识别和补偿挂车影响的方法、系统和装置与流程

1.本发明一般涉及转向辅助方法、系统和装置，更具体地说，涉及用于针对受拖车舌部重量影响的车辆电子动力转向控制的扭矩控制，估计转向特性的方法、系统和装置，以在拖车被连接时执行自动、自主和辅助操纵。


背景技术：

2.近年来，陆地驾驶车辆的自主和半自主驾驶功能取得了显著进步，例如超级巡航(一种无需手操作的半自主驾驶员辅助功能，其使用高清地图和用于观察道路的传感器，以帮助车辆加速和减速)、lka(车道保持辅助，这是一种半自主驾驶功能，帮助转向，以将车辆保持在车道边界内或车道中心)等。车辆仍可以在许多方面得到改进。
3.牵引拖车时的摇摆会导致载荷转移和横向挂接力，牵引动作产生的力会影响轮胎与路面的接触面积、自对准扭矩和车辆的侧滑。当进行车辆牵引时，拖车的运动和其他稳态挂接力会导致牵引车转向动态特性的变化，例如降低转向车道居中控制(lcc)的跟踪性能，并增加方向盘操作的抖动质量。补偿转向动态特性中这些有害影响的能力受到某些障碍的影响，包括缺乏拖车参数和状态的得知，以及难以容易地识别拖车的动态特性。
4.期望实现一种自适应模型和控制器，其能够在检测到拖车时自动更新转向控制策略和参数。
5.期望启用识别拖车参数、驱动力、即将到来的道路几何形状并且能够主动修改转向设备和控制架构的适应策略。可以响应于由拖车和操作环境引起的额外条件，通过使用相关的转向建模和修改自动转向操作功能来实现这种适应。
6.希望用于自动辅助转向的自适应控制结构、策略和实现方式，其能有助于期望的路径跟随和车道保持特征，以及其他主动安全和自动驾驶特征。
7.此外，结合附图和前述技术领域和背景技术，从随后的详细描述和所附权利要求中，本发明的其他期望特征和特性将变得易于理解。


技术实现要素：

8.公开了一种用于自适应控制结构、策略和实现的方法、系统和装置，用于在连接拖车时自动辅助转向车辆。
9.在一个示例性实施例中，提供了一种用于电子动力转向(eps)的自适应控制的方法。该方法包括:当车辆连接到参与牵引动作的拖车时，由在车辆中处理的转向控制单元向eps发送扭矩控制，该扭矩控制是基于来自车辆轨迹控制单元和转向辅助控制单元的输入控制信号的；配置所述转向辅助控制单元，以基于使用自适应因子的算法生成控制信号，所述自适应因子对在参与牵引动作时受到拖车影响的转向动态特性进行建模；由转向辅助控制单元对基于连接到车辆挂接装置的拖车的舌部重量而建模的自适应阻尼因子进行建模，其中挂接装置减小施加到车辆前轴的力；由转向辅助控制单元接收由连接到车辆挂接装置的拖车所呈现的一组力，该一组力包括至少一个横向力，在参与牵引动作时该横向力影响
车辆的横向动态特性和车辆的角运动；以及由转向辅助控制单元产生用于向eps施加扭矩辅助的控制信号，其中该算法使用自适应因子通过由阻尼因子施加的增益来补偿至少一个横向力，该增益基于由传递函数建模的扭矩力，该传递函数至少与舌部重量成比例。
10.在至少一个示例性实施例中，该方法包括由转向辅助控制单元基于传递函数来应用阻尼因子，以对拖车在参与牵引动作时的一组未知挂接力和载荷传递进行补偿。
11.在至少一个示例性实施例中，该方法包括由转向辅助控制单元配置离线算法，用于对自适应阻尼因子进行建模，该自适应阻尼因子是按照当前拖车的舌部重量建立的，该当前拖车连接到具有一组已知舌部重量的车辆的挂接装置。
12.在至少一个示例性实施例中，该方法包括，通过将连接到车辆挂接装置的当前拖车的舌部重量与已经通过离线训练确定的一组已知舌部重量进行比较来对自适应阻尼因子进行建模，来配置离线算法以供使用，其中车辆当前处于预制造状态。
13.在至少一个示例性实施例中，该方法包括由转向辅助控制单元通过比较车辆的角速度和自对准扭矩(sat)来识别舌部重量的影响。
14.在至少一个示例性实施例中，该方法包括在与车辆角速度的比较中识别舌部重量的影响，并且在车辆制造过程中执行自对准扭矩(sat)。
15.在至少一个示例性实施例中，该方法包括，通过比较车辆的角速度和自对准扭矩中的至少一个，由转向辅助控制单元来校准转向控制的前馈单元。
16.在至少一个示例性实施例中，该方法包括由转向单元使用至少基于校准的前馈单元和车辆角速度的模型。
17.在另一个示例性实施例中，提供了一种系统。该系统包括设置在车辆中的处理单元，该处理单元包括一个或多个处理器，该处理器由编码在非瞬态计算机可读介质上的、用于电子动力转向(eps)的自适应控制的程序指令配置，该程序指令配置为:当车辆连接到参与牵引动作的拖车时，基于来自车辆轨迹控制系统的输入控制信号和自适应eps阻尼因子算法向eps发送扭矩控制；配置所述自适应eps阻尼因子算法，以使用自适应因子生成控制信号，所述自适应因子对在参与牵引动作时受拖车影响的转向动态进行建模；基于连接到车辆挂接装置的拖车的舌部重量而建模的自适应阻尼因子进行建模，其中挂接装置减小施加到车辆前轴的力；接收由连接到车辆挂接装置的拖车所呈现的一组力，包括至少一个横向力，在参与牵引动作时该横向力影响车辆的横向动态特性和车辆的角运动；以及生成用于向eps施加扭矩辅助的控制信号，其中自适应eps阻尼因子算法基于由传递函数建模的扭矩力通过阻尼因子施加的增益来改变自适应因子以补偿至少一个横向力，所述传递函数至少与舌部重量成比例。
18.在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为基于传递函数来应用阻尼因子，以对拖车在参与牵引动作时的一组未知挂接力和载荷传递进行补偿。
19.在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为配置离线算法，用于对自适应阻尼因子进行建模，该自适应阻尼因子是按照当前拖车的舌部重量建立的，该当前拖车连接到具有一组已知舌部重量的车辆的挂接装置。
20.在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为通过将车辆的角速度和自对准扭矩(sat)进行比较来识别舌部重量，从而配置离线算法以供使用，
用于对自适应阻尼因子进行建模，该自适应阻尼因子是用一组已知的舌部重量对连接到车辆挂接装置的当前拖车的舌部重量进行建模的。
21.在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为通过至少比较车辆的角速度和自对准扭矩(sat)来校准用于自适应转向控制的前馈单元。
22.在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为使用至少基于校准的前馈单元和车辆角速度的模型。
23.在又一示例性实施例中，提供了一种车辆设备，其包括转向辅助单元，该转向辅助单元包括一个或多个处理器和用编程指令编码的非瞬态计算机可读介质，该转向辅助单元用于电子动力转向(eps)的自适应控制。转向辅助单元被配置为:当车辆被连接到参与牵引动作的拖车时，基于来自车辆轨迹控制系统的输入控制信号和自适应eps阻尼因子算法向eps发送扭矩控制；配置所述自适应eps阻尼因子算法，以使用自适应因子生成控制信号，所述自适应因子对在参与牵引动作时受到拖车影响的转向动态进行建模；对连接到车辆挂接装置的拖车的舌部重量建模自适应阻尼因子，其中挂接装置减小施加到车辆前轴的力；接收由连接到车辆挂接装置的拖车所呈现的一组力，包括至少一个横向力，该横向力在参与牵引动作时影响车辆的横向动力学和车辆的角运动；以及生成用于向电动助力转向系统施加扭矩辅助的控制信号，其中自适应电动助力转向系统阻尼因子算法基于由传递函数建模的扭矩力通过阻尼因子施加的增益来改变自适应因子以补偿至少一个横向力，所述传递函数至少与舌部重量成比例。
24.在至少一个示例性实施例中，车辆设备包括转向辅助单元，该转向辅助单元被配置为基于传递函数应用阻尼因子，以对拖车在参与牵引动作时的一组未知的挂接力和载荷传递进行补偿。
25.在至少一个示例性实施例中，车辆设备包括转向辅助单元，该转向辅助单元被配置为:配置离线算法，用于对自适应阻尼因子进行建模，该自适应阻尼因子基于当前拖车的舌部重量进行建模，该当前拖车利用一组已知的舌部重量连接到车辆的挂接装置。
26.在至少一个示例性实施例中，车辆设备包括转向辅助单元，该转向辅助单元被配置为:通过将车辆的角速度和自对准扭矩(sat)进行比较来识别舌部重量；配置离线算法，用于对自适应阻尼因子进行建模，该自适应阻尼因子是基于与一组已知舌部重量耦合的当前拖车的舌部重量而建模的。
27.在至少一个示例性实施例中，车辆设备包括转向辅助单元，该转向辅助单元被配置为:通过至少比较车辆的角速度和自对准扭矩(sat)来校准用于自适应转向控制的前馈单元。
28.在至少一个示例性实施例中，车辆设备包括转向辅助单元，该转向辅助单元被配置为:至少基于包括车辆的预测动态特性的一组输入来产生转向控制扭矩。
附图说明
29.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，并且其中:
30.图1示出了描绘根据示例性实施例的示例性车辆的框图，该示例性车辆可以包括用于转向辅助控制系统的处理器；
31.图2描绘了根据示例性实施例的用于转向辅助控制系统的应用的在弯道中不稳定的牵引的示例性场景；
32.图3是描绘根据一个实施例当车道居中控制(llc)脱离以通过自适应阻尼因子应用转向辅助控制时的场景的曲线图；
33.图4是根据示例性实施例的使用算法的控制系统的示例，该算法对eps阻尼因子进行建模，以在牵引时向车辆的转向控制单元产生输入控制信号；
34.图5a和5b示出了根据一个实施例的用于识别舌部重量和阻尼因子以及用于转向辅助控制系统的转向控制的算法的示例性实施例的示意图；和
35.图6示出了根据一个实施例的由转向辅助控制系统识别和补偿拖车对转向动力学的影响的示例性流程图。
具体实施方式
36.以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，不打算受前面的技术领域、背景技术、发明内容或下面的详细描述中呈现的任何明示或暗示的理论的约束。
37.如这里所使用的，术语“模块”指的是任何硬件、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，包括但不限于:专用集成电路(asic)、现场可编程门阵列(fpga)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适部件。
38.这里可以根据功能和/或逻辑块部件和各种处理步骤来描述本公开的实施例。应当理解，这种块部件可以由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，例如存储元件、数字信号处理元件、逻辑元件、查找表等，其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来实践，并且本文描述的系统仅仅是本公开的示例性实施例。
39.自主和半自主车辆能够感知它们的环境并基于感知到的环境进行导航。这种车辆使用多种类型的感测设备来感测它们的环境，例如光学摄像机、无线电雷达、激光雷达、其他图像传感器等。在这种车辆中，感测到的数据可以与地图数据和车辆传感器(惯性测量单元、车速传感器等)融合在一起，以基于道路几何形状识别和跟踪车辆轨迹跟踪性能。
40.在各种示例性实施例中，本公开描述了用于自适应控制结构、策略和优化的方法、系统和装置，用于在拖车附接时的自动辅助转向(automated and assistive steering)。
41.在各种示例性实施例中，本公开描述了用于在拖车附接时自动辅助转向的方法、系统和装置，以识别拖车动态特性对转向控制的影响，以增强牵引时的转向特性识别过程，并通过牵引时的自适应控制结构来补偿未知的挂接力和载荷传递。
42.图1示出了描绘根据示例性实施例的示例性车辆的框图，该示例性车辆可以包括用于转向辅助控制系统的处理器。
43.在示例性实施例中，转向辅助控制系统100(“系统”)在拖车被附接时提供自动辅助转向的适应性，并且识别拖车动态特性对转向控制的影响。转向辅助控制系统提供了转向特性识别方法，该方法考虑了拖车影响而对转向动态特性进行建模，并提供在了自适应
控制结构中未知挂接力和载荷转移的补偿方法。
44.转向辅助控制系统100实现连续的自动转向特征，其对应于驾驶员对“安全”的感知以及基于车道边界内的车辆位置和道路几何形状和条件的变化。例如，在示例性实施例中，当车辆处于更安全的运行状态时，驾驶员将感觉到转向控制的必要性降低，并且期望减少停止干预的努力。因此，系统100减少了驾驶员利用动手自动转向特征的努力。这又减少了当驾驶员的意图与自动驾驶特征的意图不同时驾驶员对手动转向控制的总体不便，当车辆在安全条件下运行时，自动驾驶特征已经由系统100实现。
45.在示例性实施例中，系统100实现连续的自动转向特征，其可以对应于驾驶员基于车辆位置和车道条件对“安全”变化的感知。当车辆处于基于车道边界内的车辆位置和/或道路几何形状和车道条件的更安全的运行状态下时，系统100将对驾驶员认为转向控制的必要性较低以及停止干预所需的努力的预期减少做出反应。当车辆处于这种安全条件下时，系统100还可以在利用其他相关的手动自动转向特征来减少手动转向控制的总体不便时减少驾驶员的努力。
46.如图1所示，车辆10通常包括底盘12、车身14、前轮(受舌部重量撞击的前轴)16和后轮18。车身14布置在底盘12上(挂接装置13连接到拖车舌部上)，并且基本上包围车辆10的部件。主体14和底盘12可以共同形成框架。车轮16-18每个都在车身14的相应拐角附近可旋转地连接到底盘12。在所示实施例中，车辆10被描绘为客车。然而，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)、船舶、飞机等。
47.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、促动器系统30、至少一个数据存储设备32、至少一个控制器34和通信系统36。在该示例中，推进系统20可以包括电机，例如永磁(pm)电动机。传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。
48.制动系统26被配置为向车轮16和18提供制动扭矩。在各种示例性实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机的再生制动系统和/或其他合适的制动系统。
49.转向系统24影响车轮16和/或18的位置。尽管为了说明的目的而被描绘为包括方向盘25，但是在本公开范围内设想的一些示例性实施例中，转向系统24可以不包括方向盘。
50.传感器系统28包括一个或多个感测设备40a-40n，其感测车辆10的外部环境和/或内部环境的可观察条件，并产生与之相关的传感器数据。
51.促动器系统30包括一个或多个促动器装置42a-42n，其控制一个或多个车辆特征，例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。在各种示例性实施例中，车辆10还可以包括图1中未示出的内部和/或外部车辆特征，例如各种门、后备箱和车厢特征，例如空气、音乐、照明、触摸屏显示部件等。
52.数据存储设备32存储用于控制车辆10的数据。数据存储设备32可以是控制器34的一部分，与控制器34分离，或者是控制器34的一部分和分离系统的一部分。
53.控制器34包括至少一个处理器44(与系统100集成或连接到系统100)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商业上可获得的处理器、中央处理单元(cpu)、图形处理单元(gpu)、专用集成电路(asic)(例如，实现神经网络的定制asic)、现场可编程门阵列(fpga)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的
微处理器(以微芯片或芯片组的形式)、它们的任何组合、或通常用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(rom)、随机存取存储器(ram)和保活存储器(kam)中的易失性和非易失性存储。kam是持久或非易失性存储器，用于在处理器44断电时存储各种操作变量。计算机可读存储设备或介质46可以使用几种已知存储设备中的任何一种来实现，例如prom(可编程只读存储器)、eprom(电prom)、eeprom(电可擦除prom)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些存储设备代表可执行指令，由控制器34在控制车辆10时使用。
54.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。当由处理器44执行时，指令接收和处理来自传感器系统28的信号(例如，传感器数据)，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，并产生传输到促动器系统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，但是车辆10的实施例可以包括任意数量的控制器34，这些控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。
55.例如，系统100可以包括嵌入控制器34中的任意数量的额外子模块，这些额外子模块可以被组合和/或进一步划分以类似地实现本文描述的系统和方法。另外，系统100的输入可以从传感器系统28接收，从与车辆10相关联的其他控制模块(未示出)接收，和/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外，还可以对输入进行预处理，例如子采样、降噪、归一化、特征提取、缺失数据减少等。
56.图2描绘了根据示例性实施例的用于转向辅助控制系统的应用的在弯道中不稳定的牵引的示例性场景。在图2中，显示了控制自适应，用于识别和自适应前馈(ff)控制的阻尼因子(df)。期望的轨迹由带有拖车和拖车舌部211的车辆210的虚线200示出。拖车舌部211以多种类型的动态力(横向的和成角度的)撞击车辆210的前轴，这导致轨迹跟踪误差。轨迹跟踪误差215基于道路曲率、转向控制跟踪和特征条件来指示车道居中控制(lcc)何时将不起作用。
57.图3是描绘根据一个实施例的当自动转向特征(asf)脱离以通过自适应阻尼因子应用转向辅助控制时的场景图。在图3中，曲线图300描绘了当轨迹跟踪误差(e
trk
)超过阈值时，在310处asf脱离。此外，在315，检测特征条件的振荡。
58.图4是根据示例性实施例的算法的示例性控制系统，该算法对电动助力转向系统阻尼因子进行建模，以在牵引时向车辆的转向控制单元产生输入控制信号。在图4中，由系统100(图1)如下计算eps阻尼因子:
59.轨迹控制单元410基于轨迹跟踪误差、道路曲率和转向控制，使用算法δ
fb
＝-ke
trk
和来对输入到转向单元的控制信号进行建模(参见图3的图)。轨迹控制单元向转向控制单元420产生输出θ
ref
＝ksδ
ref
。转向控制单元420包括反馈控制单元430和前馈单元440，反馈控制单元430用于向eps 480产生扭矩的反馈控制信号(沿反馈方向)，前馈单元440用于向eps 480产生扭矩的前馈控制信号(沿反馈方向)。转向反馈控制420的反馈控制420施加反馈扭矩前馈控制单元440施加前馈扭矩
额外的输入扭矩(例如驾驶员手动输入)由驾驶员转向τ
drvr
添加到算法中，另一个扭矩也是施加到车辆上的总扭矩力。
60.当牵引时，前馈控制单元440接收来自自适应电子动力转向(eps)阻尼因子的输入。自适应eps阻尼因子由等式由等式建模。自适应eps阻尼因子接收来自所连接的拖车的输入。eps 480接收由转向控制单元420基于控制信号产生的扭矩指令。
61.用于识别和控制拖车电动助力转向系统扭矩的模型或算法的模型如下:
[0062][0063]
该算法是指拖车在挂接装置上的舌部重量t，它减少了前轴上的法向力，这也减少了应用于eps的自适应阻尼因子df。横向挂接力f
yf
通过vy和ωz影响横向动态特性。这个力大致与舌部重量t成正比。参数γ主要取决于前悬架的几何形状。该模型确定了自对准扭矩和eps动态特性中拖车力的影响。
[0064]
图5a和5b示出了根据一个实施例的用于识别舌部重量和阻尼因子以及用于转向辅助控制系统的转向控制的算法的示例性实施例的示意图。在图5a中，建立了目标扭矩算法，该算法与方向盘角度和角速度等转向过程参数相关。该算法的动态测量集包括，来自离线训练的τ
eps
,δ阻尼因子、车辆速度v
x
和角运动ωz，车辆加速度(ay,a
x
)，其被发送以在520识别舌部重量t和阻尼因子df，其中舌部重量t通过将ωz与sat进行比较，以对输出进行建模并挑选最接近的值，以发送给转向控制器540。轨迹控制530也作为输入发送到转向控制540，转向控制540又产生eps 550的状态。
[0065]
在图5b中，显示了基于针对拖车动态特性的自适应控制系统的转向控制调节。在图5b中，转向控制跟踪(e)对道路曲率做出响应，并在轨迹控制模块560处接收轨迹控制信号e
trk
。τ
cmd
的反馈被发送到eps 580，并按照用于特征条件的转向角度θm进行调整。
[0066]
在一个示例性实施例中，遵循控制自适应过程，该过程包括以下步骤:首先通过步骤1配置用于eps阻尼因子的算法，车辆针对一组已知舌部重量t1,t2,t3…
中的每一组对预制造进行离线训练，并识别自对准扭矩(sat)、阻尼因子df、角速度wz、纵向v
x
模型、横向vy模型和校准ff控制。接下来在步骤2中，系统通过将wz和sat来识别舌部重量t，以对输出进行建模并确定已知组中的最接近舌部重量。最后在第3步中，使用ff,d
f,
和vy以及与当前条件最接近模型相关联的模型。
[0067]
图6示出了根据一个实施例的由转向辅助控制系统识别和补偿拖车对转向动力性能的影响的示例性流程图。流程图600包括通过转向辅助控制系统(“系统”)启用电子动力转向(eps)的自适应控制的任务。在任务605，扭矩控制由系统启动，以向eps发送扭矩控制命令，用于对控制转向系统的前馈或反馈扭矩辅助，并且扭矩控制是基于当车辆连接到参与牵引动作的拖车时来自车辆轨迹控制单元和转向辅助控制单元的输入控制信号的。
[0068]
在任务610，系统配置转向辅助控制单元，以基于使用自适应因子的算法生成控制信号，该自适应因子对在参与牵引动作时受拖车影响的转向动态特性进行建模。在任务615，系统的转向辅助控制单元使用自适应阻尼因子，该自适应阻尼因子是根据连接到车辆挂接装置的拖车的舌部重量建模的。挂接装置的使用减少了施加在车辆前轴上的力。在任务620，系统的转向辅助控制单元接收由连接到车辆挂接装置的拖车所呈现的一组力，其中横向力撞击或影响车辆的横向动力，并且还可能影响车辆在参与牵引动作时的角运动。
[0069]
在任务625，系统的转向辅助控制单元产生用于向eps施加扭矩辅助的控制信号。系统使用的算法实现了自适应因子，以基于由(取决于)舌部重量的传递函数建模的扭矩力，通过阻尼因子施加的增益量来补偿一个或多个横向力。在任务630，系统的转向辅助控制单元应用使用传递函数的算法来补偿拖车在参与牵引动作时的一组未知的挂接力和载荷传递。在任务635，转向辅助控制单元被配置成用于离线算法，该算法通过对自适应阻尼因子建模来使用，该自适应阻尼因子是对当前拖车的舌部重量建模的，该当前拖车连接到具有一组已知舌部重量的车辆的挂接装置。在任务640，系统通过将连接到车辆挂接装置的当前拖车的舌部重量与已经通过离线训练确定的一组已知舌部重量进行比较来对自适应阻尼因子建模，从而配置离线算法以供使用，其中车辆当前处于预制造状态。
[0070]
在任务645，系统通过转向辅助控制单元并通过比较车辆的角速度和自对准扭矩(sat)来识别舌部重量的影响。在车辆制造过程中，通过与车辆角速度和自对准扭矩(sat)进行比较，确定舌部重量的影响。
[0071]
在任务650，系统通过比较至少车辆的角速度和自对准扭矩，由转向辅助控制单元校准转向控制的前馈单元。
[0072]
在任务655，系统通过转向单元使用至少基于校准的前馈单元和车辆角速度的模型。
[0073]
在示例性实施例中，自适应阻尼因子可以用深度神经网络来实现，以通知预制造车辆和制造过程中的车辆的估计阻尼因子。在这种情况下，舌部重量、模型和算法将被配置为已经训练好的神经网络。因此，在某些实施例中，转向控制系统的估计阻尼因子的过程仅在操作模式中配置。例如，在各种实施例中，在车辆(或其他车辆)中使用或提供之前，在训练模式期间训练深度神经网络。一旦训练了深度神经网络，它就可以以操作模式在车辆(例如，图1的车辆10)中实现，其中车辆以自主、半自主或手动方式操作。
[0074]
在各种可选的示例性实施例中，应当理解，神经网络也可以在车辆中的训练模式和操作模式中实现，并且在初始操作期间结合用于eps的扭矩控制和用于估计阻尼因子的条件和事件的操作或类似方法进行训练。此外，在各种实施例中，车辆可以仅在具有神经网络的操作模式下操作，该神经网络已经通过同一车辆和/或其他车辆的训练模式得到训练。
[0075]
如简要提及的，上述各种模块和系统可以被实现为一个或多个机器学习模型，其经历有监督、无监督、半监督或强化学习。这样的模型可以被训练来执行分类(例如，二进制或多类分类)、回归、聚类、降维和/或这样的任务。这种模型的例子包括但不限于人工神经网络(ann)(例如递归神经网络(rnn)和卷积神经网络(cnn))、决策树模型(例如分类和回归树(cart))、集成学习模型(例如增强(boosting)、自举聚集、梯度增强机和随机森林)、贝叶斯网络模型(例如朴素贝叶斯)、主成分分析(pca)、支持向量机(svm)、聚类模型(例如k近邻、k均值、期望最大化、层次聚类等)和线性判别分析模型。
[0076]
应当理解，图1-6的过程可以包括任何数量的额外或替代任务，图1-6中所示的任务不需要以图示的顺序执行，并且图1-6的过程可以被结合到具有这里没有详细描述的额外功能的更全面的过程或过程中。此外，图1-6中示出的一个或多个任务可以从图1-6中示出的过程的实施例中省略，只要预期的整体功能保持完整。
[0077]
前述详细描述本质上仅仅是说明性的，并不旨在限制主题的实施例或这些实施例的应用和使用。如这里所使用的，词语“示例性的”意味着“用作例子、实例或说明”本文描述为示例性的任何实现不一定被解释为比其他实现更优选或更有利。此外，不打算受前面的技术领域、背景或详细描述中呈现的任何明示或暗示的理论的约束。
[0078]
虽然在前面的详细描述中已经呈现了至少一个示例性实施例，但是应当理解，存在大量的变化。还应当理解，一个或多个示例性实施例仅仅是示例，并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现一个或多个示例性实施例的便利路线图。
[0079]
应当理解，在不脱离所附权利要求及其法律等同物中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。