CN110095635B - 一种全轮驱动车辆的纵向车速估计方法 - Google Patents
一种全轮驱动车辆的纵向车速估计方法 Download PDFInfo
- Publication number
- CN110095635B CN110095635B CN201910380595.0A CN201910380595A CN110095635B CN 110095635 B CN110095635 B CN 110095635B CN 201910380595 A CN201910380595 A CN 201910380595A CN 110095635 B CN110095635 B CN 110095635B
- Authority
- CN
- China
- Prior art keywords
- value
- estimation
- gyroscope
- vehicle
- road
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000001133 acceleration Effects 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/14—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of gyroscopes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
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
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:
式中,xk表示k时刻系统状态,zk表示道路坡度测量值,uk表示控制量,Fk为状态转移矩阵,Bk为控制矩阵,Hk为测量矩阵,Wk表示外界干扰噪声,其中,Vk与Wk都是均值为0的白噪声,相互独立并服从高斯分布,θk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,ωy,k为第k个步长的陀螺仪角速度,ωy,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:
进一步,根据卡尔曼滤波原理进行测量更新:
其中,卡尔曼增益的计算公式为:
式中,Rk为传感器测量噪声Vk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,zk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,ax,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,Vk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,Δax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:
Δax,L≤Δax≤Δax,H (8)
式中,Δax,L表示加速度传感器测量值的变化下限阈值,Δax,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,eα,L表示坡度估计算法误差下限阈值,eα,H表示坡度估计算法误差上限阈值,eβ,L表示陀螺仪角速度的零漂误差下限阈值,eβ,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,zk,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,zk-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:
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,kf,km以及kr则分别表示前、中、后轮轮速信息在校正项中所占比例,vxf,vxm以及vxr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:
式中,xk表示k时刻系统状态,zk表示道路坡度测量值,uk表示控制量,Fk为状态转移矩阵,Bk为控制矩阵,Hk为测量矩阵,Wk表示外界干扰噪声,其中,Vk与Wk都是均值为0的白噪声,相互独立并服从高斯分布,θk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,ωy,k为第k个步长的陀螺仪角速度,ωy,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:
进一步,根据卡尔曼滤波原理进行测量更新:
其中,卡尔曼增益的计算公式为:
式中,Rk为传感器测量噪声Vk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,zk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,ax,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,Vk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,Δax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:
Δax,L≤Δax≤Δax,H (8)
式中,Δax,L表示加速度传感器测量值的变化下限阈值,Δax,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,eα,L表示坡度估计算法误差下限阈值,eα,H表示坡度估计算法误差上限阈值,eβ,L表示陀螺仪角速度的零漂误差下限阈值,eβ,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,zk,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,zk-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:
(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:
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:
式中,xk表示k时刻系统状态,zk表示道路坡度测量值,uk表示控制量,Fk为状态转移矩阵,Bk为控制矩阵,Hk为测量矩阵,Wk表示外界干扰噪声,其中,Vk与Wk都是均值为0的白噪声,相互独立并服从高斯分布,θk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,ωy,k为第k个步长的陀螺仪角速度,ωy,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:
进一步,根据卡尔曼滤波原理进行测量更新:
其中,卡尔曼增益的计算公式为:
式中,Rk为传感器测量噪声Vk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,zk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,ax,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,Vk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,Δax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:
Δax,L≤Δax≤Δax,H (8)
式中,Δax,L表示加速度传感器测量值的变化下限阈值,Δax,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,eα,L表示坡度估计算法误差下限阈值,eα,H表示坡度估计算法误差上限阈值,eβ,L表示陀螺仪角速度的零漂误差下限阈值,eβ,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,zk,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,zk-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:
(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:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380595.0A CN110095635B (zh) | 2019-05-08 | 2019-05-08 | 一种全轮驱动车辆的纵向车速估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380595.0A CN110095635B (zh) | 2019-05-08 | 2019-05-08 | 一种全轮驱动车辆的纵向车速估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110095635A CN110095635A (zh) | 2019-08-06 |
CN110095635B true CN110095635B (zh) | 2021-06-04 |
Family
ID=67447320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380595.0A Active CN110095635B (zh) | 2019-05-08 | 2019-05-08 | 一种全轮驱动车辆的纵向车速估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110095635B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596509B (zh) * | 2019-09-17 | 2024-10-18 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、计算机设备及计算机可读存储介质 |
CN111845755B (zh) * | 2020-06-10 | 2022-01-07 | 武汉理工大学 | 一种车辆纵向车速估计方法 |
CN112033429B (zh) * | 2020-09-14 | 2022-07-19 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112498356A (zh) * | 2020-12-16 | 2021-03-16 | 中国煤炭科工集团太原研究院有限公司 | 一种矿用电动四驱车控制系统中的车速测算方法 |
CN113792265B (zh) * | 2021-09-10 | 2024-09-17 | 中国第一汽车股份有限公司 | 一种坡度估计方法、装置、电子设备以及存储介质 |
CN113771857B (zh) * | 2021-09-24 | 2022-05-17 | 北京易航远智科技有限公司 | 一种用于车辆控制的纵向车速估计方法和系统 |
CN116419862A (zh) * | 2021-11-10 | 2023-07-11 | 华为技术有限公司 | 自动车辆控制的方法和装置 |
CN114435377B (zh) * | 2022-02-25 | 2024-05-24 | 广汽埃安新能源汽车有限公司 | 一种参考车速的获取方法、装置、电子设备和存储介质 |
CN114720717A (zh) * | 2022-03-08 | 2022-07-08 | 深圳元戎启行科技有限公司 | 轮速检测方法、装置、车载系统及计算机可读存储介质 |
CN115416654B (zh) * | 2022-11-03 | 2023-02-03 | 北京清研宏达信息科技有限公司 | 一种基于自抗扰的人机共驾车速控制方法及系统 |
CN117246302B (zh) * | 2023-03-09 | 2024-03-12 | 长安大学 | 一种基于坡度信息的混合动力汽车瞬时反馈控制方法 |
CN117406607B (zh) * | 2023-12-12 | 2024-03-19 | 江西省汉达隆科技有限公司 | 一种基于改进卡尔曼滤波的轮式机器人行进状态估计方法 |
CN118350120B (zh) * | 2024-04-12 | 2024-09-27 | 武汉科技大学 | 一种基于机器视觉与车辆动力学融合的道路纵向坡度估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105722735A (zh) * | 2013-06-03 | 2016-06-29 | E-Aam 传动系统公司 | 用于确定车速参数的系统和方法 |
CN107016157A (zh) * | 2017-02-20 | 2017-08-04 | 同济大学 | 分布式驱动电动汽车路面自适应纵向车速估计系统及方法 |
CN107406080A (zh) * | 2015-03-03 | 2017-11-28 | 捷豹路虎有限公司 | 车辆参考速度估计设备和方法 |
CN108216250A (zh) * | 2018-01-10 | 2018-06-29 | 吉林大学 | 基于状态观测器的四驱电动汽车速度与道路坡度估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7239953B2 (en) * | 2004-10-05 | 2007-07-03 | Vision Works, Llc | Absolute acceleration sensor for use within moving vehicles |
-
2019
- 2019-05-08 CN CN201910380595.0A patent/CN110095635B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105722735A (zh) * | 2013-06-03 | 2016-06-29 | E-Aam 传动系统公司 | 用于确定车速参数的系统和方法 |
CN107406080A (zh) * | 2015-03-03 | 2017-11-28 | 捷豹路虎有限公司 | 车辆参考速度估计设备和方法 |
CN107016157A (zh) * | 2017-02-20 | 2017-08-04 | 同济大学 | 分布式驱动电动汽车路面自适应纵向车速估计系统及方法 |
CN108216250A (zh) * | 2018-01-10 | 2018-06-29 | 吉林大学 | 基于状态观测器的四驱电动汽车速度与道路坡度估计方法 |
Non-Patent Citations (1)
Title |
---|
车辆纵向速度估算算法发展现状综述;徐倜凡 等;《上海汽车》;20070630(第6期);第39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110095635A (zh) | 2019-08-06 |
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 | |
CN109910905B (zh) | 基于坡度估计修正的分布式驱动汽车多工况车速估计方法 | |
CN109782325B (zh) | 基于粒子滤波和多传感器信息融合的列车速度估计方法 | |
CN110987463B (zh) | 面向多场景的智能驾驶自主车道变换性能测试方法 | |
CN111806449A (zh) | 一种纯电动车的整车质量和路面坡度的估算方法 | |
CN107247824A (zh) | 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 | |
CN110987470B (zh) | 一种基于模型迭代的汽车质量在线估计方法 | |
CN108944935A (zh) | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 | |
CN110239554A (zh) | 一种车载路面纵向坡度实时识别方法及其装置 | |
CN110562263A (zh) | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 | |
CN101655504A (zh) | 一种机动车辆自适应巡航系统的车速估计方法 | |
CN108819950B (zh) | 汽车稳定性控制系统的车速估计方法及系统 | |
CN110395266B (zh) | 一种关于公交车质量变化和道路坡度解耦的估算方法 | |
Tanelli et al. | Combined vehicle velocity and tire-road friction estimation via sliding mode observers | |
KR101358166B1 (ko) | 차량의 가속도 센서의 장기 오프셋 드리프트 결정 방법 | |
CN109489991B (zh) | 一种电动汽车性能试验的油门踏板开度的计算方法及系统 | |
CN113771857B (zh) | 一种用于车辆控制的纵向车速估计方法和系统 | |
CN113002549A (zh) | 一种车辆状态估算方法、装置、设备及存储介质 | |
CN106184225A (zh) | 分布式四驱电动车动力学控制的纵向车速估算方法 | |
CN114572224B (zh) | 一种路面最大附着系数的估算方法及终端 | |
CN111231976B (zh) | 一种基于变步长的车辆状态估计方法 | |
EP4197821A1 (en) | Tire stiffness estimation system and method | |
CN116409327A (zh) | 侧向工况下考虑轮胎瞬态特性的路面附着系数估计方法 | |
CN110095801A (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 | |
CN115384523A (zh) | 一种四轮驱动轮毂电机汽车的纵向车速估计方法 |
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 |