袁朝春，張龍飛，陳龍

(江蘇大學(xué) 汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

隨著汽車保有量的增加，交通事故發(fā)生率也隨之遞增，美國國家高速公路安全委員會(NHTSA)的調(diào)研表明，在道路交通事故中，有90%以上的事故是由于駕駛員的過失造成。其中，駕駛過程中人車路信息獲取的難度成為影響交通安全和導(dǎo)致許多交通事故的最主要因素。尤其是在道路附著條件較差及突變的環(huán)境下，由于駕駛員對路面的判斷不足，極易導(dǎo)致車輛發(fā)生碰撞及側(cè)滑。為了減少事故的發(fā)生，主動(dòng)安全系統(tǒng)成為發(fā)展的必然趨勢，如ABS、ESP等。對于路面的有效識別，可以使系統(tǒng)實(shí)時(shí)根據(jù)路面附著信息改變控制策略，從而提高主動(dòng)干預(yù)的作用，減少事故的發(fā)生。因此，路面識別對于保證安全駕駛具有重要的意義。另外，智能汽車在中高速行駛狀態(tài)下，車輛動(dòng)力學(xué)特性、道路-輪胎附著力特性等力學(xué)特性對自動(dòng)駕駛安全的影響作用越發(fā)重要，僅依靠空間信息對制動(dòng)、轉(zhuǎn)向等執(zhí)行機(jī)構(gòu)進(jìn)行決策和控制會引發(fā)一系列安全問題，如因雨、冰雪天氣情況多發(fā)的車輛追尾碰撞、轉(zhuǎn)向制動(dòng)時(shí)的側(cè)滑和側(cè)翻等交通事故。

1 國內(nèi)外研究現(xiàn)狀

目前國內(nèi)外的科研人員在路面識別領(lǐng)域持續(xù)開展了多年的研究，取得了許多成果。根據(jù)路面識別結(jié)果可以分為兩種：路面類型識別和路面峰值附著系數(shù)辨識，前者是先將路面劃分為多個(gè)等級，通過大量試驗(yàn)獲得每一等級路面相應(yīng)的參數(shù)，再通過識別路面參數(shù)對應(yīng)每一等級路面，間接獲得當(dāng)前路面的峰值附著系數(shù)；后者是直接通過設(shè)計(jì)模型算法計(jì)算出路面峰值附著系數(shù)。同樣的，根據(jù)路面識別所依據(jù)的原理，可以分為兩類：基于原因的識別方法(Cause-Based)和基于效應(yīng)的識別方法(Effect-Based)[1]路面識別方法的分類見圖1。本文將根據(jù)識別原理展開綜述。

圖1 路面識別方法分類

1.1 Cause-Based識別方法

Cause-Based識別方法需要建立一個(gè)反映各個(gè)因素與路面附著系數(shù)關(guān)系的數(shù)學(xué)模型，通過測量相關(guān)因素，利用所設(shè)計(jì)的數(shù)學(xué)模型計(jì)算路面附著系數(shù)的大小[2]。影響路面附著系數(shù)的因素主要包括路面類型參數(shù)、路面狀態(tài)參數(shù)、輪胎參數(shù)以及整車參數(shù)[3]，車輛參數(shù)可以直接獲得，但路面類型參數(shù)及路面狀態(tài)參數(shù)需要依靠一定的傳感器進(jìn)行測量。例如，Breuer B等人[4]最早提出利用光學(xué)傳感器測量影響路面附著系數(shù)的主要物質(zhì)，在汽車通過地面之前實(shí)現(xiàn)提前判斷路面情況；文獻(xiàn)[5]提出利用激光束識別路面，結(jié)果表明，其準(zhǔn)確率高達(dá)98%；文獻(xiàn)[6]通過測量路面對光的散射及吸收狀況，辨識路面上可能降低附著系數(shù)的物質(zhì)，作為判斷路面附著系數(shù)變化的依據(jù)。由于光學(xué)傳感器受環(huán)境影響較大，pieter L等人[7]提出采用聲波發(fā)射裝置以特定的聲波和發(fā)射角度向路面連續(xù)發(fā)射聲波，分析接收到的聲波頻譜，估算出路面粗糙度，從而識別路面；文獻(xiàn)[8]通過采集路面對電磁波的反射頻譜分析識別路面類型；也有利用紅外傳感器以及溫濕度傳感器通過分析太陽輻射強(qiáng)度對路面溫度的影響，識別準(zhǔn)確率可達(dá)90%[9]；近年來，基于圖像處理和特征識別技術(shù)的研究也逐漸增多[10]，通過圖像特征及空間頻譜規(guī)律對路面進(jìn)行劃分。文獻(xiàn)[11]提出一種基于攝像機(jī)的路面預(yù)測方法，穩(wěn)定性較好，但壽命較短。

Cause-Based識別方法對路面的識別具有預(yù)測性，可以在輪胎與路面接觸前識別路面。但都需要加裝額外傳感器，成本較高，硬件復(fù)雜，商業(yè)推廣價(jià)值不大；其次，光學(xué)傳感器對工作環(huán)境要求苛刻，容易受外界因素影響，魯棒性較差；另外，該類方法需要通過大量的測試試驗(yàn)采集數(shù)據(jù)，識別精度依賴于數(shù)據(jù)的準(zhǔn)確性，對未經(jīng)測試的路面難以準(zhǔn)確估算；最重要的是，該類方法主要測量的是影響路面附著系數(shù)的兩個(gè)因素：路面類型參數(shù)、路面狀態(tài)參數(shù)，并未考慮到輪胎參數(shù)及整車參數(shù)的變化，其準(zhǔn)確度必然隨著車輛的使用及輪胎的磨損而降低。

1.2 Effect-Based識別方法

Effect-Based識別方法是通過測量分析由于路面變化引起的整車響應(yīng)來估算路面附著系數(shù)的大小。該類方法一般無需增加額外的傳感器，且對工作環(huán)境要求不高，因此受到很多關(guān)注。根據(jù)響應(yīng)的類型，Effect-Based識別方法可以分為兩類：基于輪胎響應(yīng)識別路面和基于車輛動(dòng)力學(xué)響應(yīng)識別路面。

a) 基于輪胎響應(yīng)識別路面

輪胎響應(yīng)根據(jù)響應(yīng)形式的不同，分為輪胎噪聲響應(yīng)和胎面變形響應(yīng)。

1) 通過測量輪胎噪聲識別路面

汽車在行駛過程中輪胎與地面之間產(chǎn)生噪聲，不同道路狀況下輪胎噪聲也會有所差異，通過聲學(xué)傳感器采集車輪與路面之間的噪聲，作為識別路面的依據(jù)。文獻(xiàn)[11]提出利用麥克風(fēng)采集噪聲頻率，根據(jù)特征與路面進(jìn)行匹配；Roth等人[12]提出利用聲學(xué)傳感器測量輪胎與路面之間的噪聲，從而判別路面的峰值附著系數(shù)。但由于輪胎噪聲產(chǎn)生機(jī)理比較復(fù)雜，受到許多外界不確定性因素的影響，很難據(jù)此準(zhǔn)確估計(jì)路面峰值附著系數(shù)。

2) 通過測量胎面變形識別路面

此類方法需要應(yīng)用胎面變形傳感器，近年來，許多輪胎傳感器已經(jīng)研究人員用于輪胎變形的測量。Pohl.R等人[13]提出一種固定在輪胎內(nèi)襯的表面聲波傳感器(SAW)，通過胎面接觸單元的機(jī)械應(yīng)變估計(jì)路面附著特性。文獻(xiàn)[14]利用無線壓電式傳感器獲得胎面的變形，通過刷子模型獲得路面附著系數(shù)，試驗(yàn)結(jié)果表明這種傳感器能夠很好的估計(jì)滑移率和路面附著系數(shù)；文獻(xiàn)[15]將磁性傳感器嵌入到輪胎胎面中，基于霍爾原理，測量輪胎局部應(yīng)變及應(yīng)力，進(jìn)而識別路面峰值附著系數(shù)的大小，試驗(yàn)表明該傳感器在很小的輪胎縱向力情況下能很好地識別出路面峰值附著系數(shù)。但此類傳感器都需要能量自給以及實(shí)時(shí)數(shù)據(jù)的無線傳輸，實(shí)用價(jià)值不大。盧俊輝等[16]提出基于車輪振動(dòng)的路面識別方法，通過小波分析車輪在不同路面的振動(dòng)信號進(jìn)行識別，魯棒性好，但實(shí)時(shí)性差。

b) 基于車輛動(dòng)力學(xué)響應(yīng)識別路面

車輛動(dòng)力學(xué)響應(yīng)又分為縱向動(dòng)力學(xué)響應(yīng)和側(cè)向動(dòng)力學(xué)響應(yīng)。

1) 通過縱向動(dòng)力學(xué)響應(yīng)識別路面

目前，國內(nèi)外對于縱向動(dòng)力學(xué)響應(yīng)識別路面的研究較多，此類方法都需要根據(jù)輪胎力獲得附著率(又稱利用附著系數(shù))，再根據(jù)車輪轉(zhuǎn)速、車速信息得到車輪的滑移率。根據(jù)定義，計(jì)算公式如式(1)、式(2)。

(1)

(2)

式中：FX為輪胎所受縱向力，F(xiàn)Z為輪胎所受垂直載荷，w為車輪轉(zhuǎn)速，v為汽車縱向速度，R為車輪半徑。

通過對數(shù)據(jù)點(diǎn)的分析，根據(jù)曲線形狀識別路面。多數(shù)研究者認(rèn)為曲線的斜率能夠直接反映出路面附著系數(shù)的大小，一般采用最小二乘法或卡爾曼濾波等方法得到曲線的斜率。文獻(xiàn)[17]中F.Gustafsson最早提出基于小滑移率區(qū)間μ-s曲線斜率的路面識別方法，研究表明，車輛在驅(qū)動(dòng)工況下，可以利用估計(jì)出的曲線斜率來識別不同路面的附著系數(shù)。文獻(xiàn)[18-20]利用最小二乘法或kalman濾波器估計(jì)曲線斜率，用于估計(jì)當(dāng)前路面附著條件，試驗(yàn)表明效果較好。此后許多研究者在此基礎(chǔ)上進(jìn)行了改進(jìn)。文獻(xiàn)[21]在此基礎(chǔ)上通過帶遺忘因子的遞推最小二乘算法及CUSUM變化檢測算法對路面附著系數(shù)進(jìn)行估算。文獻(xiàn)[22]設(shè)計(jì)了基于狀態(tài)觀測的路面識別方法，通過卡爾曼濾波或滑模變結(jié)構(gòu)輪胎力觀測器，結(jié)合刷子輪胎模型，利用遞歸最小二乘法估算路面附著系數(shù)。文獻(xiàn)[23]結(jié)合車載傳感器和GPS數(shù)據(jù)通過縱向車輛模型估算，并利用最小二乘法實(shí)時(shí)估算曲線斜率來識別路面。文獻(xiàn)[24]結(jié)合輪胎力學(xué)模型和UKF算法對輪胎縱向力和滑移率進(jìn)行估計(jì)，進(jìn)而得到不同附著系數(shù)路面條件下的曲線斜率，通過建立與典型路面之間的映射關(guān)系，快速準(zhǔn)確地識別路面。

但用該方法在曲線斜率估算過程中需要較多的數(shù)據(jù)點(diǎn)，因此實(shí)時(shí)性較差，不適用時(shí)變路況，且對數(shù)據(jù)點(diǎn)的精度有較高的要求，很難適用于實(shí)車行駛過程。文獻(xiàn)[25]設(shè)計(jì)了二階非線性擴(kuò)張狀態(tài)觀測器有效地估計(jì)利用附著系數(shù)，用簡化的輪胎模型推導(dǎo)出了遞推公式，根據(jù)最小二乘原理設(shè)計(jì)了峰值附著系數(shù)估計(jì)器。仿真結(jié)果表明，估計(jì)器能夠快速有效地估計(jì)當(dāng)前路面狀態(tài)。文獻(xiàn)[26]介紹了兩種輪胎力的計(jì)算方法，并通過估計(jì)驅(qū)動(dòng)軸車輪的滑移率和附著率，利用貝葉斯算法估算路面峰值附著系數(shù)。文獻(xiàn)[27]采用結(jié)合 Dugoff 輪胎模型的非線性三自由度車輛估算模型，建立雙容積卡爾曼濾波估計(jì)器，實(shí)現(xiàn)路面附著系數(shù)的估計(jì)。文獻(xiàn)[28]提出基于Dugoff模型和擴(kuò)增卡爾曼濾波器的路面識別方法，準(zhǔn)確性較好。文獻(xiàn)[29]提出獨(dú)立于車輛縱向運(yùn)動(dòng)的實(shí)時(shí)路面附著系數(shù)估計(jì)方法，不需要特定的加速、減速工況，運(yùn)用動(dòng)態(tài)LuGre輪胎模型，通過施加激勵(lì)制動(dòng)轉(zhuǎn)矩，利用自適應(yīng)控制規(guī)則和最小二乘法估計(jì)實(shí)時(shí)路面附著系數(shù)。文獻(xiàn)[30]采用七自由度車輛動(dòng)力學(xué)模型，結(jié)合Burckhardt輪胎模型，提出基于模糊控制算法的路面識別方法。文獻(xiàn)[31]提出基于路面特征因子的識別方法，并給出了7種典型路面的特征因子閾值和區(qū)間，根據(jù)估算的實(shí)時(shí)特征因子落入的特征區(qū)間作為當(dāng)前識別的路面狀態(tài)，識別準(zhǔn)確率高，但是對躍變路面的識別存在局限性。張曉云等人[32]提出一種基于實(shí)時(shí)滑移率的動(dòng)態(tài)識別方法，并設(shè)計(jì)了典型路面的動(dòng)態(tài)識別區(qū)間；隨后又提出[33-35]基于路面特征系數(shù)和基于峰值附著系數(shù)變化范圍的路面識別方法，但該類方法精度依賴于估算，實(shí)際應(yīng)用意義不大。文獻(xiàn)[36]提出基于能量法路面附著系數(shù)識別方法，構(gòu)建了針對摩擦制動(dòng)器作用時(shí)的路面附著系數(shù)求解模型，效果較好，但對于變路面有待進(jìn)一步研究。文獻(xiàn)[37]引入接近度的概念，提出基于路面特征參數(shù)和防抱制動(dòng)過程的路面識別方法，通過最大接近度原則識別路面狀態(tài)。文獻(xiàn)[38]基于不同車輛動(dòng)力學(xué)模型的路面附著系數(shù)估計(jì)方法進(jìn)行了對比，通過仿真及臺架試驗(yàn)對比，對3種模型提出了改進(jìn)。

2) 通過側(cè)向動(dòng)力學(xué)響應(yīng)識別路面

文獻(xiàn)[39]提出一種基于先進(jìn)汽車線控轉(zhuǎn)向系統(tǒng)的輪胎與路面附著系數(shù)估計(jì)方法，利用卡爾曼濾波算法設(shè)計(jì)估計(jì)器，在沒有制動(dòng)工況參與的前提下，估算精度較高。文獻(xiàn)[40]通過側(cè)向加速度傳感器信息估算路面附著系數(shù)，再基于橫擺角速度偏差及側(cè)向加速度偏差進(jìn)行雙非線性度表征量綜合補(bǔ)償和修正，在實(shí)車驗(yàn)證中實(shí)時(shí)性和魯棒性較好。文獻(xiàn)[41]一種基于SVM的路面摩擦系數(shù)識別方法，可以在不同道路條件下的轉(zhuǎn)向過程有效地識別路面附著系數(shù)。文獻(xiàn)[42]提出基于車輛側(cè)向動(dòng)力學(xué)的路面附著系數(shù)估計(jì)方法，利用DGPS系統(tǒng)測量輪胎橫向力模型參數(shù)，結(jié)合陀螺儀信息識別路面附著系數(shù)，結(jié)果表明識別效果實(shí)時(shí)性較好，對縱向工況要求較低。文獻(xiàn)[43]提出一種基于車輛轉(zhuǎn)向的路面附著系數(shù)估計(jì)算法，并通過刷子輪胎模型推導(dǎo)出路面附著系數(shù)和車輛轉(zhuǎn)向的關(guān)系。文獻(xiàn)[44]利用擴(kuò)展卡爾曼濾波器估算車輪側(cè)偏角，采用反向傳播神經(jīng)網(wǎng)絡(luò)算法，結(jié)合橫擺角速度，判斷路面的附著狀況。文獻(xiàn)[45]建立了非線性刷子輪胎模型和車輛線性模型，基于雙擴(kuò)展卡爾曼濾波算法，實(shí)現(xiàn)對線控汽車輪胎側(cè)偏角以及路面附著的估計(jì)。

多數(shù)研究只考慮車輛縱向或者橫向動(dòng)力學(xué)，估計(jì)的路面附著系數(shù)偏小，文獻(xiàn)[46]提出結(jié)合縱向和側(cè)向的輪胎刷子模型，通過線型遞歸最小二乘法來識別，識別精度較高，且對于對開路面有很好的效果。文獻(xiàn)[47]結(jié)合了縱向動(dòng)力學(xué)和側(cè)向動(dòng)力學(xué)識別方法，通過一定的切換規(guī)則提高了估計(jì)的精度和魯棒性。

Effect-Based識別方法作為一項(xiàng)隨著ABS和TCS等車輛動(dòng)力學(xué)控制系統(tǒng)的發(fā)展而產(chǎn)生的技術(shù)，采用車輛本身的動(dòng)力學(xué)參數(shù)來對車輪所處路面進(jìn)行判別的方法，不但能夠采用車輛防滑控制系統(tǒng)固有的傳感器簡化系統(tǒng)結(jié)構(gòu)并降低成本，而且也能夠保證路面的判別的準(zhǔn)確性。與Cause-Based識別方法采用直接測量或采用光、電傳感器以及數(shù)字圖像分析和頻譜分析的方法相比,具有一定的優(yōu)勢和更為廣闊的應(yīng)用前景。

2 存在問題

綜上所述，國內(nèi)外許多學(xué)者在路面識別領(lǐng)域已經(jīng)做了許多工作并取得一定的成果。但是眾多識別方法各有利弊，通過傳感器對路面參數(shù)進(jìn)行直接測量的識別方法，預(yù)測性強(qiáng)、識別準(zhǔn)確率高，對于汽車智能化具有很大的作用，但硬件復(fù)雜，工作環(huán)境要求較高；通過測量輪胎噪聲的識別方法，實(shí)時(shí)性強(qiáng)，但魯棒性差；通過測量輪胎變形的識別方法，精度較高，但需要無線傳輸、能力自給，成本高；通過曲線形狀進(jìn)行識別的方法適用于各種工況，但需要的大量數(shù)據(jù)，實(shí)時(shí)性不強(qiáng)；根據(jù)路面狀態(tài)特征值進(jìn)行識別的方法，魯棒性較高、識別準(zhǔn)確率高，但對躍變路面的識別有局限性；通過側(cè)向動(dòng)力學(xué)的識別方法，需要GPS，尚未普及，不利于實(shí)車應(yīng)用。綜合利弊，基于車輛響應(yīng)特性的路面識別方法具有成本低，適用范圍廣，魯棒性好的優(yōu)點(diǎn)，對于主動(dòng)安全系統(tǒng)的發(fā)揮有著重要的作用。

3 結(jié)語

現(xiàn)有的路面識別方法基本滿足了汽車主動(dòng)安全系統(tǒng)的需求，可以有效提高系統(tǒng)的準(zhǔn)確性，達(dá)到主動(dòng)干預(yù)的效果。但是多數(shù)還停留在仿真階段，實(shí)際行駛過程路面及環(huán)境復(fù)雜多變，如何保證路面識別方法的精度及魯棒性將會是研究的重點(diǎn)。另外，隨著汽車智能化的推廣，路面識別不再是簡單地應(yīng)用于ABS、ESP等安全系統(tǒng)，而是關(guān)系到每個(gè)環(huán)節(jié)。典型的智能汽車包括感知系統(tǒng)、規(guī)劃-決策系統(tǒng)、控制系統(tǒng)及執(zhí)行裝置。感知系統(tǒng)應(yīng)用車載雷達(dá)、攝像頭等傳感器，不僅需要獲得車輛姿態(tài)信息，還需要提前感知路面信息，為科學(xué)的規(guī)劃-決策提供依據(jù)，這也對路面識別的預(yù)測性提出了很大的要求。文獻(xiàn)[48]提出基于機(jī)器視覺的路面狀態(tài)識別，通過攝像頭提取路面信息，根據(jù)顏色和紋理特征識別路面，并通過幾種典型路面的試驗(yàn)分析得到了驗(yàn)證?；跈C(jī)器視覺的路面識別方法的優(yōu)勢在于探測范圍廣、預(yù)測性強(qiáng)，由軟件直接控制，便于后續(xù)升級，必將是未來智能車的主流，但是處理光線環(huán)境變化以及排除圖像干擾信息的問題會是一大難點(diǎn)，有必要研究抗干擾能力強(qiáng)和對路面圖像識別準(zhǔn)確率更高的方法。

另外，基于車輛動(dòng)力學(xué)響應(yīng)的識別方法與基于圖像的識別方法的有效結(jié)合，可以充分解決實(shí)時(shí)性與準(zhǔn)確性沖突的問題，基于車輛動(dòng)力學(xué)響應(yīng)的識別方法準(zhǔn)確地識別路面為基于圖像的識別方法提供參考，基于圖像的識別方法根據(jù)攝像機(jī)所拍圖像特征判斷路面的變化趨勢，包括顏色、紋理、形狀、空間關(guān)系等特征，通過隱馬爾科夫模型可以提前預(yù)測路面變好或者變壞，對后續(xù)路面進(jìn)行修正，為智能汽車的感知及決策系統(tǒng)提供依據(jù)。

參考文獻(xiàn):

[1] 余卓平,左建令,張立軍. 路面附著系數(shù)估算技術(shù)發(fā)展現(xiàn)狀綜述[J]. 汽車工程, 2006,28(6): 546-549.

[2] 漆燕. 汽車防撞預(yù)警相關(guān)路面狀態(tài)識別的研究[D]. 武漢: 華中科技大學(xué), 2013.

[3] 陳明. 汽車主動(dòng)防撞預(yù)警系統(tǒng)的路面識別研究[D]. 長春: 吉林大學(xué), 2011.

[4] Breuer B，Eichhorn U，Roth J. Measurement of tire/road-friction ahead of the car and inside the tire[C]//International Symposium on Advanced Vehicle Control，Yokohama，Japan,1992.

[5] John Laurent,Mario Talbot,Michel Doutcet,Road surface inspection using laser scanners adapted for the high precision 3D measurements of large fiat surfaces[C]// 3-D Digital Imaging and Modeling,International Conference on RecentAdvances, May 12-15,1997:303-310.

[6] 趙祥模，馬榮貴，施維穎. 基于PSD的路面粗糙度快速檢測方法研究[J]. 大氣與環(huán)境光學(xué)學(xué)報(bào)，2004, 17 (2) :58-60.

[7] Pieter L,Swart,Beatrys M.Lacquet.An Acoustic Sensor System for Determination of Macroscopic Surface Roughness[J]. IEEE Transactions on Instrumentation and Measurement, 1996, 45(5):879-884.

[8] Brgeson J. Sensor data fusion based estimation of tire-road friction to enhance collision avoidance[C]//Tampere Universityof Technology， 2010.

[9] 盧俊輝,王建強(qiáng),李克強(qiáng),等. 基于路面溫度和太陽輻射強(qiáng)度的路面狀態(tài)識別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 11(5): 21-23.

[10] 潘玉斌. 商用車牽引力控制系統(tǒng)的路面識別算法研究[D]. 長春:吉林大學(xué), 2008.

[11] Holzmann F, Bellino M,Siegwart R,et al. Predictive estimation of the road-tire friction coefficient[J]. IEEE International Conference on Control Applications 2006: 885-890.

[12] Eichhorn U， Roth J. Prediction and monitoring of tire/road-friction [C]//FISITA Congress， 1992: 67-74.

[13] Alfred Pohl, R Steindl,L Reindl. The Intelligent tire utilizing passive SAW Sensors—Measurement of tire friction [J]. IEEE Trans. Instrum,1999,48(6): 1041-1046.

[14] Erdogan Gurkan,Alexander Lee,Rajamani Rajesh.Estimation of Tire-Road Friction Coefcient Using a Novel Wireless Piezoelectric Tire Sensor[J]. IEEE Sensors Journal, 2011, 11(2): 267-279.

[15] Tuononen A. On-board estimation of dynamic tyre forces from optically measured tire carcass deflections[J]. International Journal of Heavy Vehicle Systems， 2009(16): 362-378.

[16] 盧俊輝,巫世晶. 基于車輪振動(dòng)的路面實(shí)時(shí)識別研究[J]. 振動(dòng)與沖擊, 2008,166 (4): 19-22.

[17] Gustafsson F. Estimation and Change Detection of Tire-road Friction Using the Wheel Slip[J]. IEEE International symposium on computer-aided control system design, 1996,15(18):99-104.

[18] Yi K,Hedrick K,Lee S C. Estimation of Tire-road friction using observer based identifiers[J]. Vehicle System Dynamics, 1997, 31(4):233-261.

[19] Li K, Misener J. On-board road condition monitoring system using slip-based tyre road friction estimation and wheel speed signal analysis [J]. Proc. IMech E ,Part K: J .Multi-body Dynamics,2007,221(1):129-146

[20] Jorge V， Brigitee d， Michel F et al. A diagnosis-based approach for tire-road forces and maximum friction estimation[J]. Control Engineering Practice, 2011,19(2):174-184.

[21] 趙又群,林棻. 基于虛擬試驗(yàn)的路面附著系數(shù)估計(jì)[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2011,41(2): 22-28.

[22] 張進(jìn). 基于路面識別的車輛縱向動(dòng)力學(xué)控制[D]. 長春:吉林大學(xué), 2015.

[23] 龔節(jié)坤. 基于實(shí)時(shí)路面附著條件的跟馳模型研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué), 2015.

[24] 林棻,黃超. 采用UKF算法估計(jì)路面附著系數(shù)[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2013,45(7): 121-126.

[25] 吳利軍,王躍建,李克強(qiáng). 面向汽車縱向安全輔助系統(tǒng)的路面附著系數(shù)估計(jì)方法[J]. 汽車工程, 2009 ,31(3): 239-243.

[26] 趙立軍,鄧寧寧,葛柱洪,等. 四輪驅(qū)動(dòng)車輛路面附著系數(shù)實(shí)時(shí)估計(jì)[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2014,46 (11): 42-46.

[27] 解瑞春. 基于信息融合技術(shù)的車輛行駛狀態(tài)估計(jì)算法研究[D]. 錦州: 遼寧工業(yè)大學(xué), 2015.

[28] Chen Yan, Wang Junmin. Vehicle Longitudinal Motion Independent Real-Time Tire-Road Friction Coefficient Estimation [J]. 49th IEEE Conference on Decision and Control,2010,15(17): 2910-2915.

[29] Zhu tianjun Zong-Changfu. The Road Friction Coefficient Estimation Based on Extended Kalman Filter[C]//Intelligent Systems and Applications, 2009. ISA 2009. International Workshop on, 2009: 1-4.

[30] Feng W,Xiao-bin F,Ye-ming Z, et al. Fuzzy Identification Based on Tire/road Adhesion Feature[J]. Computer Aided Drafting,design and Manufacturing, 2015,25(1): 62-67.

[31] 王博,孫仁云. 基于狀態(tài)特征因子的路面識別方法研究[J]. 汽車工程, 2012,34(6): 506-510, 522.

[32] 張曉龍,孫仁云,李鋒,等. 基于動(dòng)態(tài)識別區(qū)間的路面識別方法研究[J]. 湖北汽車工業(yè)學(xué)院學(xué)報(bào), 2014,28(3): 21-24.

[33] 張曉龍,孫仁云,劉長偉,等. 基于路面特征系數(shù)的路面識別方法研究[J]. 中國測試, 2015,41(8): 31-35.

[34] 張曉龍,孫仁云,葛恒勇,等. 基于峰值附著系數(shù)變化范圍的路面識別研究[J]. 科學(xué)技術(shù)與工程, 2015,15(11): 117-121, 130.

[35] 張曉龍,孫仁云,李鋒,等. 基于平均附著系數(shù)的路面識別方法研究[J]. 中國測試, 2014,40(6): 99-103.

[36] 王麗. 基于能量法的路面附著系數(shù)識別方法研究[D]. 長春: 吉林大學(xué), 2012.

[37] 齊志權(quán),王寶鋒,裴曉飛,等. 基于路面特征參數(shù)和制動(dòng)防抱調(diào)節(jié)特征的路面識別方法[J]. 汽車工程, 2014,36(3): 310-315.

[38] Fodor D,Enisz K,Doman R,Toth P. Tire Road Friction Coefficient Estimation Methods Comparison Based on Different Vehicle Dynamics Models[J].Vehicle Power and Propulsion Conference, 2011: 1-4.

[39] 鄭宏宇,陳國迎,孫琳琳,等. 基于線控轉(zhuǎn)向系統(tǒng)的路面參數(shù)估計(jì)[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2014,44(2): 292-295.

[40] 李亮,朱宏軍,陳杰,等. 用于汽車穩(wěn)定性控制的路面附著識別算法[J]. 機(jī)械工程學(xué)報(bào), 2014,50(2): 132-138.

[41] Shoutao li Xinglong Pei,Yongxue Ma,et al. A New Road Friction Coefficient Estimation Method Based on SVM [J]. International Conference on Mechatronics and Automation, 2012: 1910-1914.

[42] Jin-oh hahn,R Rajamani. GPS-Based Real-Time Identification of Tire-Road Friction Coefficient[J]. IEEE Transactions on Control Systems Technology, 2002, 10(3): 331-343.

[43] Sanghyun Hong, J. Karl Hedrick. Tire-Road Friction Coefcient Estimation with Vehicle Steering [J]. IEEE Intelligent Vehicles Symposium, 2013, 36(1):1227-1232.

[44] 陳無畏,劉翔宇,黃鶴,等. 車輛轉(zhuǎn)向工況下的路面附著系數(shù)估計(jì)算法[J]. 汽車工程, 2011,33(6): 521-526.

[45] 李明. 線控汽車輪胎側(cè)偏角和路面附著系數(shù)估算算法研究[D]. 長春：吉林大學(xué), 2011.

[46] Choi M, Oh J.J.,Choi-S.B.. Linearized Recursive Least Squares Methods for Real-Time Identification of Tire-Road Friction Coefficient[J]. IEEE Transactions on Vehicular Technology, 2013, 62(7): 2906-2918.

[47] Changsun Ahn,Huei Peng,Tseng H.E.. Robust estimation of road friction coefficient[J].American Control Conference, 2011, 21(1): 3948-3953.

[48] 李虹. 基于機(jī)器視覺路面狀態(tài)識別關(guān)鍵技術(shù)研究[D]. 長春: 吉林大學(xué), 2009.