CN107406079A - 用于预测车辆的天气性能的系统和方法 - Google Patents

Abstract

用于获取关于单个车辆的道路状况的数据的系统和方法，使用这一信息构建作为其环境的函数的车辆行为模型，并且汇总关于多个车辆的信息以及来自其他来源的数据，以便预测未来环境中的车辆行为。

Description

用于预测车辆的天气性能的系统和方法

交叉引用

本国际申请要求于2014年10月16日提交的题为“SYSTEMS AND METHODS FORPREDICTING WEATHER PERFORMANCE FOR A VEHICLE”的同时待决的美国专利申请No.14/516,309的优先权，其全部内容通过引用整体并入，等同于在本文中进行阐述。

技术领域

本发明涉及一种系统，其包括能够收集关于车辆-地面界面的环境的信息的一组传感器，以及使用该信息来提高车辆安全性的方法。

背景技术

环境状况对车辆行为有显著的影响。最常见的是，车辆停止能力在诸如雪或冰的恶劣天气中下降。这种下降意味着驾驶员行为应该理想地适应于即时的道路状况，还意味着在某些情况下，驾驶员应该完全避开被认为太危险的区域，例如那些具有“黑冰”的区域。

道路状况通常可以根据已知的天气状况来估计。然而，天气状况和道路温度两者在短距离内可能变化很大，使得一般性的地区天气预报不足以为具体地区中的车辆提供具体的驾驶建议。因此，更加细化的天气数据，特别是道路状况数据，将有助于提高驾驶员的安全性。

停止距离和通常的车辆安全性也在很大程度上取决于被驾驶的特定车辆。车辆停止距离可能会根据车辆型号、车辆重量、刹车质量和轮胎胎面状况而有所不同。因此，在限定的道路位置中，具有不同特性的两个车辆会经历显著不同的停止距离。因而，对天气或道路状况本身的了解并不足以确保驾驶员安全性。

车辆与道路在给定时刻的相互作用是现有的防锁定制动系统(ABS)的输入。在这种系统中，测量一个或多个车轮的切向加速度，并与车辆的加速度速率进行比较。由于轮胎的质量小于车辆，因此可以比车辆更快地减速，因此轮胎能够“锁定”在不旋转的状态。这种锁定是不期望的，这是因为轮胎在其锁定状态下的摩擦系数基本上低于该轮胎的最佳摩擦系数。

ABS使用闭环控制过程来优化轮胎中的旋转量，从而优化摩擦系数。在ABS中，如果检测到锁定(或更通常地，滑移)，则自动松弛施加到制动器的力的量，以允许轮胎再次旋转。一旦感测到旋转，则重新建立制动。理想地，该系统用作使得在制动期间保持最佳的摩擦系数(对应于最佳的轮胎滑移量)。

虽然上述闭环系统可以在紧急情况下对车辆制动提供良好的控制，但不能对未来的车辆安全性能进行预测，也不能评估其相对基准线的性能。虽然ABS确保了特定紧急情况下的“最佳”制动，但是无法分析这种“最佳”是否足够好–其在其他情况下是否代表令人满意的安全性能水平。

因此，虽然可以在恶劣天气期间为一般车辆提供一般建议，并且可以在发生失控后优化具体车辆的安全性，但是，目前尚不可以向车辆提供关于其在特定的天气状况和/或即将出现的道路状况下可运行的良好程度的针对性建议。

发明内容

本发明涉及包括传感器和传感器系统的系统、以及用于分析来自这些传感器的数据的方法，以便在不同的环境状况下测量轮胎/道路界面的特性，并向驾驶员、车队管理员、交通管理员、安全服务、导航和/或自动驾驶车辆系统、模型、服务、以及使用天气信息和预测的其他有关方面提供信息、指导和预测。

本发明的一个方面是多个传感器、信息源(包括数据库)以及模型的融合，以创建或提供仅通过各个传感器不可获得的信息。实际上，许多传感器实际上通过传感器融合实现——例如，使用多于一个GPS传感器的输出来实现差分GPS。如果传感器不方便同地(co-located)，则(多个)通信系统成为传感器融合的组成部分。在许多传感器融合应用中，处理能力和建模也是传感器融合的组成部分。(多个)模型中使用的数据——即来自数据库的数据——本质上可成为被融合的另一传感器。这里的示例将是与GPS信息融合的地理信息系统(GIS)的街道地图数据库，以在正在移动的汽车位置的智能手机上显示实时位置地图。

在一个实施例中，在传输之前完成传感器融合，以减少有限带宽的使用，并降低与使用昂贵带宽(例如单元连接)相关的成本。在另一实施例中，模型驻留在传感器或中枢处理器上，以降低传输的成本或带宽，并且可以使用OTA更新这些模型。

在一些实施例中，本发明包括惯性测量传感器，其包括附加到车辆的(多个)加速度计、(多个)陀螺仪和/或(多个)磁力仪，以测量车辆的运动。在一些实施例中，这些惯性测量传感器直接附加到车辆的一个或多个车轮，以测量其切向运动、速度和/或加速度。一个或多个这样的传感器可以被附加到车辆的非旋转构件(例如保险杠)，以测量其线性和角度运动和/或位置。在一些实施例中，传感器被附加在车轮的凸耳螺母上，以在该位置采集切向加速度。在其他实施例中，一个或多个传感器被附加到轮胎压力监测系统(TPMS)，或者固定在轮胎或轴的内部或外部。

在本发明的一个方面，传感器数据用于在某些情况下计算车辆的摩擦系数和滑移率。例如，将车轮旋转加速度和/或速度与线性车辆加速度和/或速度进行比较，并计算两者之间的差异，以便提供摩擦系数和/或滑移率的估计。可以使用多个这样的测量来形成摩擦系数相对于滑移率的曲线、方程和/或表格。同样地，可以针对不同的环境状况和/或道路状况生成这样的曲线、等式和/或表格。在另一示例中，计算制动状态期间的车辆的速度和/或加速度的变化，以便提供摩擦系数的估计。在一些实施例中，通过使用GPS来确定发生制动经历的已知距离、以及确定制动总时间的测量结果而确定发生制动经历的时间，从而测量该变化率。在一些实施例中，测量具有已知几何形状的道路上的车轮旋转方向和车辆速度，以便估计车辆的重量。在一些实施例中，使用诸如雷达、激光雷达、声纳、或(例如3D的)计算机视觉的传感器测量/估计与其他物体的距离，其可以与停止距离信息组合以提供安全信息。在一些实施例中，使用计算机视觉来确定能见度、天气状况(例如，雨夹冰雹或黑冰)、道路状况(例如，坑洼和弯曲)、以及路边危险和问题(例如脱落的半牵引拖车的轮胎、死亡动物等)。在其他实施例中，测量轮胎压力，以估计车辆的轮胎半径和/或与地面的接触面。

在本发明的另一方面，车辆的摩擦系数和滑移率的分布型(分布型)、以及摩擦系数(COF)相对于滑移率的曲线在不同的道路环境中随时间被编译。在一个实施例中，这些分布型被标记有关于地理位置的信息和/或被标记有关于时间的信息。在一个实施例中，这些分布型被标记关于环境状况的信息。这样的环境状况可以从以下机构提供的信息识别：国家气象局或国家大气研究中心(NCAR)的Pikalert系统、道路天气信息系统(RWIS)、气象终端航空常规天气报告(METAR)或终端机场预报(TAF)、UCAR的位置数据管理器(LDM)、等等。在另一实施例中，环境状况至少部分地通过车辆上或附近的(多个)传感器在进行关于摩擦系数和滑移率的测量时得出。在一个实施例中，使用安装在车辆上的雨量计(例如在前风挡上)来测量本地降水量。在这样的实施例中，降水类型(例如，雨、雪)由降水传感器直接测量，或从传感器测量的组合推测得出。在一个实施例中，本地道路温度和状况由安装在车辆上的红外摄像机(例如在车辆保险杠上)监测。同样地，光或相机传感器可用于检测/测量云量。另外，运动传感器可用于检测/测量风速和阵风。

在一个实施例中，使用无线通信协议将这些传感器中的至少一个与中枢装置通信。在一个实施例中，该无线通信协议是蓝牙或低功耗蓝牙。在一个实施例中，该无线通信使用除了常规电磁辐射之外的技术，例如磁或声通信。在一个实施例中，该中枢装置是手机。在一个实施例中，该手机具有一个或多个适用的传感器，例如惯性测量单元。在一个实施例中，该中枢连接到汽车的车载诊断(OBD)系统、从OBD抽取电力和/或测量。在一个实施例中，该中枢是能够利用系统功能的许多应用程序的装置(例如，Android装置)。

在本发明的又一方面中，基于车辆的过去的COF性能预测未来的环境状况和/或未来的道路状况中车辆的COF、或COF相对于滑移率的曲线。在一个实施例中，基于车辆的预期的行驶路径来选择未来的环境状况。在一个实施例中，未来的环境状况表示车辆即将进入的位置的环境状况。在一个实施例中，未来的环境状况包括基于当前的环境状况和预测环境变化的模型的组合来预测该位置的环境状态。在一个实施例中，未来的环境状况至少部分地来自国家气象局的报告。在一个实施例中，未来的环境状况至少部分地来自通过固定传感器在该位置采集的环境数据。在一个实施例中，未来的环境状况至少部分地来自通过移动传感器在该位置采集的环境数据。在一个实施例中，移动传感器固定到其他车辆。在另一实施例中，未来的道路状况至少部分地来自通过移动传感器采集的道路状况信息。在一个特定实施例中，向车辆提供车辆的行驶路径的未来的或即将到来的摩擦系数信息和/或环境信息。该即将到来的路面信息可以与车辆的存储的分布型信息一起使用，以确定车辆的特定的安全信息和/或生成警告输出。

在本发明的又一方面中，未来的COF通过以下方式获得：将先前测得的COF值和/或曲线与类似于未来的环境的环境匹配，并选择最匹配该环境的COF值。在一个实施例中，未来的COF通过以下方式获得：首先为特定车辆构建作为环境状况的函数的COF的模型，然后从该模型推测，以预测对于这些未来的环境状况的COF。在本发明的一个实施例中，来自一个或多个传感器、车辆等的数据被存储在计算机数据库中。在另一实施例中，使用大数据(数据分析/预测分析)方法和/或控制理论方法(例如系统识别)来构建模型。

在本发明的其他方面中，编译多个车辆的COF以及COF相对于滑移率的数据，以形成COF数据的库。在一个实施例中，来自该库中的多个车辆的数据被组合，以在这些车辆的共用的特定位置形成道路状况评估的至少一个要素。在一个实施例中，第一辆车辆的未来的COF是基于数学模型预测的，该数学模型包括的数据来自该第一车辆以外的车辆。

在本发明的又一方面中，车辆的驾驶员、拥有人、保险人或其他有关方面被提醒未来时间的较差安全性能的可能性。在一个实施例中，如果车辆的未来的路径被预计为将车辆引导至预测的COF低于阈值水平的位置，则通知有关方面。在另一实施例中，如果预计在车辆位置共用的天气状况下的COF低于阈值，则通知有关方面。这些警报可以以任何适当的方式输出至车辆的驾驶员和/或车辆系统(例如牵引力控制)。

附图说明

图1示出了COF和滑移率之间的关系。

图2示出了施加到在倾斜平面上滑移的块体的力的示意图。

图3示出了具有根据本发明的实施例形成的传感器的车辆的透视图。

图4示出了根据本发明的各种实施例形成的通信和处理系统的框图。

图5示出了根据本发明的一个实施例形成的凸耳螺母传感器的分解图。

图6示出了在轮胎压力测量系统处或附近的根据本发明的一个实施例形成的车轮安装传感器的分解图。

图7示出了根据本发明的一个实施例形成的保险杠传感器套件的分解图。

图8示出了根据本发明的一个实施例形成的风挡传感器的分解图。

图9示出了从传感器数据形成COF/滑移分布型的示范性系统。

图10示出了从传感器数据估计当前环境状况的示范性系统。

图11示出了如果预期车辆可能遇到危险环境，则向车辆的有关方面进行通知的示范性系统。

图12示出了将多个车辆输出和/或分布型组合成库的示范性系统，所述库可以用于预测未来环境中的车辆性能。

图13示出了对于不同的环境状况/道路状况的车辆的示范性COF/滑移图形。

图14示出了具有行驶路径的不同路段的路面信息的车辆的行驶路径。

图15示出了图14的行驶路径的替代建议路线。

图16示出了用于在车辆处生成安全性输出的过程。

图17示出了用于收集和分发路面信息的过程。

具体实施方式

本发明提出了新颖且意想不到的方法，通过对特定车辆在将来时间中的摩擦系数、滑移率和/或停止距离进行预测，来改善车辆安全性。本发明包括(多个)传感器和部件，其执行分析技术来定制对特定车辆的预测，以便优化信息的效用。

一般来说，本发明的多个方面使用“信息融合(fusion)”技术形成新的信息。信息融合的定义由国际信息融合学会提供：“信息融合是研究将来自不同的源和不同时间点的信息自动或半自动地转换为向人类或自动决策提供有效的支持的表示的有效方法”。这些不同的源可以包括来自包括传感器、外部数据源、数学模型、算法等类别中的至少两个元素，以及这些元素的组合，这些元素可以在这些说明中被概括地描述为传感器。

信息融合可以用来组合来自多个源的测量/数据(和信息)——通常与模型配合，以使得允许人员访问信息，并使用不存在于来自一个源的任何原始测量/数据中的传感器融合和/或信息融合对数量和质量进行预测。在这种情景下，模型表示物理系统的数学表示，其中，例如，可以基于来自其他特性的输入值来估计或预测一个特性的物理值，并且，模型包括广泛的技术，例如第一性原理动态模型、统计学模型、系统识别、神经网络和深度学习系统。通过这种过程生成的数据可以被广泛地称为“融合数据”，并且可以直接使用，或用作另一模型的输入。

该分析可以产生对于不由传感器直接测量的系统特性的估计。此外，人员可以将具有类似数量的两个测量融合为改进的信息，例如使用两个测量(一个准确但不精确，一个精确但不准确)融合为更加准确且更加精确的数量估计。

应用于车辆传感器/信息融合和/或安全性的传感器和信息源包括：通过网络连接到车载诊断(OBD)的车辆传感器、仪表板相机(包括二维、三维和阵列相机、后视/备用和/或360度视觉相机、以及面向驾驶员和乘客的相机)、光谱传感器系统、能见度传感器(例如，消光系数反向散射传感器或集成的浊度计)、诸如磁环、微型雷达、温度计、以及磁阻有线和无线传感器(其可以嵌入或不嵌入在路面中)的传感器、收费传感器(包括RFID、DSRC和其他技术)、雨滴谱仪、微粒计数器、云高计、照明传感器、线性光学阵列、接近度检测器、磁性位置传感器、气体传感器、颜色传感器、红外高温计(特别是线性阵列)和相机(例如温度传感器)、RFID和其他位置标签、诸如雷达、汽车前后距离传感器、路面传感器光学和光谱分析传感器的盲点传感器、电池“燃料计”、红外高温计、定位技术(例如GPS、伽利略和格洛纳斯，以及例如GNSS的集成系统)、用于降水类型和数量的传感器、刮水器传感器、辐照度和UV/IR传感器(可用于天气测量，并可以用作估计可用的光伏能量的仪器)、云传感器、路边积雪传感器、计算机视觉(例如感测车道标记、其他车辆和路边交通标志)、雷电传感器、大气压力、颗粒物数量、污染和化学传感器、声波传感器和麦克风(例如，用于创建道路和轮胎噪声声谱和/或进行声音的FFT分析的传感器，适用于感测路面类型、路面状况和降雨-轮胎相互作用的目的)、测距传感器(例如前后车辆的距离)、微机电传感器、等等。传感器也可以是来自车辆和车辆管理系统的信息的形式，例如交通堵塞自动驾驶、自动泊车、停车位管理以及具有关于车辆的多层数据集的GIS系统、条件、天气、预测分析等等。传感器可以是经由蜂窝、WiFi、蓝牙等连接到互联网的智能手机和/或车载传感器组的输出。智能手机本身是优秀的信息融合装置，其包含越来越多的传感器和通信方法，以及不断增长的处理能力、和经由互联网的对算法和数据库的访问。

根据需要，这些传感器可以是连接在车辆、基础设施、或人员上的传感器，可以是连接技术(例如智能手机、智能手表、个人电脑、车载仪表)的一部分，可以是安全系统(例如国家气象局警告系统、警察和消防响应、交通事故报告和车道关闭警告、通用汽车OnStar系统、等等)的一部分。传感器也可以是人群源信息、数据库信息，广播等形式。

传感器、信息数据库、模型、处理能力(包括云技术)和信息融合的其他元素现在经常是分布式的，因此这些元素之间的通信可能是至关重要的。蜂窝通信已经成为无处不在的通信方式，并且已经很好地集成在车载应用中——标准包括GSM(全球移动通信系统)，移动通信的事实上的全球标准随着时间推移而扩展到包括数据通信。其他标准包括第三代(3G)UMTS标准和第四代(4G)LTE先进标准。适用于本发明的其他通信方法包括：卫星互联网和电话、蓝牙和低功耗蓝牙、wifi、使用受管制和不受管制频率(如ISM)、空白(whitespace)、DSRC(专用短程通信)，其包括但不限于车辆到车辆(包括自组网络，其用于传递例如制动、转向、GPS位置和速度等信息以用于避让、或在本文的情况下用于COF-滑移)和车辆到基础设施(例如，交通信号和标志)、广播、中继器、VHS(例如飞机频带)、红外、扩展频谱、移动自组网络(MANET)和网状网络、公共信息系统，例如5-1-1电话车载信息系统(道路天气信息、以及交通运输信息电话热线)和国家气象局紧急广播系统、以及警察、消防、救护车、救援频带和系统。该一罗列(以及本说明书中的其他罗列)被认为是说明性的，而不是限制性的。

在一个实施例中，模型的输入采用特定测量结果(例如数值)的形式。模型的输入也可以采用两个变量之间的关系(其一起限定曲线)的形式。示例的数值是车辆瞬时测量的车轮滑移率。示例的曲线是特定环境状况下的车轮滑移率和COF之间的关系曲线。曲线包括测量的数据和/或从模型推测的数据。

在一个实施例中，模型的输入采用更复杂的“分布型(profile)”的形式，其包括与给定车辆相关联的数据的阵列。本发明中的示例性分布型是在多种不同的环境状况下对于单个车辆的COF相对于滑移率的曲线的阵列。在一个实施例中，分布型包括测量的数据以及从模型推测的数据。在一个实施例中，该(多个)分布型存储在车辆的存储器单元中。在另一实施例中，该(多个)分布型与车辆远程地存储，且可经由通信模块由车辆和/或类似的车辆访问。在后一方面，尚未计算(多个)分布型或不具有足够的传感器来计算这样的(多个)分布型的车辆可以访问相关的分布型信息。

在一个实施例中，模型的输入采用“库(library)”的形式。库包括多个分布型的集合。例如，这样的库可以包括来自已经通过特定位置的所有车辆的COF数据，和/或包括来自类似的车辆、具有类似的轮胎或类似的车龄的车辆等的集合的COF数据。库用于通过与其他类似车辆进行比较，来推断特定车辆的预期特性。库包括测量的数据以及从模型推测的数据。

来自模型的输出被称为“预测”，并且表示并非由传感器直接测量的变量的当前或未来的状态的估计。来自模型的示例性预测是在特定时刻的、在车辆的精确区域之外的区域中的环境状况下的车辆的最大COF。本发明中的“车辆”可以指一种或多种常用的运输系统，包括汽车、自主驾驶汽车或无人机、卡车等。

车辆的安全性的一个度量是车辆停止距离。停止距离由车辆速度、车辆质量和车辆与道路之间的摩擦系数等若干因素决定。虽然车辆质量可以由驾驶员合理地估计，速度可以由速度计不断地测量，但摩擦系数通常不为驾驶员所知，因为其没有被车辆系统测量或报告。摩擦系数代表车辆安全中最重要的不受控制的变量。更糟糕的是，摩擦系数可能在道路上突然变化，例如当车辆从干燥的道路移动到水坑时，或者从雪堆移动到黑冰时。因此，道路安全性通过摩擦系数而被最佳地量化，并且测量和预测摩擦系数的手段产生有价值的安全性改进。

轮胎/道路界面的摩擦系数作为车轮的“滑移率(slip ratio)”的函数而变化，其中，滑移率为“零”表示自由滚动的轮胎，滑移率为“一”表示完全锁定的轮胎。在不受理论的约束的情况下，据信轮胎和道路之间的摩擦系数在特定滑移率下具有最大值。图1示出了摩擦系数和滑移率之间的典型关系。这样的关系被称为特定的道路状况的“COF曲线”。防锁定制动器试图在主动制动期间将COF保持为尽可能接近该曲线的最大值。锁定的车轮的COF显著地低于最大可实现的COF，因此如果可能的话应该避免。该曲线的确切细节(包括COF最大值)取决于轮胎的具体情况、车辆速度、以及道路的环境状况(例如，干净干燥的沥青、土路、混凝土上的积雪、等等)。

在一个实施例中，本发明形成与特定车辆相关联的COF值的一个或多个分布型以及COF曲线。例如，参见图13。通过在至少两个环境状态下使用至少一个传感器测量COF和/或滑移率来创建分布型，并将COF和/或滑移率的值存储在数据库中。这种分布型可以与关于环境的描述性信息一起存储。描述性信息可以包括时间、位置(例如，由GPS确定)、其他传感器信息、本地天气状况等。描述性信息还可以包括指向其他信息集的指针，诸如天气数据库，其不是本地包括在数据库中。另外，这样的分布型可以定期地更新。这允许改变随着车辆的状态的改变而改变车辆特定的分布型。这可以允许例如随着车辆轮胎的磨损而改变分布型。

轮胎接触路面的位置的切向速度与其所附接的车辆的速度的瞬时比率被定义为“滑移率”。当以适度的方式进行制动(或加速)时，轮胎接触路面的位置的切向速度稍微慢于(或快于)车辆相对于道路本身的相对速度，从而轮胎发生“滑移”。

车辆安全系统最关心滑移摩擦系数，这将决定车辆在给定质量和速度下的制动距离。滑移(动力学)COF被定义为μ_k＝F_f/N，其中，F_f是车辆和地面之间的摩擦力，N是将车辆和地面推在一起的法向力(重力)，μ_k是COF。对于沿着平面滑移的块体(如图2所示)，公式在概念上是相同的。非常光滑的表面将具有μ_k<<1，因为摩擦力非常低。高质量沥青道路上的轮胎将具有大约0.85的最大COF。

当车辆在平坦(非倾斜)表面上时，力N＝mg，其中m是质量且g是重力加速度。在本发明的一些实施例中，g＝9.81m/s，且在本发明的一些实施例中，可以基于车辆的确切位置对g建模或从查找表中推知。力N表示法向于地面的力，且将随着车辆的倾斜而变化。在本发明的一些实施例中，使用惯性测量系统测量或估计车辆的倾斜度，惯性测量系统本身可以包括(多个)加速度计、(多个)陀螺仪、(多个)倾斜仪、和/或(多个)磁力计，在这种情况下，来自惯性测量系统的信息被输入到模型中以计算倾斜度。在本发明的一些实施例中，使用全球定位系统(GPS)数据进一步测量车辆的倾斜度，该数据可以基于道路的已知地形来推断倾斜度，并且可以基于已知的行进方向和/或基于磁力计测量结果来推断取向。在一个实施例中，惯性传感器放置在车辆的非旋转构件上，例如前保险杠上。在本发明的一些实施例中，使用气泡传感器来测量车辆的倾斜度。在这些实施例中的任何一个中，倾斜度被用于进一步计算N和/或COF。

在本发明的一些实施例中，估计车辆的质量。在一个实施例中，基于查找表估计车辆的质量，或使用采集一个或多个轮胎的轮胎/地面界面的尺寸的光学成像传感器来估计车辆的质量。基于界面信息和由轮胎压力测量系统测量的轮胎压力，计算车辆的质量。

在本发明的一些实施例中，使用包括输入值a_f的公式来近似COF，a_f定义为轮胎接触道路的位置的瞬时切向加速度与其所附接的车辆的加速度之间的差异。因为车辆的质量是摩擦力和法向力的分量，所以这些彼此抵消且值μ_k＝a_f/g是可直接测量的。在一个实施例中，μ_k＝q*a_f/g，其中q是拟合因子，其取决于诸如车辆倾斜度或如上所述的其他传感器测量的因素。

在上述实施例中，使用“灰箱”方法计算力，该方法依赖于某些第一性原理算法。在另一实施例中，使用“黑箱方法”计算COF自身或分量q，该方法使用多变量校准拟合方法，将COF与源自惯性和其他传感器的数据相关联，而不依赖于特定的物理模型。

滑移的测量对于表征车辆性能也是有用的。这样的测量在车辆中使用诸如霍尔传感器的装置来执行，该传感器作为ABS系统的一部分而内置在车轮中。在一个实施例中，本发明随时间跟踪GPS位置，以建立作为模型滑移的输入的车速。在该实施例中，使用附接到(多个)车轮的陀螺仪或陀螺仪组来测量(多个)车轮的切向速度，并将其输入到用于计算滑移的模型中。在一些实施例中，来自(多个)加速度计的数据被用作输入，以改善对车辆和/或(多个)车轮的速度的估计，在这种情况下，可以基于已知的时间t_m的速度和在此段时间期间的加速度a_n-m来估计时间t_n的速度。

在一个实施例中，使用相同或重叠的传感器组进行COF和滑移二者的测量。在另一实施例中，可以基于COF信息来推断或计算滑移。在一个实施例中，从设置在至少一个旋转构件上和至少一个非旋转构件上的惯性测量传感器接收数据。图3示出了车辆300上的传感器的示范性布置，其中，传感器或传感器组301设置在车轮凸耳螺母(lug nut)上，且传感器或传感器组302设置在前保险杠处。图3还出了设置在风挡上的可选的传感器或传感器组303，其可以至少用于检测降水。这些位置表示传感器的一组可能的放置，并不意味着限制。

传感器彼此之间和/或与中央通信节点(装置)有线或无线地通信，所述中央通信节点(装置)可以在车辆的内部或外部，且其提供与外部世界的通信。在一个实施例中，传感器和通信节点之间的通信通过蓝牙LE实现。在一个实施例中，传感器可以连接到第二传感器，但是没有与通信节点的直接连接，并且在这样做时，传感器形成网状网络。无线通信系统可能需要天线，并且天线放置、极化和方向性对于应用可能是重要的。在一个实施例中，传感器或通信中枢放置在车辆的挡风玻璃内，在这种情况下，卫星通信、GPS、基础设施和其他传感器不受阻碍，或在这种情况下，到其他传感器的信号路径被最少地阻碍(例如金属屏蔽)。在另一实施例中，选择车轮安装的传感器的方向性、极性、放置和信号输出时序，以改善另一传感器、通信中枢或装置的接收强度(例如，当传感器随着车轮旋转时，传输发生在车轮的轮毂不会阻碍信号的时间段期间)。

图4示出了示范性系统400，其包括与通信节点404进行数据通信的车轮传感器401和固定传感器402。为了说明网状网络的潜在用途，通信系统400还包括与(多个)固定传感器402通信但不直接通信到通信节点404的(多个)附加传感器403。传感器402或401使用有线或无线连接将数据从传感器403中继回到通信节点。这可以在某些配置中有利地节省电力，这取决于诸如传感器401-403彼此之间和距通信节点404的距离等因素。注意，该配置并不意味着限制，仅仅是说明性的。在一个实施例中，通信网络可以建立为经由BLE从单个传感器到一车辆上的中枢，经由蜂窝网络从该车辆到云端，然后通过互联网并经由经过的家庭或企业的wifi连接到第二车辆，然后使用蓝牙或DSRC在该车辆和第三车辆之间建立。在另一实施例中，家庭或企业本身可能有传感器套件，并经由wifi传递信息到云端，或经由wifi或蓝牙到经过的车辆。在又一个实施例中，路边基础设施(例如停车标志或路灯)可能配备有由光伏电力供电的传感器和/或通信中枢，并且经由卫星互联网通信至云端，并使用DSRC或wifi通信至经过的车辆。

通信节点404将传感器数据传递到车载处理模块405，其聚合来自每个处理器401-403的数据。通信节点404也可以与诸如蜂窝网络407的外部网络交互，且可以经由蜂窝网络407将数据传递到云数据库408和云计算模块409。本发明的系统可以使用云计算模块409或车载处理模块405来处理来自传感器401-403和云部件408、409的数据。如果达到阈值危险概率，则车载处理模块405经由(多个)输出装置406向驾驶员发送警报。输出装置406(多个)包括车辆中的音频、视觉和/或触觉系统。在一些实施例中，车载处理模块405配置有系统存储器，其可以存储车辆的一个或多个分布型。在一些实施例中，所存储的(多个)分布型包括一系列的COF相对于滑移率的曲线。图13显示对于不同的道路环境状况(例如，干燥路面、湿路面、压实的雪、光滑冰(即，黑冰))的车辆的示范性COF/滑移分布型曲线。在一些实施例中，车载处理模块405配置为提取分布型信息作为输入至模型中和/或与一个或多个输入一起使用，例如，对车辆性能进行预测或对环境状况进行估计。

在该配置的一些实施例中，传感器401-403可以向通信节点404或彼此发送原始数据。在该配置的一些实施例中，传感器401-403还包括板载处理，以减少来自一个或多个传感器的数据集和/或融合信息，且从而减少总的通信开销。在车载处理器上处理数据还是将原始数据发送到通信节点404的决定取决于每个操作模式的相对功率和带宽要求，并且可能因不同的传感器和/或传感器的位置而不同。低功耗蓝牙通信代表了一种示范性通信操作模式，这是由于其支持星型架构，其中，中央装置可连接许多外围装置，并支持在线更新。在一个实施例中，装置协调以在短传输之间“休眠”，显著减少了电力使用。替代地，信息可以在诸如标准蓝牙或wifi之类的较高带宽、较高功率的装置上以突发方式(in bursts)存储和传输。在这种情况下，这些装置可以在突发传输之间断电以节省电力。

在一个实施例中，通信是通过无线射频以外的手段实现的，包括有线传输、光传输、声传输、磁感应、或通过车身的电信号传输、或通过车载的车载诊断(OBD)、等等。

在一个实施例中，传感器401-403、车载处理模块405和通信系统404中的一个或多个由采集电力(也称为电力收集或能量采集)供电。能量在使用期间不间断地来源于外部源，或间断地来源并存储在电池、电容器、超级电容器等上。示例性电源包括太阳能电池，从车辆的振动、旋转、线性或其他运动获得电力的动能装置，或收集环境辐射源的装置(例如，从无线电波收集能量的天线，例如在广播系统中，或经由wifi或DSRC的电力采集)。在一个实施例中，在车辆中提供无线电源，以产生由传感器收集的无线电波。在一个实施例中，传感器配备有压电、焦电、热电、静电(电容)、磁感应、机械、或微型风力发电机能量收集能力。在一个实施例中，传感器组中包括磁感应或压电元件，以收集振动能量。在一个实施例中，轮胎的旋转导致磁体由于重力场和/或向心力的变化而移动，从而在线圈中感应功率以用于系统。

系统400可以可选地包括(多个)存储器装置410，其存储与主车辆相关的信息(轮距、轮胎类型、减速/加速能力、等等)，或者在通信被中断或不存在的时存储数据。处理模块405使用所存储的信息生成分布型信息(稍后描述)。存储器410还可以存储原始和/或经处理的传感器信息、道路类型/状况信息、以及天气信息。道路类型/状态信息、天气信息、以及其他信息经由通信节点404从外部源在系统400处被接收。

图5示出了附接到车辆车轮的凸耳螺母传感器500。在该实施例中，凸耳螺母传感器500包括螺钉501，其穿过轮胎封装盖502，以与传感器封装外壳506和凸耳螺母507联合。外壳506包括两个锂聚合物电池503、具有加速度计和陀螺仪的惯性测量单元504、以及具有蓝牙通信能力的微处理器505。在一个实施例中，加速度计包括一个6g三轴加速度计，其轴线指向轮胎的径向、横向和切向。在一个实施例中，传感器系统500包括一个附加的120g单轴加速度计，以在高速下直接测量径向加速度。在一个实施例中，微处理器505校准处理器、进行数据采样、并对其进行过滤，以在轮胎的径向、切向、横向轴线上产生测量结果。这种校准是典型的传感器融合应用——例如，陀螺仪易于漂移，但是可以在完整的惯性测量单元中进行补偿。使用陀螺仪对轮胎进行的速度测量可以是不漂移的GPS或加速度计等。该传感器当然可以替代地固定在车辆的车轮的外部(例如使用双面胶带)，或车辆的内部(例如，附接到沿着轮毂的内部延伸的带)。

为了校准切向加速度(y)测量结果，在一个实施例中使用以下方法：

1.在恒定速度和精确对准下，切向加速度(y)为0；

2.将经校准的x限定为正向于“东”，并将经校准的y限定为正向于“北”；以及

3.在具有失准角度θ的恒定速度下，失准角度θ限定为系统从x和y到x_u和y_u的逆时针旋转，经校准的x和y为

x＝x_u cos(θ)+y_u sin(θ)

y＝y_u cos(θ)-x_u sin(θ)。

在一个实施例中，通过以下方式使重力的影响平均，进行数百或数千个x_u/y_u的测量，以获得平均测量值x_{u_avg}和y_{u_avg}。在恒定的速度下，y＝0，且从而使得可以校准

在一个实施例中，切向加速度通过采样加速度数据>30Hz而确定，具有预定的采样速率(例如，250Hz)。在该实施例中，在(例如)测量的时间中，识别(校准的)y的最大和最小值，其将大致地对应于加速度上升和加速度下降，且其将以+1g和-1g从真实的加速度变化。将这些测量值进行平均以消除重力的影响，从而获得切向加速度估计。该值被更新为处理器节点，并重复该测量过程。

在另一实施例中，使用卡尔曼滤波算法来计算切向加速度。在示范性过程中，凸耳螺母切向加速度被限定为与轮胎/道路接触点切向加速度成正比——如果R_eff是轮胎的有效半径(从轮胎轴到道路测得)，且R_hub是轮毂到凸耳的半径，则wheel_{tan_acc}＝R_eff/R_luglug_{tan_acc}+k，其中k是重力引起的循环分量。使用系统识别或校准方案设定常数R_eff和R_lug。卡尔曼滤波器(其估计轮胎位置和速度——且从而估计重力的方向)被用于滤除由于重力和噪音引起的循环加速度分量。

在另一实施例中，可商业获得的六轴传感器(同一硅芯片上具有x、y和z轴加速度以及x、y、z轴陀螺仪)用于直接测量轮胎的取向和角速度。大多数这样的(现有的)芯片限于大约16g加速度和每秒2000度。即使安装在距车轮轮毂几厘米处(例如在凸耳螺母附近)，高速行驶的车辆将使得沿着径向轴线指向的加速度计通道、以及围绕横向轴线旋转的陀螺仪饱和。这限制了确定轮胎的角速度(且从而确定车辆的线速度)的能力。然而，在一个实施例中，测量轴线偏移以减少测量的加速度和角速度二者的幅度。如果车辆直线前进，这将在角速度的测量中形成非常直接的线性减少，但是当车辆转向时，将在其他轴线的角速度之间形成复杂关系。类似地，如果车辆直线前进，这将在径向加速度(其可以用于估计角速度)的测量中产生非常直接的线性减少，但是在轮胎的角加速度和估计的角速度之间形成复杂的关系，并改变偏移径向和切向测量中加速度的位置分量之间的关系。在一些实施例中，这些复杂性通过灰箱或黑箱模型中的进一步处理来解决。

图6示出了车轮组件600的一个实施例，其中，车轮惯性测量传感器封装体605安装在轮胎压力测量传感器601处或附近，接近车轮604上的阀杆602。传感器封装体605通过阀杆保持器螺钉603来连接，或替代地通过粘合剂固定就位。

在替代实施例中，使用粘合剂将传感器组件固定在车轮后面——具体的位置可以在实施方式中有所不同。在一些实施例中，为了改善与通信节点的通信能力，在传感器系统中附加了天线。在一些实施例中，轮胎杆被用作天线。

图7示出了设置在前保险杠上的传感器系统700的套件。系统700包括保险杠传感器套件外壳701、电力开关702、以及充电控制器703，其通过太阳能面板704控制电池组705的充电。太阳能电池板704向系统提供电力，并且还可以有效地实时测量日照功率电平，因此也可以用作传感器。其他实施例可以利用其他电源。系统700还包括蓝牙调制解调器706和微控制器707，其可以容纳在同一封装(例如，芯片上系统)中或不同的封装中。系统700可以可选地包括红外线温度计708和/或麦克风709、以及惯性测量单元(IMU)710。盖711保护系统700的部件。

在一个实施例中，系统700的传感器识别路面类型(例如，混凝土、沥青、砾石、泥土)、状况(例如，磨损、破裂、坑洼)、以及覆盖(例如，黑冰、松散或压紧的雪、泥水、雨水、泥土、等等)。在一个实施例中，(多个)传感器测量环境温度和/或相对湿度。在一个实施例中，(多个)IR传感器708测量前轮胎前面的温度。麦克风传感器709测量由处理器分析的声音以量化道路噪声，其可能与天气状况相关。IMU 710包括加速度计、陀螺仪、倾斜仪和/或磁力计。在一个实施例中，传感器还包括提供成像数据的光学图像传感器(未示出)，成像数据由处理器使用，以量化能见度、颗粒计数、云量等。在一个实施例中，使用传感器确定头灯的状态。

图8示出了附接到车辆的挡风玻璃处或附近的传感器的实施例。系统800包括外壳801、充电控制器和电压调节器802、传感器电路803、传感器电池组804和太阳能面板805。太阳能面板805为部件提供电力，并且还可以有效地实时测量日照功率电平，因此也可以用作传感器。系统800还包括蓝牙调制解调器807和微控制器806，其可以容纳在同一封装(例如，芯片上系统)中或不同的封装中。系统800还可以包括电容式传感器808和/或扫频式传感器809，以及可选的环境光传感器810。通过底层贴花811保护系统部件免受环境影响。车辆内的附加传感器(例如，乘客舱、轮胎或发动机外壳内的传感器)可用于保护传感器免受极端温度、紫外线、湿度等的影响。可以使用用于透镜、外壳等的超疏液(superominphobic)涂层来替代地/附加地保护传感器。

系统800收集的信息包括降水检测、雾、雨、雪、冰、能见度和云量、和/或风挡刮水器频率。系统800可以安装在风挡玻璃的内部或外部。将系统800安装在内部将增加封装的寿命。

在一个实施例中，扫频式传感器809包括扫频式感应降水传感器，例如之前在美国专利6,388,453B1中描述的。尽管'453描述了使用正弦波扫描来获得响应，但是使用正弦波以外的信号——例如，发送复频率啁啾，并应用称为经验传递函数估计器(ETFE)的控制理论/信号处理方法，以确定传递函数。使用快速傅里叶变换(FFT)来计算经验传递函数估计，作为输出傅里叶变换与输入傅里叶变换的比率。周期图被计算，作为时间序列的傅立叶变换的归一化绝对平方。可以通过将汉明窗口(Hamming window)分别应用于输出FFT乘以输入FFT的共轭、以及输入FFT的绝对平方，并随后形成结果的比率，来获得平滑的版本。

在用于感测刮水器频率或降水的替代实施例中，诸如激光器的光源在干燥时以低于(或高于)布氏角(Brewster’s angle)的角度照射到风挡上。降水导致光学折射率系统发生变化，使得现在的光线高于(或低于)布氏角。然后当刮水器刮片清洁玻璃时，系统短暂地恢复，从而允许经由该光学传感器检测降水和刮水器的启用。

在本发明的一个实施例中，降水传感器测量降水量或降水率。在本发明的另一实施例中，降水传感器测量降水的类型，例如通过改变与雪相关联的光散射。在本发明的另一实施例中，基于传感器测量结果和/或来自车辆外部的天气传感器的信息的组合来推断降水类型。

当车辆运行时，随着车辆的运行，基于至少包括来自车轮安装的IMU和固定IMU的数据的数据集，连续地计算滑移和COF两者。如果环境总是恒定的，则该信息可以用于限定显示COF和滑移之间的关系的曲线。然而，由于道路状况随着车辆的移动而改变，因此不存在限定车辆性能的单一曲线，并构建了曲线的分布型。

在一个实施例中，使用诸如K-means的技术，将COF相对于滑移率数据分离成不同的性能簇，从而分离车辆环境条件。

在另一实施例中，将关于COF相对于滑移率的该数据、以及包括本地到数据采集事件的时间、位置、交通、道路类型、和/或的环境状况的信息，一起附加到数据库。道路状况基于与已知道路类型相关的估计风险进行量化，例如评分为1＝泥土路，5＝公路，等等。在一个实施例中，道路状况基于由多个车辆进行的COF测量得出的分数进行量化。在一个或多个轴线上量化环境状况，以增强数据的数学处理。例如，环境状况可以在环境温度(例如单位℃)、道路温度(例如单位℃))、日照功率(例如单位W/m²)、降水强度(例如单位cm/hr)等方面进行评分。在一些实施例中，合计环境分数依从基于不同的环境因素所隐含的危害。在一个实施例中，合计环境分数符合关于已知道路类型和已知环境状况的信息。例如，在温暖且阳光充足的条件下，桥梁可能会获得较高的综合得分，但在寒冷且多雪的条件下，可能会获得显著较低的得分。

以高置信度测量的数据库的元素可能有用地用于识别具有较低置信度的数据库的元素的更准确的值。在一个实施例中，可以使用测量的COF或滑移值来估计环境状况，或者可以使用已知的环境状况来估计COF或滑移值。

在一个实施例中，将已知的环境状况(例如，温暖且阳光充足)下的COF和滑移的测量结果组合，为车辆形成对于良好的环境状况的大致准确的曲线，从而自动消除了之前描述的聚类(clustering)数据的难度。图9示出了构建分布型的系统，其中，来自车轮惯性传感器901、固定惯性传感器902以及可选的GPS的信息被传送到COF/滑移计算模块904，其计算与传感器数据集相关联的当地的COF和滑移率。该信息被传送到车辆分布型计算模块906，其将来自环境数据库905和/或GPS数据的信息与COF和滑移率信息相融合，从而为车辆创建分布型。该信息可以可选地传送到车载车辆分布型数据库907和/或云端的车辆分布型数据库908。

在另一实施例中，车辆的COF测量结果被用于成功地识别例如黑冰等不利的环境状况。按这种方式，超本地化(hyper-local)环境变化(例如结冰)可以通过在形成分布型之后检查车辆的COF性能而容易地识别。图10示出了估计环境状况的系统，其中来自车轮惯性传感器1001、固定惯性传感器1002和可选地GPS 1003的信息被传送到COF/滑移计算模块1004，其计算与该传感器数据集相关联的本地COF和滑移。该信息传送到环境状况计算模块1005，其将COF和滑移信息与来自车辆分布型1006和/或GPS数据的信息进行融合，以便估计车辆的环境状况。该信息可以可选地传送到云端的环境分布型数据库908，在这种情况下，其可以有用地用于警告其他驾驶员所测量的GPS位置的不利天气状况。

在图11中描述了这样的警告系统。在该实施例中，来自GPS 1102以及可选的来自行驶路径模块1101的关于车辆位置的信息被馈送到车辆位置预测模块1103，其预测正在行驶期间的车辆的未来位置。该信息以及来自云端的数据库1104的环境分布型信息被一起馈送到环境预测模块1105。环境分布型信息包括来自国家气象局、本地传感器的数据、和/或由其他车辆采用上文图10所述的系统、以及其他移动车辆天气收集过程所收集的数据。环境预测信息被传递到车辆警告模块1107，其将环境预测与车辆COF/滑移分布型进行比较，以确定预测环境是否超出具有该分布型的车辆的建议操作规范。如果超过阈值，则该信息作为警告发送到有关方面(interested party)1108。有关方面包括驾驶员、车队所有人、或保险经营人等。

信息、指导和警告可以以多种方式提供，包括经由智能手机或手表(例如，闹钟、振动、文本、电话、经由交通应用程序、语音合成(text to speech)、诸如OnStar等的卫星通信系统、以及视觉线索)，以及视觉地或听觉地通过车辆的OBD显示器、导航显示器或语音合成系统、无线电/娱乐控制台、车辆或车体组件平视显示器、DSRC警告系统、以及许多其他手段。在一个实施例中，信息、指导和警告经由语音合成或平视显示器传送，以保证驾驶员的注意力集中在道路上，在另一实施例中，如果驾驶员不采取行动，则警告与车辆安全系统相结合来采取行动。在另一实施例中，信息、指导和警告被传送到自动驾驶车辆，使得车辆或驾驶员可以采取合适的动作。在另一实施例中，指导采取安全或建议驾驶速度的形式，或警告减速。在另一实施例中，驾驶员或导航员使用语音命令来请求信息、指导或警告。在另一实施例中，警告采用关于天气、安全驾驶速度、安全停止距离或道路状况的一系列警告的形式。

一个新颖的元素在于，在天气移动(通常是稀疏定位的)且传感器保持静止之前，所呈现的系统使用可以机器到机器(M2M)地发送信息的移动的移动传感器。移动性和M2M的组合形成了“群源”移动传感器“组织”，并且该组织构建为使得大多数信息在具有大多数用户和传感器的位置被生成和使用。个人可以感受到一个区域的云和降水变化，但是联网和融合的传感器在更大的区域上看到气压、辐照度、湿度和降水率的变化，并且可以访问历史天气和数据模式，因此，整个系统能够进行不同种类地、而不是程度上的分析和预测。

在一个实施例中，多个传感器发送到作为中枢的智能手机，智能手机汇总、融合和/或准备信息；多个智能手机将信息发布到收集系统，在收集系统检查其质量控制；缓冲系统将数据以队列形式存储、排列并组织；然后将数据与诸如天气、道路、GIS、数据库等现有数据相融合，以形成当前的情景图像；使用(例如)地理围栏(geofencing)技术使得这些情景图像可用，以警告和组织关于驾车人士和地理区域的数据；地理围栏意味着，我们现在可以跟踪一组触发器，这些触发器基于融合准则分配给移动实体，指示基于个体偏好的所需的警报。

此外，这种机器对机器的系统能够快速地返回信息以及每个用户的偏好——系统可以具有“智能触发器”。当温度低于设定值时，简单的温度计可以用红灯提醒用户，但是智能触发器寻找信息并发出情景敏感的警告——例如警告用户关于路面温度的下降速度如何、并预测降水可能产生冻结路面。使用现代软件技术，比如Pagerank或Twitter，其使用特征向量寻找重要信号，这些信号可以通过以非常快速的方式索引到特征向量中的最重要链接而产生路由到唯一用户的信息、指导或警告。在这样的系统中，将元数据融合在一起，运行特征向量分析，然后对最重要的事件进行索引，使其快速呈现，以发现查找智能触发器和/或用户。这可以提供快速的M到M得到警报——在一个实施例中，机器会自动地在即将需要的道路上喷洒盐，或者在可能很快起雾的天气条件的道路上降低路障，或者触发黑冰的道路信号警告，所有这些都可以非常快速和自动方式扩展到大量用户和触发器。

这种系统的用户准则的用例包括：足球妈妈的标准是，她是否可以在家庭和实践之间的小地理区域安全地驾驶3英里；中程豪华轿车服务将考虑更大的地理围栏区域，并想要融合关于交通、天气、已知的接送站点和历史模式的信息，以便最有效地运行；维修和物流组织将希望观看路段上的车辆倾翻，以便知道什么需要维修或预计可能发生的减速的位置——他们的用户标准可能是实时分析，或其可以是对以下的预测：关于在接下来四个小时中对结冰道路撒盐的需要、在接下来的四个月内铺设颠簸的道路的需要、或为未来四年拨出预算的需要；长途货车公司可能希望将天气和道路状况预测附加到这些关注普遍存在的车队管理和车队路线服务。

可以以新颖的方式使用可用于这种系统的各种信息的可用性。例如，可以形成独特的信号，其可以使用先进的数学和分析技术来分析，从而以之前不可行的方式来识别条件和预测条件(例如，具有天气知识和可操作信息的新颖特征的机器学习算法、以及神经网络为关于道路天气状况的信息的短缺提供之前不可行的逻辑回归输出)。

使用该数据的方法可以例如包括从车辆传感器接收轮胎滑移信息和/或COF信息；从数据库接收一个或多个外部环境状态信息；接收至少具有路线信息和出发时间信息的路线请求；基于接收的环境状况和之前存储的与路线请求相关联的车辆性能信息生成被请求的路线的多个部分的安全值；确定生成的安全值是否满足预定的安全阈值或行驶时间阈值中的至少一个；如果确定表明其中一个安全值不能满足至少一个预定的安全阈值或行驶时间阈值，则生成新的路线或新的出发时间中的至少一个，其将使得生成的安全值满足安全阈值或行驶时间阈值；并向用户或与路线请求相关联的有关方面呈现生成的新路线或新的出发时间。在一个实施例中，数据库数据包括从位于多个地面车辆上的多个传感器收集的COF/滑移信息。

如前所述，车辆传感器和/或分布型信息可以有用地组合为在云端的车辆库或数据库。该库或数据库将允许对于特定的车辆估计天气状况和/或道路状况下的COF/滑移性能，即使该车辆没有扩展到当前的环境和/或状况的分布型，这通过将该特定的车辆与具有相似性质的其他车辆进行比较，和/或使用来自其他车辆的传感器输出。类似的性质可以包括但不限于类似的模型/制造、类似的轮胎、轮胎上类似的里程数、在测量的天气状况下类似的分布型、在车辆的当前行驶路径上行驶的车辆的COF测量，等等。

这种过程如图12所示，其中来自多个车辆1201、1202、1203等的传感器测量和/或分布型被组合为库1204。在这样的布置中，具有不完整的分布型1205的车辆不一定具有与特定的天气状况相关的测量数据。结果，其性能可以由车辆预测模块1206通过从库中的类似的车辆分布型的数据推知而估计。

在一个实施例中，车辆可以从基于云的数据库(或其他可无线访问的数据库)接收与车辆分布型信息一起使用的信息。例如，图14示出了在第一位置和第二位置之间行驶的车辆的预期行驶路径(例如，Idaho Springs，CO和Silverthorne，CO)。这种预期的行驶路径可以基于车辆的当前行驶方向、先前的用户信息、或用户输入来推断。数据库可以向车辆提供预期行驶路径的信息。在这方面，数据库可以包括以前在预期行驶路径上行驶的车辆的测量和/或分布型。这些信息可以属于在预定时间段内(例如，之前十五分钟、一小时、六小时、一天等)在预期行驶路径上行驶的车辆。在本实施例中，数据库可以提供先前经过行驶路径的车辆的COF信息/测量值。在这方面，先前COF信息1402可以提供为用于预先确定的路段(例如，每四分之一英里)和/或用于道路地理、表面和/或道路结构的变化(例如，道路等级的变化，从沥青到混凝土的变化，从新沥青到磨损沥青的变化，易于结冰的桥梁，等等)。这在图14所示的地图上示出，其示出了为行驶路径的不同路段提供的先前COF信息1402。

行驶路径的先前COF信息可以以任何方式从先前报告的COF信息来确定。例如，先前COF信息可以是先前经过行驶路径的全部或部分的车辆报告的所有COF的平均值。可以提供先前COF的任何其他数学表示(例如，模型、平均等)。可以基于例如车辆类型来进一步分析先前COF信息。在这方面，行驶路径上的车辆类型可能是已知的，车辆可以要求或以其他方式接收类似车辆的COF信息，车辆有：后轮驱动车辆、小型全轮驱动、大型全轮驱动、卡车、等等。也就是说，可以沿行驶路径提供类似车辆的先前COF信息。

在接收先前COF信息时，车辆可以将即将到来的路段的先前COF信息与存储在车载分布型数据库907中的分布型1302a-n相关联。替代地，车辆可以从基于云的数据库908访问存储的分布型。参见图9。基于云的分布型可以由主车辆产生，也可以是其他类似的车辆的分布型。在任何布置下，车辆分布型计算模块906可以利用分布型1302a-n与先前COF信息确定车辆在即将到来的路段上的预期性能。例如，可以计算预期的车轮的滑移百分比。

如图13所示，使用先前COF信息作为分布型1302的输入，允许在路段的环境状况已知或可确定的情况下确定预期的滑移百分比。可以使用车辆的传感器来确定这种环境状况。替代地，可以将先前环境状况1404提供给具有先前COF信息的车辆。换言之，除了提供先前COF信息之外，库可以提供先前环境信息1404，如通过预期行驶路径的先前车辆所报告的。更通常地，库可以向车辆提供路面信息(例如，COF信息和环境信息)。在任一情况下，在行驶路径上行驶的车辆可以将COF信息和/或环境信息与存储的分布型(参见图13)一起使用，以在车辆经过行驶路径的即将到来的路段之前，确定车辆的性能/安全信息。

根据车辆的估计的车轮滑移，可以向车辆的驾驶员和/或控制车辆的系统提供各种输出(例如预测)。例如，如果即将到达的路段的滑移百分比超过预定阈值，则可以生成警告输出。在另外的布置中，如果即将到来的路段的滑移百分比超过预定阈值，则可以建议替代路线1502。参见图15。

图16示出了用于车辆利用先前路面信息的过程1600。过程开始于在车辆和路面数据库之间建立1602无线连接。一旦车辆与数据库之间存在通信，则车辆可以从数据库请求和/或接收1604针对车辆的行驶路径的路面信息。在某些情况下，数据库可以操作为将数据推送到车辆，而无需来自车辆的请求。也就是说，如果条件允许提供数据，数据库可以启动联系和/或自动地向车辆提供数据。路面信息通常包括行驶路径的一个或多个路段的COF信息。路面信息还可以包括行驶路径的一个或多个路段的环境信息。车辆的车载处理器随后访问车辆的一个或多个分布型。这种访问可能是从本地存储访问或经由无线连接访问。使用路面信息和(多个)分布型，处理器可以计算1608行驶路径的一个或多个即将到来的路段的估计的车轮滑移。如果车轮滑移估计值中的一个或多个超过(多个)预定阈值，则可产生1610由车辆的驾驶员和/或车辆控制系统接收的输出。这样的驾驶员输出可以与减速建议和替代路线建议等有关。

图17示出了用于收集和分发路面信息的过程1700。初始，处理平台/数据库从在道路上行驶的多个车辆接收1702路面报告。这些路面报告通常包括由车辆确定的COF信息以及识别COF信息在哪里被确定的位置信息。路面报告还可以包括环境信息，该环境信息可以是直接测量的或者可以来自可被确定的针对位置的环境信息(例如，结合天气模型)。处理平台处理并存储1704来自路面报告的信息。在随后的时间，从车辆接收1706对行驶路径的路面信息的请求，或者处理平台确定车辆正在行驶的行驶路径，对于所述行驶路径存在可用的相关路线信息。在后一方面，处理平台可以从车辆接收路面报告，如果不知道不利的道路状况，则可不提供信息。相反，如果即将到来的道路状况被确定为不利的(例如，路段的COF低于预定阈值)，则在没有车辆的请求的情况下，信息可以被推到车辆。在任何情况下，存储的路面信息随后被处理，以识别1708行驶路径的先前路面信息。然后，将识别的路面信息发送1710到进行请求的车辆。

模块904、906、1004、1005、1101、1103、1105、1107和1206、和/或关于图9-12和图16-17描述的过程是可以由位于以下的一个或多个位置的处理器执行的处理功能：例如凸耳螺母、保险杠或风挡系统，或者车载或与车辆分离的处理器。

已经出于说明和描述的目的呈现了本发明的前述描述。另外，描述并不旨在将本发明限制为本文公开的形式。因此，与上述教导相当的变化和修改，以及相关领域的技术或知识可以处于本发明的范围内。上文描述的实施例还旨在解释用于实践本发明的已知最佳模式，并且使本领域的其他技术人员能够在这些或其他实施例中、以及本发明的特定应用或用途所需的各种修改来使用本发明。旨在将所附权利要求解释为在现有技术允许的范围内包括替代的实施例。

Claims (49)

1.一种用于预测路段上的车辆性能的方法，包括：

在车辆的处理单元与具有所述车辆的行驶路径的路面信息的数据库之间建立无线连接，其中所述路面信息是从先前经过所述行驶路径的至少部分的车辆编译的；

在所述处理单元处接收沿着所述行驶路径的即将到来的路段的路面信息；

访问用于所述车辆的存储的分布型信息，其中所述分布型信息包括索引到所述路面信息的至少部分的车轮滑移信息；

使用所述存储的分布型信息和所述路面信息计算对于沿着所述行驶路径的至少一个即将到来的路段的所述车辆的估计的车轮滑移；以及

当所述估计的车轮滑移超过预定阈值时，则生成安全输出。

2.如权利要求1所述的方法，其中接收所述路面信息包括：

接收摩擦系数信息，所述摩擦系数信息与由在所述行驶路径的至少一部分上行驶的先前车辆确定的轮胎对道路的界面信息相关联。

3.如权利要求2所述的方法，其中所述摩擦系数信息从在所述行驶路径的所述至少一部分上行驶的至少两个先前车辆编译。

4.如权利要求2所述的方法，其中接收所述路面信息还包括：

接收由在所述行驶路径的所述部分上行驶的先前车辆确定的环境信息。

5.如权利要求1所述的方法，还包括：

经由所述无线连接向所述数据库提供车辆类型信息；以及

其中接收所述路面信息包括接收对应于车辆类型信息的路面信息。

6.如权利要求1所述的方法，其中访问所述存储的分布型信息包括访问与所述车辆同地的存储器单元。

7.如权利要求1所述的方法，其中访问所述存储的分布型信息包括：

无线地访问在所述车辆外部的车辆分布型数据库。

8.如权利要求1所述的方法，其中所述存储的分布型信息包括索引至用于至少两个环境状况的道路摩擦系数信息的车轮滑移信息。

9.如权利要求1所述的方法，其中生成安全输出包括：

生成由所述车辆的乘客接收的输出。

10.如权利要求9所述的方法，其中所述安全输出包括替代路线建议。

11.如权利要求1所述的方法，其中生成安全输出包括：

生成由车辆控制系统接收的输入。

12.一种用于预测路段上的车辆性能的方法，包括：

经由无线连接接收来自在一个或多个道路上行驶的车辆的多个路面报告，所述路面报告的每一个包括进行报告的车辆的位置、以及与由所述车辆确定的位置的轮胎对道路界面信息相关联的摩擦系数信息；

将所述路面信息存储到数据库；

识别一车辆，用以提供对于所述车辆的行驶路径的路面信息；

从所述路面报告识别所述行驶路径的一个或多个路段的先前路面信息；以及

经由无线连接，向所述车辆发送包括所述一个或多个路段的摩擦系数信息的先前路面信息，其中所述车辆能操作为利用来自所述先前路面信息的摩擦系数信息计算对于所述行驶路径的至少一个即将到来的路段的所述车辆的估计的车轮滑移。

13.如权利要求12所述的方法，其中确定所述先前路面信息还包括：

处理至少两个路面报告，以计算所述行驶路径的至少一个路段的组合摩擦系数。

14.如权利要求13所述的方法，其中所述组合摩擦系数索引到车辆类型。

15.如权利要求14所述的方法，还包括：

确定所述车辆的车辆类型，且其中发送所述先前路面信息包括发送与所述车辆类型相关的先前路面信息。

16.如权利要求13所述的方法，其中处理还包括处理来自在所述请求之前的预定时间段的路面报告。

17.如权利要求12所述的方法，其中发送所述先前路面信息包括发送沿着所述行驶路径的多个路段的多个摩擦系数值。

18.如权利要求12所述的方法，其中所述路面报告还包括由所述车辆确定的至少一个环境状况。

19.如权利要求18所述的方法，其中发送所述先前路面信息还包括：

向所述车辆发送所述一个或多个路段的环境信息。

20.如权利要求12所述的方法，还包括：

向所述车辆发送车辆响应信息，其中所述车辆响应信息包括索引到路面信息的车轮滑移信息。

21.一种用于预测路段上的车辆性能的方法，包括：

在沿着行驶路径移动的车辆与具有所述车辆的行驶路径的路面环境信息的数据库之间建立无线连接，其中所述路面环境信息是从先前经过所述行驶路径的至少一部分的车辆编译的；

从所述数据库访问所述行驶路径的即将到来的路段的路面信息；

访问所述车辆的存储的分布型信息，其中所述分布型信息包括索引到路面状况的至少一个车辆性能特性；

使用所述存储的分布型信息和所述路面环境信息计算对于所述即将到来的路段中的至少一个的所述车辆的车辆性能特性；以及

当所述车辆性能特性超过预定阈值时，生成由与所述车辆相关的操作者接收的输出。

22.如权利要求21所述的方法，其中建立所述无线连接还包括：

识别所述车辆的当前位置和所述车辆的当前位置的至少一个基本上当前的天气状况，其中至少部分地基于所述当前的天气状况进一步计算所述车辆性能特性。

23.如权利要求22所述的方法，其中所述基本上当前的天气状况由所述车辆的车载传感器确定。

24.如权利要求22所述的方法，其中所述基本上当前的天气状况由沿着所述行驶路径固定到基础设施的一个或多个道路传感器确定。

25.如权利要求22所述的方法，其中访问所述车辆的存储的分布型信息还包括：

识别车辆类型，并访问对应于所述车辆类型的分布型信息。

26.如权利要求22的方法，其中访问所述车辆的存储的分布型信息还包括：

识别所述车辆，并访问特定于所述车辆的车辆分布型。

27.如权利要求26所述的方法，其中所述辆分布型由所述车辆生成。

28.如权利要求26所述的方法，其中访问所述车辆的存储的分布型信息包括访问与所述车辆同地的存储器单元。

29.如权利要求21所述的方法，还包括：

访问所述车辆的行驶路径的天气信息，其中至少部分地基于所述天气信息进一步计算所述车辆性能特性。

30.如权利要求21所述的方法，其中所述天气信息是从先前经过所述行驶路径的至少一部分的车辆获取的。

31.如权利要求29所述的方法，其中所述天气信息是从天气预报模型获取的。

32.如权利要求21所述的方法，其中所述路面环境信息包括摩擦系数信息，所述摩擦系数信息与由在所述行驶路径的至少一部分上行驶的先前车辆确定的轮胎对道路的界面信息相关联。

33.如权利要求32所述的方法，其中计算所述车辆性能特性包括计算对于所述至少一个即将到来的路段的所述车辆的估计的车轮滑移。

34.如权利要求32所述的方法，其中所述存储的分布型信息包括车轮滑移信息，所述车轮滑移信息索引到至少两个环境状况的道路摩擦系数信息。

35.如权利要求21所述的方法，其中所述路面环境信息包括以下中的至少一个：

路面温度；

路面降水；

路面等级；

路面能见度；

路面类型；以及

路面摩擦系数。

36.如权利要求21所述的方法，其中生成输出包括

在车辆的输出装置上生成由所述车辆的乘客接收的输出。

37.如权利要求21所述的方法，其中所述输出包括替代路线建议。

38.一种用于预测路段上的车辆性能的方法，包括：

经由无线连接从在一个或多个道路上行驶的车辆接收多个路面报告，所述路面报告的每一个包括进行报告的车辆的位置、以及与由所述车辆确定的路面状况相关联的路面环境信息；

将所述路面信息存储到数据库；

识别一车辆，用以提供所述车辆的行驶路径的道路表面信息；

识别所述车辆的车辆分布型，其中所述分布型信息包括索引到路面状况的至少一个车辆性能特性；

基于所述车辆分布型和所述行驶路径的路面环境信息计算所述车辆的一个或多个车辆性能特性；以及

当所述一个或多个车辆性能特性超过预定阈值时，生成由与车辆相关的操作者接收的输出。

39.如权利要求38所述的方法，其中识别用以提供路面环境信息的车辆包括：

基于来自所述路面报告的所述路面状况识别地理围栏区域，并识别所述车辆位于所述地理围栏区域内。

40.如权利要求39所述的方法，其中确定所述先前路面环境信息还包括：

处理至少两个所述路面报告，以对于所述行驶路径的至少一个路段计算组合的路面环境状况。

41.如权利要求38所述的方法，其中识别所述车辆分布型还包括：

识别所述车辆的类型，并识别对应于所述车辆类型的分布型信息。

42.如权利要求41所述的方法，其中识别所述车辆分布型还包括：

特定地识别所述车辆，并识别特定于所述车辆的车辆分布型。

43.如权利要求38所述的方法，其中所述路面环境信息包括以下中的至少一个：

路面温度；

路面能见度；

路面降水；

路面等级；

路面类型；以及

路面摩擦系数。

44.如权利要求38所述的方法，其中所述路面环境信息包括摩擦系数信息，所述摩擦系数信息与由所述车辆确定的轮胎对道路的界面信息相关联。

45.如权利要求38所述的方法，其中计算所述车辆性能特性包括计算对于所述至少一个即将到来的路段的所述车辆的估计的车轮滑移。

46.一种用于预测路段上的车辆性能的方法，包括：

经由无线连接从在一个或多个道路上行驶的车辆接收多个路面报告，所述路面报告的每一个包括进行报告的车辆的位置、以及与由所述车辆确定的路面状况相关联的路面信息；

将所述路面信息存储到数据库；

基于包括路段的表面状况的所述路面报告，生成所述路段的路面分布型；

基于来自经过所述路段的车辆的后续路面报告，更新所述路面分布型；以及

当所述道路的路面状况低于预定阈值时，生成输出。

47.如权利要求46所述的方法，其中生成输出包括以下中的至少一个：

生成路段的维护输出；

生成警告输出，以传送到在所述路段的预定距离内的车辆；

触发一个或多个道路标志以识别所述路段的状况；以及

操作路障来关闭所述路段。

48.如权利要求46所述的方法，其中所述道路的路段的路面分布型还包括，与所述路面报告结合地利用以下中的至少一个：

所述路段的地形；以及

所述道路的路段的表面组成。

49.如权利要求46所述的方法，其中所述路面状况包括以下中的至少一个：

路面温度；

路面能见度；

路面降水；

路面等级；

路面类型；以及

路面摩擦系数。