坡度辨识方法、装置、车辆及计算机可读存储介质与流程

本申请涉及智能驾驶，尤其涉及一种坡度辨识方法、装置、车辆及计算机可读存储介质。

背景技术：

1、在汽车的行驶过程中，道路坡度对车辆的能耗、行驶稳定性以及安全性都存在显著的影响。具体而言，上坡时车辆需要消耗更多的能量以克服重力作用，下坡时则需要通过制动或者能量回收系统以减少能耗，同时，坡度变化会直接影响车辆的行驶稳定性。因此，准确的坡度信息对于提高车辆的能量管理效率和驾驶安全性至关重要。

2、目前，常用的坡度辨识方式依赖于车辆上装备的各类传感器，通过这些传感器实时检测车辆的加速度和车身速度，并基于传感器检测到的加速度和速度，确定车辆当前所在道路的坡度。然而，由于传感器在不同的驾驶场景下采集到的数据存在不同程度的误差和噪声，从而导致基于传感器数据求得道路坡度的方式，存在坡度辨识准确度较低的问题。

3、因此，如何提高坡度辨识的准确性，是目前亟需解决的一个问题。

技术实现思路

1、本申请的主要目的在于提供一种坡度辨识方法、装置、车辆及计算机可读存储介质，旨在提高坡度辨识的准确性。

2、为实现上述目的，本申请提供一种坡度辨识方法，所述坡度辨识方法包括：

3、基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量，其中，所述第一预测结果向量表征所述目标车辆的预测行驶速度、预测加速度和所在道路的预测坡度；

4、获取所述目标车辆在第二时刻的检测行驶速度和检测加速度，并基于所述检测行驶速度和所述检测加速度构建观测向量，其中，所述第一时刻和所述第二时刻为相邻的坡度辨识时刻，且所述第一时刻早于所述第二时刻；

5、将所述第一预测结果向量和所述观测向量输入至所述扩展卡尔曼滤波模型，得到所述目标车辆在所述第二时刻所在道路的目标坡度。

6、在一实施例中，所述基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量的步骤，包括：

7、确定目标车辆从第一时刻到第二时刻的状态转移矩阵，其中，所述状态转移矩阵表征所述目标车辆从所述第一时刻到所述第二时刻的状态演化规律；

8、基于扩展卡尔曼滤波模型、预设的初始状态向量和所述状态转移矩阵进行先验计算，得到目标车辆在第一时刻的第一预测结果向量。

9、在一实施例中，所述确定目标车辆从第一时刻到第二时刻的状态转移矩阵的步骤，包括：

10、基于预设的车辆运动学公式和噪声向量构建状态量方程，其中，所述车辆运动学公式表征车辆的行驶速度、加速度和所在道路的坡度之间的关系，所述状态量方程表征所述目标车辆的状态估计值的更新方式；

11、从所述状态量方程中提取所述目标车辆从第一时刻到第二时刻的状态转移矩阵。

12、在一实施例中，所述将所述第一预测结果向量和所述观测向量输入至所述扩展卡尔曼滤波模型，得到所述目标车辆在所述第二时刻所在道路的目标坡度的步骤，包括：

13、将所述第一预测结果向量和所述观测向量输入至所述扩展卡尔曼滤波模型，以将所述第一预测结果向量与所述状态转移矩阵相乘，得到所述目标车辆在所述第二时刻的第二预测结果向量；

14、基于所述扩展卡尔曼滤波模型、所述第二预测结果向量和所述观测向量进行后验计算，得到目标车辆在所述第二时刻所在道路的目标坡度。

15、在一实施例中，所述基于所述扩展卡尔曼滤波模型、所述第二预测结果向量和所述观测向量进行后验计算，得到目标车辆在所述第二时刻所在道路的目标坡度的步骤，包括：

16、基于所述第二预测结果向量和所述观测向量确定观测矩阵，其中，所述观测矩阵表征所述第二预测结果向量和所述观测向量之间的映射关系；

17、基于所述状态转移矩阵、所述观测矩阵、预设的过程噪声协方差矩阵和预设的测量噪声协方差矩阵，确定卡尔曼增益；

18、基于所述扩展卡尔曼滤波模型、所述第二预测结果向量、所述观测向量、所述观测矩阵和所述卡尔曼增益进行后验计算，得到所述目标车辆在所述第二时刻所在道路的目标坡度。

19、在一实施例中，所述获取所述目标车辆在第二时刻的检测行驶速度和检测加速度的步骤，包括：

20、获取目标车辆的前轴轴速信号、电机转速和传动比；

21、基于所述前轴轴速信号确定第一速度，并基于所述电机转速和所述传动比确定第二速度；

22、对所述第一速度和所述第二速度进行加权求和，得到所述目标车辆的检测行驶速度。

23、此外，为实现上述目的，本申请还提供一种坡度辨识装置，所述坡度辨识装置包括：

24、确定模块，用于基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量，其中，所述第一预测结果向量表征所述目标车辆的预测行驶速度、预测加速度和所在道路的预测坡度；

25、构建模块，用于获取所述目标车辆在第二时刻的检测行驶速度和检测加速度，并基于所述检测行驶速度和所述检测加速度构建观测向量，其中，所述第一时刻和所述第二时刻为相邻的坡度辨识时刻，且所述第一时刻早于所述第二时刻；

26、坡度辨识模块，用于将所述第一预测结果向量和所述观测向量输入至所述扩展卡尔曼滤波模型，得到所述目标车辆在所述第二时刻所在道路的目标坡度。

27、此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现坡度辨识方法的程序，所述实现坡度辨识方法的程序被处理器执行以实现如上所述坡度辨识方法的步骤。

28、此外，为实现上述目的，本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的坡度辨识方法的步骤。

29、本申请提供了一种坡度辨识方法，本申请基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量，其中，第一预测结果向量表征的是目标车辆的预测行驶速度、预测加速度和目标车辆所在道路的预测坡度，并获取目标车辆在第二时刻的检测行驶速度和检测加速度，并基于检测行驶速度和检测加速度构建观测向量，其中，第一时刻和第二时刻为相邻的坡度辨识时刻，且第一时刻早于第二时刻，最后将第一预测结果向量和观测向量输入至扩展卡尔曼滤波模型，得到目标车辆在第二时刻所在道路的目标坡度。

30、如此，相比于传统依赖于车辆传感器检测到的数据直接求得车辆所在道路的坡度，受噪声影响导致坡度辨识准确度低的方式，本申请通过将目标车辆在上一时刻的预测结果向量和在当前时刻的观测向量输入至扩展卡尔曼滤波模型，能够通过扩展卡尔曼滤波模型内置的递归更新机制和滤波机制，实现根据新的观测数据调整状态估计值并有效抑制噪声，即优化目标车辆所在道路的坡度，从而提高坡度辨识结果的准确性。

技术特征：

1.一种坡度辨识方法，其特征在于，所述坡度辨识方法包括：

2.如权利要求1所述的方法，其特征在于，所述基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量的步骤，包括：

3.如权利要求2所述的方法，其特征在于，所述确定目标车辆从第一时刻到第二时刻的状态转移矩阵的步骤，包括：

4.如权利要求2所述的方法，其特征在于，所述将所述第一预测结果向量和所述观测向量输入至所述扩展卡尔曼滤波模型，得到所述目标车辆在所述第二时刻所在道路的目标坡度的步骤，包括：

5.如权利要求4所述的方法，其特征在于，所述基于所述扩展卡尔曼滤波模型、所述第二预测结果向量和所述观测向量进行后验计算，得到目标车辆在所述第二时刻所在道路的目标坡度的步骤，包括：

6.如权利要求1至5中任一项所述的方法，其特征在于，所述获取所述目标车辆在第二时刻的检测行驶速度和检测加速度的步骤，包括：

7.一种坡度辨识装置，其特征在于，所述坡度辨识装置包括：

8.一种车辆，其特征在于，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至6中任一项所述的坡度辨识方法的步骤。

9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质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如权利要求1至6中任一项所述的坡度辨识方法的步骤。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的坡度辨识方法的步骤。

技术总结
本申请公开了一种坡度辨识方法、装置、车辆及计算机可读存储介质，本申请涉及智能驾驶技术领域，所述坡度辨识方法包括：基于扩展卡尔曼滤波模型确定目标车辆在第一时刻的第一预测结果向量，其中，第一预测结果向量表征目标车辆的预测行驶速度、预测加速度和所在道路的预测坡度；获取目标车辆在第二时刻的检测行驶速度和检测加速度，并基于检测行驶速度和检测加速度构建观测向量，其中，第一时刻和第二时刻为相邻的坡度辨识时刻，且第一时刻早于第二时刻；将第一预测结果向量和观测向量输入至扩展卡尔曼滤波模型，得到目标车辆在第二时刻所在道路的目标坡度。本申请能够提高坡度辨识的准确性。

技术研发人员：王榜,瞿波
受保护的技术使用者：浙江吉利控股集团有限公司
技术研发日：
技术公布日：2024/12/5