CN101417654A - 用于估计车辆状态以便避免倾翻的系统 - Google Patents

Abstract

用于估计车辆状态以便避免倾翻的系统。一种用于估计诸如车辆倾侧率、车辆倾侧角、车辆横向速度和车辆横摆角速度之类的车辆状态以用于避免倾翻的系统和方法。所述系统包括对转向角信号、横摆角速度信号、倾侧率信号、速度信号和横向加速度信号作出响应的扩展卡尔曼滤波器观察器，用于计算所估计的横摆角速度信号、估计的倾侧率、估计的倾侧角和估计的横向速度。所述系统还包括对倾侧率信号、所估计的倾侧角信号、所估计的横向速度信号和横向加速度信号作出响应的横向速度估计处理器，用于当所述车辆在非线性区域中操作时计算所修改的横向速度估计信号。

Description

用于估计车辆状态以便避免倾翻的系统

技术领域

本发明总体上涉及一种用于估计车辆状态的系统和方法，并且尤其涉及一种用于估计车辆倾侧率(roll-rate)、车辆倾侧角、车辆横向速度和车辆横摆角速度(yaw-rate)以用于防止倾翻(rollover)目的的系统和方法。

背景技术

在本领域中已知使用差动制动控制、后轮转向控制、前轮转向控制或其任何组合来加强车辆控制以便帮助防止车辆遇到会增加倾翻可能性的情况。这些系统可以接收来自各个传感器的车辆动态信息以便确定适当的控制动作，所述传感器诸如是横摆角速度传感器、横向加速度传感器和轮胎/车轮传感器。这些系统还可以包括倾侧率传感器和倾侧角估计部件以便在操纵期间估计倾翻可能性并且提供响应的控制增强。一般需要在控制车辆倾侧运动和车辆横摆运动之间提供平衡以便提供最优的车辆响应。从而，通常必须检测某些车辆情况以便提供优化的车辆控制增强。

可以使用输出反馈来设计车辆增强控制。然而，典型情况下基于状态反馈的设计通常可以提供更多的设计自由度并且获得更高的潜在性能。此外，激活车辆控制通常要求监视车辆状态。然而多数情况下，由于诸如传感器成本、实施困难等各种不利情况，所以不能测量所有的车辆状态。因此，通常估计车辆状态来用于避免倾翻的目的。

在本领域中已经研究了估计诸如横摆角速度、横向速度和倾侧率之类的车辆状态以用于在横摆平面中发展车辆稳定性增强。因此，焦点已经集中在估计车辆横向运动而不是倾侧运动，其对避免倾翻来说是特别有意义的。

发明内容

依照本发明的教导，公开了一种用于估计诸如车辆倾侧率、车辆倾侧角、车辆横向速度和车辆横摆角速度之类的车辆状态的系统和方法。系统使用用于测量车辆转向角的转向角信号的转向角传感器、用于测量所述车辆横摆角速度的横摆角速度信号的横摆角速度传感器、用于测量所述车辆的倾侧率的倾侧率信号的倾侧率传感器、用于测量所述车辆速度的速度信号的速度传感器和用于测量所述车辆横向加速度的横向加速度信号的横向加速度传感器。所述系统包括对转向角信号、横摆角速度信号、倾侧率信号、速度信号和横向加速度信号作出响应的扩展卡尔曼滤波器观察器，用于计算所估计的横摆角速度信号、估计的倾侧率、估计的倾侧角和估计的横向速度。所述系统还包括对倾侧率信号、所估计的倾侧角信号、所估计的横向速度信号和横向加速度信号作出响应的横向速度估计处理器，用于当所述车辆在非线性区域中操作时计算所修改的横向速度估计信号。

所述系统还可以包括传感器前置滤波处理器，用于滤出信号的低频分量并且根据转向角信号、横摆角速度信号、倾侧率信号、速度信号和横向加速度信号的低频分量来估计传感器偏置。

根据以下描述和所附权利要求，结合附图，本发明的附加特征将变得清楚。

附图说明

图1是包括避免倾翻系统的车辆的平面图；

图2是在图1的避免倾翻系统中所使用的用于估计车辆状态的系统的框图；

图3是用于示出在车辆模型的三个自由度中所使用变量的车辆的顶部平面图；和

图4是用于示出所述在车辆模型的三个自由度中所使用变量的车辆的正视图。

具体实施方式

针对为了避免车辆倾翻目的的用于估计车辆状态的系统和方法的本发明实施例的以下论述实质上仅仅是示例性的，并且决不旨在限制本发明或其应用或使用。例如，使用系统和方法来估计车辆状态以用于避免倾翻目的。然而，可以使用本发明的系统和方法来估计车辆状态以用于其它应用。

本发明包括一种使用各个车辆传感器来估计车辆状态以便避免倾翻的系统和方法。用于避免倾翻的状态估计的主要挑战来自车辆动力的非线性化，特别是当车辆处于接近倾翻情况时。在转弯操纵期间，车辆横摆运动生成用于导致车辆倾侧的横向加速度。倾侧运动引入横向负载转移，这导致轮胎转弯力改变，这改变了横摆响应。当横向加速度更大并且车辆倾侧运动变得更猛烈时，车辆悬架和轮胎进入非线性区域。尽管存在试图对这些车辆进行非线性建模的非线性模型，不过通常为了估计和控制目的优选线性模型。本发明提出当车辆在线性区域中操作时使用基于线性区域的估计，继而通过增加补偿(complimentary)估计模块来扩展对非线性区域的估计。

对于以下论述来说，使用以下命名：

M_u                簧下质量；

M_s                簧上质量；

v_y                横向速度；

γ                 横摆角速度；

p                 倾侧率；

φ                 倾侧角；

δ_f                正面转向角；

I_x                簧上质量的倾侧惯性矩；

I_z                整个车辆的横摆惯性矩；

I_xz               具有倾斜效果增加的倾侧轴的关于x和z轴的簧上质量惯性积；

a                 从簧上质量的重心(CG)到正面轴的距离；

b                 从簧上质量的CG到后面轴的距离；

h_s                簧上质量的CG在倾侧轴以上的高度；

C_f                前轮胎的转弯刚度；

C_r                后轮胎的转弯刚度；

K_φ                倾侧刚度系数；

C_φ               倾侧阻尼系数；

A₁               方程式(1)中的A矩阵的第一行；

B₁               方程式(1)中的B矩阵的第一行；

λ                遗忘因子；

X(i)             输入量度；

d(i)             输出量度；

w                系数(即，本发明中的传感器偏置)；和

a_ym               横向加速计量度。

图1是包括前轮12和14和后轮16和18的车辆10的平面图。车辆10还包括用于提供避免车辆倾翻的避免倾翻控制器22。控制器22可以向车辆10上的各个致动器提供控制信号来提供控制，诸如用于分别制动车轮12、14、16和18的致动器24、26、28和30的差动制动，主动的后轮转向控制致动器32和主动的前轮转向控制致动器34，其对那些本领域技术人员来说都是公知的。控制器22从各个传感器接收与各个车辆状态相关的信号，包括用于测量车辆方向盘38的角度的方向盘角度传感器36以便提供用于表示前轮12和14的转向角的信号δ。控制器22还从车辆速度传感器40接收车辆速度信号v_x，从横摆角速度传感器42接收横摆角速度信号γ，从横向加速度传感器44接收横向加速度信号a_y并且从倾侧率传感器46接收倾侧率信号p，所有这些对那些本领域技术人员来说都是公知的。

图2是依照本发明实施例在控制器22中使用的状态估计系统48的框图。转向角信号δ、横摆角速度信号γ、倾侧率信号p、车辆速度信号v_x和车辆横向加速度信号a_y被应用于传感器前置滤波处理器50，所述传感器前置滤波处理器50提供了传感器信号过滤，在下面更详细地论述。

从前置滤波处理器50所过滤的传感器信号被发送到基于扩展的卡尔曼滤波器(extend Kalman filter EKF)的观察器52。因为卡尔曼滤波器使用基于强大模型的估计算法，所以其被用为基于线性区域的核心估算器。因为车辆模型实际上是随时间线性变化的，所以使用扩展的卡尔曼滤波器。根据传感器信号，观察器52计算横摆角速度估计信号δ、倾侧率估计信号倾侧角估计信号

和横向速度估计信号

因为EKF观察器的标准设计为那些本领域技术人员所公知，所以不必进一步详细描述。

如下面详细地论述，基于EKF的观察器52对于估计非线性区域中的横向速度来说通常不够精确。因此，包括侧滑或横向速度估计处理器54以便增强横向速度估计信号的计算。横向速度估计处理器54从前置滤波处理器50接收所过滤的倾侧率信号，从观察器52接收倾侧角估计信号

从观察器52接收横向速度估计信号并且接收横向加速度信号a_y以便当车辆处于非线性区域内时提供所修改的横向速度估计。

车辆簧上质量通常被视为具有六个自由度的刚性体，其由纵向、横向、垂直、横摆、倾侧和颠簸(pitch)运动组成。为了避免车辆倾翻，主要对横向、横摆和倾侧运动感兴趣，并且从而为了此目的在本领域中已经开发了三个自由度的线性横摆/侧滑/倾侧模型。

图3是用于示出在用于状态估计的三个自由度车辆模型中所使用的变量的车辆的顶部平面图并且图4是该车辆的正视图。这些图示出了车辆作为由簧下质量M_u和簧上质量M_s组成的两个质量系统，所述簧上质量M_s被迫相对于倾侧轴倾侧。

根据三个自由度模型，已知下列方程式。

$\stackrel{.}{X}=\mathrm{AX}+\mathrm{BU}---\left(1\right)$

X＝[v_y r p_φ]^T        (2)

U＝δ_f                (3)

$A=M_m^{-1}\left[\begin{array}{cccc}-\frac{C_f+C_r}{v_x}& -\frac{{\mathrm{aC}}_f-{\mathrm{bC}}_r}{v_x}-{\mathrm{Mv}}_x& 0& C_f{\mathrm{\γ}}_f+C_r{\mathrm{\λ}}_r\\ -\frac{{\mathrm{aC}}_f-{\mathrm{bC}}_r}{v_x}& -\frac{a^2{C}_f-b^2{C}_r}{v_x}& 0& {\mathrm{aC}}_f{\mathrm{\γ}}_f-{\mathrm{bC}}_r{\mathrm{\γ}}_r\\ 0& M_s{h}_s{v}_x& -C_{\mathrm{\φ}}& M_s{\mathrm{gh}}_s-K_{\mathrm{\φ}}\\ 0& 0& 1& 0\end{array}\right]---\left(4\right)$

$B=M_m^{-1}\left[\begin{array}{c}{C}_f\\ {\mathrm{aC}}_f\\ 0\\ 0\end{array}\right]---\left(5\right)$

$M_m=\left[\begin{array}{cccc}M& 0& -M_s{h}_s& 0\\ 0& I_z& I_{\mathrm{xz}}& 0\\ -M_s{h}_s& I_{\mathrm{xz}}& I_x& 0\\ 0& 0& 0& 1\end{array}\right]---\left(6\right)$

使用传感器前置滤波处理器50来近似移除惯性传感器中的偏置，所述惯性传感器诸如横摆传感器42、倾侧率传感器46和横向加速度传感器44。通常，传感器偏置是缓慢漂移的低频信号。因此，直接滤出传感器输出的低频分量以用于偏置消除。然而，这只有在适当的传感器输出信号不包含任何低频分量时才是有益的。在一些情况下，诸如在稳态转弯期间，横摆角速度和横向加速度都可以持续生成低频输出。从而，必须区分由于稳态状态所引起的低频分量和由于传感器偏置所引起的低频分量。

依照本发明，传感器信号前置滤波使用两个步骤。第一，处理器50确定其中信号中的低频分量只包含传感器偏置的情况，并且滤出相应的低频分量。第二，处理器50根据所产生的低频分量来估计偏置。

在一个实施例中，在偏置估计中使用递归最小二乘方(RLS)技术。尽管标准的RLS技术是公知的，不过本发明使用RLS技术的修改版本，即具有可变遗忘因子λ的RLS技术。已经观察到在大横摆角速度操纵之后，横摆角速度传感器42的偏置可能与在操纵之前的传感器偏置有很大不同。依照本发明，使用可变的遗忘因子λ来允许在不破坏偏置的通常缓慢漂移特性的情况下快速跟踪大变化。

为了估计传感器偏置，依照本发明可以使用以下RLS方程式：

$w_n=w_{n-1}+\frac{P(n-1)}{\mathrm{\λ}(n-1)+P(n-1)}(d\left(n\right)-w_{n-1})---\left(7\right)$

$P\left(n\right)=\frac{P(n-1)}{\mathrm{\λ}(n-1)+P(n-1)},\mathrm{withP}\left(0\right)=1---\left(8\right)$

其中w_n是偏置估计，d(n)是过滤的低频分量并且λ(n)∈(01)是可变的遗忘因子，即在0和1之间。例如，对于在横摆角速度测量中估计偏置来说，w_n表示偏置估计并且d(n)是过滤的横摆角速度。根据在传感器信号的低频分量和所估计的偏置之间的误差来确定遗忘因子λ。如果误差相对较大，那么选择小的遗忘因子λ(n)使得所估计的偏置可以迅速地赶上新近的测量。如果误差相对较小，那么选择接近于1的遗忘因子λ(n)使得只可以缓慢地改变所估计的偏置。

根据三个自由度模型的离散时间解释来设计基于EKF的观察器52。基于EKF的观察器52使用转向角信号δ作为输入，使用车辆速度信号v_x作为模型中的参数并且使用横摆角速度γ、倾侧率信号p和横向加速度信号a_y作为输出。在卡尔曼滤波器中所使用的方程式可以如下：

$\hat{X}{\left(t_k\right)}^{-}=f\left(\hat{X}\left(t_{k-1}\right)\right)---\left(9\right)$

P-(t_k)＝F(t_k)P(t_k-1)F^T(t_k)+Q_d(t_k-1)                      (10)

K(t_k)＝P^-(t_k)H^T(t_k)[R(t_k)+H(t_k)P^-(t_k)H^T(t_k)]^-1           (11)

$\hat{X}\left(t_k\right)=X{\left(t_k\right)}^{-}+K\left(t_k\right)(Y_m\left(t_k\right)-h\left(\hat{X}\left(t_k\right)t_k\right))---\left(12\right)$

P(t_k)＝[I-K(t_k)H(t_k)]P^-(t_k)                             (13)

其中，

$F\left(t_k\right)=\frac{\∂f}{\∂X}{|}_{X=\hat{X}\left(t_k\right)}=A_k\left(t_k\right)---\left(14\right)$

$H\left(t_k\right)=\frac{\∂h}{\∂x}{|}_{X=\hat{X}\left(t_k\right)}---\left(15\right)$

输出量度是h(X)＝[a_y r p]^T，Q_d是输入协方差矩阵并且R是输出协方差矩阵。此外，是在步骤k的推理的状态估计，并且

是在步骤k的归纳的状态估计。

依照本发明，基于EKF的观察器52使用反馈增益的附加调度。当倾侧运动变得更猛烈时，例如当在p_th＝2deg/sec和φ_th＝3deg¹的情况下倾侧率p>p_th或者倾侧角φ>φ_th时，无法忽略车辆动态的非线性并且可能会显著地减少三个自由度模型的精确性。为了减少模型不准确性对由EKF观察器52所计算的车辆状态估计的影响，通过操纵在过滤中所使用的输入和输出协方差矩阵来增加对反馈增益的进一步调度。第一，增加输入协方差矩阵Q_d来反映模型不准确性的增加。第二，因为当车辆倾侧运动相对猛烈时，基于三个自由度模型的横向运动不再近似于实际的横向运动，即 ${\stackrel{.}{v}}_y=A_{1}X-B_{1}U,$ 其中A₁和B₁分别是方程式(1)中的系统矩阵A和B的第一行，横向加速度传感器测量的输出方程式在那些情况中不保持。因此，增加对应于横向加速度信号的输出协方差R，使得EKF观察器52很少使用它。输入和输出协方差矩阵的这种调度可以是横向加速度、车辆横摆角速度、车辆速度或车辆倾侧率的一些函数。

可以使用来自传感器44的横向加速度信号a_y来根据车辆侧滑确定车辆何时在线性操作情况和非线性操作情况之间移动。还可以使用倾侧率信号P和倾侧角信号

来确定何时车辆移动到非线性区域中。当车辆从线性工作区域移动到非线性工作区域时，算法将改变输入协方差矩阵Q_d。当车辆在线性区域内操作时，基于EKF的观察器52准确地计算横向速度估计信号，其经由横向速度估计处理器54传递。然而，当车辆在非线性区域内操作时，基于EKF的观察器52没有提供对横向速度的足够准确的估计，并且从而使用横向速度估计处理器54来修改所估计的横向速度信号。

因为三个自由度模型中的横向运动在猛烈的倾侧运动期间是无效的，例如当在p_th＝2deg/sec和φ_th＝3deg¹的情况下倾侧率p>p_th或倾侧角φ>φ_th时，必须借助横向速度估计处理器54中的另一过程来估计横向速度。因为方程式 $a_{\mathrm{ym}}={\stackrel{.}{v}}_y+{\mathrm{\γv}}_x+g\sin \mathrm{\φ}$ 始终有效，可以使用横向加速度来直接估计横向速度。使用来自基于EKF的观察器52的横摆角速度估计信号

和倾侧率估计信号

横向速度的导数可以被计算为 ${\stackrel{.}{v}}_y=a_{\mathrm{ym}}-{\mathrm{\γv}}_x-g\sin \mathrm{\φ}.$ 因此：

v_y＝∫(a_ym-γv_x-gsinφ)dt              (16)

由横向速度估计处理器54所提供的此基于积分的估计主要在猛烈的倾侧运动期间是活跃的。在线性区域中，由基于EKF的观察器52直接估计横向速度，即 $\hat{v}={\hat{v}}_{\mathrm{yEKF}}.$

以上论述仅仅公开并描述了本发明的示例性实施例。本领域技术人员根据这类论述和附图以及权利要求可以容易地认识到，在不脱离如以下权利要求所限定的本发明的精神和范围的情况下可以在其中进行各种改变、修改和变化。

Claims (22)

1.一种用于估计横摆角速度、倾侧率、倾侧角和横向速度的车辆状态的系统，所述系统包括：

转向角传感器，用于提供所述车辆转向角的转向角信号；

横摆角速度传感器，用于提供所述车辆的横摆角速度的横摆角速度信号；

倾侧率传感器，用于提供所述车辆的倾侧率的倾侧率信号；

速度传感器，用于提供所述车辆的速度的速度信号；

横向加速度传感器，用于提供所述车辆的横向加速度的横向加速度信号；

卡尔曼滤波器观察器，用于对所述转向角信号、横摆角速度信号、倾侧率信号、速度信号和横向加速度信号作出响应，所述观察器使用卡尔曼滤波来提供估计的横摆角速度信号、估计的倾侧率、估计的倾侧角和估计的横向加速度；和

横向速度估计处理器，用于对所述倾侧率信号、估计的倾侧角信号、估计的横向速度信号和横向加速度信号作出响应，所述横向速度估计处理器用于当所述车辆在非线性区域中操作时计算修改的横向速度估计信号。

2.如权利要求1所述的系统，其中当所述车辆从线性转到非线性工作区域时，所述卡尔曼滤波器观察器改变滤波器中的协方差矩阵。

3.如权利要求1所述的系统，其中所述卡尔曼滤波器观察器使用三个自由度模型。

4.如权利要求1所述的系统，进一步包括传感器前置滤波处理器，用于对所述转向角信号、横摆角速度信号、倾侧率信号、速度信号和横向加速度信号作出响应，所述传感器前置滤波处理器滤出所述信号的低频分量，并且根据所述低频分量来估计传感器偏置。

5.如权利要求4所述的系统，其中所述传感器前置滤波处理器使用递归最小二乘方技术来提供传感器偏置估计。

6.如权利要求4所述的系统，其中所述传感器前置滤波处理器使用可变的遗忘因子，所述遗忘因子为在0和1之间的值并且根据在所述传感器信号的低频分量和所估计的传感器偏置之间的误差来设置。

7.如权利要求1所述的系统，其中所述横向速度估计处理器对横向速度积分以修改横向速度估计信号。

8.如权利要求7所述的系统，其中所述横向速度估计处理器使用下列方程式来确定所修改的所估计横向加速度信号：

$v_y=\∫(a_{\mathrm{ym}}-{\mathrm{\γv}}_x-g\sin \mathrm{\φ})\mathrm{dt}$

其中v_y为横向速度，a_ym为横向加速度，γ为横摆角速度，v_x为车辆速度并且g为万有引力常数。

9.如权利要求1所述的系统，其中所述系统用来估计车辆状态以便避免车辆倾翻。

10.如权利要求1所述的系统，其中所述系统使用横向加速度信号、倾侧率信号或倾侧角信号来确定所述车辆是否处于非线性工作区域。

11.一种用于估计车辆状态的系统，所述系统包括：

多个传感器，用于测量车辆状态并且提供传感器信号；

卡尔曼滤波器观察器，用于对传感器信号作出响应，所述观察器提供估计的车辆状态；和

横向速度估计处理器，用于对一些传感器信号和一些估计的车辆状态作出响应，当所述车辆在非线性区域中操作时所述横向速度估计处理器计算修改的横向速度估计信号。

12.如权利要求11所述的系统，其中当所述车辆从线性转到非线性工作区域时，所述卡尔曼滤波器观察器改变滤波器中的协方差矩阵。

13.如权利要求11所述的系统，其中所述卡尔曼滤波器观察器使用三个自由度模型。

14.如权利要求1所述的系统，进一步包括传感器前置滤波处理器，用于对传感器信号作出响应，所述传感器前置滤波处理器滤出信号的低频分量，并且根据所述低频分量来估计传感器偏置。

15.如权利要求14所述的系统，其中所述传感器前置滤波处理器使用递归最小二乘方技术来提供传感器偏置估计。

16.如权利要求14所述的系统，其中所述传感器前置滤波处理器使用可变的遗忘因子，所述遗忘因子为在0和1之间的值并且根据在所述传感器信号的低频分量和所估计的传感器偏置之间的误差来设置。

17.如权利要求11所述的系统，其中所述横向速度估计处理器对横向速度积分以修改横向速度估计信号。

18.一种用于估计车辆状态的系统，所述系统包括：

多个传感器，用于测量车辆状态并且提供传感器信号；和

卡尔曼滤波器观察器，用于对传感器信号作出响应，所述观察器提供估计的车辆状态，当所述车辆从线性工作区域转到非线性工作区域中时所述卡尔曼滤波器观察器改变所述滤波器中的协方差矩阵。

19.如权利要求18所述的系统，其中所述卡尔曼滤波器观察器使用三个自由度模型。

20.一种用于估计车辆状态的系统，所述系统包括：

多个传感器，用于测量车辆状态并且提供传感器信号；

传感器前置滤波处理器，用于对传感器信号作出响应，所述传感器前置滤波处理器滤出信号的低频分量，并且根据所述低频分量来估计传感器偏置；和

卡尔曼滤波器观察器，用于对过滤的传感器信号作出响应，所述观察器提供估计的车辆状态。

21.如权利要求20所述的系统，其中所述传感器前置滤波处理器使用递归最小二乘方技术来提供传感器偏置估计。

22.如权利要求20所述的系统，其中所述传感器前置滤波处理器使用可变的遗忘因子，所述遗忘因子为在0和1之间的值并且根据在所述传感器信号的低频分量和所估计的传感器偏置之间的误差来设置。

Images