车辆轮胎系数图优化标定方法、装置、设备及存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其是涉及车辆轮胎系数图优化标定方法、装置、设备及存储介质。


背景技术：

2.目前，自动驾驶领域已建立了采用dugoff轮胎模型的三自由度车辆估算模型,设计了基于联邦卡尔曼滤波理论的车辆行驶状态估计算法与基于扩展卡尔曼滤波理论的路面附着系数估计算法,使车辆状态估计与路面附着估计相互联系,闭环反馈,同时进行。通过选择典型工况,应用carsim与matlab/simulink联合仿真实验对车辆状态算法和路面附着估计算法进行了验证。
3.进一步地，利用卡尔曼滤波的纵向车速、侧向车速、横摆角速度等汽车运动状态变量的估计算法,以及在此基础上基于扩展卡尔曼滤波的路面附着系数估计算法，最后,利用成熟商用软件carsim对所研究的状态估计算法和路面附着系数估计算法进行了仿真验证。
4.进一步地，建立包含dugoff轮胎模型的四轮三自由度整车仿真模型,提出了基于扩展kalman滤波理论的车辆行驶状态与路面附着系数估计算法。车辆在设定的双移线路面附着系数分别为0.8、0.7、0.6的工况下进行仿真,对比车辆的运动状态和车辆转向输入激励的趋势的一致性,验证了该模型的合理性。再结合该模型计算出的dugoff轮胎模型纵向和侧向归一化力,通过matlab编程实现扩展卡尔曼算法估计,使算法估算得到的汽车行驶状态参量和路面附着系数与仿真值进行对比。通过结果对比表明,车辆行驶状态估计值与simulink数值解的均方根误差(rmse)指标最大值不大于0.03。
5.进一步地，采用增广的广义卡尔曼滤波对复杂轮胎力进行了估计,建立了采用dugoff轮胎模型的三自由度车辆估算模型,基于双容积卡尔曼滤波理论设计了车辆行驶状态与路面附着系数估计器,使二者在估计过程中相互联系、形成闭环反馈,实现对车辆状态与路面附着的实时估计。通过选择典型工况,应用驾驶模拟器在环实验对双容积卡尔曼滤波估计算法进行了验证,并与双扩展卡尔曼滤波的估计算法进行对比分。结果表明，基于双容积卡尔曼滤波的估计算法相对于基于双扩展卡尔曼滤波的估计算法更能够较准确地实现对车辆状态和路面附着系数的估计。通过卡尔曼滤波获得里程计标度因数误差等状态量的最优估计值,实现里程计误差的在线标定，仿真结果表明,该方法能够有效地标定出里程计标度因数误差。
6.但是，上述采用卡尔曼滤波方式估计车辆轮胎系数，其对数据要求较高，需要数据分布满足高斯分布或者近似高斯分布的条件，然而实际情况却难以满足该条件，进而使得车辆轮胎系数的估计结果精度低。且卡尔曼滤波方式是基于离线标定来估计车辆轮胎系数，在如车辆的载重、行驶路面等时刻变化的场景下难以达到很好的估计效果。
7.针对上述中的相关技术，发明人认为现有的车辆轮胎系数估计方式存在有估计结果精度低的缺陷。


技术实现要素：

8.为了提高车辆轮胎系数的估计结果精度，本技术提供了车辆轮胎系数图优化标定方法、装置、设备及存储介质。
9.第一方面，本技术提供一种车辆轮胎系数图优化标定方法，具有提高车辆轮胎系数估计结果精度的特点。
10.本技术是通过以下技术方案得以实现的：一种车辆轮胎系数图优化标定方法，包括以下步骤：获取imu数据、gnss数据和wheels数据，并创建滑窗，使获取的所述imu数据、所述gnss数据和所述wheels数据输入所述滑窗中；基于imu数据进行imu预积分和基于wheels数据进行wheels预积分；预设相距上一帧的运动阈值，判断所述滑窗中新产生的帧是否为关键帧；当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成所述滑窗的一条边；当判断为非关键帧时，使所述滑窗中新产生的帧移除；继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件；基于优化的滑窗进行求解，获得车辆的轮胎系数。
11.本技术在一较佳示例中可以进一步配置为：所述每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成所述滑窗的一条边的步骤包括：每获取到一个gnss数据时，关联离该gnss数据最近的关键帧；使获取的gnss数据和关联的所述关键帧联合，形成所述滑窗的一条边。
12.本技术在一较佳示例中可以进一步配置为：所述基于优化的滑窗进行求解的步骤后，还包括以下步骤：根据求解结果,标定车辆的imu数据、gnss数据、wheels数据和车辆的轮胎系数，并基于gnss数据标定车轮后轴中心杆臂参数、基于imu数据标定车轮后轴中心杆臂参数。
13.本技术在一较佳示例中可以进一步配置为：所述进行imu 预积分的步骤包括：其中，:imu角速度；:imu角速度零偏；:imu角速度高斯白噪声；:间隔时间；:imu加速度值；:imu加速度零偏；:imu加速度高斯白噪声；：imu预积分第i时刻到j时刻的旋转预积分量；：imu预积分第i时刻到j时刻
的速度预积分量；：imu预积分第i时刻到j时刻的预积分量。
14.本技术在一较佳示例中可以进一步配置为：所述进行wheels预积分的步骤包括：其中，：车辆轮胎系数；：右侧车轮转速；：右侧车轮半径；：左侧车轮转速；：左侧车轮半径；：左右车轮间距；：wheels预积分计算时的角速度；：wheels预积分计算时的线速度；：wheels预积分第i时刻到j时刻的旋转预积分量；:间隔时间；：wheels预积分第i时刻到j时刻的平移预积分量。
15.本技术在一较佳示例中可以进一步配置为：所述基于gnss数据观测的残差的构建步骤包括：
其中，：imu构建旋转残差，根据旋转残差的公式，并结合旋转预积分量进行旋转残差的计算；：imu构建速度残差，根据速度残差的公式，并结合速度预积分量进行速度残差的计算；：imu构建位移残差；根据位移残差的公式，并结合imu预积分第i时刻到j时刻的预积分量进行位移残差的计算；：轮速构建旋转残差；为预设矩阵，基于wheels预积分第i时刻到j时刻的旋转预积分量、预设矩阵和imu构建的旋转残差，进行轮速构建的旋转残差的计算；：轮速构建平移残差；为预设矩阵，基于imu预积分第i时刻到j时刻的旋转预积分量、预设矩阵和imu构建的位移残差，进行轮速构建的平移残差的计算；：gnss构建残差；基于平移预积分量和gnss构建的残差公式，计算gnss残差。
16.本技术在一较佳示例中可以进一步配置为：当构建的基于gnss数据观测的所述残差小于第一阈值，或进行imu预积分和wheels预积分后顶点所更新的状态量的数量级小于第二阈值，或进行imu预积分或wheels预积分的次数达到上限时，即满足预设条件。
17.本技术在一较佳示例中可以进一步配置为：所述基于预先构建的gnss数据观测的残差，形成所述滑窗的一条边的同时，还包括以下步骤：保留所述边的边缘化信息，基于所述边缘化信息进行去边缘化。
18.本技术在一较佳示例中可以进一步配置为：使获取的所述imu数据、所述gnss数据和所述wheels数据输入所述滑窗中的步骤前，还包括以下步骤：先对获取的当前时刻的所述imu数据、所述gnss数据和所述wheels数据进行初始化，再输入所述滑窗中。
19.第二方面，本技术提供一种车辆轮胎系数图优化标定装置，具有提高车辆轮胎系数估计结果精度的特点。
20.本技术是通过以下技术方案得以实现的：一种车辆轮胎系数图优化标定装置，包括：数据模块，用于获取imu数据、gnss数据和wheels数据，并创建滑窗，使获取的所述imu数据、所述gnss数据和所述wheels数据输入所述滑窗中；滑窗优化模块，用于基于imu数据进行imu预积分和基于wheels数据进行wheels预积分；筛选模块，用于预设相距上一帧的运动阈值，判断所述滑窗中新产生的帧是否为关键帧；当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成所述滑窗的一条边；当判断为非关键帧时，使所述滑窗中新产生的帧移除；继续进行imu预积分和wheels预积分，直至满足预设条件；求解模块，用于基于优化的滑窗进行求解，获得车辆的轮胎系数。
21.第三方面，本技术提供一种电子设备，具有提高车辆轮胎系数估计结果精度的特点。
22.本技术是通过以下技术方案得以实现的：一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种车辆轮胎系数图优化标定方法的步骤。
23.第四方面，本技术提供一种存储介质，具有提高车辆轮胎系数估计结果精度的特点。
24.本技术是通过以下技术方案得以实现的：一种存储介质，存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种车辆轮胎系数图优化标定方法的步骤。
25.综上所述，本技术包括以下至少一种有益技术效果：1、一种车辆轮胎系数图优化标定方法采用滑窗图优化方法来解决标定问题，考虑的是滑窗的滑动窗口中整个图的代价最小化，能够降低数据分布的非高斯的、存在外点时对整个估计结果的影响，达到了更高的精度和鲁邦性能，能够高精度和高鲁邦性地估计出
车辆轮胎系数，降低了对数据分布的要求，更加符合车辆的实际工作环境，提升了算法的实用性和有效性，大大改善了在高精度定位系统中因传感器特性的变化导致系统可靠性降低而不能满足实际需求的问题；全程自动进行，无需人为参与，能满足自动驾驶以及adas应用场景中对于高精度定位需求时，自适应使用传感器的参数；2、一种车辆轮胎系数图优化标定方法能实时在线自动标定，实用性更强，更加能满足实际的使用需求。
附图说明
26.图1是本技术其中一实施例一种车辆轮胎系数图优化标定方法的流程示意图。
27.图2是对获取的数据进行初始化预处理的示意图。
28.图3是滑窗优化过程示意图。
29.图4是本技术其中一实施例一种车辆轮胎系数图优化标定装置的结构框图。
具体实施方式
30.本具体实施例仅仅是对本技术的解释，其并不是对本技术的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本技术的权利要求范围内都受到专利法的保护。
31.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
33.为了提高车辆轮胎系数的估计结果精度，本技术提供了一种基于滑窗图优化的车辆轮胎系数在线自动标定方法。
34.其中，车辆轮胎系数是用于描述车辆轮胎转速的一个比值。正常车辆向外输出的车轮转速乘以轮胎半径即车轮此时的线速度，但由于车辆行驶的路面、载重的变化，往往会导致此时测量的车速度和实际每个车轮的车速度会产生一个k值的差异，即车辆轮胎系数。通常，车辆轮胎系数的值在1附近波动。
35.图优化用于描述一个优化问题，即把一个常规的优化问题，以图的形式来表述。图是由顶点和边组成的结构，一条边连接着若干个顶点，表示顶点之间的一种关系。边可以是有向的，也可以是无向的，其对应的图则称为有向图或无向图。边也可以连接一个顶点（即一元边）、两个顶点（即二元边）或多个顶点（即多元边）。最常见的边是连接两个顶点的二元边。特别地，当一个图中存在连接两个以上顶点的边时，则称这个图为超图。
36.现有方法多是基于卡尔曼滤波的方式来实现车辆参数估计，而本技术采用基于滑窗图优化的方式来估计车辆参数，由于估计过程中考虑了过去更多时刻，对数据的要求程度较低，无需数据分布满足高斯条件或近似高斯条件，且估计过程考虑了整个窗口内数据的分布情况，相对现有的卡尔曼滤波估计方式能达到更高的估计精度。
37.下面结合说明书附图对本技术实施例作进一步详细描述。
38.参照图1，本技术实施例提供一种车辆轮胎系数图优化标定方法，所述方法的主要步骤描述如下。
39.s1：获取imu数据、gnss数据和wheels数据，并创建滑窗，使获取的imu数据、gnss数据和wheels数据输入滑窗中；s2：基于imu数据进行imu预积分和基于wheels数据进行wheels预积分；s3：预设相距上一帧的运动阈值，判断滑窗中新产生的帧是否为关键帧；s41：当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形滑窗的一条边；s42：当判断为非关键帧时，使滑窗中新产生的帧移除；s5：继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件；s6：基于优化的滑窗进行求解，获得车辆的轮胎系数。
40.进一步地，s6：基于优化的滑窗进行求解的步骤后，还包括以下步骤：s7：根据求解结果,标定车辆的imu数据、gnss数据、wheels数据和车辆的轮胎系数，并基于gnss数据标定车轮后轴中心杆臂参数、基于imu数据标定车轮后轴中心杆臂参数。
41.具体地，本技术通过在车辆上安装imu传感器获取imu数据，imu数据包括车辆的车轮的角速度和线速度，通过在车辆上安装gnss传感器获取gnss数据，gnss数据包括车辆的天线数据，通过车载总线读取wheels数据，wheels数据包括车辆的车轮的车速度信息，然后再对获取的imu数据、gnss数据和wheels数据进行时间同步处理，以使得经过时间同步处理后的数据具有一致性，进而基于同步数据训练获得的算法也具有有较高的一致性，适用性更强。
42.时间同步处理既可以采用软件时间同步处理，又可以采用硬件时间同步处理。本实施例中，优先采用软件时间同步处理，其具有对硬件依赖小、更容易实现的优点。
43.参照图2，进一步地，s1：使获取的imu数据、gnss数据和wheels数据输入滑窗中的步骤前，还包括以下步骤：先对获取的当前时刻的imu数据、gnss数据和wheels数据进行初始化。
44.具体地，初始化imu数据、gnss数据和wheels数据，初始化时主要初始化车辆车轮的旋转角度、位置、车速度、imu零偏 等参数的初始值。
45.其中，旋转角度初始化通过重力等效实现，通过假设此时的重力远远大于加速度，以完成旋转角度的初始化。
46.位置初始化通过获取的gnss数值进行初始化赋值来完成。
47.车速度初始化通过已初始化的旋转角度参数和获取的wheels数据来完成初始化。
48.imu零偏 通过使轮胎系数为1并进行方差估计以实现初始化，且当方差小于预设阈值时，则认为imu零偏 收敛，此时即完成imu零偏 的初始化。
49.使初始化的imu数据、gnss数据和wheels数据输入滑窗中，此时，初始化数据包括旋转角度、位置、车速度和imu零偏 的初始值。
50.本实施例中，整个滑窗的组成由关键帧构成，并以一定的关键帧数量维护滑窗的滑动窗口的大小，关键帧为带有明显信息的帧，故通过imu预积分和wheels预积分来形成关
键帧之间的约束，其中，imu预积分能产生帧间相对位置、相对速度和相对旋转角度的空间约束，以形成整个空间约束；wheels预积分能形成帧间相对位置、相对速度和相对旋转角度的平面约束，即在平面运动中形成部分约束。
51.再通过预设相距上一帧的运动阈值，判断滑窗中新产生的帧是否为关键帧，关键帧为带有明显信息的帧，本实施例中，基于关键帧，确定滑窗的顶点信息，再根据顶点信息形成滑窗的边。
52.当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成滑窗的一条边，并继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件；当判断为非关键帧时，使滑窗中新产生的帧移除，并继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件。
53.其中，预设条件包括:构建的基于gnss数据观测的残差小于第一阈值，或进行imu预积分和wheels预积分后顶点所包含的更新的状态量的数量级小于第二阈值，或进行imu预积分或wheels预积分的次数达到上限。
54.本实施例中，第一阈值可以为，第二阈值可以为或，次数上限值可以为20次。
55.当满足以上任一条件时，即可停止进行imu预积分和wheels预积分，获得优化的滑窗。
56.进一步地，每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成滑窗的一条边的步骤包括：每获取到一个gnss数据时，关联离该gnss数据最近的关键帧；使获取的gnss数据和关联的关键帧联合，形成滑窗的一条边。
57.进而在滑窗中新产生的帧被判断为关键帧，且每获取到一个gnss数据时，使该gnss数据关联滑窗中新产生的该关键帧，基于关键帧中含有的顶点信息，联合形成滑窗的一条边，以达到优化滑窗的目的。
58.参照图3，在优化滑窗的过程中，每当获取到含gnss数据的新的一帧时，判断是否为关键帧。如果是关键帧 (key frame, kf),如图所示的kf1，则将滑窗的滑动窗口中的最原始的一帧移除，同时产生边缘化信息，即进行了一次图优化；如果是非关键帧，则将其舍弃；继续获取含gnss数据的新的一帧，并进行imu预积分和wheels预积分，判断获取到的含gnss数据的新的一帧是否为关键帧，如果是关键帧，如图所示的kf2，则将滑窗的滑动窗口中的最原始的一帧移除，同时产生边缘化信息，即进行了一次图优化；如果是非关键帧，则将其舍弃；继续获取含gnss数据的新的一帧，并进行imu预积分和wheels预积分，判断获取到的含gnss数据的新的一帧是否为关键帧，如此往复，直至优化的滑窗满足预设条件。
59.进一步地，在产生边缘化信息后，还包括保留边的边缘化信息，以基于边缘化信息进行去边缘化，去除过度偏离的数据值，进而使得后续优化的滑窗精度更高。本实施例中，去边缘化为矩阵的一种分解运算。
60.进一步地，s2：进行imu 预积分的步骤包括：
。
61.其中，:imu角速度；:imu角速度零偏；:imu角速度高斯白噪声；:间隔时间；:imu加速度值；:imu加速度零偏；:imu加速度高斯白噪声；：imu预积分第i时刻到j时刻的旋转预积分量；：imu预积分第i时刻到j时刻的速度预积分量；：imu预积分第i时刻到j时刻的预积分量。
62.进一步地，s2：进行wheels预积分的步骤包括：进一步地，s2：进行wheels预积分的步骤包括：。
63.其中，：车辆轮胎系数；：右侧车轮转速；：右侧车轮半径；：左侧车轮转速；：左侧车轮半径；：左右车轮间距；：wheels预积分计算时的角速度；：wheels预积分计算时的线速度；：wheels预积分第i时刻到j时刻的旋转预积分量；
:间隔时间；：wheels预积分第i时刻到j时刻的平移预积分量。
64.进一步地，s2：构建基于gnss数据观测的残差的步骤包括：。
65.其中，：imu构建旋转残差，根据旋转残差的公式，并结合旋转预积分量进行旋转残差的计算；：imu构建速度残差，根据速度残差的公式，并结合速度预积分量进行速度残差的计算；：imu构建位移残差；根据位移残差的公式，并结合imu预积分第i时刻到j时刻的预积分量进行位移残差的计算。
66.。
67.其中，：轮速构建旋转残差，为预设矩阵，基于wheels预积分第i时刻到j时刻的旋转预积分量、预设矩阵和imu构建的旋转残差，进行轮速构建的旋转残差的计算；：轮速构建平移残差，为预设矩阵，基于imu预积分第i时刻到j时刻的旋转预积分量、预设矩阵和imu构建的位移残差，进行轮速构建的平移残差的计算。
68.。
69.其中，：gnss构建残差，基于平移预积分量和gnss构建的残差公式，计算gnss残差。
70.进而顶点所包含的状态量的数量级的计算公式如下：。
71.其中，：顶点所包含的状态量的数量级；：边缘化残差；：gnss整体残差；：imu整体残差；：轮速整体残差；根据边缘化残差、gnss残差、imu整体残差和轮速整体残差，计算得到顶点所包含的状态量的数量级。
72.本实施例中，基于优化的滑窗进行实时求解，获得车辆的实时轮胎系数。
73.具体地，通过构建图优化模型，将关键帧作为边，边包含了顶点之间的关系，并采用imu预积分、wheels预积分和基于gnss数据观测构建的残差关系，约束边的顶点状态，且边包括每个关键帧的位置、速度、旋转角度、imu零偏和轮胎系数k的数据信息。其中，顶点所包含的状态信息如下：。
74.其中，p：enu（东北天）坐标系下imu位置；v：enu（东北天）坐标系下imu速度；r：enu（东北天）坐标系到imu系旋转姿态；：imu加速度计零偏；：imu陀螺仪零偏；k：车辆轮胎系数。
75.整个图做非线性优化迭代的过程中，借助ceres，即google开发的一个图优化求解器，并基于上述构建的整体残差项公式进行滑窗图的求解，进而顶点所包含的状态信息就能被计算出来，即获得轮胎系数k，以借助轮胎系数描述车辆的运动特性，有助于精确控制自动驾驶车辆，同时，基于精确的轮胎系数构建的车辆运动学模型，能提高车辆的定位精度。
76.同时，根据求解结果,标定车辆的imu数据、gnss数据、wheels数据和车辆的轮胎系数，并基于gnss数据标定车轮后轴中心杆臂参数、基于imu数据标定车轮后轴中心杆臂参数，完成自动标定效果。
77.基于滑窗图优化模型，当车辆行驶在gnss信号良好的路段时，自动执行自动标定流程，并将标定好的结果实时保存到车载设备的内存中，以供其他算法模块使用该标定结果。
78.进一步地，本技术采用在线的方式来进行自动标定，实用性更强，更加能满足实际的如车辆的载重、行驶路面等时刻变化场景的使用需求，应用效果好。
79.进而一种车辆轮胎系数图优化标定方法采用滑窗图优化方法来解决标定问题，考虑的是滑窗的滑动窗口中整个图的代价最小化，能够降低数据分布的非高斯的、存在外点
时对整个估计结果的影响，达到了更高的精度和鲁邦性能，能够高精度和高鲁邦性地估计出车辆轮胎系数，降低了对数据分布的要求，更加符合车辆的实际工作环境，提升了算法的实用性和有效性，大大改善了在高精度定位系统中因传感器特性的变化导致系统可靠性降低而不能满足实际需求的问题；全程自动进行，无需人为参与，能满足自动驾驶以及adas应用场景中对于高精度定位需求时，自适应使用传感器的参数；且能实时在线自动标定，实用性更强，更加能满足实际的使用需求。
80.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
81.参照图4，本技术实施例还提供一种车辆轮胎系数图优化标定装置，该一种车辆轮胎系数图优化标定装置与上述实施例中一种车辆轮胎系数图优化标定方法一一对应。该一种车辆轮胎系数图优化标定装置包括：数据模块，用于获取imu数据、gnss数据和wheels数据，并创建滑窗，使获取的imu数据、gnss数据和wheels数据输入滑窗中；滑窗优化模块，用于基于imu数据进行imu预积分和基于wheels数据进行wheels预积分；筛选模块，用于预设相距上一帧的运动阈值，判断滑窗中新产生的帧是否为关键帧；当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除；当判断为非关键帧时，使滑窗中最新的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成滑窗的一条边；当判断为非关键帧时，使滑窗中新产生的帧移除；继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件；求解模块，用于基于优化的滑窗进行求解，获得车辆的轮胎系数。
82.进一步地，一种车辆轮胎系数图优化标定装置还包括：预处理模块，用于先对获取的当前时刻的imu数据、gnss数据和wheels数据进行初始化，再输入滑窗中；标定模块，用于根据求解结果,标定车辆的imu数据、gnss数据、wheels数据和车辆的轮胎系数，并基于gnss数据标定车轮后轴中心杆臂参数、基于imu数据标定车轮后轴中心杆臂参数。
83.关于一种车辆轮胎系数图优化标定装置的具体限定可以参见上文中对于一种车辆轮胎系数图优化标定方法的限定，在此不再赘述。上述一种车辆轮胎系数图优化标定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
84.在一个实施例中，提供了一种电子设备，该电子设备可以为计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以
实现一种车辆轮胎系数图优化标定方法。
85.在一个实施例中，提供了一种存储介质，该存储介质可以是计算机可读存储介质，该计算机可读存储介质包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：s1：获取imu数据、gnss数据和wheels数据，并创建滑窗，使获取的imu数据、gnss数据和wheels数据输入滑窗中；s2：基于imu数据进行imu预积分和基于wheels数据进行wheels预积分；s3：预设相距上一帧的运动阈值，判断滑窗中新产生的帧是否为关键帧；s41：当判断为关键帧时，触发一次滑窗优化，使滑窗中最原始的一帧移除，且每获取到一个gnss数据时，基于预先构建的gnss数据观测的残差，形成滑窗的一条边；s42：当判断为非关键帧时，使滑窗中新产生的帧移除；s5：继续进行imu预积分和wheels预积分，直至优化的滑窗满足预设条件；s6：基于优化的滑窗进行求解，获得车辆的轮胎系数。
86.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
87.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。