CN110095635B - 一种全轮驱动车辆的纵向车速估计方法 - Google Patents

Abstract

本发明提出一种全轮驱动车辆的纵向车速估计方法，该方法包括以下步骤：首先，基于加速度传感器以及陀螺仪采集数据，利用卡尔曼滤波算法实现多传感器数据融合，得到车辆当前行驶道路坡度的估计；然后，基于运动学车速估计方法，根据坡度估计结果以及加速度传感器数据，估计车辆纵向行驶车速；最终，消除加速度数据中噪声引起的积分误差，并根据各轮轮速反馈对车速估计结果进行校正。本发明结合道路坡度识别结果采用运动学估计方法得到纵向车速估计，并根据各轮轮速反馈对车速估计结果进行校正，可以实现全驱车辆的车速估计，具有通用性，并且实时性强、计算精度高，能够为车辆电控系统提供准确的车辆状态信息。

Description

一种全轮驱动车辆的纵向车速估计方法

技术领域

本发明属于汽车研究领域，具体涉及一种全轮驱动车辆的纵向车速估计方法。

背景技术

近年来纵向车速信号是混合动力系统进行多模式能量管理控制的重要参考依据之一，也是驱动防滑系统、制动防抱死系统和电子稳定性系统实现的基础。在对全轮驱动系统的控制过程中，纵向车速的估计占有十分重要的地位。

目前针对全轮驱动车辆的纵向车速估计算法主要可划分为两类：运动学估计方法和动力学方法。基于运动学的估计方法主要包括：轮速法和直接积分法，其中，轮速法可以分为最大或最小轮速法、斜率法、综合法等传统的纵向车速估计方法。当前一些学者研究的基于滑模算法以及基于非线性状态观测器的车速观测器等，均可以归类到动力学估计方法的范畴之内。可以看出，基于动力学估计方法的核心在于轮胎纵向力、道路坡度以及整车质量的观测，该方法虽然对传感器的要求相对降低，但是对于模型精度以及模型参数敏感度高，鲁棒性较低，且对于估计方法有更高的要求。如中国专利公布号CN106394561A，公布日2017-02-15；中国专利公布号CN101655504，公布日2010-02-24；中国专利公布号CN102009654A，公布日2011-04-13等，通过智能控制算法进行车速的估计；这些方法均需要复杂的轮胎模型和车辆模型，需要涉及到较多的非线性运算，在实际应用中有较多限制。

部分专利，如中国专利公布号CN107016157A，公布日2017-08-04，该发明根据纵向力估计器与路面峰值附着系数估计器互联在线估计路面峰值附着系数与纵向车速估计值，完成路面自适应纵向车速估计；但是该发明没有考虑到车辆实际运行过程中的动态特性对传感器采集数据的影响，比如车辆起步加速过程，急减速过程，换挡过程等。

发明内容

为解决上述技术问题，本发明提出的一种全轮驱动车辆的纵向车速估计方法具体包括下述步骤：

步骤一：简化卡尔曼滤波融合算法，估计当前行驶道路坡度，包括以下步骤：

(1)依据陀螺仪测量得到的沿车辆运动坐标系Y轴的角速度信号，可以实现对当前计算步长内的道路坡度预测；以加速度传感器的输出信号作为测量值，可以得到传感器的测量反馈，结合道路坡度预测值和道路坡度测量值，计算道路坡度估计系统的状态空间方程组：

其中，

u_k＝ω_y,k,

H_k＝[1 0]，

式中，x_k表示k时刻系统状态，z_k表示道路坡度测量值，u_k表示控制量，F_k为状态转移矩阵，B_k为控制矩阵，H_k为测量矩阵，W_k表示外界干扰噪声，其中，V_k与W_k都是均值为0的白噪声，相互独立并服从高斯分布，θ_k为基于陀螺仪的角速度计算得到的第k个步长的坡度预测值，ω_y,k为第k个步长的陀螺仪角速度，ω_y,bias,k为第k个步长的陀螺仪零漂估计值，dt为计算步长；

(2)根据步骤(1)所述的系统状态空间方程计算基础上，根据卡尔曼滤波原理，利用卡尔曼增益作为加权比例因子，将加速度传感器的测量值和根据陀螺仪角速度信息计算的坡度预测值进行加权融合，通过加权比例因子的更新计算，得到道路坡度的最优动态估计值；

首先，根据系统状态空间方程，进行时间更新，得到先验估计和先验误差协方差：

式中，

为状态量先验估计值，即预测值，

为第k-1步长的最优估计值，P_k-1|k-1为第k-1步长状态变量的协方差矩阵，P_k|k-1即为先验误差协方差，Q_k为外界干扰噪声W_k的协方差矩阵；

进一步，根据卡尔曼滤波原理进行测量更新：

式中，

为状态变量在第k个步长的后验估计值，即卡尔曼滤波融合的最优估计值，P_k|k表示后验误差协方差矩阵，K_k表示第k个步长的卡尔曼滤波增益；

其中，卡尔曼增益的计算公式为：

式中，R_k为传感器测量噪声V_k的协方差矩阵；

(3)在步骤(2)所述的数据融合道路坡度估计计算基础上，基于实际车辆道路坡度的估计计算过程中卡尔曼滤波增益快速收敛稳定的特点，改进卡尔曼滤波融合算法，选取固定加权因子数值进行融合，利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，结合数据融合加权因子，得到可快速计算的道路坡度最优估计值：

式中，

为第k步长的道路坡度最优估计值，

为利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，表示陀螺仪的数据分量，z_k表示道路坡度测量值，K为常数，是根据实车数据标定得到的数据融合加权因子；

其中，道路坡度测量值的计算公式为：

式中，a_x,k表示第k个步长加速度传感器沿车辆运动坐标系X轴测得的加速度信号，V_k是传感器的测量噪声，表示传感器测量的不确定性；

步骤二：基于陀螺仪短时数据校正加速度传感器测量值，消除车辆行驶动态变化对坡度估计的影响，包括以下步骤：

(1)在车辆运行过程中，通过传感器测量与相关的估计算法并不能完全得到道路坡度倾角的真实值与真实倾角变化量，因此，考虑道路坡度最优估计误差趋于收敛及陀螺仪的角速度零漂积分误差较小的特性，基于传感器的测量值以及融合算法的最优估计值，利用上一时间段内道路坡度最优估计值、一定时间窗内陀螺仪角速度积分值及陀螺仪角速度的积分误差，按照公式(7)计算重力加速度沿坡道的分量变化量：

式中，Δa_x表示道路坡度倾角变化时重力加速度沿坡道分量的变化量，α′表示上一时间段内道路坡度最优估计值，Δα为估计误差，β′为一定时间窗内陀螺仪角速度积分值，Δβ为陀螺仪角速度的积分误差，主要由于陀螺仪角速度的零漂引起，α为前一时刻道路坡度倾角，θ为后一时刻道路坡度倾角，β为道路倾角的变化量；

(2)在步骤(1)所述的重力加速度沿坡道的分量变化量计算基础上，根据实车道路试验数据对公式(7)的算法估计误差和陀螺仪的计算误差的范围进行标定，进一步计算得到加速度传感器测量值的变化门限值：

Δa_x,L≤Δa_x≤Δa_x,H (8)

式中，Δa_x,L表示加速度传感器测量值的变化下限阈值，Δa_x,H表示加速度传感器测量值的变化上限阈值，其计算公式为：

其中，e_α,L表示坡度估计算法误差下限阈值，e_α,H表示坡度估计算法误差上限阈值，e_β,L表示陀螺仪角速度的零漂误差下限阈值，e_β,H表示陀螺仪角速度的零漂误差上限阈值；

(3)在步骤2)所述的加速度传感器测量值的变化门限值计算基础上，通过简化卡尔曼滤波融合算法，结合计算公式(5)、公式(8)，得到本方法针对车辆行驶道路坡度的最优估计，其计算公式为：

式中，z_k,lim即表示经过陀螺仪角速度短时积分数据校正后的加速度传感器测量值，其计算公式为：

式中，z_k-1表示上一计算时间窗内经过校正的加速度传感器测量值；

步骤三：最终纵向车速估计，包括以下步骤：

本方法选取纵向车速估计值与各车轮轮速偏差值作为车速估计校正量，对传感器测量信号的毛刺与噪声进行抑制，得到最终的纵向车速估计；

比例系数表示各轮轮速与纵向车速估计值之间的相近程度，为简化计算，本方法将上述比例系数与车轮滑转率之间的关系简化为公式(12)所示的线性关系：

式中，k_i为比例系数，a，b分别为表示车轮滑转率与k_i之间关系使用的线性系数，

为各车轮滑转率的估计值，该估计值在车辆驱动或者制动行驶状态下计算，如公式(13)所示：

基于当前时刻的纵向车速估计误差可表示为各轮轮速与车速估计值偏差按照一定比例的叠加的方法，利用前、中、后轮的轮速对应的等效车速、车速估计误差校正项增益和比例系数，计算最终的车辆纵向加速度观测值，如公式(14)所示：

式中，

表示车辆纵向加速度观测值，

表示坡度估计算法的最优估计值，P表示车速估计误差校正项增益，k_f，k_m以及k_r则分别表示前、中、后轮轮速信息在校正项中所占比例，v_xf，v_xm以及v_xr分别表示前、中、后轮的轮速对应的等效车速。

与现有技术相比本发明的有益效果是：

(1))该发明采用运动学的方法得到纵向车速估计算法，并结合加速度传感器信号和陀螺仪测量信号，通过改进后的卡尔曼滤波算法进行数据融合，得到当前行驶的道路坡度，因此，对于模型精度以及模型参数敏感度低，计算量小，鲁棒性、实时性好；

(2)该发明通过在一定的时间窗内计算陀螺仪的角速度积分变化量，并转化为加速度传感器的测量值在该时间窗内的变化门限，进而实现对加速度传感器测量值的限制与校正，尽可能剔除加速度传感器中车辆纵向加速度所占成分，减小或消除车辆自身纵向加速度对坡度识别的影响；

(3)该发明选取纵向车速估计值与各车轮轮速偏差值作为车速估计校正量，对传感器测量信号的毛刺与噪声进行抑制，避免了加速度传感器测量数据中混入的环境噪声等经过长时间积分计算导致车速估计值严重偏离真实值，得到的最终纵向车速估计值误差小；

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明提出的全轮驱动车辆纵向车速估计方法的总流程图；

图2为本发明提出的基于卡尔曼滤波融合的道路坡度估计方程流程图；

图3为本发明提出的消除车辆行驶动态变化影响的流程图；

图4为本发明提出的纵向车速估计观测器流程图；

具体实施方式：

下面结合附图对本发明做更细致的描述：

为了解决全驱车辆驱动及制动过程中无从动轮，不能直接根据从动轮转速从而得到汽车参考车速的问题，本发明采用了运动学估计方法建立全轮驱动系统纵向车速观测器，如图1所示，具体步骤如下：

步骤一：简化卡尔曼滤波融合算法，估计当前行驶道路坡度，如图2所示，包括以下步骤：

(1)依据陀螺仪测量得到的沿车辆运动坐标系Y轴的角速度信号，可以实现对当前计算步长内的道路坡度预测；以加速度传感器的输出信号作为测量值，可以得到传感器的测量反馈，结合道路坡度预测值和道路坡度测量值，计算道路坡度估计系统的状态空间方程组：

其中，

u_k＝ω_y,k,

H_k＝[1 0]，

式中，x_k表示k时刻系统状态，z_k表示道路坡度测量值，u_k表示控制量，F_k为状态转移矩阵，B_k为控制矩阵，H_k为测量矩阵，W_k表示外界干扰噪声，其中，V_k与W_k都是均值为0的白噪声，相互独立并服从高斯分布，θ_k为基于陀螺仪的角速度计算得到的第k个步长的坡度预测值，ω_y,k为第k个步长的陀螺仪角速度，ω_y,bias,k为第k个步长的陀螺仪零漂估计值，dt为计算步长；

(2)根据步骤(1)所述的系统状态空间方程计算基础上，根据卡尔曼滤波原理，利用卡尔曼增益作为加权比例因子，将加速度传感器的测量值和根据陀螺仪角速度信息计算的坡度预测值进行加权融合，通过加权比例因子的更新计算，得到道路坡度的最优动态估计值；

首先，根据系统状态空间方程，进行时间更新，得到先验估计和先验误差协方差：

式中，

为状态量先验估计值，即预测值，

为第k-1步长的最优估计值，P_k-1|k-1为第k-1步长状态变量的协方差矩阵，P_k|k-1即为先验误差协方差，Q_k为外界干扰噪声W_k的协方差矩阵；

进一步，根据卡尔曼滤波原理进行测量更新：

式中，

为状态变量在第k个步长的后验估计值，即卡尔曼滤波融合的最优估计值，P_k|k表示后验误差协方差矩阵，K_k表示第k个步长的卡尔曼滤波增益；

其中，卡尔曼增益的计算公式为：

式中，R_k为传感器测量噪声V_k的协方差矩阵；

(3)在步骤(2)所述的数据融合道路坡度估计计算基础上，基于实际车辆道路坡度的估计计算过程中卡尔曼滤波增益快速收敛稳定的特点，改进卡尔曼滤波融合算法，选取固定加权因子数值进行融合，利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，结合数据融合加权因子，得到可快速计算的道路坡度最优估计值：

式中，

为第k步长的道路坡度最优估计值，

为利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，表示陀螺仪的数据分量，z_k表示道路坡度测量值，K为常数，是根据实车数据标定得到的数据融合加权因子；

其中，道路坡度测量值的计算公式为：

式中，a_x,k表示第k个步长加速度传感器沿车辆运动坐标系X轴测得的加速度信号，V_k是传感器的测量噪声，表示传感器测量的不确定性；

步骤二：基于陀螺仪短时数据校正加速度传感器测量值，消除车辆行驶动态变化对坡度估计的影响，如图3所示，包括以下步骤：

(1)在车辆运行过程中，通过传感器测量与相关的估计算法并不能完全得到道路坡度倾角的真实值与真实倾角变化量，因此，考虑道路坡度最优估计误差趋于收敛及陀螺仪的角速度零漂积分误差较小的特性，基于传感器的测量值以及融合算法的最优估计值，利用上一时间段内道路坡度最优估计值、一定时间窗内陀螺仪角速度积分值及陀螺仪角速度的积分误差，按照公式(7)计算重力加速度沿坡道的分量变化量：

式中，Δa_x表示道路坡度倾角变化时重力加速度沿坡道分量的变化量，α′表示上一时间段内道路坡度最优估计值，Δα为估计误差，β′为一定时间窗内陀螺仪角速度积分值，Δβ为陀螺仪角速度的积分误差，主要由于陀螺仪角速度的零漂引起，α为前一时刻道路坡度倾角，θ为后一时刻道路坡度倾角，β为道路倾角的变化量；

(2)在步骤(1)所述的重力加速度沿坡道的分量变化量计算基础上，根据实车道路试验数据对公式(7)的算法估计误差和陀螺仪的计算误差的范围进行标定，进一步计算得到加速度传感器测量值的变化门限值：

Δa_x,L≤Δa_x≤Δa_x,H (8)

式中，Δa_x,L表示加速度传感器测量值的变化下限阈值，Δa_x,H表示加速度传感器测量值的变化上限阈值，其计算公式为：

其中，e_α,L表示坡度估计算法误差下限阈值，e_α,H表示坡度估计算法误差上限阈值，e_β,L表示陀螺仪角速度的零漂误差下限阈值，e_β,H表示陀螺仪角速度的零漂误差上限阈值；

道路坡度倾角变化时重力加速度沿坡道分量的变化量包括三部分：一是g[sin(α′+β′)-sin(α′)]，该分项通过融合估计算法的输出值以及陀螺仪角速度短时间内的积分进行计算；二是gsin(Δα)[cos(α′+β′)-cos(α′)]，该分项实际表示融合估计算法的误差项；三是gsin(Δβ)cos(α′+β′)，该分项为陀螺仪角速度零漂引起的误差项；

(3)在步骤2)所述的加速度传感器测量值的变化门限值计算基础上，通过简化卡尔曼滤波融合算法，结合计算公式(5)、公式(8)，得到本方法针对车辆行驶道路坡度的最优估计，其计算公式为：

式中，z_k,lim即表示经过陀螺仪角速度短时积分数据校正后的加速度传感器测量值，其计算公式为：

式中，z_k-1表示上一计算时间窗内经过校正的加速度传感器测量值；

步骤三：基于步骤一、步骤二，本方法选取纵向车速估计值与各车轮轮速偏差值作为车速估计校正量，对传感器测量信号的毛刺与噪声进行抑制，得到车辆纵向加速度观测值，如图4所示，包括以下步骤：

(1)比例系数表示各轮轮速与纵向车速估计值之间的相近程度，为简化计算，本方法将上述比例系数与车轮滑转率之间的关系简化为公式(12)所示的线性关系：

式中，k_i为比例系数，a，b分别为表示车轮滑转率与k_i之间关系使用的线性系数，

为各车轮滑转率的估计值，该估计值在车辆驱动或者制动行驶状态下计算，如公式(13)所示：

(2)基于当前时刻的纵向车速估计误差可表示为各轮轮速与车速估计值偏差按照一定比例的叠加的方法，利用前、中、后轮的轮速对应的等效车速、车速估计误差校正项增益和比例系数，计算最终的车辆纵向加速度观测值，如公式(14)所示：

式中，

表示车辆纵向加速度观测值，

表示坡度估计算法的最优估计值，P表示车速估计误差校正项增益，k_f，k_m以及k_r则分别表示前、中、后轮轮速信息在校正项中所占比例，v_xf，v_xm以及v_xr分别表示前、中、后轮的轮速对应的等效车速。

Claims (4)

1.一种全轮驱动车辆的纵向车速估计方法，其特征在于，该方法包括以下几个步骤：

步骤一：基于卡尔曼滤波的数据融合，估计当前行驶道路坡度，包括以下步骤：

1)道路坡度估计方程组：采集陀螺仪测量得到的沿车辆运动坐标系Y轴的角速度信号，结合计算步长内的陀螺仪零漂估计值，计算当前计算步长内的道路坡度预测值；采集加速度传感器的输出信号，利用传感器测量原理，计算当前道路坡度测量值，结合道路坡度预测值和道路坡度测量值，计算道路坡度估计系统的状态空间方程组；

2)数据融合道路坡度估计计算：在步骤1)的系统状态空间方程计算基础上，根据卡尔曼滤波原理，利用卡尔曼增益作为加权比例因子，将加速度传感器的测量值和根据陀螺仪角速度信息计算的坡度预测值进行加权融合，通过加权比例因子的更新计算，得到道路坡度的最优动态估计值；

3)固定加权因子融合计算：在步骤2)所述的数据融合道路坡度估计计算基础上，基于实际车辆道路坡度的估计计算过程中卡尔曼滤波增益快速收敛稳定的特点，改进卡尔曼滤波融合算法，选取固定加权因子数值进行融合，利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，结合数据融合加权因子，得到可快速计算的道路坡度最优估计值；

步骤二：基于陀螺仪短时数据对加速度传感器测量值校正的方法，本方法通过在一定的时间窗内计算陀螺仪的角速度积分变化量，转化为加速度传感器的测量值在该时间窗内的变化门限，实现对加速度传感器测量值的限制与校正，减小或消除车辆自身纵向加速度对坡度识别的影响，包括以下步骤：

1)重力加速度沿坡道的分量变化量计算：基于道路坡度最优估计误差趋于收敛和陀螺仪的角速度零漂积分误差较小的特点，结合陀螺仪短时数据对加速度传感器的测量值和融合算法的最优估计值，通过融合估计算法以及陀螺仪角速度短时间内的积分计算，得到重力加速度沿坡道的分量变化量；

2)加速度传感器测量值的变化门限值计算：在步骤1)所述的重力加速度沿坡道的分量变化量计算基础上，根据实车道路试验数据对算法估计误差和陀螺仪的计算误差的范围进行标定，得到道路坡度倾角变化时加速度传感器测量值的变化门限值，实现对加速度传感器测量值的限制与校正；

3)车辆行驶道路坡度的最优估计：在步骤2)所述的加速度传感器测量值的变化门限值计算基础上，利用加速度传感器测量值的变化门限值，通过简化卡尔曼滤波融合算法，得到尽可能消除车辆自身纵向加速度对坡度识别影响后的车辆行驶道路坡度的最优估计；

步骤三：本方法选取纵向车速估计值与各车轮轮速偏差值作为车速估计校正量，对传感器测量信号的毛刺与噪声进行抑制，消除环境噪声引起的长时间积分偏差值，得到最终的纵向车速估计，包括以下步骤：

1)比例系数计算：定义比例系数为各轮轮速与纵向车速估计值之间的相近程度，根据当前各车轮的滑转状态进行判断，当车轮滑转率处于线性区时取较大值，而当车轮滑转率处于非线性区时取较小值；

2)纵向车速估计观测器具体设计：在步骤一、步骤二的基础上，利用纵向车速估计值与各车轮轮速偏差值作为车速估计校正量，结合车速估计误差校正项增益、等效车速和比例系数，计算最终的车辆纵向加速度观测值，实现本方法针对纵向车速估计观测器具体设计。

2.按照权利要求1所述的一种全轮驱动车辆的纵向车速估计方法，其特征在于，所述步骤一中所述的基于卡尔曼滤波的数据融合坡度估计方法，具体包括以下步骤：

(1)道路坡度估计方程组：依据陀螺仪测量得到的沿车辆运动坐标系Y轴的角速度信号，可以实现对当前计算步长内的道路坡度预测；以加速度传感器的输出信号作为测量值，可以得到传感器的测量反馈，二者结合，得到系统状态空间方程的计算公式：

其中，

u_k＝ω_y,k,

H_k＝[1 0]，

式中，x_k表示k时刻系统状态，z_k表示道路坡度测量值，u_k表示控制量，F_k为状态转移矩阵，B_k为控制矩阵，H_k为测量矩阵，W_k表示外界干扰噪声，其中，V_k与W_k都是均值为0的白噪声，相互独立并服从高斯分布，θ_k为基于陀螺仪的角速度计算得到的第k个步长的坡度预测值，ω_y,k为第k个步长的陀螺仪角速度，ω_y,bias,k为第k个步长的陀螺仪零漂估计值，dt为计算步长；

(2)数据融合道路坡度估计计算：根据步骤(1)中的系统状态空间方程，进行时间更新，得到先验估计和先验误差协方差：

式中，

为状态量先验估计值，即预测值，

为第k-1步长的最优估计值，P_k-1|k-1为第k-1步长状态变量的协方差矩阵，P_k|k-1即为先验误差协方差，Q_k为外界干扰噪声W_k的协方差矩阵；

进一步，根据卡尔曼滤波原理进行测量更新：

式中，

为状态变量在第k个步长的后验估计值，即卡尔曼滤波融合的最优估计值，P_k|k表示后验误差协方差矩阵，K_k表示第k个步长的卡尔曼滤波增益；

其中，卡尔曼增益的计算公式为：

式中，R_k为传感器测量噪声V_k的协方差矩阵；

(3)固定加权因子融合计算：利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，在一定范围内取不同的加权因子与道路坡度测量值进行数值融合，得到用于快速计算的当前道路坡度的最优动态估计值：

式中，

为第k步长的道路坡度最优估计值，

为利用陀螺仪角速度信息在上一步长最优估计基础上计算得到的坡度估计值，表示陀螺仪的数据分量，z_k表示道路坡度测量值，K为常数，是根据实车数据标定得到的数据融合加权因子；

其中，道路坡度测量值的计算公式为：

式中，a_x,k表示第k个步长加速度传感器沿车辆运动坐标系X轴测得的加速度信号，V_k是传感器的测量噪声，表示传感器测量的不确定性。

3.按照权利要求2所述的一种全轮驱动车辆的纵向车速估计方法，其特征在于，所述步骤二中所述的基于陀螺仪的加速度传感器测量值校正方法，具体包括以下步骤：

(1)重力加速度沿坡道的分量变化量计算：在车辆运行过程中，通过传感器测量与相关的估计算法并不能完全得到道路坡度倾角的真实值与真实倾角变化量，因此，考虑道路坡度最优估计误差趋于收敛及陀螺仪的角速度零漂积分误差较小的特性，基于传感器的测量值以及融合算法的最优估计值，利用上一时间段内道路坡度最优估计值、一定时间窗内陀螺仪角速度积分值及陀螺仪角速度的积分误差，按照公式(7)计算重力加速度沿坡道的分量变化量；

式中，Δa_x表示道路坡度倾角变化时重力加速度沿坡道分量的变化量，α′表示上一时间段内道路坡度最优估计值，Δα为估计误差，β′为一定时间窗内陀螺仪角速度积分值，Δβ为陀螺仪角速度的积分误差，主要由于陀螺仪角速度的零漂引起，α为前一时刻道路坡度倾角，θ为后一时刻道路坡度倾角，β为道路倾角的变化量；

(2)加速度传感器测量值的变化门限值计算：根据实车道路试验数据对公式(7)的算法估计误差和陀螺仪的计算误差的范围进行标定，进一步计算得到加速度传感器测量值的变化门限值：

Δa_x,L≤Δa_x≤Δa_x,H (8)

式中，Δa_x,L表示加速度传感器测量值的变化下限阈值，Δa_x,H表示加速度传感器测量值的变化上限阈值，其计算公式为：

其中，e_α,L表示坡度估计算法误差下限阈值，e_α,H表示坡度估计算法误差上限阈值，e_β,L表示陀螺仪角速度的零漂误差下限阈值，e_β,H表示陀螺仪角速度的零漂误差上限阈值；

(3)车辆行驶道路坡度的最优估计：根据计算公式(5)、公式(8)，得到本方法针对车辆行驶道路坡度的最优估计，其计算公式为：

式中，z_k,lim即表示经过陀螺仪角速度短时积分数据校正后的加速度传感器测量值，其计算公式为：

式中，z_k-1表示上一计算时间窗内经过校正的加速度传感器测量值。

4.按照权利要求1所述的一种全轮驱动车辆的纵向车速估计方法，其特征在于，步骤三中的最终纵向车速估计方法，具体包括以下步骤：

(1)比例系数计算：比例系数表示各轮轮速与纵向车速估计值之间的相近程度，为简化计算，本方法将上述比例系数与车轮滑转率之间的关系简化为公式(12)所示的线性关系：

式中，k_i为比例系数，a，b分别为表示车轮滑转率与k_i之间关系使用的线性系数，

为各车轮滑转率的估计值，该估计值在车辆驱动或者制动行驶状态下计算，如公式(13)所示：

(2)纵向车速估计观测器具体设计：基于当前时刻的纵向车速估计误差可表示为各轮轮速与车速估计值偏差按照一定比例的叠加的方法，利用前、中、后轮的轮速对应的等效车速、车速估计误差校正项增益和比例系数，计算最终的车辆纵向加速度观测值，如公式(14)所示：

式中，

表示车辆纵向加速度观测值，

表示坡度估计算法的最优估计值，P表示车速估计误差校正项增益，k_f，k_m以及k_r则分别表示前、中、后轮轮速信息在校正项中所占比例，v_xf，v_xm以及v_xr分别表示前、中、后轮的轮速对应的等效车速。

Images