CN110497915B - 一种基于加权融合算法的汽车行驶状态估计方法 - Google Patents

一种基于加权融合算法的汽车行驶状态估计方法 Download PDF

Info

Publication number
CN110497915B
CN110497915B CN201910751854.6A CN201910751854A CN110497915B CN 110497915 B CN110497915 B CN 110497915B CN 201910751854 A CN201910751854 A CN 201910751854A CN 110497915 B CN110497915 B CN 110497915B
Authority
CN
China
Prior art keywords
automobile
wheel
state
mass center
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.)
Active
Application number
CN201910751854.6A
Other languages
English (en)
Other versions
CN110497915A (zh
Inventor
连晋毅
任艳强
张喜清
智晋宁
李占龙
薛昊渊
王嘉仑
贾春路
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201910751854.6A priority Critical patent/CN110497915B/zh
Publication of CN110497915A publication Critical patent/CN110497915A/zh
Application granted granted Critical
Publication of CN110497915B publication Critical patent/CN110497915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • G06F17/13—Differential equations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本专利属于汽车行驶状态估计方法技术领域，具体涉及一种基于加权融合算法的汽车行驶状态估计方法，包括下列步骤：S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程；S2、基于三自由度运动微分方程建立状态空间表达式；S3、将状态空间表达式离散化，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；S5、采用加权融合算法，获得汽车质心侧偏角的最优估计值。本发明通过加权融合算法，求得最优加权因子，进一步可得最优状态估计值，精度得到了一定程度的提升。本发明用于汽车行驶状态的估计。

Description

一种基于加权融合算法的汽车行驶状态估计方法
技术领域
本专利属于汽车行驶状态估计方法技术领域，具体涉及一种基于加权融合算法的汽车行驶状态估计方法。
背景技术
车辆质心侧偏角是表征车辆稳定性和安全性的一个重要状态参数，但其无法直接测量，只能进行观测与估算。虽然横摆角速度能通过方向盘转角传感器测得，但其测量精度较差。因此对汽车质心侧偏角与横摆角速度的估计是一个重点及难点。对于汽车整个系统而言，由于其行驶过程是一个处于非线性非高斯分布的随机过程，而粒子滤波算法能够有效的解决非高斯非线性系统的状态观测。
当前质心侧偏角与横摆角速度估计器大多建立在线性二自由度汽车运动模型上，尽管二自由度模型在车轮侧偏角小于5°时能够准确的进行汽车行驶状态的估计，但在汽车极限运动或高速行驶的情况下，由于轮胎处于非线性状态，此时估计效果较差。此外。基于非线性三自由度的粒子滤波估计器，由于观测量的不唯一，大部分采用均值思想进行行驶状态的估计，均值思想由于忽略了各传感器之间的测量精度，按统一测量精度处理观测数值，导致状态估计精度较差。
发明内容
针对上述技术问题，提供了一种精度高的基于加权融合算法的汽车行驶状态估计方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于加权融合算法的汽车行驶状态估计方法，包括下列步骤：
S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程；
S2、基于三自由度运动微分方程建立状态空间表达式；
S3、将状态空间表达式离散化，建立关于汽车质心纵向速度、侧向速度以及横摆角速度的状态方程与量测方程，将所述汽车质心纵向速度、侧向速度以及横摆角速度迭代至粒子滤波估计器中，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；
S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；
S5、采用加权融合算法，获得汽车质心侧偏角的最优估计值。
所述S1中三自由度运动微分方程的求法为：
纵向运动：FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
Figure GDA0002792358970000021
侧向运动：FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
Figure GDA0002792358970000022
横摆运动：
Figure GDA0002792358970000023
Figure GDA0002792358970000024
Figure GDA0002792358970000025
FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，L为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，IZ为汽车绕Z轴的转动惯量。
整理上述公式可得三自由度非线性运动微分方程为：
Figure GDA0002792358970000031
Figure GDA0002792358970000032
Figure GDA0002792358970000033
所述S2中状态空间表达式为：
Figure GDA0002792358970000034
Z(t)＝C(t)·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t)VY(t)Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Figure GDA0002792358970000035
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t)Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，
Figure GDA0002792358970000036
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径，a为汽车前轴中心至汽车质心的距离，L为汽车轮距。
所述S3中将三自由度空间状态表达式离散化为：
Figure GDA0002792358970000041
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值U(kT)为k时刻系统的输入变量，Z(kT)为k时刻的待观测向量，Wk为过程噪声，Vk为观测噪声，C、D向量随着观测向量的不同而在改变，G(T)＝eAT，
Figure GDA0002792358970000042
G(T)、H(T)分别为两个中间变量，T为粒子滤波器的采样时间，B为常向量B。
所述S3中粒子滤波估计器的算法为：利用离散化的非线性空间状态表达式，根据上一时刻的状态估计值求当前时刻的状态预测值，根据状态空间表达式中的量测方程，结合传感器的测量方差，求解各粒子的权值，并且进行粒子权值的归一化处理，进行粒子的重采样，所述粒子滤波估计器采用轮盘赌进行粒子的重采样，用N个粒子的样本序列，利用均值求出当前时刻状态的估计值，将各个时刻状态估计值输出，即可求得某一行驶工况下汽车行驶状态的估计。
所述S4中汽车质心侧偏角的估计值的求法为：汽车质心侧偏角的估计值为
Figure GDA0002792358970000043
所述S5中加权融合算法为：设左前轮转矩传感器、右前轮转矩传感器、左后轮转矩传感器、右后轮转矩传感器的方差分别为σ1 2、σ2 2、σ3 2、σ4 2针对单个车轮转矩，通过S3粒子滤波算法的状态估计值为：左前轮：X1、右前轮：X2、左后轮：X3、右后轮：X4，首先，将X1、X2、X3、X4进行融合，融合后状态估计值为
Figure GDA0002792358970000044
此时
Figure GDA0002792358970000045
Figure GDA0002792358970000051
其中，wi(i＝1,2,3,4)分别为左前轮，右前轮，左后轮，右后轮状态估计值的加权因子，此时，总方差σ2为：
Figure GDA0002792358970000052
利用朗格朗日乘法(最优极值理论)，可得各车轮的最优加权因子为：
Figure GDA0002792358970000053
通过加权融合算法得到车辆行驶状态的最优估计值
Figure GDA0002792358970000054
为：
Figure GDA0002792358970000055
所述S5中质心侧偏角的最优估计值的求法为在总方差最小条件下的最优汽车质心侧向速度与汽车质心纵向速度基础上，求最优质心侧偏角的估计值
Figure GDA0002792358970000056
所述
Figure GDA0002792358970000057
本发明与现有技术相比，具有的有益效果是：
1、本发明采用粒子滤波算法进行车辆状态的估计，能够有效的解决汽车行驶过程中非线性非高斯状态的估计，相比于其他估计器，更能降低噪声对观测精度的影响，提高整体状态估计的精度。
2、通过加权融合算法，在总方差最小的条件下，根据各传感器的测量值以及传感器的测量方差，求得最优加权因子，进一步可得最优状态估计值，相比于标准粒子滤波估计器得到的状态值，精度得到了一定程度的提升。
附图说明
图1为本发明所述的三自由度汽车模型简图；
图2为粒子滤波算法流程图；
图3为本发明所述的质心侧偏角对比图；
图4为本发明所述的横摆角速度对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
S1、如图1所示，考虑汽车的纵向运动，侧向运动以及横摆运动建立非线性三自由度汽车模型，推导汽车的纵向运动，侧向运动以及横摆运动的微分方程如下：
纵向的受力平衡方程为：
FX＝MaX
其中M为整车质量，FX为汽车受到的外力沿X方向的合力，aX为汽车在行驶过程中沿X方向的加速度。假设前左轮与前右轮转角相同，后左轮与后右轮转角为0，且不考虑车轮侧倾角的影响，则有：
FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
Figure GDA0002792358970000061
其中，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力，aX为汽车纵向加速度，VX为汽车质心速度，VY为汽车横向加速度，Wr为横摆角速度。
侧向的受力平衡方程为：
FY＝MaY
其中FY为汽车受到的外力沿Y方向的合力，aY为汽车的侧向加速度，
FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
Figure GDA0002792358970000071
绕Z轴的力矩方程为：
Figure GDA0002792358970000072
其中，MZ为横摆力矩，IZ为汽车绕Z轴的转动惯量
Figure GDA0002792358970000073
FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，L为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，Wr为横摆角速度，IZ为汽车绕Z轴的转动惯量。
整理上述公式可得三自由度非线性运动微分方程为：
Figure GDA0002792358970000074
Figure GDA0002792358970000075
Figure GDA0002792358970000076
S2、将三自由度非线性运动微分方程转化为空间状态表达式，
Figure GDA0002792358970000077
Z(t)＝C(t)·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Figure GDA0002792358970000081
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t)Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，
Figure GDA0002792358970000082
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径(将各个车轮与地面间的相对滑移率以及滚动半径近似的看作相等)，a为汽车前轴中心至汽车质心的距离，L为汽车轮距。
S3、将三自由度空间状态表达式离散化为：
Figure GDA0002792358970000083
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值U(kT)为k时刻系统的输入变量，Z(kT)为k时刻的待观测向量，Wk为过程噪声，Vk为观测噪声，C、D向量随着观测向量的不同而在改变，G(T)＝eAT，
Figure GDA0002792358970000084
G(T)、H(T)分别为两个中间变量，T为粒子滤波器的采样时间，B为常向量B。
利用粒子滤波算法求解离散化的空间状态表达式，如图2所示为粒子滤波算法流程图。
首先，初始化各种参数设置，在k＝0时刻，随机生成N个粒子；
在k＝1,2,……时刻，循环执行以下几个步骤：
S3.1、利用离散化的非线性空间状态表达式，根据上一时刻的状态估计值求当前时刻的状态预测值；
S3.2、根据状态空间表达式中的量测方程，结合传感器的测量方差，求解各粒子的权值，并且进行粒子权值的归一化处理；
S3.3、进行粒子的重采样，所述粒子滤波估计器采用轮盘赌进行粒子的重采样；
S3.4、用N个粒子的样本序列，利用均值求出当前时刻状态的估计值；
最后，将各个时刻状态估计值输出，即可求得某一行驶工况下汽车行驶状态的估计。
S4、汽车质心侧偏角的估计值为汽车质心侧偏角的估计值为
Figure GDA0002792358970000091
S5、由于传感器制造误差的存在，各传感器的测量值存在一定程度的偏差。在S3的基础上，对通过粒子滤波算法估计的状态值进行融合算法，使得在总体方差最小的条件下，通过求解最优加权因子，使融合后的状态估计值最优。
S6、设左前轮转矩传感器、右前轮转矩传感器、左后轮转矩传感器、右后轮转矩传感器的方差分别为σ1 2、σ2 2、σ3 2、σ4 2针对单个车轮转矩，通过S3粒子滤波算法的状态估计值为：左前轮：X1、右前轮：X2、左后轮：X3、右后轮：X4，首先，将X1、X2、X3、X4进行融合，融合后状态估计值为
Figure GDA0002792358970000092
此时
Figure GDA0002792358970000093
Figure GDA0002792358970000094
其中，wi(i＝1,2,3,4)分别为左前轮，右前轮，左后轮，右后轮状态估计值的加权因子，此时，总方差σ2为：
Figure GDA0002792358970000101
利用朗格朗日乘法(最优极值理论)，可得各车轮的最优加权因子为：
Figure GDA0002792358970000102
通过加权融合算法得到车辆行驶状态的最优估计值
Figure GDA0002792358970000103
为：
Figure GDA0002792358970000104
在总方差最小条件下的最优汽车质心侧向速度与汽车质心纵向速度基础上，求最优质心侧偏角的估计值
Figure GDA0002792358970000105
所述
Figure GDA0002792358970000106
实施例
图3，图4为汽车在120km/h高速蛇形行驶工况下的仿真结果图，从图中可以清楚看出，粒子滤波算法可以有效的实现质心侧偏角与横摆角速度的状态，而相比于均值法，基于加权融合的粒子滤波算法估计精度更高，跟随效果更好。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：包括下列步骤：
S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程；
S2、基于三自由度运动微分方程建立状态空间表达式；
S3、将状态空间表达式离散化，建立关于汽车质心纵向速度、侧向速度以及横摆角速度的状态方程与量测方程，将所述汽车质心纵向速度、侧向速度以及横摆角速度迭代至粒子滤波估计器中，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值，所述粒子滤波估计器的算法为：利用离散化的非线性状态空间表达式，根据上一时刻的状态估计值求当前时刻的状态预测值，根据状态空间表达式中的量测方程，结合传感器的测量方差，求解各粒子的权值，并且进行粒子权值的归一化处理，进行粒子的重采样，所述粒子滤波估计器采用轮盘赌进行粒子的重采样，用N个粒子的样本序列，利用均值求出当前时刻状态的估计值，将各个时刻状态估计值输出，即可求得某一行驶工况下汽车行驶状态的估计；
S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；
S5、采用加权融合算法，获得汽车质心侧偏角的最优估计值，所述加权融合算法为：设左前轮转矩传感器、右前轮转矩传感器、左后轮转矩传感器、右后轮转矩传感器的方差分别为σ1 2、σ2 2、σ3 2、σ4 2，针对单个车轮转矩，通过S3粒子滤波算法的状态估计值为：左前轮：X1、右前轮：X2、左后轮：X3、右后轮：X4，首先，将X1、X2、X3、X4进行融合，融合后状态估计值为
Figure FDA0002792358960000011
此时
Figure FDA0002792358960000012
Figure FDA0002792358960000021
其中，wi(i＝1,2,3,4)分别为左前轮，右前轮，左后轮，右后轮状态估计值的加权因子，此时，总方差σ2为：
Figure FDA0002792358960000022
利用朗格朗日乘法，可得各车轮的最优加权因子为：
Figure FDA0002792358960000023
通过加权融合算法得到车辆行驶状态的最优估计值
Figure FDA00027923589600000210
为：
Figure FDA0002792358960000024
2.根据权利要求1所述的一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：所述S1中三自由度运动微分方程的求法为：
纵向运动：FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
Figure FDA0002792358960000025
侧向运动：FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
Figure FDA0002792358960000026
横摆运动：
Figure FDA0002792358960000027
Figure FDA0002792358960000028
Figure FDA0002792358960000029
FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，L为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，Wr为横摆角速度，IZ为汽车绕Z轴的转动惯量；
整理上述公式可得三自由度非线性运动微分方程为：
Figure FDA0002792358960000031
Figure FDA0002792358960000032
Figure FDA0002792358960000033
3.根据权利要求1所述的一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：所述S2中状态空间表达式为：
Figure FDA0002792358960000034
Z(t)＝C·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Figure FDA0002792358960000035
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t) Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，IZ为汽车绕Z轴的转动惯量，M为整车质量，Wr为汽车质心的横摆角速度，δ为汽车的前轮转角，A为变向量A，B为常向量B；
Figure FDA0002792358960000041
D＝0
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径，a为汽车前轴中心至汽车质心的距离，L为汽车轮距。
4.根据权利要求1所述的一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：所述S3中将三自由度状态空间表达式离散化为：
Figure FDA0002792358960000042
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值U(kT)为k时刻系统的输入变量，Z(kT)为k时刻的待观测向量，Wk为过程噪声，Vk为观测噪声，C、D向量随着观测向量的不同而在改变，G(T)＝eAT，
Figure FDA0002792358960000043
G(T)、H(T)分别为两个中间变量，T为粒子滤波器的采样时间，B为常向量B。
5.根据权利要求1所述的一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：所述S4中汽车质心侧偏角的估计值的求法为：汽车质心侧偏角的估计值为
Figure FDA0002792358960000044
6.根据权利要求1所述的一种基于加权融合算法的汽车行驶状态估计方法，其特征在于：所述S5中质心侧偏角的最优估计值的求法为在总方差最小条件下的最优汽车质心侧向速度与汽车质心纵向速度基础上，求最优质心侧偏角的估计值
Figure FDA0002792358960000046
所述
Figure FDA0002792358960000045
VX为汽车质心纵向速度，VY为汽车质心侧向速度。
CN201910751854.6A 2019-08-15 2019-08-15 一种基于加权融合算法的汽车行驶状态估计方法 Active CN110497915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910751854.6A CN110497915B (zh) 2019-08-15 2019-08-15 一种基于加权融合算法的汽车行驶状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910751854.6A CN110497915B (zh) 2019-08-15 2019-08-15 一种基于加权融合算法的汽车行驶状态估计方法

Publications (2)

Publication Number Publication Date
CN110497915A CN110497915A (zh) 2019-11-26
CN110497915B true CN110497915B (zh) 2021-03-05

Family

ID=68587453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910751854.6A Active CN110497915B (zh) 2019-08-15 2019-08-15 一种基于加权融合算法的汽车行驶状态估计方法

Country Status (1)

Country Link
CN (1) CN110497915B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110884499B (zh) * 2019-12-19 2021-03-19 北京理工大学 一种确定车辆质心侧偏角的方法和系统
CN112009488B (zh) * 2020-09-11 2021-10-08 重庆大学 一种基于粒子滤波算法的车辆状态估计方法
CN113085880B (zh) * 2021-04-15 2022-05-24 南京航空航天大学 一种基于粒子滤波和随机漫步模型的车辆状态预测方法
CN114475624A (zh) * 2021-07-20 2022-05-13 浙江万安科技股份有限公司 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法
KR102551794B1 (ko) * 2021-10-21 2023-07-04 전남대학교산학협력단 파티클 필터를 이용한 전자 유압 엑추에이터를 포함하는 비선형 능동 서스펜션의 상태추정 방법 및 이를 포함하는 전자장치

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4644814A (en) * 1985-07-22 1987-02-24 Rouverol William S Wide-angle gearing
CN102556075B (zh) * 2011-12-15 2015-04-01 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
JP6820204B2 (ja) * 2017-01-18 2021-01-27 日本放送協会 状態推定器、及びプログラム
CN107054454B (zh) * 2017-05-10 2023-04-18 南京航空航天大学 一种基于参数估计的线控转向控制系统及控制方法
CN108162976A (zh) * 2017-12-21 2018-06-15 江苏大学 一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法
CN108594652B (zh) * 2018-03-19 2021-05-25 江苏大学 一种基于观测器信息迭代的车辆状态融合估计方法
CN108545081B (zh) * 2018-03-20 2020-04-28 北京理工大学 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
CN108444471A (zh) * 2018-05-03 2018-08-24 天津大学 一种基于粒子滤波与小波变换的加速度计信号去噪方法
CN109782325B (zh) * 2019-03-06 2021-03-12 西南交通大学 基于粒子滤波和多传感器信息融合的列车速度估计方法

Also Published As

Publication number Publication date
CN110497915A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110497915B (zh) 一种基于加权融合算法的汽车行驶状态估计方法
CN108594652B (zh) 一种基于观测器信息迭代的车辆状态融合估计方法
CN107016157B (zh) 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
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
CN110497916B (zh) 基于bp神经网络的汽车行驶状态估计方法
CN104354700A (zh) 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
CN106394561A (zh) 一种车辆的纵向车速的估计方法和装置
CN113460056B (zh) 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法
CN102165300A (zh) 用于求出汽车重心的方法和设备
CN103279675B (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
Pi et al. Design and evaluation of sideslip angle observer for vehicle stability control
CN111796522B (zh) 一种车辆状态估计方法
CN116923428B (zh) 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法
Doumiati et al. Estimation of vehicle lateral tire-road forces: a comparison between extended and unscented Kalman filtering
CN112270039A (zh) 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN111688715B (zh) 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法
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
Doumiati et al. Unscented Kalman filter for real-time vehicle lateral tire forces and sideslip angle estimation
Tong An approach for vehicle state estimation using extended Kalman filter
CN113104040B (zh) 一种考虑观测信息时域衰减的轮胎-路面附着系数获取方法
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法
Lee et al. Tire lateral force estimation using Kalman filter
CN113650621B (zh) 面向复杂工况的分布式驱动电动汽车状态参数估计方法
Ghosh et al. Sideslip angle estimation of a Formula SAE racing vehicle
Lian et al. Direct yaw-moment robust control for electric vehicles based on simplified lateral tire dynamic models and vehicle model

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