CN104354700A - 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 - Google Patents
一种基于无迹卡尔曼滤波的车辆参数在线估计方法 Download PDFInfo
- Publication number
- CN104354700A CN104354700A CN201410609166.3A CN201410609166A CN104354700A CN 104354700 A CN104354700 A CN 104354700A CN 201410609166 A CN201410609166 A CN 201410609166A CN 104354700 A CN104354700 A CN 104354700A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- kalman filtering
- unscented kalman
- parameter
- line estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
- B60W2040/1315—Location of the centre of gravity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0013—Optimal controllers
Abstract
本发明公开了一种在车辆行驶过程中,利用无迹卡尔曼滤波技术进行整车质量、重心位置等车辆参数的在线估计方法,其硬件部分主要包括车辆纵向速度和加速度、车轮角速度和角加速度、车辆垂向加速度等车载传感器,以及微控制器等;软件部分主要为进行整车质量和重心位置估计的无迹卡尔曼滤波算法。该方法可针对重型货车、轻量化汽车等车辆的载荷变化对整车质量与重心位置影响较大的特点,通过对车辆动力学状态进行采集,并建立无迹卡尔曼滤波器,实现对整车质量、重心位置等车辆参数的在线估计。
Description
技术领域
本发明涉及一种在车辆行驶过程中,利用无迹卡尔曼滤波技术进行整车质量、重心位置等车辆参数的在线估计方法,属于车辆辅助驾驶领域。
背景技术
对于重型货车、轻量化汽车而言,其载重量的变化会对整车质量产生显著的影响,同时也会导致车辆重心位置发生明显变动。然而,现有的防抱死制动控制、车身电子稳定控制等车辆主动安全系统,一般通过静态测量方式预先获取车辆在静止状态时的整车质量和重心位置,并假定这两类参数在车辆行驶过程中近似恒定,以建立线性的车辆动力学模型,实现控制系统设计。可见,一旦整车质量和重心位置在行驶过程中发生变化,例如重型货车的载荷变化必将导致其质量和重心位置发生变化,就会造成车辆动力学模型的不准确,从而导致控制系统失效。因此,为使重型货车、轻量化汽车等车辆的主动安全控制系统工作正常,必须在车辆行驶过程中准确、及时地掌握整车质量和重心位置的变化,以修正控制系统中的车辆动力学模型参数。
目前,已有专利文献分别针对整车质量、重心位置进行估计。专利文献CN200680045320.2公开了一种用于确定实际的相对重心高度的方法和设备,专利文献CN200980161608.X公开了一种利用车载已有传感器估计车辆重心高度的方法,专利文献CN201210105145.9公开了一种基于高频信息提取整车质量的方法,专利文献CN201210502132.5公开了一种在车辆处于自动加速事件控制之下,通过比较车辆实际加速度与预计加速度之间的差值来估计整车质量的方法。这些专利均通过特殊方法在线估计整车质量或重心位置,但均无法同时估计整车质量和重心位置。同时,这些专利方法均未采用基于模型的在线估计方法,所获取的整车质量、重心位置等车辆参数的精度并不高。本发明基于无迹卡尔曼滤波算法,利用低成本的车载传感器采集纵向速度、加速度、前后轮速等车辆状态信息,对整车质量、重心位置等车辆参数进行在线估计,及时获取车辆载荷变化导致的车辆参数变化,从而为车辆主动安全控制系统实时地提供精确可靠的车辆参数。具体地,本发明基于车辆动力学模型构建无迹卡尔曼滤波器,以低成本传感器采集的车辆动力学状态信息作为观测量,实现对难以在线、直接测量的车辆参数进行估计。
发明内容
本发明所要解决的问题是:针对上述问题,本发明采用基于模型的在线估计方法,即无迹卡尔曼滤波算法,估计整车质量、重心位置等车辆参数,为车辆主动安全控制系统在运行过程中及时地更新整车质量、重心位置等信息。
本发明解决其技术问题采用以下的技术方案:
本发明提供的基于无迹卡尔曼滤波的车辆参数在线估计方法,具体是:通过获取车辆的纵向速度和加速度、车轮角速度和角加速度、车辆垂向加速度以及车辆前后轮转矩信息,结合车辆三自由度动力学模型构建无迹卡尔曼滤波算法,以车辆纵向速度,前后车轮转速作为系统观测量,车辆前后轮转矩作为系统输入量,实现对整车质量、重心高度、重心位置等参数的在线估计方法,包括以下步骤:
(1)构建三自由度车辆动力学模型,建立与整车质量m、重心高度hCG及重心水平位置Lf相关的车辆动力学模型,
(2)结合所构建的车辆动力学模型,建立无迹卡尔曼滤波器的状态方程和观测方程,以确定相应的输入量以及观测量,实现整车质量m、重心高度hCG及重心水平位置Lf的在线估计算法。
上述步骤(1)中,所述的三自由度车辆动力学模型包括车辆的纵向运动、垂向运动以及俯仰运动,对应的动力学方程为:
式中:m为整车质量;vx为纵向速度;Fxf、Fxr分别为车辆前后轮胎的纵向力;Fa为空气阻力;g为重力加速度;φ为道路坡度;J为车轮转动惯量;wf、wr分别为前后轮速;Tf、Tr为前后车轮转矩,Trf、Trr为前后车轮滚动阻力矩,r为车轮有效半径,并假设前后车轮半径相同。
上述步骤(2)中,所述的无迹卡尔曼滤波器的状态方程是:
xk=f(xk-1,uk-1)+wk
式中:xk=[vx,k,wf,k,wr,k,m,hCG,lf]T,为六维矢量系统,xk中包含的前三个参数vx、wf、wr为可测量,后三个参数m、hCG、lf是系统的待估计参数;u=[Tf,Tr]T为系统的输入量,wk为过程噪声,上式中:
上述步骤(2)中,所述的无迹卡尔曼滤波器的观测方程是:
yk=Hxk+vk
式中:xk为系统状态向量,yk为观测向量,yk=[vx,k,wf,k,wr,k]T,H为状态转移矩阵,vk为观测噪声。
其中:
本发明与现有技术相比具有以下主要的优点:
基于模型的参数估计方法,通过对车辆进行动力学建模,同时将低成本的车载传感器采集的车辆动力学状态信息作为观测量,进而利用合适的滤波算法实现对汽车运行状态的估计。该方法可实现对难以直接测量的参数进行估计,还可提高待估计参数的精度,同时降低系统的成本。
基于无迹卡尔曼滤波的车辆参数估计算法,可有效实现整车质量与重心位置的在线估计,所估计参数可以较快地逼近真值,及时掌握车辆行驶过程中的自身结构参数变化,为主动安全控制系统提供准确的车辆参数信息。
附图说明
图1是本发明参数估计理论的整体设计。
图2是本发明的车辆三自由度动力学模型示意图。
图3是本发明的无迹卡尔曼滤波算法流程图。
具体实施方式
下面结合实施例和附图对本发明进行详细的描述,但并不局限于下面所述内容。
本发明提供的基于无迹卡尔曼滤波的车辆参数在线估计方法,如图1所示,通过获取车辆的纵向速度和加速度、车轮角速度和角加速度、车辆垂向加速度以及车辆前后轮转矩等信息,结合车辆三自由度动力学模型构建无迹卡尔曼滤波算法,以车辆纵向速度,前后车轮转速作为系统观测量,车辆前后轮转矩作为系统输入量,实现对整车质量、重心位置等车辆参数的在线估计。
该方法是关于车辆的整车质量m、重心高度hCG及其水平位置Lf的估计算法,包括以下步骤:
1.构建三自由度车辆动力学模型:
如图2所示,建立与整车质量m、重心高度hCG及重心水平位置Lf相关的车辆动力学模型,其中XOY为绝对坐标系,固定在地面上,xoy为车辆坐标系(相对坐标系)。
这里的车辆三自由度动力学模型包括车辆的纵向运动、以及前后车轮的回转运动,对应的动力学模型如下:
式中,m为整车质量;vx为纵向速度;Fxf、Fxr分别为车辆前后轮胎的纵向力;Fa为空气阻力;g为重力加速度;φ为道路坡度;J为车轮转动惯量;wf、wr分别为前后车轮角速度;Tf、Tr为前后车轮转矩,Trf、Trr为前后车轮滚动阻力矩,r为车轮有效半径,并假设前后车轮半径相同。
这里采用线性轮胎模型求解轮胎纵向力:
式中,wf、wr分别为前后车轮转动角速度;r为车轮有效半径;Cx是车辆轮胎纵向力系数。
式(1)中的空气阻力Fa采用如下公式计算:
式中,Ca为综合空气阻力系数;ρ为空气密度;A为车头横截面积;Cd为空气阻力系数。
前后车轮滚动阻力矩Trf、Trr的计算公式如下:
Tri=γrFzi (8)
式中γ为轮胎滚动阻力系数;
在存在道路坡度的情况下,车辆前后轮胎的垂向力计算公式如下:
Fzf=m(g+az)(lr/l)-(m/l)β·hCG (9)
Fzr=m(g+az)(lf/l)+(m/l)β·hCG (10)
式中,az为车辆沿垂向运动的加速度;l为前后轴距,l=lf+lr;Fzf、Fzr分别为车辆前后轮胎所受的垂向力,β为等效加速度。
β=gφ+ax+Fa/m (11)
这里,ax为纵向加速度。
车辆沿垂向运动的加速度采用如下公式进行计算:
az=ax sinφ≈axφ (12)
2.建立无迹卡尔曼滤波器的状态方程和观测方程:
综合车辆自身结构参数,根据上述建立的车辆动力学模型,基于无迹卡尔曼滤波算法,在线估计车辆的整车质量m、重心高度hCG及重心水平位置lf等参数。
①根据上述构建的车辆动力学模型,系统状态方程和观测方程分别如下:
xk=f(xk-1,uk-1)+wk
yk=Hxk+vk
式中, 为六维矢量系统,其中 为可测量, 是系统的待估计参数,u=[Tf,Tr]T为系统的输入量。上式中:
②无迹卡尔曼滤波中Sigma点的对称采样策略:
这里采用对称采样策略选取Sigma点。
设xk的均值为方差为Px,则可产生一个L矩阵,该矩阵由13个列向量组成:
为消除采样的非局部效应,对原始Sigma点集进行比例修正,各个Sigma点的权值为:
式中,为均值的权;为方差的权;λ为调节参数,λ=α2(n+κ)-n,κ≥0,以保证方差矩阵的半正定性,这里选择κ=0。参数α表示测试点偏离期望值的程度,通常是一个非常小的正数,譬如0<α<10-4。β用来描述x的分布信息(高斯分布情况下β=2为最优)。
③算法步骤:
无迹卡尔曼滤波算法流程如图3所示,具体算法步骤如下:
STEP 1:初值设定。设状态量的初始均值和方差分别为:
STEP 2:Sigma点计算。根据产生的13个Sigma点组成列向量ξk(k=0,1,…,12)为:
ξk|k=(ξ0,ξ1,...,ξ12)T
STEP 3:时间更新。对于非线性状态方程,须对各个Sigma点进行非线性变换,即:
ξk+1|k=f(ξk|k,uk)+wk
通过加权得到状态的一步预测值为:
通过加权得到方差阵的一步预测值为:
由观测方程对各Sigma点进行非线性变换,可得:
φi,k+1|k=h(ξi,k+1|k,vk)
通过加权得到系统的一步观测预测值为:
STEP 4:观测更新,求系统输出的方差阵为:
计算协方差阵为:
计算滤波增益阵为:
得到状态更新后的滤波值为:
xk+1|k+1=xk+1|k+Kk+1(yk+1-yk+1|k)
求解状态后验方差阵为:
Claims (4)
1.一种基于无迹卡尔曼滤波的车辆参数在线估计方法,其特征在于通过获取车辆的纵向速度和加速度、车轮角速度和角加速度、车辆垂向加速度等信息,结合车辆三自由度动力学模型构建无迹卡尔曼滤波器,以车辆纵向速度、前后车轮转速作为系统观测量,车辆前后轮转矩作为系统输入量,实现对整车质量、重心位置等参数的在线估计方法,包括以下步骤:
(1)构建三自由度车辆动力学模型,建立与整车质量m、重心高度hCG和重心水平位置Lf相关的车辆动力学模型;
(2)结合所构建的车辆动力学模型,建立无迹卡尔曼滤波器的状态方程和观测方程,以确定相应的输入量与观测量,实现整车质量m、重心高度hCG及重心水平位置Lf的在线估计算法。
2.如权利要求1所述的基于无迹卡尔曼滤波的车辆参数在线估计方法,其特征在于:所述步骤(1)中的车辆三自由度动力学模型包括车辆的纵向运动、垂向运动以及俯仰运动,对应的动力学方程为:
式中:m为整车质量;vx为纵向速度;Fxf、Fxr分别为车辆前后轮胎的纵向力;Fa为空气阻力;g为重力加速度;φ为道路坡度;J为车轮转动惯量;wf、wr分别为前后轮速;Tf、Tr为前后车轮转矩,Trf、Trr为前后车轮滚动阻力矩,r为车轮有效半径,并假设前后车轮半径相同。
3.如权利要求1所述的基于无迹卡尔曼滤波的车辆参数在线估计方法,其特征在于所述步骤(2)中建立的无迹卡尔曼滤波器的状态方程是:
xk=f(xk-1,uk-1)+wk
其中:
上式中:xk=[vx,k,wf,k,wr,k,m,hCG,lf]T,为六维矢量系统,xk中包含的前三个参数vx,wf,wr为可测量,后三个参数m,hCG,lf是系统的待估计参数;u=[Tf,Tr]T为系统的输入量,wk为过程噪声。
4.如权利要求1所述的基于无迹卡尔曼滤波的车辆参数在线估计方法,其特征在于所述步骤(2)中建立的无迹卡尔曼滤波器的观测方程是:
yk=Hxk+vk
其中,
上式中:xk为系统状态向量,yk为观测向量,yk=[vx,k,wf,k,wr,k]T,H为状态转移矩阵,vk为观测噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410609166.3A CN104354700B (zh) | 2014-11-03 | 2014-11-03 | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410609166.3A CN104354700B (zh) | 2014-11-03 | 2014-11-03 | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104354700A true CN104354700A (zh) | 2015-02-18 |
CN104354700B CN104354700B (zh) | 2017-06-13 |
Family
ID=52522052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410609166.3A Active CN104354700B (zh) | 2014-11-03 | 2014-11-03 | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104354700B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105000018A (zh) * | 2015-06-25 | 2015-10-28 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
CN105416294A (zh) * | 2015-12-26 | 2016-03-23 | 吉林大学 | 一种重型汽车列车参数估计方法 |
CN106564504A (zh) * | 2016-11-02 | 2017-04-19 | 陕西法士特齿轮有限责任公司 | 一种用于amt整车质量的计算方法 |
CN107985318A (zh) * | 2017-11-29 | 2018-05-04 | 吉林大学 | 轮式装载机重心纵向位置和重心高度动态估计方法 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
CN109685935A (zh) * | 2017-10-18 | 2019-04-26 | 上海汽车集团股份有限公司 | 一种整车系统状态量的估计方法和装置 |
CN109808699A (zh) * | 2017-11-16 | 2019-05-28 | 北京经纬恒润科技有限公司 | 一种预估车辆载重的方法及系统 |
CN110103976A (zh) * | 2019-04-17 | 2019-08-09 | 国机智骏科技有限公司 | 路面坡度计算方法和装置 |
CN110231181A (zh) * | 2019-05-13 | 2019-09-13 | 中冀施玛特科技河北有限公司 | 一种基于振动测试信息的车辆物理参数估计方法 |
CN110588657A (zh) * | 2019-08-07 | 2019-12-20 | 江苏大学 | 一种针对车辆运动状态及道路坡度的联合估计方法 |
CN111422247A (zh) * | 2020-03-20 | 2020-07-17 | 合肥工业大学 | 线控转向电机和传感器的故障诊断及容错补偿算法 |
CN111703432A (zh) * | 2020-06-28 | 2020-09-25 | 湖南大学 | 一种智能履带车辆滑动参数实时估计方法 |
CN112590803A (zh) * | 2020-12-16 | 2021-04-02 | 北理慧动(常熟)车辆科技有限公司 | 一种单轴并联混合动力商用车整车质量在线估计方法 |
CN113721509A (zh) * | 2021-08-25 | 2021-11-30 | 武汉理工大学 | 一种基于集装箱货车信号采集装置的参数估计方法 |
WO2023109214A1 (zh) * | 2021-12-15 | 2023-06-22 | 上海振华重工(集团)股份有限公司 | 一种基于驱动系统输出信号进行设备负载识别的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021310A (zh) * | 2014-06-23 | 2014-09-03 | 清华大学 | 基于UKF与修正Dugoff轮胎模型路面峰值附着系数估算方法 |
-
2014
- 2014-11-03 CN CN201410609166.3A patent/CN104354700B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021310A (zh) * | 2014-06-23 | 2014-09-03 | 清华大学 | 基于UKF与修正Dugoff轮胎模型路面峰值附着系数估算方法 |
Non-Patent Citations (2)
Title |
---|
周聪等: "多采样率卡尔曼滤波器在汽车状态估计中的应用", 《西南交通大学学报》 * |
李刚等: "基于卡尔曼滤波的车辆状态与路面附着估计", 《华南理工大学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105000018B (zh) * | 2015-06-25 | 2017-09-12 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
CN105000018A (zh) * | 2015-06-25 | 2015-10-28 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
CN105416294A (zh) * | 2015-12-26 | 2016-03-23 | 吉林大学 | 一种重型汽车列车参数估计方法 |
CN106564504A (zh) * | 2016-11-02 | 2017-04-19 | 陕西法士特齿轮有限责任公司 | 一种用于amt整车质量的计算方法 |
CN109685935B (zh) * | 2017-10-18 | 2021-09-24 | 上海汽车集团股份有限公司 | 一种整车系统状态量的估计方法和装置 |
CN109685935A (zh) * | 2017-10-18 | 2019-04-26 | 上海汽车集团股份有限公司 | 一种整车系统状态量的估计方法和装置 |
CN109808699A (zh) * | 2017-11-16 | 2019-05-28 | 北京经纬恒润科技有限公司 | 一种预估车辆载重的方法及系统 |
CN107985318A (zh) * | 2017-11-29 | 2018-05-04 | 吉林大学 | 轮式装载机重心纵向位置和重心高度动态估计方法 |
CN107985318B (zh) * | 2017-11-29 | 2019-10-25 | 吉林大学 | 轮式装载机重心纵向位置和重心高度动态估计方法 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
CN110103976A (zh) * | 2019-04-17 | 2019-08-09 | 国机智骏科技有限公司 | 路面坡度计算方法和装置 |
CN110231181A (zh) * | 2019-05-13 | 2019-09-13 | 中冀施玛特科技河北有限公司 | 一种基于振动测试信息的车辆物理参数估计方法 |
CN110231181B (zh) * | 2019-05-13 | 2020-12-29 | 中冀施玛特科技河北有限公司 | 一种基于振动测试信息的车辆物理参数估计方法 |
CN110588657A (zh) * | 2019-08-07 | 2019-12-20 | 江苏大学 | 一种针对车辆运动状态及道路坡度的联合估计方法 |
CN111422247A (zh) * | 2020-03-20 | 2020-07-17 | 合肥工业大学 | 线控转向电机和传感器的故障诊断及容错补偿算法 |
CN111703432A (zh) * | 2020-06-28 | 2020-09-25 | 湖南大学 | 一种智能履带车辆滑动参数实时估计方法 |
CN111703432B (zh) * | 2020-06-28 | 2022-12-20 | 湖南大学 | 一种智能履带车辆滑动参数实时估计方法 |
CN112590803A (zh) * | 2020-12-16 | 2021-04-02 | 北理慧动(常熟)车辆科技有限公司 | 一种单轴并联混合动力商用车整车质量在线估计方法 |
CN112590803B (zh) * | 2020-12-16 | 2022-02-22 | 北理慧动(常熟)车辆科技有限公司 | 一种单轴并联混合动力商用车整车质量在线估计方法 |
CN113721509A (zh) * | 2021-08-25 | 2021-11-30 | 武汉理工大学 | 一种基于集装箱货车信号采集装置的参数估计方法 |
CN113721509B (zh) * | 2021-08-25 | 2024-03-08 | 武汉理工大学 | 一种基于集装箱货车信号采集装置的参数估计方法 |
WO2023109214A1 (zh) * | 2021-12-15 | 2023-06-22 | 上海振华重工(集团)股份有限公司 | 一种基于驱动系统输出信号进行设备负载识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104354700B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104354700A (zh) | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 | |
CN106394561B (zh) | 一种车辆的纵向车速的估计方法和装置 | |
CN102673569B (zh) | 车辆状态测算装置、方法及使用该装置的车辆 | |
Nam et al. | Estimation of sideslip and roll angles of electric vehicles using lateral tire force sensors through RLS and Kalman filter approaches | |
CN103434511B (zh) | 一种车速与道路附着系数的联合估计方法 | |
CN103407451B (zh) | 一种道路纵向附着系数估计方法 | |
CN108594652B (zh) | 一种基于观测器信息迭代的车辆状态融合估计方法 | |
Huang et al. | Center of gravity height real-time estimation for lightweight vehicles using tire instant effective radius | |
CN103909933B (zh) | 一种分布式电驱动车辆的前轮侧向力估算方法 | |
CN105667520B (zh) | 一种分布式驱动电动车的前轮侧向力估计方法 | |
US20090177346A1 (en) | Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors | |
CN108284841A (zh) | 一种分布式驱动电动汽车行驶状态自适应迭代估计方法 | |
CN108819950B (zh) | 汽车稳定性控制系统的车速估计方法及系统 | |
CN109606378A (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
Jeong et al. | Estimation of tire load and vehicle parameters using intelligent tires combined with vehicle dynamics | |
CN102165300A (zh) | 用于求出汽车重心的方法和设备 | |
Lin et al. | A novel H∞ and EKF joint estimation method for determining the center of gravity position of electric vehicles | |
CN108162976A (zh) | 一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法 | |
Jiang et al. | Estimation of vehicle's vertical and lateral tire forces considering road angle and road irregularity | |
CN108241773A (zh) | 一种改进的车辆行驶状态估计方法 | |
CN110884499A (zh) | 一种确定车辆质心侧偏角的方法和系统 | |
Doumiati et al. | An estimation process for vehicle wheel-ground contact normal forces | |
Lin et al. | Estimation of center of gravity position for distributed driving electric vehicles based on combined H∞-EKF method | |
Ghosh et al. | Sideslip angle estimation of a Formula SAE racing vehicle | |
CN115406669A (zh) | 一种多轴特种车辆侧翻指标优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |