CN107247824A - 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 - Google Patents

Abstract

本发明公开了一种考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法，包括如下步骤：步骤1：采集数据：步骤11：利用数据采集装置获取车辆行驶状态数据；步骤12：结合车辆行驶状态数据和车辆固有参数，计算模型所需相关参数；步骤2：基于车辆动力学模型建立汽车质量、道路坡度与车辆行驶状态数据的关系模型；步骤3：分别基于汽车质量、道路坡度与车辆行驶状态数据的关系模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型；步骤4：采用嵌套循环迭代进行汽车质量和道路坡度联合估计；步骤5：采用状态保持的方式消除刹车和转弯的影响。其考虑了实车驾驶过程中刹车和转弯的影响，实现了汽车质量和道路坡度的实时动态联合估计。

Description

考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法

技术领域

本发明涉及一种基于最小二乘和卡尔曼滤波的汽车质量和道路坡度的联合估计方法，其考虑了实车驾驶过程中刹车和转弯的影响，实现了汽车质量和道路坡度的实时动态联合估计。

背景技术

车辆动力学模型参数的实时估计是车辆控制的基础，而汽车质量和道路坡度是车辆动力学模型中的重要参数，准确实时的估计汽车质量和道路坡度可以有效提高车辆动力性和经济性。根据汽车质量在线调整换挡控制策略不仅能够使自动换挡过程中车辆运行更加顺畅,而且还能够得到更为经济的换挡控制策略。基于道路坡度、速度和加速度等信息可以计算出车辆功率系数，由此估计克服空气阻力和滚动阻力所需的发动机功率，从而实现排放控制。但车辆在实际驾驶过程中会经常出现刹车和转弯操作，严重影响实际驾驶过程中对汽车质量和道路坡度的感知精度。因此，探索一种考虑刹车和转弯影响的汽车质量和道路坡度的联合估计方法对于提高汽车动力性和燃油经济性具有重要意义。

目前对于汽车质量和道路坡度的获取方法可以分为两类，一类是基于传感器的方法，一类是基于车辆纵向动力学模型的方法。基于传感器的方法是通过在车辆上加装额外的传感器，例如单摆式角位移传感器、惯性导航仪等来直接测出坡度角,再进一步计算车重。例如收集通过加装加速度传感器或者GPS全球定位系统等获取的坡度信号，先计算得到道路的坡道角，然后再基于车辆纵向动力学得到车辆的质量。这种方法比较适用于静态条件下如车辆起步时的坡度检测，在常规车辆行驶过程中，受车身纵向加速度、悬架变形和路面颠簸的影响,传感器不能得到路面坡度的正确值，且这些方法对GPS信号的品质要求比较高，在使用低成本的GPS的情况下难以达到很好的效果。基于车辆纵向动力学或者运动学的识别方法利用车辆的纵向动力学模型加上从汽车CAN总线上获取的数据(例如发动机扭矩百分比、发动机转速、车速、挡位等信号)来估算未知的系统参数。虽然这方面的方法有很多，但是一个共同的难题在于车辆自身参数(重量等)和外部阻力(坡度)变化的解耦，此外，道路的时变性也增加了估算过程的复杂性。实际驾驶过程中刹车和转弯带来的制动力和横向动力会影响汽车纵向动力学模型，而现有方法没有考虑实际驾驶过程中刹车和转弯对参数估计的影响，这在实际应用中会大大降低汽车质量和道路坡度的估计精度。

发明内容

有鉴于此，为了解决现有技术中存在的不足，本发明的目的在于提供一种考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其考虑了实车驾驶过程中刹车和转弯的影响，实现了汽车质量和道路坡度的实时动态联合估计。

为达到上述目的，本发明提供如下技术方案：

一种考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，包括如下步骤：

步骤1：采集数据

步骤11：利用数据采集装置获取车辆行驶状态数据；

步骤12：结合车辆行驶状态数据和车辆固有参数，计算模型所需相关参数；

步骤2：基于车辆动力学模型建立汽车质量、道路坡度与车辆行驶状态数据的关系模型；

步骤3：分别基于汽车质量、道路坡度与车辆行驶状态数据的关系模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型；

步骤4：采用嵌套循环迭代进行汽车质量和道路坡度联合估计；

步骤5：采用状态保持的方式消除刹车和转弯的影响。

进一步，所述步骤11中，车辆行驶状态数据包括转矩T、车速v、发动机转速n；

所述步骤12中，车辆固有参数包括轮胎滚动半径r、主减速器传动比i₀、道路滚动阻力系数f、传动系机械效率η、车辆空气阻力系数C_d、车辆正向迎风面积A；

模型所需相关参数包括加速度a和变速器传动比i_g；

其中，加速度a可由速度v对时间差分获得，第k时刻的加速度表示为：

Δt为数据采集装置的采样周期；

变速器传动比i_g的计算方法为：

进一步，车辆纵向动力学模型为：

得到汽车质量、道路坡度与车辆行驶状态数据的关系模型；

其中，F_t为车辆驱动力，F_f为滚动阻力，F_i为坡度阻力，F_v为空气阻力；m 为汽车质量、i_o为变速器传动比，i_g是传速器传动比，η为机械效率，f_r为滚动阻力，ρ是空气密度、C_D是空气阻力系数；i为道路坡度；σ为旋转质量换算系数。

进一步，所述步骤3包括如下步骤：

步骤31：将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型；

步骤32：将汽车纵向动力学模型离散化，改写为状态空间方程形式，基于状态空间方程建立卡尔曼滤波坡度估计模型。

进一步，所述步骤31中，将坡度看作已知参数，单独对汽车质量进行最小二乘辨识，根据汽车动力学模型，将车辆纵向动力学模型转化成如下最小二乘形式：

步骤31-a：建立带遗忘因子的最小二乘辨识模型

设系统的输入输出关系可以描述成如下的最小二乘形式：

z(k)＝h^T(k)θ+n(k)

其中，z(k)是系统的输出，h(k)是可观测数据向量，n(k)为白噪声，θ为待估计参数，定义准则函数为：

其中Λ(i)为加权函数，λ分别为模型待估参数θ对应的遗忘因子；

利用序列{z(k)}和{h(k)}，极小化准则函数，即对θ求导，可求得参数θ的最小二乘估计值第k时刻的参数估计值可以表示为：

将上述估计结果转化为递推形式，得到带多遗忘因子的最小二乘递推估计模型如下：

其中：

步骤31-b：建立带遗忘因子的最小二乘递推质量估计模型

将车辆纵向动力学模型最小二乘形式应用于最小二乘递推估计模型，则有：

将上式带入最小二乘递推质量估计模型可得带多遗忘因子的最小二乘质量估计模型的递推形式为：

其中，λ分别为两个待估计参数m对应的遗忘因子，取值范围为[0,1)。

进一步，所述步骤32中，常规下状态空间描述的表达式为：

其中是指状态变量，u∈R是系统输入，y∈R^m是系统输出，而 A∈R^n×n,B∈Rⁿ,C∈R^m×n表示系统参数矩阵；

假设道路坡度没有发生突变，则状态方程可以描述为：

为了实现道路坡度的实时递推估计，将状态方程离散化，则：

得到车辆最后实现离散状态空间描述

其中，

H(k)＝[10]

在以上式子中，w(k)和v(k)分别为测量噪声和状态噪声，其相对应的噪声协方差分别为R(k)和Q(k)。R(k)为系统测量噪声协方差、Q(k)为系统状态噪声协方差、 s(k)为k时刻汽车行驶距离。

进一步，所述步骤4中，选取合理的估计步长，保证坡度估计在每一步内的收敛性，从而保证联合估计的收敛性；再采用中值滤波法对当前步的坡度估计结果进行滤波处理，将滤波后的坡度估计结果带入最小二乘质量估计模型中，估计出当前步的质量，将其作为下一步坡度估计的输入，如此往复循环。

进一步，对实车数据进行质量-坡度联合估计时，若k时刻数据表示刹车或者方向盘转角超出设定范围，k时刻的联合估计停止，输出保持为第k-1时刻的估计值，若k时刻数据表示没刹车且方向盘转角在设定范围内时，进行正常的质量坡度循环递推估计。

本发明的有益效果在于：

本发明考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，通过最小二乘与卡尔曼滤波嵌套循环估计的方式实现了对慢变的汽车质量和快变的道路坡度这两个相互耦合的参数的实时动态估计，同时还通过引入状态保持器克服了刹车和转弯对汽车质量和道路坡度联合估计的影响，进而提高了实车驾驶过程中复杂驾驶环境下汽车质量和道路坡度估计的精度和适用范围。从而为汽车智能系统提供实时的道路坡度信息和汽车负载情况，为自动驾驶辅助决策、绿色驾驶、及自动变速器换挡控制提供重要的依据，从而实现安全、经济、舒适驾驶。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明采用的基于OBD-II接口的数据采集框架图；

图2为本发明采用的汽车质量和道路坡度嵌套循环联合估计流程图；

图3为本发明采用的消除刹车和转弯对联合估计影响的状态保持方案图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本实施例考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，包括如下步骤：

步骤1：采集数据

步骤11：利用数据采集装置获取车辆行驶状态数据

如图1所示，本实施例采用美国福特汽车公司提供的OpenXC插入到OBD-II 接口，然后开发基于数据采集软件APP，通过蓝牙设备接收实时的车辆行驶状态数据存于手机移动终端，具体的，车辆行驶状态数据包括转矩T、车速v、发动机转速n、油门开度Th、刹车信号Br、方向盘转角Steer、档位信息Ge。

步骤12：结合车辆行驶状态数据和车辆固有参数，计算模型所需相关参数

车辆固有参数包括轮胎滚动半径r、主减速器传动比i₀、道路滚动阻力系数 f、传动系机械效率η、车辆空气阻力系数C_d、车辆正向迎风面积A。

模型所需相关参数包括加速度a和变速器传动比i_g；

其中，加速度a可由速度v对时间差分获得，第k时刻的加速度表示为：

Δt为数据采集装置的采样周期；

变速器传动比i_g的计算方法为：

步骤2：基于车辆动力学模型建立汽车质量、道路坡度与车辆行驶状态数据的关系模型

汽车纵向动力学模型如下：

σma＝F_t-F_f-F_i-F_a

其中，F_t为车辆驱动力，且

F_f为滚动阻力，且F_r＝mgf_rcosi；

F_i为坡度阻力，且F_i＝mgsini；

F_a为空气阻力，且

由道路设计规范标准可以知道，道路坡度设计中一般不超过10度，因此为了模型简化，可以将cosi近似等于1，将sini近似为sini≈i。可得：

其中m为汽车质量、i_g为变速器传动比、i_o是传速器传动比，η为机械效率， f为滚动阻力系数，ρ是空气密度、C_d是空气阻力系数，i为道路坡度；σ为旋转质量换算系数。

步骤3：分别基于汽车质量、道路坡度与车辆行驶状态数据的关系模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型

步骤31：将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型

此时将坡度看作已知参数，单独对汽车质量进行最小二乘辨识，根据汽车动力学模型，将车辆纵向动力学模型转化成如下最小二乘形式：

步骤31-a：建立带遗忘因子的最小二乘辨识模型

在车辆启动后，车辆质量m几乎不变，是一个慢变量，但由于其所处动力学系统是一个时变的系统，旧的数据会带来数据饱和影响辨识结果，需要引入遗忘因子,以突出新的数据，从而加强最小二乘辨识的跟踪能力。

设系统的输入输出关系可以描述成如下的最小二乘形式：

z(k)＝h^T(k)θ+n(k)

其中，z(k)是系统的输出，h(k)是可观测数据向量，n(k)为白噪声，θ为待估计参数，定义准则函数为：

其中Λ(i)为加权函数，λ分别为模型待估参数θ对应的遗忘因子；

利用序列{z(k)}和{h(k)}，极小化准则函数，即对θ求导，可求得参数θ的最小二乘估计值第k时刻的参数估计值可以表示为：

为了保证车辆质量估计系统能够实时更新估计结果，将上述估计结果转化为递推形式，得到带多遗忘因子的最小二乘递推估计模型如下：

其中：

步骤31-b：建立带遗忘因子的最小二乘递推质量估计模型

将车辆纵向动力学模型最小二乘形式应用于最小二乘递推估计模型，则有：

将上式带入最小二乘递推质量估计模型可得带多遗忘因子的最小二乘质量估计模型的递推形式为：

其中，λ分别为两个待估计参数m对应的遗忘因子，取值范围为[0,1)，默认情况下λ₁取为0.95。

步骤32：将汽车纵向动力学模型离散化，改写为状态空间方程形式，基于状态空间方程建立卡尔曼滤波坡度估计模型

常规下状态空间描述的表达式为：

其中是指状态变量，u∈R是系统输入，y∈R^m是系统输出，而 A∈R^n×n,B∈Rⁿ,C∈R^m×n表示系统参数矩阵；

假设道路坡度没有发生突变，则状态方程可以描述为：

为了实现道路坡度的实时递推估计，将状态方程离散化，则：

得到车辆最后实现离散状态空间描述

其中，

H(k)＝[1 0]

在以上式子中，w(k)和v(k)分别为测量噪声和状态噪声，其相对应的噪声协方差分别为R(k)和Q(k)。R(k)为系统测量噪声协方差、Q(k)为系统状态噪声协方差、s(k)为k时刻汽车行驶距离。

步骤4：采用嵌套循环迭代进行汽车质量和道路坡度联合估计

质量估计对坡度的变化很敏感，如果在一步内坡度估计不能收敛到正确的值，质量估计就会出错，从而使得整个联合估计不收敛。通过选取合理的估计步长，本实施例默认选取估计步长为5s，保证坡度估计在每一步内的收敛性，从而保证联合估计的收敛性。再采用中值滤波法对当前步的坡度估计结果进行滤波处理，将滤波后的坡度估计结果带入最小二乘质量估计中，估计出当前步的质量，将其作为下一步坡度估计的输入，如此往复循环估。

步骤5：采用状态保持的方式消除刹车和转弯的影响。

对实车数据进行质量-坡度联合估计时，若k时刻数据表示刹车或者方向盘转角超出设定范围，k时刻的联合估计停止，输出保持为第k-1时刻的估计值，若k时刻数据表示没刹车且方向盘转角在设定范围内时，进行正常的质量坡度循环递推估计。本实施例的设定范围为(-10°，10°)。

具体的，本实施例第一阶段，对100s内的实车数据进行考虑刹车和方向盘转角的质量-坡度联合估计。若该段数据的刹车和转角超出(-10°，10°)的次数小于数据总采集次数的20％，本次联合估计有效，将质量估计的收敛值最作为该次行程的汽车和乘客的总质量；反之，本次联合估计无效，并对下一个100s 的数据进行前两步操作；若本次联合估计有效，进入第二阶段，将联合估计得到的质量作为输入，进行考虑刹车和方向盘转角的坡度实时估计。

本实施例考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，通过最小二乘与卡尔曼滤波嵌套循环估计的方式实现了对慢变的汽车质量和快变的道路坡度这两个相互耦合的参数的实时动态估计，同时还通过引入状态保持器克服了刹车和转弯对汽车质量和道路坡度联合估计的影响，进而提高了实车驾驶过程中复杂驾驶环境下汽车质量和道路坡度估计的精度和适用范围。从而为汽车智能系统提供实时的道路坡度信息和汽车负载情况，为自动驾驶辅助决策、绿色驾驶、及自动变速器换挡控制提供重要的依据，从而实现安全、经济、舒适驾驶。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.一种考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：包括如下步骤：

步骤1：采集数据

步骤11：利用数据采集装置获取车辆行驶状态数据；

步骤12：结合车辆行驶状态数据和车辆固有参数，计算模型所需相关参数；

步骤2：基于车辆动力学模型建立汽车质量、道路坡度与车辆行驶状态数据的关系模型；

步骤3：分别基于汽车质量、道路坡度与车辆行驶状态数据的关系模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型；

步骤4：采用嵌套循环迭代进行汽车质量和道路坡度联合估计；

步骤5：采用状态保持的方式消除刹车和转弯的影响。

2.根据权利要求1所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：

所述步骤11中，车辆行驶状态数据包括转矩T、车速v、发动机转速n；

所述步骤12中，车辆固有参数包括轮胎滚动半径r、主减速器传动比i₀、道路滚动阻力系数f、传动系机械效率η、车辆空气阻力系数C_d、车辆正向迎风面积A；

模型所需相关参数包括加速度a和变速器传动比i_g；

其中，加速度a可由速度v对时间差分获得，第k时刻的加速度表示为：

Δt为数据采集装置的采样周期；

变速器传动比i_g的计算方法为：

3.根据权利要求2所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：车辆纵向动力学模型为：

得到汽车质量、道路坡度与车辆行驶状态数据的关系模型；

其中，F_t为车辆驱动力，F_f为滚动阻力，F_i为坡度阻力，F_v为空气阻力；m为汽车质量、i_o为变速器传动比，i_g是传速器传动比，η为机械效率，f_r为滚动阻力，ρ是空气密度、C_D是空气阻力系数；i为道路坡度；σ为汽车质量换算系数。

4.根据权利要求3所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：所述步骤3包括如下步骤：

步骤31：将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型；

步骤32：将汽车纵向动力学模型离散化，改写为状态空间方程形式，基于状态空间方程建立卡尔曼滤波坡度估计模型。

5.根据权利要求4所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：所述步骤31中，将坡度看作已知参数，单独对汽车质量进行最小二乘辨识，根据汽车动力学模型，将车辆纵向动力学模型转化成如下最小二乘形式：

步骤31-a：建立带遗忘因子的最小二乘辨识模型

设系统的输入输出关系可以描述成如下的最小二乘形式：

z(k)＝h^T(k)θ+n(k)

其中，z(k)是系统的输出，h(k)是可观测数据向量，n(k)为白噪声，θ为待估计参数，定义准则函数为：

其中Λ(i)为加权函数，λ分别为模型待估参数θ对应的遗忘因子；

利用序列{z(k)}和{h(k)}，极小化准则函数，即对θ求导，可求得参数θ的最小二乘估计值第k时刻的参数估计值可以表示为：

将上述估计结果转化为递推形式，得到带多遗忘因子的最小二乘递推估计模型如下：

其中：

步骤31-b：建立带遗忘因子的最小二乘递推质量估计模型

将车辆纵向动力学模型最小二乘形式应用于最小二乘递推估计模型，则有：

将上式带入最小二乘递推质量估计模型可得带多遗忘因子的最小二乘质量估计模型的递推形式为：

其中，λ分别为两个待估计参数m对应的遗忘因子，取值范围为[0,1)。

6.根据权利要求5所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：所述步骤32中，常规下状态空间描述的表达式为：

其中是指状态变量，u∈R是系统输入，y∈R^m是系统输出，而A∈R^n×n,B∈Rⁿ,C∈R^m×n表示系统参数矩阵；

假设道路坡度没有发生突变，则状态方程可以描述为：

为了实现道路坡度的实时递推估计，将状态方程离散化，则：

得到车辆最后实现离散状态空间描述

其中，

H(k)＝[1 0]

在以上式子中，w(k)和v(k)分别为测量噪声和状态噪声，其相对应的噪声协方差分别为R(k)和Q(k)。R(k)为系统测量噪声协方差、Q(k)为系统状态噪声协方差、s(k)为k时刻汽车行驶距离。

7.根据权利要求1所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：所述步骤4中，选取合理的估计步长，保证坡度估计在每一步内的收敛性，从而保证联合估计的收敛性；再采用中值滤波法对当前步的坡度估计结果进行滤波处理，将滤波后的坡度估计结果带入最小二乘质量估计模型中，估计出当前步的质量，将其作为下一步坡度估计的输入，如此往复循环。

8.根据权利要求1所述的考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，其特征在于：对实车数据进行质量-坡度联合估计时，若k时刻数据表示刹车或者方向盘转角超出设定范围，k时刻的联合估计停止，输出保持为第k-1时刻的估计值，若k时刻数据表示没刹车且方向盘转角在设定范围内时，进行正常的质量坡度循环递推估计。