CN105279309B - 基于回正力矩估计的主动转向理想方向盘转矩设计方法 - Google Patents

Abstract

本发明公开一种基于回正力矩估计的主动转向理想方向盘转矩设计方法：首先利用传感器得到相关参数，通过整车模型得到汽车的状态参数，输入轮胎模型后求得归一化轮胎侧偏力，将计算结果结合变传动比控制下的前轮转角一起传递给估计器，估计得到回正力矩，然后再通过对汽车行驶状态的判断，设计出此时对应的理想方向盘转矩；本发明在在线估计出实时的回正力矩的基础上，通过汽车在线性范围与非线性范围行驶时前轮回正力矩与前轮转角以及车速间的关系，通过实验数据和驾驶员的转向体验，设计出合理的理想方向盘转矩，力矩的大小可以有效地表征汽车行驶状态，有助于驾驶员通过此力矩的反馈来掌握汽车的运行，以便更有效地操纵汽车。

Description

基于回正力矩估计的主动转向理想方向盘转矩设计方法

技术领域

本发明涉及汽车主动转向系统领域，特别是一种基于前轮回正力矩估计的理想方向盘转矩设计方法。

背景技术

转向系统是汽车的关键部件之一，它不仅保证汽车能按驾驶员的意志进行转向行驶，还与汽车操纵稳定性密切相关，现阶段车辆广泛应用的转向系统为电控液压助力转向系统及电动助力转向(EPS)，这些助力转向系统能根据驾驶员的转向操作，借助液压助力系统或者电机助力系统施加可变的转向助力，来减轻驾驶员的转向负担。但是这些动力转向系统只能改变转向力，不能根据汽车在行驶过程中的遇到的不同状况改变传动比，也不能对外界干扰进行稳定性控制。

为了帮助驾驶员更有效地操纵车辆，提高汽车行驶的稳定性，主动前轮转向系统获得了越来越多的关注，主动前轮转向系统通过转向转角的叠加，可根据车速控制转向转动比的大小，实现理想转向传动比，通过系统力特性的控制，实现转向轻便性和转向路感的协调统一；通过对前轮施加附加转角产生附加的横摆力矩，控制车辆的横摆角速度和质心侧偏角，保持车辆行驶稳定性。由于改变了转向系统的里传递特性，前轮主动转向系统并不能很好地反映出转向时的路感，另一方面，汽车在行驶过程中时常会遭遇各种意外情况，例如路面附着系数的变化，侧向风干扰等，这些外界干扰都会对汽车的行驶稳定性产生巨大的影响，且驾驶员一般无法及时而准确的对此做出修正；此外，轮胎的非线性特性也会对汽车行驶特性产生影响，当汽车运行在非线性范围内时，驾驶员将很难按自己的意志对汽车进行操纵，因此对行驶的安全性能产生危害。

目前在汽车转向稳定性控制中所需要的车辆运行状态并不能完全由传感器直接测量得到，一些状态及参数需要通过估计才能获得，目前使用较多的估计方法有最小二乘法，卡尔曼滤波估计等；卡尔曼滤波是一套适用于计算机实现的实时递推算法，它所处理的对象是随机信号，能够根据系统方程和观测方程对所有需要处理的信号进行最优估计，通过对非线性模型进行泰勒展开，可以得到扩展的卡尔曼滤波估计法，符合汽车状态参数估计的要求。目前结合卡尔曼滤波的利用前轮回正力矩估计理想方向盘转矩设计方法，在本领域并不存在相关报道。

发明内容

针对现有技术中前轮主动转向系统并不能很好地反映出转向时的路感的问题，本发明公开一种基于前轮回正力矩估计的理想方向盘转矩设计方法，在实时估计前轮回正力矩的同时，考虑汽车的运行状态，设计出理想方向盘转矩特性，能够良好的反映路感，帮助驾驶员更有效操纵车辆，本发明是这样实现的：

一种基于前轮回正力矩估计的理想方向盘转矩设计方法，包括以下步骤：

(a)利用传感器得到汽车的方向盘转角θ以及纵向车速V，依据主动转向汽车变传动比公式获得汽车的前轮转角δ；

主动转向汽车变传动比公式为：

式(1)中，K_u为转向不足系数，L为汽车前后轴距，m为整车质量，b为质心到后轴轴距，a为质心到前周轴距，K₁、K₂为前后轮侧偏刚度，K_s范围为0.12-0.371/s；

(b)将获得的汽车的前轮转角δ输入到二自由度整车模型中得到汽车的状态参数横摆角速度ω，质心侧偏角β，以及侧向加速度a_y；

二自由度整车模型为：

式(2)中，I_z为汽车绕z轴的转动惯量；

(c)根据公式：

获得汽车状态参数ω、β，再依据doguff轮胎模型，求得轮胎归一化侧向力F_y0；

doguff轮胎模型为：

式(6)中，K_x、K_y分别为轮胎的纵滑和侧偏刚度，α为轮胎侧偏角；

(d)利用求得的4个轮胎的归一化侧向力根据侧向动力学模型，通过扩展卡尔曼滤波估计结合前轮变传动比控制策略设计出的估计器估计出四轮对应的路面附着系数，继而得到F_yf；

侧向动力学模型：

式(7)中，为4个轮胎的归一化侧向力；μ₁、μ₂、μ₃、μ₄为四轮对应的路面附着系数；

由前轮侧向力F_yf计算得到前轮回正力矩M_z：

式(8)中，n_s为主销拖距，a为轮胎拖距，F_z为前轮载荷，D_k为主销内移量，为主销内倾角；

本实施例中，所述扩展卡尔曼滤波估计法具体步骤如下：

首先，建立系统状态模型：

式中，x(t)为状态变量；u(t)为控制变量；w(t)为系统噪声向量；y(t)为量测输出；v(t)为量测噪声；

然后，将模型线性化，F(t),H(t)为非线性函数f(x(t),u(t),w(t))、h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵；Φ(t)为状态转移矩阵；Δt为采样时间；

Φ(t)＝e^F(t)*Δt≈1+F(t)*Δt

2.3进行滤波估计，估计流程如下：

预测模块：

P^-(t+1)＝Φ(t)P(t)Φ(t)^T+Q

校正模块：

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

P(t)＝(I-K(t)H(t))P(t)^-

通过扩展卡尔曼滤波结合前轮变传动比控制策略，在线更新数据，得到实时的回正力矩参数。

(e)将前轮转角δ、纵向车速v、侧向加速度a_y以及前轮回正力矩M_z到方向盘理想转矩模块，得到汽车在该行驶状态下的理想方向盘转矩：

式(9)中，G为主动转向机构齿轮齿条传动比，M_zmax为侧向加速度为4m/s²时的前轮回正力矩，E_v为车速系数。

进一步，本发明中，步骤(d)所述扩展卡尔曼滤波估计法的具体步骤如下：

2.1建立系统状态模型：

式(10)中，x(t)为状态变量；u(t)为控制变量；w(t)为系统噪声向量；y(t)为量测输出；v(t) 为量测噪声。

2.2将模型线性化，

式(11)中，F(t),H(t)为非线性函数f(x(t),u(t),w(t))、h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵；Φ(t)为状态转移矩阵；Δt为采样时间；

2.3进行滤波估计，估计流程如下：

预测模块：

校正模块：

然后通过扩展卡尔曼滤波结合前轮变传动比控制策略，在线更新数据，得到实时的回正力矩参数。

当侧向加速度小于3m/s²时，理想方向盘转矩随着前轮回正力矩的变化而变化，使驾驶员能够了解到汽车当前的行驶状态；当侧向加速度大于3m/s²小于4m/s²时，理想方向盘转矩变化梯度增大，提醒驾驶员汽车即将进入非线性范围行驶。当侧向加速度大于4m/s²时，理想方向盘转矩保持不变，提醒驾驶员汽车已进入非线性范围，继续增大转角可能会失去稳定性。

为了确定车速系数的大小，参考文献(Applying Driving Simulation toQuantify Steering Effort Preference as Function of Vehicle Speed,GaryP.Bertollini,Robert M.Hogan)通过驾驶模拟器对驾驶员在不同行驶工况的所偏好的转向盘力矩进行仿真，根据实验数据和驾驶员体验，得到了侧向加速度为0.3g时的理想方向盘转矩，结果如表1所示：

表1侧向加速度为0.3g时的理想转向盘转矩

根据建立的整车模型，仿真在侧向加速度为0.3g的情况下，汽车的转向阻力矩，结果如表2所示：

表2无助力下侧向加速度为0.3g时的转向阻力矩

车速V(km/h)	10	21	40	65	80	97	113
								转向阻力矩TR(Nm)	16.8	16.3	15.8	14.9	13.7	13.2	12.9

通过经验公式计算汽车的原地最大转向力矩，该式中，μ为路面附着系数；p为轮胎气压；

则转向柱上的转向阻力矩为

假设原地转向时驾驶员最大理想方向盘转矩为T_d(0)＝2Nm，通过以上数据，由公式计算出不同车速下的车速系数E_v的值，如表3所示。

表3不同车速下的车速系数

车速系数E_v随车速变化可由上表拟合得到，由此，即可得到理想的方向盘转矩。

本发明的有益效果在于：

1、本发明能够实时估计出前轮回正力矩，解决了在主动前轮转向中，该状态参数不能由传感器直接得到的问题，通过前轮回正力矩，结合其他状态参数能够判断汽车的行驶状态，实时反映路感，为后续理想方向盘转矩设计提供依据。

2、基于估计得到的前轮回正力矩，结合前轮转角，车速，侧向加速度，横摆角速度等参数，根据实验数据和驾驶员体验，设计出能够良好体现路感的理想方向盘转矩，解决了主动前轮转向路感传递不好的问题，帮助驾驶员更有效地操纵车辆，提高汽车的行驶稳定性。

附图说明

图1为本发明方法流程示意图；

图2为车速系数E_v曲线。

具体实施方式

实施例1

本实施例流程示意图如图1所示，针对前轮转向四轮汽车，建立非线性整车动力学模型和轮胎纵向力模型，同时利用车载轮速和方向盘转角传感器信息来确定建立滤波系统的外部输入量和观测量，具体为：

1.通过传感器得到汽车的方向盘转角θ为以及纵向车速V，分别为1.57rad和18m/s，此处通过汽车仿真软件carsim得到，

主动转向汽车变传动比规律：

式中，L为汽车前后轴距，2.78m；m为整车质量，1529.98kg；b为质心到后轴轴距，1.64m；a为质心到前轴轴距，1.14m；K₁、K₂为前后轮侧偏刚度，本实施例中，分别为-143583N/rad、-111200N/rad；K_s选取范围为0.12-0.371/s。

2.由主动转向汽车变传动比得到汽车的前轮转角δ，大小为0.045rad；

二自由度整车模型：

式中，I_z为汽车绕z轴的转动惯量，4607.47kgm²；ω为横摆角速度；β为质心侧偏角；a_y为侧向加速度；

3.运用matlab软件建立carsim与simulink联合仿真模型，将前轮转角δ及车速V输入到整车二自由度模型，得到横摆角速度ω，质心侧偏角β，侧向加速度a_y；

Doguff轮胎模型为:

式中，K_x、K_y分别为轮胎的纵滑和侧偏刚度；α为轮胎侧偏角

4.由上步中得到的汽车状态参数ω、β等通过Doguff轮胎模型求得轮胎归一化侧向力F_y0

侧向动力学模型：

式中，为4个轮胎的归一化侧向力；μ₁、μ₂、μ₃、μ₄为四轮对应的路面附着系数；

根据侧向动力学模型，通过扩展卡尔曼滤波估计结合前轮变传动比控制策略设计出的估计器估计出四轮对应的路面附着系数，继而得到F_yf；

由前轮侧向力F_yf计算得到前轮回正力矩：

式中，n_s为主销拖距，a为轮胎拖距，F_z为前轮载荷，D_k为主销内移量，为主销内倾角；

理想方向盘转矩特性为：

其中，G为主动转向机构齿轮齿条传动比，大小为20；M_zmax为侧向加速度为4m/s²时的前轮回正力矩；E_v为车速系数，其曲线如图2所示，本实施例中为0.2370。

本实施例中所述扩展卡尔曼滤波估计算法是指：

4.1建立系统状态模型：

式(10)中，x(t)为状态变量；u(t)为控制变量；w(t)为系统噪声向量；y(t)为量测输出；v(t)为量测噪声。

4.2将模型线性化，

式(11)中，F(t),H(t)为非线性函数f(x(t),u(t),w(t))、h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵；Φ(t)为状态转移矩阵；Δt为采样时间；

4.3进行滤波估计，估计流程如下：

预测模块：

校正模块：

然后通过扩展卡尔曼滤波结合前轮变传动比控制策略，在线更新数据，得到实时的回正力矩参数。

通过上述计算，即可得到主动转向理想方向盘转矩，大小为4.1893Nm，证实了该方法能为驾驶员提供良好的路感，继而增加车辆行驶的安全性和稳定性。

本发明的应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (1)

1.一种基于前轮回正力矩估计的理想方向盘转矩设计方法，其特征在于，包括以下步骤：

(a)利用传感器得到汽车的方向盘转角θ以及纵向车速V，依据主动转向汽车变传动比公式获得汽车的前轮转角δ；

主动转向汽车变传动比公式为：

式(1)中，K_u为转向不足系数，L为汽车前后轴距，m为整车质量，b为质心到后轴轴距，a为质心到前轴轴距，K₁、K₂为前后轮侧偏刚度，K_s范围为0.12-0.371/s；

(b)将获得的汽车的前轮转角δ输入到二自由度整车模型中得到汽车的状态参数横摆角速度ω，质心侧偏角β，以及侧向加速度a_y；

二自由度整车模型为：

式(2)中，I_z为汽车绕z轴的转动惯量；

(c)根据公式：

获得汽车状态参数ω、β，再依据doguff轮胎模型，求得轮胎归一化侧向力F_y0；doguff轮胎模型为：

式(6)中，K_x、K_y分别为轮胎的纵滑和侧偏刚度，α为轮胎侧偏角；

(d)利用求得的4个轮胎的归一化侧向力根据侧向动力学模型，通过扩展卡尔曼滤波估计结合前轮变传动比控制策略设计出的估计器估计出四轮对应的路面附着系数，继而得到F_yf；

侧向动力学模型：

式(7)中，为4个轮胎的归一化侧向力；μ₁、μ₂、μ₃、μ₄为四轮对应的路面附着系数；

由前轮侧向力F_yf计算得到前轮回正力矩M_z：

式(8)中，n_s为主销拖距，a为轮胎拖距，F_z为前轮载荷，D_k为主销内移量，为主销内倾角；

(e)将前轮转角δ、纵向车速v、侧向加速度a_y以及前轮回正力矩M_z带入到方向盘理想转矩模块，得到汽车在行驶状态下的理想方向盘转矩：

式(9)中，G为主动转向机构齿轮齿条传动比，M_zmax为侧向加速度为4m/s²时的前轮回正力矩，E_v为车速系数；

步骤(d)所述扩展卡尔曼滤波估计法的具体步骤如下：

2.1建立系统状态模型：

式(10)中，x(t)为状态变量；u(t)为控制变量；w(t)为系统噪声向量；y(t)为量测输出；v(t)为量测噪声；

2.2将模型线性化，

式(11)中，F(t),H(t)为非线性函数f(x(t),u(t),w(t))、h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵；Φ(t)为状态转移矩阵；Δt为采样时间；

2.3进行滤波估计，估计流程如下：

预测模块：

校正模块：

然后通过扩展卡尔曼滤波结合前轮变传动比控制策略，在线更新数据，得到实时的回正力矩参数。