隨著汽車工業(yè)的迅猛發(fā)展、汽車保有量的增加及駕駛員非職業(yè)程度越來越髙,由汽車運輸所造成的交通事故、人員傷亡也越來越多。為了降低交通事故的發(fā)生,近年來各大汽車公司和科研單位開始研發(fā)汽車主動安全控制技術(shù),并逐漸在實車上應用。汽車主動安全控制技術(shù)的主要控制目標在于調(diào)節(jié)輪胎與路面之間的作用力,而這種作用力受路面附著條件的制約。路面狀況不僅影響汽車的加速性能、制動性能,還影響汽車的操縱穩(wěn)定性,因此如何識別汽車與路面間附著狀況是汽車各種主動安全電控系統(tǒng)控制策略的關(guān)鍵問題。為使汽車主動安全電控系統(tǒng)能在不同路面上充分利用各種路面最大的附著條件,需對汽車行駛的當前路面狀況進行識別并依據(jù)識別結(jié)果實時調(diào)整控制器控制目標
國內(nèi)外關(guān)于路面狀況識別大多在平直路面上展開,沒有考慮不平路面上路面不平度對識別參數(shù)的影響。本文路面識別算法考慮了路面不平度、動載荷等對路面參數(shù)、識別方法的影響,在 Burckhardt和 Kiencke兩種輪胎模型的基礎(chǔ)上,將實際汽車行駛路面劃分為6種類型,提出了一種基于“路面狀態(tài)無量綱特征值”的路面識別方法,得到burckhardt和 Kiencke兩種輪胎-路面數(shù)學模型6種典型路面特征值門限值(制動力系數(shù)一滑移率曲線最佳滑移率前的封閉面積),并依據(jù)特征值門限均值定義了6種典型路面的特征區(qū)間。根據(jù)汽車制動過程中估計的實時路面狀態(tài)特征值落入的路面特征區(qū)間作為當前識別的路面狀態(tài),并根據(jù)此方法實時估計了當前路面狀況下的峰值附著系數(shù)和最佳滑移率。為了考慮路面不平度對識別算法的影響,在14自由度整車仿真平臺上修正了C級路面上路面特征區(qū)間的范圍,提高了識別算法在不平路面上的魯棒性。
建立了含車身縱向、橫向、垂向、橫擺、俯仰、側(cè)傾運動,四個車輪垂向和轉(zhuǎn)動的汽車14自由度動力學模型,在 MATLAB/ Simulink軟件環(huán)境下建立整車仿真平臺。在各種單一典型路面和對接變化路面、不平路面上進行制動模擬試驗,得到了各種典型路面上路面無量綱特征值、識別的路面狀態(tài)、實時滑移率、附著系數(shù)等參數(shù)的仿真結(jié)果,結(jié)果表明識別算法能較快速、準確地識別路面狀態(tài)。在實驗室自制的汽車防抱制動系統(tǒng)試驗臺上的一次制動試驗數(shù)據(jù)進一步驗證了識別算法的可行性。
硏究結(jié)果表明,所提出的路面識別方法能夠便捷地用于汽車電控制動系統(tǒng)最佳滑移率控制及主動安全控制系統(tǒng)中,提高汽車的主動安全性。但面向聯(lián)合工況下的路面狀態(tài)識別及如何提高識別算法在實際控制器中的可靠性仍是一大難題。
-
傳感器
+關(guān)注
關(guān)注
2566文章
53008瀏覽量
767582 -
智能汽車
+關(guān)注
關(guān)注
30文章
3090瀏覽量
108406 -
ADAS系統(tǒng)
+關(guān)注
關(guān)注
4文章
228瀏覽量
26101
發(fā)布評論請先 登錄

深度學習在汽車中的應用
通過深度學習提高ADAS系統(tǒng)的檢測速度
基于深度學習的異常檢測的研究方法
基于深度學習的異常檢測的研究方法
深度學習介紹
什么是深度學習?使用FPGA進行深度學習的好處?
ADAS 市場崛起,這家公司一已將深度學習網(wǎng)絡(luò)應用到 ADAS 系統(tǒng)中
ADAS要如何運用深度學習?
基于深度學習的ADAS系統(tǒng),是GPU的主力市場

評論