CN108128308A - 一种分布式驱动电动汽车的车辆状态估计系统及方法 - Google Patents

Abstract

本发明涉及一种车辆状态估计的系统和方法。本系统包括方向盘转角传感器、车轮转速传感器、驱动电机电流传感器、横摆角速度传感器、横向加速度传感器、纵向加速度传感器、车辆状态估计器。车辆状态估计器根据方向盘转角、4个车轮的转速、4个电机的线电流、车身质心处的横摆角速度、横向加速度和纵向加速度，基于车辆动力学模型和自适应扩展卡尔曼滤波算法，实时估计车辆的纵向车速和质心侧偏角。在算法中，实现滑动窗口长度、过程噪声和测量噪声协方差矩阵的自适应调整。本发明公开的分布式驱动电动汽车车辆状态估计系统和方法，基于分布式驱动的特点，利用易测量信号进行车辆状态估计，具有估计精度高、对噪声协方差矩阵初值不敏感的优点。

Description

一种分布式驱动电动汽车的车辆状态估计系统及方法

技术领域

本发明涉及一种车辆状态估计系统和方法，尤其涉及一种分布式驱动电动汽车的车辆状态估计系统和方法。

背景技术

节能、环保和安全已成为现代汽车发展的主题，为了解决汽车保有量增加所带来的能源危机和环境污染，新能源汽车的研发成为各国研究的焦点之一。纯电动汽车是全部由电能驱动电机作为动力系统的汽车，因其零排放、结构简单、效率高、技术相对成熟的优点，已成为新能源汽车的重要发展形式。如果电动汽车采用四轮独立驱动形式，不仅可以省略传统汽车所需的机械传动装置，使驱动系统和整车结构简洁、紧凑，提高传动效率而降低能源消耗，而且每个车轮通过电机独立驱动，能够实现快速驱动力和制动力的控制，增强行驶稳定性和通过性。鉴于以上原因，分布式驱动电动汽车是电动汽车研究领域的热点之一。

分布式驱动电动汽车包括电机安装于轮毂的轮毂电机驱动电动汽车，以及电机安装于车身，通过驱动轴连接轮毂的轮边电机驱动电动汽车。分布式驱动电动汽车相较于传统集中驱动车辆而言，最大的优势在于它能灵活地分配4个车轮的转矩，扩展车辆动力学控制的应用范围，提高控制精度和响应速度。车辆动力学控制是车辆主动安全控制的关键技术，而准确获取车辆状态信号是实现车辆动力学控制的必要前提。由于部分车辆状态信号通常无法直接测量，或直接测量的成本过于昂贵，无法广泛应用于汽车工业，因此车辆状态估计成为车辆动力学控制领域的研究热点。在车辆状态信号中，纵向车速和质心侧偏角是车辆动力学控制系统最常用的输入信号，也是经常需要估计的状态信号。

车辆状态估计算法以最小化易测量状态实测值与估计值之间的残差为目标，实现待估计状态的最优估计。常用的估计算法包括卡尔曼滤波算法、鲁棒观测器、滑模观测器及其他非线性观测器。其中，鲁棒观测器通常与主控制器，如车辆动力学控制器集成为基于观测器的鲁棒控制策略设计问题。虽然通过求解优化模型可一次性得到主控制器增益和观测器增益，但这种方法容易造成优化问题过于保守而导致无解。滑模观测器以易测量状态的实测值与估计值之间的误差作为滑模平面进行观测器的设计。在控制作用下，误差在滑模面上下穿插而容易产生抖振。

卡尔曼滤波方法，包括基于此发展的扩展卡尔曼滤波和无迹卡尔曼滤波是最常用的车辆估计方法。在该方法中，需要对反映估计模型不确定性的过程噪声，以及信号测量过程中的测量噪声进行噪声协方差矩阵估计。在实际工程应用中，不仅估计模型的不确定性定量化有困难，而且测量噪声受外界因素影响较大，并非恒定不变。遗憾的是，所述噪声协方差矩阵对状态估计精度影响非常大，该缺陷严重限制了卡尔曼滤波方法及发展方法的工程应用。为此，学者提出了噪声协方差矩阵自适应调整机制，发展出了自适应卡尔曼滤波方法。通过对已有研究成果的分析可知，在引入自适应调整机制条件下，确保估计方法的稳定性，避免估计发散的同时，如何进一步提高估计精度是亟待解决的关键问题。

发明内容

本发明针对分布式驱动电动汽车4个车轮转矩可检测的特点，直接根据车辆状态计算轮胎纵向力和侧向力，避免轮胎模型给估计模型带来的计算负荷；进一步地，通过自适应调整过程噪声协方差矩阵和测量噪声协方差矩阵的方法，自适应地修正算卡尔曼滤波增益和状态估计误差协方差矩阵，使得车辆状态估计器具有针对噪声协方差矩阵初值的鲁棒性；更进一步地，在计算新息实际协方差矩阵时，以归一化新息平方表征车辆状态变化激烈程度，从而自适应地调整滑动窗口长度，提高估计算法动态响应速度的同时，减小稳态误差。本发明为分布式驱动电动汽车状态估计提供一种估计精度高、对噪声协方差矩阵初值不敏感的方案。

为达到以上目的，本发明采取的技术方案是提供了一种分布式驱动电动汽车车辆状态估计系统和方法，该系统包括方向盘转角传感器、车轮转速传感器、驱动电机电流传感器、横摆角速度传感器、横向加速度传感器、纵向加速度传感器、车辆状态估计器，其特征在于：

分布式驱动电动汽车的4个车轮由4个独立的驱动电机直接驱动；

4个驱动电机分别与4个电流传感器相连；4个电流传感器分别检测4个驱动电机的线电流；

4个驱动电机分别与4个车轮转速传感器相连；4个车轮转速传感器分别检测4个驱动电机的转速，并根据传动比换算为车轮转速；

方向盘转角传感器检测方向盘的转角；

横摆角速度传感器检测车身质心处的横摆角速度；

纵向加速度传感器检测车身质心处的纵向加速度；

纵向加速度传感器检测车身质心处的横向加速度；

车辆状态估计器利用4个驱动电机的转速，4个驱动电机的线电流，质心处的横摆角速度，纵向加速度和侧向加速度，基于自适应扩展卡尔曼滤波算法估计分布式驱动电动汽车的纵向速度和质心侧偏角。

进一步地，本发明的车辆状态估计器在计算卡尔曼滤波增益和状态估计误差协方差矩阵时，采用的过程噪声协方差矩阵和测量噪声协方差矩阵自适应调整规则为

其中K_k为卡尔曼滤波增益，P_k ^-为未修正的状态估计误差协方差矩阵，P_k-1为修正后的状态估计误差协方差矩阵，H_k为测量方程的雅克比矩阵，Φ_k为系统方程的雅克比矩阵，R_k为测量噪声协方差矩阵，Q_k-1为系统过程噪声协方差矩阵，α_k为自适应调整因子，κ为过程噪声协方差矩阵增倍系数，T表示矩阵的转置，k为当前步，k-1为前一步。

进一步地，本发明在计算自适应调整因子α_k的新息实际协方差矩阵时，采用的滑动窗口长度自适应调整方法如下

其中d为滑动窗口长度的调整因子，α_max和α_min分别为预设的调整因子上阈值和下阈值，M_min和M_max分别为预设的滑动窗口长度的最小值和最大值，int()为取整函数。

进一步地，本发明在调整滑动窗口长度时，选取归一化新息平方作为调整因子d，用于表征车辆状态变化的激烈程度，并实现滑动窗口的自适应调整；当归一化新息平方大于调整因子上阈值时，表征车辆状态变化激烈，调整滑动窗口长度为最小值，提高估计算法的动态响应速度；当归一化新息平方小于调整因子下阈值时，表征车辆状态变化缓慢，调整滑动窗口长度为最大值，减小估计算法的稳态误差；当归一化新息平方处于调整因子的下阈值和上阈值之间时，滑动窗口长度在最小值和最大值之间线性扩展。

进一步地，本发明还提出计算4个轮胎纵向力和侧向力的方法为

利用车轮转速和驱动电机线电流，基于车轮动力学模型计算轮胎纵向力；利用车辆质心处的纵向车速、侧向车速、侧向加速度、横摆角速度、横摆角加速度实时估计前后轴轮胎的侧偏刚度，进而计算出轮胎的侧向力。

进一步地，本发明还提出一种分布式驱动电动汽车状态估计系统进行状态估计的方法，其特征在于：

首先，车辆状态估计器通过传感器采集驱动电机的转速和电流，方向盘转角，以及车辆质心处的横摆角速度，纵向加速度和横向加速度；

然后，利用车轮动力学模型计算4个轮胎的纵向力，利用估计的轮胎侧偏刚度计算4个轮胎的侧向力；

最后，车辆状态估计器基于扩展卡尔曼滤波算法进行车辆纵向速度和质心侧偏角估计；在其中，根据窗口长度自适应调整方法对滑动窗口的长度进行自适应调整；根据过程噪声协方差矩阵和测量噪声协方差矩阵的自适应调整方法对卡尔曼滤波增益和状态估计误差协方差矩阵进行修正。

本发明具有以下优点：

(1)基于分布式驱动电动汽车的特点，直接根据车辆状态计算轮胎纵向力和侧向力，避免轮胎模型给估计模型带来的计算负荷，提高车辆状态估计的实时性；

(2)车辆状态估计采用自适应扩展卡曼滤波算法，对过程噪声协方差矩阵和测量噪声协方差矩阵初值具有鲁棒性，能提高车辆状态估计方法的工程应用价值；

(3)只在计算卡尔曼滤波增益和状态估计误差协方差矩阵的时候自适应调整测量噪声协方差矩阵和过程噪声协方差矩阵，而不是直接更新测量噪声协方差矩阵和过程噪声协方差矩阵，有利于提高估计器的稳定性，避免估计结果发散；

(4)采用归一化新息平方表征车辆状态变化激烈程度，从而自适应地调整滑动窗口长度，提高估计算法动态响应速度的同时，减小稳态误差；

(5)滑动窗口长度限定最小值和最大值，且在最小值和最大值之间采用线性扩展的方法确定长度，具有算法简单、计算负荷小的优点，有利于车辆状态估计的实时性和易用性。

附图说明

图1是本发明的分布式驱动电动汽车状态估计系统结构框图；

图2是本发明的分布式驱动电动汽车状态估计算法流程图；

图3是本发明的分布式驱动电动汽车状态估计系统所采用的车辆动力学模型；

图4是本发明的方向盘鱼钩阶跃转角输入；

图5是本发明在测量噪声协方差矩阵R＝eye(3)×0.01时，不同估计算法的估计精度对比图；

图6是本发明在测量噪声协方差矩阵R＝eye(3)×2时，不同估计算法的估计精度对比图；

图7是本发明在单个鱼钩阶跃转向角输入时的归一化新息平方；

图8是本发明的滑动窗口长度变化情况；

图9是本发明在M_min＝1、5、10、15时的车辆状态估计精度对比图；

图10是本发明在M_max＝50、100、150、200时的车辆状态估计精度对比图；

图11是本发明的估计算法计算负荷图。

具体实施：

分布式驱动电动汽车状态估计系统结构框图如图1所示，该系统包括方向盘转角传感器、车轮转速传感器、驱动电机电流传感器、横摆角速度传感器、横向加速度传感器、纵向加速度传感器、车辆状态估计器，其特征在于：

分布式驱动电动汽车的4个车轮由驱动电机31，驱动电机32，驱动电机33，驱动电机34直接驱动；

驱动电机31，驱动电机32，驱动电机33，驱动电机34分别与电流传感器41，电流传感器42，电流传感器43，电流传感器44相连；电流传感器41，电流传感器42，电流传感器43，电流传感器44分别检测驱动电机31，驱动电机32，驱动电机33，驱动电机34的线电流；

驱动电机31，驱动电机32，驱动电机33，驱动电机34分别与车轮转速传感器51，车轮转速传感器52，车轮转速传感器53，车轮转速传感器54相连；车轮转速传感器51，车轮转速传感器52，车轮转速传感器53，车轮转速传感器54分别检测驱动电机31，驱动电32，驱动电33，驱动电34的转速，并根据传动比换算为车轮转速；

方向盘转角传感器20检测方向盘10的转角；

横摆角速度传感器50检测车身质心处的横摆角速度；

纵向加速度传感器60检测车身质心处的纵向加速度；

纵向加速度传感器70检测车身质心处的横向加速度；

车辆状态估计器80利用驱动电机31，驱动电机32，驱动电机33，驱动电机34的转速和线电流，质心处的横摆角速度，纵向加速度和侧向加速度，基于自适应扩展卡尔曼滤波算法估计分布式驱动电动汽车的纵向速度和质心侧偏角。

分布式驱动电动汽车状态估计系统的算法流程图如图2所示。

作为其中一个实施例，车辆动力学模型如图3所示，包括纵向、侧向、横摆3个自由度，用于描述易测量状态和待估计状态的内在联系，并实现状态预测。三自由度车辆动力学模型的控制方程可表示为：

纵向动力学方程：

m·a_x＝(F_xfl+F_xfr)cosδ-(F_yfl+F_yfr)sinδ+F_xrl+F_xrr (1)

横向动力学方程：

m·a_y＝(F_xfl+F_xfr)sinδ+(F_yfl+F_yfr)cosδ+F_yrl+F_yrr (2)

横摆动力学方程：

整车质心侧偏角定义为：

式中，m为整车质量；a_x为纵向加速度，且其中v_x为纵向速度；a_y为侧向加速度，且其中v_y为侧向速度；γ为横摆角速度；F_xij和F_yij分别为轮胎纵向力和侧向力，其中i＝f,r，分别表示前和后。j＝l,r分别表示左和右；I_z为整车绕z轴的转动惯量；a和b分别为质心到前、后轴的距离；t_w为轮距；δ为前轮转角。

分布式驱动电动汽车的4个车轮直接由电机驱动，转矩和转速容易测量，因此可利用车轮动力学模型计算轮胎纵向力。

作为其中一个实施例，车轮动力学模型描述为：

式中，R_w为轮胎滚动半径；J_w为轮胎转动惯量；ω_ij为车轮旋转角速度；T_ij为驱动电机转矩，驱动为正，制动为负，计算方法如下：

T_ij＝K_TI_ij (6)

式中，K_T为驱动电机转矩常数；I_ij为驱动电机线电流。

在已知车轮转矩和旋转角速度的前提下，轮胎纵向力可表示为：

作为其中一个实施例，轮胎的侧向力可通过下式计算：

F_yij＝C_αjα_ij (8)

式中，C_αj为轮胎侧偏刚度；α_ij为轮胎侧偏角，计算方法如下：

由此可见，要计算轮胎侧向力，首先要进行轮胎侧偏刚度的估计。

作为其中一个实施例，轮胎侧偏刚度计算方法如下：

二自由度车辆动力学模型可表示为：

ma_y＝F_yf+F_yr (13)

式中，F_yf和F_yr分别为前、后轴的轮胎侧向力。

由式(13)和式(14)可得到前、后轴的侧向力为：

而前、后轴的侧向力也可表示为：

F_yf＝2C_αf(δ-β-aγ/v_x) (17)

F_yr＝2C_αr(-β+bγ/v_x) (18)

由式(15)-(18)可得前、后轴轮胎的侧偏刚度为：

由此可见，本发明利用车轮转速和驱动电机线电流，基于车轮动力学模型计算轮胎纵向力；利用车辆质心处的纵向车速、侧向车速、侧向加速度、横摆角速度、横摆角加速度实时估计前后轴轮胎的侧偏刚度，进而计算出轮胎的侧向力。

作为其中一个实施例，定义三自由度车辆动力学模型的状态变量为：

x＝(v_x,v_y,γ,a_x,a_y)^T (21)

在状态变量中，车辆质心横摆角速度、纵向加速度和侧向加速度属于易测量状态，纵向速度和侧向速度属于待估计状态，质心侧偏角由两者根据式(4)计算。

作为其中一个实施例，定义测量变量为：

z＝(γ,a_x,a_y)^T (22)

作为其中一个实施例，定义系统输入为：

u＝(δ,F_x,F_y)^T (23)

式中，F_x和F_y分别为4个轮胎的纵向力、侧向力。

经离散后，三自由度车辆动力学模型可写成如下形式：

式中，f为状态转移函数；h为测量函数；w_k为系统过程噪声，是均值为零，协方差为Q的高斯白噪声；ε_k为测量噪声，是均值为零，协方差为R的高斯白噪声。

新息定义为测量变量的实际值与预测值之间的误差，即：

式中，H_k为测量方程的雅克比矩阵，通过求测量函数关于自变量的偏导数得到，即为状态预测值。

新息的理论协方差矩阵为：

由于受到建模误差和测量噪声的影响，新息协方差矩阵实际值往往偏离理论值。一般通过下式计算新息的实际协方差矩阵。

式中，M为滑动窗口的长度。

通过比较新息的实际协方差矩阵和理论协方差矩阵C_k大小，实现对R_k的调整。当时减小R_k；当时，理论上应增加R_k，但为了避免滤波器发散，可保持R_k不变。

作为其中一个实施例，定义的R_k调整因子为：

本发明提出的自适应噪声协方差矩阵调整方法不直接更新Q和R，而只是在计算卡尔曼滤波增益和状态估计误差协方差矩阵时给出Q和R修正量。在更新卡尔曼滤波器增益时，自适应调整方法如下：

式中，K_k为卡尔曼滤波增益，P_k ^-为未修正的状态估计误差协方差矩阵，H_k为测量方程的雅克比矩阵R_k为测量噪声协方差矩阵，α_k为自适应调整因子，T表示矩阵的转置，k为当前步，k-1为前一步。

为了提高卡尔曼滤波算法的估计精度，测量噪声协方差矩阵与过程噪声协方差矩阵一般作反向调整。因此状态估计误差协方差矩阵的自适应调整方法为：

式中，P_k-1为修正后的状态估计误差协方差矩阵，Φ_k为系统方程的雅克比矩阵，Q_k-1为系统过程噪声协方差矩阵，κ为过程噪声协方差矩阵增倍系数。

本发明提出如下的滑动窗口长度自适应调整方法：

式中，d为滑动窗口长度的调整因子，α_max和α_min分别为预设的调整因子上阈值和下阈值，M_min和M_max分别为预设的滑动窗口长度的最小值和最大值，int()为取整函数。本发明提出的滑动窗口长度自适应调整方法，仅包含简单的代数运算，适合在单片机中编程实现，且通过减小了计算量，能提高估计算法的实时性。

本发明在调整滑动窗口长度时，选取归一化新息平方作为调整因子d，用于表征车辆状态变化的激烈程度，并实现滑动窗口的自适应调整；当归一化新息平方大于调整因子上阈值时，表征车辆状态变化激烈，调整滑动窗口长度为最小值，提高估计算法的动态响应速度；当归一化新息平方小于调整因子下阈值时，表征车辆状态变化缓慢，调整滑动窗口长度为最大值，减小估计算法的稳态误差；当归一化新息平方处于调整因子的下阈值和上阈值之间时，滑动窗口长度在最小值和最大值之间线性扩展。

归一化新息平方计算方法如下：

作为以上实施例的实际算例，定义方向盘转角为双鱼钩阶跃输入，前轮转角如图4所示。车辆参数如下：m＝1230kg，a＝1.15m，b＝1.36m，t_w＝1.5m，I_z＝4607kg m²。另外，车速为80km/h，路面附着系数μ为0.85，T_s＝0.01，κ＝100，α_min＝2，α_max＝10，M_min＝1，M_max＝100。为体现本发明提出的自适应扩展卡尔曼滤波方法(PAEKF)的优越性，同时进行改进Sage-Husa自适应扩展卡尔曼滤波方法(SHAEKF)和标准扩展卡尔曼滤波方法(EKF)的车辆状态估计，并将三者进行对比分析。

设定状态估计误差协方差矩阵的初值为P₀＝eye(5)×1，过程噪声协方差矩阵的初值Q₀＝eye(3)×0.01。图5的左右图分别为测量噪声协方差矩阵初值R₀＝eye(5)×0.01时，纵向车速和质心侧偏角估计精度对比。由图可知，3种方法中，PAEKF的状态估计值最接近真实值，且EKF比SHAEKF的估计精度高。但总体而言，3种方法对于纵向车速和质心侧偏角的估计精度处于相同水平，可认为此时的测量噪声协方差矩阵的初值非常接近真实的统计特性。

当R₀＝eye(5)×2时，3种方法对纵向车速和质心侧偏角的估计精度对比如图6的左右两图所示。由图可知，测量噪声协方差矩阵初值偏离真实值时，EKF对纵向车速和质心侧偏角的估计精度高明显下降，已严重偏离真实值。而SHAEKF通过自适应策略保证其具有较好的估计精度。但相比PAEKF方法，SHAEKF的估计精度仍具有差距，特别是质心侧偏角在27秒后存在较大的稳态误差。

在本发明所提出的滑动窗口长度自适应调整策略中，采用归一化新息平方表征车辆状态变化激烈的程度，图7为车辆做单个鱼钩阶跃转向时的归一化新息平方。对比前轮转角曲线可发现，在前轮转角发生变化的1～7秒之间，归一化新息平方都比较大，特别是在前轮转角变化最激烈的1秒和2.2秒处，归一化新息平方出现了两个非常大的波峰。由此可见，用归一化新息平方表征车辆状态变化激烈的程度切实可行。在实施例的实际算例中，设定α_min＝2，即认为归一化新息平方小于2时，认为车辆状态未发生激烈变化，处于稳定行驶状态，调整滑动窗口长度为最大值，以便减小估计稳态误差；设定α_max＝10，即当归一化新息平方大于10时，认为车辆状态发生激烈变化，调整滑动窗口长度为最小值，提高估计器的快速跟踪性；在归一化新息平方大于2而小于10的区间，滑动窗口长度在最小值到最大值之间按比例进行线性扩展。由此可见，本发明提出的滑动窗口长度自适应调整策略仅需保存M_max个新息数据，有利于单片机实现估计算法。

图8为本实施例的实际算例中，在R₀＝eye(3)×0.01，M_min＝1，M_max＝100条件下，进行车辆状态估计时的滑动窗口长度变化情况。由图可知，在前轮转角为0的0～1秒，以及6.6～10之间，滑动窗口的长度保持在100，自适应策略通过增加滑动窗口长度来提高估计算法的稳态精度；在1～2.6秒之间，方向盘转角发生较快速变化，滑动窗口发生震荡，但仍可看出长度为1的情况占绝对多数。说明在车辆状态激烈变化时，自适应策略通过减小滑动窗口长度来提高估计算法的动态响应速度；在2.6～6.6秒之间，方向盘转角变化较缓慢，滑动窗口长度在最大值和最小值之间平滑过渡。

为了分析最小滑动窗口长度M_min和最大滑动窗口长度M_max对估计精度的影响，在R₀＝eye(3)×2时，分别改变M_min和M_max的情况下，分析PAEKF的估计精度。图9为M_max＝100，M_min＝1、5、10、15时的车辆状态估计值与真实值的对比。由图可知，随着最小滑动窗口长度M_min的增加，PAEKF估计的动态跟踪速度降低，状态变量突变处的估计精度降低明显。因此，设置较小的最小滑动窗口长度，相当于利用最新的新息调整噪声的协方差矩阵，有利于提高状态估计的动态响应速度。

由式(31)描述的窗口长度自适应调整规则可知，当归一化新息平方较小时，即车辆行驶状态稳定的情况下，窗口长度调整为最大滑动窗口长度M_max，因此最大滑动窗口长度M_max主要影响的是状态估计的稳态误差。图10为M_min＝1，M_max＝50、100、150、200时的车辆状态估计值与真实值的对比。由图可知，增加最大滑动窗口长度M_max有利于增加车辆稳定行驶状态时的估计精度，即减小稳态误差。

作为本实施例的实际算例，利用STM32F407运行本发明提出的车辆状态估自适应扩展卡尔曼滤波算法，图11为算法其中100次的计算负荷。由图可知，算法计算负荷与窗口长度直接相关，当窗口长度最小时，算法运行时间也最短；当窗口长度最大时，算法运行时间也最大；最小窗口长度到最大窗口长度的过渡区间，运行时间与窗口长度呈线性关系。通过数据查看可知，当M＝1时，估计算法运行一次的时间为190±2μs；M＝100时，估计算法运行一次的时间为625±5μs。后者需要更长的时间，是因为M＝100时，需要循环计算新息的平方和100次。从估计算法的整体计算负荷来看，都没有超过1ms，完全满足车辆动力学控制周期一般为10ms的要求，即满足实时性要求。且能够通过单片机简单编程实现本发明所提出的估计算法，说明满足易用要求。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为落入本发明的保护范围。

Claims (6)

1.一种分布式驱动电动汽车状态估计系统包括方向盘转角传感器、车轮转速传感器、驱动电机电流传感器、横摆角速度传感器、横向加速度传感器、纵向加速度传感器、车辆状态估计器，其特征在于：

分布式驱动电动汽车的4个车轮由4个独立的驱动电机(31，32，33，34)直接驱动；

4个驱动电机(31，32，33，34)分别与4个电流传感器(41，42，43，44)相连；4个电流传感器(41，42，43，44)分别检测4个驱动电机(31，32，33，34)的线电流；

4个驱动电机(31，32，33，34)分别与4个车轮转速传感器(51，52，53，54)相连；4个车轮转速传感器(51，52，53，54)分别检测4个驱动电机(31，32，33，34)的转速，并根据传动比换算为车轮转速；

方向盘转角传感器(20)检测方向盘(10)的转角；

横摆角速度传感器(50)检测车身质心处的横摆角速度；

纵向加速度传感器(60)检测车身质心处的纵向加速度；

纵向加速度传感器(70)检测车身质心处的横向加速度；

车辆状态估计器(80)利用4个驱动电机(31，32，33，34)的转速，4个驱动电机(31，32，33，34)的线电流，质心处的横摆角速度，纵向加速度和侧向加速度，基于自适应扩展卡尔曼滤波算法估计分布式驱动电动汽车的纵向速度和质心侧偏角。

2.根据权利要求1所述的分布式驱动电动汽车状态估计系统，其特征在于：车辆状态估计器(80)在计算卡尔曼滤波增益和状态估计误差协方差矩阵时，采用的过程噪声协方差矩阵和测量噪声协方差矩阵自适应调整规则为

其中K_k为卡尔曼滤波增益，P_k ^-为未修正的状态估计误差协方差矩阵，P_k-1为修正后的状态估计误差协方差矩阵，H_k为测量方程的雅克比矩阵，Φ_k为系统方程的雅克比矩阵，R_k为测量噪声协方差矩阵，Q_k-1为系统过程噪声协方差矩阵，α_k为自适应调整因子，κ为过程噪声协方差矩阵增倍系数，T表示矩阵的转置，k为当前步，k-1为前一步。

3.根据权利要求1所述的分布式驱动电动汽车状态估计系统，其特征在于：计算自适应调整因子α_k的新息实际协方差矩阵时，采用的滑动窗口长度自适应调整方法如下

其中d为滑动窗口长度的调整因子，α_max和α_min分别为预设的调整因子上阈值和下阈值，M_min和M_max分别为预设的滑动窗口长度的最小值和最大值，int()为取整函数。

4.根据权利要求1和权利要求3所述的分布式驱动电动汽车状态估计系统，其特征在于：选取归一化新息平方作为调整因子d，用于表征车辆状态变化的激烈程度，并实现滑动窗口的自适应调整；当归一化新息平方大于调整因子上阈值时，表征车辆状态变化激烈，调整滑动窗口长度为最小值，提高估计算法的动态响应速度；当归一化新息平方小于调整因子下阈值时，表征车辆状态变化缓慢，调整滑动窗口长度为最大值，减小估计算法的稳态误差；当归一化新息平方处于调整因子的下阈值和上阈值之间时，滑动窗口长度在最小值和最大值之间线性扩展。

5.根据权利要求1所述的分布式驱动电动汽车状态估计系统，其特征在于：利用车轮转速和驱动电机线电流，基于车轮动力学模型计算轮胎纵向力；利用车辆质心处的纵向车速、侧向车速、侧向加速度、横摆角速度、横摆角加速度实时估计前后轴轮胎的侧偏刚度，进而计算出轮胎的侧向力。

6.根据基于权利要求1所述的分布式驱动电动汽车状态估计系统进行状态估计的方法，其特征在于：

首先，车辆状态估计器通过传感器采集驱动电机的转速和电流，方向盘转角，以及车辆质心处的横摆角速度，纵向加速度和横向加速度；

然后，利用车轮动力学模型计算4个轮胎的纵向力，利用估计的轮胎侧偏刚度计算4个轮胎的侧向力；

最后，车辆状态估计器基于扩展卡尔曼滤波算法进行车辆纵向速度和质心侧偏角估计；在其中，根据窗口长度自适应调整方法对滑动窗口的长度进行自适应调整；根据过程噪声协方差矩阵和测量噪声协方差矩阵的自适应调整方法对卡尔曼滤波增益和状态估计误差协方差矩阵进行修正。