CN110083890A - 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法 - Google Patents

基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法 Download PDF

Info

Publication number
CN110083890A
CN110083890A CN201910284875.1A CN201910284875A CN110083890A CN 110083890 A CN110083890 A CN 110083890A CN 201910284875 A CN201910284875 A CN 201910284875A CN 110083890 A CN110083890 A CN 110083890A
Authority
CN
China
Prior art keywords
tire radius
gnss
value
kalman filtering
wheel speed
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.)
Granted
Application number
CN201910284875.1A
Other languages
English (en)
Other versions
CN110083890B (zh
Inventor
熊璐
高乐天
陆逸适
夏新
韩燕群
魏琰超
宋舜辉
刘伟
胡英杰
余卓平
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201910284875.1A priority Critical patent/CN110083890B/zh
Publication of CN110083890A publication Critical patent/CN110083890A/zh
Application granted granted Critical
Publication of CN110083890B publication Critical patent/CN110083890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measuring Fluid Pressure (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明涉及一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，包括以下步骤：1)轮速信号处理子模块根据GNSS采样频率对轮速信号进行重采样；2)当GNSS状态判断子模块判断当前GNSS状态良好时，轮胎半径估计模块采用级联卡尔曼滤波估计得到车速和轮胎半径实时估计值；3)输出模块对轮胎半径估计模块得到的轮胎半径实时估计值进行收敛及稳定性判断，当轮胎半径实时估计值稳定且收敛时，输出轮胎半径实时估计值，否则输出初始值。与现有技术相比，本发明具有成本低廉、计结果精度高、鲁棒性强、应用范围广等优点。

Description

基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法
技术领域
本发明涉及智能汽车运动状态检测领域，尤其是涉及一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法。
背景技术
车速是表征车辆运动状态最重要的状态量之一，其对于车辆的动力学控制、驾驶员对车辆状态的把控、智能汽车的轨迹跟踪控制、智能汽车高精度组合定位等都具有重要的意义，因此如何实时获取准确车速一直以来都是车辆领域的研究热点之一。
目前国内外获取车速的方法主要有两种，一种是通过GNSS传感器等额外传感器直接测量得到，而这些基于传感器直接测量的方案亦或是价格昂贵，亦或是不够准确，亦或是不够稳定。另一种方法便是利用轮速信号，轮速信号是车辆上最稳定的获取车速的信息源之一，而通过轮速获取车速就必须要知道轮胎半径的准确值，但轮胎半径受车速、温度、胎压、载荷、磨损等影响较大，固定的轮胎半径参数会使得车速计算产生偏差且随着速度的增加，轮胎半径误差造成的速度误差也显著增大，因此有必要对轮胎半径自适应从而保证车速的准确性。现有的轮胎半径自适应方法往往假设相邻采样间隔轮速保持不变而建立状态方程，而该假设并不成立，因此会使得轮胎半径估计精度较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法。
本发明的目的可以通过以下技术方案来实现：
一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，包括以下步骤：
1)轮速信号处理子模块根据GNSS采样频率对轮速信号进行重采样；
2)当GNSS状态判断子模块判断当前GNSS状态良好时，轮胎半径估计模块采用级联卡尔曼滤波估计得到车速和轮胎半径实时估计值，GNSS接收机可以直接输出当前状态，GNSS状态判断子模块直接根据输出的状态即可判断当前GNSS状态是否良好；
3)输出模块对轮胎半径估计模块得到的轮胎半径实时估计值进行收敛及稳定性判断，当轮胎半径实时估计值稳定且收敛时，输出轮胎半径实时估计值，否则输出初始值。
所述的步骤1)中，轮速信号处理子模块根据GNSS采样频率对轮速信号进行重采样具体计算式为：
其中，ωk为当前时刻轮速测量值，ωk-1为前一时刻轮速测量值，i＝1表示当前时刻GNSS测量信号进行了更新，i＝0表示当前时刻GNSS测量信号未更新。
所述的步骤2)具体包括以下步骤：
21)以轮速信号作为第一级卡尔曼滤波子模块的输入，估计得到轮速和轮加速度的第一次估计值；
22)以GNSS速度测量值、轮速信号、轮速和轮加速度的第一次估计值作为第二级卡尔曼滤波子模块的输入，估计得到车速和轮胎半径实时估计值。
所述的步骤2)中，GNSS状态判断子模块的表达式为：
其中，flag为表征GNSS状态的标志位，当GNSS状态良好时取1，GNSS状态差时取0。
所述的步骤21)中，第一级卡尔曼滤波子模块的估计式为：
X1(k)＝X1(k|k-1)+K1(k)[Y1(k)-H1 T(k)X1(k|k-1)]
X1(k|k-1)＝A1(k-1)X1(k-1)
K1(k)＝P1(k|k-1)H1 T(k)[H1(k)P1(k|k-1)H1 T(k)+R1]-1
P1(k|k-1)＝A1(k-1)P1(k-1)A1 T(k-1)+Q1
P1(k)＝(I-K1(k)H1(k))P1(k|k-1)
其中，X1(kk-1)为状态预测值，A1(k-1)为上一时刻系统状态转移矩阵，且ΔT为采样间隔，X1(k)、X1(k-1)为当前时刻和上一时刻的系统状态，且ω为轮速，为轮加速度，H1(k)为系统测量矩阵，且H1＝[1 0]，P1(k)为协方差矩阵，P1(kk-1)为协方差矩阵的预测值，Q1为状态方程过程噪声方差，K1(k)为卡尔曼滤波增益，R1为测量过程噪声方差，Y1(k)为通过传感器测量得到的当前观测量，I为二阶单位阵。
所述的步骤22)中，第二级卡尔曼滤波子模块的估计式为：
X2(k)＝X2(k|k-1)+K2(k)[Y2(k)-H2 T(k)X2(k|k-1)]
X2(k|k-1)＝A2(k-1)X2(k-1)
K2(k)＝P2(k|k-1)H2 T(k)[H2(k)P2(k|k-1)H2 T(k)+R2]-1
P2(k|k-1)＝A2(k-1)P2(k-1)A2 T(k-1)+Q2
P2(k)＝(I-K2(k)H2(k))P2(k|k-1)
其中，X2(kk-1)表示状态预测值，A2(k-1)为上一时刻系统状态转移矩阵，且X2(k)、X2(k-1)为当前时刻和上一时刻的系统状态，且H2(k)为系统测量矩阵，且H2＝[1 0]，P2(k)表示协方差矩阵，P2(k|k-1)表示协方差矩阵的预测值，Q2表示状态方程过程噪声方差，K2(k)为卡尔曼滤波增益，R2表示测量过程噪声方差，Y2(k)表示通过传感器测量得到的当前观测量。
所述的步骤3)中，输出模块具体为：
其中，rout为输出模块的轮胎半径输出值，mean(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的均值，var(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的方差，rini为轮胎半径初始值，α1、α2为参数。
用于实现基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法的估计系统包括：
传感器信号处理模块：用以根据GNSS状态判断当前测量得到的速度是否准确，确定是否启用轮胎半径估计模块，并根据GNSS传感器的采样频率对轮速传感器的测量值进行重采样，保证GNSS的速度测量与轮速传感器的测量值为同一采样时刻的测量值；
轮胎半径估计模块：当GNSS状态良好时，基于级联卡尔曼滤波对轮胎半径进行在线实时估计，第一级卡尔曼滤波子模块用以处理轮速信号的噪声，并对轮加速度进行实时估计，第二级卡尔曼滤波子模块利用第一级卡尔曼滤波子模块输出的轮加速度值对轮胎半径估计系统进行精确建模，从而准确地估计轮胎半径；
输出模块：对轮胎半径估计模块得到的轮胎半径值进行收敛及稳定性判断，当估计的轮胎半径值稳定且收敛在允许范围内时，输出估计得到的轮胎半径值，否则输出初始值。
所述的传感器信号处理模块包括：
GNSS状态判断子模块：用以根据GNSS状态信息判断其测量值是否准确；
轮速信号处理子模块：用以根据GNSS采样频率对轮速信号进行重采样，确保与GNSS信号采样频率相同。
与现有技术相比，本发明具有以下优点：
(1)本发明仅利用车辆轮速传感器和GNSS传感器即可实现轮胎半径的准确估计，成本低廉易实现，鲁棒性高，应用范围广，估计结果可应用于如车辆动力学控制系统、胎压监测系统等；
(2)本发明考虑了轮加速度对轮胎半径估计模型的影响，在计算轮加速度时利用卡尔曼滤波，与直接对轮速信号进行求导相比，可以获得更为平稳准确的轮加速度信息，从而为准确估计轮胎半径奠定了基础；
(3)本发明采用级联卡尔曼滤波技术，将轮加速度考虑进系统模型中，因此在车辆高动态等轮速剧烈变化情况下依然保证了建模精度，从而保证了估计结果的精确性。
附图说明
图1为本发明的系统结构原理框图
图中标记说明：
1为传感器信号处理模块，2为轮胎半径估计模块，3为输出模块4为GNSS信号质量判断模块，5为轮速信号处理模块，6为第一级卡尔曼滤波子模块，7为第二级卡尔曼滤波子模块。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明提供一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计系统及方法，该系统包括：
传感器信号处理模块1，包括GNSS信号质量判断模块4，根据GNSS状态判断当前测量得到的速度是否准确，以确定是否启用轮胎半径估计模块；轮速信号处理模块5，根据GNSS传感器的采样频率对轮速传感器的测量值进行再采样，保证GNSS的速度测量与轮速传感器的测量值为同一采样时刻的测量值；
轮胎半径估计模块2，当GNSS状态良好时，基于级联卡尔曼滤波对轮胎半径进行在线实时估计，第一级卡尔曼滤波子模块6处理轮速信号的噪声，并对轮加速度进行实时估计；第二级卡尔曼滤波子模块7利用第一级卡尔曼滤波输出的轮加速度值对轮胎半径估计系统进行精确建模，从而准确地估计轮胎半径。
输出模块3，对轮胎半径估计模块得到的轮胎半径值进行收敛及稳定性判断，当估计的轮胎半径值稳定且收敛在合理范围内时，输出估计得到的轮胎半径值，否则输出初始值。
传感器信号处理模块1，包括：
GNSS状态判断模块4，根据GNSS状态信息判断其测量值是否准确，具体为：
其中，flag为表征GNSS状态的标志位，当GNSS状态良好时取1，GNSS状态不好时取0.
轮速信号处理模块5，根据GNSS采样频率对轮速信号进行重采样，确保与GNSS信号采样频率相同具体为：
其中，ωk表示当前时刻轮速测量值，ωk-1表示前一时刻轮速测量值，i＝1表示当前时刻GNSS测量信号进行了更新，i＝0表示当前时刻GNSS测量信号未更新。
轮胎半径估计模块2采用级联卡尔曼滤波技术，具体为：
第一级卡尔曼滤波子模块6的传感器输入值为轮速信号，计算得到轮速和信号和轮加速度信号，按照下述步骤进行计算：
系统状态向量：
系统状态转移矩阵：
系统测量矩阵：
H1＝[1 0]
计算状态预测：
X1(k|k-1)＝A1(k-1)X1(k-1)
计算协方差矩阵预测：
P1(k|k-1)＝A1(k-1)P1(k-1)A1 T(k-1)+Q1
计算卡尔曼滤波增益：
K1(k)＝P1(k|k-1)H1 T(k)[H1(k)P1(k|k-1)H1 T(k)+R1]-1
计算状态更新：
X1(k)＝X1(k|k-1)+K1(k)[Y1(k)-H1 T(k)X1(k|k-1)]
计算协方差矩阵更新：
P1(k)＝(I-K1(k)H1(k))P1(k|k-1)
其中，ω为轮速，为轮加速度，ΔT为采样间隔，X1(k|k-1)表示状态预测值，A1(k-1)为上一时刻系统状态转移矩阵，X1(k-1)为上一时刻系统状态，P1(k|k-1)表示协方差矩阵的预测值，Q1表示状态方程过程噪声方差，K1(k)为卡尔曼滤波增益，R1表示测量过程噪声方差，Y1(k)表示通过传感器测量得到的当前观测量。I表示二阶单位阵。
第二级卡尔曼滤波子模块7的输入为GNSS速度测量值、轮速信号、由第一级卡尔曼滤波计算得到的轮加速度信号，输出为车速和轮胎半径实时估计值，按照下述步骤计算：
当flag＝0时，输出初始值；
当flag＝1时，按如下步骤计算：
系统状态向量：
系统状态转移矩阵：
系统测量矩阵：
H2＝[1 0]
计算状态预测：
X2(k|k-1)＝A2(k-1)X2(k-1)
计算协方差矩阵预测：
P2(k|k-1)＝A2(k-1)P2(k-1)A2 T(k-1)+Q2
计算卡尔曼滤波增益：
K2(k)＝P2(k|k-1)H2 T(k)[H2(k)P2(k|k-1)H2 T(k)+R2]-1
计算状态更新：
X2(k)＝X2(k|k-1)+K2(k)[Y2(k)-H2 T(k)X2(k|k-1)]
计算协方差矩阵更新：
P2(k)＝(I-K2(k)H2(k))P2(k|k-1)
其中，v为车速，r为车轮半径，ω为车轮转速，为轮加速度。X2(k|k-1)表示状态预测值，A2(k-1)为上一时刻系统状态转移矩阵，X2(k-1)为上一时刻系统状态，P2(k|k-1)表示协方差矩阵的预测值，Q2表示状态方程过程噪声方差，K2(k)为卡尔曼滤波增益，R2表示测量过程噪声方差，Y2(k)表示通过传感器测量得到的当前观测量。I表示二阶单位阵。
输出模块3，具体为：
其中，rout为轮胎半径输出值，mean(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的均值，var(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的方差，rini为轮胎半径初始值，α1、α2为参数。
在本发明得到准确的轮胎半径估计值后，准确的轮胎半径估计值是车辆根据轮速获取准确车速的前提，能够保证车辆各种动力学控制系统如ABS系统、ESP系统、以及胎压监测系统等正常高效工作。

Claims (9)

1.一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，包括以下步骤：
1)轮速信号处理子模块根据GNSS采样频率对轮速信号进行重采样；
2)当GNSS状态判断子模块判断当前GNSS状态良好时，轮胎半径估计模块采用级联卡尔曼滤波估计得到车速和轮胎半径实时估计值；
3)输出模块对轮胎半径估计模块得到的轮胎半径实时估计值进行收敛及稳定性判断，当轮胎半径实时估计值稳定且收敛时，输出轮胎半径实时估计值，否则输出初始值。
2.根据权利要求1所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤1)中，轮速信号处理子模块根据GNSS采样频率对轮速信号进行重采样具体计算式为：
其中，ωk为当前时刻轮速测量值，ωk-1为前一时刻轮速测量值，i＝1表示当前时刻GNSS测量信号进行了更新，i＝0表示当前时刻GNSS测量信号未更新。
3.根据权利要求2所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)以轮速信号作为第一级卡尔曼滤波子模块的输入，估计得到轮速和轮加速度的第一次估计值；
22)以GNSS速度测量值、轮速信号、轮速和轮加速度的第一次估计值作为第二级卡尔曼滤波子模块的输入，估计得到车速和轮胎半径实时估计值。
4.根据权利要求1所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤2)中，GNSS状态判断子模块的表达式为：
其中，flag为表征GNSS状态的标志位，当GNSS状态良好时取1，GNSS状态差时取0。
5.根据权利要求3所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤21)中，第一级卡尔曼滤波子模块的估计式为：
X1(k)＝X1(k|k-1)+K1(k)[Y1(k)-H1 T(k)X1(k|k-1)]
X1(k|k-1)＝A1(k-1)X1(k-1)
K1(k)＝P1(k|k-1)H1 T(k)[H1(k)P1(k|k-1)H1 T(k)+R1]-1
P1(k|k-1)＝A1(k-1)P1(k-1)A1 T(k-1)+Q1
P1(k)＝(I-K1(k)H1(k))P1(k|k-1)
其中，X1(k|k-1)为状态预测值，A1(k-1)为上一时刻系统状态转移矩阵，且ΔT为采样间隔，X1(k)、X1(k-1)为当前时刻和上一时刻的系统状态，且ω为轮速，为轮加速度，H1(k)为系统测量矩阵，且H1＝[1 0]，P1(k)为协方差矩阵，P1(k|k-1)为协方差矩阵的预测值，Q1为状态方程过程噪声方差，K1(k)为卡尔曼滤波增益，R1为测量过程噪声方差，Y1(k)为通过传感器测量得到的当前观测量，I为二阶单位阵。
6.根据权利要求5所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤22)中，第二级卡尔曼滤波子模块的估计式为：
X2(k)＝X2(k|k-1)+K2(k)[Y2(k)-H2 T(k)X2(k|k-1)]
X2(k|k-1)＝A2(k-1)X2(k-1)
K2(k)＝P2(k|k-1)H2 T(k)[H2(k)P2(k|k-1)H2 T(k)+R2]-1
P2(k|k-1)＝A2(k-1)P2(k-1)A2 T(k-1)+Q2
P2(k)＝(I-K2(k)H2(k))P2(k|k-1)
其中，X2(k|k-1)表示状态预测值，A2(k-1)为上一时刻系统状态转移矩阵，且X2(k)、X2(k-1)为当前时刻和上一时刻的系统状态，且H2(k)为系统测量矩阵，且H2＝[1 0]，P2(k)表示协方差矩阵，P2(k|k-1)表示协方差矩阵的预测值，Q2表示状态方程过程噪声方差，K2(k)为卡尔曼滤波增益，R2表示测量过程噪声方差，Y2(k)表示通过传感器测量得到的当前观测量。
7.根据权利要求6所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的步骤3)中，输出模块具体为：
其中，rout为输出模块的轮胎半径输出值，mean(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的均值，var(rk,...rk-N)为从当前时刻k到k-N时刻所有轮胎半径估计值的方差，rini为轮胎半径初始值，α1、α2为参数。
8.根据权利要求1所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，用于实现基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法的估计系统包括：
传感器信号处理模块：用以根据GNSS状态判断当前测量得到的速度是否准确，确定是否启用轮胎半径估计模块，并根据GNSS传感器的采样频率对轮速传感器的测量值进行重采样，保证GNSS的速度测量与轮速传感器的测量值为同一采样时刻的测量值；
轮胎半径估计模块：当GNSS状态良好时，基于级联卡尔曼滤波对轮胎半径进行在线实时估计，第一级卡尔曼滤波子模块用以处理轮速信号的噪声，并对轮加速度进行实时估计，第二级卡尔曼滤波子模块利用第一级卡尔曼滤波子模块输出的轮加速度值对轮胎半径估计系统进行精确建模，从而准确地估计轮胎半径；
输出模块：对轮胎半径估计模块得到的轮胎半径值进行收敛及稳定性判断，当估计的轮胎半径值稳定且收敛在允许范围内时，输出估计得到的轮胎半径值，否则输出初始值。
9.根据权利要求8所述的一种基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法，其特征在于，所述的传感器信号处理模块包括：
GNSS状态判断子模块：用以根据GNSS状态信息判断其测量值是否准确；
轮速信号处理子模块：用以根据GNSS采样频率对轮速信号进行重采样，确保与GNSS信号采样频率相同。
CN201910284875.1A 2019-04-10 2019-04-10 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法 Active CN110083890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284875.1A CN110083890B (zh) 2019-04-10 2019-04-10 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284875.1A CN110083890B (zh) 2019-04-10 2019-04-10 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法

Publications (2)

Publication Number Publication Date
CN110083890A true CN110083890A (zh) 2019-08-02
CN110083890B CN110083890B (zh) 2021-02-02

Family

ID=67414720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284875.1A Active CN110083890B (zh) 2019-04-10 2019-04-10 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法

Country Status (1)

Country Link
CN (1) CN110083890B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577516A (zh) * 2020-11-11 2021-03-30 上汽大众汽车有限公司 一种用于车辆轮速误差识别和补偿的方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245215B2 (en) * 2005-02-10 2007-07-17 Pinc Solutions Position-tracking device for position-tracking system
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN102608641A (zh) * 2012-03-30 2012-07-25 江苏物联网研究发展中心 单轴陀螺仪和单轴加速度计的车载组合导航系统及方法
CN103434511A (zh) * 2013-09-17 2013-12-11 东南大学 一种车速与道路附着系数的联合估计方法
CN104076382A (zh) * 2014-07-22 2014-10-01 中国石油大学(华东) 一种基于多源信息融合的车辆无缝定位方法
CN105180935A (zh) * 2015-10-30 2015-12-23 东南大学 一种适用于gnss微弱信号的组合导航数据融合方法
CN105806338A (zh) * 2016-03-17 2016-07-27 孙红星 基于三向卡尔曼滤波平滑器的gnss/ins组合定位定向算法
CN106093994A (zh) * 2016-05-31 2016-11-09 山东大学 一种基于自适应加权混合卡尔曼滤波的多源联合定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245215B2 (en) * 2005-02-10 2007-07-17 Pinc Solutions Position-tracking device for position-tracking system
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN102608641A (zh) * 2012-03-30 2012-07-25 江苏物联网研究发展中心 单轴陀螺仪和单轴加速度计的车载组合导航系统及方法
CN103434511A (zh) * 2013-09-17 2013-12-11 东南大学 一种车速与道路附着系数的联合估计方法
CN104076382A (zh) * 2014-07-22 2014-10-01 中国石油大学(华东) 一种基于多源信息融合的车辆无缝定位方法
CN105180935A (zh) * 2015-10-30 2015-12-23 东南大学 一种适用于gnss微弱信号的组合导航数据融合方法
CN105806338A (zh) * 2016-03-17 2016-07-27 孙红星 基于三向卡尔曼滤波平滑器的gnss/ins组合定位定向算法
CN106093994A (zh) * 2016-05-31 2016-11-09 山东大学 一种基于自适应加权混合卡尔曼滤波的多源联合定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577516A (zh) * 2020-11-11 2021-03-30 上汽大众汽车有限公司 一种用于车辆轮速误差识别和补偿的方法和系统
CN112577516B (zh) * 2020-11-11 2022-07-08 上汽大众汽车有限公司 一种用于车辆轮速误差识别和补偿的方法和系统

Also Published As

Publication number Publication date
CN110083890B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN110095635B (zh) 一种全轮驱动车辆的纵向车速估计方法
CN104215249B (zh) 一种行车轨迹的平滑方法
CN109466558B (zh) 一种基于ekf和bp神经网络的路面附着系数估计方法
CN108715166B (zh) 基于深度学习的车辆稳定性指标估计方法
CN109606378A (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN110987470B (zh) 一种基于模型迭代的汽车质量在线估计方法
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
CN113204038B (zh) 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器
CN111398828B (zh) 电动汽车剩余电量和剩余行驶里程估计方法
CN109067381B (zh) 一种mems陀螺仪随机噪声的实时滤波系统及方法
CN110954132A (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
CN113203429B (zh) 一种陀螺仪温度漂移误差的在线估计及补偿方法
AU2020104234A4 (en) An Estimation Method and Estimator for Sideslip Angle of Straight-line Navigation of Agricultural Machinery
CN113119980A (zh) 一种用于电动车的道路坡度估计方法、系统和设备
CN110083890A (zh) 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法
CN110095801B (zh) 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统
CN113950018B (zh) 一种异步多传感器网络系统及全局椭球状态估计方法
CN113589085B (zh) 一种发电机调频系统虚假数据注入攻击的检测缓解方法
CN113504558B (zh) 一种考虑道路几何约束的地面无人车辆定位方法
CN110095793A (zh) 一种基于轮胎半径自适应的自动驾驶低速清扫车定位方法
CN113008229B (zh) 一种基于低成本车载传感器的分布式自主组合导航方法
CN106370344A (zh) 一种基于卡尔曼滤波的轮胎压力和温度的最优估计方法
CN107340026A (zh) 非稳态液面高度测量值滤波方法
CN112255624A (zh) 一种高精度水平姿态测量方法及系统
CN108773378B (zh) 一种基于移动终端的汽车行驶速度实时估计方法及装置

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