CN104554271A - 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 - Google Patents
一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 Download PDFInfo
- Publication number
- CN104554271A CN104554271A CN201410745755.4A CN201410745755A CN104554271A CN 104554271 A CN104554271 A CN 104554271A CN 201410745755 A CN201410745755 A CN 201410745755A CN 104554271 A CN104554271 A CN 104554271A
- Authority
- CN
- China
- Prior art keywords
- parameter
- phi
- car
- estimation
- road gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005096 rolling process Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 19
- 230000001141 propulsive effect Effects 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 abstract description 8
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000002085 persistent effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000037396 body weight Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- B60W40/10—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 vehicle motion
- B60W40/105—Speed
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0657—Engine torque
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,属于车辆工程领域。本发明首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。本发明节约了成本,避免了量测噪声的积累,提高了精度;减少了计算量。
Description
技术领域
本发明涉及一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,属于车辆工程领域。
背景技术
现代车辆控制效果不仅仅取决于整车控制器的性能,还依赖于车辆行驶过程中动态参数变化。如果汽车行驶过程中一些未知且动态变化的参数(如路况坡度、车重变化、风阻等)可以被精确测量到,不仅可改善车辆系统控制精度,且可为汽车安全驾驶提供信息参考。但由于硬件配置、安装空间及价格等限制,无法安装充足的传感器对所需要的信息进行全面测量。参数估计则可采用有限的传感器测得的部分信息(车速及驱动力)结合系统模型,并运用某种算法来获得对路况坡度和车重等状态参数的实时在线估计。
现有技术中对车辆行驶路面坡度及状态参数的估计方法包括有基于加速度偏差坡度的估计方法和基于纵向动力学模型的估计方法。前者需要安装加速度传感器获取加速度信息,因此极易受外部干扰影响,鲁棒性不强,且通常需要先估计坡度,然后再基于此进行二次估计车重等,无法实现联合估计,计算复杂且速度慢。而基于纵向动力学模型的估计方法中,目前大都需要设计观测器或者卡尔曼滤波起来获取系统输出误差来驱动自适应律,因此常需要外加GPS信号等,硬件配置要求较高,并需预先得知噪声的统计特性。特别是所设计的自适应律都是依赖于传统梯度方法,用输出误差去更新参数估计,因此估计参数误差的收敛速度变慢,且对于参数收敛需要满足的持续激励(PE)条件,难以在线测试。传统的自适应参数辨识方法需要附加加速度、GPS等传感器才能实时估计出车辆行驶的路面坡度及状态参数,增加了系统的复杂性和产品的成本。因此目前方法均难以满足汽车高速、安全行驶过程中实时、在线、快速联合参数估计的需求。
发明内容
本发明提供了一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,以用于通过设计基于参数估计误差的自适应律方法实现路面坡度和车辆关键状态参数的在线、联合、快速估计,并提出参数收敛的判别方法,解决传统方法对加速度、GPS等附加传感器依赖,获得更快速的在线估计效果,为提高车辆控制系统精度和稳定性提供支持。
本发明的技术方案是:一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。
所述方法的具体步骤如下:
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,m是汽车质量,v是汽车行驶速度,Fforce为汽车发动机驱动力,g是重力加速度常数,q是路面坡度,Cvf是粘性摩擦系数,Cm是滚动摩擦系数,C是空气阻力系数;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量车速v和发动机驱动力Fforce计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:车辆在行驶过程中根据已有的车载传感器和整车控制系统配置的CAN总线可以实时采集车速v以及发动机驱动力Fforce,并将这两个量作为估计算法的输入量;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
当矩阵M(t)最小特征值大于0,则执行步骤Step6;否则给驱动力加入随机干扰,然后返回步骤Step3;
Step6、用包含参数估计误差的向量W(t)设计自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值并保证指数收敛或有限时间收敛;
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度q;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的q和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
所述步骤Step6中,保证指数收敛的参数估计自适应律为:其中,Γ为学习速率。
所述步骤Step6中,保证有限时间收敛的参数估计自适应律为:其中,Γ为学习速率。
本发明的工作原理是:
1)基于牛顿第二定律建立汽车行驶纵向动力学方程;
根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型为:
其中,m是汽车质量,v是汽车行驶速度,Fforce为汽车发动机驱动力,g是重力加速度常数,q是路面坡度,Cvf是粘性摩擦系数,Cm是滚动摩擦系数,C是空气阻力系数。
进一步通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,而φ(v,Fforce)=[-g -v -1 Fforce -v2]T是可以通过系统的输入量(车速及发动机驱动力)计算获得的递推向量。
2)通过车载传感器测量并计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量;
车辆在行驶过程中根据已有的车载传感器和整车控制系统配置的CAN总线可以实时采集车速以及发动机输出的驱动力,并将这两个量作为估计算法的输入量传入估计模块系统中。
3)对系统动态进行滤波操作,提取参数估计误差;
首先对系统动态v和φ进行滤波操作,定义其滤波状态变量vf和φf为:
其中,k是一个正常数。然后用滤波的变量来定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为
对其进行积分运算可得:
在获得M(t)和N(t)基础上,可以计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值。则可根据上述系统动力学特性以及包含参数估计误差的向量定义知:
可见,辅助变量W(t)包含参数估计误差信息实现了参数误差信息的提取。
4)运用参数估计误差W(t)设计用于参数联合估计的自适应律,实现估计误差指数收敛和有限时间收敛;
根据所得到的辅助变量W(t)∈R5×1,设计如下自适应律在线更新汽车行驶纵向动力学模型中的未知参数向量:
证明上述自适应律可保证估计误差指数收敛。
进一步设计能保证有限时间收敛的自适应律为
并证明上述自适应律可保证估计误差有限时间收敛。
5)验证参数估计收敛性的条件;
证明只要递推矩阵φ满足持续激励(PE)条件,则滤波矩阵M(t)最小特征值大于0,进一步证明上述4)中所示的自适应律可分别保证估计误差指数收敛和有限时间收敛。故验证参数收敛条件(持续激励条件)可等价为验证矩阵M(t)最小特征值是否大于0,提供了一种可操作的验证持续激励条件的方法。
6)通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数等未知参数变量;
在动力学方程中需要估计的未知参数变量(如:路况坡度θ,车重m,空气阻力系数C等)不能由估计得到的向量直接给出,但可进行简单的数学变换导出所需变量的估计值,如:求sin函数的反函数得出路面坡度θ,求的倒数得到车重m,以此类推。
本发明的有益效果是:
1、本发明仅采用车速及发动机驱动力作为估计方法的输入量,减少了对加速度、GPS等附加传感器的使用,不仅节约了成本,而且避免了量测噪声的积累,提高了精度。
2、区别传统采用梯度的参数估计方法,本发明中采用参数估计误差信息来驱动自适应律,避免了传统状态观测器的设计,减少了计算量,易于实时在线应用,且可实现有限时间收敛的参数估计。
3、本发明提出了参数收敛条件的在线判别方法。考虑到参数估计需要满足持续激励(PE)条件的在线判别极其困难,目前方法较少且不直观。本发明将其转化为可在线判别的等价条件(计算矩阵最小特征值),故当该条件不满足时可通过加入干扰信号保证参数收敛。
4、本发明的鲁棒性能良好且可保证参数在有限时间内收敛,适用于各种车辆行驶在各种工况道路的实时、在线估计,具有较广泛的实用性。
附图说明
图1为本发明所提供的用于构建实际汽车行驶纵向动力学模型的系统示意图;
图2为本发明所提供的基于参数误差信息学习的自适应参数估计方法的流程图;
图3为本发明应用实施例1中对路况坡度的估计效果图;
图4为本发明应用实施例1中对车重的估计效果图;
图5为本发明应用实施例1中对空气阻力系数、摩擦系数估计效果图;
图6为本发明应用实施例2中对路况坡度的估计效果图;
图7为本发明应用实施例2中对车重的估计效果图;
图8为本发明应用实施例2中对空气阻力系数、摩擦系数估计效果图。
具体实施方式
实施例1:如图1-8所示,一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,所述方法的具体步骤如下:
按照上述发明所述流程对一类典型的中型车行驶路面坡度和状态参数继续了估计,并在Matlab软件中进行了数值模拟。
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,v是汽车行驶速度,Fforce为汽车发动机驱动力,q是路面坡度,汽车质量m=1500,重力加速度常数g=9.8,粘性摩擦系数Cvf=0.22,滚动摩擦系数Cm=0.01,空气阻力系数C=0.65;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量(车速v和发动机驱动力Fforce)计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:本实施案例中路面坡度q为典型上坡路段坡度,车速v及发动机驱动力Fforce通过给汽车行驶纵向动力学模型增加PID速度控制而得到;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k=0.001是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l=1是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
本实施案例中,可计算得知矩阵M(t)最小特征值大于0,故执行步骤Step6;
Step6、用包含参数估计误差的向量W(t)设计自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值
保证指数收敛的参数估计自适应律为:
其中,Γ=5*diag([20,0.005,100,0.002,0.001])为学习速率。
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度θ;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的θ和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
根据上述实施流程,可获得该案例仿真结果如图3-图5。图3为真实路况坡度θ与估计路况坡度对比,可见本发明提出的方法可对于本案例所采用的典型上坡路段的路面坡度实现很好的估计,特别对于坡度的变化亦能实现快速的跟踪。图4为真实车重m与估计车重对比,可见在路面坡度变化的时刻虽然车重估计有较小波动,但对总体车重实现了快速、准确的估计。图5为估计出的摩擦系数和空气阻力系数可见估计出的系数基本收敛到其真实值的附近。上述实施案例数值仿真结果表明,本发明所提出的联合估计算法能有效估计出路况坡度和车体重量,并且对摩擦系数和空气阻力系数等均能进行在线估计,这些获得的参数可进一步为汽车总体控制系统实施提供参考,并为汽车安全系统操作提供数据支持。
实施例2:如图1-8所示,一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,所述方法的具体步骤如下:
按照上述发明所述流程对一类典型的中型车行驶路面坡度和状态参数进行了有限时间估计,并在Matlab软件中进行了数值模拟。
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,v是汽车行驶速度,Fforce为汽车发动机驱动力,q是路面坡度,汽车质量m=1500,重力加速度常数g=9.8,粘性摩擦系数Cvf=0.22,滚动摩擦系数Cμ=0.01,空气阻力系数C=0.65;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量(车速v和发动机驱动力Fforce)计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:本实施案例中路面坡度q为典型上坡路段坡度,车速v及发动机驱动力Fforce通过给汽车行驶纵向动力学模型增加PID速度控制而得到;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k=0.001是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l=1是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
本实施案例中,对比实施例1改变了PID速度控制的给定参考速度轨迹,故首次计算得矩阵M(t)最小特征值小于0。因此需在控制器输出的驱动力Fforce上引入均值为0的随机干扰信号,并返回Step3。此时矩阵M(t)最小特征值大于0,故继续执行步骤Step6;
Step6、用包含参数估计误差的向量W(t)设计有限时间收敛的自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值
保证有限时间收敛的参数估计自适应律为:
其中,Γ=0.2*diag([18,0.001,12,0.0001,0.0015])为学习速率。
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度θ;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的θ和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
根据上述实施流程,可获得该案例仿真结果如图6-图8。图6为真实路况坡度θ与估计路面坡度对比,可见本发明提出的方法可对于本案例所采用的典型上坡路段的路面坡度实现很好的估计,且对比实施例1的方法获得更好的估计效果。图7为真实车重m与估计车重对比,可见在路面坡度变化的情况下依然对总体车重实现了快速、准确的估计。图8为估计出的摩擦系数和空气阻力系数基本收敛到其真实值的附近。上述实施案例数值仿真结果表明,本发明所提出的有限时间收敛的估计算法能有效估计出路况坡度、车体重量,摩擦系数和空气阻力系数等,且获得比实施例1中指数收敛方法更快的收敛性能。
实施例3:如图1-8所示,一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。
所述方法的具体步骤如下:
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,m是汽车质量,v是汽车行驶速度,Fforce为汽车发动机驱动力,g是重力加速度常数,q是路面坡度,Cvf是粘性摩擦系数,Cm是滚动摩擦系数,C是空气阻力系数;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量车速v和发动机驱动力Fforce计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:车辆在行驶过程中根据已有的车载传感器和整车控制系统配置的CAN总线可以实时采集车速v以及发动机驱动力Fforce,并将这两个量作为估计算法的输入量;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
当矩阵M(t)最小特征值大于0,则执行步骤Step6
Step6、用包含参数估计误差的向量W(t)设计自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值并保证有限时间收敛;
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度q;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的q和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
所述步骤Step6中,保证有限时间收敛的参数估计自适应律为:其中,Γ为学习速率。
实施例4:如图1-8所示,一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。
所述方法的具体步骤如下:
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,m是汽车质量,v是汽车行驶速度,Fforce为汽车发动机驱动力,g是重力加速度常数,q是路面坡度,Cvf是粘性摩擦系数,Cm是滚动摩擦系数,C是空气阻力系数;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中,是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量车速v和发动机驱动力Fforce计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:车辆在行驶过程中根据已有的车载传感器和整车控制系统配置的CAN总线可以实时采集车速v以及发动机驱动力Fforce,并将这两个量作为估计算法的输入量;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
当矩阵M(t)最小特征值小于0,给驱动力加入随机干扰,然后返回步骤Step3直到矩阵M(t)最小特征值大于0后接着执行Step6;
Step6、用包含参数估计误差的向量W(t)设计自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值并保证指数收敛;
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度q;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的q和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
所述步骤Step6中,保证指数收敛的参数估计自适应律为:其中,Γ为学习速率。
实施例5:如图1-8所示,一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法,其特征在于:首先根据汽车动力学理论以及牛顿第二定律建立汽车行驶纵向动力学模型;接着通过车载传感器测量得到车速和发动机驱动力,将其作为估计算法的输入量;再对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差;然后判断激励条件是否满足:若满足,则用包含参数估计误差的向量设计自适应律估计未知参数向量;若不满足,则给驱动力加入随机干扰,并返回重新测量;最后通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值。
2.根据权利要求1所述的基于参数估计误差的路面坡度和汽车状态参数联合估计方法,其特征在于:所述方法的具体步骤如下:
Step1、建立汽车行驶纵向动力学模型:根据汽车动力学理论以及牛顿第二定律,对车辆进行受力分析,可得到汽车行驶纵向动力学模型如下:
其中,m是汽车质量,v是汽车行驶速度,Fforce为汽车发动机驱动力,g是重力加速度常数,θ是路面坡度,Cvf是粘性摩擦系数,Cμ是滚动摩擦系数,C是空气阻力系数;
Step2、通过代数变换将纵向动力学方程转化为参数化形式:
其中, 是需要估计的未知参数向量,φ=[-g -v -1 Fforce -v2]T是可以通过系统的输入量车速v和发动机驱动力Fforce计算获得的递推向量;
Step3、通过车载传感器测量计算得到车速v和发动机驱动力Fforce,将其作为估计算法的输入量:车辆在行驶过程中根据已有的车载传感器和整车控制系统配置的CAN总线可以实时采集车速v以及发动机驱动力Fforce,并将这两个量作为估计算法的输入量;
Step4、对汽车行驶纵向动力学模型进行滤波操作,提取参数估计误差:
定义两个滤波变量vf和φf为:
其中,k是一个正常数;
然后定义辅助滤波矩阵M(t)∈R5×5和滤波向量N(t)∈R5×1为:
其中,l是一个正常数,t表示时间;
在得到辅助变量M(t)和N(t)基础上,计算出包含参数估计误差的向量W(t)∈R5×1为:
其中,是未知参数向量δ的估计值;可知,成立,故向量W(t)包含参数估计误差信息
Step5、计算矩阵M(t)最小特征值,并判断其是否大于0:
当矩阵M(t)最小特征值大于0,则执行步骤Step6;否则给驱动力加入随机干扰,然后返回步骤Step3;
Step6、用包含参数估计误差的向量W(t)设计自适应律,得到汽车行驶纵向动力学模型中的未知参数向量δ的估计值并保证指数收敛或有限时间收敛;
Step7、通过基本数学变换计算出路面坡度、车重、粘性摩擦系数、滚动摩擦系数和空气阻力系数的估计值:在获得未知参数向量δ的估计值的基础上,进行简单的数学变换导出所需的估计变量:
Step7.1、求sin函数的反函数得出路面坡度θ;
Step7.2、求的倒数得到车重m,
Step7.3、根据得到的θ和m计算出摩擦系数Cμ,Cvf和空气阻力系数C。
3.根据权利要求2所述的基于参数估计误差的路面坡度和汽车状态参数联合估计方法,其特征在于:所述步骤Step6中,保证指数收敛的参数估计自适应律为:其中,Γ为学习速率。
4.根据权利要求2所述的基于参数估计误差的路面坡度和汽车状态参数联合估计方法,其特征在于:所述步骤Step6中,保证有限时间收敛的参数估计自适应律为:其中,Γ为学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410745755.4A CN104554271B (zh) | 2014-12-08 | 2014-12-08 | 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410745755.4A CN104554271B (zh) | 2014-12-08 | 2014-12-08 | 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104554271A true CN104554271A (zh) | 2015-04-29 |
CN104554271B CN104554271B (zh) | 2017-09-12 |
Family
ID=53071609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410745755.4A Active CN104554271B (zh) | 2014-12-08 | 2014-12-08 | 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104554271B (zh) |
Cited By (12)
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 |
CN105644565A (zh) * | 2016-02-02 | 2016-06-08 | 潍柴动力股份有限公司 | 一种混合动力汽车负载的测量方法 |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
CN108016447A (zh) * | 2016-10-28 | 2018-05-11 | 康明斯公司 | 使用操作员触发的机器质量估计 |
CN109795496A (zh) * | 2019-01-28 | 2019-05-24 | 汉腾汽车有限公司 | 一种坡道坡度的识别方法 |
CN110053431A (zh) * | 2019-03-26 | 2019-07-26 | 武汉理工大学 | 一种测量车辆轮胎压力的误差补偿方法与装置 |
CN110435623A (zh) * | 2019-08-28 | 2019-11-12 | 吉林大学 | 一种自动调整的电动车分级自动紧急制动控制系统 |
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 |
CN111563298A (zh) * | 2020-05-19 | 2020-08-21 | 北京理工大学 | 一种越野路面阻力快速获取方法 |
WO2021227086A1 (zh) * | 2020-05-15 | 2021-11-18 | 华为技术有限公司 | 获取车辆滚动阻力系数的方法及装置 |
CN113978470A (zh) * | 2021-12-13 | 2022-01-28 | 郑州轻工业大学 | 轮胎与路面摩擦力在线快速估计方法 |
CN114301562A (zh) * | 2021-12-13 | 2022-04-08 | 西南科技大学 | 一种无线网络时间同步的周期自适应方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901929A1 (en) * | 1997-09-10 | 1999-03-17 | Fuji Jukogyo Kabushiki Kaisha | Vehicle maneuvering control device |
CN1640701A (zh) * | 2004-01-16 | 2005-07-20 | 米其林研究和技术股份有限公司 | 利用多种估计算法及一种选择程序控制车辆稳定性的系统 |
CN1919669A (zh) * | 2005-08-26 | 2007-02-28 | 丰田自动车株式会社 | 车辆和车辆的控制方法 |
CN101101238A (zh) * | 2006-06-20 | 2008-01-09 | 通用汽车环球科技运作公司 | 混合的道路坡度确定系统 |
CN101370697A (zh) * | 2006-01-10 | 2009-02-18 | 丰田自动车株式会社 | 车辆的控制设备和控制方法 |
JP2009274510A (ja) * | 2008-05-13 | 2009-11-26 | Toyota Motor Corp | 道路勾配補正装置 |
CN101644568A (zh) * | 2008-08-07 | 2010-02-10 | 矢崎总业株式会社 | 坡路检测方法和坡路检测装置 |
CN102019924A (zh) * | 2009-09-17 | 2011-04-20 | 福特全球技术公司 | 辅助车辆在斜坡上启动的方法 |
CN102398599A (zh) * | 2010-08-30 | 2012-04-04 | 丰田自动车株式会社 | 车辆控制系统和车辆控制方法 |
CN102556075A (zh) * | 2011-12-15 | 2012-07-11 | 东南大学 | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 |
CN102700551A (zh) * | 2012-05-31 | 2012-10-03 | 清华大学 | 一种车辆行驶过程中路面坡度的实时估计方法 |
CN103402847A (zh) * | 2011-03-04 | 2013-11-20 | 奥迪股份公司 | 用于确定车辆的行驶阻力的方法 |
-
2014
- 2014-12-08 CN CN201410745755.4A patent/CN104554271B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901929A1 (en) * | 1997-09-10 | 1999-03-17 | Fuji Jukogyo Kabushiki Kaisha | Vehicle maneuvering control device |
CN1640701A (zh) * | 2004-01-16 | 2005-07-20 | 米其林研究和技术股份有限公司 | 利用多种估计算法及一种选择程序控制车辆稳定性的系统 |
CN1919669A (zh) * | 2005-08-26 | 2007-02-28 | 丰田自动车株式会社 | 车辆和车辆的控制方法 |
CN101370697A (zh) * | 2006-01-10 | 2009-02-18 | 丰田自动车株式会社 | 车辆的控制设备和控制方法 |
CN101101238A (zh) * | 2006-06-20 | 2008-01-09 | 通用汽车环球科技运作公司 | 混合的道路坡度确定系统 |
JP2009274510A (ja) * | 2008-05-13 | 2009-11-26 | Toyota Motor Corp | 道路勾配補正装置 |
CN101644568A (zh) * | 2008-08-07 | 2010-02-10 | 矢崎总业株式会社 | 坡路检测方法和坡路检测装置 |
CN102019924A (zh) * | 2009-09-17 | 2011-04-20 | 福特全球技术公司 | 辅助车辆在斜坡上启动的方法 |
CN102398599A (zh) * | 2010-08-30 | 2012-04-04 | 丰田自动车株式会社 | 车辆控制系统和车辆控制方法 |
CN103402847A (zh) * | 2011-03-04 | 2013-11-20 | 奥迪股份公司 | 用于确定车辆的行驶阻力的方法 |
CN102556075A (zh) * | 2011-12-15 | 2012-07-11 | 东南大学 | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 |
CN102700551A (zh) * | 2012-05-31 | 2012-10-03 | 清华大学 | 一种车辆行驶过程中路面坡度的实时估计方法 |
Cited By (18)
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 |
CN105644565A (zh) * | 2016-02-02 | 2016-06-08 | 潍柴动力股份有限公司 | 一种混合动力汽车负载的测量方法 |
CN105644565B (zh) * | 2016-02-02 | 2018-08-07 | 潍柴动力股份有限公司 | 一种混合动力汽车负载的测量方法 |
CN108016447A (zh) * | 2016-10-28 | 2018-05-11 | 康明斯公司 | 使用操作员触发的机器质量估计 |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
CN109795496A (zh) * | 2019-01-28 | 2019-05-24 | 汉腾汽车有限公司 | 一种坡道坡度的识别方法 |
CN110053431A (zh) * | 2019-03-26 | 2019-07-26 | 武汉理工大学 | 一种测量车辆轮胎压力的误差补偿方法与装置 |
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 |
CN110435623A (zh) * | 2019-08-28 | 2019-11-12 | 吉林大学 | 一种自动调整的电动车分级自动紧急制动控制系统 |
CN110435623B (zh) * | 2019-08-28 | 2020-05-12 | 吉林大学 | 一种自动调整的电动车分级自动紧急制动控制系统 |
WO2021227086A1 (zh) * | 2020-05-15 | 2021-11-18 | 华为技术有限公司 | 获取车辆滚动阻力系数的方法及装置 |
CN111563298A (zh) * | 2020-05-19 | 2020-08-21 | 北京理工大学 | 一种越野路面阻力快速获取方法 |
CN111563298B (zh) * | 2020-05-19 | 2021-07-13 | 北京理工大学 | 一种越野路面阻力快速获取方法 |
CN113978470A (zh) * | 2021-12-13 | 2022-01-28 | 郑州轻工业大学 | 轮胎与路面摩擦力在线快速估计方法 |
CN114301562A (zh) * | 2021-12-13 | 2022-04-08 | 西南科技大学 | 一种无线网络时间同步的周期自适应方法及系统 |
CN114301562B (zh) * | 2021-12-13 | 2023-05-26 | 西南科技大学 | 一种无线网络时间同步的周期自适应方法及系统 |
CN113978470B (zh) * | 2021-12-13 | 2024-01-12 | 郑州轻工业大学 | 轮胎与路面摩擦力在线快速估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104554271B (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104554271A (zh) | 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 | |
Singh et al. | Literature review and fundamental approaches for vehicle and tire state estimation | |
Li et al. | Two-layer structure based adaptive estimation for vehicle mass and road slope under longitudinal motion | |
CN101655504B (zh) | 一种机动车辆自适应巡航系统的车速估计方法 | |
CN103946679B (zh) | 车辆质量辨识方法和系统 | |
CN102486400B (zh) | 车辆质量辨识方法和装置 | |
CN105667520B (zh) | 一种分布式驱动电动车的前轮侧向力估计方法 | |
CN103454442B (zh) | 用于铁路车辆的行驶速度补偿装置及其方法 | |
CN104182991A (zh) | 一种车辆行驶状态估计方法及装置 | |
CN110884499B (zh) | 一种确定车辆质心侧偏角的方法和系统 | |
CN109606378A (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
CN107000755A (zh) | 用于估计影响车辆动力学的变量的方法和对应的虚拟传感器 | |
CN103264669A (zh) | 一种基于can信息和功能原理的重型车质量实时辨识方法 | |
CN107985315A (zh) | 轮式装载机轮胎纵向力动态估计方法 | |
CN103279675B (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
Chen et al. | Maximum tire road friction estimation based on modified Dugoff tire model | |
Zhao et al. | Distributed and self-adaptive vehicle speed estimation in the composite braking case for four-wheel drive hybrid electric car | |
Chu et al. | In–wheel motor electric vehicle state estimation by using unscented particle filter | |
CN108287934B (zh) | 一种基于纵向力观测器的车辆质心侧偏角鲁棒估计方法 | |
CN109282832A (zh) | 适用于特殊路面的惯性辅助里程计自适应标定方法及系统 | |
Cai et al. | Acceleration-to-torque ratio based anti-skid control for electric vehicles | |
CN104408265A (zh) | 车辆行驶状态和轮胎魔术公式参数联合估计的方法 | |
CN103886142A (zh) | 基于扩张状态量对轮胎回正力矩进行估计的方法 | |
Huang et al. | Estimation of sideslip angle based on extended Kalman filter | |
Liu et al. | Vehicle state and parameter estimation based on double cubature Kalman filter algorithm |
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 |