满足方程3的条件)；速度幅度m已充分减小(例如，不再满足方程4的条件)；横摆率接近零或为零；当前横摆率与导致车辆不稳定性预测模块204的横摆率的比率小于预定常数；以及车辆的纵向速度接近零或为零。可以使用多种条件来检测不稳定性检测不再有效，这些条件包括以下一项或多项：速度幅度m已充分减小(例如，不再满足方程7的条件)；车辆10的纵向速度接近零或为零；横摆率接近零或为零；以及方程9从车辆不稳定性检测模块206检测到车辆不稳定性的时间(t1)到当前时间的积分接近零。另外或可替代地，可以使用用于重置预测或检测标志的其他条件。在检测到稳定性恢复时不稳定性预测输出数据228或不稳定性检测输出数据230的变化作为车辆不稳定性数据226的一部分被提供给车辆运动控制系统220。车辆运动控制系统可以通过停止采取校正动作以使车辆稳定来对此类变化作出响应，因为已采取的动作已经是有效的。
[0059]
根据各种实施例，车辆运动控制系统220包括车辆运动控制模块222和车辆运动控制调节器224。车辆运动控制模块222生成车辆运动控制命令数据242，该车辆运动控制命令数据体现要由致动器系统30为控制车辆而采取的控制动作。另外参照图1，车辆运动控制命令数据242可以控制一个或多个致动器设备42a-42n以控制一个或多个车辆特征，诸如但不限于推进系统20、传动系统22、转向系统24和制动系统26。车辆运动控制模块222实施车辆运动控制算法，诸如模型预测控制算法和前馈控制算法中的一者或多者。车辆运动控制模块222可以利用各种约束条件和变量来生成车辆运动控制命令数据242。车辆运动控制调节器224对车辆不稳定性数据226作出响应，以基于该车辆不稳定性数据来调节车辆运动控制模块222以便校正车辆不稳定性条件。在一个实施例中，车辆运动控制调节器224可以实施约束条件计算器，以调节由车辆运动控制模块222使用的约束条件或变量。对模型预测控制算法(例如)的约束条件进行的此类调整可以基于由车辆不稳定性处理系统202确定的车辆不稳定性数据226来使车辆恢复稳定控制。
[0060]
现在参照图4，并且继续参照图1至图3，流程图示出了根据本公开的方法400，该方法可以由用于检测和预测车辆不稳定性的系统200执行。如根据本公开可以理解的，该方法内的操作顺序不限于如图4所示的顺序执行，而是可以在适用的情况下以一种或多种不同的顺序并根据本公开执行。在各种实施例中，方法400可以基于一个或多个预定事件来调度运行，和/或可以在车辆10的操作期间连续运行。
[0061]
在步骤410中，用于检测和预测车辆不稳定性的系统200从传感器系统28接收传感器数据240。传感器数据240包括横摆率、横向加速度和纵向速度。在步骤420中，传感器数据240被预处理，这可以包括应用移动平均函数以及计算横摆率的时间导数和侧滑角的时间导数。移动平均函数可以应用于传感器数据240本身或应用于横摆率的时间导数和侧滑角的时间导数。在步骤430中，基于横摆率的时间导数和侧滑角的时间导数来计算相图参数。相图参数包括来自步骤420的经预处理的测量数据232的最近样本窗口的相图角106和速度幅度m。相图角106表示相图中的横摆率和侧滑角之间的角度，并且速度幅度m表示相图中数据点(每个数据点包括一对横摆率和侧滑角)的传播或变化速度。
[0062]
在步骤440中，来自步骤430的相图参数用于评估相图条件，该相图条件预测即将
到来的车辆不稳定性事件。特别地，该相图条件包括相图100中变化速度超过某个最小阈值的数据点的基本垂直趋势，这将指示预测模式110。在一个实施例中，方程3至5在步骤440中被评估以确认是否作出车辆不稳定性预测。
[0063]
在步骤450中，来自步骤430的相图参数用于评估相图条件，该相图条件检测当前的车辆不稳定性事件。特别地，该相图条件包括相图100中变化速度超过某个最小阈值的数据点的基本水平趋势，这将指示检测模式110。在一个实施例中，方程6至8在步骤450中被评估以确认是否作出车辆不稳定性检测。在一些实施例中，仅执行预测步骤440和检测步骤450中的一者。
[0064]
在步骤460中，当步骤440和/或450指示所预测到或检测到的车辆不稳定性时，对车辆运动进行控制以校正车辆不稳定性。例如，模型预测控制算法的约束条件可以基于所检测到或预测到的车辆不稳定性进行调节。在一些实施例中，按照方程9确定不稳定性水平，该不稳定性水平用作约束条件调节的基础。在步骤470中，检测到稳定性恢复，从而导致重置预测或检测标志。车辆运动控制可以停止被调节为校正车辆不稳定性。可以通过多种方式确定稳定性恢复。特别地，导致步骤440和450中车辆不稳定性的预测或检测的条件的结束至少部分地决定车辆稳定性恢复检测。在未检测到车辆稳定性恢复检测的情况下，车辆运动控制继续被调节以使车辆进入更稳定的状态。
[0065]
根据本文描述的系统和方法，相图参数被导出以识别用于车身稳定性监测的相图模式。早期指示算法对车身的稳定性行为进行预测。使用相图导出的参数来识别车身不稳定性的开始。该方法和系统不依赖轮胎型号并且不依赖道路状况。可以使用最少测量次数和可靠估值来预测和检测车辆不稳定性，从而确保低计算预算。此外，提供了早期标志和检测标志重置机制。
[0066]
尽管在前述详细描述中已提出了至少一个示例性实施例，但是应当理解，存在大量变型。还应当理解，示例性实施例或多个示例性实施例仅是示例，并且不旨在以任何方式限制本公开的范围、适用性或配置。相反，前述详细描述将为本领域技术人员提供用于实施示例性实施例或多个示例性实施例的便利路线图。应当理解，在不脱离如所附权利要求及其合法等效物所阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。