一种道路纵向坡度和横向坡度联合估计方法

1.本技术涉及车辆交通安全技术领域，特别是涉及一种道路纵向坡度和横向坡度联合估计方法。


背景技术：

2.随着车辆智能化的发展，人们对出行驾驶的安全性的要求越来越高，随之对道路各项数据的测量系统也应运而生。其中，车辆主动安全系统成为当下对道路测量的主要工具。
3.车辆主动安全系统中的一个主要测量指标为道路坡度，其在车辆状态估计和稳定性判断中起着关键作用。当下对道路坡度的实时估计方法主要是基于一系列车辆与道路之间的道路摩擦和阻力的参数进行估计，或者直接基于车辆的轮胎特性参数来进行估计。
4.但是，目前的道路坡度的估计方法，存在准确度低的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高道路坡度估计准确度的一种道路纵向坡度和横向坡度联合估计方法。
6.第一方面，本技术提供了一种道路纵向坡度和横向坡度联合估计方法。所述方法包括：
7.获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
8.根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
9.根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
10.在其中一个实施例中，所述方法还包括：
11.对车辆的多个移动参数进行异常处理，得到处理后的移动参数；
12.根据车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：
13.根据处理后的移动参数和未知输入观测器，确定道路坡度。
14.在其中一个实施例中，对车辆的多个移动参数进行异常处理，得到处理后的移动参数，包括：
15.获取车辆当前的角速度；
16.根据角速度和预设加速度阈值，确定车辆的多个移动参数是否异常，若异常，则从多个移动参数中去除异常的移动参数，得到处理后的移动参数，若非异常，则对多个移动参数进行均值处理，得到处理后的移动参数。
17.在其中一个实施例中，根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数，包括：
18.根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量；
19.根据各传感器的位置参量，确定车辆的多个移动参数。
20.在其中一个实施例中，根据各传感器的位置参量，确定车辆的多个移动参数，包括：
21.根据各传感器的位置参量，确定各传感器所在平面的法向量；
22.根据各传感器所在平面的法向量，确定车辆的多个移动参数。
23.在其中一个实施例中，根据车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：
24.从车辆的多个移动参数中筛选出目标移动参数；
25.根据目标移动参数和未知输入观测器，确定道路坡度。
26.在其中一个实施例中，根据目标移动参数和未知输入观测器，确定道路坡度，包括：
27.对目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型；
28.根据离散化后的状态模型和未知输入观测器，确定道路坡度。
29.第二方面，本技术还提供了一种道路纵向坡度和横向坡度联合估计装置。
30.所述装置包括：
31.获取模块，用于获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
32.第一确定模块，用于根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
33.第二确定模块，用于根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
34.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
36.根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
37.根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
38.第四方面，本技术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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
39.获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
40.根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
41.根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
42.第五方面，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，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
43.获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
44.根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
45.根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
46.上述一种道路纵向坡度和横向坡度联合估计方法，先获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数，再根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数，最后根据车辆的多个移动参数和未知输入观测器，确定道
路坡度。上述方法充分考虑了实测的位移数据以及车轮的几何参数对车辆的移动参数的影响，进而通过移动参数确定道路坡度，与现有技术相比，本方案无需估计摩擦参数、轮胎参数，直接通过实测的位移数据确定道路坡度，可有效提高道路坡度估计的准确性；另外，如需确定车辆在当前时刻行驶的道路坡度，只需获取车辆在当前时间段内各传感器的车辆位移，并对各传感器的车辆位移进行运算即可，进而提高了道路坡度估计的实时性。
附图说明
47.图1为一个实施例中道路纵向坡度和横向坡度联合估计方法的应用环境图；
48.图2为一个实施例中道路纵向坡度和横向坡度联合估计方法的流程示意图；
49.图3为另一个实施例中道路纵向坡度和横向坡度联合估计方法的流程示意图；
50.图4为图3实施例中s204步骤的流程示意图；
51.图5为图2实施例中s202步骤的流程示意图；
52.图6为传感器的安装位置示意图；
53.图7为图5实施例中s302步骤的流程示意图；
54.图8为图2实施例中s203步骤的流程示意图；
55.图9为图8实施例中s401步骤的流程示意图；
56.图10为车辆侧倾模型示意图；
57.图11为车辆俯仰模型示意图；
58.图12为道路坡度估计的流程示意图；
59.图13为另一个实施例中道路纵向坡度和横向坡度联合估计方法的流程示意图；
60.图14为一个实施例中道路纵向坡度和横向坡度联合估计装置的结构框图；
61.图15为一个实施例中道路纵向坡度和横向坡度联合估计装置的结构框图；
62.图16为一个实施例中道路纵向坡度和横向坡度联合估计装置的结构框图；
63.图17为一个实施例中道路纵向坡度和横向坡度联合估计装置的结构框图；
64.图18为一个实施例中道路纵向坡度和横向坡度联合估计装置的结构框图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
66.随着车辆智能化的发展，人们对出行的驾驶安全性的要求越来越高，随之产生了许多测量道路各项数据的测量系统。其中，车辆主动安全系统成为当下对道路测量的主要工具。车辆主动安全系统中的一个主要测量指标为道路坡度，道路坡度包括道路纵向坡度与横向坡度，其在车辆状态估计和稳定性判断中起着关键作用。
67.近年来，对道路坡度估计的研究主要集中于道路纵向坡度估计，常用的方法主要有：基于纵向动力学的估计方法、基于轮胎动力学模型的估计方法和间接估计方法。这三类方法均是基于一系列车辆与道路之间的道路摩擦和阻力的参数进行估计，或者直接基于车辆的轮胎特性参数，来估计道路纵向坡度的。而对道路横向坡度估计的研究较少，通常涉及轮胎侧向力估计，一旦侧向力估计不准或存在误差，则会导致误差积累到横向坡度的估计
结果中，使得道路横向坡度的估计结果准确度低。本技术旨在解决该问题。
68.在上述介绍完本技术实施例提供一种道路纵向坡度和横向坡度联合估计方法的背景技术之后，下面，将对本技术实施例提供的道路纵向坡度和横向坡度联合估计方法所涉及到的实施环境进行简要说明。本技术实施例提供的机械状态的确定方法，可以应用于如图1所示的计算机设备中。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括输入/输出接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本技术实施例对计算机设备的具体形式并不做限定。
69.上述介绍了本技术实施例提供的道路纵向坡度和横向坡度联合估计方法的应用场景后，下面重点介绍本技术所述的道路纵向坡度和横向坡度联合估计方法。
70.在一个实施例中，如图2所示，提供了一种道路纵向坡度和横向坡度联合估计方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
71.s201、获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数。
72.其中，传感器可以是悬架高度传感器，也可以是位移传感器(线性传感器)，用于测量车辆在移动过程中某时间段内的位移，或者实时测量某时刻的位移。在本实施例中，可以根据道路平面、车架所在的平面，以及四个车轮所在平面，构建如附图6所示的长方体，该长方体接近地面的四个顶角上设置有四个车轮，非接近地面的四个顶角上设置有传感器，在实际环境中传感器安装于车辆的悬架与车架的联结处。需要说明的是，传感器的个数可以是4个，也可以是8个，附图6所示的图像只是一种示例，并不能说明传感器的安装个数是固定的，且各传感器对车辆位移的测量是同时开始同时结束的。
73.其中，车轮的几何参数可以包括但不限于车辆的两个前轮之间的距离、车辆的两个后轮之间的距离、车辆的四个轮相互之间的距离等。
74.本技术实施例中，传感器可以是间隔相同的时间段测量一次车辆的位移，也可以是在接收到车辆或者用户端发送的测量指令后测量一次车辆的位移，还可以是间隔随机时间段测量一次车辆的位移，在计算机设备需要评估某时刻车辆所在的道路的坡度时，可以直接获取当前时刻各传感器测量到的车辆位移，以及根据车辆的类型得到该车辆车轮的几何参数。
75.s202、根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数。
76.其中，车辆的移动参数可以包括但不限于车辆的侧倾角、车辆的俯仰角、车辆的侧倾角变化率，以及车辆的俯仰角变化率。
77.本技术实施例中，计算机设备可以对多个传感器测量得到的车辆位移和车轮几何参数分别进行数学运算，得到各数学运算结果，该各结果即为车辆的多个移动参数；可选的，计算机设备也可以将多个传感器测量得到的车辆位移和车轮几何参数分别输入预设的
位移模型中进行运算，得到各运算结果，该各运算结果即为车辆的多个移动参数。
78.s203、根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
79.其中，未知输入观测器(unknown input observer，uio)是存在未知扰动的情况下，仍能保证状态的估计误差趋于零的观测器。未知输入观测器用于基于车辆的移动参数评估车辆所在道路的道路坡度。其中的道路坡度包括道路横向坡度和/或道路纵向坡度。
80.本技术实施例中，计算机设备可以先对车辆的多个移动参数作平均处理，得到平均处理的结果，并根据平均处理的结果使用未知输入观测器进行道路坡度估计，得到道路坡度；可选的，计算机设备还可以将车辆的多个移动参数输入至未知输入观测器中进行道路坡度估计，得到道路坡度；可选的，计算机设备也可以先对车辆的多个移动参数做求和处理，得到求和处理的结果，并将该结果输入至未知输入观测器中进行道路坡度估计，得到道路坡度。
81.本技术实施例提供的道路纵向坡度和横向坡度联合估计方法，先获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数，再根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数，最后根据车辆的多个移动参数和未知输入观测器，确定道路坡度。上述方法充分考虑了实测的位移数据以及车轮的几何参数对车辆的移动参数的影响，进而通过移动参数确定道路坡度，与现有技术相比，本方案无需估计摩擦参数、轮胎参数，直接通过实测的位移数据确定道路坡度，可有效提高道路坡度估计的准确性；另外，如需确定车辆在当前时刻行驶的道路坡度，只需获取车辆在当前时间段内各传感器的车辆位移，并基于各传感器的车辆位移进行估计即可，进而提高了道路坡度估计的实时性。
82.在一个实施例中，在图2所示实施例的基础上，如图3所示，上述方法还包括：
83.s204、对车辆的多个移动参数进行异常处理，得到处理后的移动参数。
84.本技术实施例中，计算机设备可以先对车辆的多个移动参数进行预处理，得到预处理结果，再将预处理结果与车辆的各移动参数进行比较，得到各比较结果，若任一比较结果大于预设阈值，则将该比较结果对应的车辆的移动参数删除，得到处理后的移动参数；示例性的，可以先对车辆的多个移动参数进行平均处理，得到平均处理的结果，并将平均处理的结果与车辆的各移动参数进行比较，得到各比较结果，若任一比较结果大于预设阈值，则将该比较结果对应的车辆的移动参数删除，得到处理后的移动参数；可选的，计算机设备也可以先对车辆的多个移动参数进行方差处理，得到方差处理的结果，并将方差处理的结果与车辆的各移动参数进行比较，得到各比较结果，若任一比较结果大于预设阈值，则将该比较结果对应的车辆的移动参数删除，得到处理后的移动参数。
85.本技术实施例中，可以对车辆的多个移动参数进行残差处理，得到处理后的移动参数。下面提供一种确定处理后的移动参数的方法。
86.示例性的，如图4所示，上述s204“对车辆的多个移动参数进行异常处理，得到处理后的移动参数”，包括：
87.s2041、获取车辆当前的角速度。
88.其中，车辆当前的角速度可以是惯性测量单元(inertial measurement unit，imu)传感器测量得到的。imu传感器可以间隔相等的时间段测量一次车辆当前的角速度，也可以间隔不等的时间段测量一次车辆当前的角速度，还可以在车辆或者用户终端发送测量
指令时测量一次车辆当前的加速度。
89.本技术实施例中，在确定完车辆的多个移动参数后，计算机设备可以直接获取imu传感器测量到的车辆当前的角速度，也可以先向imu传感器发送测量指令，在imu传感器测量车辆当前的角速度后，计算机设备获取该车辆角速度。
90.s2042、根据角速度和预设加速度阈值，确定车辆的多个移动参数是否异常，若异常，则执行步骤s2043，若非异常，则执行步骤s2044；
91.其中，预设加速度阈值可以通过阈值的静态最小值、纵向加速度和横向加速度确定，预设加速度阈值可以用如下公式(1)表示：
92.tq＝t
sq
+t
eq
(|a
x
|+|ay|)(1)；
93.其中，tq为预设加速度阈值，t
sq
为阈值的静态最小值，a
x
为纵向加速度，ay为横向加速度，t
eq
(|a
x
|+|ay|)为纵向加速度a
x
和横向加速度ay对阈值的影响值。
94.本技术实施例中，计算机设备可以先对车辆的多个移动参数求时间倒数，得到各车辆的移动参数的时间倒数，再对各车辆的移动参数的时间倒数与上述获取的车辆当前的角速度求差值，该差值即为各车辆的移动参数的残差，将各车辆的移动参数的残差与预设加速度阈值进行比较，得到各比较结果，该比较结果包括车辆的移动参数的残差大于预设加速度阈值，以及车辆的移动参数的残差小于预设加速度阈值。若任一车辆的移动参数的残差大于预设加速度阈值，则说明该车辆的移动参数异常，该异常结果表征车辆的某个车轮出现扰动或者悬架高度传感器测量的结果出现异常；若车辆的移动参数的残差均小于预设加速度阈值，则说明车辆的移动参数均非异常，该非异常结果表征车辆的车轮未出现扰动或者悬架高度传感器测量的结果均正常。
95.示例性的，各车辆的移动参数的残差可以用如下公式(2)和(3)表示：
[0096][0097][0098]
其中，为各车辆的俯仰角的残差，为各车辆的侧倾角的残差，为车辆的俯仰角当前角速度，为车辆的侧倾角当前角速度，为各车辆的俯仰角的时间倒数，为各车辆的侧倾角的时间倒数。
[0099]
如需计算车辆的任一侧倾角是否异常，则先将该侧倾角求时间倒数，得到该侧倾角的时间倒数，再对该侧倾角的时间倒数与车辆的当前侧倾角速率求差值，该差值即为该侧倾角的残差，再将该残差与公式(1)给出的预设加速度阈值进行比较，得到比较结果，若该侧倾角的残差小于预设加速度阈值，则说明该侧倾角数据正常，无需处理，若该侧倾角的残差大于预设加速度阈值，则说明该侧倾角数据异常，直接将该侧倾角连同与该侧倾角相邻的侧倾角一并删除。
[0100]
s2043、从多个移动参数中去除异常的移动参数，得到处理后的移动参数。
[0101]
本技术实施例中，若任一移动参数存在异常，则将该移动参数连同与该移动参数相邻的两个移动参数的权重设为0，即与该移动参数不相邻的移动参数即为处理后的移动参数。示例性的，对各移动参数进行异常处理，得到异常处理后的移动参数的过程可以用以
下公式(4)和公式(5)表示：
[0102][0103][0104]
其中，用fl，fr，rl，rr分别表示左前，右前，左后，右后，λ-ij
为权重，为俯仰角参数，为侧倾角参数。若右前轮的俯仰角出现异常，则将右后轮的俯仰角和左前轮的俯仰角以及右前轮的俯仰角的权重λ-rr
，λ-fl
和λ-fr
设置为0，将左后轮的权重λ-rl
设置为1，即异常处理后的俯仰角即为左后轮的俯仰角
[0105]
s2044、对多个移动参数进行均值处理，得到处理后的移动参数。
[0106]
本技术实施例中，若各移动参数均不存在异常，则将各移动参数的权重均设为0.25，即处理后的移动参数即为多个移动参数的均值。示例性的，若各侧倾角均未出现异常，则直接将公式(4)(5)中的权重λ-rr
，λ-fl
，λ-fr
和λ-rl
均设置为0.25，通过将各侧倾角带入上述公式(4)(5)中得到异常处理后的侧倾角。
[0107]
在一个实施例中，在得到处理后的移动参数，即处理后的侧倾角和处理后的俯仰角后，对上述处理后的侧倾角和处理后的俯仰角分别求时间倒数，得到处理后的侧倾角的变化率和处理后的俯仰角的变化率。示例性的，车辆的侧倾角的变化率和车辆的俯仰角的变化率可以用以下公式(6)(7)得到：
[0108][0109][0110]
其中，i，j＝f,r，λ-ij
为权重，为车辆的各俯仰角的变化率，为车辆的各侧倾角的变化率。
[0111]
至此，处理后的移动参数包括车辆的侧倾角、车辆的俯仰角、车辆的侧倾角的变化率和车辆的俯仰角的变化率就都确定出来了。
[0112]
对应的，计算机设备执行上述s203中的“根据车辆的多个移动参数和未知输入观测器，确定道路坡度”时，具体执行步骤：根据处理后的移动参数和未知输入观测器，确定道路坡度。
[0113]
本技术实施例中，在计算机对车辆的多个移动参数进行异常处理，得到处理后的移动参数后，计算机设备可以根据该处理后的移动参数对未知输入观测器中的模型进行优化得到优化后的模型，并基于优化后的模型得到道路坡度；计算机设备还可以将处理后的移动参数输入至未知输入观测器中进行运算，得到运算结果，该运算结果即为道路坡度。
[0114]
本技术实施例提供了一种确定道路坡度的方法。该方法考虑了对车辆的多个移动参数进行异常处理，并通过异常处理后的移动参数和未知输入观测器，确定道路坡度，可有
效提高道路坡度估计的准确性。
[0115]
在一个实施例中，在图2所示实施例的基础上，可以对根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数的过程进行描述，如图5所示，上述s202“根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数”可以包括以下步骤：
[0116]
s301、根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量。
[0117]
其中，各传感器的位置参量可以是在某坐标系中各传感器的位置。
[0118]
本技术实施例中，可以在确定各传感器的位置参量之前，先建立如图6所述的直角坐标系，该直接坐标系的原点设置在车辆正对于地面的中心位置，并以车辆横轴作为该坐标系的x轴，以车辆纵轴作为该坐标系的y轴，以垂直地面的方向作为该坐标系的z轴。在建立好该直角坐标系后，计算机设备可以根据获取到的各传感器测量得到的车辆位移和车轮几何参数，在该直角坐标系中将各传感器的位置参量表示出来。
[0119]
示例性的，各传感器的位置参量可以用以下公式(8)和(9)表示：
[0120]
p
il
＝[litrf/2z
il
]
t
(8)；
[0121]
p
ir
＝[l
i-trr/2z
ir
]
t
(9)；
[0122]
其中，i＝f,r，表示前轴或后轴；lf和lr分别是原点和前后轴之间的纵向距离，前后轮距分别用trf和trr表示，z
il
表示左前轮和左后轮处安装的传感器测量得到的车辆位移，z
ir
表示右前轮和右后轮处安装的传感器测量得到的车辆位移。
[0123]
例如，左前位置的传感器的位置参量可以表示为p
fl
＝[lftrf/2z
fl
]，左后位置的传感器的位置参量可以表示为p
rl
＝[lrtrr/2z
rl
]。
[0124]
s302、根据各传感器的位置参量，确定车辆的多个移动参数。
[0125]
本技术实施例中，计算机设备可以根据各传感器的位置参量之间的位置关系，确定车辆的多个移动参数。可选的，计算机设备可以先分别对任意两个传感器的位置参量求夹角，再根据各夹角确定车辆的多个移动参数。或者，计算机设备可以先根据各传感器的位置参量，确定各传感器所在平面的法向量，然后根据各传感器所在平面的法向量确定车辆的多个移动参数。
[0126]
本技术实施例中，可以根据各传感器的位置参量之间的位置关系，来确定车辆的多个移动参数。下面提供一种确定车辆的多个移动参数的方法。
[0127]
示例性的，如图7所示，上述s302“根据各传感器的位置参量，确定车辆的多个移动参数”，包括：
[0128]
s3021、根据各传感器的位置参量，确定各传感器所在平面的法向量。
[0129]
本技术实施例中，可以先根据各传感器的位置参量分别求出任意相邻两个传感器之间的相对位置矢量，再根据任意两个传感器之间的相对位置矢量求出各传感器所在平面的法向量。
[0130]
示例性的，任意相邻两个传感器之间的相对位置矢量可以用以下公式(10)表示：
[0131]
ρ
ij，mn
＝p
mn-p
ij
(10)
[0132]
其中，ρ
ij,mn
表示传感器任意相邻两传感器之间的相对位置矢量，ρ
ij
和ρ
mn
均表示任意一个传感器的位置参量。例如，左前传感器和左后传感器这两个传感器之间的相对位置
矢量ρ
fl，rl
＝ρ
fl-ρ
rl
，左前传感器和右前传感器这两个传感器之间的相对位置矢量ρ
fl，fr
＝ρ
fl-ρ
fr
。
[0133]
在获取任意相邻两个传感器之间的相对位置矢量后，再对任意相邻两个传感器之间的相对位置矢量进行乘积运算，得到任意相邻两个传感器之间的相对位置矢量所在平面的法向量，即任意相邻三个传感器所在平面的法向量。任意相邻三个传感器所在平面的法向量可以用以下公式(11)表示：
[0134]
n＝ρ
ij，mn
×
ρ
ij，pq
(11)
[0135]
其中，n为任意相邻三个传感器所在平面的法向量，ρ
ij,mn
和ρ
ij,pq
均表示传感器任意相邻两传感器之间的相对位置矢量，ij,mn,pq∈{fl,fr,rl,rr}。
[0136]
例如，左前、左后、右前这三个传感器所在平面的法向量可以用如下公式(12)表示：
[0137]
n＝ρ
fl，rl
×
ρ
fl，fr
(12)
[0138]
左前、左后、右后这三个传感器所在平面的法向量可以用如下公式(13)表示：
[0139]
n＝ρ
fl，rl
×
ρ
rr，rl
(13)
[0140]
s3022、根据各传感器所在平面的法向量，确定车辆的多个移动参数。
[0141]
本技术实施例中，在确定各传感器所在平面的法向量后，计算机设备可以根据各传感器所在平面的法向量之间的位置关系，确定车辆的多个移动参数。示例性的，可以先对四个平面的法向量中的任意三个进行组合，得到四个得到四个其中，i,j＝f,r，分别表示任意三个传感器所在平面的法向量，n-ij
为任意三个传感器所在平面的法向量组合的量，基于三个传感器所在平面的法向量组合的量，再根据以下公式(14)和(15)确定车辆的四个个俯仰角移动参数和四个侧倾角移动参量：
[0142][0143][0144]
其中，i,j＝f,r，表示车辆侧倾角的四个估计值，表示车辆俯仰角的四个估计值，表示任意三个侧倾角或者俯仰角组成的阵列，和均为任意一个侧倾角或者俯仰角。
[0145]
例如，表示车辆的右后俯仰角估计值；表示车辆的右后俯仰角估计值；表示车辆的右后俯仰角估计值。
[0146]
本技术实施例提供的确定车辆的多个移动参量的方法，根据实测的位移数据以及车轮的几何参数之间的位置关系确定车辆的移动参数，进而计算道路坡度的，可有效提高道路坡度估计的准确性；另外，如需确定车辆在当前时刻行驶的道路坡度，只需获取车辆在当前时间段内各传感器的车辆位移，并对各传感器的车辆位移进行运算即可，进而提高了
道路坡度估计的实时性。
[0147]
在一个实施例中，在图2所示实施例的基础上，可以对根据车辆的多个移动参数和未知输入观测器，确定道路坡度的过程进行描述，如图8所示，上述s203“根据车辆的多个移动参数和未知输入观测器，确定道路坡度”可以包括以下步骤：
[0148]
s401、从车辆的多个移动参数中筛选出目标移动参数。
[0149]
其中，目标移动参数可以是车辆的多个移动参数中最大的一个参数，也可以是车辆的多个移动参数中最小的一个参数。
[0150]
本技术实施例中，计算机设备确定车辆的多个移动参数后，可以对车辆的多个移动参数进行数据处理，从而筛选出目标移动参数；可选的，计算机设备可以对车辆的多个移动参数进行平均处理，得到平均处理结果，再将该平均处理结果作为目标移动参数；可选的，计算机设备也可以对车辆的多个移动参数进行求方差处理，得到方差处理结果，再将各车辆的移动参数分别与该方差处理结果进行比较，得到比较结果，将比较结果相差最小的车辆的移动参数确定为目标移动参数；可选的，计算机设备还可以将车辆的多个移动参数输入预设的择优模型中进行筛选，筛选出最优的移动参数，并将该最优的移动参数确定为目标移动参数。
[0151]
s402、根据目标移动参数和未知输入观测器，确定道路坡度。
[0152]
本技术实施例中，计算机设备可以先根据目标移动参数对未知输入观测器中的模型进行优化得到优化后的模型，并基于优化后的模型得到道路坡度；可选的，计算机设备还可以将目标移动参数输入至未知输入观测器中进行运算，得到运算结果，该运算结果即为道路坡度。
[0153]
本技术实施例中，可以根据目标移动参数和未知输入观测器，来确定道路坡度。下面提供一种确定道路坡度的方法。
[0154]
示例性的，如图9所示，上述s401“根据目标移动参数和未知输入观测器，确定道路坡度”，包括：
[0155]
s4011、对目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型。
[0156]
其中，目标移动参数的状态模型可以是表征状态量、目标移动参数以及道路坡度之间关系的模型，目标移动参量的状态模型可以用以下公式(16)和(17)表示：
[0157][0158][0159]
其中，表示俯仰角状态量的一阶导数，表示侧倾角状态量的一阶导数，γv为车辆的俯仰角，为车辆俯仰角的变化率，θv为车辆的侧倾角，为车辆侧倾角的变化率，a
γ
和a
θ
可以用以下公式(18)和公式(19)表示，b
γ
和b
θ
可以用以下公式(20)和公式(21)表示：
[0160]
[0161][0162][0163][0164]
其中，在图10、11所示的目标移动参量的模型中，k
γ
和k
θ
分别表示俯仰刚度和侧倾刚度，c
γ
和c
θ
分别表示俯仰阻尼和侧倾阻尼，i
x
和iy分别表示俯仰转动惯量和侧倾转动惯量，ms表示车辆的车身质量，h
rc
和h
pc
分别表示俯仰轴与车辆重心之间的距离和侧倾轴与车辆重心之间的距离。
[0165]
另外，μ
γ
和μ
θ
可以用以下公式(22)和公式(23)表示：
[0166][0167][0168]
其中，和表示横向速度的一阶导数和纵向速度的一阶导数，r表示车辆横摆角速度，v
x
和vy表示车辆的纵向和横向速度，g为重力加速度，γv和θv分别表示车辆的俯仰角和车辆的侧倾角，和θr分别表示道路的横向坡度和纵向坡度。
[0169]
根据上述公式(16)-(23)，将上述目标移动参量的状态模型用以下公式(24)和(25)所示的状态方程表示：
[0170][0171]yq
＝cqxq+dqμq(25)
[0172]
其中，q∈(θ,γ)，表示状态量的一阶导数，yq为输出量，aq、bq、cq和dq为系统状态矩阵，xq为状态量，uq为未知输入量。
[0173]
本技术实施例中，在将目标移动参量的状态模型表示为状态方程的形式后，为保证系统的精度和响应特性，可以对目标移动参量的状态方程进行离散化处理，得到离散化处理之后的状态模型。示例性的，对公式(24)和公式(25)进行离散处理后得到公式(26)和公式(27)：
[0174][0175][0176]
其中，ts为离散时间，aq、bq、cq和dq为系统状态矩阵，q∈(θ,γ)，k为正整数，t表示时间，τ代表积分时间系数。
[0177]
将公式(26)和(27)通过迭代l+1个时间步长改写为如下(28)所示的表达式：
[0178][0179]
上述公式(28)可以简写为公式(29)：
[0180]yq
[0:l]＝o
lq
xq[0]+j
lq
vq[0:l](29)；
[0181]
其中，
[0182][0183][0184]
其中，l为迭代次数，数值为正整数，xq[0]为初始状态。
[0185]
上述公式(29)即为离散化后的状态模型。
[0186]
s4012、根据离散化后的状态模型和未知输入观测器，确定道路坡度。
[0187]
本技术实施例中，在上述得到离散化后的状态模型后，计算机设备可以先构建未知输入观测器，再将离散化后的状态模型输入未知输入观测器中，得到道路坡度。
[0188]
其中，对于任意正整数l，都可以构建如下公式(32)、(33)和(34)所示的未知输入观测器：
[0189][0190][0191]yq
[k:k+1]＝o
lq
xq[q]+j
lq
μq[k:k+1](34)；
[0192]
其中，表示第k+1步状态观测量，eq和fq均为观测器增益矩阵，表示第k步状态观测量，yq[k:k+1]表示yq[k]和yq[k+1]组成的列矩阵，yq[k]表示第k步输出量，yq[k+1]表示第k+1步输出量，表示第k步输入量。需要说明的是，上述未知状态观测器可以给出未知状态观测量以给出未知状态观测量和输入观测量
[0193]
将公式(22)、(23)和公式(4)、(5)输入上述未知输入观测器(32)、(33)和(34)中，即可得到道路的横向坡度和纵向坡度，道路的横向坡度和纵向坡度可以用下述公式(35)和(36)表示：
[0194][0195][0196]
其中，和分别为第k步的道路横向坡度和纵向坡度，和分别为第k步的道路横向坡度估计值和纵向坡度估计值，和分别为第k步车辆的横向速度的一阶导数和纵向速度的一阶导数，r[k]为第k步的横摆角速度，v
x
[k]和vy[k]分别为车辆的纵向速度和横向速度，和分别为车辆的俯仰角和侧倾角。
[0197]
本技术实施例提供的确定道路坡度的方法，充分考虑了实测的位移数据以及车轮的几何参数对车辆的移动参数的影响，进而通过移动参数和未知输入观测器确定道路坡度，与现有技术相比，本方案无需估计摩擦参数、轮胎参数，直接通过实测的位移数据确定道路坡度，可有效提高道路坡度估计的准确性；另外，如需确定车辆在当前时刻行驶的道路坡度，只需获取车辆在当前时间段内各传感器的车辆位移，并对各传感器的车辆位移进行运算即可，进而提高了道路坡度估计的实时性。
[0198]
综合上述所有实施例，如图12所示，首先获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数(例如，原点和前后轴之间的纵向距离lf和lr，前后轮之间的距离trf和trr)，再根据车辆上多个传感器测量得到的车辆位移，以及车轮几何参数之间的位置关系，得到车辆的侧倾角和俯仰角以及侧倾角的变化率和俯仰角的变化率再将车辆的侧倾角和俯仰角以及侧倾角的变化率和俯仰角的变化率和imu传感器测得的车辆的横摆角速度r、车辆的纵向和横向速度v
x
和vy、俯仰轴与车辆重心之间的距离和侧倾轴与车辆重心之间的距离h
rc
和h
pc
、车辆的车身质量ms，俯仰刚度和侧倾刚度k
γ
和k
θ
输入至未知输入观测器中，得到道路的横向坡度和纵向坡度和如图13所示，提供了一种完整的道路纵向坡度和横向坡度联合估计方法，该方法包括：
[0199]
s10、获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
[0200]
s11、根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量；
[0201]
s12、根据各传感器的位置参量，确定各传感器所在平面的法向量；
[0202]
s13、根据各传感器所在平面的法向量，确定车辆的多个移动参数；
[0203]
s14、从车辆的多个移动参数中筛选出目标移动参数；
[0204]
s15、对目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型；
[0205]
s16、根据离散化后的状态模型和未知输入观测器，确定道路坡度。
[0206]
本技术实施例提供的道路纵向坡度和横向坡度联合估计方法，先获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数，再根据多个传感器测量得到的车辆位移
和车轮几何参数，确定车辆的多个移动参数，最后根据车辆的多个移动参数和未知输入观测器，确定道路坡度。上述方法充分考虑了实测的位移数据以及车轮的几何参数对车辆的移动参数的影响，进而通过移动参数确定道路坡度，与现有技术相比，本方案无需估计摩擦参数、轮胎参数，直接通过实测的位移数据确定道路坡度，可有效提高道路坡度估计的准确性；另外，如需确定车辆在当前时刻行驶的道路坡度，只需获取车辆在当前时间段内各传感器的车辆位移，并基于各传感器的车辆位移进行估计即可，进而提高了道路坡度估计的实时性。
[0207]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0208]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的道路纵向坡度和横向坡度联合估计方法的道路纵向坡度和横向坡度联合估计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个道路纵向坡度和横向坡度联合估计装置实施例中的具体限定可以参见上文中对于道路纵向坡度和横向坡度联合估计方法的限定，在此不再赘述。
[0209]
在一个实施例中，如图14所示，提供了一种道路纵向坡度和横向坡度联合估计装置，包括：获取模块10、第一确定模块20和第二确定模块30，其中：
[0210]
获取模块10，用于获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数。
[0211]
第一确定模块20，用于根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数。
[0212]
第二确定模块30，用于根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
[0213]
在一个实施例中，如图15所示，上述装置还包括：
[0214]
处理模块40，用于对车辆的多个移动参数进行异常处理，得到处理后的移动参数；
[0215]
第二确定模块30，还用于根据处理后的移动参数和未知输入观测器，确定道路坡度。
[0216]
在一个实施例中，如图16所示，处理模块40，包括：获取单元400，第一确定单元401，其中：
[0217]
获取单元400，具体用于获取车辆当前的角速度；
[0218]
第一确定单元401，具体用于根据角速度和预设加速度阈值，确定车辆的多个移动参数是否异常，若异常，则从多个移动参数中去除异常的移动参数，得到处理后的移动参数，若非异常，则对多个移动参数进行均值处理，得到处理后的移动参数。
[0219]
在一个实施例中，如图17所示，第一确定模块20，包括：第二确定单元200，第三确定单元201，其中：
[0220]
第二确定单元200，具体用于根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量；
[0221]
第三确定单元201，具体用于根据各传感器的位置参量，确定车辆的多个移动参数。
[0222]
在一个实施例中，第三确定单元201，具体用于根据各传感器的位置参量，确定各传感器所在平面的法向量；根据各传感器所在平面的法向量，确定车辆的多个移动参数。
[0223]
在一个实施例中，如图18所示，第二确定模块30，包括：筛选单元300，第四确定单元301，其中：
[0224]
筛选单元300，具体用于从车辆的多个移动参数中筛选出目标移动参数；
[0225]
第四确定单元301，具体用于根据目标移动参数和未知输入观测器，确定道路坡度。
[0226]
在一个实施例中，第四确定单元301，具体用于对目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型；根据离散化后的状态模型和未知输入观测器，确定道路坡度。
[0227]
上述道路纵向坡度和横向坡度联合估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0228]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储移动参数数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种道路纵向坡度和横向坡度联合估计方法。
[0229]
本领域技术人员可以理解，图1中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0230]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0231]
获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
[0232]
根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
[0233]
根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
[0234]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0235]
对所述车辆的多个移动参数进行异常处理，得到处理后的移动参数；
[0236]
根据车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：
[0237]
根据处理后的移动参数和未知输入观测器，确定道路坡度。
[0238]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0239]
获取车辆当前的角速度；
[0240]
根据角速度和预设加速度阈值，确定车辆的多个移动参数是否异常，若异常，则从多个移动参数中去除异常的移动参数，得到处理后的移动参数，若非异常，则对多个移动参数进行均值处理，得到处理后的移动参数。
[0241]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0242]
根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量；
[0243]
根据各传感器的位置参量，确定车辆的多个移动参数。
[0244]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0245]
根据各传感器的位置参量，确定各传感器所在平面的法向量；
[0246]
根据各传感器所在平面的法向量，确定车辆的多个移动参数。
[0247]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0248]
从车辆的多个移动参数中筛选出目标移动参数；
[0249]
根据目标移动参数和未知输入观测器，确定道路坡度。
[0250]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0251]
对目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型；
[0252]
根据离散化后的状态模型和未知输入观测器，确定道路坡度。
[0253]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0254]
获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；
[0255]
根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；
[0256]
根据车辆的多个移动参数和未知输入观测器，确定道路坡度。
[0257]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0258]
对车辆的多个移动参数进行异常处理，得到处理后的移动参数；
[0259]
根据车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：
[0260]
根据处理后的移动参数和未知输入观测器，确定道路坡度。
[0261]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0262]
获取车辆当前的角速度；
[0263]
根据角速度和预设加速度阈值，确定车辆的多个移动参数是否异常，若异常，则从多个移动参数中去除异常的移动参数，得到处理后的移动参数，若非异常，则对多个移动参数进行均值处理，得到处理后的移动参数。
[0264]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0265]
根据各传感器测量得到的车辆位移和车轮几何参数，确定各传感器的位置参量；
[0266]
根据各传感器的位置参量，确定车辆的多个移动参数。
[0267]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0268]
根据各传感器的位置参量，确定各传感器所在平面的法向量；
memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0300]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0301]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种道路纵向坡度和横向坡度联合估计方法，其特征在于，所述方法包括：获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；根据所述多个传感器测量得到的车辆位移和所述车轮几何参数，确定所述车辆的多个移动参数；根据所述车辆的多个移动参数和未知输入观测器，确定道路坡度。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述车辆的多个移动参数进行异常处理，得到处理后的移动参数；所述根据所述车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：根据所述处理后的移动参数和未知输入观测器，确定道路坡度。3.根据权利要求2所述的方法，其特征在于，所述对所述车辆的多个移动参数进行异常处理，得到处理后的移动参数，包括：获取所述车辆当前的角速度；根据所述角速度和预设加速度阈值，确定所述车辆的多个移动参数是否异常，若异常，则从所述多个移动参数中去除异常的移动参数，得到所述处理后的移动参数，若非异常，则对所述多个移动参数进行均值处理，得到所述处理后的移动参数。4.根据权利要求1所述的方法，其特征在于，所述根据所述多个传感器测量得到的车辆位移和所述车轮几何参数，确定所述车辆的多个移动参数，包括：根据各所述传感器测量得到的车辆位移和所述车轮几何参数，确定各所述传感器的位置参量；根据各所述传感器的位置参量，确定所述车辆的多个移动参数。5.根据权利要求4所述的方法，其特征在于，所述根据各所述传感器的位置参量，确定所述车辆的多个移动参数，包括：根据各所述传感器的位置参量，确定各所述传感器所在平面的法向量；根据各所述传感器所在平面的法向量，确定所述车辆的多个移动参数。6.根据权利要求1所述的方法，其特征在于，所述根据所述车辆的多个移动参数和未知输入观测器，确定道路坡度，包括：从所述车辆的多个移动参数中筛选出目标移动参数；根据所述目标移动参数和所述未知输入观测器，确定所述道路坡度。7.根据权利要求6所述的方法，其特征在于，所述根据所述目标移动参数和所述未知输入观测器，确定所述道路坡度，包括：对所述目标移动参数的状态模型进行离散化处理，得到离散化后的状态模型；根据所述离散化后的状态模型和所述未知输入观测器，确定所述道路坡度。8.一种道路纵向坡度和横向坡度联合估计装置，其特征在于，所述装置包括：获取模块，用于获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；第一确定模块，用于根据所述多个传感器测量得到的车辆位移和所述车轮几何参数，确定所述车辆的多个移动参数；第二确定模块，用于根据所述车辆的多个移动参数和未知输入观测器，确定道路坡度。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种道路纵向坡度和横向坡度联合估计方法。所述方法包括：获取车辆上多个传感器测量得到的车辆位移，以及车轮几何参数；根据多个传感器测量得到的车辆位移和车轮几何参数，确定车辆的多个移动参数；根据车辆的多个移动参数和未知输入观测器，确定道路坡度。采用本方法能够提高道路坡度估计的准确性。性。性。


技术研发人员：宫新乐 李学鋆 黄晋 汪怡平 钟志华
受保护的技术使用者：清华大学
技术研发日：2023.03.14
技术公布日：2023/6/26