為推動電動汽車關鍵共性技術發展，服務于成員單位技術研發需求，自成立以來，聯盟一直持續開展整車及關鍵零部件前沿、共性技術研究工作，形成了大批研究成果，推動了電動汽車產業技術創新和進步。2023聯盟共立項共性技術課題22項，為推動課題交流和成果共享，聯盟將持續發布在研課題研究進展和成果，最大化發揮課題研究價值。
智能底盤輪地關系感知技術研究課題由同濟大學汽車學院冷搏副教授承擔，課題面向縱側耦合行駛工況下智能底盤動力學行為復雜導致的輪地作用關系感知精度低、實時性差、融合感知機理復雜的問題，研究并提出基于動力學和感知信息的輪胎-路面峰值附著系數融合估計與預測方法，并通過虛擬仿真和道路試驗對理論成果進行驗證。最終，實現輪胎-路面峰值附著系數高精度實時估計，為智能底盤復雜行駛工況下的決策、規劃與控制性能提升和更豐富的場景應用提供技術支撐。
（一） 基于視覺信息的路面附著狀態辨識
隨著汽車智能化的提高，越來越多的量產汽車搭載了高級輔助駕駛系統(ADAS)，即配備了攝像頭、激光雷達等高級輔助駕駛感知傳感器。如圖1所示，常見的前視攝像頭安裝位置為車輛頂棚上方的C點，可以獲取車輛前方一定范圍內的路面圖像，從而為基于視覺的路面附著系數估計方法提供可能。
圖1 車載攝像頭安裝位置
考慮到攝像頭獲取的圖像中除了路面區域外還存在大量環境信息，如天空、行人、周圍車輛、建筑等，容易在訓練分類器過程中造成較為明顯的過擬合現象，從而無法使分類器有效捕捉不同類型路面的特征。因此利用基于多任務學習的路面特征提取網絡分割出無陰影的可行駛路面區域。此外，由于攝像頭對外界環境光照變化十分敏感，在路面陰影、曝光異常、運動模糊等外界環境干擾（如圖2所示）下，成像質量將會大幅下降，易導致路面類型識別精度下降。因此基于帶干擾圖像樣本數據集進行路面分類網絡模型校正。為進一步減小外界環境因素干擾造成的視覺估計預測結果振蕩，設計了基于改進證據理論的視覺融合估計方法?？傮w技術路線如圖3所示。
圖2 常見圖像降質因素
圖3 基于視覺的路面附著系數估計技術路線
表1基于視覺的路面類型辨識方法測試結果
為驗證基于圖像信息的峰值附著系數估計效果，分別考察算法在無視覺干擾常規場景和有陰影干擾場景的準確性。本課題從除去制作訓練集和驗證集的BDD100K數據集中分別選取相應的圖像數據測試樣本。由于基于圖像信息的估計算法得到的峰值附著系數來自映射關系，不同取值直接對應不同的路面附著狀態類別（0-干瀝青路面，1-濕瀝青路面，2-冰雪路面）。
由圖4和圖5可知，所提出的基于視覺的估計方法在干瀝青和濕瀝青場景下具有令人滿意的性能表現，路面識別的辨識精度均在88%以上。此后可以根據路面類型辨識結果映射到對應的峰值路面附著系數經驗值，干燥瀝青、潮濕瀝青和冰雪路面對應的經驗值分別為0.9, 0.7和0.2。
與攝像頭相比，激光雷達對不同光照條件的魯棒性較高，在智能汽車環境感知方面的研究中逐漸得到廣泛應用，也為路面估計方法提供了新的可能性。如圖6所示，常見的車載激光雷達安裝位置為車輛頂棚上方的支架上，可以獲取車輛周圍一定范圍內的點云數據。
圖6 車載激光雷達安裝位置
通過激光雷達獲取的原始點云中，不僅包含掃描到的道路可行駛區域內的點，也包含兩側路沿、人行道和其它物體（樹木、車輛、行人、房屋等），而本課題只關注車輛前方一定范圍內的路面區域，并不需要其它物體的點云信息，所以需要對路面區域部分的點云進行分割和提取。由于路面區域可以近似認為是一個平面，所以基于平面幾何特征進行點云分割。提出了一種多級結構的路面區域點云提取方法，從粗略到精細地提取路面區域點云，如圖7所示。
由于不同材質表面對激光束的反射率不同，激光雷達探測到各種路面的反射強度分布有一定的差異，因此將反射強度分布模型參數作為路面特征進行提取，用于路面類型辨識。針對以瀝青或混凝土為主要材質的常見結構化道路，將路面類型分為干燥瀝青、干燥混凝土、潮濕瀝青和潮濕混凝土四類。利用極大似然的估計方法求解出路面反射強度分布模型參數。并針對對不同光照條件建立統一的路面反射強度數據庫。采用考察分布相似度的方法來辨識路面類型。在得出路面類型辨識結果后，可以映射至峰值附著系數的統計數據經驗值。基于激光反射強度分析的路面附著系數估計整體流程如圖8所示。
圖8 基于激光反射強度分析的路面附著系數估計方法
為驗證基于激光點云信息的峰值附著系數估計效果，分別考察算法在單一路面上運行的準確性，以及在路面發生突變時是否能夠有效進行識別。測試結果的評價方式為辨識準確率，即辨識結果正確的點云幀數與總幀數之比。結果如表2所示。單一路面工況和突變路面工況的估計效果分別如圖9和圖10所示。
表2 基于激光反射強度分析的路面辨識測試結果
由圖9和表2可以看出，提出的估計方法對各類路面的辨識準確率達到90%以上，且對不同光照條件的魯棒性較好?？傮w而言，基于激光點云信息的估計誤差相比白天光照充足時基于圖像信息的估計誤差更大，但前者由于對不同光照條件的魯棒性強，在夜晚的估計效果遠優于后者。
圖10 路面突變工況估計結果
由圖10可以看出，無論在光照相對充足的白天還是光照條件相對惡劣的夜晚，基于激光點云信息的峰值附著系數估計算法均能有效地識別出路面突變的情況。雖然對路面突變的識別存在約0.2 s的延遲，但考慮到激光雷達的預瞄距離可以達到10 m以上，該延遲并不會影響最終輸出結果的有效性。
對于縱向激勵工況，首先設計了改進的Dugoff輪胎模型，該模型結構簡潔，可用較少的參數來描述輪胎的縱滑特性， 改進后的Dugoff輪胎模型在不同垂向載荷下的縱滑特性擬合曲線與輪胎六分力實驗數據的對比如圖11。其中，黑線為輪胎實驗數據，彩色線為擬合值。
建立車輛單輪動力學模型如圖12所示，用以計算車輪滑動率和輪胎縱向力。
在此基礎上，提出了路面附著系數和輪胎縱向力互聯擾動的非線性觀測模型。
對于側向激勵工況，選取Brush輪胎模型用于描述側向力及回正力矩與側偏角的關系，基于輪胎六分力實驗獲取的縱向力實驗數據，對Brush輪胎模型進行擬合。擬合值與實驗值的對比如圖13所示，其中，黑線為輪胎實驗數據，彩色線為擬合值。
圖13 輪胎側向實驗數據與擬合值對比
建立線性二自由度車輛運動學模型如圖14所示，用以計算輪胎側偏角。
考慮到小側偏工況下，輪胎模型中的回正力矩在不同路面的差異就比較明顯，而大側向加速度更適合基于側向力估計來實現路面估計。建立如圖15所示的轉向系統模型，通過電子助力系統來估計主銷處的回正力矩。由此基于輪胎側向力和回正力矩估計。
分別引入滑動利用率和側偏利用率的概念描述路面激勵的程度。足夠的縱、側向激勵能使得系統達到局部弱能觀條件?；诶钛牌罩Z夫穩定性定理，綜合考慮估計器穩定性與估計性能，設計滿足估計性能要求的縱、側向有效穩定激勵區域。
利用車輛動力學仿真軟件Carsim與Matlab/Simulink聯合仿真環境，設定路面峰值附著系數，在縱向車輪驅動扭矩輸入或側向前輪轉角輸入的持續激勵下，標記估計器估計值穩態均方根誤差，再不斷增加激勵輸入強度，直至估計器失穩。分別獲得各路面峰值附著系數下同時滿足估計器穩定性與估計精度要求的縱向、側向激勵區域，如圖16所示。
圖16中的黑實線所包絡的黃色與橙色區域為的縱、側向有效穩定激勵區域。
綜合上述分析，可以通過動力學信息對應的工作點是否位于有效穩定激勵區域內來評價動力學信息質量的高低，且對應的穩態均方根誤差越低，則表明動力學信息質量越高。
車輛運動是一個復雜的過程，輪胎可能同時受到輪胎縱向力與側向力的作用，即處于縱向和側向激勵耦合工況。此時需要對估計器的輪胎模型與動力學觀測器模型進行調整以保證估計收斂的穩定性和估計結果的準確性。
利用摩擦橢圓描述輪胎縱側向力耦合關系。處于縱側激勵耦合工況下的輪胎，從縱向或側向角度觀察的附著極限相比原有峰值均有所下降。由于在實際估計過程中，縱側向路面峰值附著極限無法直接獲得，故可考慮基于摩擦橢圓概念，縱、側向激勵量化指標和計算輪胎模型縱、側向路面峰值附著極限修正系數估計值。基于上述分析，設計了融合路面估計器，并且對原估計器進行修正。
狀態觀測器正常工作的前提條件是縱、側向激勵和需在所定義的有效穩定激勵區域內。因此，基于輪胎縱側向力摩擦橢圓，為了充分利用縱側向激勵，定義如圖17所示的考慮縱側耦合工況的有效穩定激勵區域，上述的動力學融合估計器可基于如圖17所示區域進行精準啟停。
為了防止開關操作過于頻繁，設計如圖18所示的策略，當估計開關狀態發生變化時，對變化后的狀態持續時間td進行判斷，這過程中只有開關狀態保持時間td，估計器狀態才會發生變化。
如圖19所示，實車實驗的實驗平臺是一臺上汽榮威E50乘用車，通過改裝拆除了原車前軸集中電機，并在每個車輪都裝備輪轂電機，可以獨立進行驅動。車輛自身的傳感器包括方向盤轉角及轉速傳感器、各車輪轉矩轉速傳感器、EPS助力電機轉矩、轉速傳感器和IMU三軸加速度計，通過裝配的Kistler傳感器用于測量車身質心側偏角、縱向車速和側向車速。
實驗設置了兩組工況：(1) 峰值附著系數為0.75的中高附路面，行駛過程平均車速保持在55 km/h的雙移線工況；(2) 峰值附著系數為0.45的中低附路面，行駛過程平均車速保持在45km/h的雙移線工況，車輛行駛過程中同時受到路面縱側向激勵。實驗結果如圖20和圖21所示。
從圖中的實車實驗結果可以發現，從開始到2 s左右的時間，車輛縱側向激勵不是很顯著，此時3個估計器均保持停止估計狀態。3~6 s階段，縱側向激勵均開始發生變化，側向力出現反復變化，縱向激勵波動較小，3種估計器均發生收斂，收斂時間約1s?？傮w來講，所設計的融合估計器應對激勵變化的工況具有較好的適應性，收斂過程迅速且平穩，有效改善復雜激勵下輪胎模型失真帶來的低估和振蕩問題，收斂時間與單一激勵估計器的性能保持一致。
