一种轮地接触状态的估计方法

本公开涉及智能轮胎状态感知及车辆动力学状态估计，特别涉及一种轮地接触状态的估计方法。

背景技术：

1、轮胎是车辆与道路之间唯一的直接接触部件，其力学状态决定车辆的制动、驱动、转向和稳定性。轮胎垂向力、纵向力、侧向力、侧偏角和滑移率等轮地接触状态，是防抱死制动系统、驱动防滑系统、电子稳定控制系统、线控底盘控制系统和智能驾驶车辆运动控制的重要输入。准确、及时地获取上述状态，对于提高车辆在紧急制动、高速转向、低附着路面和复合滑移等复杂工况下的安全性具有重要意义。

2、相关技术中一般是采用车载信号结合车辆动力学模型和轮胎模型进行间接估计。该类方法的观测起点位于整车响应，而非轮胎-路面接触界面。在低附着、极限制动、急转弯或纵横向复合滑移条件下，轮胎力学特性具有明显的非线性、时变性和耦合性，车辆模型参数及轮胎模型参数易发生失配，进而影响估计精度和稳定性。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种轮地接触状态的估计方法，至少在一定程度上克服相关技术中在某些条件下，轮胎力学特性具有明显的非线性、时变性和耦合性，车辆模型参数及轮胎模型参数易发生失配，估计精度和稳定性低的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、第一方面，本公开中的实施例提供一种轮地接触状态的估计方法，方法包括：

4、确定轮胎内的以轮胎旋转角为自变量的角域信号，并通过角域信号确定接地窗口；接地窗口为根据角域信号确定的前缘角位置和后缘角位置确定的；角域信号包括：纵向应变角域信号和加速度角域信号；

5、在接地窗口中，根据角域信号，确定轮地接触状态的物理估计值；

6、根据纵向应变角域信号提取第一维数的应变特征，构建应变特征向量，以及根据加速度角域信号中提取第二维数的加速度特征，构建加速度特征向量；

7、根据应变特征向量和加速度特征向量，通过训练好的残差预测模型，得到轮地接触状态对应的残差预测值；

8、根据物理估计值和对应的残差预测值之和，确定轮地接触状态估计值。

9、在一种可能的实施例中，纵向应变角域信号包括以下至少一种：内侧应变角域信号、中心应变角域信号和外侧应变角域信号；加速度角域信号包括以下至少一种：纵向加速度角域信号，侧向加速度角域信号，垂向加速度角域信号。

10、在一种可能的实施例中，确定轮胎内的以轮胎旋转角为自变量的角域信号，并通过角域信号确定接地窗口，包括：

11、通过轮胎内设置的多源传感器，采集轮胎内的时域信号，时域信号包括：纵向应变信号和加速度信号；

12、对时域信号进行预处理过程，得到角域重采样后的角域信号；

13、根据角域信号中的中心应变角域信号的导数的极大值和极小值或垂向加速度角域信号的积分的极大值和极小值，确定前缘角位置和后缘角位置；

14、根据前缘角位置和后缘角位置，确定接地窗口，其中，接地窗口为以轮胎旋转角的度数为单位的窗口。

15、在一种可能的实施例中，在接地窗口中，根据角域信号和车速，确定轮地接触状态的物理估计值，包括：

16、根据角域信号，确定每个轮地接触状态的物理估计值对应的物理可解释特征；

17、获取映射函数训练集，通过柔性动力学模型和刷子接触模型进行训练，得到映射函数；映射函数用于映射物理可解释特征与每种轮地接触状态的物理估计值；

18、根据物理可解释特征和训练得到的映射函数，确定轮地接触状态的物理估计值。

19、在一种可能的实施例中，轮地接触状态 包括以下至少一项：轮胎的垂向力、纵向力、侧向力、侧偏角和滑移率；

20、根据角域信号，确定每个轮地接触状态的物理估计值对应的物理可解释特征，包括：

21、在接地窗口内，根据中心应变角域信号在前缘角位置和后缘角位置的横坐标，确定应变接触角域宽度；应变接触角域宽度为垂向力的物理估计值对应的物理可解释特征；

22、和/或，在接地窗口内，根据内侧应变角域信号和外侧应变角域信号在前缘角位置的纵坐标，确定内外侧应变差异和内外侧应变比值；内外侧应变差异和内外侧应变比值为侧向力的物理估计值对应的物理可解释特征；

23、和/或，在接地窗口内，根据中心应变角域信号在前缘角位置和后缘角位置的纵坐标，确定中心应变前后缘差异和中心应变前后缘比值；中心应变前后缘差异和中心应变前后缘比值为纵向力的物理估计值对应的物理可解释特征；

24、和/或，在接地窗口内，根据垂向加速度角域信号在前缘角位置和后缘角位置的纵坐标，确定垂向加速度前后缘差异和垂向加速度前后缘比值；中心应变前后缘差异和中心应变前后缘比值为滑移率的物理估计值对应的第一物理可解释特征，垂向加速度前后缘差异和垂向加速度前后缘比值为滑移率的物理估计值对应的第二物理可解释特征；

25、和/或，在接地窗口内，根据侧向加速度角域信号进行积分，确定侧向速度信号，并根据侧向速度信号在前缘角位置的纵坐标，确定前缘侧向速度；内外侧应变差异和内外侧应变比值为侧偏角的物理估计值对应的第一物理可解释特征；前缘侧向速度为侧偏角的物理估计值对应的第二物理可解释特征。

26、在一种可能的实施例中，根据物理可解释特征和训练得到的映射函数，确定轮地接触状态的物理估计值，包括：

27、根据滑移率的物理估计值对应的第二物理可解释特征和对应的映射函数，确定第一滑移率，以及根据滑移率的物理估计值对应的第一物理可解释特征和对应的映射函数，确定第二滑移率；

28、在车速约束条件下，根据第一滑移率以及对应的第一权重，和，第二滑移率以及对应的第二权重进行加权求和，得到滑移率的物理估计值；

29、或者，根据侧偏角的物理估计值对应的第二物理可解释特征和对应的映射函数，确定第一侧偏角，以及根据侧偏角的物理估计值对应的第一物理可解释特征和对应的映射函数，确定第二侧偏角；

30、在车速约束条件下，根据第一侧偏角以及第一权重，和，第二侧偏角以及第二权重进行加权求和，得到侧偏角的物理估计值；

31、其中，车速约束条件为车速大于车速阈值时，车速越大，第一权重越大；车速小于车速阈值时，第一权重为0；其中，第一权重为根据车速与车速阈值之间差值的平方，与，差值的平方与速度常数的平方之和的比值确定；第二权重为根据第一权重确定。

32、在一种可能的实施例中，根据纵向应变角域信号提取第一维数的应变特征，构建应变特征向量，包括：

33、根据中心应变角域信号，确定对应的一阶导数信号和二阶导数信号；

34、在中心应变角域信号中选择两个边界极值点的坐标值，在内侧应变角域信号和外侧应变角域信号选择前缘角位置和后缘角位置对应的坐标点的坐标值，在一阶导数信号中选择最大极值点的坐标值和最小极值点的坐标值，在二阶导数信号中选择两个最大极值点的坐标值，构建第一维数的应变特征；

35、根据第一维数的应变特征构建应变特征向量。

36、在一种可能的实施例中，根据加速度角域信号中提取第二维数的加速度特征，构建加速度特征向量，包括：

37、将纵向加速度角域信号，侧向加速度角域信号，垂向加速度角域信号进行一次积分和二次积分，分别得到纵向速度角域信号、侧向速度角域信号、垂向速度角域信号、纵向位移角域信号、侧向位移角域信号、垂向位移角域信号；

38、在纵向加速度角域信号中选择前缘角位置和后缘角位置的坐标点的坐标值，在垂向加速度角域信号、纵向速度角域信号、侧向速度角域信号、垂向速度角域信号、纵向位移角域信号、侧向位移角域信号、垂向位移角域信号中选择极值点的坐标值，构建第二维数的加速度特征；

39、根据第二维数的加速度特征构建加速度特征向量。

40、在一种可能的实施例中，残差预测模型包括：特征融合模块和残差预测模块，特征融合模块包括：双向多头交叉注意力网络、拼接与归一化层；

41、根据应变特征向量和加速度特征向量，通过训练好的残差预测模型，得到轮地接触状态对应的残差预测值，包括：

42、将应变特征向量和加速度特征向量进行标准化和特征嵌入处理，得到待预测应变特征和待预测加速度特征；

43、将待预测应变特征和待预测加速度特征分别输入至双向多头交叉注意力网络的多个注意力头中，得到第一交叉特征和第二交叉特征；第一交叉特征为待预测应变特征从待预测加速度特征中提取互补信息后形成的交叉特征；第二交叉特征为待预测加速度特征从待预测应变特征中提取互补信息后形成的交叉特征；

44、将第一交叉特征和第二交叉特征输入至拼接与归一化层中，得到融合特征；

45、将融合特征输入至残差预测模块中进行残差预测，得到轮地接触状态对应的残差预测值。

46、在一种可能的实施例中，残差预测模型的训练过程包括：

47、获取训练数据集；训练数据集包括：以轮胎旋转角为自变量的角域信号样本、以及根据角域信号样本对应的物理可解释特征估计得到的轮地接触状态的物理估计值样本、以及轮地接触状态的真实状态标签；

48、在角域信号样本中提取第一维数的应变特征样本和提取第二维数的加速度特征样本；

49、根据第一维数的应变特征样本和提取第二维数的加速度特征样本输入至待训练的残差预测模型中，得到轮地接触状态对应的残差预测训练值；

50、根据真实状态标签和物理估计值样本，确定轮地接触状态对应的残差标签；

51、根据轮地接触状态对应的残差预测训练值和残差标签，确定残差预测损失函数值，直至残差预测损失函数值满足预设值，将当前网络参数作为待训练的残差预测模型的网络参数，得到已训练的残差预测模型。

52、第二方面，本公开中的实施例提供一种轮地接触状态的估计装置，包括：

53、第一确定单元，用于确定轮胎内的以轮胎旋转角为自变量的角域信号，并通过角域信号确定接地窗口；接地窗口为根据角域信号确定的前缘角位置和后缘角位置确定的；角域信号包括：纵向应变角域信号和加速度角域信号；

54、估计单元，用于在接地窗口中，根据角域信号，确定轮地接触状态的物理估计值；

55、构建单元，用于根据纵向应变角域信号提取第一维数的应变特征，构建应变特征向量，以及根据加速度角域信号中提取第二维数的加速度特征，构建加速度特征向量；

56、残差预测单元，用于根据应变特征向量和加速度特征向量，通过训练好的残差预测模型，得到轮地接触状态对应的残差预测值；

57、第二确定单元，用于根据物理估计值和对应的残差预测值之和，确定轮地接触状态估计值。

58、在一种可能的实施例中，还包括：

59、训练单元，用于获取训练数据集；训练数据集包括：以轮胎旋转角为自变量的角域信号样本、以及根据角域信号样本对应的物理可解释特征估计得到的轮地接触状态的物理估计值样本、以及轮地接触状态的真实状态标签；

60、在角域信号样本中提取第一维数的应变特征样本和提取第二维数的加速度特征样本；

61、根据第一维数的应变特征样本和提取第二维数的加速度特征样本输入至待训练的残差预测模型中，得到轮地接触状态对应的残差预测训练值；

62、根据真实状态标签和物理估计值样本，确定轮地接触状态对应的残差标签；

63、根据轮地接触状态对应的残差预测训练值和残差标签，确定残差预测损失函数值，直至残差预测损失函数值满足预设值，将当前网络参数作为待训练的残差预测模型的网络参数，得到已训练的残差预测模型。

64、第三方面，本公开实施例提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述的第一方面中的方法。

65、第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的第一方面中的方法。

66、第五方面，根据本公开的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项的方法。

67、本公开的实施例所提供的一种轮地接触状态的估计方法，涉及智能轮胎状态感知及车辆动力学状态估计技术领域，该方法包括：确定轮胎内的以轮胎旋转角为自变量的角域信号，并通过角域信号确定接地窗口；接地窗口为根据角域信号确定的前缘角位置和后缘角位置确定的；角域信号包括：纵向应变角域信号和加速度角域信号，在接地窗口中，根据角域信号，确定轮地接触状态的物理估计值，根据纵向应变角域信号提取第一维数的应变特征，构建应变特征向量，以及根据加速度角域信号中提取第二维数的加速度特征，构建加速度特征向量，根据应变特征向量和加速度特征向量，通过训练好的残差预测模型，得到轮地接触状态对应的残差预测值，根据物理估计值和对应的残差预测值之和，确定轮地接触状态估计值。通过智能轮胎获取到的信号，基于能够反映轮胎结构变形、接地印迹变化和接触载荷分布的应变信号以及反映胎面单元进入和离开接地区域时的动态冲击、滑移诱发振动及局部运动状态的三轴加速度信号，两者分别侧重准静态结构变形和动态响应，具有信息互补性，以进行论地接触状态的物理估计，并通过构建特征完成残差预测，最终得到轮地接触状态估计值，能够自适应利用胎内多源信息，提高复杂工况及跨工况条件下的估计精度和泛化能力。

68、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。