CN108482379B - 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 - Google Patents

Abstract

本发明提供一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，它包括车轮滑转率计算模块、车轮侧偏角计算模块、车轮垂向力计算模块、变形处理的Dugoff轮胎模型模块、空气阻力计算模块、渐消记忆UKF参数估计算法模块、车轮纵侧向力计算模块、车轮旋转动力学模块和纵向力反馈修正模块。本方法通过对传统UKF算法的渐消记忆加权处理，使得算法及时舍去陈旧测量数据，增加新近测量数据的权重，从而提高参数的估计精度；充分结合轮毂电机驱动车辆各车轮转矩可精确测得的优点，利用车轮旋转动力学模型求得的准确的车轮纵向力信息，对Dugoff轮胎模型求得的车轮纵向力信息进行修正，保证纵向归一化力的准确性，从而间接提高路面附着系数的估计精度。

Description

轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系 统及方法

技术领域

本发明属于分布式驱动电动汽车的路面识别技术领域，具体涉及一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法。

背景技术

路面附着系数：指车轮与地面之间的作用力与车轮法向力的比值。目前对于路面附着系数识别的方法，根据得到最终识别结果方式通常可以分为两种：一种是基于硬件设备，通过传感器对路面进行直接检测的方法；另外一种是基于车辆动力学模型进行参数估算的路面识别方法。第一种方法主要是使用硬件设备，通过分析影响路面附着系数的物理因素，并依据已有的经验模型直接进行识别，该方法使用的传感器设备较多，相关实验仪器成本较高且结构复杂，对使用条件要求严苛，估算的准确性较依赖于已有的经验，难以在实车中得以应用。第二种方法采用低成本传感器，通过建立的车辆动力学模型，根据路面附着系数变化在车轮或车体产生的运动响应来间接识别出路面的附着系数，多数学者在基于μ-s曲线估计路面附着系数方面已经作了大量研究，但是这类方法需要大量的数据进行曲线拟合，存在响应慢、实时性不强等问题，且识别结果的准确性过于依赖模型精度。

路面坡度：指坡面的铅直高度与水平长度的比值。目前对于路面坡度的识别主要有最小二乘法及扩展卡尔曼滤波方法(EKF)，诸如此类算法在计算的过程中通常忽略了非线性高阶项，精度有限，且估计的参数较为单一，只有路面坡度这一个变量，算法利用率较低。

从参数估计算法的角度分析，对于路面附着系数的估计，多数学者通常使用标准卡尔曼滤波(KF)、扩展卡尔曼滤波及无迹卡尔曼滤波(UKF)来解决一些少数典型工况的路面附着系数估计。前两种滤波算法形式简单，但是不适用于车辆这种强非线性系统，无迹卡尔曼滤波虽然考虑了非线性因素的影响，但是无法获知系统噪声特性，亦不能根据传感器测量数据对系统状态变量进行实时修正，容易产生误差累积，进而导致估计结果误差较大。另外，根据算法进行路面附着系数实时估算的算法利用率通常也较为单一。

发明内容

本发明要解决的技术问题是：提供一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法，能够实时准确估计不同工况下的路面情况。

本发明为解决上述技术问题所采取的技术方案为：一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：它包括：

车轮滑转率计算模块，用于根据各车轮转速、转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的滑转率；

车轮侧偏角计算模块，用于根据转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的侧偏角；

车轮垂向力计算模块，用于根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力；

变形处理的Dugoff轮胎模型模块，用于根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力；

空气阻力计算模块，用于根据车辆纵向车速计算空气阻力；

渐消记忆UKF参数估计算法模块，用于根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮纵向力之和的初始信息，通过估计算法得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后得的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ；

车轮纵侧向力计算模块，用于根据各车轮纵侧向归一化力和路面附着系数，采用车轮纵侧向力计算模型计算各车轮的纵向力和侧向力；

车轮旋转动力学模块，用于根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力；

纵向力反馈修正模块，用于将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的经变形处理的Dugoff轮胎模型中对Dugoff轮胎模型纵向力信息进行修正。

按上述方案，所述的变形处理的Dugoff轮胎模型模块具体用于按以下方法计算：

式中，F_xi ⁰和F_yi ⁰分别为各车轮的纵向归一化力和侧向归一化力；F_zi为各车轮的垂向力；C_xi、C_yi分别为各车轮的纵向刚度和侧偏刚度；S_i为各车轮的滑转率；L_i表示车轮工作区间的边界值，L_i>1时表示车轮处于线性区间，L_i≤1时表示车轮处于非线性区间；α_i为车轮的侧偏角；ε为速度影响因子，用于修正车轮的滑移速度对车轮力的影响；i＝fl、fr、rl、rr，代表4个车轮；v_x为车辆的纵向车速。

按上述方案，所述的渐消记忆UKF参数估计算法模块具体用于按以下方法计算：

1)离散化的系统状态空间方程确定：

i)建立过程方程：

式中，μ_fl、μ_fr、μ_rl和μ_rr分为4个车轮与路面之间的附着系数，a_{x_d}为车辆纵向行驶加速度；θ₁为基于运动学方法得到的第一路面坡度信息，θ₂为基于动力学方法得到的第二路面坡度信息；g为重力加速度；m为车辆的质量；F_w为空气阻力；w_k为符合高斯分布的过程噪声；k表示滤波时刻；F_x为初始各车轮纵向力之和信息；

基于动力学的坡度估算公式如下：

F_x＝ma_{x_d}+F_w+mg(sinθ+fcosθ)

式中，f为滚动阻力系数，基于运动学的坡度估算公式中a_{x_d}与传感器测量信息a_x存在如下关系：

令θ₁＝sinθ+fcosθ，θ₂＝sinθ，θ为路面坡度给定值，对θ₁和θ₂分别反解后的值进行简单的平均值处理即可得到θ；

ii)建立量测方程：

式中，a_x和a_y分别为车辆纵向加速度和侧向加速度；r为横摆角速度；δ为前轮转角信息；v_k为符合高斯分布的量测噪声；

式中，I_z为车辆绕垂直轴的横摆转动惯量；a为车辆质心至前轴距离；b为车辆质心至后轴距离；t_f、t_r分别为前后轮距；

2)含渐消记忆因子UKF估算方法设计如下：

i)滤波初始化：

ii)根据UT变换获得Sigma采样点：

iii)采样点相应的权值确定：

式中：n为状态变量的维数；λ＝α²(n+κ)-n，10^-4≤α≤1；κ为比例系数，n+κ＝7；β是一个非负的权系数，用于合并高阶项的动态误差；

iv)根据Sigma采样点计算均值和方差预测：

式中，λ_k为渐消记忆因子，常数0<ρ<1；

v)将Sigma点集代入观测方程，得到预测的观测值：

vi)计算系统预测的均值及协方差：

vii)计算Kalman滤波增益：

viii)计算系统的状态更新和协方差更新：

以上所列式中，x_k为k时刻的状态矢量，z_k为k时刻的输出矢量，u_k为输入矢量，Q为w_k的协方差矩阵，R为v_k的协方差矩阵，为互协方差矩阵，为自协方差矩阵，P_k为方差，K_k为k时刻的Kalman增益。

按上述方案，所述的第一路面坡度信息θ₁和第二路面坡度信息θ₂，θ₁和θ₂通过以下方法进行平均值处理，得到路面坡度给定值θ：

按上述方案，所述的车轮旋转动力学模块得到的各车轮的纵向力F_xi’的计算方法为：

式中，J_w为车轮转动惯量，R_t为车轮滚动半径，T_di为各车轮的驱动力矩。

按上述方案，所述的纵向力反馈修正模块具体通过以下方法计算：

式中，代表修正之后的Dugoff轮胎模型纵向力，F_xi代表未修正之前的Dugoff轮胎模型计算出的各车轮的纵向力，ΔF_xi为纵向力修正量，F_xi’表示根据车轮旋转动力学模型计算出的各车轮的纵向力，ζ为反馈修正系数。

一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算方法，其特征在于：它包括以下步骤：

通过以下设备获取测量参数：设置在驱动控制系统上的驱动力矩传感器，用于获取各车轮驱动力矩；设置在车轮上的轮速传感器，用于获取各车轮转速；设置在转向柱管处的转向盘转角传感器，用于获取转向盘的转角；设置在车顶位置的车速传感器，用于获取车辆的纵向车速和侧向车速；设置在车辆质心处的陀螺仪传感器，用于获取车身摆角速度、车辆纵向加速度和侧向加速度；

根据各车轮转速、转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的滑转率；

根据转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的侧偏角；

根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力；

根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力；

根据车辆纵向车速计算空气阻力；

根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮的纵向力之和的初始信息，通过估计算法可以得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ；

根据各车轮纵侧向归一化力和路面附着系数，采用车轮纵侧向力计算模型计算各车轮的纵向力和侧向力；

根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力；

将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的经变形处理的Dugoff轮胎模型中对轮胎模型纵向力信息进行修正。

各车轮的滑转率S_i、侧偏角α_i、垂向力F_zi及车辆的空气阻力F_w的计算方法为：

首先将转向盘的转角ω_sw，经转向系统传统比换算到前轮转向两前轮转角δ；

根据各车轮的轮速ω_i、纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算各车轮的滑转率S_i：

式中，R_t为车轮滚动半径；v_i为各车轮中心速度，表达式如下：

式中，a为车辆质心至前轴距离，t_f、t_r分别为前后轮距；

根据纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算侧偏角α_i：

式中，b为车辆质心至后轴距离；

根据纵向车速v_x和侧向车速v_y、路面坡度信息θ计算车轮的垂向力F_zi：

式中，m为整车质量，g为重力加速度，L为车辆前轴至后轴的距离，H为车辆质心高度；

根据纵向车速信息v_x计算空气阻力F_w：

式中，C_d为空气阻力系数，A_f为车辆纵向迎风面积。

本发明的有益效果为：本发明采取实时计算的方法，通过车辆动力学模型分别对各车轮滑转率、侧偏角及垂向力信息进行实时计算；而后将这些参数信息发送至经变形处理的Dugoff轮胎模型，计算得到各车轮纵侧向归一化力；然后结合前轮转角信息、车辆各车轮初始纵向力之和信息、空气阻力信息、纵侧向加速度信息及横摆角速度信息，一起发送至一种含渐消记忆因子的UKF估计算法，从而求得路面附着系数及路面坡度信息。本方法一方面通过对传统UKF算法的渐消记忆加权处理，使得算法及时舍去陈旧测量数据，增加新近测量数据的权重，从而提高参数的估计精度；另一方面，充分结合轮毂电机驱动车辆各车轮转矩可精确测得的优点，利用车轮旋转动力学模型求得的准确的车轮纵向力信息，对Dugoff轮胎模型求得的车轮纵向力信息进行修正，保证纵向归一化力信息的准确性，从而间接提高路面附着系数的估计精度。另外，本发明使用一种算法即可同步估计出路面附着系数及路面坡度等信息，且路面坡度的估计方法使用的是运动学与动力学两种方法的融合，不仅能够提高路面坡度的估计精度，也提高了算法的利用率。整个算法参数估计的技术路线比较明朗，由于提高了算法的利用率，使得求解过程简单，运算量小，收敛时间短，且具有适用条件宽、应用方位广及估计参数多等优点。

附图说明

图1为本发明一实施例的系统框图。

图2为本发明的车辆动力学模型示意图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

根据对路面附着系数与路面坡度估计方法的分析总结，从提高参数估计结果的精度及算法利用率角度考虑，采用一种含渐消记忆因子的无迹卡尔曼滤波，一方面通过引入渐消记忆因子，实现新旧传感器测量数据权重比例的实时调节，从而提高参数估计精度；另一方面，将路面附着系数与路面坡度两种变量采用一种算法同时实现参数的实时估算，从而提高算法利用率，减少估算模型的复杂度。

从估算路面附着系数所需要使用的轮胎模型角度分析，为保证算法实时性及算法设计的便捷性，采用精度及工况适用性较好的Dugoff轮胎模型，该轮胎模型的表达式可以将路面附着系数这一参数μ单独从纵侧向力计算公式中分离开来，形成具有纵侧向归一化力形式的轮胎模型，这为路面附着系数估计算法的设计带来了极大的便利。

从估算路面坡度所依据的模型角度分析，采用动力学与运动学两种方法，充分利用传感器测量数据，从而提高参数的估计精度。

轮毂电机全轮驱动车辆具有各车轮转矩及转速可精确测得的优点，为充分利用该优点，将根据驱动电机求得的车轮纵向力与根据Dugoff轮胎模型求解的车轮纵向力通过反馈修正模块进行修正，将修正信息输入至变形处理的Dugoff轮胎模型，从而提高车轮纵向归一化力的计算精度，从而进一步间接提高路面附着系数的估计精度。

本发明提供一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，如图1所示，其中外部传感器硬件设备包括：设置在驱动控制系统上的驱动力矩传感器，用于获取各车轮驱动力矩；设置在车轮上的轮速传感器，用于获取各车轮转速；设置在转向柱管处的转向盘转角传感器，用于获取转向盘的转角；设置在车顶位置的车速传感器，用于获取车辆的纵向车速和侧向车速；设置在车辆质心处的陀螺仪传感器，用于获取车身摆角速度、车辆纵向加速度和侧向加速度。本系统包括：车轮滑转率计算模块，用于根据各车轮转速、转向盘的转角、车辆的车速和车身横摆角速度，计算各车轮的滑转率。车轮侧偏角计算模块，用于根据转向盘的转角、车辆的车速和车身横摆角速度，计算各车轮的侧偏角。车轮垂向力计算模块，用于根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力。变形处理的Dugoff轮胎模型模块，用于根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力。空气阻力计算模块，用于根据车辆纵向车速计算空气阻力。渐消记忆UKF参数估计算法模块，用于根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮初始纵向力之和信息，通过估计算法可以得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ。车轮纵侧向力计算模块，用于根据各车轮纵侧向归一化力和路面附着系数，采用车轮纵侧向力计算模型计算各车轮的纵向力和侧向力。车轮旋转动力学模块，用于根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力。纵向力反馈修正模块，用于将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的经变形处理的Dugoff轮胎模型中对轮胎模型纵向力信息进行修正。

1、车辆在运行过程中，分别从转向盘转角传感器测得的转向盘转角信号ω_sw，从GPS信号接收器测得的车辆纵侧向车速v_x和v_y，从轮速传感器测得的各车轮转速ω_i,从陀螺仪测得的车身横摆角速度r，发送到基于车辆动力学的车轮滑转率S_i和侧偏角α_i计算模块；将v_x信息发送到空气阻力F_w计算模块；从陀螺仪测得的车辆纵侧向加速度a_x和a_y，结合路面坡度初始给定值θ₀，一起发送到车轮垂向力F_zi计算模块。

首先将转向盘的转角ω_sw，经转向系统传统比换算到前轮转向两前轮转角δ；

根据各车轮的轮速ω_i、纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算各车轮的滑转率S_i：

式中，R_t为车轮滚动半径；v_i为各车轮中心速度，表达式如下：

式中，a为车辆质心至前轴距离，t_f、t_r分别为前后轮距；

根据纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算侧偏角α_i：

式中，b为车辆质心至后轴距离；

根据纵向车速v_x和侧向车速v_y、路面坡度信息θ计算车轮的垂向力F_zi：

式中，m为整车质量，g为重力加速度，L为车辆前轴至后轴的距离，H为车辆质心高度；

根据纵向车速信息v_x计算空气阻力F_w：

式中，C_d为空气阻力系数，A_f为车辆纵向迎风面积。

2、将各车轮的滑转率S_i、侧偏角α_i及垂向力F_zi计算信息发送到经变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力F_xi ⁰和F_yi ⁰；将转向盘转角信息ω_sw、各车轮纵侧向归一化力F_xi ⁰和F_yi ⁰、空气阻力F_w、车辆纵侧向加速度a_x和a_y、横摆角速度r及车辆各车轮初始纵向力之和信息F_x，发送至渐消记忆UKF参数估计算法模块。

将各车轮滑转率S_i、侧偏角α_i及垂向力F_zi计算信息发送到经变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力F_xi ⁰和F_yi ⁰的计算方法为：

式中，C_xi、C_yi分别为各车轮的纵向刚度和侧偏刚度；L_i表示车轮工作区间的边界值，L_i>1时表示车轮处于线性区间，L_i≤1时表示车轮处于非线性区间；ε为速度影响因子，修正了车轮滑移速度对车轮力的影响。

将前轮转角信息δ、各车轮纵侧向归一化力F_xi ⁰和F_yi ⁰、空气阻力F_w、车辆纵侧向加速度a_x和a_y、横摆角速度r及各车轮初始纵向力之和信息F_x，发送至渐消记忆UKF参数估计算法模块的参数估计方法为：

①离散化的系统状态空间方程确定：

i)过程方程建立：

式中，w_k为符合高斯分布的过程噪声，k表示滤波时刻；

基于动力学的坡度估算公式如下：

F_x＝ma_{x_d}+F_w+mg(sinθ+f cosθ) (16)

式中，f为滚动阻力系数，a_{x_d}为车辆纵向行驶加速度，基于运动学的坡度估算公式中a_{x_d}与传感器测量信息a_x存在如下关系：

为了便于算法求解，令θ₁＝sinθ+fcosθ，θ₂＝sinθ，其中θ为路面坡度给定值，对θ₁和θ₂分别反解后的值进行简单的平均值处理即可得到θ；

ii)量测方程建立：

式中，v_k为符合高斯分布的量测噪声；

式中，I_z为车辆绕垂直轴的横摆转动惯量；

②含渐消记忆因子UKF估算方法设计如下：

i)滤波初始化：

ii)根据UT变换获得Sigma采样点：

iii)采样点相应的权值确定：

式中：n为状态变量的维数(n＝7)；λ＝α²(n+κ)-n；α的选取决定了Sigma点的分布状态，通常选取较小的正值((10^-4≤α≤1)；κ为比例系数，通常n+κ＝7；β是一个非负的权系数，它可以合并高阶项的动态误差，对于服从高斯分布的状态变量，β＝2是最优的；

iv)根据Sigma采样点计算均值和方差预测：

式中，λ_k为渐消记忆因子，常数0<ρ<1；

v)将Sigma点集代入观测方程，得到预测的观测值：

vi)计算系统预测的均值及协方差：

vii)计算Kalman滤波增益：

viii)计算系统的状态更新和协方差更新：

以上所列式中，x_k为k时刻的状态矢量，z_k为k时刻的输出矢量，u_k为输入矢量，Q为w_k的协方差矩阵，R为v_k的协方差矩阵，为互协方差矩阵，为自协方差矩阵，P_k为方差，K_k为k时刻的Kalman增益。

至此，含渐消记忆因子的UKF估计算法建立完毕。算法的输出值即为各车轮与地面之间的路面附着系数及路面坡度。

3、将各车轮纵侧向归一化力F_xi ⁰和F_yi ⁰及算法估算的路面附着系数信息μ，发送至车轮纵侧向力计算模块，得到根据Dugoff轮胎模型计算出的车轮纵侧向力信息F_xi和F_yi。

4、将算法估计的基于运动学和动力学两种方法的参数信息θ₁和θ₂分别反解，然后对其反解值进行平均值处理，即可得到路面坡度θ，而后将θ发送至垂向力模块，用于后续的垂向力F_zi计算。

其中坡度θ的计算方法为：

5、从驱动控制系统测得的各车轮驱动力矩T_di，结合各车轮轮速信息ω_i及垂向力信息F_zi发送至车轮旋转动力学模块，据此求得属于车轮旋转动力学模型的车轮纵向力F_xi’。

F_xi’的计算方法为：

式中，J_w为车轮转动惯量，R_t为车轮滚动半径，T_di为各车轮的驱动力矩。

6、将根据车轮纵侧向力计算模型计算出的车轮纵向力信息F_xi与根据车轮旋转动力学模型计算出的车轮纵向力信息F_xi’发送至反馈修正模块。

7、将反馈修正模块计算的纵向力修正量ΔF_xi发送至经变形处理的Dugoff轮胎模型，实现对Dugoff轮胎模型纵向力信息的修正。

以上，i＝fl、fr、rl、rr，代表4个车轮。

将根据车轮纵侧向力计算模型计算出的车轮纵向力信息F_xi与根据车轮旋转动力学模型计算出的车轮纵向力信息F_xi’发送至反馈修正模块，而后将计算的纵向力修正量ΔF_xi发送至经变形处理的Dugoff轮胎模型，实现对Dugoff轮胎模型纵向力信息修正的具体方法为；

式中，代表修正之后的Dugoff轮胎模型纵向力，F_xi代表未修正之前的原始Dugoff轮胎模型纵向力，F_xi’表示根据车轮旋转动力学模型精确求解的纵向力，ζ为反馈修正系数。

至此，完成了整个系统的模型建立及具体求解过程。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (6)

1.一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：它包括：

车轮滑转率计算模块，用于根据各车轮转速、转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的滑转率；

车轮侧偏角计算模块，用于根据转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的侧偏角；

车轮垂向力计算模块，用于根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力；

变形处理的Dugoff轮胎模型模块，用于根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力；

空气阻力计算模块，用于根据车辆纵向车速计算空气阻力；

渐消记忆UKF参数估计算法模块，用于根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮纵向力之和的初始信息，通过估计算法得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后得的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ；

车轮纵侧向力计算模块，用于根据各车轮纵侧向归一化力和路面附着系数，采用车轮纵侧向力计算模型计算各车轮的纵向力和侧向力；

车轮旋转动力学模块，用于根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力；

纵向力反馈修正模块，用于将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的变形处理的Dugoff轮胎模型中对Dugoff轮胎模型纵向力信息进行修正；

所述的变形处理的Dugoff轮胎模型模块具体用于按以下方法计算：

式中，F_xi ⁰和F_yi ⁰分别为各车轮的纵向归一化力和侧向归一化力；F_zi为各车轮的垂向力；C_xi、C_yi分别为各车轮的纵向刚度和侧偏刚度；S_i为各车轮的滑转率；L_i表示车轮工作区间的边界值，L_i>1时表示车轮处于线性区间，L_i≤1时表示车轮处于非线性区间；α_i为车轮的侧偏角；ε为速度影响因子，用于修正车轮的滑移速度对车轮力的影响；i＝fl、fr、rl、rr，代表4个车轮；v_x为车辆的纵向车速；

所述的渐消记忆UKF参数估计算法模块具体用于按以下方法计算：

1)离散化的系统状态空间方程确定：

i)建立过程方程：

式中，μ_fl、μ_fr、μ_rl和μ_rr分为4个车轮与路面之间的附着系数；a_{x_d}为车辆纵向行驶加速度；θ₁为基于运动学方法得到的第一路面坡度信息，θ₂为基于动力学方法得到的第二路面坡度信息；g为重力加速度；m为车辆的质量；F_w为空气阻力；w_k为符合高斯分布的过程噪声；k表示滤波时刻；F_x为初始各车轮纵向力之和信息；

基于动力学的坡度估算公式如下：

F_x＝ma_{x_d}+F_w+mg(sinθ+fcosθ)

式中，f为滚动阻力系数，基于运动学的坡度估算公式中a_{x_d}与传感器测量信息a_x存在如下关系：

令θ₁＝sinθ+fcosθ，θ₂＝sinθ，θ为路面坡度给定值，对θ₁和θ₂分别反解后的值进行简单的平均值处理即可得到θ；

ii)建立量测方程：

式中，a_x和a_y分别为车辆纵向加速度和侧向加速度；r为横摆角速度；δ为前轮转角信息；v_k为符合高斯分布的量测噪声；

式中，I_z为车辆绕垂直轴的横摆转动惯量；a为车辆质心至前轴距离；b为车辆质心至后轴距离；t_f、t_r分别为前后轮距；

2)含渐消记忆因子UKF估算方法设计如下：

i)滤波初始化：

ii)根据UT变换获得Sigma采样点：

iii)采样点相应的权值确定：

式中：n为状态变量的维数；λ＝α²(n+κ)-n，10^-4≤α≤1；κ为比例系数，n+κ＝7；β是一个非负的权系数，用于合并高阶项的动态误差；

iv)根据Sigma采样点计算均值和方差预测：

式中，λ_k为渐消记忆因子，常数0<ρ<1；

v)将Sigma点集代入观测方程，得到预测的观测值：

vi)计算系统预测的均值及协方差：

vii)计算Kalman滤波增益：

viii)计算系统的状态更新和协方差更新：

以上所列式中，x_k为k时刻的状态矢量，z_k为k时刻的输出矢量，u_k为输入矢量，Q为w_k的协方差矩阵，R为v_k的协方差矩阵，Px_kz_k为互协方差矩阵，Pz_kz_k为自协方差矩阵，P_k为方差，K_k为k时刻的Kalman增益。

2.根据权利要求1所述的轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：所述的第一路面坡度信息θ₁和第二路面坡度信息θ₂，θ₁和θ₂通过以下方法进行平均值处理，得到路面坡度给定值θ：

3.根据权利要求2所述的轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：所述的车轮旋转动力学模块得到的各车轮的纵向力F_xi’的计算方法为：

式中，J_w为车轮转动惯量，R_t为车轮滚动半径，T_di为各车轮的驱动力矩。

4.根据权利要求3所述的轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：所述的纵向力反馈修正模块具体通过以下方法计算：

式中，代表修正之后的Dugoff轮胎模型纵向力，F_xi代表未修正之前的Dugoff轮胎模型计算出的各车轮的纵向力，ΔF_xi为纵向力修正量，F_xi’表示根据车轮旋转动力学模型计算出的各车轮的纵向力，ζ为反馈修正系数。

5.一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算方法，其特征在于：它包括以下步骤：

通过以下设备获取测量参数：设置在驱动控制系统上的驱动力矩传感器，用于获取各车轮驱动力矩；设置在车轮上的轮速传感器，用于获取各车轮转速；设置在转向柱管处的转向盘转角传感器，用于获取转向盘的转角；设置在车顶位置的车速传感器，用于获取车辆的纵向车速和侧向车速；设置在车辆质心处的陀螺仪传感器，用于获取车身摆角速度、车辆纵向加速度和侧向加速度；

根据各车轮转速、转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的滑转率；

根据转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的侧偏角；

根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力；

根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮侧向归一化力；

根据车辆纵向车速计算空气阻力；

根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮的纵向力之和的初始信息，通过估计算法可以得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ；

根据各车轮侧向归一化力和路面附着系数，采用车轮纵侧向力模型计算各车轮的纵向力和侧向力；

根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力；

将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的变形处理的Dugoff轮胎模型中对轮胎模型纵向力信息进行修正；

根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力，具体按以下方法计算：

式中，F_xi ⁰和F_yi ⁰分别为各车轮的纵向归一化力和侧向归一化力；F_zi为各车轮的垂向力；C_xi、C_yi分别为各车轮的纵向刚度和侧偏刚度；S_i为各车轮的滑转率；L_i表示车轮工作区间的边界值，L_i>1时表示车轮处于线性区间，L_i≤1时表示车轮处于非线性区间；α_i为车轮的侧偏角；ε为速度影响因子，用于修正车轮的滑移速度对车轮力的影响；i＝fl、fr、rl、rr，代表4个车轮；v_x为车辆的纵向车速；

路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂具体按以下方法计算：

1)离散化的系统状态空间方程确定：

i)建立过程方程：

式中，μ_fl、μ_fr、μ_rl和μ_rr分为4个车轮与路面之间的附着系数；a_{x_d}为车辆纵向行驶加速度；θ₁为基于运动学方法得到的第一路面坡度信息，θ₂为基于动力学方法得到的第二路面坡度信息；g为重力加速度；m为车辆的质量；F_w为空气阻力；w_k为符合高斯分布的过程噪声；k表示滤波时刻；F_x为初始各车轮纵向力之和信息；

基于动力学的坡度估算公式如下：

F_x＝ma_{x_d}+F_w+mg(sinθ+fcosθ)

式中，f为滚动阻力系数，基于运动学的坡度估算公式中a_{x_d}与传感器测量信息a_x存在如下关系：

令θ₁＝sinθ+fcosθ，θ₂＝sinθ，θ为路面坡度给定值，对θ₁和θ₂分别反解后的值进行简单的平均值处理即可得到θ；

ii)建立量测方程：

式中，a_x和a_y分别为车辆纵向加速度和侧向加速度；r为横摆角速度；δ为前轮转角信息；v_k为符合高斯分布的量测噪声；

式中，I_z为车辆绕垂直轴的横摆转动惯量；a为车辆质心至前轴距离；b为车辆质心至后轴距离；t_f、t_r分别为前后轮距；

2)含渐消记忆因子UKF估算方法设计如下：

i)滤波初始化：

ii)根据UT变换获得Sigma采样点：

iii)采样点相应的权值确定：

式中：n为状态变量的维数；λ＝α²(n+κ)-n，10^-4≤α≤1；κ为比例系数，n+κ＝7；β是一个非负的权系数，用于合并高阶项的动态误差；

iv)根据Sigma采样点计算均值和方差预测：

式中，λ_k为渐消记忆因子，常数0<ρ<1；

v)将Sigma点集代入观测方程，得到预测的观测值：

vi)计算系统预测的均值及协方差：

vii)计算Kalman滤波增益：

viii)计算系统的状态更新和协方差更新：

以上所列式中，x_k为k时刻的状态矢量，z_k为k时刻的输出矢量，u_k为输入矢量，Q为w_k的协方差矩阵，R为v_k的协方差矩阵，Px_kz_k为互协方差矩阵，Pz_kz_k为自协方差矩阵，P_k为方差，K_k为k时刻的Kalman增益。

6.根据权利要求5所述的轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算方法，其特征在于：各车轮的滑转率S_i、侧偏角α_i、垂向力F_zi及车辆的空气阻力F_w的计算方法为：

首先将转向盘的转角ω_sw，经转向系统传统比换算到前轮转向两前轮转角δ；

根据各车轮的轮速ω_i、纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算各车轮的滑转率S_i：

式中，R_t为车轮滚动半径；v_i为各车轮中心速度，表达式如下：

式中，a为车辆质心至前轴距离，t_f、t_r分别为前后轮距；

根据纵向车速v_x和侧向车速v_y、前轮转角信息δ和横摆角速度信息r计算侧偏角α_i：

式中，b为车辆质心至后轴距离；

根据纵向车速v_x和侧向车速v_y、路面坡度信息θ计算车轮的垂向力F_zi：

式中，m为整车质量，g为重力加速度，L为车辆前轴至后轴的距离，H为车辆质心高度；根据纵向车速信息v_x计算空气阻力F_w：

式中，C_d为空气阻力系数，A_f为车辆纵向迎风面积。