AMT整车质量获取方法、装置、设备和介质与流程

amt整车质量获取方法、装置、设备和介质
技术领域
1.本技术涉及商用车领域，尤其涉及一种amt整车质量获取方法、装置、设备和介质。


背景技术：

2.自动变速箱(automated mechanical transmission，amt)在手动挡的基础上改造而来，即在总体结构不变的情况下通过加装微机控制的自动操作系统来实现换挡自动化。amt不仅降低了驾驶难度，提高了传动效率，还提高了驾驶舒适度，近年来在商用车上得到了迅速的发展。
3.为了保证amt有良好的换挡策略，amt控制器需要实时分析车辆当前的各种状况，结合驾驶员的驾驶意图做出最佳响应；其中，车辆载重发生变化，对车辆的整体质量会产生影响，进而对车辆起步和行车的档位也会产生影响，但是，现有技术对车辆整车质量的估算精度不够准确，导致了换挡和实际驾驶需求不够匹配，降低驾驶员的驾驶体验。
4.因此，亟待提出一种对amt整车质量预测精度更准确的处理方法。


技术实现要素：

5.本技术提供一种amt整车质量获取方法、装置、设备和介质，用以解决现有预测方式不够准确的问题。
6.第一方面，本技术提供amt整车质量获取方法，包括：
7.在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；
8.在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；
9.将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。
10.在一种可能的实现方式中，所述输入静态质量模型之前，所述方法还包括：
11.在某一所述平均温度下，m次给所述车辆增加负载，并获取空载和每次增加负载后的所述加权压强和所述车辆的静态质量，得到m+1个数据组，其中，所述数据组包括所述平均温度、所述加权压强和所述静态质量；
12.根据温度梯度，更新所述平均温度，并在更新后的所述平均温度下，重复上述增加负载获取数据组的步骤；
13.将每个所述数据组中的所述平均温度和所述加权压强作为输入、所述静态质量作为输出，拟合出二维线性函数，得到构建好的所述静态质量模型。
14.在一种可能的实现方式中，所述获取车胎的平均温度和加权压强，包括：
15.获取不同车胎节点的节点温度和节点压强，其中，所述车胎节点设置在所述车辆各个车胎的内部，每个所述车胎至少有一个所述车胎节点；
16.对所述节点温度求平均值，得到所述车胎的平均温度；
17.根据各个所述节点压强的权值系数，对各个所述节点压强加权求和，得到所述车胎的加权压强，其中，所述权值系数根据所述车胎节点的承重比设置。
18.在一种可能的实现方式中，所述基于车辆动力学模型，获取所述车辆的行车质量，包括：
19.根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数；
20.根据滚动阻力公式获取第二行车参数，其中，所述第二行车参数包括道路坡度、道路摩擦力和重力加速度；
21.根据坡度消耗动力公式获取第三行车参数，其中，所述第三行车参数包括道路坡度和重力加速度；
22.根据行车质量的加速消耗动力获取第四行车参数，其中，所述第四行车参数包括行车加速度；
23.根据所述第一行车参数、所述第二行车参数、所述第三行车和所述第四行车参数，获取所述车辆的行车质量。
24.在一种可能的实现方式中，所述根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数之前，所述方法还包括：
25.根据发动机扭矩、摩擦扭矩、传动效率和传动系数比，获取第一驱动力参数；
26.根据所述第一驱动力参数和车胎半径，获取发动机驱动力；
27.根据旋转质量和旋转加速度，获取旋转质量的加速消耗动力。
28.在一种可能的实现方式中，所述将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估，包括：
29.根据第一预设精度和车辆上一状态的整车质量最优结果，获取所述卡尔曼滤波的状态方程的第一状态参数；
30.根据第二预设精度和当前状态下的所述车辆的行车质量，获取所述卡尔曼滤波的状态方程的第二状态参数；
31.根据所述第一状态参数和所述第二状态参数，获取当前状态下卡尔曼滤波的预测值；
32.根据当前状态下的卡尔曼滤波增益、当前状态下的所述观测量和当前状态下所述预测值，获取卡尔曼滤波的最优估计参数；
33.根据当前状态下的所述预测值和所述最优估计参数，获取所述车辆当前状态下整车质量的最优估计结果。
34.在一种可能的实现方式中，所述获取卡尔曼滤波的最优估计参数之前，所述方法还包括：
35.根据第一预设精度、所述车辆上一状态的预测误差，获取当前状态的第一误差；
36.根据所述车辆上一状态的卡尔曼滤波预估结果和真实值，获取当前状态下的第二误差；
37.根据所述第一误差和所述第二误差，获取当前状态下的预测误差；
38.根据当前状态下的所述观测量和所述真实值，获取当前状态下的观测误差；
39.根据当前状态下的预测误差和当前状态下的观测误差，获取当前状态下的卡尔曼滤波增益；
40.所述获取所述车辆当前状态下整车质量的最优估计结果之后，所述方法还包括：
41.根据当前状态下的预测误差和当前状态下的卡尔曼滤波增益，更新下一状态的预测误差。
42.第二方面，本技术提供一种amt整车质量获取装置，包括：
43.第一获取模块，用于在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；
44.第二获取模块，用于在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；
45.预估模块，用于将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。
46.第三方面，本技术提供一种amt整车质量获取设备，包括：至少一个处理器和存储器；
47.所述存储器存储计算机执行指令；
48.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上所述的amt整车质量获取方法。
49.第四方面，本技术提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上所述的amt整车质量获取方法的步骤。
50.本技术提供的一种amt整车质量获取方法、装置、设备和介质，在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。
51.上述方法中，在车辆起步时，通过获取车胎的平均温度和加权压强，进而获取车辆的静态质量；在车辆行车时，通过车辆的动力学模型，获取车辆行车时的行车质量；并将静态质量作为观测量，将行车质量作为控制量，通过卡尔曼滤波方式将静态质量和行车质量融合迭代，不断提升预估精度，得到最优的整车预估结果，便于车辆根据整车质量做出行车策略。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本技术实施例提供的一种amt整车质量获取的场景示意图；
54.图2为本技术实施例提供的一种amt整车质量获取方法的流程示意图一；
55.图3为本技术实施例提供的一种amt整车质量获取方法的流程示意图二；
56.图4为本技术实施例提供的一种amt整车质量获取方法的流程示意图三；
57.图5为本技术实施例提供的一种amt整车质量获取方法的流程示意图四；
58.图6为本发明实施例提供的一种amt整车质量获取装置图；
59.图7为本发明实施例提供的amt整车质量设备的硬件示意图。
具体实施方式
60.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.设置有amt的车辆依靠电控自动换挡系统完成车辆换挡；为了实现好的换挡策略，amt控制器需要结合驾驶员的驾驶意图，结合车辆的实际情况，来进行最佳响应；例如，在自动模式下，挂油门，车辆会结合上下坡情况和车辆的整体质量，自动加减档位；当用户有刹车操作，会自动减档。
62.也就是说amt控制器规划的变档策略，需要参考车辆的整体质量，如果对车辆当前的整体质量预估不够准确，将使变档后的档位选择不够准确，导致驾驶员的驾驶体验不佳；现有的获取车辆的整车质量的方式一般是：利用加速度和驱动力求取整车质量，并求取多次求平均值，保证数据比较可靠；但是这样的处理方式依旧不够准确，需要进一步提升整车质量估计的准确度，以便于后续优化变档策略等。
63.于是本技术提出了一种可以提升预估准确度的整车质量获取方法。
64.下面结合附图和具体的实施例阐述本技术提出的一种amt整车质量获取方法的实现过程。
65.图1为本技术实施例提供的一种amt整车质量获取的场景示意图。如图1所示，该系统包括：车辆101；车辆101的车胎上设置有温度传感器102和胎压传感器103；
66.温度传感器102和胎压传感器103均设置在车胎内部，温度传感器102用于检测车胎的温度，胎压传感器103用于检测车胎内部的压强；温度会影响车胎的橡胶的变形情况，车胎内部的压强变化可以显示车辆101的质量变化，故温度和胎压可以结合起来用于表征车辆101的质量；
67.在车辆101静止状态下，或者车辆101刚起步时，可以测量车辆101整体的静态质量；在维持车胎温度在某一温度下，不断改变车辆101的载重，可以测得车辆101的胎压随着载重不断变化的压强值，再将载重加上车辆101的自重，可以构建温度、胎压和静态质量之间的线性关系；在车辆101实际上路时，就可以根据温度传感器102和胎压传感器103检测的数据估计车辆101当前的静态质量会是多少。
68.在车辆101行驶过程中，可以根据车辆动力学模型，获取行车质量与车辆101行驶时的其他参数之间的关系；其中，车辆101行驶时的其他参数包括驱动力、阻力、加速度等；故只要在车辆实际上路时，通过获取车辆动力学模型中的其他参数，即可计算出车辆101的行车质量。
69.将静态质量作为卡尔曼滤波的观测量，将行车质量作为卡尔曼滤波的控制量，将
静态质量和动态质量融合迭代，精准预估出车辆101实际上路时的实时的整车质量，以便于后续对车辆101进行控制。
70.下面结合图2和具体的实施例阐述本技术提出的一种amt整车质量获取方法的实现过程。
71.图2为本技术实施例提供的一种amt整车质量获取方法的流程示意图一。如图2所示，该方法包括：
72.s201、在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型。
73.车辆起步时，基本属于静止状态，此时可以获取车辆刚起步的静态质量；在获取该静态质量之前，构建了静态质量模型，该静态质量模型可以用于输入平均温度和加权压强，并用于输出静态质量，因为该静态质量模型为事先构建好的用于表示平均温度、加权压强与静态质量之间的二维线性关系的模型；
74.在车辆刚要起步的时候，通过多个温度传感器和多个胎压传感器，获取车辆的多个温度和多个胎压，进而获取车胎的平均温度和加权压强：
75.示例的，获取不同车胎节点的节点温度和节点压强，其中，所述车胎节点设置在所述车辆各个车胎的内部，每个所述车胎至少有一个所述车胎节点；
76.对所述节点温度求平均值，得到所述车胎的平均温度；
77.根据各个所述节点压强的权值系数，对各个所述节点压强加权求和，得到所述车胎的加权压强，其中，所述权值系数根据所述车胎节点的承重比设置。
78.在车辆的每个车胎内部选取多个车胎节点，在车胎节点上安置温度传感器和/或胎压传感器，用于检测各个车胎节点的温度和压强；其中，每个车胎至少要有一个车胎节点；若只有一个车胎节点，温度传感器和胎压传感器可以都安置在该节点附近；若有多个车胎节点，温度传感器和胎压传感器还可以分开设置，以保证传感器之间不会相互影响，且温度传感器和胎压传感器均可在每个车胎内部设置多个。
79.获取安置在多个车胎节点上的温度传感器的节点温度，对所有节点温度求均值，得到当下车辆的车胎的平均温度；
80.获取安置在多个车胎节点上的胎压传感器的节点胎压，根据车辆的车型分析安置了胎压传感器的各个车胎节点的承重比例，给各个节点胎压分配权重系数，根据权重系数对各个节点胎压进行加权求和，得到加权压强；
81.以上获得的平均温度和加权压强可进一步输入静态质量模型中以获取静态质量。
82.s202、在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量。
83.车辆的动力学模型的公式如下：
84.f＝ff+fg+fi+fj85.其中，f为发动机驱动力，ff为滚动阻力，fg为坡度消耗动力，fi为空气阻力和制动力，fj为加速消耗动力；发动机驱动力、空气阻力和制动力均可以根据相应的处理器获取得到，滚动阻力、坡度消耗动力和加速消耗动力分别都可以和行车质量建立对应的关系式，将这些关系式带入以上公式，并进行公式整理，则可以得到行车质量和车辆行驶的其他参数之间的关系式；
86.在车辆实际行车过程中，就可以实时获取其他参数的具体值，并将其他参数的具体值带入以上由车辆动力学模型变形的关系式中，得到车辆的行车质量。
87.s203、将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。
88.卡尔曼滤波算法中有五个基本公式，其中包括状态方程、预测误差方程、误差更新方程、卡尔曼滤波增益方程和最优估计方程，状态方程中包括控制量，更新观测误差方程和卡尔曼滤波增益方程需要观测量；
89.将车辆的静态质量作为卡尔曼滤波的观测量，将车辆的行车质量作为卡尔曼滤波的控制量，通过卡尔曼滤波方式不断迭代计算出车辆当前的整车质量的最优估计结果；为了保证这个最优估计结果足够准确，在将预估系统(包括静态质量过程、行车质量过程和卡尔曼滤波过程)投入使用之前，还可以让车辆在可以测整车质量的跑道上行驶，对比预估结果和跑道的测量结果是否足够接近，直到预估系统中的各个参数都调整至合适的取值；例如，卡尔曼滤波中的状态方程中的控制量有可调的精度参数，使用者可以根据输入输出结果调整该精度参数。
90.本技术实施例中，在车辆起步时，通过获取车胎的平均温度和加权压强，进而获取车辆的静态质量；在车辆行车时，通过车辆的动力学模型，获取车辆行车时的行车质量；并将静态质量作为观测量，将行车质量作为控制量，通过卡尔曼滤波方式将静态质量和行车质量融合迭代，不断提升预估精度，得到最优的整车预估结果，便于车辆根据整车质量做出行车策略。
91.下面结合图3和具体的实施例阐述本技术提出的一种amt整车质量获取方法中建立静态质量模型的实现过程。
92.图3为本技术实施例提供的一种amt整车质量获取方法的流程示意图二。如图3所示，该方法包括：
93.s301、在某一所述平均温度下，m次给所述车辆增加负载，并获取空载和每次增加负载后的所述加权压强和所述车辆的静态质量，得到m+1个数据组，其中，所述数据组包括所述平均温度、所述加权压强和所述静态质量。
94.上述实施例中采集车胎的平均温度和加权压强的方式，与本实施例中建立静态质量模型中的采集方式一致，只是本实施例通过控制变量的方式采集了多组历史数据；
95.获取车辆的车胎的平均温度，维持车辆的车胎的平均温度在某一温度值的限定误差范围内，并从车辆空载开始，不断给车辆增加负载，例如每次增加10千克(可根据实际情况调整)的负载，并在超载前停止加载；其中，每次添加负载的重量可以不一致；
96.获取以上某一温度值下，m次增加负载，对应车胎的平均温度、车胎的加权压强、车辆的静态质量，得到m+1个数据组；每个数据组分别只有一个平均温度、加权压强和静态质量。
97.s302、根据温度梯度，更新所述平均温度，并在更新后的所述平均温度下，重复上述增加负载获取数据组的步骤。
98.在上述某一温度值的基础上，根据预设的温度梯度调整环境温度，维持车辆的车胎的平均温度在另一温度值的限定误差范围内，例如，某一温度值为5摄氏度，温度梯度为5摄氏度，则另一温度值为10摄氏度；
99.更新车胎的平均温度后，重复上述步骤中的增加负载的过程，再次获取m+1个数据组，多次根据温度梯度调整车胎的平均温度，多次获取m+1个数据组，直到得到足够多的历史数据；其中，每次改变温度后添加负载的重量规则可以与前面的添加负载的重量规则不一致。
100.s303、将每个所述数据组中的所述平均温度和所述加权压强作为输入、所述静态质量作为输出，拟合出二维线性函数，得到构建好的所述静态质量模型。
101.将每个数据组中的平均温度和加权压强作为二维线性函数的自变量，将每个数据组中的静态质量作为二维线性函数的因变量，构建平均温度、加权压强与静态质量之间的线性关系，得到构建好的静态质量模型；例如，平均温度为t，加权压强为p，静态质量为mq，则静态质量模型为mq＝f(t,p)；
102.该静态质量模型构建好后，可以进行测试使用，随机给车胎测试温度和测试加载(不在上述采集过的范围内)输入静态质量模型中，输出静态质量模型预估的静态质量，将其与该测试温度和测试加载的车辆的实际静态质量相比，若误差较大，可构建更多数据组更新静态质量模型，若误差在预设范围内，则确认该静态质量模型可投入使用。
103.本技术实施例中，通过改变车胎的平均温度和车辆的加载情况，获取车胎的加权压强，并根据获取的每组数据，构建平均温度、加权压强与静态质量之间的关系，静态质量模型，以使后续可以将该静态质量模型用于随时获取静态质量。
104.下面结合图4和具体的实施例阐述本技术提出的一种amt整车质量获取方法中获取行车质量的实现过程。
105.图4为本技术实施例提供的一种amt整车质量获取方法的流程示意图三。如图4所示，该方法包括：
106.s401、根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数。
107.根据车辆的动力学模型的公式，确认发动机驱动力、滚动阻力、坡度消耗动力、空气阻力和制动力、加速消耗动力之间的具体关系；
108.其中，发动机驱动力是指发动机产生的扭矩；车辆的制动力是由发动机、缓冲器等产生的，现有方法可以获取，车辆的空气阻力可以根据风阻系数、迎风面积进行计算获得；
109.发动机驱动力可以根据发动机扭矩等参数获取，旋转质量的加速消耗动力可以根据旋转质量和旋转加速度获取：
110.示例的，根据发动机扭矩、摩擦扭矩、传动效率和传动系数比，获取第一驱动力参数；
111.根据所述第一驱动力参数和车胎半径，获取发动机驱动力。
112.发动机驱动力f的获取公式如下：
113.d＝(t
e-tf)iηe[0114][0115]
其中，d为第一驱动力参数，te为发动机扭矩，tf为摩擦扭矩，i为传动系数比，ηe为传动效率，r为车胎半径。
[0116]
根据旋转质量和旋转加速度，获取旋转质量的加速消耗动力。
[0117]
旋转质量的加速消耗动力f
j1
的获取公式如下：
[0118]fj1
＝m
iaj1
[0119]aj1
＝du
j1
/dt
j1
[0120]
其中，mi为旋转质量，a
j1
为旋转加速度，d为求导，u
j1
为旋转速度，t
j1
为旋转时间。
[0121]
s402、根据滚动阻力公式获取第二行车参数，其中，所述第二行车参数包括道路坡度、道路摩擦力和重力加速度。
[0122]
滚动阻力ff公式如下：
[0123]ff
＝m
p
gf cosθ
[0124]
其中，m
p
为行车质量，g为重力加速度，f为摩擦力，cos为余弦函数，θ为道路坡度角；
[0125]
由于建立的是与行车质量之间的关系，所以gfcosθ部分为第二行车参数。
[0126]
s403、根据坡度消耗动力公式获取第三行车参数，其中，所述第三行车参数包括道路坡度和重力加速度。
[0127]
坡度消耗动力公式fg公式如下：
[0128]fg
＝m
p
g sinθ
[0129]
其中，m
p
为行车质量，g为重力加速度，sin为正弦函数，θ为道路坡度角；
[0130]
由于建立的是与行车质量之间的关系，所以gsinθ部分为第三行车参数。
[0131]
s404、根据行车质量的加速消耗动力获取第四行车参数，其中，所述第四行车参数包括行车加速度。
[0132]
行车质量的加速消耗动力f
j2
的获取公式如下：
[0133]fj2
＝m
paj2
[0134]aj2
＝du
j2
/dt
j2
[0135]
其中，fj＝f
j1
+f
j2
，m
p
为行车质量，a
j2
为行车加速度(第四行车参数)，d为求导，u
j2
为行车速度，t
j2
为行车时间。
[0136]
s405、根据所述第一行车参数、所述第二行车参数、所述第三行车和所述第四行车参数，获取所述车辆的行车质量。
[0137]
获取车辆的行车质量m
p
的公式如下：
[0138][0139]
其中的参数解释见以上实施例，此处不再赘述。
[0140]
本技术实施例中，基于车辆的动力学模型的公式，获取其中发动机驱动力、滚动阻力、坡度消耗动力、空气阻力和制动力、加速消耗动力的具体获取方式，其中包括行车质量，并通过获取公式中除了行车质量的其他参数，进而计算出行车质量，其中构建的获取各个力的公式都能够使得最终计算出更精准的行车质量。
[0141]
下面结合图5和具体的实施例阐述本技术提出的一种amt整车质量获取方法的实现过程。
[0142]
图5为本技术实施例提供的一种amt整车质量获取方法的流程示意图四。如图5所示，该方法包括：
[0143]
s501、根据第一预设精度和车辆上一状态的整车质量最优结果，获取所述卡尔曼
滤波的状态方程的第一状态参数。
[0144]
卡尔曼滤波的状态方程为：
[0145]
x(k|k-1)＝ax(k-1|k-1)+bm
p
(k)
[0146]
其中，x(k|k-1)为根据k-1时刻(上一状态)预测的k时刻(当前状态下)的预测值，ax(k-1|k-1)为第一状态参数，a为第一预设精度，x(k-1|k-1)为k-1时刻(上一状态)的最优估计结果，b为第二预设精度，m
p
(k)为k时刻的行车质量；上述实施例中的t
j1
和t
j2
都是连续的时间，且明显行车质量与时间有关，k表示不连续的时刻；根据该卡尔曼滤波的状态方程获取当前状态下卡尔曼滤波的预测值。
[0147]
s502、根据第二预设精度和当前状态下的所述车辆的行车质量，获取所述卡尔曼滤波的状态方程的第二状态参数。
[0148]
根据卡尔曼滤波的状态方程，当前状态下的所述车辆的行车质量为k时刻的行车质量，第二状态参数为bm
p
(k)。
[0149]
第一预设精度和第二预设精度都可以根据实际滤波情况调整，本实施例中a+b的结果取值为1。
[0150]
s503、根据所述第一状态参数和所述第二状态参数，获取当前状态下卡尔曼滤波的预测值。
[0151]
根据卡尔曼滤波的状态方程，当前状态下卡尔曼滤波的预测值为根据k-1时刻(上一状态)预测的k时刻的预测值。
[0152]
s504、根据当前状态下的卡尔曼滤波增益、当前状态下的所述观测量和当前状态下所述预测值，获取卡尔曼滤波的最优估计参数。
[0153]
卡尔曼滤波的最优估计方程为：
[0154]
x(k|k)＝x(k|k-1)+k(k)[mq(k)-x(k|k-1)]
[0155]
其中，x(k|k)为当前状态下(k时刻)的最优估计结果，x(k|k-1)为当前状态下的预测值，k(k)为当前状态下(k时刻)的卡尔曼滤波增益，mq(k)为当前状态下(k时刻)获取的静态质量，k(k)[mq(k)-x(k|k-1)]为卡尔曼滤波的最优估计参数；根据该卡尔曼滤波的最优估计方程获取所述车辆当前状态下整车质量的最优估计结果。
[0156]
s505、根据当前状态下的所述预测值和所述最优估计参数，获取所述车辆当前状态下整车质量的最优估计结果。
[0157]
基于卡尔曼滤波的最优估计方程，将预测值和最优估计参数相加，得到当前状态下整车质量的最优估计结果。
[0158]
除了以上方程，卡尔曼滤波还包括预测误差方程、观测误差方程和卡尔曼滤波增益方程，卡尔曼滤波要完成回归迭代，就需要更新这些方程：
[0159]
示例的，所述获取卡尔曼滤波的最优估计参数之前，所述方法还包括：
[0160]
根据第一预设精度、所述车辆上一状态的预测误差，获取当前状态的第一误差；
[0161]
根据所述车辆上一状态的卡尔曼滤波预估结果和真实值，获取当前状态下的第二误差；
[0162]
根据所述第一误差和所述第二误差，获取当前状态下的预测误差。
[0163]
卡尔曼滤波的预测误差方程为：
[0164]
p(k|k-1)＝ap(k-1|k-1)a
t
+q
[0165]
其中，p(k|k-1)为x(k|k-1)对应的协方差(当前状态下的预测误差)，p(k-1|k-1)为x(k-1|k-1)对应的协方差，a为第一预设精度，t为转置符号，q为上一状态的卡尔曼滤波输出与真实值之间的误差(当前状态下的第二误差)，ap(k-1|k-1)a t
为第一误差；根据该卡尔曼滤波的预测误差方程获取当前状态下的预测误差。
[0166]
根据当前状态下的所述观测量和所述真实值，获取当前状态下的观测误差；
[0167]
根据当前状态下的预测误差和当前状态下的观测误差，获取当前状态下的卡尔曼滤波增益。
[0168]
卡尔曼滤波的卡尔曼滤波增益方程为：
[0169]
k(k)＝p(k|k-1)(p(k|k-1)+r)-1
[0170]
其中，k(k)为当前状态下(k时刻)的卡尔曼滤波增益，p(k|k-1)为当前状态下的预测误差，r为当前状态下的观测量和真实值之间的误差(当前状态下的观测误差)；根据该卡尔曼滤波的卡尔曼滤波增益方程获取当前状态下的卡尔曼滤波增益。
[0171]
所述获取所述车辆当前状态下整车质量的最优估计结果之后，所述方法还包括：
[0172]
根据当前状态下的预测误差和当前状态下的卡尔曼滤波增益，更新下一状态的预测误差。
[0173]
在卡尔曼滤波过程中，为了下一步估计k+1时刻的最优估计结果的迭代需进行预测误差更新，这样算法才可以回归运算下去；
[0174]
卡尔曼滤波的误差更新方程为：
[0175]
p(k|k)＝[i-k(k)]p(k|k-1)
[0176]
其中，p(k|k)为x(k|k)对应的协方差(用于预测k+1时刻的值使用)，i为单位矩阵，k(k)为当前状态下的卡尔曼滤波增益，p(k|k-1)为当前状态下的预测误差；根据该卡尔曼滤波的误差更新方程更新下一状态的预测误差。
[0177]
本技术实施例中，通过卡尔曼滤波方式对静态质量和行车质量进行迭代融合，最终得到整车质量的最优估计结果，完成高精度预测，保证后续能够规划更精准的控制。
[0178]
图6为本发明实施例提供的一种amt整车质量获取装置图，如图6所示，该装置包括：第一获取模块601、第二获取模块602和预估模块603；
[0179]
第一获取模块601，用于在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型。
[0180]
第一获取模块601，还用于获取不同车胎节点的节点温度和节点压强，其中，所述车胎节点设置在所述车辆各个车胎的内部，每个所述车胎至少有一个所述车胎节点；
[0181]
对所述节点温度求平均值，得到所述车胎的平均温度；
[0182]
根据各个所述节点压强的权值系数，对各个所述节点压强加权求和，得到所述车胎的加权压强，其中，所述权值系数根据所述车胎节点的承重比设置。
[0183]
第二获取模块602，用于在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量。
[0184]
第二获取模块602，还用于根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数；
[0185]
根据滚动阻力公式获取第二行车参数，其中，所述第二行车参数包括道路坡度、道
路摩擦力和重力加速度；
[0186]
根据坡度消耗动力公式获取第三行车参数，其中，所述第三行车参数包括道路坡度和重力加速度；
[0187]
根据行车质量的加速消耗动力获取第四行车参数，其中，所述第四行车参数包括行车加速度；
[0188]
根据所述第一行车参数、所述第二行车参数、所述第三行车和所述第四行车参数，获取所述车辆的行车质量。
[0189]
预估模块603，用于将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。
[0190]
本技术还提供一种amt整车质量获取设备，包括：至少一个处理器和存储器；
[0191]
所述存储器存储计算机执行指令；
[0192]
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行amt整车质量获取方法。
[0193]
图7为本发明实施例提供的amt整车质量设备的硬件示意图。如图7所示，本实施例提供的amt整车质量获取设备70包括：至少一个处理器701和存储器702。该设备70还包括通信部件703。其中，处理器701、存储器702以及通信部件703通过总线704连接。
[0194]
在具体实现过程中，至少一个处理器701执行所述存储器702存储的计算机执行指令，使得至少一个处理器701执行如上amt整车质量获取方法。
[0195]
处理器701的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0196]
在上述的图7所示的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0197]
存储器可能包含高速存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。
[0198]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0199]
本技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的amt整车质量获取方法。
[0200]
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能
够存取的任何可用介质。
[0201]
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
[0202]
所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0203]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0204]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0205]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0206]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0207]
最后应说明的是：本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段，并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

技术特征：
1.一种amt整车质量获取方法，其特征在于，包括：在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。2.根据权利要求1所述的方法，其特征在于，所述输入静态质量模型之前，所述方法还包括：在某一所述平均温度下，m次给所述车辆增加负载，并获取空载和每次增加负载后的所述加权压强和所述车辆的静态质量，得到m+1个数据组，其中，所述数据组包括所述平均温度、所述加权压强和所述静态质量；根据温度梯度，更新所述平均温度，并在更新后的所述平均温度下，重复上述增加负载获取数据组的步骤；将每个所述数据组中的所述平均温度和所述加权压强作为输入、所述静态质量作为输出，拟合出二维线性函数，得到构建好的所述静态质量模型。3.根据权利要求1所述的方法，其特征在于，所述获取车胎的平均温度和加权压强，包括：获取不同车胎节点的节点温度和节点压强，其中，所述车胎节点设置在所述车辆各个车胎的内部，每个所述车胎至少有一个所述车胎节点；对所述节点温度求平均值，得到所述车胎的平均温度；根据各个所述节点压强的权值系数，对各个所述节点压强加权求和，得到所述车胎的加权压强，其中，所述权值系数根据所述车胎节点的承重比设置。4.根据权利要求1所述的方法，其特征在于，所述基于车辆动力学模型，获取所述车辆的行车质量，包括：根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数；根据滚动阻力公式获取第二行车参数，其中，所述第二行车参数包括道路坡度、道路摩擦力和重力加速度；根据坡度消耗动力公式获取第三行车参数，其中，所述第三行车参数包括道路坡度和重力加速度；根据行车质量的加速消耗动力获取第四行车参数，其中，所述第四行车参数包括行车加速度；根据所述第一行车参数、所述第二行车参数、所述第三行车和所述第四行车参数，获取所述车辆的行车质量。5.根据权利要求4所述的方法，其特征在于，所述根据发动机驱动力、空气阻力、制动力和旋转质量的加速消耗动力，获取第一行车参数之前，所述方法还包括：根据发动机扭矩、摩擦扭矩、传动效率和传动系数比，获取第一驱动力参数；根据所述第一驱动力参数和车胎半径，获取发动机驱动力；
根据旋转质量和旋转加速度，获取旋转质量的加速消耗动力。6.根据权利要求1所述的方法，其特征在于，所述将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估，包括：根据第一预设精度和车辆上一状态的整车质量最优结果，获取所述卡尔曼滤波的状态方程的第一状态参数；根据第二预设精度和当前状态下的所述车辆的行车质量，获取所述卡尔曼滤波的状态方程的第二状态参数；根据所述第一状态参数和所述第二状态参数，获取当前状态下卡尔曼滤波的预测值；根据当前状态下的卡尔曼滤波增益、当前状态下的所述观测量和当前状态下所述预测值，获取卡尔曼滤波的最优估计参数；根据当前状态下的所述预测值和所述最优估计参数，获取所述车辆当前状态下整车质量的最优估计结果。7.根据权利要求6所述的方法，其特征在于，所述获取卡尔曼滤波的最优估计参数之前，所述方法还包括：根据第一预设精度、所述车辆上一状态的预测误差，获取当前状态的第一误差；根据所述车辆上一状态的卡尔曼滤波预估结果和真实值，获取当前状态下的第二误差；根据所述第一误差和所述第二误差，获取当前状态下的预测误差；根据当前状态下的所述观测量和所述真实值，获取当前状态下的观测误差；根据当前状态下的预测误差和当前状态下的观测误差，获取当前状态下的卡尔曼滤波增益；所述获取所述车辆当前状态下整车质量的最优估计结果之后，所述方法还包括：根据当前状态下的预测误差和当前状态下的卡尔曼滤波增益，更新下一状态的预测误差。8.一种amt整车质量获取装置，其特征在于，包括：第一获取模块，用于在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；第二获取模块，用于在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；预估模块，用于将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。9.一种amt整车质量获取设备，其特征在于，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7任一项所述的amt整车质量获取方法。10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的amt整车质量获取方法的步骤。

技术总结
本申请提供一种AMT整车质量获取方法、装置、设备和介质。该方法包括：在车辆起步时，获取车胎的平均温度和加权压强，并输入静态质量模型中获取所述车辆的静态质量；其中，所述静态质量模型为事先构建好的用于表示所述平均温度、所述加权压强与所述静态质量之间的二维线性关系的模型；在所述车辆行车时，基于车辆动力学模型，获取所述车辆的行车质量；将所述车辆的静态质量作为卡尔曼滤波的观测量，将所述车辆的行车质量作为卡尔曼滤波的控制量，对所述车辆的整车质量进行预估。本申请的方法可以提高预测准确度。以提高预测准确度。以提高预测准确度。


技术研发人员：李文兵 吴亮 韩伟 张国勇 刘仍祥 张文龙 庞明辉
受保护的技术使用者：中国重汽集团济南动力有限公司
技术研发日：2023.05.22
技术公布日：2023/7/6