[发明专利]基于视觉深度学习和传感器融合的路面附着系数优化方法

权利要求书

1.一种基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，包括以下步骤：

S1：定义初始化条件；

S2：构建基于视觉模型测量与传感器测量的卡尔曼滤波预测模型，并计算状态预测值x_k，以及计算状态预测的误差协方差预测值P_k；

S3：根据所述传感器测量的先验值更新所述卡尔曼滤波预测模型，计算卡尔曼增益值K_k，并更新状态预测值x_k+1，以及更新状态预测的误差协方差预测值为P_k+1，获得新一代卡尔曼滤波预测模型；

S4：分别计算融合视觉模型的k+1时刻附着系数预测值和融合视觉模型的k+1时刻附着系数预测值误差协方差，分别得到更新后的k+1时刻的预测状态向量x_k+1和对应的误差协方差P_k+1；将所述预测状态向量x_k+1和误差协方差P_k+1代入S2中的状态预测值x_k和状态预测的误差协方差预测值P_k，转S2进行迭代并计算下一时刻的预测值。

2.根据权利要求1所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，所述S1还包括：在k＝0的启动初始化时刻，视觉模型和卡尔曼模型根据对路面情况的测量给予一个初始值μ₀，若路面情况不可测，则取μ₀＝0。

3.根据权利要求2所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，还包括：采用车载前视摄像头实时采集路面情况信息并作为输入值用于后续构建基于视觉模型测量与传感器测量的卡尔曼滤波预测模型。

4.根据权利要求1所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，所述S2还包括：计算状态预测值x_k，公式如下：

x_k＝Ax_k-1+Bu_k；

式中，x_k为k时刻的状态向量；x_k-1为前一个时刻k-1的状态向量；A为状态转移矩阵；u_k为系统控制变量，此方案中取0。

5.根据权利要求4所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，所述S2还包括：计算状态预测的误差协方差预测值P_k，公式如下：

P_k＝AP_k-1A^T+Q；

式中，P_k为k时刻x_k的预测误差协方差；P_k-1为k-1时刻x_k-1的预测误差协方差；Q为过程噪声，根据具体场景常取经验常量。

6.根据权利要求1所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，所述S3还包括：计算卡尔曼增益值K_k，公式如下：

K_k＝P_kH^T(HP_kH^T+R)^-1；

式中，H为状态向量到测量向量的转换矩阵；R为测量噪声，根据具体传感器常取经验常量。

7.根据权利要求6所述的基于视觉深度学习和传感器融合的路面附着系数优化方法，其特征在于，所述S3还包括：计算更新状态预测值x_k+1，公式如下：

x_k+1＝x_k+K_k(z_k-Hx_k)；

式中，x_k+1为根据传感器数据对k+1时刻的状态向量预测；z_k为传感器数据的测量值。