CN110095801B - 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统 - Google Patents

考虑车辆轮加速度的多模型轮胎半径自适应方法及系统 Download PDF

Info

Publication number
CN110095801B
CN110095801B CN201910284624.3A CN201910284624A CN110095801B CN 110095801 B CN110095801 B CN 110095801B CN 201910284624 A CN201910284624 A CN 201910284624A CN 110095801 B CN110095801 B CN 110095801B
Authority
CN
China
Prior art keywords
estimation
wheel acceleration
tire radius
wheel
tire
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
Application number
CN201910284624.3A
Other languages
English (en)
Other versions
CN110095801A (zh
Inventor
熊璐
高乐天
陆逸适
夏新
韩燕群
刘伟
胡英杰
宋舜辉
魏琰超
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 CN201910284624.3A priority Critical patent/CN110095801B/zh
Publication of CN110095801A publication Critical patent/CN110095801A/zh
Application granted granted Critical
Publication of CN110095801B publication Critical patent/CN110095801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/12—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring diameters
    • 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
    • G01P3/42—Devices characterised by the use of electric or magnetic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/52—Determining velocity

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Regulating Braking Force (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明涉及一种考虑车辆轮加速度的多模型轮胎半径自适应方法及系统，该方法包括以下步骤：1)轮加速度估计模块采用卡尔曼滤波对GNSS传感器检测到的轮速信号进行估计得到轮加速度信号；2)轮胎半径估计模块中的第一估计子模块根据GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第一轮胎半径估计值r1；3)轮胎半径估计模块中的第二估计子模块根据轮加速度信号以及GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第二轮胎半径估计值r2；4)输出融合模块对第一轮胎半径估计值r1和第二轮胎半径估计值r2进行融合，最终输出轮胎半径输出值rout。与现有技术相比，本发明具有成本低廉、估计稳定准确、适应高动态情况等优点。

Description

考虑车辆轮加速度的多模型轮胎半径自适应方法及系统
技术领域
本发明涉及车辆状态检测领域，尤其是涉及一种考虑车辆轮加速度的多模型轮胎半径自适应方法。
背景技术
轮速传感器是获取车辆状态最重要的信息源之一，其输出频率高、信息稳定、不易受外界干扰、数据准确，但要通过轮速传感器获取车速，还需要知道轮胎的滑移信息、准确的轮胎半径等，而这些数据较易受外界干扰，且不易准确估计，因此近年来基于轮速信息如何获取准确的车速成为了车辆领域的一大研究热点，其中如何获取准确的轮胎半径也受到了极大的关注。
目前国内外获取轮胎半径的方法主要有以下几种：1.直接使用轮胎半径名义值，而轮胎半径受车速、温度、胎压、载荷、磨损等影响较大，固定的轮胎半径参数显然无法满足长期车辆行驶下的准确车速获取；2.在系统模型建立时假设相邻采样时刻点车速不变，通过外界车速测量，如GNSS传感器测得的车速信息对轮胎半径进行自适应，这种方法在车辆运行平稳时表现良好，而当车辆动态较强时，速度不变假设不成立，因此估计效果会显著变差。
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考虑车辆轮加速度的多模型轮胎半径自适应方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑车辆轮加速度的多模型轮胎半径自适应方法，用于车辆的精确定位，包括以下步骤：
1)轮加速度估计模块采用卡尔曼滤波对GNSS传感器检测到的轮速信号进行估计得到轮加速度信号；
2)轮胎半径估计模块中的第一估计子模块根据GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第一轮胎半径估计值r1；
3)轮胎半径估计模块中的第二估计子模块根据轮加速度信号以及GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第二轮胎半径估计值r2；
4)输出融合模块对第一轮胎半径估计值r1和第二轮胎半径估计值r2进行融合，最终输出轮胎半径输出值rout。
所述的步骤1)中，轮加速度估计模中，轮加速度信号的估计式为：
X(k)＝X(k|k-1)+K(k)[Y(k)-HT(k)X(k|k-1)]
X(k|k-1)＝A(k-1)X(k-1)
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R]-1
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+Q
P(k)＝(I-K(k)H(k))P(k|k-1)
其中，ω为轮速，
Figure BDA0002022853840000021
为轮加速度，X(k|k-1)为轮加速度估计模块的状态预测值，H(k)为当前时刻的系统测量矩阵，且H＝[1 0]，A(k-1)分别为上一时刻k-1的系统状态转移矩阵，且
Figure BDA0002022853840000022
ΔT为采样间隔，X(k)、X(k-1)分别为当前时刻和上一时刻的系统状态，且
Figure BDA0002022853840000023
P(k)为协方差矩阵，P(k|k-1)为协方差矩阵的预测值，Q为状态方程过程噪声方差，K(k)为卡尔曼滤波增益，R为测量过程噪声方差，Y(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2)中，第一轮胎半径估计值r1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)为第一估计子模块的状态预测值，A1(k-1)为上一时刻系统状态转移矩阵，且
Figure BDA0002022853840000024
H1(k)为当前时刻的系统测量矩阵，且H1＝[1 0]，X1(k)、X1(k-1)为当前时刻和上一时刻的系统状态，且
Figure BDA0002022853840000031
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。
所述的步骤3)中，第二轮胎半径估计值r2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
X2(k|k-1)＝A2(k-1)X2(k-1)
其中，X2(k|k-1)为第一估计子模块的状态预测值，A2(k-1)为上一时刻系统状态转移矩阵，且
Figure BDA0002022853840000032
H2(k)为当前时刻的系统测量矩阵，且H2＝[1 0]，X2(k)、X2(k-1)为当前时刻和上一时刻的系统状态，且
Figure BDA0002022853840000033
P2(k)为协方差矩阵，P2(k|k-1)为协方差矩阵的预测值，Q2为状态方程过程噪声方差，K2(k)为卡尔曼滤波增益，R2为测量过程噪声方差，Y2(k)为通过传感器测量得到的当前观测量。
所述的步骤4)中，轮胎半径输出值rout的融合表达式为：
Figure BDA0002022853840000034
其中，
Figure BDA0002022853840000035
为轮加速度估计模块输出轮加速度的绝对值，
Figure BDA0002022853840000036
为表征切换轮加速度的最小阈值，
Figure BDA0002022853840000037
为表征切换轮加速度的最大阈值，阈值的选取根据试验数据进行分析，以获取最优值。
一种考虑车辆轮加速度的多模型轮胎半径自适应系统，该系统包括：
轮加速度估计模块：采用卡尔曼滤波对轮速信号进行处理，获取准确的轮加速度，并将轮加速度信号发送给轮胎半径估计模块和输出融合模块；
轮胎半径估计模块：该模块包括第一估计子模块和第二估计子模块，第一估计子模块根据GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计，第二估计子模块考虑轮加速度，根据轮加速度估计模块计算得到的轮加速度、GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计；
输出融合模块：根据由轮加速度估计模块计算得到的轮加速度对轮胎半径估计模块中两种系统模型估计出的轮胎半径进行融合，最终得到最准确的轮胎半径。
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，成本低廉易实现；
(2)本发明利用卡尔曼滤波技术对轮速信号噪声进行了处理，相比于直接对轮速信号求导得到轮加速度的方法，本方法计算得到的轮加速度信息稳定准确；
(3)本发明考虑了轮加速度对轮胎半径估计系统的影响，在车辆高动态情况下仍能保持较高的轮胎半径估计精度；
(4)本发明建立了多模型轮胎半径估计系统，不同的模型适用于不同车轮动态下的轮胎半径估计，轮加速度的大小表征了车轮动态，因此根据轮加速度阈值对多模型进行了融合，此方法可以保证在车辆平稳行驶或高动态行驶时均能获得稳定准确的轮胎半径估计值。
附图说明
图1为本发明的系统结构框图
图中标记说明：
1为轮加速度估计模块，2为轮胎半径估计模块，3为输出融合模块，4为第一估计子模块，5为第二估计子模块。
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，本例提供一种考虑车辆轮加速度的多模型轮胎半径自适应系统，该系统包括：
轮加速度估计模块1，采用卡尔曼滤波对轮速信号进行处理，得到平稳准确的轮加速度，并将处理后的信号提供给轮胎半径估计模块2和输出融合模块3；
轮胎半径估计模块2分为两部分，第一估计子模块4根据GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计；第二估计子模块5考虑轮加速度，根据轮加速度估计模块计算得到的轮加速度、GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计。
输出融合模块3根据由轮加速度估计模块计算得到的轮加速度对轮胎半径估计模块中两种系统模型估计出的轮胎半径进行融合，最终得到最准确的轮胎半径。
轮加速度估计模块1，采用卡尔曼滤波技术，具体为：
系统状态向量：
Figure BDA0002022853840000051
系统状态转移矩阵：
Figure BDA0002022853840000052
系统测量矩阵：
H＝[1 0]
计算状态预测：
X(k|k-1)＝A(k-1)X(k-1)
计算协方差矩阵预测：
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+Q
计算卡尔曼滤波增益：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R]-1
计算状态更新：
X(k)＝X(k|k-1)+K(k)[Y(k)-HT(k)X(k|k-1)]
计算协方差矩阵更新：
P(k)＝(I-K(k)H(k))P(k|k-1)
其中，ω为轮速，
Figure BDA0002022853840000053
为轮加速度，ΔT为采样间隔，X(k|k-1)表示状态预测值，A(k-1)为上一时刻系统状态转移矩阵，X(k-1)为上一时刻系统状态，P(k|k-1)表示协方差矩阵的预测值，Q表示状态方程过程噪声方差，K(k)为卡尔曼滤波增益，R表示测量过程噪声方差，Y(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。
轮胎半径估计模块2，具体包括：
第一估计子模块4的输入为GNSS传感器测量得到的车辆速度和轮速信号，输出第一轮胎半径估计值r1；
第二估计子模块5的输入为GNSS传感器测量得到的车辆速度、轮速信号和轮加速度估计模块计算得到的轮加速度，输出为第二轮胎半径估计值r2。
第一估计子模块4，采用卡尔曼滤波技术，具体为：
系统状态向量：
Figure BDA0002022853840000061
系统状态转移矩阵：
Figure BDA0002022853840000062
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，v为车速，r1为车轮半径，ω为车轮转速，
Figure BDA0002022853840000063
为轮加速度。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。
第二估计子模块5，采用卡尔曼滤波技术，具体为：
系统状态向量：
Figure BDA0002022853840000071
系统状态转移矩阵：
Figure BDA0002022853840000072
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，r2为车轮半径，ω为车轮转速，
Figure BDA0002022853840000073
为轮加速度，ΔT为采样间隔。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。
输出融合模块，具体为：
Figure BDA0002022853840000074
其中，rout为轮胎半径输出值，r1为轮胎半径估计模块中估计系统一估计得到的轮胎半径，r2为轮胎半径估计模块中估计系统二估计得到的轮胎半径，
Figure BDA0002022853840000075
为轮加速度估计模块输出的轮加速度绝对值，
Figure BDA0002022853840000076
为参数，表征模型切换的轮加速度最小阈值，
Figure BDA0002022853840000077
为参数，表征模型切换的轮加速度最大阈值。
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，从而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。对于智能车来说，准确的轮胎半径也是融合轮速信息进行车辆定位的必要参数之一，有利于车辆进行精确定位。

Claims (2)

1.一种考虑车辆轮加速度的多模型轮胎半径自适应方法，其特征在于，包括以下步骤：
1)轮加速度估计模块采用卡尔曼滤波对GNSS传感器检测到的轮速信号进行估计得到轮加速度信号，轮加速度估计模中，轮加速度信号的估计式为：
X(k)＝X(k|k-1)+K(k)[Y(k)-HT(k)X(k|k-1)]
X(k|k-1)＝A(k-1)X(k-1)
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R]-1
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+Q
P(k)＝(I-K(k)H(k))P(k|k-1)
其中，ω为轮速，
Figure FDA0002666964410000011
为轮加速度，X(k|k-1)为轮加速度估计模块的状态预测值，H(k)为当前时刻的系统测量矩阵，且H＝[10]，A(k-1)分别为上一时刻k-1的系统状态转移矩阵，且
Figure DA00026669644152059
ΔT为采样间隔，X(k)、X(k-1)分别为当前时刻和上一时刻的系统状态，且
Figure FDA0002666964410000012
P(k)为协方差矩阵，P(k|k-1)为协方差矩阵的预测值，Q为状态方程过程噪声方差，K(k)为卡尔曼滤波增益，R为测量过程噪声方差，Y(k)为通过传感器测量得到的当前观测量，I为二阶单位阵；
2)轮胎半径估计模块中的第一估计子模块根据GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第一轮胎半径估计值r1，第一轮胎半径估计值r1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)为第一估计子模块的状态预测值，A1(k-1)为上一时刻系统状态转移矩阵，且
Figure FDA0002666964410000013
H1(k)为当前时刻的系统测量矩阵，且H1＝[1 0]，X1(k)、X1(k-1)为当前时刻和上一时刻的系统状态，且
Figure FDA0002666964410000014
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；
3)轮胎半径估计模块中的第二估计子模块根据轮加速度信号以及GNSS传感器测量得到的车辆速度v和轮速信号进行卡尔曼滤波估计，得到第二轮胎半径估计值r2，第二轮胎半径估计值r2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
X2(k|k-1)＝A2(k-1)X2(k-1)
其中，X2(k|k-1)为第一估计子模块的状态预测值，A2(k-1)为上一时刻系统状态转移矩阵，且
Figure FDA0002666964410000021
H2(k)为当前时刻的系统测量矩阵，且H2＝[1 0]，X2(k)、X2(k-1)为当前时刻和上一时刻的系统状态，且
Figure FDA0002666964410000022
P2(k)为协方差矩阵，P2(k|k-1)为协方差矩阵的预测值，Q2为状态方程过程噪声方差，K2(k)为卡尔曼滤波增益，R2为测量过程噪声方差，Y2(k)为通过传感器测量得到的当前观测量；
4)输出融合模块对第一轮胎半径估计值r1和第二轮胎半径估计值r2进行融合，最终输出轮胎半径输出值rout，轮胎半径输出值rout的融合表达式为：
Figure FDA0002666964410000023
其中，
Figure FDA0002666964410000024
为轮加速度估计模块输出轮加速度的绝对值，
Figure FDA0002666964410000025
为表征切换轮加速度的最小阈值，
Figure FDA0002666964410000026
为表征切换轮加速度的最大阈值。
2.一种实现如根据权利要求1所述的考虑车辆轮加速度的多模型轮胎半径自适应方法的系统，其特征在于，该系统包括：
轮加速度估计模块(1)：采用卡尔曼滤波对轮速信号进行处理，获取准确的轮加速度，并将轮加速度信号发送给轮胎半径估计模块(2)和输出融合模块(3)；
轮胎半径估计模块(2)：该模块包括第一估计子模块和第二估计子模块，第一估计子模块根据GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计，第二估计子模块考虑轮加速度，根据轮加速度估计模块计算得到的轮加速度、GNSS测量得到的速度信息及轮速传感器信息对轮胎半径进行实时估计；
输出融合模块(3)：根据由轮加速度估计模块计算得到的轮加速度对轮胎半径估计模块中两种系统模型估计出的轮胎半径进行融合，最终得到最准确的轮胎半径。
CN201910284624.3A 2019-04-10 2019-04-10 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统 Active CN110095801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284624.3A CN110095801B (zh) 2019-04-10 2019-04-10 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284624.3A CN110095801B (zh) 2019-04-10 2019-04-10 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统

Publications (2)

Publication Number Publication Date
CN110095801A CN110095801A (zh) 2019-08-06
CN110095801B true CN110095801B (zh) 2020-11-27

Family

ID=67444492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284624.3A Active CN110095801B (zh) 2019-04-10 2019-04-10 考虑车辆轮加速度的多模型轮胎半径自适应方法及系统

Country Status (1)

Country Link
CN (1) CN110095801B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023213462A1 (de) * 2022-05-05 2023-11-09 Zf Cv Systems Global Gmbh Verfahren zum ermitteln eines maximalen reibungskoeffizienten eines rades eines fahrzeugs auf einer fahrbahn

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102470835A (zh) * 2009-08-31 2012-05-23 罗伯特·博世有限公司 用于确定车辆中的车辆纵向速度的方法
WO2013170984A1 (de) * 2012-05-16 2013-11-21 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln des umfanges eines an einem fahrzeug verbauten reifens
CN103796885A (zh) * 2011-09-12 2014-05-14 大陆-特韦斯贸易合伙股份公司及两合公司 用于评估车辆的轮胎参数的方法
CN105083373A (zh) * 2015-06-15 2015-11-25 南京航空航天大学 一种基于参数估计的线控转向路感装置及其控制方法
WO2019003296A1 (ja) * 2017-06-27 2019-01-03 川崎重工業株式会社 疑似感情生成方法並びに走行評価方法および走行評価システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3899987B2 (ja) * 2002-04-11 2007-03-28 株式会社豊田中央研究所 物理量推定装置及びタイヤ状態判定装置
CN107985315A (zh) * 2017-11-29 2018-05-04 吉林大学 轮式装载机轮胎纵向力动态估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102470835A (zh) * 2009-08-31 2012-05-23 罗伯特·博世有限公司 用于确定车辆中的车辆纵向速度的方法
CN103796885A (zh) * 2011-09-12 2014-05-14 大陆-特韦斯贸易合伙股份公司及两合公司 用于评估车辆的轮胎参数的方法
WO2013170984A1 (de) * 2012-05-16 2013-11-21 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln des umfanges eines an einem fahrzeug verbauten reifens
CN105083373A (zh) * 2015-06-15 2015-11-25 南京航空航天大学 一种基于参数估计的线控转向路感装置及其控制方法
WO2019003296A1 (ja) * 2017-06-27 2019-01-03 川崎重工業株式会社 疑似感情生成方法並びに走行評価方法および走行評価システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023213462A1 (de) * 2022-05-05 2023-11-09 Zf Cv Systems Global Gmbh Verfahren zum ermitteln eines maximalen reibungskoeffizienten eines rades eines fahrzeugs auf einer fahrbahn

Also Published As

Publication number Publication date
CN110095801A (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
US10597039B2 (en) Method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor
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
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
JP2008032591A (ja) 角速度算出装置およびそのオフセット決定方法並びに車両停車検出装置
US5827963A (en) System and method for determining a density of a fluid
CN107512143B (zh) 轮胎压力计算方法、装置及在自行车上的应用
CN107215734A (zh) 一种用于电梯实时加速度和速度以及位置检测的方法及系统
JP2009274639A (ja) タイヤ空気圧低下検出装置及び方法、並びにタイヤの空気圧低下検出プログラム
CN108931233B (zh) 一种道路侧向坡度值检测方法及装置
CN110095793B (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
CN110083890B (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
CN102551664B (zh) 睡眠分析方法、睡眠分析表及睡眠分析系统
CN114063131A (zh) 一种gnss/ins/轮速组合定位实时平滑的方法
Wang et al. Vehicle state estimation using GPS/IMU integration
CN111163950B (zh) 用于确定周期性信号的瞬时频率和瞬时相位的方法
CN104217001B (zh) 一种基于xml树的车辆自适应轮速计算方法
CN111121827B (zh) 一种基于卡尔曼滤波的tmr磁编码器系统
JP2002131077A (ja) 移動体の停止判定方法及び停止判定装置ならびに停止判定プログラムを記録した記憶媒体
CN111025908B (zh) 基于自适应机动加速度扩展卡尔曼滤波器的航姿参考系统
CN114932912A (zh) 参考车速检测方法、装置、设备及存储介质
JP2010249578A (ja) 変換係数導出装置および変換係数導出方法
CN110389526B (zh) 基于Super-Twisting算法的MEMS陀螺自适应滑模控制方法
JP2012083134A (ja) 即時応答性を向上させた震央距離推定方法
CN110525442B (zh) 坡度检测方法、系统及车辆

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