路面附着系数决定车辆与路面之间的最大附着力,直接关系到车辆驱/制动和操控稳定性。准确获取路面附着系数,提前感知前方道路状况变化,便可以给到车辆控制系统时间余量,改变车辆控制策略。然而现在的路面识别方法均存在不同程度的滞后,难以应对路面突变情况。因此,本文对如何提前感知和准确快速估计路面附着系数展开研究,具体内容如下:为实现车前道路类型提前感知,采用基于图像信息的路面附着系数辨识方法。首先人工采集五种路面图片并进行数据增强处理,共同组成路面图像数据集;然后进行基于Alex Net和Res Net两种卷积神经网络的路面类型分类研究,并对原始图像进行基于UNet和掩膜方法的语义分割处理,识别精度为87.43%;最后通过视频输入方式对识别网络进行验证并匹配路面附着系数。为准确估计当前路面的附着系数,采用基于车辆状态估计的路面附着系数辨识方法。首先建立七自由度车辆动力学模型和Dugoff轮胎模型,并对其进行归一化变形,并在MATLAB/Simulink中搭建模型;然后对七自由度车辆模型简化,只采用纵向、侧向和横摆三个自由度,设计基于扩展卡尔曼滤波的车辆状态估计器;随后根据整车、轮胎模型和获得的车辆状态信息,设计基于无迹卡尔曼滤波的路面附着系数估计器,最后在Carsim和MATLAB/Simulink中进行联合仿真,并在4种不同工况下验证该算法的有效性。路面附着系数估计需同时满足预测性和准确性,将图像识别法具有预测性的优点和车辆状态估计法在稳态工况下识别准确的优点融合,使用从混凝土到土路的路面突变工况对融合策略进行验证,实车采集图像信息,仿真采集车辆状态信息,得出结论:融合估计策略能更精准的识别路面附着系数,有一定的预测能力,但是由于设备问题和软硬件的问题,预留给车辆改变控制策略的时间不充分。