CN109515445B - 一种用于全轮独立驱动车辆的纵向车速估计方法及其装置 - Google Patents

Abstract

本发明公开了一种用于全轮独立驱动车辆的纵向车速实时估计方法及其装置。所述方法包括：对n时刻的车辆纵向加速度a_xm,n和车轮线速度v_wm,n分别进行滤波，对应得到a_xe,n和v_we,n，且对v_we,n求导获得a_we,n；根据n‑1时刻的道路坡度

对a_xe,n进行加速度修正得到a′_xe,n；对v_we,n、a′_xe,n，根据预设的两个协方差矩阵Q、R，求取n时刻的纵向车速估计值v_xk,n；对a′_xe,n，根据n‑1时刻的车辆纵向车速v_x,n‑1，求取n时刻的基于加速度积分估计的估计车速v_xj,n；对a_we,n、v_we,n、a′_xe,n，根据v_xk,n、v_xj,n，求取n时刻的车辆纵向车速v_x,n。本方法能够实现全轮独立驱动车辆纵向车速的实时估计。

Description

一种用于全轮独立驱动车辆的纵向车速估计方法及其装置

技术领域

本发明属于车辆车速估计技术领域，具体地，涉及一种用于全轮独立驱动车辆的纵向车速估计方法及其装置。

背景技术

全轮独立驱动车辆各轮转矩独立可控且转矩响应迅速精确，能够有效地改善车辆的操纵性、稳定性及安全性，其动力学控制近年来已成为研究热点。而纵向车速作为车辆重要的状态参数之一，其估计精度也将直接影响到相关动力学控制的控制效果。

目前，针对全轮独立驱动车辆，其纵向车速的获取主要有两种方法：一是通过光学传感器或GPS技术直接获取，方法简单直接，但成本很高，且易受环境因素的影响；二是基于车辆其他普通车载传感器进行间接估计，成本低，方法多样，且应用广泛。由于全轮独立驱动车辆各轮转速容易精确获得，因此基于车辆普通车载传感器进行车速的间接估计，尤其适合于全轮独立驱动车辆。

基于车辆普通车载传感器进行车速间接估计的方式主要有两种：一是通过对车辆纵向加速度信号直接进行积分而获取车速，其不受车辆行驶工况的影响，但长时间积分会产生误差累积，导致估计结果发散，因此不适用于长时间的车速估计，且积分初值不好确定；二是通过非驱动轮的轮速信号来进行车速的获取，估计效果较好，但不适用于全轮独立驱动车辆，全轮独立驱动车辆在驱动/制动过程中各轮都始终伴有滑转/滑移的存在，因此直接采用轮速信号进行车速估计会有很大的估计误差。有些研究也有提出基于加速度及轮速信息通过如滑 膜变结构算法、卡尔曼滤波算法、模糊算法等来进行车速估计，其更多地考虑了非线性特性对车速估计的影响，估计精度高，但由于相关非线性运算较多，实时性不是很好。

发明内容

针对上述技术问题，本发明提供了一种用于全轮独立驱动车辆的纵向车速估计方法及其装置。

本发明的目的可以通过以下技术方案实现：

一种用于全轮独立驱动车辆的纵向车速实时估计方法，包括以下步骤：

1)实时采集车辆纵向加速度a_xm和车轮线速度v_wm；

2)对n时刻的车辆纵向加速度a_xm,n和车轮线速度v_wm,n分别进行滤波，对应得到n时刻的且去噪后的车辆纵向加速度a_xe,n和车轮线速度v_we,n，且对车轮线速度v_we,n求导获得n时刻的车轮线加速度a_we,n；

3)根据n-1时刻的道路坡度

对车辆纵向加速度a_xe,n进行加速度修正得到n时刻的且修正后的车辆纵向加速度a′_xe,n；

4)对车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据预设的两个协方差矩阵Q、R，求取n时刻的纵向车速估计值v_xk,n；

5)对车辆纵向加速度a′_xe,n，根据n-1时刻的车辆纵向车速v_x,n-1，求取n时刻的基于加速度积分估计的估计车速v_xj,n；

6)对车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据纵向车速估计值v_xk,n、基于加速度积分估计的估计车速v_xj,n，求取n时刻的车辆纵向车速v_x,n。

进一步地，步骤1)中通过信息采集，实现实时采集车辆纵向加速度a_xm和车轮线速度v_wm，具体的，实时采集车速估计所需的各种附带测量噪声的状态信 息，包括：车辆纵向加速度a_xm，车辆的四个车轮线速度；

当车辆处于加速状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最小的作为车轮线速度v_we,n；当车辆处于制动状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最大的作为车轮线速度v_we,n；车辆处于其余状态下，取与车辆的四个车轮相对应的四个车轮线速度的平均值作为车轮线速度v_we,n。

进一步地，步骤2)中，对采集的信号进行去噪处理；具体的，通过构建卡尔曼滤波器对采集到的附带测量噪声的原始状态信息进行滤波，并通过卡尔曼滤波器基于状态空间方程的特点自发得到原始信息的延伸导数信息；

卡尔曼滤波器根据以下方程构建：

状态方程：

观测方程：

其中，v_we,n、a_we,n和a_xe,n分别为n时刻的车轮线速度、车轮线加速度和纵向加速度，v_we,n-1、a_we,n-1和a_xe,n-1分别为n-1时刻的车轮线速度、车轮线加速度和纵向加速度，t_s是采样时间，ε_vw,n-1、ε_aw,n-1和ε_ax,n-1分别是n-1时刻的车轮线速度、轮胎线加速度和纵向加速度的系统噪声；v_wm,n和a_xm,n分别为n时刻的车轮线速度和纵向加速度的测量值，γ_vw,n和γ_ax,n分别是n时刻的车轮线速度和纵向加速度的测量噪声；

通过本步骤的滤波处理分别得到去噪后的车辆纵向加速度a_xe,n，车轮线速度v_we,n，车轮线加速度a_we,n。

进一步地，步骤3)中，根据实时估计出的车辆纵向车速v_x,n-1以及去噪后的车辆纵向加速度a_xe,n估算出道路坡度信息

以供对纵向加速度进行修正；

n-1时刻的道路坡度

根据以下公式实现：

其中，

为对n-1时刻的车辆纵向车速v_x,n-1求导，g为重力加速度；

根据道路坡度

通过以下公式对车辆纵向加速度a′_xe,n进行修正：

其中，a′_xe,n为n时刻的加速度修正值，a_xe,n为n时刻的去噪后的加速度测量值，g为重力加速度，

为n-1时刻的道路坡度估测值。

进一步地，在步骤4)中，基于扩展卡尔曼滤波器的车速估计，根据以下方程构建：

状态方程：

观测方程：

其中，v_x,n为n时刻的纵向车速，ω_s定义为系统的过程噪声，ω_v定义为系统的观测噪声；

两个协方差矩阵Q、R采用实时动态变化的方式：两个协方差矩阵Q、R的预设值作为最初时刻对应的数值，对n-1时刻的车辆纵向车速v_x,n-1，根据车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n进行模糊逻辑参数调节得到n时刻的协方差矩阵Qn、Rn。

进一步地，步骤5)中，根据修正后的车辆纵向加速度信息进行车速的积分估计：

根据以下公式进行车速的近似积分估计：

v_xj,n＝v_x,n-1+∫a′_xe,nd_t

其中，v_x,n-1是初始纵向车速，取为上一时刻估测出的纵向车速值。

进一步地，车辆纵向车速v_x,n的求取方法为：

选取车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值Δv和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值Δa为特征量，确定二维经典域边界Δv₁、Δa₁以及可拓域边界Δv₂、Δa₂，划分出经典域、可拓域及非域，经典域中认为车轮没有或有轻微滑转/滑移，此时轮速与车速直接关联；可拓域中认为车轮滑转/滑移程度变大或有变大的趋势，此时随着车轮滑转/滑移的增大，轮速与车速的关联程度逐渐减小；非域中认为车轮发生过度滑转/滑移，甚至发生抱死或完全滑转，此时轮速与车速关联小或没有关联；

计算轮速与车速关联函数K(S)，

在可拓域的可拓集合中最优点为原点O，通过实时获得的差值Δv、Δa得到特征点Q’(Δv，Δa)，连接原点O则分别与二维经典域边界和可拓域边界交于点Q1，Q2，Q3，Q4，线段OQ’为特征点Q趋近最优点的最短距离；令经典域<Q₂,Q₃>＝X_xj，可拓域<Q₁,Q₂>∪<Q₃,Q₄>＝X_xk；D(Q′,X_k,X_j)＝ρ(Q′,X_k)-ρ(Q′,Xj)，ρ(Q′,X_j)为可拓集合中原点O到经典域的可拓距，ρ(Q′,X_k)为可拓集合中原点O到可拓域的可拓距；

通过关联函数K(S)定量描述任一特征点Q′的关联度，并根据K(S)的值进行相关测度模式的判别：

①特征量处在经典域：测度模式M₁＝{SK(S)＞1}；

②特征量处在可拓域：测度模式M₂＝{S|0≤K(S)≤1}；

③特征量处在非域：测度模式M₃＝{S|K(S)＜0}；

当为测度模式M₁时，特征量处于经典域，此时轮速与车速直接关联，采用基于扩展卡尔曼滤波器的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值1，基于加速度积分的车速估计分配权值0；

当为测度模式M₂时，特征量处于可拓域，此时轮速与车速关联逐渐变小，采用两种估计方式融合的车速估计，并通过K(S)值进行权值分配，其中基于扩展卡尔曼滤波器的车速估计的权值为K(S)，基于加速度积分的车速估计权值为1-K(S)；

当为测度模式M₃时，特征量处于非域，此时轮速与车速关联很小或无关联，采用基于加速度积分的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值0，基于加速度积分的车速估计分配权值1。

进一步地，通过构建卡尔曼滤波器获取基于加速度积分估计的估计车速v_xj,n，所述卡尔曼滤波器根据以下公式构建：v_xj,n＝v_x,n-1+∫a′_xe,nd_t。

一种用于全轮独立驱动车辆的纵向车速实时估计方法的装置，包括采集模块、数据处理模块、加速度修正模块、坡度估算模块、模糊逻辑参数调节模块、纵向车速估计模块、基于加速度积分估计模块、可拓控制模块；

采集模块的输出端与数据处理模块的输入端连接，采集模块将采集到的加速度和线速度数据传输至数据处理模块；

数据处理模块的输出端分别与加速度修正模块、纵向车速估计模块、可拓控制模块、坡度估算模块和模糊逻辑参数调节模块的输入端连接；

加速度修正模块的输出端与模糊逻辑参数调节模块、加速度积分估计模块和纵向车速估计模块的输入端连接；

坡度估算模块的输出端与与加速度修正模块的输入端连接；

模糊逻辑参数调节模块的输出端与纵向车速估计模块的输入端连接；

基于加速度积分估计模块的输出端与可拓控制模块的输入端连接；

可拓控制模块的输出端与坡度估算模块、基于加速度积分估计模块和模糊逻辑参数调节模块的输入端连接。

本发明的有益效果：

第一，通过对道路坡度的实时估测来对车辆去噪后是纵向加速度信息进行修正，再利用修正后的纵向加速度进行车速估计，去除了加速度信息中的坡度成分，有效地提高了车速的估计精度；

第二，通过模糊控制器对扩展卡尔曼滤波器中的估算参数进行动态自适应调节，能够提高车速估计精度；

第三，设计可拓控制器对基于扩展卡尔曼滤波器的车速估计以及基于加速度积分的车速估计进行实时的模式切换与权值分配，实现车速融合估计，使得全轮独立驱动车辆在车轮出现过度滑转/滑移甚至完全抱死时也能对纵向车速进行准确估计，且该方法具有较高的精度；

第四，该方法能够实现全轮独立驱动车辆纵向车速的实时估计。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的用于全轮独立驱动车辆的纵向车速实时估计方法的流程图；

图2为本发明的用于全轮独立驱动车辆的纵向车速实时估计方法的装置的结构示意图；

图3为本发明纵向车速实时估计方法中输入变量隶属度函数图；

图4为本发明纵向车速实时估计方法中输入变量隶属度函数图；

图5为本发明纵向车速实时估计方法中输出变量隶属度函数图；

图6为本发明纵向车速实时估计方法中输出变量隶属度函数图；

图7为本发明纵向车速实时估计方法中二维可拓集合示意图；

图8为本发明纵向车速实时估计方法中一维可拓集合示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-8所示，一种用于全轮独立驱动车辆的纵向车速估计方法的装置，如图2所示，包括采集模块、数据处理模块、加速度修正模块、坡度估算模块、模糊逻辑参数调节模块、纵向车速估计模块、基于加速度积分估计模块、可拓控制模块；

采集模块用于实时采集车辆纵向加速度a_xm和车轮线速度v_wm；当车辆处于加速状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最小的作为车轮线速度v_we,n。当车辆处于制动状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最大的作为车轮线速度v_we,n。车辆处于其余状态下(指车辆处于除加速状态、制动状态之外的状态下)，取与车辆的四个车轮相对应的四个车轮线速度的平均值作为车轮线速度v_we,n；

采集模块的输出端与数据处理模块的输入端连接，采集模块将采集到的加速度和线速度数据传输至数据处理模块；

数据处理模块用于对n时刻的车辆纵向加速度a_xm,n和车轮线速度v_wm,n分别进行滤波，对应得到n时刻的且去噪后的车辆纵向加速度a_xe,n和车轮线速度v_we,n，且对车轮线速度v_we,n求导获得n时刻的车轮线加速度a_we,n；

数据处理模块通过构建卡尔曼滤波器对车辆纵向加速度a_xm,n和车轮线速度v_wm,n进行滤波处理；

所述卡尔曼滤波器根据以下公式构建：

状态方程：

观测方程：

其中，v_we,n、a_we,n和a_xe,n分别为n时刻的车轮线速度、车轮线加速度和纵向加速度，v_we,n-1、a_we,n-1和a_xe,n-1分别为n-1时刻的车轮线速度、车轮线加速度和纵向加速度，t_s是采样时间，ε_vw,n-1、ε_aw,n-1和ε_ax,n-1分别是n-1时刻的车轮线速度、轮胎线加速度和纵向加速度的系统噪声；v_wm,n和a_xm,n分别为n时刻的车轮线速度和纵向加速度的测量值，γ_vw,n和γ_ax,n分别是n时刻的车轮线速度和纵向加速度的测量噪声；

数据处理模块的输出端分别与加速度修正模块、纵向车速估计模块、可拓控制模块、坡度估算模块和模糊逻辑参数调节模块的输入端连接，数据处理模块将得到的车辆纵向加速度a_xe,n传输至加速度修正模块，将车轮线速度v_we,n传输至纵向车速估计模块，将车辆纵向加速度a_xe,n传输至可拓控制模块，将车辆纵向加速度a_xe,n传输至坡度估算模块，将车辆纵向加速度a_xe,n和车轮线速度v_we,n传输至模糊逻辑参数调节模块；

加速度修正模块用于根据n-1时刻的道路坡度

对车辆纵向加速度a_xe,n进行加速度修正得到n时刻的且修正后的车辆纵向加速度a′_xe,n；加速度修正模块对车辆纵向加速度a′_xe,n根据以下公式实现：

加速度修正模块的输出端与模糊逻辑参数调节模块、加速度积分估计模块和纵向车速估计模块的输入端连接，将修正后的车辆纵向加速度a′_xe,n分别传输至模糊逻辑参数调节模块、基于加速度积分估计模块和纵向车速估计模块；

坡度估算模块对车辆纵向加速度a_xe,n，根据n-1时刻的车辆纵向车速v_x,n-1，求取n-1时刻的道路坡度

n-1时刻的道路坡度

根据以下公式实现：

其中，

为对n-1时刻的车辆纵向车速v_x,n-1求导，g为重力加速度；

坡度估算模块的输出端与与加速度修正模块的输入端连接，将道路坡度

传输至加速度修正模块；

模糊逻辑参数调节模块用于对两个协方差矩阵Q、R采用实时动态变化的方式：两个协方差矩阵Q、R的预设值作为最初时刻对应的数值，对n-1时刻的车辆纵向车速v_x,n-1，根据车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n进行模糊逻辑参数调节得到n时刻的协方差矩阵Qn、Rn；

所述模糊逻辑参数调节模块的模糊逻辑参数调节方法为：

当车轮出现滑转/滑移时，车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值绝对值|Δv|和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值绝对值|Δa|均发生明显变化，因此选取|Δv|与|Δa|作为模糊控制输入，并制定如下模糊规则：

其中，其中VS、S、M、L分别表示很小、小、中、大四个程度，四个程度对应设置四个不同程度的Q、R，根据模糊规则得到的Q、R作为n时刻的协方差矩阵Qn、Rn；

模糊逻辑参数调节模块的输出端与纵向车速估计模块的输入端连接，将两个协方差矩阵Q、R传输至纵向车速估计模块；

纵向车速估计模块用于对车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据预 设的两个协方差矩阵Q、R，求取n时刻的纵向车速估计值v_xk,n；纵向车速估计模块通过构建卡尔曼滤波器获取纵向车速估计值v_xk,n，所述卡尔曼滤波器根据以下公式构建：v_xk,n＝v_we,n-ω_v+t_sa′_xe,n+ω_s，其中，ω_s为所述卡尔曼滤波器的过程噪声，ω_v为所述卡尔曼滤波器的观测噪声，t_s是采样时间；

纵向车速估计模块的输出端与可拓控制模块的输入端连接，将纵向车速估计值v_xk,n传输至可拓控制模块；

基于加速度积分估计模块用于对车辆纵向加速度a′_xe,n，根据n-1时刻的车辆纵向车速v_x,n-1，求取n时刻的基于加速度积分估计的估计车速v_xj,n；基于加速度积分估计模块通过构建卡尔曼滤波器获取基于加速度积分估计的估计车速v_xj,n，所述卡尔曼滤波器根据以下公式构建：v_xj,n＝v_x,n-1+∫a′_xe,nd_t；

基于加速度积分估计模块的输出端与可拓控制模块的输入端连接，将基于加速度积分估计的估计车速v_xj,n传输至可拓控制模块；

可拓控制模块用于对车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据纵向车速估计值v_xk,n、基于加速度积分估计的估计车速v_xj,n，求取n时刻的车辆纵向车速v_x,n。

车辆纵向车速v_x,n的求取方法为：

选取车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值Δv和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值Δa为特征量，确定二维经典域边界Δv₁、Δa₁以及可拓域边界Δv₂、Δa₂，划分出经典域、可拓域及非域，经典域中认为车轮没有或有轻微滑转/滑移，此时轮速与车速直接关联；可拓域中认为车轮滑转/滑移程度变大或有变大的趋势，此时随着车轮滑转/滑移的增大，轮速与车速的关联程度逐渐减小；非域中认为车轮发生过度滑转/滑移，甚至发生抱死或完全滑转，此时轮速与车速关联小或没有关联；

计算轮速与车速关联函数K(S)，

在可拓域的可拓集合中最优点为原点O，通过实时获得的差值Δv、Δa得到特征点Q’(Δv，Δa)，连接原点O则分别与二维经典域边界和可拓域边界交于点Q1，Q2，Q3，Q4，线段OQ’为特征点Q趋近最优点的最短距离；令经典域<Q₂,Q₃>＝X_xj，可拓域<Q₁,Q₂>∪<Q₃,Q₄>＝X_xk；D(Q′,X_k,X_j)＝ρ(Q′,X_k)-ρ(Q′,X_j)，ρ(Q′,X_j)为可拓集合中原点O到经典域的可拓距，ρ(Q′,X_k)为可拓集合中原点O到可拓域的可拓距；

通过关联函数K(S)定量描述任一特征点Q′的关联度，并根据K(S)的值进行相关测度模式的判别：

①特征量处在经典域：测度模式M₁＝{SK(S)＞1}；

②特征量处在可拓域：测度模式M₂＝{S0≤K(S)≤1}；

③特征量处在非域：测度模式M₃＝{S|K(S)＜0}；

当为测度模式M₁时，特征量处于经典域，此时轮速与车速直接关联，采用基于扩展卡尔曼滤波器的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值1，基于加速度积分的车速估计分配权值0；

当为测度模式M₂时，特征量处于可拓域，此时轮速与车速关联逐渐变小，采用两种估计方式融合的车速估计，并通过K(S)值进行权值分配，其中基于扩展卡尔曼滤波器的车速估计的权值为K(S)，基于加速度积分的车速估计权值为1-K(S)；

当为测度模式M₃时，特征量处于非域，此时轮速与车速关联很小或无关联，采用基于加速度积分的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值0，基于加速度积分的车速估计分配权值1；

可拓控制模块的输出端与坡度估算模块、基于加速度积分估计模块和模糊 逻辑参数调节模块的输入端连接，将车辆纵向车速v_x,n传输至坡度估算模块、基于加速度积分估计模块和模糊逻辑参数调节模块；

一种用于全轮独立驱动车辆的纵向车速估计方法，如图1所示，包括如下步骤：

1)实时采集车辆纵向加速度a_xm和车轮线速度v_wm；

具体的，通过信息采集，实现实时采集车辆纵向加速度a_xm和车轮线速度v_wm。在实际应用中，实时采集车速估计所需的各种附带测量噪声的状态信息，包括：车辆纵向加速度a_xm，车辆的四个车轮线速度。

当车辆处于加速状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最小的作为车轮线速度v_we,n。当车辆处于制动状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最大的作为车轮线速度v_we,n。车辆处于其余状态下(指车辆处于除加速状态、制动状态之外的状态下)，取与车辆的四个车轮相对应的四个车轮线速度的平均值作为车轮线速度v_we,n；

2)对n时刻的车辆纵向加速度a_xm,n和车轮线速度v_wm,n分别进行滤波，对应得到n时刻的且去噪后的车辆纵向加速度a_xe,n和车轮线速度v_we,n，且对车轮线速度v_we,n求导获得n时刻的车轮线加速度a_we,n；

对采集的信号进行去噪处理，由于采集的原始状态信息都夹杂着各种噪声误差，无法直接使用，且在延伸导数时会进一步放大这种误差，导致无法辨识，因此在使用前需对这些原始信息进行滤波处理；

具体的，通过构建卡尔曼滤波器对采集到的附带测量噪声的原始状态信息进行滤波，并通过卡尔曼滤波器基于状态空间方程的特点自发得到原始信息的延伸导数信息；

卡尔曼滤波器根据以下方程构建：

状态方程：

观测方程：

其中，v_we,n、a_we,n和a_xe,n分别为n时刻的车轮线速度、车轮线加速度和纵向加速度，v_we,n-1、a_we,n-1和a_xe,n-1分别为n-1时刻的车轮线速度、车轮线加速度和纵向加速度，t_s是采样时间，ε_vw,n-1、ε_aw,n-1和ε_ax,n-1分别是n-1时刻的车轮线速度、轮胎线加速度和纵向加速度的系统噪声；v_wm,n和a_xm,n分别为n时刻的车轮线速度和纵向加速度的测量值，γ_vw,n和γ_ax,n分别是n时刻的车轮线速度和纵向加速度的测量噪声；

为了取得稳定的滤波效果，假定系统噪声与测量噪声均为独立的高斯分布随机信号，且系统噪声和测量噪声的协方差矩阵均取为定值。

通过本步骤的滤波处理分别得到去噪后的车辆纵向加速度a_xe,n，车轮线速度v_we,n，车轮线加速度a_we,n；

3)根据n-1时刻的道路坡度

对车辆纵向加速度a_xe,n进行加速度修正得到n时刻的且修正后的车辆纵向加速度a′_xe,n；

由于车辆纵向加速度传感器测量值中包含纵向加速度信息和道路坡度信息，故在使用加速度传感器信息时，必须考虑道路坡度的影响，以提高估算精度；

具体的，根据实时估计出的车辆纵向车速v_x,n-1以及去噪后的车辆纵向加速度a_xe,n估算出道路坡度信息

以供对纵向加速度进行修正；

n-1时刻的道路坡度

根据以下公式实现：

其中，

为对n-1时刻的车辆纵向车速v_x,n-1求导，g为重力加速度。

根据道路坡度

通过以下公式对车辆纵向加速度a′_xe,n进行修正：

其中，a′_xe,n为n时刻的加速度修正值，a_xe,n为n时刻的去噪后的加速度测量值，g为重力加速度，

为n-1时刻的道路坡度估测值；

4)对车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据预设的两个协方差矩阵Q、R，求取n时刻的纵向车速估计值v_xk,n；

基于扩展卡尔曼滤波器的车速估计；

具体的，扩展卡尔曼滤波器根据去噪后的轮速信息以及修正后的纵向加速度信息进行车速的估计，其根据以下方程构建：

状态方程：v_xk,n＝v_x,n+t_sa′_xe,n+ω_s

观测方程：v_we,n＝v_x,n+ω_v

其中，v_x,n为n时刻的纵向车速，ω_s定义为系统的过程噪声，ω_v定义为系统的观测噪声；假定系统过程噪声ω_s与观测噪声ω_v均为独立的高斯分布随机信号，且其协方差矩阵分别设为Q、R，并根据车辆状态通过模糊规则对Q、R进行实时调节，以获得更加准确的估计结果；

两个协方差矩阵Q、R采用实时动态变化的方式：两个协方差矩阵Q、R的预设值作为最初时刻对应的数值，对n-1时刻的车辆纵向车速v_x,n-1，根据车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n进行模糊逻辑参数调节得到n时刻的协方差矩阵Q_n、R_n；

所述模糊逻辑参数调节的方法为：

当车轮出现滑转/滑移时，车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值绝对值|Δv|和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值绝对值|Δa|均发生 明显变化，因此选取|Δv|与|Δa|作为模糊控制输入，并制定如下模糊推理规则：

其中，其中VS、S、M、L分别表示很小、小、中、大。各输入输出量的隶属度函数如图3-6所示；

5)对车辆纵向加速度a′_xe,n，根据n-1时刻的车辆纵向车速v_x,n-1，求取n时刻的基于加速度积分估计的估计车速v_xj,n；

基于加速度积分的车速估计；

具体的，根据修正后的车辆纵向加速度信息进行车速的积分估计：

在较短的积分时间内，由加速度噪声积分引起的误差一般可以忽略，因此，在短时间内进行加速度积分的车速估计，可以获得较好的估计效果。

本发明根据以下公式进行车速的近似积分估计：

v_xj,n＝v_x,n-1+∫a_x′_e,nd_t

其中，v_x,n-1是初始纵向车速，取为上一时刻估测出的纵向车速值；

6)对车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据纵向车速估计值v_xk,n、基于加速度积分估计的估计车速v_xj,n，求取n时刻的车辆纵向车速v_x,n；

基于可拓控制器的车速融合估计

由于当车轮发生滑转/滑移时，随着滑转/滑移程度的增加，轮速与车速的关联程度就会减小，甚至在车轮发生完全滑转或者抱死时，轮速与车速不再关联，此时若仍然根据车辆轮速信息及加速度信息利用扩展卡尔曼滤波器进行车 速估计将出现很大偏差，因此应根据其信息关联程度逐步切换为基于加速度积分的车速估计。本发明通过设计可拓控制器实时计算关联函数来定量描述关联程度，以确定两种车速估计方式的分配权重，实现两种车速估计的逐步切换，进行车速的融合估计。这样一方面解决了基于扩展卡尔曼滤波器的车速估计在车轮发生过度滑转/滑移时的估计不准确问题，另一方面避免了基于加速度积分的车速估计由于长时间积分带来的累积误差，且积分初值也容易获得。

以下描述可拓控制器的设计：

选取车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值Δv和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值Δa为特征量，确定二维经典域边界Δv₁、Δa₁以及可拓域边界Δv₂、Δa₂，划分出经典域、可拓域及非域，如图5所示。

经典域中认为车轮没有或有轻微滑转/滑移，此时轮速与车速直接关联；可拓域中认为车轮滑转/滑移程度变大或有变大的趋势，此时随着车轮滑转/滑移的增大，轮速与车速的关联程度逐渐减小；非域中认为车轮发生过度滑转/滑移，甚至发生抱死或完全滑转，此时轮速与车速关联小或没有关联。

计算关联函数。在可拓集合中最优点为原点O，通过实时获取上一时刻的纵向速度值、去噪后的轮速值、轮加速度值以及修正后的纵向加速度值可得到特征点Q’(Δv，Δa)，连接O点则分别与二维经典域边界和可拓域边界交于点Q₁，Q₂，Q₃，Q₄，如图5所示。线段OQ为特征点Q趋近最优点的最短距离。而关联函数是通过可拓距来计算的，可拓距是指点到集合的距离，是在一维坐标系中定义的。因此，需要把二维可拓集转为一维可拓集进行计算，如图6所示。令经典域<Q₂,Q₃>＝X_xj，可拓域<Q₁,Q₂>∪<Q₃,Q₄>＝X_xk。点到经典域的可拓距为ρ(Q′,X_j)，点到可拓域的可拓距为ρ(Q′,X_k)。以点到经典域的可拓距为例：

关联函数：

其中，D(Q,X_k,X_j)＝ρ(Q,X_k)-ρ(Q,X_j)。

通过K(S)即可确定轮速与车速的关联函数。

关联函数可定量描述任一特征点Q′的关联度，并根据K(S)的值进行相关测度模式的判别：

①特征量处在经典域：测度模式M₁＝{S|K(S)＞1}。

②特征量处在可拓域：测度模式M₂＝{S|0≤K(S)≤1}。

③特征量处在非域：测度模式M₃＝{S|K(S)＜0}。

当为测度模式M₁时，特征量处于经典域，此时轮速与车速直接关联，采用基于扩展卡尔曼滤波器的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值1，基于加速度积分的车速估计分配权值0；

当为测度模式M₂时，特征量处于可拓域，此时轮速与车速关联逐渐变小，采用两种估计方式融合的车速估计，并通过K(S)值进行权值分配，其中基于扩展卡尔曼滤波器的车速估计的权值为K(S)，基于加速度积分的车速估计权值为1-K(S)；

当为测度模式M₃时，特征量处于非域，此时轮速与车速关联很小或无关联，采用基于加速度积分的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值0，基于加速度积分的车速估计分配权值1。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没 有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种用于全轮独立驱动车辆的纵向车速估计方法，其特征在于，包括以下步骤：

1)实时采集车辆纵向加速度a_xm和车轮线速度v_wm；

2)对n时刻的车辆纵向加速度a_xm,n和车轮线速度v_wm,n分别进行滤波，对应得到n时刻的且去噪后的车辆纵向加速度a_xe,n和车轮线速度v_we,n，且对车轮线速度v_we,n求导获得n时刻的车轮线加速度a_we,n；

3)根据n-1时刻的道路坡度

对车辆纵向加速度a_xe,n进行加速度修正得到n时刻的且修正后的车辆纵向加速度a′_xe,n；

根据实时估计出的车辆纵向车速v_x,n-1以及去噪后的车辆纵向加速度a_xe,n估算出道路坡度信息

以供对纵向加速度进行修正；

n-1时刻的道路坡度

根据以下公式实现：

其中，

为对n-1时刻的车辆纵向车速v_x,n-1求导，g为重力加速度；

根据道路坡度

通过以下公式对车辆纵向加速度a_xe,n进行修正：

其中，a′_xe,n为n时刻的加速度修正值，a_xe,n为n时刻的去噪后的加速度测量值，g为重力加速度，

为n-1时刻的道路坡度估测值；

4)对车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据预设的两个协方差矩阵Q、R，求取n时刻的纵向车速估计值v_xk,n；

基于扩展卡尔曼滤波器的车速估计，根据以下方程构建：

状态方程：v_xk,n＝v_x,n+t_sa′_xe,n+ω_s

观测方程：v_we,n＝v_x,n+ω_v

其中，v_x,n为n时刻的纵向车速，ω_s定义为系统的过程噪声，ω_v定义为系统的观测噪声；

两个协方差矩阵Q、R采用实时动态变化的方式：两个协方差矩阵Q、R的预设值作为最初时刻对应的数值，对n-1时刻的车辆纵向车速v_x,n-1，根据车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n进行模糊逻辑参数调节得到n时刻的协方差矩阵Qn、Rn；

5)对车辆纵向加速度a′_xe,n，根据n-1时刻的车辆纵向车速v_x,n-1，求取n时刻的基于加速度积分估计的估计车速v_xj,n；

根据修正后的车辆纵向加速度信息进行车速的积分估计：

根据以下公式进行车速的近似积分估计：

v_xj,n＝v_x,n-1+∫a′_xe,nd_t

其中，v_x,n-1是初始纵向车速，取为上一时刻估测出的纵向车速值；

6)对车轮线加速度a_we,n、车轮线速度v_we,n、车辆纵向加速度a′_xe,n，根据纵向车速估计值v_xk,n、基于加速度积分估计的估计车速v_xj,n，求取n时刻的车辆纵向车速v_x,n；

车辆纵向车速v_x,n的求取方法为：

选取车轮线速度v_we,n与车辆纵向速度v_x,n-1的差值Δv和车轮线加速度a_we,n与车辆纵向加速度a′_xe,n的差值Δa为特征量，确定二维经典域边界Δv₁、Δa₁以及可拓域边界Δv₂、Δa₂，划分出经典域、可拓域及非域，经典域中认为车轮没有或有轻微滑转/滑移，此时轮速与车速直接关联；可拓域中认为车轮滑转/滑移程度变大或有变大的趋势，此时随着车轮滑转/滑移的增大，轮速与车速的关联程度逐渐减小；非域中认为车轮发生过度滑转/滑移，甚至发生抱死或完全滑转，此时轮速与车速关联小或没有关联；

计算轮速与车速关联函数K(S)，

在可拓域的可拓集合中最优点为原点O，通过实时获得的差值Δv、Δa得到特征点Q’(Δv，Δa)，连接原点O则分别与二维经典域边界和可拓域边界交于点Q1，Q2，Q3，Q4，线段OQ’为特征点Q趋近最优点的最短距离；令经典域<Q₂,Q₃>＝X_xj，可拓域<Q₁,Q₂>∪<Q₃,Q₄>＝X_xk；D(Q′,X_k,X_j)＝ρ(Q′,X_k)-ρ(Q′,X_j)，ρ(Q′,X_j)为可拓集合中原点O到经典域的可拓距，ρ(Q′,X_k)为可拓集合中原点O到可拓域的可拓距；

通过关联函数K(S)定量描述任一特征点Q′的关联度，并根据K(S)的值进行相关测度模式的判别：

①特征量处在经典域：测度模式M₁＝{S|K(S)＞1}；

②特征量处在可拓域：测度模式M₂＝{S|0≤K(S)≤1}；

③特征量处在非域：测度模式M₃＝{S|K(S)＜0}；

当为测度模式M₁时，特征量处于经典域，此时轮速与车速直接关联，采用基于扩展卡尔曼滤波器的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值1，基于加速度积分的车速估计分配权值0；

当为测度模式M₂时，特征量处于可拓域，此时轮速与车速关联逐渐变小，采用两种估计方式融合的车速估计，并通过K(S)值进行权值分配，其中基于扩展卡尔曼滤波器的车速估计的权值为K(S)，基于加速度积分的车速估计权值为1-K(S)；

当为测度模式M₃时，特征量处于非域，此时轮速与车速关联很小或无关联，采用基于加速度积分的车速估计，即基于扩展卡尔曼滤波器的车速估计分配权值0，基于加速度积分的车速估计分配权值1。

2.根据权利要求1所述的一种用于全轮独立驱动车辆的纵向车速估计方法，其特征在于，步骤1)中通过信息采集，实现实时采集车辆纵向加速度a_xm和车轮线速度v_wm，具体的，实时采集车速估计所需的各种附带测量噪声的状态信息，包括：车辆纵向加速度a_xm，车辆的四个车轮线速度；

当车辆处于加速状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最小的作为车轮线速度v_wm，n；当车辆处于制动状态下，在与车辆的四个车轮相对应的四个车轮线速度中，选择数值最大的作为车轮线速度v_wm，n；车辆处于其余状态下，取与车辆的四个车轮相对应的四个车轮线速度的平均值作为车轮线速度v_wm，n。

3.根据权利要求1所述的一种用于全轮独立驱动车辆的纵向车速估计方法，其特征在于，步骤2)中，对采集的信号进行去噪处理；具体的，通过构建卡尔曼滤波器对采集到的附带测量噪声的原始状态信息进行滤波，并通过卡尔曼滤波器基于状态空间方程的特点自发得到原始信息的延伸导数信息；

卡尔曼滤波器根据以下方程构建：

状态方程：

观测方程：

其中，v_we,n、a_we,n和a_xe,n分别为n时刻的车轮线速度、车轮线加速度和纵向加速度，v_we,n-1、a_we,n-1和a_xe,n-1分别为n-1时刻的车轮线速度、车轮线加速度和纵向加速度，t_s是采样时间，ε_vw,n-1、ε_aw,n-1和ε_ax,n-1分别是n-1时刻的车轮线速度、轮胎线加速度和纵向加速度的系统噪声；v_wm,n和a_xm,n分别为n时刻的车轮线速度和纵向加速度的测量值，γ_vw,n和γ_ax,n分别是n时刻的车轮线速度和纵向加速度的测量噪声；

通过本步骤的滤波处理分别得到去噪后的车辆纵向加速度a_xe,n，车轮线速度v_we,n，车轮线加速度a_we,n。

4.根据权利要求1所述的一种用于全轮独立驱动车辆的纵向车速估计方法，其特征在于，通过构建卡尔曼滤波器获取基于加速度积分估计的估计车速v_xj,n，所述卡尔曼滤波器根据以下公式构建：v_xj,n＝v_x,n-1+∫a′_xe,nd_t。

5.一种用于全轮独立驱动车辆的纵向车速估计方法的装置，其特征在于，包括采集模块、数据处理模块、加速度修正模块、坡度估算模块、模糊逻辑参数调节模块、纵向车速估计模块、基于加速度积分估计模块、可拓控制模块；

采集模块的输出端与数据处理模块的输入端连接，采集模块将采集到的加速度和线速度数据传输至数据处理模块；

数据处理模块的输出端分别与加速度修正模块、纵向车速估计模块、可拓控制模块、坡度估算模块和模糊逻辑参数调节模块的输入端连接；

加速度修正模块的输出端与模糊逻辑参数调节模块、加速度积分估计模块和纵向车速估计模块的输入端连接；

坡度估算模块的输出端与与加速度修正模块的输入端连接；

模糊逻辑参数调节模块的输出端与纵向车速估计模块的输入端连接；

基于加速度积分估计模块的输出端与可拓控制模块的输入端连接；

可拓控制模块的输出端与坡度估算模块、基于加速度积分估计模块和模糊逻辑参数调节模块的输入端连接。

Images