用于车辆的防抱死系统的制作方法

1.本技术涉及智能化控制
技术领域：
：，并且更具体地，涉及一种用于车辆的防抱死系统。
背景技术：
：：2.汽车防抱死制动系统（abs，antilockbrakingsystem）是在常规制动装置的基础上发展起来的一种新型高效率制动系统。目前，当车辆临时驶过减速带、地面凹坑凸起等存在短暂颠簸的路面时，轮胎由于挤压或短时间脱离路面，产生虚假的滑移率，从而引起防抱死制动功能误触发。当防抱死制动功能误触发时，会产生较明显的工作噪音和制动踏板振动，影响舒适性。3.针对于上述问题，中国专利申请公布号cn114715095a公开了了一种防抱死制动的系统及控制方法，以解决车辆临时驶过减速带、地面凹坑凸起等存在短暂颠簸的路面时，防抱死功能的意外激活的问题。该方法通过车载gps模块获取车速信号，同时通过车载的惯性传感单元采集车辆的沿车辆各方向的加速度、横摆角速度，以此来识别车辆状态。防抱死制动控制系统虽然可以接入多种传感器来辅助计算，但是成本较高，工程意义较低。4.因此，期望一种优化的用于车辆的防抱死系统。技术实现要素：5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于车辆的防抱死系统，其获取预定时间段内多个预定时间点的车辆的车速和加速度；采用基于深度学习的人工智能技术，挖掘车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。6.第一方面，提供了一种用于车辆的防抱死系统，其包括：7.信号预处理模块、车速信号估计模块、车轮信号与滑移率计算模块、车辆状态估计模块、主缸压力估算模块、失效处理模块、车辆控制模块、前后轴控制模块、主缸压力修正模块和液压控制模块；8.所述信号预处理模块，用于对输入信号进行预处理并输出预处理结果；9.所述车速信号估计模块，用于估算车辆的车速和加速度；10.所述车轮信号与滑移率计算模块，用于基于所述车辆的车速和加速度来计算滑移率；11.所述车辆状态估计模块，用于基于所述车辆的车速和加速度，来判断所述车辆在行驶过程中的状态；12.所述主缸压力估算模块，用于基于所述车辆的车速和加速度、所述滑移率和所述路面状态来计算主缸压力信号的估计值；13.所述失效处理模块，用于处理发生故障的传感器；14.所述车辆控制模块，用于确定是否开启防抱死功能；15.所述前后轴控制模块，用于基于所述车辆的车速和车身加速度来计算轴控和轮控算法的目标压力；16.所述主缸压力修正模块，用于基于车身减速度和轮减速度，计算主缸压力的校正值；以及17.所述液压控制模块，用于执行轮缸液压力目标控制。18.在上述用于车辆的防抱死系统中，所述车辆状态估计模块，包括：车辆状态数据采集单元，用于获取预定时间段内多个预定时间点的所述车辆的车速和加速度；参数时序排列单元，用于将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量；速度变化特征提取单元，用于将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；加速度变化特征提取单元，用于将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量；特征融合单元，用于融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；特征优化单元，用于基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量；以及，车辆状态检测单元，用于将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。19.在上述用于车辆的防抱死系统中，所述第一多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度；以及，所述第二多尺度邻域特征提取模块，包括并行的第三卷积层和第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的第二级联层，其中，所述第三卷积层使用具有第三尺度的一维卷积核，所述第四卷积层使用具有第四尺度的一维卷积层，所述第三尺度不同于所述第四尺度。20.在上述用于车辆的防抱死系统中，所述速度变化特征提取单元，包括：第一尺度特征提取子单元，用于使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度速度特征向量；其中，所述公式为：[0021][0022]其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，表示所述速度输入向量；[0023]第二尺度特征提取子单元，用于使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度速度特征向量；其中，所述公式为：[0024][0025]其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述速度输入向量；以及，第一级联子单元，用于将所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。[0026]在上述用于车辆的防抱死系统中，所述加速度变化特征提取单元，包括：第三尺度特征提取子单元，用于使用所述第二多尺度邻域特征提取模块的第三卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第三尺度加速度特征向量；其中，所述公式为：[0027][0028]其中，为第三卷积核在x方向上的宽度、为第三卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第三卷积核的尺寸，表示所述加速度输入向量；[0029]第四尺度特征提取子单元，用于使用所述第二多尺度邻域特征提取模块的第四卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第四尺度加速度特征向量；其中，所述公式为：[0030][0031]其中，为第四卷积核在x方向上的宽度、为第四卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第四卷积核的尺寸，表示所述加速度输入向量；以及，第二级联子单元，用于将所述第三尺度加速度特征向量和所述第四尺度加速度特征向量进行级联以得到所述加速度时序特征向量。[0032]在上述用于车辆的防抱死系统中，所述特征融合单元，用于：以如下公式融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；其中，所述公式为：[0033][0034]其中，为所述车辆状态特征向量，为所述速度时序特征向量，为所述加速度时序特征向量，表示按位置加法，为用于控制所述速度时序特征向量和所述加速度时序特征向量之间的平衡的加权参数。[0035]在上述用于车辆的防抱死系统中，所述特征优化单元，包括：第一优化子单元，用于计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；第二优化子单元，用于计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；以及，优化特征融合子单元，用于融合所述第一优化后车辆状态特征向量和所述第二优化后车辆状态特征向量以得到所述优化车辆状态特征向量。[0036]在上述用于车辆的防抱死系统中，所述第一优化子单元，进一步用于：以如下公式计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；其中，所述公式为：[0037][0038]其中，、和分别表示所述速度时序特征向量、所述车辆状态特征向量和所述第一优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0039]在上述用于车辆的防抱死系统中，所述第二优化子单元，进一步用于：以如下公式计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；其中，所述公式为：[0040][0041]其中，、和分别表示所述加速度时序特征向量、所述车辆状态特征向量和所述第二优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0042]在上述用于车辆的防抱死系统中，所述车辆状态检测单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化车辆状态特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。[0043]与现有技术相比，本技术提供的用于车辆的防抱死系统，其获取预定时间段内多个预定时间点的车辆的车速和加速度；采用基于深度学习的人工智能技术，挖掘车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。附图说明[0044]为了更清楚地说明本技术实施例的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0045]图1为根据本技术实施例的用于车辆的防抱死系统的应用场景图。[0046]图2为根据本技术实施例的防抱死制动控制系统总体示意图。[0047]图3为根据本技术实施例的液压控制模块结构示意图。[0048]图4为根据本技术实施例的用于车辆的防抱死系统中所述车辆状态估计模块的框图。[0049]图5为根据本技术实施例的用于车辆的防抱死系统中所述速度变化特征提取单元的框图。[0050]图6为根据本技术实施例的用于车辆的防抱死系统中所述加速度变化特征提取单元的框图。[0051]图7为根据本技术实施例的用于车辆的防抱死系统中所述特征优化单元的框图。[0052]图8为根据本技术实施例的用于车辆的防抱死系统中所述车辆状态检测单元的框图。[0053]图9为根据本技术实施例的用于车辆的防抱死方法的流程图。[0054]图10为根据本技术实施例的用于车辆的防抱死方法的系统架构的示意图。[0055]图11为根据本技术实施例的车速估计流程示意图。[0056]图12为根据本技术实施例的加速度估算流程示意图。[0057]图13为根据本技术实施例的单轮冲击路面bump识别流程图。具体实施方式[0058]下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。[0059]除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的
技术领域：
：的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。[0060]在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。[0061]需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。[0062]如上所述，在对菌类进行检测时，传统的医学集菌检测系统通常只能对一个培养皿中的菌落进行检测，并且检测过程是通过人工观察和人工菌种类型标注，不仅需要配置专职人员，还有可能在实际操作中发生人工疏忽而造成不必要的危害。因此，期望一种优化的预防医学检验系统。[0063]如上所述，中国专利申请公布号cn114715095a公开了一种防抱死制动的系统及控制方法，其虽然能够解决车辆临时驶过减速带、地面凹坑凸起等存在短暂颠簸的路面时，防抱死功能的意外激活的问题，但是，该系统中的防抱死制动控制系统虽然可以接入多种传感器来辅助计算，但是成本较高，工程意义较低。因此，期望一种优化的用于车辆的防抱死系统。[0064]具体地，提出了一种用于车辆的防抱死系统，其是以车速估算、车辆状态识别、主缸压力估算和液压控制方法为核心，适应多种路况的汽车防抱死制动控制系统和控制方法，以解决现有技术中心存在的车速估算实用性差、车辆状态识别复杂和缺乏液压控制等的问题。具体地，该所述用于车辆的防抱死系统包括：对输入信号进行预处理并输出预处理结果。特别地，所述输出预处理结果为不可用轮速数量、排序轮速值及对应的位置编号；并且，当轮速正常时输出同轴轮速的均值，当轮速不可信时，轴速输出值用整车最小轮速替换；同时还输出整车加速度和最大加速度。估算车辆的车速和加速度。基于所述车辆的车速和加速度来计算滑移率。基于所述车辆的车速和加速度，来判断所述车辆在行驶过程中的状态。基于所述车辆的车速和加速度、所述滑移率和所述路面状态来计算主缸压力信号的估计值。处理发生故障的传感器。确定是否开启防抱死功能。基于所述车辆的车速和车身加速度来计算轴控和轮控算法的目标压力。基于车身减速度和轮减速度，计算主缸压力的校正值。执行轮缸液压力目标控制。[0065]相应地，考虑到在实际车辆的防抱死系统中，如何准确地对于车辆在行驶过程中的状态进行检测，以此来精准地进行路面态识别是关键，但是，由于路面的状态包括有路面冲击、坏路面和强搓衣板路面、发动机拖滞、对接路面，而车辆的状态在不同的路面会有着相似的特征信息，难以精准地对其进行区分识别，进而降低了对于路面识别的精准度，也降低了防抱死系统的实用性。特别地，考虑到车辆的轮速和加速度能够反映车辆的状态特征信息，因此，在本技术的技术方案中，期望通过对于车辆的车速和加速度进行分析来实现对于路面状态的检测判断。在此过程中，难点在于如何准确地挖掘出所述车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况来精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。[0066]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。[0067]深度学习以及神经网络的发展为挖掘所述车辆的车速和加速度在时间维度上的动态变化特征信息提供了新的解决思路和方案。[0068]具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的所述车辆的车速和加速度。接着，考虑到所述车辆的车速和加速度在时间维度上都具有着动态性的变化规律，为了深度准确地挖掘出这种动态变化特征，以此来准确地进行路面状态检测，需要将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量，以分别整合所述车辆的车速和加速度在时间维度上的数据分布信息。[0069]然后，考虑到对于所述预定时间段内多个预定时间点的车辆的车速来说，所述车辆车速在时间维度上具有着波动性和不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特征。因此，为了能够充分地提取出所述车辆车速在时序上的动态特性，进一步将所述速度输入向量通过第一多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆速度在所述预定时间段的不同时间跨度下的动态多尺度邻域关联特征，从而得到速度时序特征向量。[0070]进一步地，对于所述预定时间段内多个预定时间点的车辆的加速度来说，所述车辆加速度在时间维度上也具有着动态性的变化规律，其在所述预定时间段内的不同时间周期跨度下也具有着不同模式的动态变化特性。因此，在本技术的技术方案中，为了能够充分且准确地提取出所述车辆的加速度在时序上的动态关联特征信息，以此来准确地对于路面状态进行检测，进一步将所述加速度输入向量通过第二多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆的加速度在不同时间跨度下的动态多尺度邻域关联特征信息，即所述车辆的加速度的时序多尺度动态变化特征信息，从而得到加速度时序特征向量。[0071]接着，进一步再融合所述速度时序特征向量和所述加速度时序特征向量，以此来融合所述车辆车速的时序动态多尺度变化特征和所述车辆加速度的时序动态多尺度变化特征，从而得到具有所述车辆车速和加速度协同状态变化的时序动态多尺度关联特征的车辆状态特征向量。然后，再将所述车辆状态特征向量作为分类特征向量通过多标签分类器以得到用于表示路面状态的标签的分类结果。也就是，在本技术的技术方案中，所述分类器的标签为所述路面状态的标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签，以此来基于车辆的实际状态情况来精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的实用性。[0072]特别地，在本技术的技术方案中，这里，在例如通过加权点加的方式融合所述速度时序特征向量和所述加速度时序特征向量得到所述车辆状态特征向量时，期望能够提升所述车辆状态特征向量的特征分布相对于所述速度时序特征向量和所述加速度时序特征向量各自的特征分布的响应性，从而实现特征向量维度上的更好的融合。[0073]进一步地，考虑到所述速度时序特征向量和所述加速度时序特征向量分别表达时序上不同阶次（即，速度对应于距离相对于时间的一阶导数，而加速度又对应于速度相对于时间的一阶导数），将所述目标位置时序绝对特征向量和所述目标位置时序变化特征向量分别看作为源特征向量，而所述目标位置特征向量看作为源特征向量的响应特征向量。这样，通过使得响应特征向量融合与其具有响应关系的源特征向量的特征，可以提升所述车辆状态特征向量的特征分布相对于所述速度时序特征向量和所述加速度时序特征向量各自的特征分布的响应性。[0074]具体地，对于所述车辆状态特征向量，例如记为，分别计算其与所述速度时序特征向量，例如记为和所述加速度时序特征向量，例如记为的非相干稀疏响应融合优化，例如记为和，分别表示为：[0075][0076][0077]其中和表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。[0078]这里，所述非相干稀疏响应融合在分别将所述速度时序特征向量和所述加速度时序特征向量作为特征域间响应的真实性分布（ground-truthdistribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提高具有响应关系的特征向量的融合概率分布的描述度，从而提升响应特征向量对于与其具有响应关系的源特征向量的特征融合。这样，再通过融合优化后的特征向量和来得到所述车辆状态特征向量，就可以提升所述车辆状态特征向量对所述速度时序特征向量和所述加速度时序特征向量的融合效果，从而提升所述车辆状态特征向量通过分类器得到的分类结果的准确性。这样，能够基于车辆的实际状态情况来精准地对路面状态进行识别，以提高防抱死系统在多种路面工况的适用性，增强其实用性。[0079]图1为根据本技术实施例的用于车辆的防抱死系统的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的所述车辆的车速（例如，如图1中所示意的c1）和加速度（例如，如图1中所示意的c2）；然后，将获取的车辆的车速和加速度输入至部署有用于车辆的防抱死算法的服务器（例如，如图1中所示意的s）中，其中所述服务器能够基于用于车辆的防抱死算法对所述车速和所述加速度进行处理，以生成用于表示路面状态的标签的分类结果。[0080]在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。[0081]所述的汽车防抱死制动的控制系统，轮速传感器采集汽车各车轮轮速，输入控制单元进行参考车速估计，计算轮加速度和参考滑移率，根据不同路面设置不同的轮加速度和参考滑移率门限，通过控制单元输出电磁阀控制信号到液压控制单元，调节各制动轮缸压力，控制汽车车轮。[0082]所述的防抱死制动控制系统，软件分别在5ms和20ms周期运行。在本技术的一个实施例中，图2为根据本技术实施例的防抱死制动控制系统总体示意图，如图2所示，所示防抱死制动控制系统100主要包括10个控制模块：信号预处理模块1、车速信号估计模块2、车轮信号与滑移率计算模块3、车辆状态估计模块4、主缸压力估算模块5、失效处理模块6、车辆控制模块7、前后轴控制模块8、主缸压力修正模块9、液压控制模块10；所述信号预处理模块1，用于对输入信号进行预处理并输出预处理结果；所述车速信号估计模块2，用于估算车辆的车速和加速度；所述车轮信号与滑移率计算模块3，用于基于所述车辆的车速和加速度来计算滑移率；所述车辆状态估计模块4，用于基于所述车辆的车速和加速度，来判断所述车辆在行驶过程中的状态；所述主缸压力估算模块5，用于基于所述车辆的车速和加速度、所述滑移率和所述路面状态来计算主缸压力信号的估计值；所述失效处理模块6，用于处理发生故障的传感器；所述车辆控制模块7，用于确定是否开启防抱死功能；所述前后轴控制模块8，用于基于所述车辆的车速和车身加速度来计算轴控和轮控算法的目标压力；所述主缸压力修正模块9，用于基于车身减速度和轮减速度，计算主缸压力的校正值；以及，所述液压控制模块10，用于执行轮缸液压力目标控制。[0083]具体地，所述的信号预处理模块1，是abs算法运行的第一个模块，主要是对其他模块输入的信号进行预处理，将信号输出为后续模块计算需要的相关信号，主要包含：1）将外部的目标制动力转化为abs需要的车辆的目标制动液压力；2）通过诊断目标状态及轮速传感器信号质量来确定abs及ebd功能的目标状态；3）对轮速传感器信号处理模块发过来的轮速及轮加速度信号等进行预处理，转化为abs控制中需要的轮速、轴速以及加速度信号等信息，方便后续模块进行整车速度及加速度计算。所述的信号预处理模块1输出：最高轮速、第二高轮速、第二低轮速、最低轮速，以上四个轮速对应的车轮编号，故障的轮速传感器数量，前轴后轴的轴速，平均轴减速度，四轮平均减速度，最高轮减速度，四轮几何补偿之后的最高轮速、第二高轮速、第二低轮速、最低轮速以及编号。[0084]所述的车速信号估计模块2，本模块主要估算车辆的车速及加速度信息。虽然abs系统可能接入多种传感器，但是在不同的车型配置，以及传感器故障等工况下，只有轮速信号是所有车型以及所有运行条件下不可或缺的信号，故abs的车速估计主要通过轮速传感器估计。车速估计中一个重要的参数便是梯度的选取，需要依据车轮的动态来选取合适的参考车轮，通过参考车轮的加速度来估计车身的加速度。[0085]所述的车轮信号与滑移率计算模块3，本模块主要基于车速计算滑移率，包含以下功能：1）四轮滑移率计算；2）车轮减速度平均值计算；3）车轮减速度平均值滤波值计算；4）后轴滑移率计算；5）前轴滑移率计算。所述的车轮信号与滑移率计算模块3，为其他相应模块提供输入。[0086]所述的车辆状态估计模块4，本模块主要通过车速和车身加速度判断车辆在行驶过程中的状态，主要功能包括：1）道路冲击识别；2）坏路面识别；3）高附路面识别；4）低附路面识别；4）分离路面状态监控；5）低附ebd监控；6）滑行监控。[0087]所述的主缸压力估算模块5，本模块基于车速、车辆加速度、滑移率以及路面状态计算主缸压力信号的估计值，并将估算是主缸压力信号发送至轮控以及轴控的状态机，用于车辆状态控制，同时将计算信号发送至液压控制模块，以支持液压控制计算轮缸压力。主要功能包括：1）主缸压力计算模块；2）车轮控制监控使能；3）外部控制监控使能；4）轮缸压力控制监控。[0088]所述的失效处理模块6，本模块是失效处理算法，当传感器发生故障时，abs需要关闭相关功能，并通过此算法给出目标制动压力，本模块包含：1）失效监控及功能仲裁模块；2）失效后的目标制动压力计算。[0089]所述的车辆控制模块7，用于实现abs控制算法模块，它决定了abs功能的开启和关闭，以及轴控命令的设定和轴控目标压力的计算，主要包括以下功能：1）abs准入与退出车速阈值设定；2）车辆控制，包含轴控命令的设定和轴控目标压力的计算。[0090]所述的前后轴控制模块8，是基于车速和车身加速度计算轴控和轮控算法的目标压力，实现前后轴以及四个车轮的独立控制，输出的控制信号有轴控目标状态，轮控目标状态以及各个车轮的目标压力，并通过液压控制模块接口给到液压控制模块执行。[0091]所述的主缸压力修正模块9，基于车身减速度和轮减速度，计算主缸压力的校正值，并反馈给所有与压力相关的算法进行补偿。[0092]所述的液压控制模块10，主要任务是执行上层控制模块的轮缸液压力目标控制，主要功能包括：轮缸压力控制、电机控制。[0093]图3为根据本技术实施例的液压控制模块结构示意图，所述的液压控制模块10结构如下图3所示，（1）所述的轮缸压力控制，是根据ev控制电流、av控制时间来估算轮缸的模型压力；其次，根据目标轮缸压力计算ev的控制电流和av的控制时间，达到轮缸压力控制和模型压力估算的目的。[0094]（2）所述的电机目标转速计算，用于根据蓄能器液量计算电机的目标转速，保证在abs工作过程中蓄能器不能充满，并提供足够的增压能力，为电机控制提供目标。[0095]（3）所述的电机泵负载计算，用于处理跟电机泵负载相关的计算，包括蓄能器液量估算、泵负载计算等。[0096]（4）所述的电机转速控制，基于电机目标转速计算模块和电机泵负载计算与控制模块输出的目标电机转速以及电机实际负载，对电机进行转速控制。首先将负载、转速等信息转换为等效的电压量，统一计算的基准；然后基于电机动力学方程和反向电动势采样，使用卡尔曼滤波的方法估算电机的实际转速；之后根据转速目标，建立前馈加反馈的转速闭环控制器，计算实际驱动电机的占空比；最后，根据实际驱动情况，适当发出中断驱动指令，以便进行反向电动势采样。[0097]也就是，所述用于车辆的防抱死系统，其是以车速估算、车辆状态识别、主缸压力估算和液压控制方法为核心，适应多种路况的汽车防抱死制动控制系统和控制方法，以解决现有技术中心存在的车速估算实用性差、车辆状态识别复杂和缺乏液压控制等的问题。具体地，该所述用于车辆的防抱死系统包括：对输入信号进行预处理并输出预处理结果。特别地，所述输出预处理结果为不可用轮速数量、排序轮速值及对应的位置编号；并且，当轮速正常时输出同轴轮速的均值，当轮速不可信时，轴速输出值用整车最小轮速替换；同时还输出整车加速度和最大加速度。估算车辆的车速和加速度。基于所述车辆的车速和加速度来计算滑移率。基于所述车辆的车速和加速度，来判断所述车辆在行驶过程中的状态。基于所述车辆的车速和加速度、所述滑移率和所述路面状态来计算主缸压力信号的估计值。处理发生故障的传感器。确定是否开启防抱死功能。基于所述车辆的车速和车身加速度来计算轴控和轮控算法的目标压力。基于车身减速度和轮减速度，计算主缸压力的校正值。执行轮缸液压力目标控制。[0098]应可以理解，本发明有如下优点：[0099]1、本发明的防抱死制动控制系统及方法，仅仅采用轮速传感器，不需要其他传感器进行辅助实现，成本低，稳定性好。[0100]2、本发明的防抱死制动控制系统及方法，采用轮速进行车速估算，车速估算方法分为轮速传感器损坏时，不在abs控制下以及在abs控制下这三种情况，分别使用不同的方法对车速进行估计，满足各种工况，鲁棒性强，实用性强。[0101]3、本发明的防抱死制动控制系统及方法，对车辆状态进行了识别，包括路面冲击识别、坏路面和强搓衣板路面识别、发动机拖滞识别、低附路面识别等，适用多种路面工况。[0102]4、本发明的防抱死制动控制系统及方法，对液压执行单元进行了控制，包括对主缸压力和轮缸压力进行了估算，对电磁阀进行了控制。相比现有的防抱死制动控制系统及方法，填补了方法空白。[0103]图4为根据本技术实施例的用于车辆的防抱死系统中所述车辆状态估计模块的框图。如图4所示，所述车辆状态估计模块4，包括：车辆状态数据采集单元110，用于获取预定时间段内多个预定时间点的所述车辆的车速和加速度；参数时序排列单元120，用于将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量；速度变化特征提取单元130，用于将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；加速度变化特征提取单元140，用于将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量；特征融合单元150，用于融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；特征优化单元160，用于基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量；以及，车辆状态检测单元170，用于将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。[0104]具体地，在本技术实施例中，所述车辆状态数据采集单元110，用于获取预定时间段内多个预定时间点的所述车辆的车速和加速度。考虑到在实际车辆的防抱死系统中，如何准确地对于车辆在行驶过程中的状态进行检测，以此来精准地进行路面态识别是关键，但是，由于路面的状态包括有路面冲击、坏路面和强搓衣板路面、发动机拖滞、对接路面，而车辆的状态在不同的路面会有着相似的特征信息，难以精准地对其进行区分识别，进而降低了对于路面识别的精准度，也降低了防抱死系统的实用性。特别地，考虑到车辆的轮速和加速度能够反映车辆的状态特征信息。[0105]因此，在本技术的技术方案中，期望通过对于车辆的车速和加速度进行分析来实现对于路面状态的检测判断。在此过程中，难点在于如何准确地挖掘出所述车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况来精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。[0106]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。[0107]深度学习以及神经网络的发展为挖掘所述车辆的车速和加速度在时间维度上的动态变化特征信息提供了新的解决思路和方案。[0108]具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的所述车辆的车速和加速度。[0109]具体地，在本技术实施例中，所述参数时序排列单元120，用于将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量。接着，考虑到所述车辆的车速和加速度在时间维度上都具有着动态性的变化规律，为了深度准确地挖掘出这种动态变化特征，以此来准确地进行路面状态检测，需要将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量，以分别整合所述车辆的车速和加速度在时间维度上的数据分布信息。[0110]具体地，在本技术实施例中，所述速度变化特征提取单元130和所述加速度变化特征提取单元140，用于将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；以及，用于将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量。[0111]然后，考虑到对于所述预定时间段内多个预定时间点的车辆的车速来说，所述车辆车速在时间维度上具有着波动性和不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特征。因此，为了能够充分地提取出所述车辆车速在时序上的动态特性，进一步将所述速度输入向量通过第一多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆速度在所述预定时间段的不同时间跨度下的动态多尺度邻域关联特征，从而得到速度时序特征向量。[0112]进一步地，对于所述预定时间段内多个预定时间点的车辆的加速度来说，所述车辆加速度在时间维度上也具有着动态性的变化规律，其在所述预定时间段内的不同时间周期跨度下也具有着不同模式的动态变化特性。因此，在本技术的技术方案中，为了能够充分且准确地提取出所述车辆的加速度在时序上的动态关联特征信息，以此来准确地对于路面状态进行检测，进一步将所述加速度输入向量通过第二多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆的加速度在不同时间跨度下的动态多尺度邻域关联特征信息，即所述车辆的加速度的时序多尺度动态变化特征信息，从而得到加速度时序特征向量。[0113]其中，所述第一多尺度邻域特征提取模块130，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度；以及，所述第二多尺度邻域特征提取模块134，包括并行的第三卷积层和第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的第二级联层，其中，所述第三卷积层使用具有第三尺度的一维卷积核，所述第四卷积层使用具有第四尺度的一维卷积层，所述第三尺度不同于所述第四尺度。[0114]在本技术中，图5为根据本技术实施例的用于车辆的防抱死系统中所述速度变化特征提取单元的框图，如图5所示，所述速度变化特征提取单元130，包括：第一尺度特征提取子单元131，用于使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度速度特征向量；其中，所述公式为：[0115][0116]其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，表示所述速度输入向量；第二尺度特征提取子单元132，用于使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度速度特征向量；其中，所述公式为：[0117][0118]其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述速度输入向量；以及，第一级联子单元133，用于将所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。[0119]进一步地，图6为根据本技术实施例的用于车辆的防抱死系统中所述加速度变化特征提取单元的框图，如图6所示，所述加速度变化特征提取单元140，包括：第三尺度特征提取子单元141，用于使用所述第二多尺度邻域特征提取模块的第三卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第三尺度加速度特征向量；其中，所述公式为：[0120][0121]其中，为第三卷积核在x方向上的宽度、为第三卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第三卷积核的尺寸，表示所述加速度输入向量；第四尺度特征提取子单元142，用于使用所述第二多尺度邻域特征提取模块的第四卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第四尺度加速度特征向量；其中，所述公式为：[0122][0123]其中，为第四卷积核在x方向上的宽度、为第四卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第四卷积核的尺寸，表示所述加速度输入向量；以及，第二级联子单元143，用于将所述第三尺度加速度特征向量和所述第四尺度加速度特征向量进行级联以得到所述加速度时序特征向量。[0124]值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。[0125]所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。[0126]具体地，在本技术实施例中，所述特征融合单元160，用于融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量。接着，进一步再融合所述速度时序特征向量和所述加速度时序特征向量，以此来融合所述车辆车速的时序动态多尺度变化特征和所述车辆加速度的时序动态多尺度变化特征，从而得到具有所述车辆车速和加速度协同状态变化的时序动态多尺度关联特征的车辆状态特征向量。[0127]其中，所述特征融合单元150，用于：以如下公式融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；其中，所述公式为：[0128][0129]其中，为所述车辆状态特征向量，为所述速度时序特征向量，为所述加速度时序特征向量，表示按位置加法，为用于控制所述速度时序特征向量和所述加速度时序特征向量之间的平衡的加权参数。[0130]具体地，在本技术实施例中，所述特征优化单元160，用于基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量。[0131]特别地，在本技术的技术方案中，这里，在例如通过加权点加的方式融合所述速度时序特征向量和所述加速度时序特征向量得到所述车辆状态特征向量时，期望能够提升所述车辆状态特征向量的特征分布相对于所述速度时序特征向量和所述加速度时序特征向量各自的特征分布的响应性，从而实现特征向量维度上的更好的融合。[0132]进一步地，考虑到所述速度时序特征向量和所述加速度时序特征向量分别表达时序上不同阶次（即，速度对应于距离相对于时间的一阶导数，而加速度又对应于速度相对于时间的一阶导数），将所述目标位置时序绝对特征向量和所述目标位置时序变化特征向量分别看作为源特征向量，而所述目标位置特征向量看作为源特征向量的响应特征向量。这样，通过使得响应特征向量融合与其具有响应关系的源特征向量的特征，可以提升所述车辆状态特征向量的特征分布相对于所述速度时序特征向量和所述加速度时序特征向量各自的特征分布的响应性。[0133]图7为根据本技术实施例的用于车辆的防抱死系统中所述特征优化单元的框图，如图7所示，所述特征优化单元160，包括：第一优化子单元161，用于计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；第二优化子单元162，用于计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；以及，优化特征融合子单元163，用于融合所述第一优化后车辆状态特征向量和所述第二优化后车辆状态特征向量以得到所述优化车辆状态特征向量。[0134]其中，对于所述车辆状态特征向量，例如记为，分别计算其与所述速度时序特征向量，例如记为和所述加速度时序特征向量，例如记为的非相干稀疏响应融合优化，例如记为和，所述第一优化子单元161，进一步用于：以如下公式计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；其中，所述公式为：[0135][0136]其中，、和分别表示所述速度时序特征向量、所述车辆状态特征向量和所述第一优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0137]所述第二优化子单元162，进一步用于：以如下公式计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；其中，所述公式为：[0138][0139]其中，、和分别表示所述加速度时序特征向量、所述车辆状态特征向量和所述第二优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0140]这里，所述非相干稀疏响应融合在分别将所述速度时序特征向量和所述加速度时序特征向量作为特征域间响应的真实性分布（ground-truthdistribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提高具有响应关系的特征向量的融合概率分布的描述度，从而提升响应特征向量对于与其具有响应关系的源特征向量的特征融合。这样，再通过融合优化后的特征向量和来得到所述车辆状态特征向量，就可以提升所述车辆状态特征向量对所述速度时序特征向量和所述加速度时序特征向量的融合效果，从而提升所述车辆状态特征向量通过分类器得到的分类结果的准确性。这样，能够基于车辆的实际状态情况来精准地对路面状态进行识别，以提高防抱死系统在多种路面工况的适用性，增强其实用性。[0141]具体地，在本技术实施例中，所述车辆状态检测单元170，用于将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。然后，再将所述车辆状态特征向量作为分类特征向量通过多标签分类器以得到用于表示路面状态的标签的分类结果。[0142]也就是，在本技术的技术方案中，所述分类器的标签为所述路面状态的标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签，以此来基于车辆的实际状态情况来精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的实用性。[0143]图8为根据本技术实施例的用于车辆的防抱死系统中所述车辆状态检测单元的框图，如图8所示，所述车辆状态检测单元170，包括：全连接编码子单元171，用于使用所述分类器的多个全连接层对所述优化车辆状态特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元172，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。[0144]在本技术一具体示例中，使用所述分类器以如下公式对所述优化车辆状态特征向量进行处理以生成分类结果，其中，所述公式为：，其中x表示所述优化车辆状态特征向量，至为权重矩阵，至表示偏置向量。[0145]综上，基于本技术实施例的用于车辆的防抱死系统100被阐明，其获取预定时间段内多个预定时间点的车辆的车速和加速度；采用基于深度学习的人工智能技术，挖掘车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。[0146]如上所述，根据本技术实施例的用于车辆的防抱死系统100可以实现在各种终端设备中，例如用于车辆的防抱死的服务器等。在一个示例中，根据本技术实施例的用于车辆的防抱死系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于车辆的防抱死系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于车辆的防抱死系统100同样可以是该终端设备的众多硬件模块之一。[0147]替换地，在另一示例中，该用于车辆的防抱死系统100与该终端设备也可以是分立的设备，并且该用于车辆的防抱死系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。[0148]在本技术的一个实施例中，图9为根据本技术实施例的用于车辆的防抱死方法的流程图。如图9所示，根据本技术实施例的用于车辆的防抱死方法，其包括：210，获取预定时间段内多个预定时间点的所述车辆的车速和加速度；220，将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量；230，将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；240，将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量；250，融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；260，基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量；以及，270，将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。[0149]图10为根据本技术实施例的用于车辆的防抱死方法的系统架构的示意图。如图10所示，在所述用于车辆的防抱死方法的系统架构中，首先，获取预定时间段内多个预定时间点的所述车辆的车速和加速度；然后，将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量；接着，将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；然后，将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量；接着，融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；然后，基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量；以及，最后，将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。[0150]在一个具体示例中，在上述用于车辆的防抱死方法中，所述第一多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度；以及，所述第二多尺度邻域特征提取模块，包括并行的第三卷积层和第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的第二级联层，其中，所述第三卷积层使用具有第三尺度的一维卷积核，所述第四卷积层使用具有第四尺度的一维卷积层，所述第三尺度不同于所述第四尺度。[0151]在一个具体示例中，在上述用于车辆的防抱死方法中，将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量，包括：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度速度特征向量；其中，所述公式为：[0152][0153]其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，表示所述速度输入向量；[0154]使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度速度特征向量；其中，所述公式为：[0155][0156]其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述速度输入向量；以及，将所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。[0157]在一个具体示例中，在上述用于车辆的防抱死方法中，将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量，包括：使用所述第二多尺度邻域特征提取模块的第三卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第三尺度加速度特征向量；其中，所述公式为：[0158][0159]其中，为第三卷积核在x方向上的宽度、为第三卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第三卷积核的尺寸，表示所述加速度输入向量；[0160]使用所述第二多尺度邻域特征提取模块的第四卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第四尺度加速度特征向量；其中，所述公式为：[0161][0162]其中，为第四卷积核在x方向上的宽度、为第四卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第四卷积核的尺寸，表示所述加速度输入向量；以及，将所述第三尺度加速度特征向量和所述第四尺度加速度特征向量进行级联以得到所述加速度时序特征向量。[0163]在一个具体示例中，在上述用于车辆的防抱死方法中，融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量，包括：以如下公式融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；其中，所述公式为：[0164][0165]其中，为所述车辆状态特征向量，为所述速度时序特征向量，为所述加速度时序特征向量，表示按位置加法，为用于控制所述速度时序特征向量和所述加速度时序特征向量之间的平衡的加权参数。[0166]在一个具体示例中，在上述用于车辆的防抱死方法中，基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量，包括：计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；以及，融合所述第一优化后车辆状态特征向量和所述第二优化后车辆状态特征向量以得到所述优化车辆状态特征向量。[0167]在一个具体示例中，在上述用于车辆的防抱死方法中，计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量，进一步包括：以如下公式计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；其中，所述公式为：[0168][0169]其中，、和分别表示所述速度时序特征向量、所述车辆状态特征向量和所述第一优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0170]在一个具体示例中，在上述用于车辆的防抱死方法中，计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量，进一步包括：以如下公式计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；其中，所述公式为：[0171][0172]其中，、和分别表示所述加速度时序特征向量、所述车辆状态特征向量和所述第二优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。[0173]在一个具体示例中，在上述用于车辆的防抱死方法中，将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签，包括：使用所述分类器的多个全连接层对所述优化车辆状态特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。[0174]本领域技术人员可以理解，上述用于车辆的防抱死方法中的各个步骤的具体操作已经在上面参考图1到图8的用于车辆的防抱死系统的描述中得到了详细介绍，并因此，将省略其重复描述。[0175]具体地，在本技术中，本发明提供的该用于汽车防抱死制动控制的方法，所述的方法主要包括：车辆速度估算方法、车辆加速度估算方法、车辆状态识别方法、滑移率计算方法、主缸压力估算方法、abs控制方法、液压控制方法。[0176]其中，所述的车辆速度估算方法，包括车辆信号预处理方法和车速估计方法。[0177]（1）所述的信号预处理方法，为车速估计提供可用轮速和排序。其包括：[0178]1）对四轮轮速进行排序，输出不可用轮速数量，并输出排序轮速值及对应的位置编号。[0179]2）计算前后轴速，轮速正常时为同轴轮速的均值；当轮速不可信时，轴速用整车最小轮速替换。[0180]3）计算前后轴加速度和加速度差值，整车加速度和最大加速度，并做范围限制±15m/s2。前轴加速度为：afa=0.5*(afl+afr)，afl为左前轮加速度，afr为右前轮加速度；后轴加速度为：ara=0.5*(arl+arr)，arl为左后轮加速度，arr为右后轮加速度。前轴加速度差值为：adiff_fa=0.5*(afl-afr)；后轴轴加速为：adiff_ra=0.5*(arl-arr)。整车加速度为：aveh=0.25*(afl+afr+arl+arr)；最大加速度为：amax=max(max(max(afl,afr),arl),arr)。[0181]（2）所述的车速估计方法：主要通过轮速传感器进行估计，同时若车轮出现打滑，没有了可信车轮，则不采用轮速进行计算。所述的车速估计方法分为轮速传感器损坏时，不在abs控制下以及在abs控制下这三种情况，分别使用不同的方法对车速进行估计。图11为根据本技术实施例的车速估计流程示意图，控制方法流程如下图11所示。[0182]1）根据获得的轮速信号，求出最高轮速vmax1、第二高轮速vmax2、最低轮速vmin1、第二低轮速vmin2分别对应的轮减速度。[0183]2）同时，设置最高轮速计数器，最高轮速若总是某个车轮，且车速小于这个轮速，则令定时器增加，若时间超过特定值则此轮速不可信，不选择此轮速作为负向车速vneg。[0184]3）当大于或等于两个轮速传感器损坏时，仅仅使用最高轮速vmax1和最低轮速vmin1作为判断依据，其中正向车速vpos=vmin1，负向车速vneg=vmax1。[0185]4）不在abs控制时，用轴速来作为参考速度，正向车速vpos估计选取最低轴速，防止驱动轴加速打滑；负向车速vneg估计选取最高轴速，防止减速过程中发生电子制动力分配（ebd）等情况时，后轴两个车轮产生滑移率而导致车速估计偏低。同时考虑发动机拖滞，当出现发动机拖滞，正向车速vpos估计为第2高轮速vmax2。当最低轮速小于0.5m/s，正向车速估计vpos为第2低轮速vmin2。[0186]其中，负向车速vneg受到上下限限制，上下限根据不同工况取不同值，当存在轮速传感器损坏数量》1、粗糙路面、转弯制动等，速度上限为第二低轮速vmin2，速度下限为第二高轮速vmax2。这是因为，在某些工况，如转弯制动，防止出现弯道内侧的轮速太低，导致轴速受影响。[0187]5）在abs控制时，默认选取第二高轮速vmax2作为参考车速，但是密切关注第一高轮速vmax1，仅仅当第一高轮速vmax1保持时间不长于一定值（130ms）时才会采用第一高轮速vmax1。不直接使用第一高轮速vmax1是因为最高轮速并不总是可信的，若车辆在转弯过程中，或是车辆安装了小备胎，都有可能导致最高轮速远高于真实车速。[0188]所述的车辆加速度估算方法，是根据参考车速和滤波方法进行估算，车辆加速度是参考车速修正值的微分。主要包括参考速度选择，参考车速修正，和加速度滤波。图12为根据本技术实施例的加速度估算流程示意图，加速度估算方法流程如图12所示。[0189]1）所述的参考速度选择，当abs不介入时，参考车速为估算的车速；当abs介入时，轮速都不稳定，参考速度选择最快的车轮，选取vmax1；当前轴或者后轴打滑时，选取vmin2；进一步的，当前轴打滑，vmax1和vmax2为两个后轮时，选取右后轮；当后轴打滑，vmax1和vmax2为两个前轮时，选取右前轮；最终的参考速度与车速取大。[0190]2）所述的车辆参考车速修正值，是需要对输入的参考车速进行修正获得参考车速修正值vref。首先计算车辆加速度原始值：afzg_init=前后车速差/0.02；根据afzg_init进行补偿跟随输入参考速度值，当快速补偿时为输入值，滑移时取输入与计算较大值；小于输入时，根据正向梯度限制进行跟随；参考输入不可信时，使用afzg作为梯度跟随输入。[0191]3）所述的滤波方法，采用二阶滤波对加速度进行滤波，滤波系数根据abs是否激活确定。计算滤波后的加速度：afzg=a1*afzg+b0*afzg_raw，其中afzg是最终输出的车身加速度，afzg_raw是新计算的车身加速度值，afzg跟随afzg_raw值变化，b0越大，则跟随越快，反之越慢。其中，滤波系数b0根据不同工况进行选择，如下表1所示：[0192]表1不同工况下滤波系数b0[0193]序号工况b0取值1默认梯度0.012低附0.0053未启动abs时使用的默认梯度0.034快速跟随0.065欠制动0.026未启动abs时，车辆在加速0.057未启动abs时，若加速度过低估计，需要使用快速过滤0.208未启动abs时，加速度小于-8m/s^20.129低附对接路面0.12[0194]所述的车辆状态识别方法，主要包括路面冲击识别、坏路面和强搓衣板路面识别、发动机拖滞识别、对接路面识别。[0195]（1）所述的路面冲击识别，对四轮分别检测，根据轮速、滑移率、加速度计算并输出路面冲击bump标志位。图13为根据本技术实施例的单轮冲击路面bump识别流程图，单个轮判断状态，如下图13所示。[0196]状态0，若轮加速度小于[-25,ꢀ‑100]m/s2，且轮滑移率小于0.15，则复位检测计时器，进入状态1。[0197]状态1，若轮加速度小于[-50,ꢀ‑130]m/s2，则进入状态2；若轮加速度大于0，则复位至状态0。[0198]状态2，若轮加速度大于0，说明车轮恢复至正向加速度，则进入状态3。[0199]状态3，若轮加速度大于[70,100]m/s2，则进入状态4。[0200]状态4，若轮速恢复至车速+0.7m/s以上，则进入状态5，状态3和4过程中，发现轮加速度小于-15m/s2，则复位至状态0。[0201]状态5，若轮加速度小于0，且计时器计时时间小于100ms，则进入状态6。[0202]状态6，只要处于此状态，则bump标志置位。[0203]（2）所述的坏路面和强搓衣板路面识别。首先根据车速查表计算不敏感度factor，不超过2；四个车车轮单独计算，根据abs是否在工作，计算坏路面对应的轮加速度阈值，并结合不敏感度factor计算；若轮加速度的变化出现一正一负，且abs状态不在高附和低附上，则factor自增1。根据factor的值，有如下判断：factor大于4，有可能是坏路面；factor大于6，坏路面标志置位。[0204]根据前轮判断强搓衣板路面，根据车速查表计算加速度阈值，当加速度小于0时开启监测；检测打开，轮速＞车速-am/s且＜车速+bm/s，其中a和b为经验值，计时器置位0.12s，计数器累加；当计时器小于0且计数器大于0，累减；如果单轮计数器大于7或者两轮都大于4，标志位置位。[0205]（3）所述的发动机拖滞识别，输出发动机拖滞标志位。检测abs激活状态下发动机是否发生拖滞：1）当前轴轴控模式为abs；2）另一轴轴控模式不为abs；3）前轮滑移率超过0.2；4）前轮不稳定时间计数超过0.2s；5）未检测到制动踏板状态（激活abs）请求[0206]（4）所述的对接路面识别，监控是否发生路面附着系数由高附路面至低附路面的跳变。其识别条件：1）前轴在abs模式下；2）车速大于10m/s；3）两个前轮滑移率都要大于0.5；4）两个前轮的不稳定时间之和大于160ms。[0207]滑移率计算的参考车速为参考车速的修正值vref，滑移率=1.2*轮速差/(vref+1.2)，其中分母最大限值为7。[0208]所述的主缸压力估算方法：当未装配有主缸压力信号传感器时，选用估算的主缸压力作为主缸压力。基于车速，车辆加速度，滑移率以及路面状态计算主缸压力信号的估计值，并将估算是主缸压力信号发送至轮控以及轴控的状态机，用于车辆状态控制，同时将计算信号发送至液压控制模块，以支持计算轮缸压力。[0209]驾驶员通过踩下制动踏板制动时，踏板将油壶中的制动液推至制动回路，主缸输出phz，制动液进入轮缸后，输出prad，此时制动器的制动力为：frad=prad*cpxa，其中cp为制动器制动效能因子，制动器的缸径d，制动器有效制动半径r，以及摩擦片摩擦系数μ有关，为标定量。在制动力作用下，地面产生摩擦阻力等，使车辆减速，此时依据牛顿第一定律f=ma，可以通过车辆减速度aveh以及车轮减速度awhl估算phz。[0210]所述的abs控制方法，决定了abs功能的开启和关闭。[0211]（1）所述的abs进入/退出车速阈值计算方法，计算abs进入和退出的车速阈值。一般情况下，进入车速阈值为1.0m/s；退出为0.5m/s。同时，根据不同工况，如根据越野标志位分别判断前轴和后轴abs进入和退出的车速阈值，进入1.1m/s；若遇上滑水路面或是紧急制动，则保持轴控输入压力不变，则设置轴控命令为立即关闭；若车速过低或是驾驶员没有了制动意图，则轴控命令abs部分设置为抢占式关闭；若abs还没达到启动条件，则轴控命令abs部分设置为协同关闭；若ebd不可用，且当前轴有一个车轮处于abs模式，则ebd模式为抢占式关闭。[0212]所述的液压控制方法，主要包括：轮缸压力控制方法、减压阀av控制方法、增压阀ev控制方法、轮缸压力估算方法。[0213]（1）所述的轮缸压力控制方法，根据轮缸液压力控制目标以及实际轮缸模型液压力，判断此时执行增压还是减压动作，由此判断增压阀ev和减压阀av是否进行工作。默认情况下，ev常开，av常闭，即允许增压而不允许减压。当目标压力》实际压力时，必须进行增压；而目标压力《实际压力时需要进行减压。[0214]（2）所述的减压阀av控制方法，是根据实际模型压力和目标轮缸压力计算驱动时间，并根据实际驱动时间来估算当前周期通过av的轮缸压力变化量。由于av是开关控制阀，需要根据目标压力和实际模型压力计算av驱动的实际。[0215]根据开关阀的物理特性，其控制时间计算公式为：tav=(pmodel–pacc)/pgrad+tresponse。其中δpav=pmodel–pacc，pacc即为蓄能器液压力，pgrad为当前周期av减压速率，这是根据δpav，通过伯努利方程计算：pgrad=cwheel*qav，其中qav=cd*a*(2/ρ*δpav)1/2，其中，cwheel为轮缸刚度，cd为流量系，a为av阀孔面积，ρ为制动液密度。[0216]另外，响应时间tresponse由打开响应时间和关闭响应时间两部分组成：[0217]tresponse=topenresponseꢀ‑ꢀtcloseresponse[0218]打开响应时间topenresponse与当前轮缸压力、av驱动电压都有关系：[0219]topenresponse=copen+kopenu*uvr+kopenp*pmodle+kopenup*uvr*pmodel[0220]其中uvr为av驱动电压，kopenu、kopenp、kopenup为与驱动电压相关的系数常数。[0221]关闭响应时间tcloseresponse只与驱动结束时的轮缸压力有关，这里使用目标轮缸压力ptgt来预测关闭响应时间：tcloseresponse=cclose+kclosep*ptgt，其中，cclose和为kclosep常数，标定值。[0222]同时，根据当前周期av实际控制时间和实际减压速率计算减压量pdecav以及平均流量qavmean：[0223]pdecav=pgrad*min(0.005,tav)[0224]qavmean=qav*min(0.005,tav)/0.005[0225]（3）所述的增压阀ev控制方法，ev根据目标轮缸液压力和实际轮缸模型压力计算通过ev的目标流量，然后根据ev的实际压差以及ev的流量特性计算ev的控制电流，以此达到阀控的目的。ev的控制模式不同，其控制电流的计算也不同。对于开启模式，ev保持默认的常开状态，控制电流始终为0；对于关闭模式，ev保持关闭，其控制电流为最大值1.5a。当阀控策略为压力修正控制时，ev需要实现轮缸压力的线性控制，为此需要将目标压力转换为目标流量：qtgt=k/0.005*(ptgtꢀ‑ꢀpmodel)/cwheel，其中，系数k用于调节ev响应速度，一般k=2，表征ev典型的响应时间。根据电磁阀的物理特性，在实际压差δpev和目标流量qtgt给定时，可以确定电磁阀的控制电流，因此，根据上述信息通过查表的方式计算ev的控制电流：iev=lookuptable(qtgt,δpev)。[0226]根据电流估算值iev以及ev实际压差，可以估算当前ev的流量:qev=lookuptable(iev,δpev)。[0227]结合轮缸pv特性即可估算ev当前控制周期的压力变化量：pincev=q_ev*cwheel*0.005。[0228]（4）所述的轮缸压力估算方法，结合之前的av和ev压力计算，对轮缸模型压力进行估算，即每个周期对pdecav和pincev进行累加，系统刚上电时轮缸压力初始值为主缸压力采样值，轮缸压力估算式为：pmodel=pmodel_old+pincevꢀ‑ꢀpdecav。[0229]本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。[0230]在本技术的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。[0231]应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0232]本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。[0233]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。[0234]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。[0235]以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。[0236]本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。[0237]还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。[0238]提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。[0239]最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。[0240]为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。当前第1页12当前第1页12
技术特征：
1.一种用于车辆的防抱死系统，其特征在于，包括：信号预处理模块、车速信号估计模块、车轮信号与滑移率计算模块、车辆状态估计模块、主缸压力估算模块、失效处理模块、车辆控制模块、前后轴控制模块、主缸压力修正模块和液压控制模块；所述信号预处理模块，用于对输入信号进行预处理并输出预处理结果；所述车速信号估计模块，用于估算车辆的车速和加速度；所述车轮信号与滑移率计算模块，用于基于所述车辆的车速和加速度来计算滑移率；所述车辆状态估计模块，用于基于所述车辆的车速和加速度，来判断所述车辆在行驶过程中的状态；所述主缸压力估算模块，用于基于所述车辆的车速和加速度、所述滑移率和所述路面状态来计算主缸压力信号的估计值；所述失效处理模块，用于处理发生故障的传感器；所述车辆控制模块，用于确定是否开启防抱死功能；所述前后轴控制模块，用于基于所述车辆的车速和车身加速度来计算轴控和轮控算法的目标压力；所述主缸压力修正模块，用于基于车身减速度和轮减速度，计算主缸压力的校正值；以及所述液压控制模块，用于执行轮缸液压力目标控制。2.根据权利要求1所述的用于车辆的防抱死系统，其特征在于，所述车辆状态估计模块，包括：车辆状态数据采集单元，用于获取预定时间段内多个预定时间点的所述车辆的车速和加速度；参数时序排列单元，用于将所述多个预定时间点的所述车辆的车速和所述多个预定时间点的所述车辆的加速度按照时间维度排列为速度输入向量和加速度输入向量；速度变化特征提取单元，用于将所述速度输入向量通过第一多尺度邻域特征提取模块以得到速度时序特征向量；加速度变化特征提取单元，用于将所述加速度输入向量通过第二多尺度邻域特征提取模块以得到加速度时序特征向量；特征融合单元，用于融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；特征优化单元，用于基于所述速度时序特征向量和所述加速度时序特征向量，对所述车辆状态特征向量进行特征分布优化以得到优化车辆状态特征向量；以及车辆状态检测单元，用于将所述优化车辆状态特征向量通过多标签分类器以得到分类结果，所述分类结果用于表示路面状态的标签。3.根据权利要求2所述的用于车辆的防抱死系统，其特征在于，所述第一多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度；以及所述第二多尺度邻域特征提取模块，包括并行的第三卷积层和第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的第二级联层，其中，所述第三卷积层使用具有第三
尺度的一维卷积核，所述第四卷积层使用具有第四尺度的一维卷积层，所述第三尺度不同于所述第四尺度。4.根据权利要求3所述的用于车辆的防抱死系统，其特征在于，所述速度变化特征提取单元，包括：第一尺度特征提取子单元，用于使用所述第一多尺度邻域特征提取模块的第一卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第一尺度速度特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，表示所述速度输入向量；第二尺度特征提取子单元，用于使用所述第一多尺度邻域特征提取模块的第二卷积层以如下公式对所述速度输入向量进行一维卷积编码以得到所述第二尺度速度特征向量；其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述速度输入向量；以及第一级联子单元，用于将所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。5.根据权利要求4所述的用于车辆的防抱死系统，其特征在于，所述加速度变化特征提取单元，包括：第三尺度特征提取子单元，用于使用所述第二多尺度邻域特征提取模块的第三卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第三尺度加速度特征向量；其中，所述公式为：其中，为第三卷积核在x方向上的宽度、为第三卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第三卷积核的尺寸，表示所述加速度输入向量；第四尺度特征提取子单元，用于使用所述第二多尺度邻域特征提取模块的第四卷积层以如下公式对所述加速度输入向量进行一维卷积编码以得到所述第四尺度加速度特征向量；其中，所述公式为：
其中，为第四卷积核在x方向上的宽度、为第四卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第四卷积核的尺寸，表示所述加速度输入向量；以及第二级联子单元，用于将所述第三尺度加速度特征向量和所述第四尺度加速度特征向量进行级联以得到所述加速度时序特征向量。6.根据权利要求5所述的用于车辆的防抱死系统，其特征在于，所述特征融合单元，用于：以如下公式融合所述速度时序特征向量和所述加速度时序特征向量以得到车辆状态特征向量；其中，所述公式为：其中，为所述车辆状态特征向量，为所述速度时序特征向量，为所述加速度时序特征向量，表示按位置加法，为用于控制所述速度时序特征向量和所述加速度时序特征向量之间的平衡的加权参数。7.根据权利要求6所述的用于车辆的防抱死系统，其特征在于，所述特征优化单元，包括：第一优化子单元，用于计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；第二优化子单元，用于计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；以及优化特征融合子单元，用于融合所述第一优化后车辆状态特征向量和所述第二优化后车辆状态特征向量以得到所述优化车辆状态特征向量。8.根据权利要求7所述的用于车辆的防抱死系统，其特征在于，所述第一优化子单元，进一步用于：以如下公式计算所述车辆状态特征向量和所述速度时序特征向量的非相干稀疏响应融合特征以得到第一优化后车辆状态特征向量；其中，所述公式为：其中，、和分别表示所述速度时序特征向量、所述车辆状态特征向量和所述第一优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。9.根据权利要求8所述的用于车辆的防抱死系统，其特征在于，所述第二优化子单元，进一步用于：以如下公式计算所述车辆状态特征向量和所述加速度时序特征向量的非相干稀疏响应融合特征以得到第二优化后车辆状态特征向量；
其中，所述公式为：其中，、和分别表示所述加速度时序特征向量、所述车辆状态特征向量和所述第二优化后车辆状态特征向量，和分别表示向量的一范数和向量的二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式，为向量的转置向量。10.根据权利要求9所述的用于车辆的防抱死系统，其特征在于，所述车辆状态检测单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化车辆状态特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

技术总结
一种用于车辆的防抱死系统，其获取预定时间段内多个预定时间点的车辆的车速和加速度；采用基于深度学习的人工智能技术，挖掘车辆的车速和加速度分别在时间维度上的动态变化特征信息，以此基于车辆的实际状态情况精准地对路面状态进行识别，包括路面冲击、坏路面和强搓衣板路面、发动机拖滞、低附路面等，以提高防抱死系统在多种路面工况的适用性，增强其实用性。性。性。


技术研发人员：傅涛 谢立炜 杜钧亨 潘登辉
受保护的技术使用者：凯晟动力技术（嘉兴）有限公司
技术研发日：2023.03.20
技术公布日：2023/6/28