CN109466558B - 一种基于ekf和bp神经网络的路面附着系数估计方法 - Google Patents

一种基于ekf和bp神经网络的路面附着系数估计方法 Download PDF

Info

Publication number
CN109466558B
CN109466558B CN201811258236.XA CN201811258236A CN109466558B CN 109466558 B CN109466558 B CN 109466558B CN 201811258236 A CN201811258236 A CN 201811258236A CN 109466558 B CN109466558 B CN 109466558B
Authority
CN
China
Prior art keywords
neural network
ekf
adhesion coefficient
vehicle
road adhesion
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.)
Active
Application number
CN201811258236.XA
Other languages
English (en)
Other versions
CN109466558A (zh
Inventor
郑太雄
汪涛
杨新琴
田云浪
褚良宇
陈云坤
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201811258236.XA priority Critical patent/CN109466558B/zh
Publication of CN109466558A publication Critical patent/CN109466558A/zh
Application granted granted Critical
Publication of CN109466558B publication Critical patent/CN109466558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明请求保护一种基于EKF算法和BP神经网络的汽车路面附着系数的估算方法，通过各种传感器实时地采集车辆的方向盘转角、纵向加速度、侧向加速度，利用四轮车辆动力学模型结合EKF算法估计车辆的纵向速度、横向速度、质心偏角和横摆角速度，求取出预估横摆角速度，最后将预估横摆角速度与EKF估计的横摆角速度作差取平方，取方差值最小所在的网络模块输入的附着系数值为所求估计值。本方法有效降低了计算量和收敛时间。本方法能够快速识别车辆行驶路面的附着系数，适用于多种路面下附着系数的实时估计。

Description

一种基于EKF和BP神经网络的路面附着系数估计方法
技术领域
本发明属于一种路面附着系数估计方法，特别是关于一种基于EKF和BP神经网络的路面附着系数估计方法。
背景技术
电子技术和控制技术的发展使得越来越多的电子控制装置应用于汽车，大大提高了汽车的主动安全，值得注意的是实时、准确的获得路面附着系数能够极大提升汽车主动安全并改善控制系统的可靠性。
目前汽车路面附着系数辨识领域中，研究方法主要分为两类：第一类是通过直接测量路面材料和参数辨识路面附着系数，一般使用光学传感器和温湿度传感器测量路面的粗糙度和干湿状况来预测路面附着系数[1]，或者使用毫米波雷达接收路面反射的电磁波再通过频谱分析辨识路面类型[2]，但是额外添加的传感器增加了硬件成本；第二类方法根据车辆运行工况和动力学原理，结合卡尔曼滤波器[3]、最小二乘法[4]或者机器学习[5]等算法估算出路面附着系数，但是卡尔曼滤波器对非线性系统适应性不好，本发明所应用的扩展卡尔曼滤波器可以很好地解决这个问题。
现代车辆都能从CAN总线提取出轮速、加速度和方向盘转角等信息，因此本发明不需要额外增加传感器，EKF算法可以通过将非线性系统在参考点处作泰勒展开，取一阶线性部分作为非线性模型的逼近，得到非线性系统高斯噪声下当前时刻的线性化描述，从而能够在非线性车辆系统中精确估算出汽车质心偏角和横摆角速度，再结合BP神经网络快速收敛辨识出路面附着系数，有较高的实时性。
参考文献：
[1]宋健,李志红,李红志,李亮.AYC系统基于多传感器融合的路面附着系数估计[J].清华大学学报(自然科学版),2009(05):715-718.
[2]王博,孙仁云,徐延海.考虑路面不平度的路面识别方法[J].机械工程学报,2012(24):131-137.
[3]B Ma,C Lv,Y Liu,M Zheng,Y Yang.Estimation of Road AdhesionCoefficient Based on Tire Aligning Torque Distribution[J].Journal of DynamicSystems Measurement&Control,2018,140(5)
[4]B Li,H Du,W Li.Comparative study of vehicle tyre-road€roadfriction coefficient estimation with a novel cost-effective method[J].VehicleDynamic Systerm,2014,52(8):1066-1098
[5]陈无畏,刘翔宇,黄鹤,杨军.车辆转向工况下的路面附着系数估计算法[J].汽车工程，2011(33)
发明内容
本发明旨在解决以上现有技术的问题。提出了一种有效降低了计算量和收敛时间、能够快速识别车辆行驶路面的附着系数的方法。本发明的技术方案如下：一种基于EKF和BP神经网络的路面附着系数估计方法，其包括以下步骤：
步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练。
步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；
步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度ay为观测量，建立EKF扩展卡尔曼状态观测器；
步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；
步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度ay、方向盘转角δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ayβ δ vx μ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；
步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度
Figure BDA0001843256880000031
将
Figure BDA0001843256880000032
与已知的ωr作差并取平方得到ri，ri为选取神经网络模块的参考系数，选出ri最小的神经网络模块，得到估计的路面附着系数。
进一步的，所述步骤3中，EKF观测器的状态方程可表示为：
Figure BDA0001843256880000033
观测方程可表示为：
Figure BDA0001843256880000034
k1为前轮侧偏刚度总和；k2为后轮侧偏刚度总和；Ix为绕x轴转动惯量；δ为前轮转角；ωr为横摆角速度；a为质心距前轴的距离；b质心距后轴的距离；Iz为绕z轴的转动惯量；vx为纵向车速；β为质心偏角；
Figure BDA0001843256880000035
为当前估计横摆角速度；
Figure BDA0001843256880000036
当前估计质心偏角；
Figure BDA0001843256880000037
为当前估计纵向车速；m为整车质量；ax为车辆纵向加速度；ay为车辆侧向加速度。
进一步的，所述步骤4中，EKF算法实现如下：
建立系统的状态方程和测量方程：
Figure BDA0001843256880000038
式中：x(t)为状态变量；u(t)为控制变量；y(t)为测量输出；w(t)为系统激励噪声协方差矩阵为Q；v(t)为测量噪声协方差矩阵为R；w(t)、v(t)均为独立的高斯白噪声；
上面状态量x(t)和测量量y(t)可表示为：
Figure BDA0001843256880000041
然后将模型线性化：
Figure BDA0001843256880000042
其中F(t)和H(t)为非线性函数f(x(t),u(t),w(t))和h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵：
Figure BDA0001843256880000043
最后赋予初始状态值
Figure BDA0001843256880000044
和误差协方差P-(t0)，EKF算法开始循环计算并估计出横摆角速度ωr、质心偏角β和纵向车速vx。
进一步的，所述步骤5还包括将数据进行归一化，并选取若干组数据作为样本，对数据归一化的公式为：
Figure BDA0001843256880000045
式中
Figure BDA0001843256880000046
为归一化后的输入量，xi为归一化之前的输入量，xmin为输入量的最小值，xmax为输入量的最大值。
进一步的，所述BP神经网络输入层的节点数为5，隐含层的结点个数为10，输出层的结点个数为1，学习速率为η，激励函数为g(x)，其中激活函数为Sigmoid函数为：
Figure BDA0001843256880000051
进一步的，所述隐含层的输出Hj和输出层的输出Ok为：
Figure BDA0001843256880000052
其中wij为输入层到隐含层的权重，L输出层节点个数，n为隐含层节点个数，wjk为隐含层到输出层的权重，aj为输入层到隐含层的偏置，bk为隐含层到输入层的偏置。
进一步的，所述输出层的误差计算公式为：
Figure BDA0001843256880000053
式中Yk为期望输出，m为所采集数据样本数量，Yk-Ok＝ek，则误差公式改写为：
Figure BDA0001843256880000054
进一步的，权值更新公式为：
Figure BDA0001843256880000055
进一步的，选取ri值最小的神经网络模块并计算ri：
Figure BDA0001843256880000056
本发明的优点及有益效果如下：
本发明应用扩展卡尔曼滤波状态观测器能够很好的适应车辆非线性系统，利用车载传感器测量信号来对车辆未知状态进行在线观测，结合多个BP神经网络模块有效的降低了计算量和收敛时间、能够快速识别车辆行驶路面的附着系数。
附图说明
图1是本发明提供优选实施例为EKF算法和BP神经网络关系图；
图2为EKF算法流程图；
图3为BP神经网络结构；
图4为获取训练样本工况要求。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
基于EKF算法和BP神经网络的路面附着系数估计方法关系图如图1所示，具体步骤如下：
步骤1：建立EKF观测器的状态方程和观测方程：
Figure BDA0001843256880000061
观测方程表示为：
Figure BDA0001843256880000062
建立系统的状态方程和测量方程：
Figure BDA0001843256880000071
然后将模型线性化：
Figure BDA0001843256880000072
其中F(t)和H(t)为非线性函数f(x(t),u(t),w(t))和h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵：
Figure BDA0001843256880000073
按照图2所示EKF算法流程图，最后赋予初始状态值
Figure BDA0001843256880000074
和误差协方差P-(t0)，EKF算法开始循环计算并估计出横摆角速度ωr、质心偏角β和纵向车速vx。
步骤2：设定采样时间T，将汽车按照在图4所要求的路面、转向角范围和速度行驶采集到的侧向加速度ay、方向盘转角δ和估计的质心偏角β、纵向车速vx，并将数据进行归一化操作。
步骤3：按照图3所示，建立九个BP神经网络模块，输入层的节点数为5，隐含层的结点个数为10，输出层的结点个数为1，学习速率为η，激励函数为g(x)，其中激活函数为Sigmoid函数，并将将归一化的样本输入到各个神经网络模块，并计算隐含层的输出Hj和输出层的输出Ok为：
Figure BDA0001843256880000081
步骤4：计算输出层的误差计算公式为：
Figure BDA0001843256880000082
式中Yk为期望输出，可记Yk-Ok＝ek，则误差公式可以改写为：
Figure BDA0001843256880000083
步骤5：计算神经网络隐含层与输出层连接权值的更新：
Figure BDA0001843256880000084
步骤6：计算输出层与已知值的误差，直到输出层的输出误差小于给定的学习精度，结束迭代并保存网络。
步骤7：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度
Figure BDA0001843256880000085
将
Figure BDA0001843256880000086
与已知的ωr作差并取平方得到ri，选出ri最小的神经网络模块，即可得到估计的路面附着系数。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，包括以下步骤：
步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练；
步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；
步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度信号ay为观测量，建立EKF扩展卡尔曼状态观测器；
步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；
步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度信号ay、方向盘转角信号δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ay β δ vx μ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；
所述BP神经网络输入层的节点数为5，隐含层的结点个数为10，输出层的结点个数为1，学习速率为η，激活函数为g(x)，其中激活函数g(x)为Sigmoid函数为：
Figure FDA0002487316930000011
所述隐含层的输出Hj和输出层的输出Ok为：
Figure FDA0002487316930000021
其中wij为输入层到隐含层的权重，L输出层节点个数，xi为归一化之前的输入量，n为隐含层节点个数，wjk为隐含层到输出层的权重，aj为输入层到隐含层的偏置，bk为隐含层到输入层的偏置；
步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度
Figure FDA0002487316930000022
将
Figure FDA0002487316930000023
与已知的ωr作差并取平方得到ri，ri为选取神经网络模块的参考系数，选出ri最小的神经网络模块，得到估计的路面附着系数。
2.根据权利要求1所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤3中，EKF观测器的状态方程可表示为：
Figure FDA0002487316930000024
观测方程可表示为：
Figure FDA0002487316930000025
k1为前轮侧偏刚度总和；k2为后轮侧偏刚度总和；Ix为绕x轴转动惯量；δ为前轮转角；ωr为横摆角速度；a为质心距前轴的距离；b质心距后轴的距离；Iz为绕z轴的转动惯量；vx为纵向车速；β为质心偏角；
Figure FDA0002487316930000026
为当前估计横摆角速度；
Figure FDA0002487316930000027
当前估计质心偏角；
Figure FDA0002487316930000028
为当前估计纵向车速；m为整车质量；ax为车辆纵向加速度；ay为车辆侧向加速度。
3.根据权利要求2所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤4中，EKF算法实现如下：
建立系统的状态方程和测量方程：
Figure FDA0002487316930000031
式中：x(t)为状态变量；u(t)为控制变量；y(t)为测量输出；w(t)为系统激励噪声协方差矩阵为Q；v(t)为测量噪声协方差矩阵为R；w(t)、v(t)均为独立的高斯白噪声；
上面状态量x(t)和测量量y(t)可表示为：
Figure FDA0002487316930000032
然后将模型线性化：
Figure FDA0002487316930000033
其中F(t)和H(t)为非线性函数f(x(t),u(t),w(t))和h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵：
Figure FDA0002487316930000034
Figure FDA0002487316930000041
最后赋予初始状态值
Figure FDA0002487316930000042
和误差协方差P-(t0)，EKF算法开始循环计算并估计出横摆角速度ωr、质心偏角β和纵向车速vx。
4.根据权利要求3所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤5还包括将数据进行归一化，并选取若干组数据作为样本，对数据归一化的公式为：
Figure FDA0002487316930000043
式中
Figure FDA0002487316930000044
为归一化后的输入量，xi为归一化之前的输入量，xmin为输入量的最小值，xmax为输入量的最大值。
5.根据权利要求1所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述输出层的误差计算公式为：
Figure FDA0002487316930000045
式中Yk为期望输出，m为所采集数据样本数量，Yk-Ok＝ek，则误差公式改写为：
Figure FDA0002487316930000046
6.根据权利要求5所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，权值更新公式为：
Figure FDA0002487316930000047
7.根据权利要求5所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，选取ri值最小的神经网络模块并计算ri：
Figure FDA0002487316930000051
CN201811258236.XA 2018-10-26 2018-10-26 一种基于ekf和bp神经网络的路面附着系数估计方法 Active CN109466558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811258236.XA CN109466558B (zh) 2018-10-26 2018-10-26 一种基于ekf和bp神经网络的路面附着系数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811258236.XA CN109466558B (zh) 2018-10-26 2018-10-26 一种基于ekf和bp神经网络的路面附着系数估计方法

Publications (2)

Publication Number Publication Date
CN109466558A CN109466558A (zh) 2019-03-15
CN109466558B true CN109466558B (zh) 2020-08-04

Family

ID=65666069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811258236.XA Active CN109466558B (zh) 2018-10-26 2018-10-26 一种基于ekf和bp神经网络的路面附着系数估计方法

Country Status (1)

Country Link
CN (1) CN109466558B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110293972B (zh) * 2019-06-13 2021-04-06 重庆长安汽车股份有限公司 一种用于制动距离补偿的路面附着等级的确定方法
CN110263844B (zh) * 2019-06-18 2021-04-06 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN110395259B (zh) * 2019-07-16 2021-08-24 启迪云控(北京)科技有限公司 一种路面情况的估计方法、装置、设备以及介质
CN110378416A (zh) * 2019-07-19 2019-10-25 北京中科原动力科技有限公司 一种基于视觉的路面附着系数估计方法
CN111027694A (zh) * 2019-11-29 2020-04-17 北京计算机技术及应用研究所 一种处理汽车气动系统数据的方法
CN110920626B (zh) * 2019-12-10 2021-06-04 中国科学院深圳先进技术研究院 一种数据驱动的电驱动车辆附着稳定识别方法及装置
CN111688706A (zh) * 2020-05-26 2020-09-22 同济大学 一种基于视觉与动力学的路面附着系数交互式估计方法
CN112417598A (zh) * 2020-11-20 2021-02-26 福建工程学院 一种多源融合的车辆状态并联估计方法
CN112660135B (zh) * 2020-12-25 2022-11-15 浙江吉利控股集团有限公司 一种路面附着系数估算方法及装置
CN112660134B (zh) * 2020-12-25 2022-09-27 浙江吉利控股集团有限公司 一种路面附着系数估算方法及装置
CN112528568B (zh) * 2020-12-26 2021-09-24 浙江天行健智能科技有限公司 一种基于K-Means和BP神经网络的路感模拟方法
CN112949187B (zh) * 2021-03-05 2022-06-14 株洲齿轮有限责任公司 整车质量计算方法
CN114212074B (zh) * 2022-02-22 2022-04-29 北京航空航天大学 基于路面附着系数估计的车辆主动转向防侧翻控制方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609606B (zh) * 2009-07-10 2010-12-01 清华大学 一种路面湿滑状态识别方法
CN103434511B (zh) * 2013-09-17 2016-03-30 东南大学 一种车速与道路附着系数的联合估计方法
CN104021310B (zh) * 2014-06-23 2016-09-28 清华大学 基于UKF与修正Dugoff轮胎模型路面峰值附着系数估算方法
US10597039B2 (en) * 2014-08-04 2020-03-24 Modelway S.R.L. Method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor
CN105279309B (zh) * 2015-09-16 2018-11-09 南京航空航天大学 基于回正力矩估计的主动转向理想方向盘转矩设计方法
CN106394561B (zh) * 2015-11-10 2018-07-27 北京中科易电信息科技股份有限公司 一种车辆的纵向车速的估计方法和装置
CN107144284A (zh) * 2017-04-18 2017-09-08 东南大学 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法
CN108287934B (zh) * 2017-12-11 2020-08-28 江苏大学 一种基于纵向力观测器的车辆质心侧偏角鲁棒估计方法
CN108128308B (zh) * 2017-12-27 2020-04-14 长沙理工大学 一种分布式驱动电动汽车的车辆状态估计系统及方法
CN108482379B (zh) * 2018-03-16 2019-11-26 武汉理工大学 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
CN108622101A (zh) * 2018-05-09 2018-10-09 南京航空航天大学 一种汽车转向工况下的路面附着系数估计方法

Also Published As

Publication number Publication date
CN109466558A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109466558B (zh) 一种基于ekf和bp神经网络的路面附着系数估计方法
Xia et al. Vehicle sideslip angle estimation by fusing inertial measurement unit and global navigation satellite system with heading alignment
CN113386781A (zh) 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法
Imsland et al. Vehicle velocity estimation using nonlinear observers
Song et al. Vehicle state estimation for INS/GPS aided by sensors fusion and SCKF-based algorithm
CN105151047B (zh) 一种汽车质心侧偏角测量方法
Liu et al. Sideslip angle estimation of ground vehicles: a comparative study
CN113002549B (zh) 一种车辆状态估算方法、装置、设备及存储介质
Peng et al. Observer-based estimation of velocity and tire-road friction coefficient for vehicle control systems
CN112613253A (zh) 考虑环境因素的车辆质量和道路坡度联合自适应估计方法
CN109606378A (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN104182991A (zh) 一种车辆行驶状态估计方法及装置
CN103279675B (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
CN111750897B (zh) 一种基于龙贝格观测器的横摆角速度陀螺仪偏差估计方法
CN114572224B (zh) 一种路面最大附着系数的估算方法及终端
CN115406446A (zh) 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法
CN115828425A (zh) 轮胎模型及路面附着系数协同辨识方法、系统
CN114440881B (zh) 一种融合多源传感器信息的无人车定位方法
Song et al. Reliable estimation of automotive states based on optimized neural networks and moving horizon estimator
Liu et al. Vehicle state and parameter estimation based on double cubature Kalman filter algorithm
Song et al. Estimation of vehicle sideslip angle based on modified sliding mode observer and recurrent neural network
CN118228590A (zh) 一种基于lstm神经网络的汽车载重估计方法
CN112797988B (zh) 基于神经网络的未知机动航天器轨道确定方法
CN113063414A (zh) 一种用于视觉惯性slam的车辆动力学预积分构建方法
CN116409327A (zh) 侧向工况下考虑轮胎瞬态特性的路面附着系数估计方法

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
GR01 Patent grant
GR01 Patent grant