汽车防滑控制系统道路识别技术的研究 - 文章

汽车防滑控制系统道路识别技术的研究

作者：清华大学边明远李克强冯能莲连小珉

欢迎访问e展厅
展厅 2	汽车电子展厅车灯, 遥控发射器, 汽车娱乐系统, TPMS胎压监测, 汽车防盗器, ...

摘要：实时的道路状况识别对于充分发挥汽车防滑控制系统的作用效果具有重要的意义。本文阐述了目前国内外在该技术领域的研究现状、发展趋势以及常用的技术方法；提出了采用车辆动力学参数对路面状况进行识别的方法，建立了基于改进的BP 神经网络和追加修正算法的道路识别系统的算法模型，并通过试验和仿真结果验证了其有效性。
关键词：动力学防滑系统道路状况识别

1 绪言

汽车防滑控制系统能够提高车辆的牵引性和操纵稳定性，减少轮胎磨损和事故风险，增加行驶安全性和驾驶轻便性，使得汽车在附着状况不好的路面上能顺利起步和行驶并安全制动[1]。众所周知，防滑系统的控制效果主要取决于该系统的控制策略和控制算法等核心内容。目前大多数防滑控制系统都采用基于最佳滑移率为目标的控制方法，由传感器采集车轮转速及车身的加速度信号，由此获得车辆的滑移率的信息；并以车辆滑移率门限值为主、车轮加减速度门限值为辅的控制方法和控制逻辑算法对车辆的执行系统进行控制以优化驱动力（制动力）的分配，保证车辆能够充分地利用地面的附着力[2]。但应该注意的是，门限值的确定要考虑汽车的各种参数、驱动过程中的各种工况、外界条件及可能的变化等极其复杂的因素，在不同的道路条件下作为控制逻辑中重要参量的车辆的目标滑移率及地面的峰值附着系数都不是一个固定的量[3]，如图1 所示。因此在防滑控制系统中应该根据车辆所处的道路状况采取不同的控制门限值及控制算法。在以最佳滑移率为控制目标的防滑系统中，目前大多数的系统都是用一个固定的、人为设定的最佳滑移率作为控制目标参量，并以此为根据将车轮的实际滑移率与之对比来确定出车辆的稳定区域和非稳定区域[4]，没有考虑到道路状况对目标滑移率、车轮速度及角加速度等参量变化的影响。而要从根本上改变这一状况的关键，便是要能够对车轮所处的路面进行实时的监测和识别，根据路面状况采用不同的控制门限值并采取不同的控制算法和控制逻辑。

图1 不同路况下的滑移率与附着系数

2 道路状况的识别方法

由于基于路况评价的控制算法和策略对车辆的自适应控制效果能够起到明显的改进作用，提高车辆的动力学性能并改善其操纵稳定性，所以近年来国外实时道路识别技术的发展很快。道路状况的评价方法总体上可以分为直接仪器测量、数字特征参量测量识别和采用车辆动力学参数解析辨识三类。

通过试验仪器来对路面附着系数进行测量是一种最简单的方法，20 世纪70 年代在英、美、瑞典等国就已有了可以测量路面附着系数的设备[5]；国内的科技工作者在道路附着系数的检测仪器研究方面也开展了一定的工作，提出了可行的测量与计算方法。但由于测定附着系数的试验存在可重复性差、影响因素多等问题，从而给精确确定附着系数造成了一定困难[6～8]。

部分国外的研究人员将光学传感器装备在汽车上，通过对地面反射光进行频谱分析来对路面状况进行评估[9～10]。日本学者通过采用一种峰值功率为200W 的激光束扫描的方法来对路面进行判别，该装置对干路面、湿路面以及冰雪路面的正确识别率可达98％[11]。基于同样的原理，超声波传感器在路面检测中也有一定的应用[12]。有些国外学者将声学传感器安装在汽车上来采集车轮与路面间的摩擦噪声，并以此来作为识别路面的依据[13]。近年来在道路识别系统的研究中采用雷达波、毫米波等电磁波的方法日益增多[14～16]。基于数字图像处理和特征识别理论的道路判别技术的研究在最近一段时期来也逐渐被一些国外的科研工作者所采用[17～19]。和采用仪器直接测量道路附着系数的方法一样，采用光学、声学以及微波等传感器来对路面状况进行判别的方法虽然能够获得较好的判别效果，但也存在着诸如需要很多附加设备等缺点，而且它最大的问题是无法使用车辆安全性控制系统本身所固有的如轮速传感器、加速度传感器等设备，不能够与车辆本身的控制系统实现集成化。

基于上述原因，采用车辆的动力学参数来对路面状况进行评估和预测的研究近来被越来越多的学者提上了日程。作为一项随着车辆动力学控制系统的发展而产生的技术，这种方法能够直接应用ABS（防抱死制动系统）等系统固有的传感器，亦无需附加其它的任何设备，从而降低了系统的复杂程度和成本，具有广阔的实用前景和潜力。

国外在车辆主动安全性控制系统中采用车辆动力学参数来识别道路的技术研究可以追溯至1992 年[20]。美国内华达大学的Georg Mauer 在1994 年提出了一种基于ABS 系统道路识别系统的方案，他利用车辆滑移率及轮缸制动压力的变化来判别车辆行驶的实际道路状况 [21～22]。1996 年，美国军方与克莱斯勒公司、ITT 汽车公司等联合进行了一项针对美军4×4 型高机动性多用途轮式车辆（HMMWV）的TCS（驱动防滑控制系统）系统的研制项目，该项目采用模糊逻辑的TCS 控制器，根据不同的道路状况采取不同的模糊控制规则[23]。瑞典的Gustafsson Fredrik 和韩国的Wookug Hwang 等人分别对车辆正常行驶情况下车轮滑移率与地面作用的切向力之间的关系进行了探讨，并提出了采用估计出的道路附着系数对车轮滑移率相对变化的梯度来对路面进行分类的理论[13],[24～25]。日本东京大学的Hideo Sado 和Shin-ichiro Sakai 等人以电动汽车的驱动控制试验为基础，对在整个滑移率变化范围内以非线性化的μ－S 曲线的斜率来对路面的附着状况进行评估进行了探讨[26～28]。

近年来国内部分从事ABS 理论研究的科研工作者对道路识别技术的理论也进行了一些探讨[29－30]。但就整体研究状况来看，国内关于汽车动力学控制系统的技术水平和国外相比相对落后，尚未有系统化的道路状况实时识别技术的研究报道。

3 基于车辆动力学参数的道路识别技术研究

道路作为车辆行驶的界面，其表面状况的任何差异必然引起与车辆行驶有关的参数的变化。轮胎作为车辆上直接与路面接触的媒介，它与地面之间力学状态的变化必然与路面的状况息息相关，这种变化则体现在车轮与路面间附着性能的差别。车辆－地面之间附着性能除了与路面状况有关之外，还与车辆的动力学参数有关。

如果将不同的路面状况以不同的离散化数值来表示，那么在车辆动力学系统解析过程中则可以由这些数值的差异来显示道路附着状况的改变。基于此，笔者采用一个参数σ作为表征路面状况的附着特征影响因子，从而引入路况因子的概念。对各种路面的路况因子的分配如表1 所示。

表1 常见路面的特征因子σ值

根据笔者的研究，车轮与路面间纵向的附着系数可实时表述为路况σ、车速V、载荷Fz 以及车轮滑移（滑转）状况S 的非线性函数m = f (s ,V,Fz, S ) ，这样不但能够随时掌握纵向附着系数的变化，而且也能够实时掌握任一路况条件下附着特征参数的变化。在车辆实际行驶的过程中，道路状况和车辆的动力学参数都处于实时变化的状态，而该模型则能够捕捉这些变化，并将它们对纵向附着力的影响细致地表达出来。根据研究， μ = f (s ,V,Fz, S ) 为一个非线性的单值函数，当σ、V、Fz、S 等参数确定的情况下，μ具有唯一的一个值。同时，该函数的反函数也为单值函数。当车轮与地面的纵向附着系数一定，而且反映车轮动力学状态的参数V、Fz、S 确定时，反映路面状况的道路因子也就可以唯一确定。

如果以道路因子的差别来区分不同种类的路面状况，那么就可以由车辆的动力学原理根据车轮运动状态来对反映车辆－地面动力学状态的参数进行回归，进而对路面状况进行辨识。笔者针对车辆的防滑控制系统，采用改进的多层前向神经网络和误差反向传播的学习算法，即利用动量修正规则和自适应学习速率的BP 神经网络，以车轮的动力学参数为输入量，对路面的状况进行辨识。在神经网络辨识结果的基础上，追加输出量调谐的二次分类算法，最终达到了对路面状况的细致而良好分类识别。

本文将V、Fz、S 这三个描述车轮动力学状态的参数与路面附着系数μ一起作为路面辨识网络的输入参量，即确定了BP 神经网络的输入向量为{V，Fz，S，μ}。按照表1 所示，将常见的道路工况按6 类划分，以体现路面附着性能从高到低的变化情况。道路识别系统的最终输出，是依靠将这6 种路面模型模糊化为6 个路况因子来进行判断。该路面辨识网络在输出层设计了6 个神经元节点，来对应网络训练样本集中输入参量的聚类情况。

网络输出的映射对照存在如下关系：

表2 道路识别网络映射对照表

特别规定当路况因子值为1.2 时道路状况为积水路面（水膜厚度大于2mm）。

道路识别系统的输出是对应于训练样本集类别的路况因子值，并需要由此来对路面进行划分，所以应对BP 网络的输出再进行一次处理。

λ = y *[0,0.134,0.253,0.6,0.75,1]^T

道路识别系统将根据此? 值来判断路面工况，并将其作为车辆防滑系统控制器的输入参量用以确定最佳的控制参数门限及相应的最优控制策略和逻辑。

在神经网络训练的过程中，辨识系统的最终输出路况因子值在很多情况下并不等于期望输出的目标路况因子值，而是在目标输出值的周围一个很小的邻域内波动。本文经过对网络神经元输出的研究，在路面辨识系统BP 神经网络输出的基础上追加了一个修正算法，以对神经网络的输出路况因子值进行调谐和二次划分。所建立的基于车辆动力学参数回归和追加修正算法的改进BP 神经网络的道路识别系统组成结构如图2 所示。

图2 道路识别系统组成结构框图

4 道路识别系统的试验验证

根据图2 的流程，对车辆在多种行驶工况下的仿真和试验数据进行处理，作为辨识样本提供给训练完
成、神经元连接模式已冻结的BP 神经网络，并根据修正算法对辨识网络的一次输出进行再处理，得到几
种工况下路面识别的效果如图3～6 和表3 所示。

图3 混合路面加速道路识别结果图4 干柏油路面加速道路识别结果

图5 雪(压实)路面加速道路识别结果图6 冰路面起步加速道路识别结果

表3 几种试验工况下道路识别系统的性能对比

由对比结果可以看出，当车辆在各种路面上行驶过程中，无论是否装备了防滑控制系统，基于BP神经网络的道路识别系统在对网络输出经过修正算法调谐后都能够比较准确地辨识出实际的路面状况，神经网络系统的杂乱输出结果修正算法处理后能够较好地聚类，大部分收敛于目标点。网络的输出振荡较修正算法处理前有大幅度减小，网络的识别偏差有所改善，容错性能也得到了一定程度的提高。这充分证明了本文提出的基于动力学参数的路面辨识算法的有效性。

5 结论

车辆防滑控制系统的效果主要依赖于其控制算法和策略的准确性，由于在各种道路工况下车辆动力学控制系统的目标控制参数都不尽相同，相应地所采取的控制策略和算法也应该有所差别，所以在车辆行驶的过程中实时精确地识别路面状况对车辆防滑控制系统的意义非常重大。在道路识别技术的研究中采用车辆本身的动力学参数对车轮所处路面进行判别的方法不但能够使用车辆防滑控制系统固有的传感器，从而简化系统结构并降低成本，而且也能够保证路面判别的准确性。与其它的如采用仪器直接测量或采用光、电传感器以及数字图像分析和频谱分析的方法相比，具有明显的优势和更为广阔的应用前景。

本文所建立的基于BP 神经网络的道路识别系统能够有效地对路面状况进行识别，较好地解决了车辆行驶过程中车轮－地面动力学界面特征的确定问题，有助于车辆的防滑系统控制器采用最佳控制参量和逻辑产生更精确的执行系统作动调节量。

参考文献
1 王德平, 郭孔辉, 高振海. 汽车驱动防滑控制系统[J]. 汽车技术,1997(4): 22~27
2 M.Y.Bian, S.Z.Chen. Research on road condition estimation for automotive traction control system [A]. Proceeding of the 11th International Pacific
Conference on Automotive Engineering[C]. Shanghai: November 2001
3 范同顺. 轻型卡车ABS 系统电子控制装置硬件电路的开发[M]. 北京理工大学硕士学位论文, 2000 .2
4 程军. 车轮最佳滑移率控制的研究[J]. 汽车研究与开发., 2000, 1(36): ~39
5 Liu Zhaodu. Mathematical models of tire-longitudinal road adhesion and their use in the study of road vehicle dynamics [J]. Journal of Beijing Institute of Technology. 1997, 5(2): 193~204
6 吴献金. 路面纵向附着系数参量仪[J]. 汽车技术，1985 (11): 22~26
7 吴献金. 关于路面纵向附着系数的讨论[J]. 汽车技术，1987 (1): 31~35
8 柯玮，朱俊. 道路附着系数的试验研究[J]. 内蒙古公路与运输，1996 (3): 31~33
9 Sasada, Yukihisa et al. Development of the road surface condition sensing system [A]. Proceedings of IEEE Conference on Intelligent Transportation Systems [C], 1999
10 Vagner E.A, Efremov A.V. Radiooptical technique for diagnostics of road surface condition [A]. Proceedings of SPIE - The International Society for Optical Engineering [C]. Moscow: Jun 1999
11 Mika Morii, Hiroyuki Yasuo et al. Road surface condition detector using high peak power fiber laser [A]. 电气学会论文志, D:产业应用部门2000, 120-D (10): 1198~1204
12 Muneo Yamada, Koji Ueda et al. Discrimination of road condition toward understanding of vehicle driving environments [J]. IEEE Transaction on
Intelligent Transportation Systems. 2001, 2(1): 26~31
13 Gustafsson Fredrik. Slip-based tire-road friction estimation [J]. Automatica. 1997, 33(6): 1087~1099
14 Rudolf H, Wanielik G, Sieber AJ. Road condition recognition using microwaves [A]. Proceedings of 1997 IEEE Conference on Intelligent Transportation Systems [C]. BOSTON, MASSACHUSETTS: NOV. 1997
15 Shinmoto Y, Takagi J et al. Road surface recognition sensor using an optical spatial filter [A]. Proceedings of 1997 IEEE Conference on Intelligent Transportation Systems [C]. BOSTON, MASSACHUSETTS: NOV. 1997
16 Fukui H, Takagi J et al. An image processing method to detect road surface condition using optical spatial frequency [A]. Proceedings of 1997 IEEE Conference on Intelligent Transportation Systems [C]. BOSTON, MASSACHUSETTS: NOV. 1997
17 Kuehnle Andreas, Burghout Wilco. Image-based winter road condition recognition [A]. Proceedings of the 5th International Conference on Applications of Advanced Technologies in Transportation Engineering [C]. Apr 1998
18 Kuehnle Andreas, Burghout Wilco. Winter road condition recognition using video image classification [A]. Source: Transportation Research Record 1627, 1998 National Research Council: 29~33
19 Tetsuya Kuno, Hiroaki Sugiura. Detection of road conditions with CCD cameras mounted on a vehicle [J]. Systems and Computers in Japan. 1999, 30(14): 88~99
20 Chia-shang Liu , Huei Peng. Road friction coefficient for vehicle path prediction [J]. Vehicle System Dynamics Supplement, 1996 (25): 413~425
21 Georg Mauer et Al. Fuzzy logic continuous and quantizing control of an ABS braking system [J]. SAE Paper 940830
22 Manuer G F. A fuzzy logic controller for ABS braking system [J]. IEEE Transactions on Fuzzy System, 1995(3): 381~388
23 Ka a C. Cheok et Al. Fuzzy logic approach to traction control design [J]. SAE Paper 960957
24 Wookug Hwang and Byung-suk Song. Road Condition Monitoring System Using Tire-Road Friction Estimation [A]. Proceedings of 5th Int’l Symposium
on Advanced Vehicle Control (AVEC) [C]. Ann Arbor, Michigan: August 2000.
25 Gustafsson Fredrik. Monitoring tire-road friction using the wheel slip [J]. IEEE Control Systems, 1998, 18(4): 42~49.
26 Hideo Sado et Al. Road condition estimation for traction control in Electric Vehicle [A]. Proceedings of ISIE’99 [C]. Bled, Slovenia: 973~978.
27 Hideo Sado et Al. Road condition estimation based on driving force observer of Electric Vehicles [A]. 1999 年自动车技术会春季大会学术讲演会[C]. パシフイコ横浜: May 19, 1999, 5~8.
28 Hori Yoichi et al. Traction control of electric vehicle based on the estimation of road surface condition-basic experimental results using the test EV 'UOT Electric March' [A]. Proceedings of the Power Conversion Conference[C]. Nagaoka, PCC: Aug 3-6 1997, 1~7
29 程军. 汽车防抱死制动系统的理论与实践[M]. 北京: 北京理工大学出版社, 1999
30 李君, 喻凡, 张建武. 基于道路自动识ABS 模糊控制系统的研究[J]. 农业机械学报, 2001, 32(5): 26~29(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (6/18/2005)


您的位置：首页 > 交通运输/海工装备展区 > 汽车电子展厅 > 产品库 > 技术论文 > 正文	产品库会展人才帮助 \| 注册登录