CN109684677A - 一种基于卡尔曼滤波算法的坡度估算方法 - Google Patents
一种基于卡尔曼滤波算法的坡度估算方法 Download PDFInfo
- Publication number
- CN109684677A CN109684677A CN201811473877.7A CN201811473877A CN109684677A CN 109684677 A CN109684677 A CN 109684677A CN 201811473877 A CN201811473877 A CN 201811473877A CN 109684677 A CN109684677 A CN 109684677A
- Authority
- CN
- China
- Prior art keywords
- matrix
- gradient
- acceleration
- kalman filtering
- signal
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000005259 measurement Methods 0.000 claims description 23
- 230000009897 systematic effect Effects 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Abstract
本发明涉及一种道路坡度估算方法,具体涉及一种基于卡尔曼滤波算法的坡度估算方法。为解决现有技术存在的通过获取加速度传感器数据或通过GPS等设备获取坡度信号时,使用过多传感器,或者从汽车CAN总线上获取数据来估算位置参数时,车辆自身参数与外部阻力变化解耦困难以及道路的时变性导致道路坡度估算更加复杂的技术问题,本发明提供了一种基于卡尔曼滤波算法的坡度估算方法,包括如下步骤:1)离线标定卡尔曼滤波参数中的R和Q;2)获取坡度估算方程式;3)建立坡度估算模型。本发明的方法中只涉及车辆运动中的车速信号与加速度信号,二者均比较容易获取,只需要加装加速度传感器,其价格便宜,有利于降低成本。
Description
技术领域
本发明涉及一种道路坡度估算方法,具体涉及一种基于卡尔曼滤波算法的坡度估算方法。
背景技术
车辆在行驶过程中,在弯道、坡道等特定环境下基于车辆行驶速度以及油门开度的换挡策略可能会出现一些问题,使得车辆在弯道、坡道和路面状况发生变化时需要进行频繁换挡和意外换挡。
目前,国内外研究者对于在线识别坡道角度的方法主要有两种,分别为:一种是基于加装外部传感器的识别法,另一种是基于纵向动力学或运动学的识别法。前者通过获取加速度传感器数据或通过GPS等设备获取坡度信号,即需要采取多传感器融合的方法来消除干扰,减小误差;后者则从汽车CAN总线上获取数据来估算位置参数,其困难之处在于车辆自身参数(重量等)与外部阻力(坡度)变化的解耦,且道路的时变性也增加了估算的复杂性。
发明内容
为解决现有技术存在的通过获取加速度传感器数据或通过GPS等设备获取坡度信号时,使用过多传感器,或者从汽车CAN总线上获取数据来估算位置参数时,车辆自身参数与外部阻力变化解耦困难以及道路的时变性导致道路坡度估算更加复杂的技术问题,本发明提供了一种基于卡尔曼滤波算法的坡度估算方法。
本发明的发明构思为:通过在车内加装加速度传感器,利用离散卡尔曼滤波将加速度传感器的加速度信号与车速信号通过车辆运动学模型进行数据融合,将车速信号与加速度信号作为系统观测量,结合系统状态方程,计算出道路坡道信息。
为达到上述目的,本发明提供的技术解决方案为:
一种基于卡尔曼滤波算法的坡度估算方法,其特殊之处在于,包括如下步骤:
1)离线标定卡尔曼滤波参数中的测量噪声协方差矩阵R和过程噪声协方差矩阵Q;
1.1)由加速度传感器测得加速度信号;由变速箱输出轴转速信号计算得到车速信号;
1.2)采集车辆加速度信号和车速信号,利用MATLAB分别计算车速信号标准差和加速度信号的标准差;
1.3)利用加速度信号标准差和车速信号标准差得到测量噪声协方差矩阵R;
1.4)过程噪声协方差矩阵Q取三阶单位矩阵;
2)获取坡度估算方程式
2.1)利用步骤1.3)得到的测量噪声协方差矩阵R和步骤1.4)得到的过程噪声协方差矩阵Q计算估计误差的协方差Pk的稳态值和卡尔曼增益Kk的稳态值;
2.2)将Pk和Kk的稳态值以常数形式写入卡尔曼滤波方程,结合系统状态变量和系统状态方程,计算得到坡度估算方程式;
3)建立坡度估算模型
利用MATLAB/Simulink,同时基于步骤2.3)得到的坡度估算方程式获取坡度估算模型;坡度估算模型以加速度传感器信号和变速箱输出轴转速信号为输入,以实时估算的实时路面坡度正弦值、车辆行驶加速度及速度为输出。
进一步地,步骤1.3)中,所述测量噪声协方差矩阵R为:
其中,V1与V2分别为车速信号的标准差和加速度信号的标准差。
进一步地,步骤2.2)中,计算得到坡度估算方程式的具体过程包括:
2.2.1)定义系统状态变量和系统状态方程:
系统状态变量为:x(k)=[v(k) asenk(k) sinα(k)]T,
系统状态方程为:
其中,x(k)为卡尔曼滤波过程的状态变量估计值;v(k)为车速;asenk(k)为卡尔曼滤波后的加速度;sinα(k)为道路坡度的正弦值;g为重力加速度;w1为车速的过程噪声;w2为加速度的过程噪声;w3为道路坡度的正弦值的过程噪声;k为k时刻;k-1为k时刻的上一时刻;△t为k时刻与k-1时刻的时间差;
2.2.2)将步骤2.2.1)得到的系统状态方程转化为矩阵形式:
2.2.3)根据所述车速信号与加速度信号得到系统观测方程为:
z(k)=v(k)+asenk(k)+μ
则系统观测方程的矩阵形式为:
其中,w和μ分别为过程噪声和测量噪声信号,假设w和μ均为常数;
2.2.4)卡尔曼滤波算法中用于表示离散时间过程的差分方程为:
x(k)=Ax(k-1)+Bu(k-1)+w(k-1)
相应的系统观测量表示为:
z(k)=Hx(k)+μ(k)
其中,A为过程矩阵;B为控制矩阵;H为观测矩阵;u(k-1)表示系统输入变量在k-1时刻状态;
则将步骤2.2.3)得到的系统观测方程的矩阵形式和步骤2.2.4)得到的系统观测量,对应到卡尔曼滤波算法中,得到所述系统的过程矩阵A、控制矩阵B和观测矩阵H:
由于所述系统没有输入量,则B=0;
2.2.5)将卡尔曼增益矩阵Kk的每个元素、步骤2.2.3)得到的系统观测方程,以及步骤2.2.4)得到的A、B与H均带入原始的卡尔曼滤波算法中,结合步骤2.2.1)定义的系统状态变量和系统状态方程,得到如下坡度估算方程式:
在时间更新下,
测量更新下;
其中,v(k)的初值为初始时刻的车速;asenk(k)的初值为加速度传感器初始时刻测量值;sinα(k)的初值为0;K11、K12、K21、K22、K31、K32为简化后的卡尔曼增益,即原卡尔曼增益Kk三行两列矩阵的各矩阵元素;acc为k时刻加速度传感器测量值。
本发明相比现有技术的有益效果:
1、本发明建立了比较简单的基于车辆纵向运动学的卡尔曼滤波的系统模型来估算道路坡度情况,该模型只涉及车辆运动中的车速信号与加速度信号,可以通过在车辆内部加装加速度传感器得到加速度信号和由变速箱输出轴转速信号计算得到车速信号,因此,二者均比较容易获取。并且,加装的加速度传感器,由于其价格便宜,有利于降低成本。
2、由于卡尔曼滤波系统模型没有系统输入,避免了车辆转矩波动等外界条件造成的干扰,因而只需按照运动学规律,即可实现道路坡度的估算。
3、卡尔曼滤波算法中涉及矩阵的转置以及求逆运算的不断迭代,这种运算会占用大量的单片机存储空间,增加计算负荷,并且对于只支持整型运算的单片机来说,通过放大一定倍数的处理会造成计算误差的累积。本发明通过对卡尔曼滤波算法进行仿真实验发现,该算法在不断迭代的过程中,在过程噪声协方差矩阵Q和测量噪声协方差矩阵R都恒定的条件下,估计误差的协方差Pk和卡尔曼增益Kk会快速稳定并保持不变,因而可以直接将Pk和Kk的稳态值以常数形式写入下位机,通过这种方式,将矩阵运算简化为只涉及转化为六个仅涉及基本算术运算的状态方程,在不损失计算精度的前提下大大提高了算法的可行性。
附图说明
图1为现有卡尔曼滤波算法流程图;
图2为本发明基于卡尔曼滤波算法的坡度估算方法的流程图;
图3为本发明利用步骤2.2.5)中得到的坡度估算方程式的估算坡度的流程图;
图4为本发明步骤3)中建立的坡度估算方程式的道路坡度估算模型。
具体实施方式
下面结合附图和实施例对本发明作进一步地说明。
一种基于卡尔曼滤波算法的坡度估算方法,包括如下步骤:
1)离线标定卡尔曼滤波参数中的测量噪声协方差矩阵R和过程噪声协方差矩阵Q
1.1)通过路面跑车获得车速信号和加速度信号,其中车速信号由变速箱输出轴转速信号计算得到,加速度信号通过设置于跑车内的加速度传感器测量得到;
1.2)采集车辆加速度信号和车速信号,通过MATLAB计算分析工具得到车速信号的标准差和加速度信号的标准差,将二者分别用V1与V2表示;
1.3)利用V1与V2得到测量噪声协方差矩阵R,如下式所示;
1.4)过程噪声协方差矩阵Q因无法通过观测得到,此处取三阶单位矩阵。
2)获取坡度估算方程式
卡尔曼滤波算法的流程如下(具体流程图如图1所示),不断迭代是该算法的本质所在。
输入xk-1和Pk-1的初始预估值,在时间更新下:
预测下一周期状态
预测下一周期误差协方差
利用时间更新下得到的预测结果,在测量更新下:
计算卡尔曼增益
根据测量值更新估计值
更新误差协方差
将测量更新所得结果反馈给时间更新;
其中,为卡尔曼滤波过程的状态变量估计值;A为过程矩阵;B为控制矩阵;uk为控制输入;Pk为估计误差的协方差;Q为过程噪声协方差矩阵;Kk卡尔曼增益;H为观测矩阵;R为测量噪声协方差矩阵;zk为观测量;k为k时刻;k-1为k时刻的上一时刻。
2.1)利用步骤1.3)得到的测量噪声协方差矩阵R和步骤1.4)得到的过程噪声协方差矩阵Q计算估计误差的协方差Pk的稳态值和卡尔曼增益Kk的稳态值;这是因为通过对卡尔曼滤波算法进行仿真实验发现,该算法在不断迭代的过程中,在过程噪声协方差矩阵Q和测量噪声协方差矩阵R都恒定的条件下,估计误差的协方差Pk和卡尔曼增益Kk会快速稳定并保持不变;
2.2)利用步骤1.3)得到的测量噪声协方差矩阵R和步骤1.4)得到的过程噪声协方差矩阵Q计算估计误差的协方差Pk的稳态值和卡尔曼增益Kk的稳态值;由此卡尔曼滤波算法的五个矩阵运算式中,用于计算Pk和Kk的三个矩阵运算式就可以被省略掉,仅需保留其余两个用于实时计算xk的矩阵运算式,接着,将这两个矩阵运算式写成方程的形式,从而将卡尔曼滤波算法的下位机程序由两个矩阵运算式进一步转化为六个仅涉及基本算术运算的状态方程,从而得到简化后的卡尔曼滤波算法,将简化后的卡尔曼滤波算法与系统状态变量和系统状态方程结合,即可得到坡度估算方程式。
具体计算过程如下:
2.2.1)为系统定义系统状态变量和系统状态方程:
系统状态变量为:x(k)=[v(k) asenk(k) sinα(k)]T,
系统状态方程为:
其中,x(k)为卡尔曼滤波过程的状态变量估计值;v(k)为车速;asenk(k)为卡尔曼滤波后的加速度;sinα(k)为道路坡度的正弦值;g为重力加速度;w1为车速的过程噪声;w2为加速度的过程噪声;w3为道路坡度的正弦值的过程噪声;k为k时刻;k-1为k时刻的上一时刻;△t为k时刻与k-1时刻的时间差;
2.2.2)将步骤2.2.1)得到的系统状态方程转化为矩阵形式:
2.2.3)根据所述车速信号与加速度信号得到系统观测方程为:
z(k)=v(k)+asenk(k)+μ
则系统观测方程的矩阵形式为:
其中,w和μ分别为过程噪声和测量噪声信号,这里假设w和μ均为常数;
2.2.4)由于卡尔曼滤波算法中用于表示离散时间过程的差分方程为
x(k)=Ax(k-1)+Bu(k-1)+w(k-1)
相应的系统观测量表示为:
z(k)=Hx(k)+μ(k)
其中,A为过程矩阵;B为控制矩阵;H为观测矩阵;u(k-1)表示系统输入变量在k-1时刻状态;
则将步骤2.2.3)得到的系统观测方程的矩阵形式和步骤2.2.4)得到的系统观测量,对应到卡尔曼滤波算法中,得到所述系统的过程矩阵A、控制矩阵B和观测矩阵H:
由于该系统没有输入量,则B=0;
2.2.5)将卡尔曼增益矩阵Kk的每个元素、步骤2.2.3)得到的系统观测方程,以及步骤2.2.4)得到的A、B与H均带入原始的卡尔曼滤波算法中,结合步骤2.2.1)定义的系统状态变量和系统状态方程,得到如下坡度估算方程式(具体流程图如图3所示):
在时间更新下,
测量更新下,
其中,v(k)的初值为初始时刻的车速;asenk(k)的初值为加速度传感器初始时刻测量值;sinα(k)的初值为0;K11、K12、K21、K22、K31、K32为简化后的卡尔曼增益,即原卡尔曼增益Kk三行两列矩阵的各矩阵元素;acc为k时刻加速度传感器测量值。
3)建立坡度估算模型
利用MATLAB/Simulink,同时基于步骤2.3)得到的坡度估算方程式获取坡度估算模型(如图4所示);坡度估算模型以加速度传感器信号和变速箱输出轴转速信号为输入,以实时估算的实时路面坡度正弦值、车辆行驶加速度及速度为输出。
其中,输入outsftspd为变速箱输出轴转速,gsensor_v为加速度传感器电压,输出Out1、Out2和Out3依次分别为实时路面坡度正弦值、车辆加速度和车速。
至此完成道路坡度的估算。
为了验证该坡度估算模型的坡度的估算效果,后续可对该坡度估算模型进行步骤4)的实车验证,其具体过程为:
4.1)将步骤3)得到的坡度估算模型转化为单片机可执行程序,然后进行实车测试;
4.2)实车测试时,输入加速度传感器信号和变速箱输出轴转速信号,输出估算得到的实时路面坡度正弦值、车辆行驶加速度及速度;
4.3)将测试中由单片机计算得到的实时路面坡度正弦值作为自动机械式变速箱(AMT)控制程序的其中一个输入应用于自动机械式变速箱换挡控制逻辑中,验证坡度估算模型,从而有效解决车辆在坡道行驶中的频繁换挡问题。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制,对于本领域的普通专业技术人员来说,可以对前述各实施例所记载的具体技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明所保护技术方案的范围。
Claims (3)
1.一种基于卡尔曼滤波算法的坡度估算方法,其特征在于,包括如下步骤:
1)离线标定卡尔曼滤波参数中的测量噪声协方差矩阵R和过程噪声协方差矩阵Q;
1.1)由加速度传感器测得加速度信号;由变速箱输出轴转速信号计算得到车速信号;
1.2)采集车辆加速度信号和车速信号,利用MATLAB分别计算车速信号标准差和加速度信号的标准差;
1.3)利用加速度信号标准差和车速信号标准差得到测量噪声协方差矩阵R;
1.4)过程噪声协方差矩阵Q取三阶单位矩阵;
2)获取坡度估算方程式
2.1)利用步骤1.3)得到的测量噪声协方差矩阵R和步骤1.4)得到的过程噪声协方差矩阵Q计算估计误差的协方差Pk的稳态值和卡尔曼增益Kk的稳态值;
2.2)将Pk和Kk的稳态值以常数形式写入卡尔曼滤波方程,结合系统状态变量和系统状态方程,计算得到坡度估算方程式;
3)建立坡度估算模型
利用MATLAB/Simulink,同时基于步骤2.3)得到的坡度估算方程式获取坡度估算模型;坡度估算模型以加速度传感器信号和变速箱输出轴转速信号为输入,以实时估算的实时路面坡度正弦值、车辆行驶加速度及速度为输出。
2.根据权利要求1所述的基于卡尔曼滤波算法的坡度估算方法,其特征在于,步骤1.3)中,所述测量噪声协方差矩阵R为:
其中,V1与V2分别为车速信号的标准差和加速度信号的标准差。
3.根据权利要求2所述的基于卡尔曼滤波算法的坡度估算方法,其特征在于,步骤2.2)中,计算得到坡度估算方程式的具体过程包括:
2.2.1)定义系统状态变量和系统状态方程:
系统状态变量为:x(k)=[v(k) asenk(k) sinα(k)]T,
系统状态方程为:
其中,x(k)为卡尔曼滤波过程的状态变量估计值;v(k)为车速;asenk(k)为卡尔曼滤波后的加速度;sinα(k)为道路坡度的正弦值;g为重力加速度;w1为车速的过程噪声;w2为加速度的过程噪声;w3为道路坡度的正弦值的过程噪声;k为k时刻;k-1为k时刻的上一时刻;△t为k时刻与k-1时刻的时间差;
2.2.2)将步骤2.2.1)得到的系统状态方程转化为矩阵形式:
2.2.3)根据所述车速信号与加速度信号得到所述系统观测方程为:
z(k)=v(k)+asenk(k)+μ
则系统观测方程的矩阵形式为:
其中,w和μ分别为过程噪声和测量噪声信号,假设w和μ均为常数;
2.2.4)卡尔曼滤波算法中用于表示离散时间过程的差分方程为:
x(k)=Ax(k-1)+Bu(k-1)+w(k-1)
相应的系统观测量表示为:
z(k)=Hx(k)+μ(k)
其中,A为过程矩阵;B为控制矩阵;H为观测矩阵;u(k-1)表示系统输入变量在k-1时刻状态;
则将步骤2.2.3)得到的系统观测方程的矩阵形式和步骤2.2.4)得到的系统观测量,对应到卡尔曼滤波算法中,得到所述系统的过程矩阵A、控制矩阵B和观测矩阵H:
由于所述系统没有输入量,则B=0;
2.2.5)将卡尔曼增益矩阵Kk的每个元素、步骤2.2.3)得到的系统观测方程,以及步骤2.2.4)得到的A、B与H均带入原始的卡尔曼滤波算法中,结合步骤2.2.1)定义的系统状态变量和系统状态方程,得到如下坡度估算方程式:
在时间更新下,
测量更新下,
其中,v(k)的初值为初始时刻的车速;asenk(k)的初值为加速度传感器初始时刻测量值;sinα(k)的初值为0;K11、K12、K21、K22、K31、K32为简化后的卡尔曼增益,即原卡尔曼增益Kk三行两列矩阵的各矩阵元素;acc为k时刻加速度传感器测量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473877.7A CN109684677A (zh) | 2018-12-04 | 2018-12-04 | 一种基于卡尔曼滤波算法的坡度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473877.7A CN109684677A (zh) | 2018-12-04 | 2018-12-04 | 一种基于卡尔曼滤波算法的坡度估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684677A true CN109684677A (zh) | 2019-04-26 |
Family
ID=66186948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811473877.7A Pending CN109684677A (zh) | 2018-12-04 | 2018-12-04 | 一种基于卡尔曼滤波算法的坡度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684677A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414173A (zh) * | 2019-08-06 | 2019-11-05 | 上海智驾汽车科技有限公司 | 一种基于ufir滤波器的交叉路口车辆状态估计算法 |
CN112099378A (zh) * | 2020-09-24 | 2020-12-18 | 吉林大学 | 考虑随机测量时滞的前车侧向运动状态实时估计方法 |
CN113119980A (zh) * | 2021-03-24 | 2021-07-16 | 西安法士特汽车传动有限公司 | 一种用于电动车的道路坡度估计方法、系统和设备 |
CN114655224A (zh) * | 2022-03-21 | 2022-06-24 | 潍柴动力股份有限公司 | 一种道路坡度估算方法、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014149042A1 (en) * | 2013-03-20 | 2014-09-25 | International Truck Intellectual Property Company, Llc | Smart cruise control system |
CN106840097A (zh) * | 2017-01-24 | 2017-06-13 | 重庆大学 | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 |
JP2018060326A (ja) * | 2016-10-04 | 2018-04-12 | 株式会社豊田中央研究所 | トラッキング装置及びプログラム |
-
2018
- 2018-12-04 CN CN201811473877.7A patent/CN109684677A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014149042A1 (en) * | 2013-03-20 | 2014-09-25 | International Truck Intellectual Property Company, Llc | Smart cruise control system |
JP2018060326A (ja) * | 2016-10-04 | 2018-04-12 | 株式会社豊田中央研究所 | トラッキング装置及びプログラム |
CN106840097A (zh) * | 2017-01-24 | 2017-06-13 | 重庆大学 | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 |
Non-Patent Citations (2)
Title |
---|
李大威等, 上海:同济大学出版社 * |
郝胜强等: "基于稳态卡尔曼滤波的车辆质量与道路坡度估计", 《汽车工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414173A (zh) * | 2019-08-06 | 2019-11-05 | 上海智驾汽车科技有限公司 | 一种基于ufir滤波器的交叉路口车辆状态估计算法 |
CN110414173B (zh) * | 2019-08-06 | 2023-04-18 | 上海智驾汽车科技有限公司 | 一种基于ufir滤波器的交叉路口车辆状态估计方法 |
CN112099378A (zh) * | 2020-09-24 | 2020-12-18 | 吉林大学 | 考虑随机测量时滞的前车侧向运动状态实时估计方法 |
CN112099378B (zh) * | 2020-09-24 | 2021-11-19 | 吉林大学 | 考虑随机测量时滞的前车侧向运动状态实时估计方法 |
CN113119980A (zh) * | 2021-03-24 | 2021-07-16 | 西安法士特汽车传动有限公司 | 一种用于电动车的道路坡度估计方法、系统和设备 |
CN114655224A (zh) * | 2022-03-21 | 2022-06-24 | 潍柴动力股份有限公司 | 一种道路坡度估算方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684677A (zh) | 一种基于卡尔曼滤波算法的坡度估算方法 | |
Abdulshahed et al. | Thermal error modelling of a gantry-type 5-axis machine tool using a grey neural network model | |
CN109466558B (zh) | 一种基于ekf和bp神经网络的路面附着系数估计方法 | |
US10124806B2 (en) | Automotive control unit programmed to estimate road slope and vehicle mass, vehicle with such a control unit and corresponding program product | |
Ding et al. | Event-triggered vehicle sideslip angle estimation based on low-cost sensors | |
JP6573978B2 (ja) | 車両挙動に影響を及ぼす変数を予測する方法および対応する仮想センサ | |
CN101655504B (zh) | 一种机动车辆自适应巡航系统的车速估计方法 | |
CN104554271B (zh) | 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法 | |
CN109415054B (zh) | 用于跟踪车辆路径的设备 | |
CN110615003B (zh) | 基于策略梯度在线学习算法的巡航控制系统及设计方法 | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
CN101982732A (zh) | 一种基于esoqpf和ukf主从滤波的微小卫星姿态确定方法 | |
CN112298354B (zh) | 一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法 | |
CN108931233A (zh) | 一种道路侧向坡度值检测方法及装置 | |
Holm | Vehicle mass and road grade estimation using Kalman filter | |
CN108873692A (zh) | 用于提供对复杂动力系统的优化控制的方法和系统 | |
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 | |
CN110027547A (zh) | 车辆横向控制方法和装置 | |
CN105487382A (zh) | 基于动态面的微陀螺自适应模糊滑模控制方法 | |
Artuñedo et al. | Lateral control for autonomous vehicles: A comparative evaluation | |
CN116224802B (zh) | 基于干扰观测器和管道模型预测的车队纵向复合控制方法 | |
Hodgson et al. | A parameter identifying a Kalman filter observer for vehicle handling dynamics | |
CN115826594A (zh) | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |