车速预测方法和装置与流程

本公开涉及测量技术领域，具体地，涉及一种车速预测方法和装置。

背景技术：

随着汽车在人们的日常生活中扮演的角色越来越重要，汽车各方面性能的提高就成了大家十分关注的问题，尤其是汽车在行驶、制动、侧滑等多种场景下车速的预测，预测的车速对实现汽车电子控制是非常重要的状态参数，而目前采用的车速预测方法普遍是根据轮速传感器采集四个车轮轮速，求得四个车轮的加速度值并估计出四个车轮相应的车速，再根据轮加速度值判断是制动工况或驱动工况，依照不同工况选取四个车轮相应车速中的最大值或最小值作为预测值，没有充分利用四个轮速的信息，同时由于车辆在行驶过程中，加速和制动时经常产生滑移、空转、侧滑等滑移率过大的现象，容易导致车速计算的误差较大。

技术实现要素：

本公开的目的是提供一种车速预测方法和装置，用于解决传统测速方法通用性低以及误差较大的问题。

为了实现上述目的，根据本公开实施例的第一方面，提供一种车速预测方法，所述方法包括：获取车辆的n个车轮在当前周期的轮速样本集合，以及所述车辆在所述当前周期的纵向加速度，其中n为正整数；

根据所述当前周期的轮速样本集合和所述当前周期的纵向加速度建立动态预测模型，并根据上一周期获得的用于所述当前周期的误差修正参数对所述动态预测模型进行修正；

根据预设的状态空间模型以及所述轮速样本集合获取状态空间向量；

根据所述状态空间向量以及所述当前周期的纵向加速度，利用修正后的动态预测模型获取所述当前周期的车速预测值；

根据所述当前周期的车速预测值以及之前m个周期获取的车速预测值，与所述当前周期的参考轮轮速实测值以及所述m个周期获取的参考轮轮速实测值，获取误差样本集合；

根据所述误差样本集合获取用于下一周期的误差修正参数，并利用用于下一周期的误差修正参数进行下一周期的计算，其中从所述获取车辆的n个车轮在当前周期的轮速样本集合，以及所述车辆在所述当前周期的纵向加速度至所述根据所述误差样本集合获取用于下一周期的误差修正参数为一个周期。

可选的，所述获取车辆的n个车轮在当前周期的轮速样本集合，以及所述车辆在当前周期的纵向加速度，包括：

获取在预设时长内采集的所述车辆的n个车轮的多个轮速信号；

对所述多个轮速信号进行滤波，得到滤波后多个轮速信号；

根据在所述滤波后多个轮速信号选择满足预设样本条件的轮速信号，得到所述轮速样本集合；

获取通过所述车辆的加速度传感器采集的所述车辆在所述当前周期的纵向加速度实测值，并通过预设的滤波算法对所述当前周期的纵向加速度实测值进行滤波，得到所述当前周期纵向加速度。

可选的，所述根据所述当前周期的轮速样本集合和所述当前周期的纵向加速度建立动态预测模型，包括：

根据所述上一周期的轮速样本集合以及所述上一周期的车速预测值获取所述n个车轮在所述上一周期的轮速与所述上一周期的车速预测值的偏差；

根据所述当前周期的轮速样本集合分别获取所述n个车轮的轮加速度；

根据所述当前周期的轮速样本集合、所述偏差、所述n个车轮的轮加速度以及所述当前周期的纵向加速度建立动态预测模型。

可选的，所述根据所述误差样本集合获取用于下一周期的误差修正参数，包括：

根据所述误差样本集合建立所述当前周期的误差预测模型；

利用所述误差预测模型获取所述用于下一周期的误差修正参数。

可选的，所述根据所述当前周期的车速预测值以及之前m个周期获取的车速预测值，与所述当前周期的参考车速实测值以及所述m个周期获取的参考车速实测值，获取误差样本集合，包括：

分别获取所述当前周期以及所述m个周期中，每个周期的车速预测值与参考轮轮速实测值的误差，得到多个误差；

选择所述多个误差中的部分或者全部误差作为误差样本，得到所述误差样本集合。

可选的，所述动态预测模型包括：

其中，分别表示第k-1周期的左前轮轮速与车速预测值之间的偏差、第k-1周期的左后轮轮速与车速预测值之间的偏差、第k-1周期的右前轮轮速与车速预测值之间的偏差、第k-1周期的右后轮轮速与车速预测值之间的偏差，分别表示第k-1周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，分别表示第k周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，v^k为第k周期的车速预测值，表示第k周期的左前轮轮加速度，表示第k周期的右前轮轮加速度，表示第k周期的左后轮轮加速度，表示第k周期的右后轮轮加速度，ax^k表示第k周期的所述车辆的纵向加速度，δ表示轮加速度与纵向加速度差值的阈值。

可选的，所述状态空间向量是以所述n个车轮的轮速为元素的向量，所述状态空间模型包括：

其中，分别表示第k+1周期与第k周期车辆的任一车轮的轮速值，λ1、λ2表示参数值，且满足λ1+λ2＝1，δ表示相邻两个周期的状态空间向量的偏差阈值。

可选的，所述误差预测模型包括：

xk＝xk-1+vk

其中，xk表示第k周期的误差修正值，表示第k周期的误差修正值的预测值，表示第k周期的误差修正值的估计值，q表示过程噪声协方差，zk表示第k周期的误差实际值，r表示测量噪声协方差，表示第k周期的估计误差协方差，表示第k周期的预测误差协方差，kk表示第k周期的卡尔曼增益，i表示单位矩阵。

可选的，所述滤波算法包括：

其中，分别表示第k周期与第k-1周期的所述车辆的纵向加速度实测值，ax^k表示第k周期的纵向加速度值。

根据本公开实施例的第二方面，提供一种车速预测装置，所述装置包括：获取模块、预测模型建立模块、状态空间向量获取模块、车速预测模块、误差获取模块和修正参数获取模块；

所述获取模块，用于获取车辆的n个车轮在当前周期的轮速样本集合，以及所述车辆在所述当前周期的纵向加速度，其中n为正整数；

所述预测模型建立模块，用于根据所述当前周期的轮速样本集合和所述当前周期的纵向加速度建立动态预测模型，并根据上一周期获得的用于所述当前周期的误差修正参数对所述动态预测模型进行修正；

所述状态空间向量获取模块，用于根据预设的状态空间模型以及所述轮速样本集合获取状态空间向量；

所述车速预测模块，用于根据所述状态空间向量以及所述当前周期的纵向加速度，利用修正后的动态预测模型获取所述当前周期的车速预测值；

所述误差获取模块，用于根据所述当前周期的车速预测值以及之前m个周期获取的车速预测值，与所述当前周期的参考轮轮速实测值以及所述m个周期获取的参考轮轮速实测值，获取误差样本集合，其中m为非负整数；

所述修正参数获取模块，用于根据所述误差样本集合获取用于下一周期的误差修正参数，并利用用于下一周期的误差修正参数进行下一周期的计算，其中从所述获取车辆的n个车轮在当前周期的轮速样本集合，以及所述车辆在所述当前周期的纵向加速度至所述根据所述误差样本集合获取用于下一周期的误差修正参数为一个周期。

可选的，所述获取模块包括：信号采集模块、滤波模块、样本集合获取模块和加速度获取模块；

所述信号采集模块，用于获取采集的所述车辆的n个车轮的多个轮速信号；

所述滤波模块，用于对所述多个轮速信号进行滤波，得到滤波后多个轮速信号；

所述样本集合获取模块，用于根据在所述滤波后多个轮速信号选择满足预设样本条件的轮速信号，得到所述轮速样本集合；

所述加速度获取模块，用于获取通过所述车辆的加速度传感器采集的所述车辆在所述当前周期的纵向加速度实测值，并通过预设的滤波算法对所述当前周期的纵向加速度实测值进行滤波，得到所述当前周期纵向加速度。

可选的，所述预测模型建立模块包括：偏差获取模块、轮加速度获取模块和建模模块；

所述偏差获取模块，用于根据所述上一周期的轮速样本集合以及所述上一周期的车速预测值获取所述n个车轮在所述上一周期的轮速与所述上一周期的车速预测值的偏差；

所述轮加速度获取模块，用于据所述当前周期的轮速样本集合分别获取所述n个车轮的轮加速度；

所述建模模块，用于根据所述当前周期的轮速样本集合、所述偏差、所述n个车轮的轮加速度以及所述当前周期的纵向加速度建立动态预测模型。

可选的，所述修正参数获取模块包括：

误差模型建立模块，用于根据所述误差样本集合建立所述当前周期的误差预测模型；

参数获取模块，用于利用所述误差预测模型获取所述用于下一周期的误差修正参数。

可选的，所述误差获取模块包括：

误差计算模块，用于分别获取所述当前周期以及所述m个周期中，每个周期的车速预测值与参考轮轮速实测值的误差，得到多个误差；

误差样本筛选模块，用于选择所述多个误差中的部分或者全部误差作为误差样本，得到所述误差样本集合。

可选的，所述动态预测模型包括：

其中，分别表示第k-1周期的左前轮轮速与车速预测值之间的偏差、第k-1周期的左后轮轮速与车速预测值之间的偏差、第k-1周期的右前轮轮速与车速预测值之间的偏差、第k-1周期的右后轮轮速与车速预测值之间的偏差，分别表示第k-1周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，分别表示第k周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，v^k为第k周期的车速预测值，表示第k周期的左前轮轮加速度，表示第k周期的右前轮轮加速度，表示第k周期的左后轮轮加速度，表示第k周期的右后轮轮加速度，ax^k表示第k周期的所述车辆的纵向加速度，δ表示轮加速度与纵向加速度差值的阈值。

可选的，所述状态空间向量是以所述n个车轮的轮速为元素的向量，所述状态空间模型包括：

其中，分别表示第k+1周期与第k周期车辆的任一车轮的轮速值，λ1、λ2表示参数值，且满足λ1+λ2＝1，δ表示相邻两个周期的状态空间向量的偏差阈值。

可选的，所述误差预测模型包括：

xk＝xk-1+vk

其中，xk表示第k周期的误差修正值，表示第k周期的误差修正值的预测值，表示第k周期的误差修正值的估计值，q表示过程噪声协方差，zk表示第k周期的误差实际值，r表示测量噪声协方差，表示第k周期的估计误差协方差，表示第k周期的预测误差协方差，kk表示第k周期的卡尔曼增益，i表示单位矩阵。

可选的，所述滤波算法包括：

其中，分别表示第k周期与第k-1周期的所述车辆的纵向加速度实测值，ax^k表示第k周期的纵向加速度值。

通过上述技术方案，综合了全部的车轮的轮速进行建模，可以适用于车辆行驶过程中的各种场景，能够避免现有技术中利用单个车轮的轮速计算车速时容易出现的通用性低、误差较大的问题，因此能够提高通用性，同时，本公开所提供的技术方案能够实时更新用于预测车速的模型，从而能够有效减少制动、侧滑过程中轮速误差带来的干扰，提高预测的准确度，降低误差。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明，应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种车速预测方法的流程图；

图2是根据一示例性实施例示出的另一种车速预测方法的流程图；

图3是根据一示例性实施例示出的又一种车速预测方法的流程图；

图4是根据一示例性实施例示出的又一种车速预测方法的流程图；

图5是根据一示例性实施例示出的又一种车速预测方法的流程图；

图6是根据一示例性实施例示出的一种车辆电子系统结构示意图；

图7是根据一示例性实施例示出的一种车速预测装置的框图；

图8是根据一示例性实施例示出的一种获取模块的框图；

图9是根据一示例性实施例示出的一种预测模型建立模块的框图；

图10是根据一示例性实施例示出的一种修正参数获取模块的框图；

图11是根据一示例性实施例示出的一种误差获取模块的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在对本公开提供的车速预测方法和装置说明前，首先对本公开各个实施例所涉及应用场景进行介绍。该应用场景可以是任意一种车辆，例如汽车，该汽车不限于传统汽车、纯电动汽车或是混动汽车，除此之外还可以适用于其他类型的机动车或非机动车，在本公开各个实施例中，以车辆为汽车为例进行说明。

图1是根据一示例性实施例示出的一种车速预测方法的流程图，如图1所示，该方法包括：

步骤101，获取车辆的n个车轮在当前周期的轮速样本集合，以及车辆在当前周期的纵向加速度，其中n为正整数。

示例的，车辆的n个车轮可以是车辆的全部车轮，以汽车为例，通常汽车设置有4个车轮，因此在本实施例中，n可以为4。

步骤102，根据当前周期的轮速样本集合和当前周期的纵向加速度建立动态预测模型，并根据上一周期获得的用于当前周期的误差修正参数对动态预测模型进行修正。

其中，该动态预测模型的输出为该车辆的车速预测值，故该动态预测模型可以理解为是以上述的n个车轮的轮速以及纵向加速度为变量，以车速预测值为输出的函数模型，并且在该动态预测模型中每个车轮轮速的系数可以根据每个车轮在上一周期的轮速与上一周期车速预测值的偏差来获取。

其中，上一周期获得的用于当前周期的误差修正参数就是指在上一次执行步骤101-106时获得的误差修正参数。

步骤103，根据预设的状态空间模型以及轮速样本集合获取状态空间向量。

其中，状态空间向量是以n个车轮的轮速为元素的向量，以一般车辆的4个车轮为例，状态空间向量中包含了左前轮轮速、左后轮轮速。右前轮轮速和右后轮轮速。由于车辆的运行环境的复杂性，用于采集轮速的处理电路不可避免地将受到外界的强电磁干扰，从而可能造成轮速信号的瞬间失真，因此可以通过预设的状态空间模型对步骤101中获取的轮速样本集合进行处理，通过该状态空间模型能够分别在轮速失真和轮速未失真情况下获得该n个车轮的较为准确的轮速，从而得到该状态空间向量。

因此，该状态空间向量是以该n个车轮的轮速为元素的向量，可以根据下面的公式就可以计算出每个车轮的轮速，从而可以得到该状态空间向量，该状态空间模型可以包括：

其中，分别表示第k+1周期与第k周期车辆的任一车轮的轮速值，λ1、λ2表示参数值，且满足λ1+λ2＝1，δ表示相邻两个周期的状态空间向量的偏差阈值。其中，λ1、λ2的具体取值需可以根据试验标定获得，例如可以根据经验确定λ1＝3/4，λ2＝1/4。

步骤104，根据状态空间向量以及当前周期的纵向加速度，利用修正后的动态预测模型获取当前周期的车速预测值。

步骤105，根据当前周期的车速预测值以及之前m个周期获取的车速预测值，与当前周期的参考轮轮速实测值以及m个周期获取的参考轮轮速实测值，获取误差样本集合，其中m为非负整数。

示例的，m的取值可以根据实际需求来设置，m的值越高，表示误差样本集合中包含的误差样本越多，更有利于提高误差修正参数的准确性，但值得一提的是，数据量太大会导致存储空间过大，占用内存量，且不具有实时性；而误差样本集合中包含的误差样本集合太少，则会导致误差预测值偏差较大，可用性降低，因此m的具体取值可以根据实际需求来确定。

在本公开的各个实施例中，参考轮轮速实测值仅用于对车速预测的修正使用。示例的，参考轮轮速实测值可以为驱动工况时的各个车轮轮速的最大值，制动工况时为各个车轮轮速的最小值，普通转弯和制动转弯时可以参考车辆左右两侧的最大轮速的均值，驱动转弯时可以参考车辆左右两侧的最小轮速的均值。

步骤106，根据误差样本集合获取用于下一周期的误差修正参数。并且，可以利用该用于下一周期的误差修正参数进行下一周期的计算。

其中，从步骤101至步骤106为一个周期。

图2是根据一示例性实施例示出的另一种车速预测方法的流程图，如图2所示，步骤101所述的获取车辆的n个车轮在当前周期的轮速样本集合，以及车辆在当前周期的纵向加速度的步骤可以包括以下步骤：

步骤1011，获取该车辆的n个车轮的多个轮速信号。

步骤1012，对多个轮速信号进行滤波，得到滤波后多个轮速信号。

步骤1013，根据在滤波后多个轮速信号选择满足预设样本条件的轮速信号，得到轮速样本集合。

示例的，可以通过车轮传感器监测车辆行驶过程中每个车轮的轮速，当车轮旋转时，生成与旋转体相位相同的脉冲信号作为轮速信号传递至车辆的电子控制总成。通过该方法电子总成可以接受到全部车轮的多个轮速信号，然后对这些轮速信号进行滤波处理，并从中选择符合样本条件的轮速信号，得到轮速样本集合，该轮速样本集合中包括了车辆的各个车轮的轮速。

步骤1014，获取通过车辆的加速度传感器采集的该车辆在当前周期的纵向加速度实测值，并通过预设的滤波算法对当前周期的纵向加速度实测值进行滤波，得到当前周期纵向加速度。其中，步骤1011至1013，和步骤1014可以是同时执行的。

示例的，该预设算法可以是卡尔曼(kalman)滤波、限幅滤波等，以限幅滤波为例，该滤波算法可以包括：

其中，分别表示第k周期与第k-1周期的车辆的纵向加速度实测值，ax^k表示第k周期的纵向加速度值，δ0表示相邻两个周期的纵向加速度差值的阈值。即可以理解为，由于车辆的运行环境的复杂性，用于采集轮速的处理电路不可避免地将受到外界的强电磁干扰，从而可能造成轮速信号的瞬间失真，因此在得到当前周期的纵向加速度实测值后，需要判断是否要对当前周期的纵向加速度实测值进行修正，其判断可以依据当前周期的纵向加速度实测值与上一周期的纵向加速度实测值的差值是否小于阈值δ0，当该差值小于阈值δ0时，说明当前周期的纵向加速度实测值没有失真，可以直接作为当前周期的车辆的纵向加速度，当该差值大于阈值δ0时，可以认为当前周期的纵向加速度实测值失真，则需要通过上述的滤波算法进行修正。

图3是根据一示例性实施例示出的又一种车速预测方法的流程图，如图3所示，步骤102所述的根据当前周期的轮速样本集合和当前周期的纵向加速度建立动态预测模型可以包括以下步骤：

步骤1021，根据上一周期的轮速样本集合以及上一周期的车速预测值获取n个车轮在上一周期的轮速与上一周期的车速预测值的偏差。

步骤1022，根据当前周期的轮速样本集合分别获取n个车轮的轮加速度。

步骤1023，根据当前周期的轮速样本集合、n个车轮在上一周期的轮速与上一周期的车速预测值的偏差、n个车轮的轮加速度以及当前周期的纵向加速度建立动态预测模型。

其中，该动态预测模型可以理解为是以上述的n个车轮的轮速以及纵向加速度为变量，以车速预测值为输出的函数模型，并且在该动态预测模型中每个车轮轮速的系数可以根据每个车轮在上一周期的轮速与上一周期车速预测值的偏差获取的。

示例的，以4个车轮的汽车为例，该动态预测模型可以表示为：

其中，分别表示第k-1周期的左前轮轮速与车速预测值之间的偏差、第k-1周期的左后轮轮速与车速预测值之间的偏差、第k-1周期的右前轮轮速与车速预测值之间的偏差、第k-1周期的右后轮轮速与车速预测值之间的偏差，分别表示第k-1周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，分别表示第k周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，v^k为第k周期的车速预测值，表示第k周期的左前轮轮加速度，表示第k周期的右前轮轮加速度，表示第k周期的左后轮轮加速度，表示第k周期的右后轮轮加速度，ax^k表示第k周期的车辆的纵向加速度，δ表示轮加速度与纵向加速度差值的阈值。

可以理解的是，在上述的动态预测模型所提供的5个用于车速预测的公式中，具体采用哪个进行车速预测，可以根据4车轮的轮加速度分别与纵向加速度的差值，以及上述动态预测模型中所示的判断条件来确定。

可选的，图4是根据一示例性实施例示出的又一种车速预测方法的流程图，如图4所示，步骤105所述的根据当前周期的车速预测值以及之前m个周期获取的车速预测值，与当前周期的参考车速实测值以及m个周期获取的参考车速实测值，获取误差样本集合可以包括以下步骤：

步骤1051，分别获取当前周期以及m个周期中，每个周期的车速预测值与参考轮轮速实测值的误差，得到多个误差。

即获取当前周期的车速预测值与当前周期的参考轮轮速实测值之间的误差，上一周期的车速预测值与上一周期的参考轮轮速实测值，以此类推，直至获取当前周期之前的第m个周期的误差，从而得到多个误差。

步骤1052，选择多个误差中的部分或者全部误差作为误差样本，得到误差样本集合。

可选的，图5是根据一示例性实施例示出的又一种车速预测方法的流程图，如图5所示，步骤106所述的根据误差样本集合获取用于下一周期的误差修正参数，并利用用于下一周期的误差修正参数进行下一周期的计算可以以下步骤包括：

步骤1061，根据误差样本集合建立当前周期的误差预测模型。

根据误差样本集合建立当前周期的误差预测模型可以理解为根据误差样本集合中的多个误差来拟合当前周期的误差预测模型。值得一提的是，由于在每个周期都要获取当前周期以及前m个周期中，每个周期的车速预测值与参考轮轮速实测值的误差，因此在每个周期得到误差样本集合中的元素都在更新(可以理解为加入当前周期的误差，并移除之前m个周期中时间最早的一个周期的误差)，因此能够使误差预测模型也在保持实时更新。

步骤1062，利用误差预测模型获取用于下一周期的误差修正参数。

示例的，根据误差样本集合建立误差预测模型可以通过插值、拟合、卡尔曼算法、龙贝格观测器等方法，这里以卡尔曼算法为例，该误差预测模型可以包括：

xk＝xk-1+vk

其中，xk表示第k周期的误差修正值，表示第k周期的误差修正值的预测值，表示第k周期的误差修正值的估计值，q表示过程噪声协方差，zk表示第k周期的误差实际值，r表示测量噪声协方差，表示第k周期的估计误差协方差，表示第k周期的预测误差协方差，kk表示第k周期的卡尔曼增益，i表示单位矩阵。

以待预测车速的车辆为四轮车辆为例时上述的方法进行举例说明，图6是根据一示例性实施例示出的一种车辆电子系统结构示意图，如图6所示，该车辆的电子控制系统包括：电子控制总成和液压总成，该电子控制总成包括计算单元、控制单元和监视单元等，液压总成主缸连接，制动踏板连接主缸，该液压总成中的电磁阀受该控制单元控制，该系统还包括加速度传感器，以及分别为四个车轮设置的轮速传感器。从步骤101至步骤106为一个周期t(即完成步骤101至步骤106所需要的时间)。

可以通过轮速传感器采集汽车四个车轮的轮速信号，并将四个车轮的轮速信号进行滤波处理，该滤波算法可以是算术平均滤波、一阶滞后滤波或限幅滤波，可以有效去除干扰。设定一个样本条件对滤波后的轮速信号进行筛选，得到轮速样本集合{ωn}。其中样本条件的获取，例如可以根据汽车日常行驶中获得的大量经验数据，选取一个固定的门限值，或者一个可移动的取值窗口。同时，通过加速度传感器采集的车辆的纵向加速度，获取车辆的纵向加速度的方法可以如上述的步骤1014所示。而后计算单元可以由得到轮速样本集合{ωn}和纵向加速度建立动态预测模型，其建立过程如步骤1023所示，该动态预测模型的输出是对车辆在当前的第k周期(表示为tk)的行驶速度yk的车速预测值，其中k、n是正整数，k的起始值为1，i小于n。而后可以根据上一周期，即第k-1周期(表示为tk-1)得到的误差修正参数对该动态预测模型进行修正，并将得到的状态空间向量，以及纵向加速度作为该修正后的动态预测模型的输入，从而可以计算出当期周期tk的车速预测值yk。其中，当k为1时，即第一个周期时，由于没有上一周期，因此上一周期的误差修正参数为0，相应的动态预测模型也没有更新。然后，可以根据获取当前周期tk以及之前k-1个周期中的每个周期的动态预测模型输出的车速预测值与参考轮轮速实测值的误差，从而得到k个误差，并选择这k个误差中的部分或者全部误差作为误差样本，从而得到误差样本集合。从而可以根据误差样本集合建立当前周期tk的误差预测模型，并利用误差预测模型获取用于下一周期，即第k+1周期(表示为tk+1)的误差修正参数，该参数误差修正参数可以用于下一周期tk+1的步骤101至步骤106，即根据用于下一周期tk+1的误差修正参数，在下一次执行步骤101至步骤106时修正动态预测模型，从而利用修正后的动态预测模型获取下一周期tk+1的车速预测值yk+1。可见，通过不断的循环执行步骤101至106，即可实时的获取车辆当前的车速预测值，并且通过每个周期对动态预测模型的修正，可以使得车速预测值越来越精确。

其中，车速预测值可以反馈给车辆的电子控制模块，可以为车辆的驱动、制动、转弯以及电子稳定性控制提供可靠的参考信息。

综上所述，本公开综合了全部的车轮的轮速进行建模，可以适用于车辆行驶过程中的各种场景，能够避免现有技术中利用单个车轮的轮速计算车速时容易出现的通用性低、误差较大的问题，因此能够提高通用性，同时，本公开所提供的技术方案能够实时更新用于预测车速的模型，从而能够有效减少制动、侧滑过程中轮速误差带来的干扰，提高预测的准确度，降低误差。

图7是根据一示例性实施例示出的一种车速预测装置的框图，如图7所示，该装置包括：获取模块401、预测模型建立模块402、状态空间向量获取模块403、车速预测模块404、误差获取模块405和修正参数获取模块406；

获取模块401，用于获取车辆的n个车轮在当前周期的轮速样本集合，以及车辆在当前周期的纵向加速度，其中n为正整数。

预测模型建立模块402，用于根据当前周期的轮速样本集合和当前周期的纵向加速度建立动态预测模型，并根据上一周期获得的用于当前周期的误差修正参数对动态预测模型进行修正。

状态空间向量获取模块403，用于根据预设的状态空间模型以及轮速样本集合获取状态空间向量。

车速预测模块404，用于根据状态空间向量以及当前周期的纵向加速度，利用修正后的动态预测模型获取当前周期的车速预测值。

误差获取模块405，用于根据当前周期的车速预测值以及之前m个周期获取的车速预测值，与当前周期的参考轮轮速实测值以及m个周期获取的参考轮轮速实测值，获取误差样本集合，其中m为非负整数。

修正参数获取模块406，用于根据误差样本集合获取用于下一周期的误差修正参数，并利用用于下一周期的误差修正参数进行下一周期的计算，其中从获取车辆的n个车轮在当前周期的轮速样本集合，以及车辆在当前周期的纵向加速度至根据误差样本集合获取用于下一周期的误差修正参数为一个周期。

可选的，图8是根据一示例性实施例示出的一种获取模块的框图，如图8所示，获取模块401可以包括：

信号采集模块4011，用于获取车辆的n个车轮的多个轮速信号。

滤波模块4012，用于对多个轮速信号进行滤波，得到滤波后多个轮速信号。

样本集合获取模块4013，用于根据在滤波后多个轮速信号选择满足预设样本条件的轮速信号，得到轮速样本集合。

加速度获取模块4014，用于获取通过车辆的加速度传感器采集的车辆在当前周期的纵向加速度实测值，并通过预设的滤波算法对当前周期的纵向加速度实测值进行滤波，得到当前周期纵向加速度。

可选的，图9是根据一示例性实施例示出的一种预测模型建立模块的框图，如图9所示，预测模型建立模块402可以包括：偏差获取模块4021、轮加速度获取模块4022和建模模块4023。

偏差获取模块4021，用于根据上一周期的轮速样本集合以及上一周期的车速预测值获取n个车轮在上一周期的轮速与上一周期的车速预测值的偏差；

轮加速度获取模块4022，用于据当前周期的轮速样本集合分别获取n个车轮的轮加速度；

建模模块4023，用于根据当前周期的轮速样本集合、该偏差、n个车轮的轮加速度以及当前周期的纵向加速度建立动态预测模型。

可选的，图10是根据一示例性实施例示出的一种修正参数获取模块的框图，如图10所示，修正参数获取模块406可以包括：

误差模型建立模块4061，用于根据误差样本集合建立当前周期的误差预测模型。

参数获取模块4062，用于利用误差预测模型获取用于下一周期的误差修正参数。

可选的，图11是根据一示例性实施例示出的一种误差获取模块的框图，如图11所示，误差获取模块405可以包括：

误差计算模块4051，用于分别获取当前周期以及m个周期中，每个周期的车速预测值与参考轮轮速实测值的误差，得到多个误差。

误差样本筛选模块4052，用于选择多个误差中的部分或者全部误差作为误差样本，得到误差样本集合。

可选的，该动态预测模型可以包括：

其中，分别表示第k-1周期的左前轮轮速与车速预测值之间的偏差、第k-1周期的左后轮轮速与车速预测值之间的偏差、第k-1周期的右前轮轮速与车速预测值之间的偏差、第k-1周期的右后轮轮速与车速预测值之间的偏差，分别表示第k-1周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，分别表示第k周期的左前轮轮速、右前轮轮速、左后轮轮速、右后轮轮速，v^k为第k周期的车速预测值，表示第k周期的左前轮轮加速度，表示第k周期的右前轮轮加速度，表示第k周期的左后轮轮加速度，表示第k周期的右后轮轮加速度，ax^k表示第k周期的车辆的纵向加速度，δ表示轮加速度与纵向加速度差值的阈值。

可选的，该状态空间向量是以n个车轮的轮速为元素的向量，该状态空间模型可以包括：

其中，分别表示第k+1周期与第k周期车辆的任一车轮的轮速值，λ1、λ2表示参数值，且满足λ1+λ2＝1，δ表示相邻两个周期的状态空间向量的偏差阈值。

可选的，该误差预测模型可以包括：

xk＝xk-1+vk

其中，xk表示第k周期的误差修正值，表示第k周期的误差修正值的预测值，表示第k周期的误差修正值的估计值，q表示过程噪声协方差，zk表示第k周期的误差实际值，r表示测量噪声协方差，表示第k周期的估计误差协方差，表示第k周期的预测误差协方差，kk表示第k周期的卡尔曼增益，i表示单位矩阵。

可选的，该用于获取车辆加速度的滤波算法可以包括：

其中，分别表示第k周期与第k-1周期的车辆的纵向加速度实测值，ax^k表示第k周期的纵向加速度值。

其中，上述各个模块所实现功能的具体说明已经在上述方法实施例中进行了详细描述，此处不再赘述。

综上所述，本公开能够避免现有技术中没有充分利用四个轮速的信息，通用性低、误差较大的问题，因此能够提高通用性，同时，本公开所提供的技术方案能够实时更新预测车速的模型，从而能够有效减少制动、侧滑过程中轮速误差带来的干扰，提高预测的准确度，降低误差。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开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，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。本公开的范围仅由所附的权利要求来限制。