[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

说明书

本发明提供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，利用视觉预测与卡尔曼滤波模型的预测融合获取更准确的路面附着系数，并创新性地将视觉模型直接预测和传感器数据间接预测再次进行高斯分布融合，从而获得对车辆前方路面附着系数更精准的预测值，进而帮助提高车辆行驶中的稳定性和可靠性。

技术领域

本发明涉及汽车驾驶安全控制技术领域，尤其是涉及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。

背景技术

车辆行驶过程中的主动安全和控制稳定性至关重要，为了提高控制系统的稳定性和可靠性，就需要获取车辆的实时行驶状态参数。由于当前直接测量路面附着系数(Adhesion Coefficient)的方法技术不成熟，结果不够准确，且成本高昂。其中，附着系数(Adhesion Coefficient)是附着力与车轮法向(与路面垂直的方向)压力的比值，常用μ来表示。现有的车辆路面附着系数算法有Caused-based和Effected-based两种主流方法。其中Caused-based是利用传感器测量影响路面附着系数的因素，进而推算路面的最大附着系数μ.例如车辆前部的光学传感器可以测量路面对光的吸收和散射情况，然后预测路面的最大附着系数；或者通过雷达传感器接收电磁波的反射并进行频谱分析，通过分析结果来预测路面的最大附着系数。此方法的优势是在车辆轮胎与前方路面接触之前就可以得出路面附着系数，且对各种路面适应性较好。缺点在于需要增加额外的传感器，测量成本较高，限制了大规模商用。另外，Effected-based是根据车辆在不同路面行驶时，车载的常用传感器测量的运动数据，建立运动模型来推算路面的附着系数。与Caused-based方法相比较，此方法不需要安装额外的传感器，成本较低。但缺点在于，完全根据车辆运动数据推算会导致精度不高，且存在一定延迟，不能在车轮接触前方路面之前就得到路面附着系数结果。

故本方案设计了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，提供更高效精准的参数估计，帮助提高车辆行驶中的稳定性和可靠性。

发明内容

针对上述问题，本专利提出了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，具体采用的技术方案如下：

本发明所述的方法，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。

其中，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。

进一步的，所述路面情况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。

进一步的，所述S2还包括：计算状态预测值x_k，公式如下：