为推动电动汽车关键共性技术发展，服务于成员单位技术研发需求，自成立以来，联盟一直持续开展整车及关键零部件前沿、共性技术研究工作，形成了大批研究成果，推动了电动汽车产业技术创新和进步。2023联盟共立项共性技术课题22项，为推动课题交流和成果共享，联盟将持续发布在研课题研究进展和成果，最大化发挥课题研究价值。
智能底盘轮地关系感知技术研究课题由同济大学汽车学院冷搏副教授承担，课题面向纵侧耦合行驶工况下智能底盘动力学行为复杂导致的轮地作用关系感知精度低、实时性差、融合感知机理复杂的问题，研究并提出基于动力学和感知信息的轮胎-路面峰值附着系数融合估计与预测方法，并通过虚拟仿真和道路试验对理论成果进行验证。最终，实现轮胎-路面峰值附着系数高精度实时估计，为智能底盘复杂行驶工况下的决策、规划与控制性能提升和更丰富的场景应用提供技术支撑。
（一） 基于视觉信息的路面附着状态辨识
随着汽车智能化的提高，越来越多的量产汽车搭载了高级辅助驾驶系统(ADAS)，即配备了摄像头、激光雷达等高级辅助驾驶感知传感器。如图1所示，常见的前视摄像头安装位置为车辆顶棚上方的C点，可以获取车辆前方一定范围内的路面图像，从而为基于视觉的路面附着系数估计方法提供可能。
图1 车载摄像头安装位置
考虑到摄像头获取的图像中除了路面区域外还存在大量环境信息，如天空、行人、周围车辆、建筑等，容易在训练分类器过程中造成较为明显的过拟合现象，从而无法使分类器有效捕捉不同类型路面的特征。因此利用基于多任务学习的路面特征提取网络分割出无阴影的可行驶路面区域。此外，由于摄像头对外界环境光照变化十分敏感，在路面阴影、曝光异常、运动模糊等外界环境干扰（如图2所示）下，成像质量将会大幅下降，易导致路面类型识别精度下降。因此基于带干扰图像样本数据集进行路面分类网络模型校正。为进一步减小外界环境因素干扰造成的视觉估计预测结果振荡，设计了基于改进证据理论的视觉融合估计方法。总体技术路线如图3所示。
图2 常见图像降质因素
图3 基于视觉的路面附着系数估计技术路线
表1基于视觉的路面类型辨识方法测试结果
为验证基于图像信息的峰值附着系数估计效果，分别考察算法在无视觉干扰常规场景和有阴影干扰场景的准确性。本课题从除去制作训练集和验证集的BDD100K数据集中分别选取相应的图像数据测试样本。由于基于图像信息的估计算法得到的峰值附着系数来自映射关系，不同取值直接对应不同的路面附着状态类别（0-干沥青路面，1-湿沥青路面，2-冰雪路面）。
由图4和图5可知，所提出的基于视觉的估计方法在干沥青和湿沥青场景下具有令人满意的性能表现，路面识别的辨识精度均在88%以上。此后可以根据路面类型辨识结果映射到对应的峰值路面附着系数经验值，干燥沥青、潮湿沥青和冰雪路面对应的经验值分别为0.9, 0.7和0.2。
与摄像头相比，激光雷达对不同光照条件的鲁棒性较高，在智能汽车环境感知方面的研究中逐渐得到广泛应用，也为路面估计方法提供了新的可能性。如图6所示，常见的车载激光雷达安装位置为车辆顶棚上方的支架上，可以获取车辆周围一定范围内的点云数据。
图6 车载激光雷达安装位置
通过激光雷达获取的原始点云中，不仅包含扫描到的道路可行驶区域内的点，也包含两侧路沿、人行道和其它物体（树木、车辆、行人、房屋等），而本课题只关注车辆前方一定范围内的路面区域，并不需要其它物体的点云信息，所以需要对路面区域部分的点云进行分割和提取。由于路面区域可以近似认为是一个平面，所以基于平面几何特征进行点云分割。提出了一种多级结构的路面区域点云提取方法，从粗略到精细地提取路面区域点云，如图7所示。
由于不同材质表面对激光束的反射率不同，激光雷达探测到各种路面的反射强度分布有一定的差异，因此将反射强度分布模型参数作为路面特征进行提取，用于路面类型辨识。针对以沥青或混凝土为主要材质的常见结构化道路，将路面类型分为干燥沥青、干燥混凝土、潮湿沥青和潮湿混凝土四类。利用极大似然的估计方法求解出路面反射强度分布模型参数。并针对对不同光照条件建立统一的路面反射强度数据库。采用考察分布相似度的方法来辨识路面类型。在得出路面类型辨识结果后，可以映射至峰值附着系数的统计数据经验值。基于激光反射强度分析的路面附着系数估计整体流程如图8所示。
图8 基于激光反射强度分析的路面附着系数估计方法
为验证基于激光点云信息的峰值附着系数估计效果，分别考察算法在单一路面上运行的准确性，以及在路面发生突变时是否能够有效进行识别。测试结果的评价方式为辨识准确率，即辨识结果正确的点云帧数与总帧数之比。结果如表2所示。单一路面工况和突变路面工况的估计效果分别如图9和图10所示。
表2 基于激光反射强度分析的路面辨识测试结果
由图9和表2可以看出，提出的估计方法对各类路面的辨识准确率达到90%以上，且对不同光照条件的鲁棒性较好。总体而言，基于激光点云信息的估计误差相比白天光照充足时基于图像信息的估计误差更大，但前者由于对不同光照条件的鲁棒性强，在夜晚的估计效果远优于后者。
图10 路面突变工况估计结果
由图10可以看出，无论在光照相对充足的白天还是光照条件相对恶劣的夜晚，基于激光点云信息的峰值附着系数估计算法均能有效地识别出路面突变的情况。虽然对路面突变的识别存在约0.2 s的延迟，但考虑到激光雷达的预瞄距离可以达到10 m以上，该延迟并不会影响最终输出结果的有效性。
对于纵向激励工况，首先设计了改进的Dugoff轮胎模型，该模型结构简洁，可用较少的参数来描述轮胎的纵滑特性， 改进后的Dugoff轮胎模型在不同垂向载荷下的纵滑特性拟合曲线与轮胎六分力实验数据的对比如图11。其中，黑线为轮胎实验数据，彩色线为拟合值。
建立车辆单轮动力学模型如图12所示，用以计算车轮滑动率和轮胎纵向力。
在此基础上，提出了路面附着系数和轮胎纵向力互联扰动的非线性观测模型。
对于侧向激励工况，选取Brush轮胎模型用于描述侧向力及回正力矩与侧偏角的关系，基于轮胎六分力实验获取的纵向力实验数据，对Brush轮胎模型进行拟合。拟合值与实验值的对比如图13所示，其中，黑线为轮胎实验数据，彩色线为拟合值。
图13 轮胎侧向实验数据与拟合值对比
建立线性二自由度车辆运动学模型如图14所示，用以计算轮胎侧偏角。
考虑到小侧偏工况下，轮胎模型中的回正力矩在不同路面的差异就比较明显，而大侧向加速度更适合基于侧向力估计来实现路面估计。建立如图15所示的转向系统模型，通过电子助力系统来估计主销处的回正力矩。由此基于轮胎侧向力和回正力矩估计。
分别引入滑动利用率和侧偏利用率的概念描述路面激励的程度。足够的纵、侧向激励能使得系统达到局部弱能观条件。基于李雅普诺夫稳定性定理，综合考虑估计器稳定性与估计性能，设计满足估计性能要求的纵、侧向有效稳定激励区域。
利用车辆动力学仿真软件Carsim与Matlab/Simulink联合仿真环境，设定路面峰值附着系数，在纵向车轮驱动扭矩输入或侧向前轮转角输入的持续激励下，标记估计器估计值稳态均方根误差，再不断增加激励输入强度，直至估计器失稳。分别获得各路面峰值附着系数下同时满足估计器稳定性与估计精度要求的纵向、侧向激励区域，如图16所示。
图16中的黑实线所包络的黄色与橙色区域为的纵、侧向有效稳定激励区域。
综合上述分析，可以通过动力学信息对应的工作点是否位于有效稳定激励区域内来评价动力学信息质量的高低，且对应的稳态均方根误差越低，则表明动力学信息质量越高。
车辆运动是一个复杂的过程，轮胎可能同时受到轮胎纵向力与侧向力的作用，即处于纵向和侧向激励耦合工况。此时需要对估计器的轮胎模型与动力学观测器模型进行调整以保证估计收敛的稳定性和估计结果的准确性。
利用摩擦椭圆描述轮胎纵侧向力耦合关系。处于纵侧激励耦合工况下的轮胎，从纵向或侧向角度观察的附着极限相比原有峰值均有所下降。由于在实际估计过程中，纵侧向路面峰值附着极限无法直接获得，故可考虑基于摩擦椭圆概念，纵、侧向激励量化指标和计算轮胎模型纵、侧向路面峰值附着极限修正系数估计值。基于上述分析，设计了融合路面估计器，并且对原估计器进行修正。
状态观测器正常工作的前提条件是纵、侧向激励和需在所定义的有效稳定激励区域内。因此，基于轮胎纵侧向力摩擦椭圆，为了充分利用纵侧向激励，定义如图17所示的考虑纵侧耦合工况的有效稳定激励区域，上述的动力学融合估计器可基于如图17所示区域进行精准启停。
为了防止开关操作过于频繁，设计如图18所示的策略，当估计开关状态发生变化时，对变化后的状态持续时间td进行判断，这过程中只有开关状态保持时间td，估计器状态才会发生变化。
如图19所示，实车实验的实验平台是一台上汽荣威E50乘用车，通过改装拆除了原车前轴集中电机，并在每个车轮都装备轮毂电机，可以独立进行驱动。车辆自身的传感器包括方向盘转角及转速传感器、各车轮转矩转速传感器、EPS助力电机转矩、转速传感器和IMU三轴加速度计，通过装配的Kistler传感器用于测量车身质心侧偏角、纵向车速和侧向车速。
实验设置了两组工况：(1) 峰值附着系数为0.75的中高附路面，行驶过程平均车速保持在55 km/h的双移线工况；(2) 峰值附着系数为0.45的中低附路面，行驶过程平均车速保持在45km/h的双移线工况，车辆行驶过程中同时受到路面纵侧向激励。实验结果如图20和图21所示。
从图中的实车实验结果可以发现，从开始到2 s左右的时间，车辆纵侧向激励不是很显著，此时3个估计器均保持停止估计状态。3~6 s阶段，纵侧向激励均开始发生变化，侧向力出现反复变化，纵向激励波动较小，3种估计器均发生收敛，收敛时间约1s。总体来讲，所设计的融合估计器应对激励变化的工况具有较好的适应性，收敛过程迅速且平稳，有效改善复杂激励下轮胎模型失真带来的低估和振荡问题，收敛时间与单一激励估计器的性能保持一致。
