CN109606378A - 面向非高斯噪声环境的车辆行驶状态估计方法 - Google Patents

Abstract

本发明公开了面向非高斯噪声环境的车辆行驶状态估计方法，包括：设计轮胎力估计器，结合车辆动力学模型及普通车载传感器信号，基于卡尔曼滤波理论估计车辆四轮的纵向力和侧向力；设计非线性车辆状态估计器，结合七自由度车辆动力学模型，利用轮胎力估计器获取的信息及普通车载传感器信号，基于集员卡尔曼滤波理论在非高斯噪声环境下估计四轮驱动车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。该方法能够实时监测轮胎力状况和车辆状态信息，很好的解决了车辆状态估计过程中轮胎模型和噪声模型的误差问题，为汽车的主动安全控制提供基础。

Description

面向非高斯噪声环境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，涉及一种面向非高斯噪声环境的车辆行驶状态估计方法。

背景技术

近年来，随着信息技术在汽车领域的深入应用，辅助驾驶技术得到进一步的发展与完善，汽车智能化成为现代汽车发展的一大主流趋势。辅助驾驶技术的控制关键在于精确地获取车辆轮胎力及行驶状态信息。由于一些测量车辆轮胎力和行驶状态信息的传感器生产成本较高且受工作环境的影响较大，因此不能广泛的应用于汽车上。因此，基于普通车载传感器的汽车轮胎力及行驶状态估计研究具有重要意义。

车辆行驶状态估计需要利用四轮的轮胎力，虽然目前轮胎模型的种类较多，但是简单的模型无法模拟车辆行驶过程中车轮的实际情况，比较准确的轮胎模型又较为复杂且计算量大。本发明不使用轮胎模型计算轮胎力，而是将四个车轮的轮胎力作为状态量，结合车辆动力学模型及四轮转动动力学模型估计出车辆行驶过程中四个车轮受到的纵向力和侧向力。另外，由于车辆的实际行驶环境非常复杂且不断变化，先验的过程噪声和观测噪声统计特性不可能呈固定分布特征，即一般假设的高斯分布。如果简单地假设为高斯噪声，行驶状态估计可能会存在很大的误差。因此需要更加合理地建立噪声模型，降低不确定因素的影响，提高滤波算法的鲁棒性，提高估计结果的可靠性。本发明采用一种新型的集员卡尔曼滤波理论解决这个问题。该滤波理论是研究同时考虑随机噪声和未知分布但有界噪声的状态估计问题的方法，这种不确定性描述更加接近于实际情况，只需要较少的约束条件，能够很好地应用于传统滤波方法不能适应的场合。

发明内容

本发明设计开发了面向非高斯噪声环境的车辆行驶状态估计方法，设计了轮胎力估计器和车辆非线性状态估计器，并分别基于卡尔曼滤波和集员卡尔曼滤波理论进行估计；以上的轮胎力估计方法更简单精确，状态估计方法可以适用于更多的实际车辆运行工况，为汽车的主动安全控制提供比较精确的信号。

本发明是通过以下方案实现的：

面向非高斯噪声环境的车辆行驶状态估计方法，设计轮胎力估计器，通过结合车辆动力学模型及普通车载传感器采集的信号，基于卡尔曼滤波理论估计车辆四个车轮的纵向力和侧向力；设计非线性车辆状态估计器，通过结合七自由度车辆动力学模型，并利用轮胎力估计器获取的信息及普通车载传感器采集的信号，基于集员卡尔曼滤波理论估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。

进一步，基于卡尔曼滤波理论的轮胎力估计器的设计过程为：

结合七自由度车辆动力学模型，以四个车轮的纵向力、侧向力、转动角速度和车辆横摆角速度为状态量，即x₁＝[F_x1,F_x2,F_x3,F_x4,F_y1,F_y2,F_y3,F_y4,ω₁,ω₂,ω₃,ω₄,r]^T，状态方程式中A为状态转移矩阵，B为输入转移矩阵，w₁为随机过程噪声；

以车辆质心处纵向加速度、侧向加速度、横摆角速度和四个车轮的转速为观测量，即量测方程式中H为观测矩阵，v₁为随机量测噪声；

将状态方程和量测方程结合卡尔曼滤波理论，估计出四个车轮的纵向力和侧向力。

更进一步，所述卡尔曼滤波算法步骤如下：

预测更新：

1)状态预测：

2)误差协方差预测：

量测更新：

1)计算卡尔曼增益：

2)状态更新：

3)误差协方差更新：

其中Q₁为随机过程噪声w₁的协方差矩阵，R₁为随机量测噪声v₁的协方差矩阵，K为卡尔曼增益，P为误差协方差，I表示单位矩阵。

进一步，基于集员卡尔曼滤波理论的车辆非线性状态估计器的设计过程为：

结合七自由度车辆动力学模型，并利用轮胎力估计器获得的信息，以车辆纵向速度、侧向速度、横摆角速度、四轮转速、车辆质心处纵向加速度及侧向加速度为状态量，即x₂＝[v_x,v_y,r,ω₁,ω₂,ω₃,ω₄,a_x,a_y]^T，状态方程其中u₂为输入量，w₂为随机过程噪声，a为未知分布但有界的噪声；

以车辆质心处纵向加速度、侧向加速度、横摆角速度及四轮转速为观测量，即 量测方程式中v₂为随机量测噪声，b为未知分布但有界的噪声；

将状态方程和量测方程结合集员卡尔曼滤波理论，估计出车辆的纵向速度及侧向速度，并由纵向速度和侧向速度得到质心侧偏角。

更进一步，所述集员卡尔曼滤波算法步骤如下：

预测更新：

1)误差协方差矩阵计算：

2)一步预测的状态椭球中心计算：

3)一步预测的状态椭球形状矩阵计算：

量测更新：

1)给定一个权重因子η，计算最优增益K_k+1：

2)更新状态估计值椭球集合的中心：

3)更新误差协方差：

4)更新状态估计值椭球集合的形状矩阵：

5)更新最优参数：

其中：Q₂是随机过程噪声w₂的协方差矩阵，R₂是随机量测噪声v₂的协方差矩阵，F_x和H_x分别为非线性状态方程f(·)和量测方程h(·)的雅克比矩阵，F_w表示随机过程噪声的噪声驱动矩阵，F_a,表示未知分布但有界噪声的噪声驱动矩阵，H_v表示随机量测噪声的噪声驱动矩阵，H_b表示未知分布但有界噪声的噪声驱动矩阵，P表示状态的误差协方差矩阵，S表示状态的集员形状矩阵，S^u表示未知分布但有界过程噪声的集员形状矩阵，S^z表示未知分布但有界量测噪声的集员形状矩阵，η表示平衡随机噪声和未知分布但有界噪声的权重因子，λ是量测更新过程需要使用的关键参数。

本发明的有益效果为：

本发明避免了使用轮胎模型及其参数拟合的过程，采用估计轮胎力的方法具有更简单的形式和更高的精确度；状态估计过程中噪声模型的建立更加合理，降低了估计过程中不确定因素的影响，可以提高估计结果的鲁棒性，更适合于实际车辆系统的应用。

附图说明

图1是车辆行驶状态估计方法的步骤流程图；

图2是四轮驱动车辆七自由度动力学模型示意图；

图3是轮胎纵向力的真实值与估计值的对比图，图3(a)是左前轮纵向力的真实值与估计值的对比图，图3(b)是右前轮纵向力的真实值与估计值的对比图，图3(c)是左后轮纵向力的真实值与估计值的对比图，图3(d)是右后轮纵向力的真实值与估计值的对比图；

图4是轮胎侧向力的真实值与估计值的对比图，图4(a)是左前轮侧向力的真实值与估计值的对比图，图4(b)是右前轮侧向力的真实值与估计值的对比图，图4(c)是左后轮侧向力的真实值与估计值的对比图，图4(d)是右后轮侧向力的真实值与估计值的对比图；

图5是车辆纵向速度的真实值与估计值的对比图；

图6是车辆侧向速度的真实值与估计值的对比图；

图7是车辆质心侧偏角的真实值与估计值的对比图。

具体实施方式

下面将结合附图，对本发明作如下详细说明。

如图1所示，面向非高斯噪声环境的车辆行驶状态估计方法，包括以下步骤：

步骤一，设计轮胎力估计器，结合车辆动力学模型及普通车载传感器采集的信号，基于卡尔曼滤波理论估计四个车轮的纵向力和侧向力；普通车载传感器包括车辆纵向加速度传感器、侧向加速度传感器、陀螺仪、轮速传感器等；

轮胎力估计器的设计需要结合车辆动力学模型及车轮转动动力学模型，即图2所示简化的七自由度车辆动力学模型，平衡方程如下：

式中，I_z为车辆转动惯量，δ₁、δ₂、δ₃、δ₄分别为左前轮、右前轮、左后轮、右后轮的转向角，a和b分别为质心到前轴和后轴的距离，t_f和t_r分别为前后轮轮距，a_x和a_y分别为车辆绝对纵向加速度和侧向加速度，r为车辆横摆角速度，F_x1、F_x2、F_x3、F_x4分别表示汽车左前轮、右前轮、左后轮、右后轮的纵向力，F_y1、F_y2、F_y3、F_y4分别表示汽车左前轮、右前轮、左后轮、右后轮的侧向力，m为整车质量，T₁、T₂、T₃、T₄分别表示左前轮、右前轮、左后轮、右后轮的驱动力矩和制动力矩之差，R为车轮的滚动半径，ω₁、ω₂、ω₃、ω₄分别表示左前轮、右前轮、左后轮、右后轮的转速，I_ω为车轮转动惯量。

结合车辆动力学模型及车轮转动动力学模型，以四个车轮的纵向力、侧向力、转动角速度和车辆横摆角速度为状态量，即x₁＝[F_x1,F_x2,F_x3,F_x4,F_y1,F_y2,F_y3,F_y4,ω₁,ω₂,ω₃,ω₄,r]^T，状态方程：

式中，A为状态转移矩阵，B为输入转移矩阵，w₁为随机过程噪声；且有：

其中1×8阶矩阵：

以车辆纵向加速度、侧向加速度、横摆角速度和四个车轮的转速为观测量，即 车辆量测方程：

式中，H为观测矩阵，v₁为随机量测噪声；且有：

结合上述状态方程和量测方程，卡尔曼滤波算法步骤如下：

预测更新：

1.状态预测：

2.误差协方差预测：

量测更新：

1.计算卡尔曼增益：

2.状态更新：

3.误差协方差更新：

其中Q₁为随机过程噪声w₁的协方差矩阵，R₁为随机量测噪声v₁的协方差矩阵，权重系数K为卡尔曼增益，P为误差协方差，I表示单位矩阵。

将预测更新和量测更新步骤进行循环之前，需先给定系统的初始状态值初始误差协方差矩阵随机过程噪声w₁的协方差矩阵Q₁、随机量测噪声v₁的协方差矩阵R₁。

预测更新中的两个公式是通过上一时刻的状态和误差协方差矩阵来预测当前时刻的状态和误差协方差矩阵，量测更新中的三个公式利用当前时刻的观测值结合卡尔曼增益K来更新状态量x和误差协方差矩阵P，经过更新后的值就是最佳状态估计值。

步骤二，设计车辆非线性状态估计器，结合七自由度车辆动力学模型，利用轮胎力估计器得到的信息及车载传感器信号，基于集员卡尔曼滤波理论估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角：

车辆质心处的绝对加速度在纵向和侧向的分量以及质心侧偏角的表达式分别为：

式中，v_x和v_y分别为车辆质心处的纵向速度和侧向速度，β为质心侧偏角。

公式(15)-(17)结合七自由度车辆动力学模型(式(1)-(7))，并利用轮胎力估计器获得的信息来设计非线性状态估计器。

以车辆纵向速度、侧向速度、横摆角速度、四轮转速、车辆质心处的绝对纵向加速度及侧向加速度为状态量，即x₂＝[v_x,v_y,r,ω₁,ω₂,ω₃,ω₄,a_x,a_y]^T，状态方程：

式中a为未知分布但有界的噪声，u₂为输入量，w₂为随机过程噪声；

以车辆质心处纵向加速度、侧向加速度、横摆角速度及四轮转速为观测量，即 量测方程为：

式中，v₂为随机量测噪声，b为未知分布但有界噪声。

借鉴扩展卡尔曼滤波的思想，对非线性系统(式(18)-(19))进行线性化得到：

式中表示包含随机过程噪声和未知分布但有界噪声的噪声项，表示包含随机量测噪声和未知分布但有界噪声的噪声项。

集员卡尔曼滤波是研究同时考虑随机噪声和未知分布但有界噪声状态估计问题的方法，这种误差描述更加接近于实际情况，只需要较少的约束条件，能应用于更多的车辆状态估计工况。在状态空间下利用椭球集合来包含系统的估计状态。在此框架下，状态估计结果是一个可行解集合，而不是传统估计方法的单个估计值；该集合内所有的点都可作为有效的估计值，但一般常取椭球集合的中心作为状态的最佳估计值。

以下为状态估计算法即集员卡尔曼滤波相关的数学模型：

①椭球集合的表达式为：

其中c是常数，为椭球集合的中点；S为正定矩阵，表示椭球的大小和方向；

②多个椭球集合的矢量和为：

式中ε_k为椭球集合，u_K为K个椭球集合的矢量和；

③两个椭球集合矢量和的最优外定界椭球(最小迹椭球)参数计算：

c*＝c₁+c₂ (24)

其中，

这些数学模型会在集员卡尔曼滤波算法步骤中体现。

结合线性化后的车辆行驶状态系统，集员卡尔曼滤波算法步骤如下：

预测更新：

1)误差协方差矩阵计算：

2)一步预测的椭球中心计算：

3)一步预测的椭球形状矩阵计算：

量测更新：

1)给定一个权重因子η，计算最优增益K_k+1：

2)更新估计值椭球的中心计算：

3)更新误差协方差计算：

4)更新形状矩阵计算：

5)更新最优参数计算：

其中：Q₂是随机过程噪声w₂的协方差矩阵，R₂是随机量测噪声v₂的协方差矩阵，F_x和H_x分别为非线性状态方程f(·)和量测方程h(·)的雅克比矩阵，F_w表示随机过程噪声的噪声驱动矩阵，F_a,表示未知分布但有界噪声的噪声驱动矩阵，H_v表示随机量测噪声的噪声驱动矩阵，H_b表示未知分布但有界噪声的噪声驱动矩阵，S表示状态的集员形状矩阵，S^u表示未知分布但有界过程噪声的集员形状矩阵，S^z表示未知分布但有界量测噪声的集员形状矩阵，η表示平衡随机噪声和未知分布但有界噪声的权重因子，λ是滤波步骤中需要解决的关键最优化问题，其大小决定状态椭球集合的大小，将优化后的λ值代入量测更新前四个步骤得到最优的状态估计值。

上述预测和滤波步骤进行循环估计之前，需先给定系统的初始状态椭球集合中点初始误差协方差初始状态的集员形状矩阵随机过程噪声w₂的协方差矩阵Q₂，未知分布但有界过程噪声的集员形状矩阵S^u；随机量测噪声v₂的协方差矩阵R₂，未知分布但有界量测噪声的集员形状矩阵S^z。

预测更新中，通过上一时刻的状态椭球集合的中心来预测当前时刻的状态椭球集合中心，同时根据上一时刻的误差协方差矩阵和状态椭球形状矩阵来预测当前时刻对应的值；量测更新中，通过自适应卡尔曼增益K来修正一步预测的状态椭球集合的中心得到修正过后的状态椭球集合的中心，即该时刻最佳估计值。并更新误差协方差矩阵和状态椭球形状矩阵，为下一个循环提供输入。量测更新中每个步骤都与参数λ相关，因此每个循环中获取该参数的最优值是集员卡尔曼滤波算法的关键。算法的每个循环中，该参数的大小决定该时刻状态椭球集合的形状，同时决定着最佳状态估计值的选取。本算法选取令该状态椭球的迹最小时对应的λ值。

以上非线性车辆状态估计器设计过程中，同时考虑了车辆行驶过程中随机噪声和未知分布但有界噪声的影响，该估计过程不敏感于估计过程中噪声统计特性的变化，降低了不确定因素的影响，使估计结果对噪声统计特性的变化具有鲁棒性，就这点而言，该估计器具有很强的适应性。

本发明使用CarSim和Matlab/Simulink进行联合仿真，以Carsim的输出值作为真实参考值。仿真实验采取双移线工况，初始速度为60km/h，发动机开环控制。由图3(a)-(d)和图4(a)-(d)可以看出，轮胎力估计器可以较准确地估计出四轮(左前轮、右前轮、左后轮、右后轮)的纵向力和侧向力；由图5、图6和图7可以看出，基于集员卡尔曼滤波的车辆非线性估计器可以准确地估计出车辆的状态，且在车辆转弯的时候也有很好的估计结果；以上说明本发明可以为车辆的主动安全控制提供较为精确的数据。

需指出，本实施例的目的是为了更好的解释本发明，而不是限制本发明的保护范围。实施例中设置的算法的参数值和具体车辆参数只是本次实验验证所需，基于本发明中的实施例，本领域技术人员在没有作出创新性劳动的前提下的其他所有实施例，都应属于本发明的保护范围。

Claims (5)

1.面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，设计轮胎力估计器，通过结合车辆动力学模型及普通车载传感器采集的信号，基于卡尔曼滤波理论估计车辆四个车轮的纵向力和侧向力；设计非线性车辆状态估计器，通过结合七自由度车辆动力学模型，并利用轮胎力估计器获取的信息及普通车载传感器采集的信号，基于集员卡尔曼滤波理论估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。

2.根据权利要求1所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，基于卡尔曼滤波理论的轮胎力估计器的设计过程为：

结合七自由度车辆动力学模型，以四个车轮的纵向力、侧向力、转动角速度和车辆横摆角速度为状态量，即x₁＝[F_x1,F_x2,F_x3,F_x4,F_y1,F_y2,F_y3,F_y4,ω₁,ω₂,ω₃,ω₄,r]^T，状态方程式中A为状态转移矩阵，B为输入转移矩阵，w₁为随机过程噪声；

以车辆质心处纵向加速度、侧向加速度、横摆角速度和四个车轮的转速为观测量，即z₁＝[a_x,a_y,ω₁,ω₂,ω₃,ω₄,r]^T，量测方程z_1k＝Hx_1k+v_1k，式中H为观测矩阵，v₁为随机量测噪声；

将状态方程和量测方程结合卡尔曼滤波理论，估计出四个车轮的纵向力和侧向力。

3.根据权利要求2所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，所述卡尔曼滤波算法步骤如下：

预测更新：

1)状态预测：

2)误差协方差预测：

量测更新：

1)计算卡尔曼增益：

2)状态更新：

3)误差协方差更新：

其中Q₁为随机过程噪声w₁的协方差矩阵，R₁为随机量测噪声v₁的协方差矩阵，K为卡尔曼增益，P为误差协方差，I表示单位矩阵。

4.根据权利要求1或2所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，基于集员卡尔曼滤波理论的车辆非线性状态估计器的设计过程为：

结合七自由度车辆动力学模型，并利用轮胎力估计器获得的信息，以车辆纵向速度、侧向速度、横摆角速度、四轮转速、车辆质心处纵向加速度及侧向加速度为状态量，即x₂＝[v_x,v_y,r,ω₁,ω₂,ω₃,ω₄,a_x,a_y]^T，状态方程式中u₂为输入量，w₂为随机过程噪声，a为未知分布但有界的噪声；

以车辆质心处纵向加速度、侧向加速度、横摆角速度及四轮转速为观测量，即z₂＝[a_x,a_y,r,ω₁,ω₂,ω₃,ω₄]^T，量测方程z_2k＝h(x_2k,v_2k,b_k)，式中v₂为随机量测噪声，b为未知分布但有界的噪声；

将状态方程和量测方程结合集员卡尔曼滤波理论，估计出车辆的纵向速度及侧向速度，并由纵向速度和侧向速度得到质心侧偏角。

5.根据权利要求4所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，所述集员卡尔曼滤波算法步骤如下：

预测更新：

1)误差协方差矩阵计算：

2)一步预测的状态椭球中心计算：

3)一步预测的状态椭球形状矩阵计算：

量测更新：

1)给定一个权重因子η，计算最优卡尔曼增益K_k+1：

2)更新状态估计值椭球集合的中心：

3)更新误差协方差矩阵：

4)更新状态估计值椭球集合的形状矩阵：

5)更新最优参数：

其中：Q₂是随机过程噪声w₂的协方差矩阵，R₂是随机量测噪声v₂的协方差矩阵，F_x和H_x分别为非线性状态方程f(·)和量测方程h(·)的雅克比矩阵，F_w表示随机过程噪声的噪声驱动矩阵，F_a,表示未知分布但有界噪声的噪声驱动矩阵，H_v表示随机量测噪声的噪声驱动矩阵，H_b表示未知分布但有界噪声的噪声驱动矩阵，P表示状态的误差协方差矩阵，S表示状态的集员形状矩阵，S^u表示未知分布但有界过程噪声的集员形状矩阵，S^z表示未知分布但有界量测噪声的集员形状矩阵，η表示平衡随机噪声和未知分布但有界噪声的权重因子，λ是量测更新过程需要使用的关键参数。