[发明专利]基于Bayes的路面附着系数估计方法及电子设备

说明书

本发明公开了一种基于Bayes的路面附着系数估计方法及电子设备，该方法通过汽车行驶时某一侧的牵引力与汽车滑移率的数据点集决定道路模型的归属，并精确计算道路模型的附着系数。本发明将整体的数据点集划分成多个数据子集，每一个数据子集中不同附着系数的路面的点集呈现正态分布的趋势，且不同的附着系数的路面的点集的正态分布的期望与方差各有差异，通过对这种差异的学习可辨别不同附着系数的路面；进而通过构建每一个数据子集内每一种附着系数的路面模型的正态分布概率函数，当实时的数据点到来时，通过实时的数据点的牵引力以及滑移率，结合正态分布概率函数可以得到当前的道路模型的归属，最终通过卡尔曼滤波器得到路面模型的附着系数。

技术领域

本发明属于路面附着系数技术领域，具体涉及一种基于Bayes的路面附着系数估计方法及电子设备。

背景技术

目前，汽车数量日益剧增，安全性能成为了汽车最重要的考虑部分。在越来越成熟的自动驾驶领域，不仅对汽车本身的安全性能有着很大要求，同时对于路面的情况，例如路面的粗糙程度，路面的附着系数等参数也有很严格的要求，尤其是对附着系数的要求。汽车在不同附着路面下的制动距离不同，在附着系数较小的路面下制动距离较长，所以在汽车行驶在不同附着系数的路面切换时，尤其是自动驾驶领域，更快的识别切换与识别出切换到哪一种附着系数的路面格外重要。

在现有的基于传感器的路面分类识别以及切换系统中，传感器的直接识别设备受到安装环境、使用环境、价格昂贵等条件的限制，在一些特殊情况中(例如大雾大雪等恶劣天气)对路面的识别切换效果并不明显，切换速度也达不到实际的需求。

而一般算法，如通过最小二乘法对采样点以窗口的方式进行数据特征判断，由于汽车高速行驶对路面切换识别的实时性要求很高，不能满足现实汽车在行驶时的实际需求。另外的一些算法，例如通过卡尔曼滤波器进行快速滤波，能够满足实时性要求，在汽车发生路面切换的第一时间便能得到结果，但是只能判断路面已经发生了切换，却不能计算出切换后的合乎需求的精度的路面的附着系数，这也不能满足对路面情况要求十分严格的自动驾驶领域的实际需求。

发明内容

针对现有技术中存在的问题，本发明提供一种基于Bayes的路面附着系数估计方法及电子设备，用以快速识别路面的切换以及估计出路面附着系数。

为实现上述目的，本发明提供了一种基于Bayes的路面附着系数估计方法，包括以下步骤：

获取包括滑移率与牵引力的数据点的集合；

将牵引力划分成多个子区间，用以将数据点集划分成多个数据子集；同一数据子集内，不同附着系数的路面模型的滑移率服从不同的正态分布；

在每一个数据子集内，计算每一种附着系数的路面模型的正态分布的期望与方差，根据计算得到的期望与方差构建每一种附着系数的路面模型的正态分布概率函数；

采集实时数据点，根据实时数据点的牵引力选择对应的数据子集；

根据实时数据点的滑移率，结合所选数据子集内每一种附着系数的路面模型的正态分布概率函数，计算该实时数据点归属于每一种附着系数的路面模型的概率；

根据最大归属概率，确定该实时数据点所归属的路面模型；

通过卡尔曼滤波器计算当前路面模型的附着系数。

在一些可选的实施方案中，滑移率为汽车行驶过程中汽车左侧或者右侧的滑移率。

在一些可选的实施方案中，车辆左侧或者右侧的滑移率计算公式如下：

式中，S表示车辆某一侧的滑移率，W₁和W₂分别表示车辆某一侧驱动轮和从动轮的角速度，R₁和R₂分别表示车辆某一侧驱动轮和从动轮的轮胎半径，其中：某一侧为左侧或右侧。