CN109476317A

CN109476317A - 行驶状态变量的确定

Info

Publication number: CN109476317A
Application number: CN201780046027.6A
Authority: CN
Inventors: 罗伯特·兹迪赫
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2016-07-29
Filing date: 2017-07-03
Publication date: 2019-03-15
Also published as: WO2018019518A1; JP2019523176A; EP3490863A1; US20190263421A1; DE102016214064A1

Abstract

用于确定机动车(105)的行驶状态变量的方法(100)包括：对影响机动车(105)的行驶状态的信号的输入矢量(u)进行采样的步骤；对描述机动车(105)的行驶状态的变量的第一输出矢量(y)进行采样的步骤；基于输入矢量(u)来确定加权矢量(r)和状态矢量(X^)、描述机动车(105)的行驶状态的变量的第二输出矢量()的步骤；并且基于两个输出矢量(y、)的差来调整加权矢量(r)的步骤。在此，观察器(110)包括卡尔曼滤波器。

Description

行驶状态变量的确定

技术领域

本发明涉及机动车的行驶状态变量的确定。本发明尤其涉及对机动车建模用来确定行驶状态变量。

背景技术

为了了解、检查机动车的动态或者能够实现对机动车的预测或控制，需要对描述机动车的运动的状态变量进行确定。例如，可以借助一个车轮上的转速传感器来确定机动车在地面上的速度。可以借助多个车轮上的更多个转速传感器来执行经改进的确定。然而，例如当在更多个车轮上的滑移率超过了被预先确定的极限值时，该确定也可能是错误的。还存在有根本无法直接确定或者在没有相当大的努力的情况下就无法确定的状态变量，例如侧滑角(Schwimmwinkel)。

发明内容

本发明的任务是：说明一种能够实现对机动车的行驶状态变量进行更好的确定的技术。本发明借助独立权利要求的主题来解决该任务。从属权利要求反映了优选的实施方式。

提出的是，使用基于卡尔曼滤波器的观察器，以便尽可能准确地实现从机动车的动态的输入变量的输入矢量到输出矢量的映射。从大量的不同的卡尔曼滤波器的变型方案中介绍了一种特别更适用于使针对当前问题的良好状态估计与可接受的处理耗费相协调。此外，说明一种物理车辆模型，其是卡尔曼滤波器的基础，并且能够以高质量来确定或预测当前问题的状态变量。将卡尔曼滤波器和物理车辆模型的优选的实施方式组合可以提供令人信服的结果，这些结果例如可以是对机动车的控制的基础。通常，机动车包括四个车轮(前左、前右、后左和后右)，但也可以支持其他的车辆模型，例如是具有两个车轮的单轨迹的机动车或者是具有多于两个车桥的两轨迹的机动车。

用于确定机动车的行驶状态变量的方法包括：对确定机动车的行驶状态的输入变量的矢量进行采样的步骤；对描述机动车的行驶状态的变量的第一输出矢量进行采样的步骤；基于输入矢量来确定状态矢量和加权矢量、描述机动车的行驶状态的变量的第二输出矢量的步骤；并且基于两个输出矢量的差来调整加权矢量的步骤。这样表达的观察器在此通过卡尔曼滤波器来实现。

观察器通过将输入矢量经由物理车辆模型匹配地转换成输出矢量的方式来描述机动车的行为。关于观察器所确定的输出矢量与由机动车确定的输出矢量之间的差别被反馈到观察器中用以对映射加权。因此，真实的机动车的行为可以通过观察器来映射，其中，尽可能将输出矢量之间的差别最小化。

观察器的基础在于将在下面更详细地描述的物理车辆模型。物理车辆模型优选以如下方式设计，即，可以确定多个描述机动车的动态的行为的行驶状态变量，而无需为每个行驶状态变量设置专用的传感器。这些行驶状态变量可以被归入在状态矢量中。可以减少用于确定行驶状态变量的传感器的数量。此外，可以使测量误差变小。每个特定的行驶状态量都可以潜在地基于输入矢量u的和输出矢量y的所有测量值来确定，从而可以使确定精度、确定可靠性或确定速度最佳。可以借助观察器来更好地预测或估计以常规方式难以确定的行驶状态量，例如侧滑角。

优选的是，观察器包括“无迹卡尔曼滤波器(Unscented Kalman Filter)”(UKF)。UKF可以实现对所期望的行驶状态变量的良好确定，并且因此需要可接受的处理能力。尤其是受噪声干扰的测量只会略微影响UKF的性能。借助UKF可以更好地例如在机动车上执行实时处理。尤其优选的是，UKF包括“平方根无迹卡尔曼滤波器(Square Root UnscentedKalman Filter)”(SR-UKF)。SR-UKF可以比UKF又明显更快地进行处理；在某些的条件下，与UKF相比，其所需的计算时间减少了约20％的范围。在其他实施方式中，也可以使用其他非线性观察器算法。

下面将更准确地描述所提出的物理车辆模型。通常优选的是，输入矢量包括机动车的车轮的转速或者替选的角速度以及车轮的车轮转向角。输出矢量优选包括机动车在纵向和横向方向上的加速度以及横摆率。可以基于观察器确定如下行驶状态变量，其包括纵向的、竖直的或横向的方向上的至少一个车轮力；车轮滑移率；侧偏角；地面上的在纵向或横向方向上的车辆速度以及侧滑角。与车轮相关的行驶状态变量优选指定给机动车的每个车轮。

优选的是，第二输出矢量基于例如可以通过运动公式表达的物理模型来确定。在另外的优选实施方式中，确定机动车的轮胎与车道或路面之间的附着系数，并且物理模型基于所确定的附着系数来适配。因此，可以附加地考虑轮胎的运动与机动车相对于车道的运动处于哪种关系下。

如果观察器包括UKF，尤其是标准UKF，则在第一变型方案中测量协方差矩阵Rⁿ可以被如下适配：

其中，适用的是：并且m≥1∈IN可以根据需要任意选择。在可以利用任意的非线性的卡尔曼滤波器作为观察器使用的其他的变型方案中，测量协方差矩阵Rⁿ借助线性的从型卡尔曼滤波器(Slave-Kalmanfilter)来适配。

当在处理装置上运行有或在计算机可读的数据载体上存储有计算机程序产品时，该计算机程序产品包括用于执行所述方法的程序代码。

用于确定机动车的行驶状态变量的设备实现卡尔曼滤波器并且被设立成用于执行上述方法。该设备尤其可以包括可编程的微型计算机。在此，可以以固定的时间格来执行时间分散的处理。该处理可以能实时地进行，也就是说，所确定的处理时间具有经保证的最大持续时间。

可以基于所确定的行驶状态量来执行对机动车的控制。例如，可可以基于其中一个或多个所确定的行驶状态变量来进行主动的底盘控制、制动控制、传动系的控制或对机动车上的主动或被动的安全系统的控制。

附图说明

现在参考附图更详细地描述本发明，其中：

图1示出方法；以及

图2示出具有不同变量的机动车。

具体实施方式

图1示出了用于借助观察器110确定真实的机动车105上的一个或多个行驶状态变量的方法100的示意图。观察器110可以被视为方法并且例如借助可编程的微型计算机来实现。在该意义下，观察器110也可以被视为用于确定行驶状态变量的设备。

输入矢量u包括机动车105上的测量变量，例如各个车轮的车轮转速n_i或者替选的是车轮角速度ω_i和车轮转向角δ_i。这些测量变量可以借助所配属的传感器进行采样。例如车轮角速度ω_i可以借助磁性的或光学的转动发送器(编码器)来检测。

机动车105的状态通过状态矢量x来描述，其可以包括车速v_x、v_y或横摆率在此，通常并非状态矢量的所有组成部分都能被观察到。状态矢量的变化基于当前的状态矢量x和输入矢量u来发生。该影响可以理解为通常不完全已知的函数f(x,u)。借助函数h(x)从该影响得到输出矢量y，其可以包括诸如车辆加速度a_x、a_y或横摆率的变量。这些变量又可以借助合适的传感器来测量。例如可以借助惯性传感器来确定加速度或借助横摆率传感器来确定横摆率。这些传感器可以微机械地构建。

通过真实的机动车105的输入矢量u的映射应当借助观察器110尽可能精确地再现。由此，应当形成针对机动车105的行驶状态变量的确定算法，其可以用于确定或预测机动车105上的行驶状态变量。与观察器110而不是真实机动车105相关的变量通常在下文中利用长元音符号(例如，代替a)来标识。

物理车辆模型115实现了函数其基于输入矢量u和校正矢量r地将观察器110的状态矢量映射到观察器110的状态矢量的变化借助函数从该变化得到观察器110的输出矢量物理车辆模型115尤其是基于物理上的关系来描述机动车105的行驶行为。

确定观察器110的输出矢量y与输出矢量之间的差，并借助所谓的反馈矩阵K将其转换成矢量r。因此，如下这样地反馈观察器110的误差，即，使该误差尽可能地最小化。

在经几次反馈循环之后，观察器110已经稳定下来。然后，输出矢量非常接近地相应于真实的机动车105的输出矢量y。因此，可以基于输入矢量u和输出矢量y的所有组成部分来迅速且准确地确定输出矢量的每个组成部分。由此可以一方面实现对每个组成部分的非常精确的确定，这是因为潜在地考虑到了许多测量值，另一方面也可以确定难于测量的组成部分。例如可以在不需要光学的测量方法或测程轮的情况下确定处于机动车105在重心CoG中的运动方向与车辆纵向轴线之间的侧滑角。

所确定的组成部分通常包括机动车的状态变量，并且例如可以用于控制机动车105。例如，机动车的所确定的速度被用于控制具有防抱死功能(ABS)的制动系统或速度辅助装置用来将速度控制到预先确定的值或通过电子稳定程序(ESP)将速度控制到被预先确定的值。用于控制机动车105的运动或舒适功能的其他功能同样可以基于借助观察器110确定的行驶状态变量。当然，也可以使用除速度之外的其他的行驶状态变量。

现在将在数学上更准确地阐述观察器110的做法。图2示出了机动车105上的所属的变量。

定义

如下附图标记通常表示：

R 后(英文rear)

F 前(英文front)

FL 左前车轮(英文front left)

FR 右前车轮(英文front right)

RL 左后车轮(英文rear left)

RR 右后车轮(英文rear right)

l 在纵向方向上(在车轮坐标系中)

s 在侧向或横向方向上(在车轮坐标系中)

CoG 重心(英文center of gravity)，车辆/底盘坐标系的原点

m 车辆质量

Jz 横摆惯性矩

h_COG 地面以上的车辆重心高度

g 重力加速度

b_F 机动车在前桥上(英文front)的轮距

b_R 机动车在后桥上(英文rear)的轮距

l_F 沿纵向轴线前桥距重心(CoG)的距离

l_R 沿纵向轴线后桥距重心(CoG)的距离

v 速度，关于车轮坐标

V 速度，关于CoG或车辆/底盘坐标系

a 加速度

R^v 过程噪声的协方差矩阵

Rⁿ 测量噪声的协方差矩阵

B_l；D_l；Ca_l；E_l；B_S；D_S；Ca_S；E_S：根据帕采卡(Pacejka)的轮胎模型的参数

F 力

x x方向(车辆/底盘坐标系中的纵轴)

y y方向(车辆/底盘坐标系中的横轴)

z z方向(车辆/底盘坐标系中的竖轴)

α 侧偏角：车轮转动平面与其运动方向之间的角度

α0 轨迹校正(在小于1°的范围内)

β 侧滑角

δ 车轮转向角

ω 车轮角速度

Sl 在纵向方向上的滑移率

Ss 在横向方向上的滑移率

n 车轮转速(作为车轮角速度的替选)

vdiff 车轮圆周速度与车轮接触点中的合成的车轮纵向速度之间的速度差

μ 附着系数

factor 附着系数的校正因子

kfs 车轮侧向力的校正因子

在车轮接触点中的速度

侧偏角的计算

α_FL＝-δ_FL+arctan(vy_FL/vx_FL)+α0_FL

α_FR＝-δ_FR+arctan(vy_FR/vx_FR)+α0_FR

α_RL＝arctan(vy_RL/vx_RL)+α0_RL

α_RR＝arctan(vy_RR/vx_RR)+α0_RR

在车轮接触点中的合成的车轮纵向速度

在驱动滑移率与制动滑移率之间的切换

vdiff_FL＝R_FL·ω_FL-vl_FL

如果(vdiff_FL＞0)：

则Sl_FL＝1-vl_FL/(R_FL·ω_FL)；

否则，如果(vdiff_FL＜0)：

则Sl_FL＝(R_FL·ω_FL)/vl_FL-1；

否则，如果(vdiff_FL＝＝0):

则Sl_FL＝0。

vdiff_FR＝R_FR·ω_FR-vl_FR

如果(vdiff_FR＞0)：

则Sl_FR＝1-vl_FR/(R_FR·ω_FR)；

否则，如果(vdiff_FR＜0)：

则Sl_FR＝(R_FR·ω_FR)/vl_FR-1；

否则，如果(vdiff_FR＝＝0)：

则Sl_FR＝0。

vdiff_RL＝R_RL·ω_RL-vl_RL

如果(vdiff_RL＞0)：

则Sl_RL＝1-vl_RL/(R_RL·ω_RL)；

否则，如果(vdiff_RL＜0)：

则Sl_RL＝(R_RL·ω_RL)/vl_RL-1；

否则，如果(vdiff_RL＝＝0)：

则Sl_RL＝0。

vdiff_RR＝R_RR·ω_RR-vl_RR

如果(vdiff_RR＞0)：

则Sl_RR＝1-vl_RR/(R_RR·ω_RR)；

否则，如果(vdiff_RR＜0)：

则Sl_RL＝(R_RR·ω_RR)/vl_RR-1；

否则，如果(vdiff_RR＝＝0)：

则Sl_RR＝0。

Ss_FL＝α_FL

Ss_FR＝α_FR

Ss_RL＝α_RL

Ss_RR＝α_RR

合成的滑移率

按照帕采卡轮胎模型的纵向的附着系数

μl_FL＝μ_factor,l,FL·Dl·sin(Ca_l·arctan(Bl·Sl_FL-El·(Bl·Sl_FL-arctan(Bl·Sl_FL))))

μl_FR＝μ_factor,l,FR·Dl·sin(Ca_l·arctan(Bl·Sl_FR-El·(Bl·Sl_FR-arctan(Bl·Sl_FR))))

μl_RL＝μ_factor,l,RL·Dl·sin(Ca_l·arctan(Bl·Sl_RL-El·(Bl·Sl_RL-arctan(Bl·Sl_RL))))

μl_RR＝μ_factor,l,RR·Dl·sin(Ca_l·arctan(Bl·Sl_RR-El·(Bl·Sl_RR-arctan(Bl·Sl_RR))))

按照帕采卡轮胎模型的横向的附着系数

μs_FL＝μ_factor,s,FL·Ds·sin(Ca_s·arctan(Bs·Ss_FL·(Bs·Ss_FL-arctan(Bs·Ss_FL))))

μs_FR＝μ_factor,s,FR·Ds·sin(Ca_s·arctan(Bs·Ss_FR·(Bs·Ss_FR-arctan(Bs·Ss_FR))))

μs_RL＝μ_factor,s,RL·Ds·sin(Ca_s·arctan(Bs·Ss_RL·(Bs·Ss_RL-arctan(Bs·Ss_RL))))

μs_RR＝μ_factor,s,RR·Ds·sin(Ca_s·arctan(Bs·Ss_RR·(Bs·Ss_RR-arctan(Bs·Ss_RR))))

附着系数的适配

在另外的实施方式中，所描述的物理车辆模型经由上述的附着系数来适配轮胎与车道之间出现的附着关系。应注意，这种适配可以能与每个任意其他的非线性的观察器算法一起使用。

从所测得的加速度a和所估计的或观察到的加速度来确定各自的数值，并且将这些数值彼此相减。所生成的差可以在其被馈送给时间分散的积分器之前进行滤波。然后，基于积分器的输出可以针对各个附着系数确定在使用相应的纵向加速度的情况下的校正因子μ_{factor_l_FL}、μ_{factor_l_FR}、μ_{factor_l_RL}和μ_{factor_l_RR}以及在使用相应的横向横向加速度的情况下的校正因子μ_{factor_s_FL}、μ_{factor_s_FR}、μ_{factor_s_RL}和μ_{factor_s_RR}。然后在发生进一步处理之前，可以将事先确定的附着系数μ_s和μ_l与这些校正因子相乘。

合成的附着系数

车轮接触力

车轮纵向力

Fl_FL＝Sl_FL/Sres_FL·μres_FL·Fz_FL

Fl_FR＝Sl_FR/Sres_FR·μres_FR·Fz_FR

Fl_RL＝Sl_RL/Sres_RL·μres_RL·Fz_RL

Fl_RR＝Sl_RR/Sres_RR·μres_RR·Fz_RR

车轮侧向力

Fs_FL＝-kfs_FL·(Ss_FL/Sres_FL·μres_FLFz_FL)

Fs_FR＝-kfs_FR·(Ss_FR/Sres_FR·μres_FRFz_FR)

Fs_RL＝-kfs_RL·(Ss_RL/Sres_RL·μres_RLFz_RL)

Fs_RR＝-kfs_RR·(Ss_RR/Sres_RR·μres_RRFz_RR)

变换到车辆/底盘坐标系统(相对于重心CoG)中的力：Fx_CoG_FL＝Fl_FL·cos(δ_FL)-Fs_FL·sin(δ_FL)

Fx_CoG_FR＝Fl_FR·cos(δ_FR)-Fs_FR·sin(δ_FR)

Fx_CoG_RL＝Fl_RL

Fx_CoG_RR＝Fl_RR

Fy_CoG_FL＝Fl_FL·sin(δ_FL)+Fs_FL·cos(δ_FL)

Fy_CoG_FR＝Fl_FR·sin(δ_FR)+Fs_FR·cos(δ_FR)

Fy_CoG_RL＝Fs_RL

Fy_CoG_RR＝Fs_RR

风阻

Fw＝C_AER_X·A_L·ρ_AER/2·(Vx)²

运动公式f1

运动公式f2

运动公式f3

上面所示的公式表征了基于图1的观察器110的优选的物理车辆模型。应注意，所描述的物理车辆模型可与每个任意的非线性的观察器算法一起使用。相反，所描述的观察器110也可以与其他的物理车辆模型一起工作。

观察器110可以借助不同的、非线性的卡尔曼滤波器实施，其中，“标准无迹卡尔曼滤波器”(UKF)是特别优选的。

测量协方差矩阵的适配

替选方案1：

在标准UKF的情况下，测量协方差矩阵Rⁿ可以被如下适配：

其中，适用的是：并且m≥1∈IN可以根据需要任意选择。

参见“Covariance matching based adaptive unscented Kalman filter fordirect filtering in INS/GNSS integration(基于协方差匹配的自适应无迹卡尔曼滤波器在INS/GNSS集成中的直接滤波)”，Yang Meng(*)，Shesheng Gao(*)，Yongmin Zhong(**)，Gaoge Hu(*)，Aleksandar Subic(***)，在此：(*)意味着School of Automatics，Northwestern Polytechnical University，Xi’an，China(中国西安西北工业大学自动化学院)；(**)意味着School of Aerospace，Mechanical and Manufacturing Engineering，RMIT University，Australia(澳大利亚墨尔本皇家理工大学，航空航天、机械与制造工程学院)；(***)意味着Swinburne Research and Development，Swinburne University ofTechnology,Hawthorn,Australia.(澳大利亚霍斯市斯温伯恩科技大学，斯温伯恩研究与开发部)。

替选方案2：

在任意的非线性的卡尔曼滤波器中，其测量协方差矩阵Rⁿ通常也可以借助线性的从卡尔曼滤波器来适配，如其在“Adaptive Unscented Kalman Filter and itsApplications in Nonlinear Control(自适应无迹卡尔曼滤波器及其在非线性控制中的应用)”；Jianda Han,Qi Song and Yuqine He,State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,P.R.China(韩建达，齐松，何玉钦，中华人民共和国中国科学院沈阳自动化研究所机器人技术国家重点实验室)第4章。

卡尔曼滤波器

在下文中将更准确地描述优选的卡尔曼滤波器。该描述按意义地取自“TheSquare-Root Unscented Kalman Filter for State and Parameter-Estimation(用于状态和参数估计的平方根无迹卡尔曼滤波器)”；Rudolph van der Merwe，Eric A.Wan；Oregon Graduate Institute of Science and Technology(俄勒冈州科学技术研究所)；20000NW Walker Road，Beaverton，Oregon 97006，United States。以下的实施方案的所使用的书写方式和名称对于本领域技术人员来说应当是熟悉的。进一步的细节参考所提及的出版物。

近年来，扩展卡尔曼滤波器(英文Extended Kalman Filter，缩写EKF)已成为许多非线性估计器和自学习应用的优选算法。EKF将线性标准卡尔曼滤波器的做法应用于对实际上的非线性系统进行线性化。这种方法通常存在缺陷，并且可能会导致分歧。因此，在本应用情况下优选应用UKF。由此，尤其可以实现对行驶状态变量的更换的确定。在具有(O(L³))的标准UKF中的计算复杂度与EKF的计算复杂度相当。

应执行对时间分散的非线性的动态系统进行状态估计。

x_k+1＝F(x_k,u_k)+v_k (公式1)

y_k＝H(x_k)+n_k， (公式2)

其中，x_k表示系统的被观察的状态矢量，u_k表示已知的输入矢量，y_k表示被观察的输出矢量。

初始化：

其中，k∈{1,...,∞}，

确定西格玛点：

更新：

y_k|k-1＝H[χ_k|k-1]

用于更新测量的公式：

其中，R^v表示过程噪声的协方差矩阵，并且Rⁿ表示测量噪声的协方差矩阵。

优选的是，使用“平方根UKF”作为进一步的细化用来进行标准确定。以下对卡尔曼滤波器的变型方案的描述同样来自“The Square-Root Unscented Kalman Filter forState and Parameter-Estimation(用于状态和参数估计的平方根无迹卡尔曼滤波器)”。

其中，k∈{1,...,∞}，

西格玛点确定和更新：

y_k|k-1＝H[χ_k|k-1] (公式23)

测量更新公式：

附图标记列表

100 方法

105 机动车

110 观察器

115 物理车辆模型

权利要求书(按照条约第19条的修改)

1.用于借助观察器(110)确定机动车(105)的行驶状态变量的方法(100)，其中，所述方法包括以下步骤：对确定所述机动车(105)的行驶状态的变量的输入矢量(u)进行采样；对描述所述机动车(105)的行驶状态的变量的第一输出矢量(y)进行采样；其中，所述观察器(110)在所述方法中包括如下步骤：基于输入矢量(u)来确定加权矢量(r)和状态矢量描述所述机动车(105)的行驶状态的变量的第二输出矢量并且基于所述两个输出矢量的差来调整(K)所述加权矢量(r)；其中，所述观察器(110)包括卡尔曼滤波器，所述卡曼滤波器构造为无迹卡尔曼滤波器，其中，测量协方差矩阵(Rⁿ)借助线性的从型卡尔曼滤波器来适配。

2.根据权利要求1所述的方法(100)，其中，所述观察器(110)包括平方根卡尔曼滤波器。

3.根据前述权利要求中任一项所述的方法(100)，其中，所述输入矢量(u)包括所述机动车(105)的车轮(FL、FR、RL、RR)的转速(n)或角速度(ω)和所述车轮(FL、FR、RL、RR)的车轮转向角(δ)。

4.根据前述权利要求中任一项所述的方法(100)，其中，输出矢量包括所述机动车(105)在纵向方向和横向方向上的加速度(a)以及横摆率

5.根据前述权利要求中任一项所述的方法(100)，其中，基于所述观察器(110)来确定如下行驶状态变量，所述行驶状态变量包括：在纵向的、竖直的或横向的方向上的其中至少一个车轮力(F)；车轮滑移率(S)；侧偏角(α)；地面上的在纵向方向或横向方向上的车辆速度(V)以及侧滑角(β)。

6.根据前述权利要求中任一项所述的方法(100)，其中，所述第二输出矢量基于物理模型(f,h)来确定，其中，确定所述机动车(105)的轮胎与车道之间的附着系数(μ)，并且其中，所述物理模型(f,h)基于所述附着系数(μ)来适配。

7.根据权利要求1至6中任一项所述的方法(100)，其中，测量协方差矩阵(Rⁿ)按如下方式进行适配：其中，适用的是：并且m≥1∈IN能根据需要任意选择。

8.计算机程序产品，所述计算机程序产品具有程序代码，当所述计算机程序产品在处理装置(110)上运行或存储在计算机可读的数据载体上时，所述程序代码用于执行根据前述权利要求中任一项所述的方法。

9.用于确定机动车(105)的行驶状态变量的设备(110)，其中，所述设备实现卡尔曼滤波器，并且被设立成用于执行根据权利要求1至5中任一项所述的方法(100)。

Claims

1.用于确定机动车(105)的行驶状态变量的方法(100)，其中，所述方法包括以下步骤：对确定所述机动车(105)的行驶状态的变量的输入矢量(u)进行采样；对描述所述机动车(105)的行驶状态的变量的第一输出矢量(y)进行采样；基于输入矢量(u)来确定加权矢量(r)和状态矢量描述所述机动车(105)的行驶状态的变量的第二输出矢量并且基于所述两个输出矢量的差来调整(K)所述加权矢量(r)；其中，观察器(110)包括卡尔曼滤波器。

2.根据权利要求1所述的方法(100)，其中，所述观察器(110)包括无迹卡尔曼滤波器。

3.根据权利要求2所述的方法(100)，其中，所述观察器(110)包括平方根卡尔曼滤波器。

4.根据前述权利要求中任一项所述的方法(100)，其中，所述输入矢量(u)包括所述机动车(105)的车轮(FL、FR、RL、RR)的转速(n)或角速度(ω)和所述车轮(FL、FR、RL、RR)的车轮转向角(δ)。

5.根据前述权利要求中任一项所述的方法(100)，其中，输出矢量包括所述机动车(105)在纵向方向和横向方向上的加速度(a)以及横摆率

6.根据前述权利要求中任一项所述的方法(100)，其中，基于所述观察器(110)来确定如下行驶状态变量，所述行驶状态变量包括：在纵向的、竖直的或横向的方向上的其中至少一个车轮力(F)；车轮滑移率(S)；侧偏角(α)；地面上的在纵向方向或横向方向上的车辆速度(V)以及侧滑角(β)。

7.根据前述权利要求中任一项所述的方法(100)，其中，所述第二输出矢量基于物理模型(f,h)来确定，其中，确定所述机动车(105)的轮胎与车道之间的附着系数(μ)，并且其中，所述物理模型(f,h)基于所述附着系数(μ)来适配。

8.根据权利要求2至7中任一项所述的方法(100)，其中，测量协方差矩阵(Rⁿ)按如下方式进行适配：其中，适用的是：并且m≥1∈IN能根据需要任意选择。

9.根据权利要求2至7中任一项所述的方法(100)，其中，测量协方差矩阵(Rⁿ)借助线性的从型卡尔曼滤波器来适配。

10.计算机程序产品，所述计算机程序产品具有程序代码，当所述计算机程序产品在处理装置(110)上运行或存储在计算机可读的数据载体上时，所述程序代码用于执行根据前述权利要求中任一项所述的方法。

11.用于确定机动车(105)的行驶状态变量的设备(110)，其中，所述设备实现卡尔曼滤波器，并且被设立成用于执行根据权利要求1至6中任一项所述的方法(100)。