CN108241773A - 一种改进的车辆行驶状态估计方法 - Google Patents

一种改进的车辆行驶状态估计方法 Download PDF

Info

Publication number
CN108241773A
CN108241773A CN201711389923.0A CN201711389923A CN108241773A CN 108241773 A CN108241773 A CN 108241773A CN 201711389923 A CN201711389923 A CN 201711389923A CN 108241773 A CN108241773 A CN 108241773A
Authority
CN
China
Prior art keywords
vehicle
running state
vehicle running
wheel
linear zone
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.)
Pending
Application number
CN201711389923.0A
Other languages
English (en)
Inventor
陈建锋
曹杰
汤传业
黄浩乾
孙坚添
郭聪聪
孙晓东
陈龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201711389923.0A priority Critical patent/CN108241773A/zh
Publication of CN108241773A publication Critical patent/CN108241773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种改进的车辆行驶状态估计方法，首先设定车辆操纵线性区阀值；然后实时检测待估计车辆的侧向加速度值，根据侧向加速度值判断车辆是否处于操纵线性区，若在操纵线性区内，建立二轮三自由度车辆模型，采用龙伯格观测器估计车辆行驶状态；若不在操纵线性区，建立四轮七自由度车辆模型，采用基于模型的容积卡尔曼滤波估计车辆行驶状态。本发明综合利用龙伯格观测器法和容积卡尔曼滤波法的优势，简单方便、实时性好、运算量少、准确度高。不管车辆在线性区还是非线性区，均可以实时有效地评估车辆的行驶状态。

Description

一种改进的车辆行驶状态估计方法
技术领域
本发明属于系统状态估计领域，尤其涉及一种改进的车辆行驶状态估计方法。
背景技术
近年来，随着交通安全事故的频发，汽车主动安全技术得到人们极大地关注。车辆实时行驶状态参数作为主动安全技术的数据基础，具有较大的研究价值。但是，由于测量精度以及生产成本等因素的制约，汽车行驶参数不易由车载传感器直接测得。因此，基于普通车载传感器的汽车行驶状态参数估计研究具有重要意义。
目前，车辆行驶状态估计主要采用基于模型的软测量技术，包括卡尔曼滤波方法、观测器方法等。
但是，普通卡尔曼滤波只适用于基于线性车辆模型的行驶状态估计；扩展卡尔曼滤波与无迹卡尔曼滤波等方法的实时性较差；其它的非线性观测器计算量相对较少，但反馈增益的选择依赖于大量的实验数据，鲁棒性较差。因此，很难找到一种兼具实时性与有效性的车辆行驶状态估计方法。
发明内容
为了解决现有技术存在的问题，实时有效的评估车辆行驶状态，本发明提供一种改进的车辆行驶状态估计方法。
本发明采用以下技术方案实现上述技术目的。
一种改进的车辆行驶状态估计方法，包括以下步骤：
步骤(1)，设定车辆操纵线性区阀值；
所述车辆线性区是指汽车的侧向响应随方向盘输入基本成比例变化的侧向加速度区域，其阀值为0.35g，g为重力加速度；
步骤(2)，实时检测待估计车辆的侧向加速度值，根据所述侧向加速度值判断车辆是否处于操纵线性区：若在操纵线性区内，根据三自由度的二轮车辆模型，采用龙伯格观测器估计车辆行驶状态；若不在操纵线性区，根据七自由度的四轮车辆模型，采用容积卡尔曼滤波估计车辆行驶状态；
当车辆在操纵线性区选用二轮三自由度车辆模型，该模型采用的微分方程组表示为：
其中vx为纵向车速，vy为侧向车速，r为横摆角速度，ax为纵向加速度，a为质心距前轴的距离，b为质心距后轴的距离，k1为前轴等效刚度，k2为后轴等效刚度，Iz为车辆绕z轴的转动惯量，β为质心侧偏角，δ为前轮转角，m为车辆的质量；
龙伯格观测器的设置方法为：
选取加速度的测量值与二轮三自由度车辆动力学模型的估计值之间的误差作为反馈项，设置非线性的车辆行驶状态观测器：
其中kx、ky、kr为观测器的增益，ay为侧向加速度，质心侧偏角的估计值 分别为纵向车速、侧向车速、横摆角速度、纵向加速度、侧向加速度、侧向加速度的估计值；同时，选择状态变量初值X0＝[vx0,vy0,r0]T＝[vx0,0,0]T；而 Ffx、Ffy、Frx、Fry分别为前轮与后轮的纵向力和侧向力；
当车辆在操纵非线性区内，采用四轮七自由度车辆模型，其轮胎力由Dugoff轮胎模型获得，通过容积卡尔曼滤波方法估计车辆行驶状态，车辆行驶状态包括车辆的纵向速度、侧向速度和横摆角速度；
所述四轮七自由度车辆模型为：
其中Fx1、Fx2、Fx3、Fx4为车辆左前、右前、左后、右后轮胎的纵向力，Fy1、Fy2、Fy3、Fy4为左前、右前、左后、右后轮胎的侧向力，Mz为绕z轴的转矩；
采用容积卡尔曼滤波估计车辆行驶状态具体为：初始化、时间更新和量测更新；初始化过程中，当侧向加速度绝对值逐渐变大，车辆从操纵线性区到操纵非线性区时，估计方法由龙伯格观测变为容积卡尔曼滤波，选择最后处在线性区时刻由龙伯格观测器估计得到的状态参数及由传感器所得的观测量作为容积卡尔曼滤波选用的状态参数初值Xs0＝[vxs0,vys0,rs0,axs0,ays0,0]T，误差协方差矩阵初值设为P0。
本发明的有益效果为：
本发明根据实时检测并判断车辆在操纵线性区还是操纵非线性区来确定具体估计的方法，综合利用龙伯格观测器法和容积卡尔曼滤波法的优势，当车辆处于线性区时，采用基于二轮模型的龙伯格观测器法，简单方便、实时性好、运算量少；当车辆处于非线性区，采用基于四轮模型的容积卡尔曼滤波法，可以达到较高的估计精度，提高准确度。不管车辆在线性区还是非线性区，均可以实时有效的评估车辆的行驶状态。
附图说明
图1为改进的车辆行驶状态估计方法的流程图；
图2为二轮三自由度车辆模型示意图；
图3为四轮七自由度车辆模型示意图。
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。
本实施例在假设路面平坦且路面附着系数u已知的前提下进行。
如图1所示，改进的车辆行驶状态估计方法，包括以下步骤：
一、设定车辆操纵线性区阈值。
车辆线性区是指汽车的侧向响应随方向盘输入基本成比例变化的侧向加速度区域，侧向加速度绝对值通常在0.4g(g为重力加速度)内，在本实施例中，为获得精确地估计结果，车辆操纵线性区阀值的取值可适当减小，故本实施例区车辆线性区阀值为0.35g。
二、实时检测待估计车辆的侧向加速度值，根据侧向加速度值判断车辆是否处于操纵线性区：若在操纵线性区内，建立二轮三自由度车辆模型，采用龙伯格观测器估计车辆行驶状态；若不在操纵非线性区，建立四轮七自由度车辆模型，采用基于模型的容积卡尔曼滤波估计车辆行驶状态。
估计车辆行驶状态即估计车辆状态参数，包括估计车辆的纵向速度、侧向速度和横摆角速度。
1、基于龙伯格观测理论实时估计车辆纵向、侧向速度和横摆角速度的具体方法如下：
由于本实施例龙伯格观测器是在操纵线性区使用，当车辆处于线性区时，使用二轮车辆模型有良好的精度，不用考虑车辆轴荷转移引起的轮胎力变化，可以减少运算数量，与四轮模型相比，实时性较好，运算量较少。因此选择使用如图2所示的二轮三自由度车辆模型。图中，x轴为车辆纵向行驶方向，y轴为车辆侧向行驶方向，Ffy为前轮所受侧向力的合力，Fry为后轮所受侧向力合力，vfx为前轮纵向行驶方向，vrx为后轮纵向行驶方向，αf为前轮总侧偏角，αr为后轮总侧偏角，a为质心距前轴的距离，b为质心距后轴的距离，β为质心侧偏角，δ为前轮转角，vx为纵向车速，vy为侧向车速，r为横摆角速度。
使用二轮三自由度车辆模型(1)估计状态参数：
式中ax为纵向加速度，k1为前轴等效刚度，k2为后轴等效刚度，Iz为车辆绕z轴的转动惯量，m为车辆的质量；
由车辆质心侧偏角将上式变形得：
考虑到此时车辆处于线性区，车辆加速度是影响车速的主要因素，选取加速度的测量值与二轮三自由度车辆动力学模型的估计值之间的误差作为反馈项，提出以下形式的非线性车辆状态观测器作为龙伯格观测器：
其中，kx、ky、kr为观测器的增益，ay为侧向加速度，质心侧偏角的估计值 分别为纵向车速、侧向车速、横摆角速度、纵向加速度、侧向加速度的估计值；
此时，选择状态量初值X0＝[vx0,vy0,r0]T＝[vx0,0,0]T；
而Ffx、Ffy、Frx、Fry分别为前轮与后轮的纵向力和侧向力，考虑到此时车辆处于线性区，轮胎特性大致处于线性变化范围内，因此Ffx、Ffy、Frx、Fry的获取如下所示：
式中，i＝f、r分别表示前轮和后轮，czx、czy分别表示轮胎总纵滑刚度和轮胎总侧偏刚度，λ、α分别表示轮胎纵向滑移率和轮胎侧偏角；
式中，Re为轮胎有效半径，ω为轮胎转速，vw为车轮中心延其切面方向的速度；
2、基于容积卡尔曼滤波理论实时估计车辆纵向、横向和横摆角速度的具体方法如下：
(1)当车辆处于非线性区，考虑到算法的准确性，需考虑车辆轴荷的转移，此时不能假设车辆左右轮胎力相等，不再适合选择二轮车模型，需采用四轮模型，考虑四个轮胎的力，采用容积卡尔曼滤波，估计的精度较好，因此选用如图3所示的四轮七自由度车辆模型。图中，Mz为绕z轴的转矩，Mz1、Mz2、Mz3、Mz4分别为左前、右前、左后、右后轮胎绕z轴的转矩，lF为前轮轮距，lR为后轮轮距，Fx1、Fx2、Fx3、Fx4分别为左前、右前、左后、右后轮胎的纵向力，Fy1、Fy2、Fy3、Fy4分别为左前、右前、左后、右后轮胎的侧向力。
使用四轮七自由度车辆模型(8)估计车辆状态参数：
(2)上式中的轮胎力(左前、右前、左后、右后轮胎的纵向力Fx1、Fx2、Fx3、Fx4，左前、右前、左后、右后轮胎的侧向力Fy1、Fy2、Fy3、Fy4)由Dugoff轮胎模型获取，Dugoff轮胎模型及其参数计算公式如下：
式中，u为路面摩擦系数，Fz为轮胎所受垂直载荷，cx、cy为轮胎纵向刚度、侧偏刚度，j＝1、2、3、4，分别代表左前轮、右前轮、左后轮、右后轮，ε为速度影响因子；
式中，h为车辆质心高度，g为重力加速度，FSZ为静态轮胎垂直载荷。
(3)初始化
以前轮转角、四轮轮轮速为输入U＝[δ,ω1,ω2,ω3,ω4,]T，以纵向加速度、侧向加速度及横摆角速度为观测量Z＝[ax,ay,r]T，纵向速度、侧向速度、横摆角速度、纵向加速度、侧向加速度及车辆绕z轴转矩为状态向量X＝[vx,vy,r,ax,ay,Mz]T；
结合式(8)～(13)，容积卡尔曼滤波的状态方程和观测方程可表示为：
Xk+1＝f(Xk,Uk,Wk) (14)
Zk＝h(Xk,Vk)
式中，f为状态转移矩阵，h为观测转移矩阵，Wk为过程噪声，其协方差矩阵为Q，Vk为观测噪声，其协方差矩阵为R。
当侧向加速度绝对值逐渐变大，车辆从操纵线性区到操纵非线性区时，估计方法由龙伯格观测变为容积卡尔曼滤波，选择最后处在线性区时刻由龙伯格观测器估计得到的状态参数及由传感器所得的观测量作为容积卡尔曼滤波选用的状态参数初值Xs0＝[vxs0,vys0,rs0,axs0,ays0,0]T，误差协方差矩阵初值设为P0。
(4)时间更新
①容积点获取
[Ak-1,Λk-1,Ak-1]＝SVD(Pk-1) (15)
式中，Ak-1的列为正交分解的基向量，Si，k-1为特征值，Pk-1为当前时刻误差协方差矩阵；
XJ,k-1＝AI,k-1SI,k-1ξJ+Xk-1 (16)
式中，ξJ为容积点，m＝2n，n为状态量维数，n＝6，I＝1,2,…,n，J＝1,2,…,m，[1]J为容积点集中的第J个元素，容积点集为：
②状态更新：
其中：k-1表示当前时刻，k/k-1表示递推的下一时刻；
③状态预测误差协方差：
(5)量测更新
①容积点重采样
XJ,k/k-1＝AI,k/k-1SI,k/k-1ξJ+Xk/k-1 (20)
②观测预测：
③新息协方差矩阵：
④互协方差矩阵：
⑤增益矩阵：
⑥状态更新：
Xk＝Xk/k-1+Kk(Zk-Zk/k-1) (25)
⑦误差协方差矩阵更新：
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种改进的车辆行驶状态估计方法，其特征在于，包括以下步骤：
步骤(1)，设定车辆操纵线性区阀值；车辆线性区是指汽车的侧向响应随方向盘输入基本成比例变化的侧向加速度区域；
步骤(2)，实时检测待估计车辆的侧向加速度值，根据所述侧向加速度值判断车辆是否处于操纵线性区：若在操纵线性区内，根据三自由度的二轮车辆模型，采用龙伯格观测器估计车辆行驶状态；若不在操纵线性区，根据七自由度的四轮车辆模型，采用容积卡尔曼滤波估计车辆行驶状态。
2.根据权利要求1所述的改进的车辆行驶状态估计方法，其特征在于，所述车辆线性区阀值为0.35g，g为重力加速度。
3.根据权利要求1所述的改进的车辆行驶状态估计方法，其特征在于，所述步骤(3)中，当车辆在操纵线性区选用二轮三自由度车辆模型，该模型采用的微分方程组表示为：
其中vx为纵向车速，vy为侧向车速，r为横摆角速度，ax为纵向加速度，a为质心距前轴的距离，b为质心距后轴的距离，k1为前轴等效刚度，k2为后轴等效刚度，Iz为车辆绕z轴的转动惯量，β为质心侧偏角，δ为前轮转角，m为车辆的质量。
4.根据权利要求3所述的改进的车辆行驶状态估计方法，其特征在于，所述步骤(3)中，龙伯格观测器的设置方法为：
选取加速度的测量值与二轮三自由度车辆动力学模型的估计值之间的误差作为反馈项，设置非线性的车辆行驶状态观测器：
其中kx、ky、kr为观测器的增益，ay为侧向加速度，质心侧偏角的估计值 分别为纵向车速、侧向车速、横摆角速度、纵向加速度、侧向加速度、侧向加速度的估计值；同时，选择状态变量初值X0＝[vx0,vy0,r0]T＝[vx0,0,0]T；而 Ffx、Ffy、Frx、Fry分别为前轮与后轮的纵向力和侧向力。
5.根据权利要求1所述的改进的车辆行驶状态估计方法，其特征在于，所述步骤(3)中，当车辆在操纵非线性区内，采用四轮七自由度车辆模型，其轮胎力由Dugoff轮胎模型获得，通过容积卡尔曼滤波方法估计车辆行驶状态。
6.根据权利要求5所述的改进的车辆行驶状态估计方法，其特征在于，车辆行驶状态包括车辆的纵向速度、侧向速度和横摆角速度。
7.根据权利要求5所述的改进的车辆行驶状态估计方法，其特征在于，所述四轮七自由度车辆模型为：
其中Fx1、Fx2、Fx3、Fx4为车辆左前、右前、左后、右后轮胎的纵向力，Fy1、Fy2、Fy3、Fy4为左前、右前、左后、右后轮胎的侧向力，Mz为绕z轴的转矩。
8.根据权利要求1所述的改进的车辆行驶状态估计方法，其特征在于，采用容积卡尔曼滤波估计车辆行驶状态具体为：初始化、时间更新和量测更新。
9.根据权利要求4或8所述的改进的车辆行驶状态估计方法，其特征在于，初始化过程中，当侧向加速度绝对值逐渐变大，车辆从操纵线性区到操纵非线性区时，估计方法由龙伯格观测变为容积卡尔曼滤波，选择最后处在线性区时刻由龙伯格观测器估计得到的状态参数及由传感器所得的观测量作为容积卡尔曼滤波选用的状态参数初值Xs0＝[vxs0,vys0,rs0,axs0,ays0,0]T，误差协方差矩阵初值设为P0。
CN201711389923.0A 2017-12-21 2017-12-21 一种改进的车辆行驶状态估计方法 Pending CN108241773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711389923.0A CN108241773A (zh) 2017-12-21 2017-12-21 一种改进的车辆行驶状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711389923.0A CN108241773A (zh) 2017-12-21 2017-12-21 一种改进的车辆行驶状态估计方法

Publications (1)

Publication Number Publication Date
CN108241773A true CN108241773A (zh) 2018-07-03

Family

ID=62701101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711389923.0A Pending CN108241773A (zh) 2017-12-21 2017-12-21 一种改进的车辆行驶状态估计方法

Country Status (1)

Country Link
CN (1) CN108241773A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606378A (zh) * 2018-11-19 2019-04-12 江苏大学 面向非高斯噪声环境的车辆行驶状态估计方法
CN110816654A (zh) * 2019-08-08 2020-02-21 中国第一汽车股份有限公司 一种信号估计方法、装置、车辆和存储介质
CN112270039A (zh) * 2020-10-19 2021-01-26 南京航空航天大学 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN112637805A (zh) * 2020-12-11 2021-04-09 浙江大学 一种高速列车行驶状态即插即用分布式估计方法
CN113008240A (zh) * 2021-03-01 2021-06-22 东南大学 基于稳定域的四轮独立驱动智能电动汽车路径规划方法
CN113034904A (zh) * 2021-03-05 2021-06-25 交通运输部公路科学研究所 基于etc数据的交通状态估计方法和装置
CN113276862A (zh) * 2021-06-21 2021-08-20 智新控制系统有限公司 车辆行驶状态估计方法
CN114026435A (zh) * 2019-04-23 2022-02-08 雷诺股份公司 用于估计和调整车辆的速度和加速度的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102009654A (zh) * 2010-11-12 2011-04-13 清华大学 一种全轮电驱动车辆的纵向车速估计方法
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
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN104442830A (zh) * 2014-11-05 2015-03-25 山东省计算中心（国家超级计算济南中心） 四轮转向/驱动车辆的速度估计和摩擦辨识方法
CN104773173A (zh) * 2015-05-05 2015-07-15 吉林大学 一种自主驾驶车辆行驶状态信息估计方法
CN105799708A (zh) * 2014-09-22 2016-07-27 现代自动车株式会社 通过使用重力加速度传感器估计道路坡度的设备和方法
CN106250591A (zh) * 2016-07-21 2016-12-21 辽宁工业大学 一种考虑侧倾影响的汽车行驶状态估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102009654A (zh) * 2010-11-12 2011-04-13 清华大学 一种全轮电驱动车辆的纵向车速估计方法
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
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN105799708A (zh) * 2014-09-22 2016-07-27 现代自动车株式会社 通过使用重力加速度传感器估计道路坡度的设备和方法
CN104442830A (zh) * 2014-11-05 2015-03-25 山东省计算中心（国家超级计算济南中心） 四轮转向/驱动车辆的速度估计和摩擦辨识方法
CN104773173A (zh) * 2015-05-05 2015-07-15 吉林大学 一种自主驾驶车辆行驶状态信息估计方法
CN106250591A (zh) * 2016-07-21 2016-12-21 辽宁工业大学 一种考虑侧倾影响的汽车行驶状态估计方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606378A (zh) * 2018-11-19 2019-04-12 江苏大学 面向非高斯噪声环境的车辆行驶状态估计方法
CN114026435A (zh) * 2019-04-23 2022-02-08 雷诺股份公司 用于估计和调整车辆的速度和加速度的方法
CN110816654A (zh) * 2019-08-08 2020-02-21 中国第一汽车股份有限公司 一种信号估计方法、装置、车辆和存储介质
CN112270039A (zh) * 2020-10-19 2021-01-26 南京航空航天大学 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN112637805A (zh) * 2020-12-11 2021-04-09 浙江大学 一种高速列车行驶状态即插即用分布式估计方法
CN113008240A (zh) * 2021-03-01 2021-06-22 东南大学 基于稳定域的四轮独立驱动智能电动汽车路径规划方法
CN113008240B (zh) * 2021-03-01 2021-12-14 东南大学 基于稳定域的四轮独立驱动智能电动汽车路径规划方法
CN113034904A (zh) * 2021-03-05 2021-06-25 交通运输部公路科学研究所 基于etc数据的交通状态估计方法和装置
CN113276862A (zh) * 2021-06-21 2021-08-20 智新控制系统有限公司 车辆行驶状态估计方法

Similar Documents

Publication Publication Date Title
CN108241773A (zh) 一种改进的车辆行驶状态估计方法
CN103434511B (zh) 一种车速与道路附着系数的联合估计方法
CN105667520B (zh) 一种分布式驱动电动车的前轮侧向力估计方法
Cho et al. Estimation of tire forces for application to vehicle stability control
CN103213582B (zh) 基于车身侧倾角估计的防侧翻预警控制方法
CN105279309B (zh) 基于回正力矩估计的主动转向理想方向盘转矩设计方法
CN107016157B (zh) 分布式驱动电动汽车路面自适应纵向车速估计系统及方法
CN110606079B (zh) 一种分层控制的车辆防侧翻方法及多轴分布式驱动车辆
CN105936273B (zh) 车用主动转矩轮间、轴间分配方法
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
CN105416276A (zh) 基于高阶滑模的电动汽车稳定性直接横摆力矩控制方法
CN105253141A (zh) 一种基于车轮纵向力调节的车辆操纵稳定性控制方法
CN105270397B (zh) 车辆电子稳定性控制系统稳定性控制判据的制定方法
CN103921786A (zh) 一种电动车辆再生制动过程的非线性模型预测控制方法
CN105691403A (zh) 四轮全驱电动汽车路面附着系数估计方法
CN103279675B (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
CN111688715B (zh) 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法
Doumiati et al. An estimation process for vehicle wheel-ground contact normal forces
Velenis FWD vehicle drifting control: The handbrake-cornering technique
CN105539449A (zh) 一种制动工况下的路面附着系数实时估算方法
CN114771503A (zh) 基于非奇异终端滑模控制的汽车横向稳定性控制方法
CN109850015B (zh) 一种控制参数可自动调节的电动车主动前轮转向控制方法
CN113203422B (zh) 一种基于尺寸测量装置的货车状态惯性参数联合估计方法
Cheng et al. A hierarchical estimation scheme of tire-force based on random-walk SCKF for vehicle dynamics control
CN111231976B (zh) 一种基于变步长的车辆状态估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180703

RJ01 Rejection of invention patent application after publication