【技术实现步骤摘要】
本专利技术属于自动驾驶的质量估计，具体涉及一种面向厂区运营的自动驾驶商用车质量估计方法。
技术介绍
1、据了解，质量是自动驾驶商用车的重要参数。相对于乘用车而言，商用车会拉载不同质量的货物，车辆从空载到重载，质量变化范围可能达到数倍。对于自动驾驶商用车而言，质量的变化会直接影响车辆横纵向控制表现，因此质量对于自动驾驶商用车来说是十分重要的。
2、现有的运营商用车通常存在几种质量估计的输入：1、在挂车上安装载重传感器，由传感器实时采集集装箱质量，但是在实车上安装传感器成本较高；2、由车上的电子制动系统(electronic brake system，ebs)给出，但ebs估计出的质量需要依赖于行驶一段里程给出，且变化较慢，不能在装货卸货后及时表征有无货状态下的载重；3、借助厂区的地磅等称重设施给出重量信息，并通过云端任务系统传递给车辆，但这需要依赖于厂区的高度自动化。
3、除了以上方案以外，自动驾驶商用车还可以根据车辆行驶状态，结合动力学模型或基于数据分析的方法估算出质量。但是现有的质量估计方法大多会在全场景持续估计，不断迭代更新质量，在上下坡、转向等工况下行驶时会影响质量估计的精度。
技术实现思路
1、本专利技术的目的在于，针对现有技术所存在的问题，提出一种面向厂区运营的自动驾驶商用车质量估计方法，通过选取典型的起步和匀速工况，迭代计算估计出车辆的质量，并结合实际运营场景对质量估计结果进行重置与更新，以解决现有技术中商用车获取整车质量不准、成本高、系统链路复
2、为了达到以上目的，本专利技术提供一种面向厂区运营的自动驾驶商用车质量估计方法，包括以下步骤：
3、步骤1、建立车辆纵向非线型动力学方程，
4、
5、式中，ttq是驱动转矩，ig是变速器传动比，i0是主减速器传动比，ηt是机械效率，r是车轮半径，cd是空气阻力系数，af是迎风面积，ρ是空气密度，vx是车辆速度，m是车辆质量，g是重力加速度，α是坡度，f是滚动阻力系数，ax是车辆加速度，δ是旋转质量换算系数；
6、步骤2、车辆起步时，采用带遗忘因子的递归最小二乘法进行质量估计，基于递归最小二乘法的整车质量估计模型为，
7、m(k)＝m(l-1)+k(k)[(y(k)-e(k)m(k-1)]
8、
9、
10、式中，m(k)表示第k步的估计质量，k(k)表示第k步的增益，y(k)表示第k步动力学方程的输出，e(k)表示第k步的观测，k表示第k步，m(k-1)表示第k-1步的质量，p(k-1)表示第k-1步的协方差，p(k)表示第k步的协方差，λ表示遗忘因子；
11、步骤3、车辆匀速行驶时，采用最小二乘法进行阻力系数估计，阻力系数包括滚动阻力系数和空气阻力系数，
12、cout(t)＝kc(t)+(i-k)cout(t-1)
13、式中，cout(t)为空气阻力系数和滚动阻力，且aout(t)为空气阻力系数，bout(t)为滚动阻力，那么滚动阻力系数fout(t)为cout(t-1)表示t-1时刻最终输出的空气阻力系数和滚动阻力，c(t)表示t时刻拟合的空气阻力系数和滚动阻力；
14、步骤4、针对不同任务下的装卸货场景和单趟任务中出现的多次起步场景分别对车辆质量估计进行更新，车辆质量估计更新方式如下：
15、(1)不同任务下的装卸货场景下任务管理模块下发装箱卸箱任务时，重置质量估计模块；
16、(2)单趟任务中车辆多次起步时，加权平均更新质量估计结果。
17、本专利技术进一步的采用如下技术方案：
18、所述步骤2中，选取起步工况进行递归最小二乘法质量估计，以大加速度激励下的典型工况估计出更精确的质量估计结果，具体操作如下所示：
19、基于纵向动力学方程可以得到：
20、
21、令y表示系统输出，e表示观测矩阵，m为带估计的车辆质量；将上式代入，并考虑平路下的起步工况，可以得到y和e分别为：
22、
23、e＝δax+gf
24、式中，ttq为驱动转矩，ig为变速器传动比，可通过车辆底盘can信号实时给出；i0为主减速器传动比，ηt为机械效率，r为车轮半径，是原车出厂时的参数；vx为车辆速度，ax为车辆加速度，可由轮速传感器等实时给出；cd为空气阻力系数，af为迎风面积，ρ为空气密度，g为重力加速度，f为滚动阻力系数，δ为旋转质量换算系数，可通过给定经验值的形式给出；
25、基于递归最小二乘法的整车质量估计模型为：
26、m(k)＝m(k-1)+k(k)[(y(k)-e(k)m(k-1)]
27、
28、
29、上述步骤中进一步的，采用带遗忘因子的递归最小二乘法进行质量估计时，给定遗忘因子与加速度的关系如下所示：
30、
31、式中，a表示加速度，δ表示遗忘因子的系数，ε表示加速度的系数。遗忘因子和加速度呈正相关，更信赖大加速度激励下的质量估计结果。
32、所述步骤3中，选取匀速工况，通过最小二乘法估计阻力系数，为质量估计结果提供更精确的动力学参数，具体方式如下所示：
33、识别并记录匀速且平路的工况，可以对滚动阻力和空气阻力进行估计。在匀速且平路的工况时，所述步骤1的车辆纵向非线型动力学方程可以简化为：
34、
35、考虑线性模型的情况，假设有一组观测数据(x1，y1)，(x2，y2)，...，(xn，yn)，用ei表示观测值与模型预测值之间的误差，表示为：
36、y＝ax+b
37、式中，
38、
39、
40、b＝mgf由此，可将化为一阶线型方程的形式，进而通过最小二乘法对其进行一阶拟合；
41、考虑线性模型的情况，假设有一组观测数据(x1，y1)，(x2，y2)，...，(xn，yn)，用ei表示观测值与模型预测值之间的误差，可以得到：
42、ei＝yi-(axi+b)
43、yi＝(axi+b)+ei
44、用s表示误差的平方和，其表达式为:
45、
46、将多次观测结果以矩阵形式表示：
47、y＝xc+ε
48、式中，
49、s＝εtε
50、通过求解残差平方和对参数向量b的梯度等于零，可以得到最小二乘法的解析解：
51、c＝(xtx)-1xty
52、将上一时刻估计结果与当前时刻最小二乘法的输出结果进行加权，得到最终输出的参数cout为：
53、cout(t)＝kc(t)+(i-k)cout(t-1)
54、式中，
55、cout(t)为t时刻最终输出的空气阻力系数和滚动阻力，且aout(y)本文档来自技高网...
【技术保护点】
1.一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤2中，选取起步工况进行递归最小二乘法质量估计，以大加速度激励下的典型工况估计出更精确的质量估计结果，具体操作如下所示：
3.根据权利要求2所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，采用带遗忘因子的递归最小二乘法进行质量估计时，给定遗忘因子与加速度的关系如下所示：
4.根据权利要求3所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤3中，选取匀速工况，通过最小二乘法估计阻力系数，为质量估计结果提供更精确的动力学参数，具体方式如下所示：
5.根据权利要求4所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤4中，质量估计结果更新的方式如下所示：将车辆多次起步分为厂区运营任务切换和单次任务多次起步工况两种不同的方式，给出厂区运营任务切换和单次任务多次起步工况下的不同质量估计策略.
6.根据权利要求5所述一种
7.根据权利要求5所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤4中，厂区运营时单趟任务中多次起步的情况，采用加权的形式来对车辆的质量估计结果进行更新，其表达式为：
...【技术特征摘要】
1.一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤2中，选取起步工况进行递归最小二乘法质量估计，以大加速度激励下的典型工况估计出更精确的质量估计结果，具体操作如下所示：
3.根据权利要求2所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，采用带遗忘因子的递归最小二乘法进行质量估计时，给定遗忘因子与加速度的关系如下所示：
4.根据权利要求3所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤3中，选取匀速工况，通过最小二乘法估计阻力系数，为质量估计结果提供更精确的动力学参数，具体方式如下所示：
5.根据权利要求4所述一种面向厂区运营的自动驾驶商用车质量估计方法，其特征在于，所述步骤4中，质量估计结果更新的方式如下所示：将车...
【专利技术属性】
技术研发人员：夏骄杨，曾超，许正昊，张志达，刘峰，叶玉博，安凯，翟建坤，杨子超，张显宏，衡量，
申请(专利权)人：上海友道智途科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。