CN110532590B - 一种基于自适应容积粒子滤波的车辆状态估计方法 - Google Patents

Abstract

本发明公开了一种基于自适应容积粒子滤波(ACPF)的车辆状态估计方法，包括：首先基于非稳态动态轮胎模型，构建高维度非线性八自由度车辆动力学模型；其次利用自适应容积卡尔曼滤波算法更新基本粒子滤波算法的重要性密度函数，以此完成自适应容积粒子滤波算法设计；利用车载传感器信息，运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。最后搭建Simulink‑Carsim联合仿真平台进行了算法的验证，结果表明该算法状态估计精度高于传统无迹粒子滤波(UPF)算法，且算法运算效率高于UPF算法。

Description

一种基于自适应容积粒子滤波的车辆状态估计方法

技术领域

本发明涉及一种基于自适应容积粒子滤波(ACPF)的车辆状态估计方法，属于车辆监控技术领域。

背景技术

随着智能车的兴起和火热化，基于车辆动力学的整车控制要求变得越来越高，其中不可避免的涉及到准确识别车辆本身的状态。驾驶员在驾驶汽车时，能够对车辆某些状态变量如车身侧倾角进行感性认识，然而智能车控制器确做不到这一点，因此使用廉价车载传感器获得已知状态信息对车辆某些未知的状态进行估计，使动力学控制所需的必要状态参数进行数据可视化显得尤为重要。

目前车辆状态估计主要方法有卡尔曼滤波、粒子滤波、模糊逻辑法、神经网络法、滑膜观测器法、Luenberger观测器法、鲁棒观测器法，以及在经典卡尔曼滤波(KF)算法和基本粒子滤波(PF)算法基础上发展而来的有扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)、无迹粒子滤波(UPF)等。但都存在有各种问题：模糊逻辑法中比例因子和量化因子难以确定，神经网络法依赖传感器和处理器性能，滑膜观测器法进行状态估计存在抖振现象，Luenberger观测器法在某些情况下存在低估估计偏差，EKF需要对状态方程进行一阶泰勒展开降低了估算精度，UKF和CKF不需要计算非线性函数的雅克比矩阵，提高了估计精度，但在非高斯系统状态估计中可能出现发散现象；粒子滤波在处理非线性非高斯系统状态估计中表现出较好的性能，但是由于难以选择重要性密度函数导致易出现粒子退化问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于自适应容积粒子滤波的车辆状态估计方法，通过自适应容积卡尔曼滤波(ACKF)设计粒子滤波重要性密度函数，引入传感器最新观测数据，构成自适应容积粒子滤波(ACPF)，从而在兼顾系统的非线性和非高斯特性下更加逼近系统状态后验概率密度，有效提高系统状态估计精度。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于自适应容积粒子滤波的车辆状态估计方法，包括下述步骤：

步骤1根据待估计状态变量和通过车载传感器获得的信息应用达朗贝尔原理建立车辆动力学模型，并转换成状态方程和量测方程的形式；

步骤2算法初始化：根据球面径向准则确定容积点和对应的权值，从初始状态概率密度分布函数抽取粒子和协方差矩阵；

步骤3采用ACKF设计粒子滤波重要性密度采样函数，引入传感器最新采集数据，产生预测粒子集合和对应的方差；

步骤4重新产生粒子、计算重要性权值并权值归一化；

步骤5根据权值归一化结果，对粒子集合进行重采样；

步骤6计算当前时刻粒子滤波的状态估计值和误差协方差矩阵；

步骤7判断状态估计是否结束，如果结束，输出估计结果并退出状态估计；如果未结束，则输出估计结果，并将估计结果和最新观测数据输入到步骤3中，继续进行状态估计。

本发明在CKF算法基础上，引入自适应因子改善观测异常的影响，构成自适应容积卡尔曼(ACKF)来设计PF算法的重要性密度函数，以此引入最新观测数据，构成自适应容积粒子滤波(ACPF)来进行状态估计。

Doguff轮胎模型基础上，引入动态轮胎模型建立非稳态动态轮胎模型，建立包括侧倾、横摆、纵向、侧向在内的八自由度车辆模型，选择ACPF算法进行车辆状态估计，对纵向车速、侧向车速、横摆角速度、侧倾角速度、侧倾角、质心侧偏角参数进行观测。

进一步的，所述车载传感器包括各车轮轮速传感器、纵向加速度传感器、侧向加速度传感器、侧倾角速度传感器和横摆角速度传感器、方向盘转角传感器。

进一步的，所述车辆系统模型的状态方程和量测方程形式为：

其中，

为待估计状态变量，u(t)＝[δ,w_fl,w_fr,w_rl,w_rr]'为输入变量，z(t)＝[a_x,a_y,p,w_r]'为观测变量，观测变量和输入变量为通过车载传感器获得的信息，w(t)、v(t)分别为过程噪声和量测噪声；

此外，状态方程f(x(t),u(t))为：

量测方程h(x(t),u(t))为：

式中，x₁＝V_x，x₂＝V_y，x₃＝w_r，x₄＝p，

∑M_z＝(F_xrr-F_xrl)d_r/2-b(F_yrl+F_yrr)+a(F_xflsinδ_fl+F_xfrsinδ_fr+F_yflcosδ_fl+F_yfrcosδ_fr)+(F_xfrcosδ_fr-F_xflcosδ_fl+F_yflsinδ_fl-F_yfrsinδ_fr)d_f/2

∑F_y＝F_xflsinδ_fl+F_xfrsinδ_fr+F_yflcosδ_fl+F_yfrcosδ_fr+F_yrl+F_yrr

∑F_x＝F_xflcosδ_fl+F_xfrcosδ_fr-F_yflsinδ_fl-F_yfrsinδ_fr+F_xrl+F_xrr

式中，m为车辆总质量，m_s为车辆簧载质量，V_x为车辆质心纵向速度，V_y为车辆质心侧向速度，w_r为质心横摆角速度，e为侧倾臂高度，

为质心侧倾角，p为质心侧倾角速度，δ为方向盘转角，∑F_x为车辆轮胎纵向合力，∑F_y为车辆轮胎侧向合力，a_x为车辆质心纵向加速度，a_y为车辆质心侧向加速度，i＝f、r分别表示前轮和后轮，j＝l、r分别表示左轮和右轮，w_ij为车轮转速，δ_ij为轮胎侧偏角，F_xij为轮胎纵向力，F_yij为轮胎侧向力，∑M_x为车辆侧倾力矩，∑M_z为车辆横摆力矩，I_xxs为车辆簧载质量绕x轴的转动惯量，I_xzs为车辆簧载质量绕x、z轴的转动惯量积，I_zz为车辆横摆转动惯量，g为重力加速度，/>

为车辆侧倾刚度，/>

为车辆侧倾阻尼，a为车辆质心距前轴的距离，b为车辆质心距后轴的距离，d_f为车辆前轴轮距，d_r为车辆后轴轮距。

进一步的，所述步骤2中，算法初始化过程具体包括：输入状态方程和量测方程中的固定参数信息、待估计量初值、过程噪声和量测噪声协方差矩阵、误差协方差矩阵、粒子数和滤波参数、采样时间；

而后根据球面径向准则产生2M个容积点和对应的权值，即：

其中，M为状态方程维数，ξ_n为第n个容积点，ω_cn表示第n个权值，[I]_n表示容积点集[I]第n列，采用三阶容积原则，容积点集[I]为：[I]＝[I¹，-I¹]，I¹为5×5单位矩阵；

从初始状态概率分布密度p(x₀)抽取粒子

式中，

为初始粒子，/>

为初始粒子均值，/>

初始粒子误差协方差。

进一步的，所述步骤3分为时间更新和量测更新过程，具体步骤如下：

3.1时间更新：

对误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过状态方程传导的Cubature点：

更新状态预测值和误差协方差预测值：

式中，时刻k＝1,2,3，···，

为k-1时刻的状态估计值，u_k-1为k-1时刻由传感器获得的输入量，w_k-1为k-1时刻过程噪声。

3.2量测更新：

对更新后的误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过量测方程传导的Cubature点：

更新量测一步预测：

更新量测误差协方差预测值：

计算互协方差：

计算容积卡尔曼滤波增益矩阵：

计算容积卡尔曼滤波之后的状态估计值：

计算容积卡尔曼滤波之后的误差协方差估计值：

其中α_k为自适应因子，计算方程为：

式中，

进一步的，所述步骤5中，重采样方法选取兼容计算量和性能的残差重采样。

有益效果：本发明提供的一种基于自适应容积粒子滤波的车辆状态估计方法，相对于现有技术，具有以下优点：

1、通过车载廉价传感器获取的信息，对整车控制过程中的状态参数进行估计，不仅对传感器直接获得的信息尽量滤波处理，而且对传感器不能直接获得的信息进行高效估计，估计精度较高，满足整车控制要求；

2、引入自适应因子改善观测异常的影响，进而通过自适应容积卡尔曼滤波(ACKF)设计粒子滤波重要性密度函数，引入传感器最新观测数据，构成自适应容积粒子滤波(ACPF)，从而在兼顾系统的非线性和非高斯特性下更加逼近系统状态后验概率密度，提高系统状态估计精度；

3、在同样估精度要求下，ACPF算法运行时间短于UPF算法。

附图说明

图1为本发明中自适应容积粒子滤波(ACPF)算法的流程图；

图2a和2b分别为本发明中车辆动力学模型的俯视图和主视图；

图3为本发明实施例中状态估计simulink仿真结构图；

图4a和4b分别为本发明实施例中仿真工况的侧向加速度图和各车轮转速图；

图5a和5b分别为本发明实施例中仿真工况的纵向速度估计结果和纵向速度估计绝对误差图；

图6a和6b分别为本发明实施例中仿真工况的侧向速度估计结果和侧向速度估计绝对误差图；

图7a和7b分别为本发明实施例中仿真工况的质心侧偏角估计结果和质心侧偏角估计绝对误差图；

图8a和8b分别为本发明实施例中仿真工况的横摆角速度估计结果和横摆角速度估计绝对误差图；

图9a和9b分别为本发明实施例中仿真工况的车身侧倾角速度估计结果和车身侧倾角速度估计绝对误差图；

图10a和10b分别为本发明实施例中仿真工况的车身侧倾角估计结果和车身侧倾角估计绝对误差图。

具体实施方式

下面结合附图及实施例对本发明的车辆状态估计方法进行详细说明。

如图2a和2b所示，首先建立八自由度车辆动力学模型。

纵向运动动力学方程为:

侧向运动动力学方程为:

侧倾运动动力学方程为:

横摆运动动力学方程为:

式中，m为车辆总质量，m_s为车辆簧载质量，V_x为车辆质心纵向速度，V_y为车辆质心侧向速度，w_r为质心横摆角速度，e为侧倾臂高度，

为质心侧倾角，p为质心侧倾角速度，δ为方向盘转角，∑F_x为车辆轮胎纵向合力，∑F_y为车辆轮胎侧向合力，a_x为车辆质心纵向加速度，a_y为车辆质心侧向加速度；i＝f、r分别表示前轮和后轮，j＝l、r分别表示左轮和右轮，w_ij为车轮转速，δ_ij为轮胎侧偏角，F_xij为轮胎纵向力，F_yij为轮胎侧向力，∑M_x为车辆侧倾力矩，∑M_z为车辆横摆力矩，I_xxs为车辆簧载质量绕x轴的转动惯量，I_xzs为车辆簧载质量绕x、z轴的转动惯量积，I_zz为车辆横摆转动惯量，g为重力加速度，/>

为车辆侧倾刚度，/>

为车辆侧倾阻尼，a为车辆质心距前轴的距离，b为车辆质心距后轴的距离，d_f为车辆前轴轮距，d_r为车辆后轴轮距。

目前，广泛应用的非线性轮胎模型有理论模型、半经验模型和经验模型，本文采用基于先进分析的理论轮胎模型：Doguff轮胎模型，即：

式中，C_xij、C_yij为车轮纵向、侧向侧偏刚度。

上式中建立的Doguff轮胎模型更适用于稳态轮胎，为更好的描述轮胎的非线性特征，本文在稳态轮胎模型的基础上引入动态轮胎模型松弛时间常数τ_{ij_lag}来说明非线性轮胎力的滞后效应，以此得到非稳态动态轮胎模型，即：

式中，σ_ij为松弛因子；F_{xij_stat}，F_{yij_stat}为通过Doguff轮胎模型计算得到的稳态轮胎力。

其他参数的计算公式如下：

质心侧偏角：

各轮前进速度：

轮胎侧偏角：

轮胎垂直力：

其中，

/>

滑移率定义为：

式中，V_ij为车轮前进速度，m_usf、m_usr分别为车辆前后非簧载质量，h为整车质心高度，L_fs、L_rs分别为簧载质量质心到前后轴的距离，h_rf、h_rr分别为前后侧倾中心高度，h_uf、h_ur分别为前后非簧载质量质心高度，w_ij为车轮旋转角速度，R为车轮有效半径。

根据建立的动力学模型，转换成状态方程和量测方程的形式如下

得到f(x(t),u(t))和h(x(t),u(t))如下：

其中，∑F_x和∑F_y如动力学方程中所示，E和∑M_x如下所示：

其中，

为待估计状态变量；u(t)＝[δ,w_fl,w_fr,w_rl,w_rr]'为输入变量；z(t)＝[a_x,a_y,p,w_r]'为观测变量，观测变量和输入变量信息由车载传感器获得；w(t)、v(t)分别为过程噪声和量测噪声。

根据建立的状态方程、量测方程和车载传感器获得的信息，开始进行状态估计，如图1所示：

当k＝0时：

根据球面径向准则产生2M个(M为状态方程维数，本文为5)容积点和对应的权值,即：

其中，ξ_n为第n个容积点，ω_cn表示第n个权值，[I]_n表示容积点集[I]第n列，采用三阶容积原则，本文中容积点集[I]为：[I]＝[I¹，-I¹]，I¹为5×5单位矩阵。

从初始状态概率分布密度p(x₀)抽取粒子

且

当k＝1,2,···,时：

首先，采用ACKF设计重要性采样密度函数，产生预测粒子集合和对应的方差(

N为粒子数)，分为时间更新和量测更新，具体步骤如下：

时间更新：

对误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过状态方程传导的Cubature点：

更新状态一步预测值和误差协方差预测值：

时刻k＝1,2,3，···，

为k-1时刻的状态估计值，u_k-1为k-1时刻由传感器获得的输入量，w_k-1为k-1时刻过程噪声。

量测更新：

对更新后的误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过量测方程传导的Cubature点：

更新量测一步预测：

/>

更新量测误差协方差预测值：

计算互协方差：

计算容积卡尔曼滤波增益矩阵：

计算容积卡尔曼滤波之后的状态估计值：

计算容积卡尔曼滤波之后的误差协方差估计值：

其中α_k为自适应因子，计算方程为：

式中，

重采样并计算估计值：

重新产生粒子：

计算重要性权值：

权值归一化：

根据归一化结果对粒子集进行重采样，得到等权值为1/N的粒子集

计算粒子滤波的状态估计值和误差协方差估计值：

至此，算法输出状态估计值，并判断算法是否结束，如否，则将状态估计值和误差协方差估计值输入算法继续进行估计；如是，则算法结束。

下面结合具体实施例对本状态估计方法的正确性进行验证，搭建MATLAB/Simulink和Carsim联合仿真平台,结构如图3所示,输入整车参数.初始车速为120km/h,选取高附着系数的沥青路面,在双移线工况下对自适应容积粒子滤波(ACPF)和无迹粒子滤波(UPF)两种算法进行状态估计结果进行对比,仿真工况如图4a至图4b所示,估计结果和对比分析结果如图5a至图10b所示。

从图4a中可以看出，最大侧向加速度为6.07m/s²，此时轮胎已处于非线性工作区域，整车处于强非线性状态；从图4b中可以看出从1.2s时刻开始，车辆开始进入双移线工况，汽车左右车轮转速开始出现偏差，到7.6s时刻双移线工况结束。前后两侧车轮旋转角速度开始时刻相同，但因仿真车是前驱车，所以0.3s时刻初始化结束后到双移线工况前和双移线工况后同车轴两侧车轮转速相同，且前轴车轮转速略大于后轴车轮转速。

图5a～图7b分别为ACPF算法和UPF算法对纵向车速、侧向车速和质心侧偏角的估计值和估计值相对于参考值的绝对误差图。从估计值图中可以看出两种估计算法从开始时刻都能够稳定地跟踪参考值，从估计值相对于参考值的绝对误差图中可以看出，ACPF算法对纵向速度、侧向速度和质心侧偏角的估计值最大瞬态偏差分别降低了0.11m/s²、0.05m/s²、0.09°。图6b和图7b的绝对误差走势基本一样，这是因为质心侧偏角是由纵向速度和侧向速度计算得到，两种算法纵向速度估计基本一致，而ACPF算法对侧向速度的估计精度提高了3％，因此ACPF估计质心侧偏角的精度也提高了3％。

图8a～图10b分别为ACPF算法和UPF算法对横摆角速度、侧倾角速度和侧倾角的估计值和估计值相对于参考值的绝对误差图。从估计值图中可以看出两种估计算法自始至终都能够稳定的跟踪参考值(三线重合度较高)。从图8b中误差分析图可以看出，ACPF估计值的最大瞬态偏差为比UPF估计值的最大瞬态误差减少了大约0.3°/s，估计精度提高了一个量级。从图9b和图10b中误差分析图可以看出，与UPF算法相比，ACPF算法进行侧倾角速度和侧倾角估计最大瞬态偏差分别提高了0.025°/s和0.003°，虽然最大瞬态偏差有所提高，但是此时ACPF算法估计的相对误差分别为2.831％和2.8392％，估计精度仍然很高。

从结果分析图中可以看出ACPF算法能够对车辆状态进行很好的估计，虽然依旧存在偏差，但偏差在容许范围内，主要原因是所建立的非线性车辆动力学模型虽然维度较高，但依然不能完全反应车辆真实运动情况；将自适应容积卡尔曼滤波和粒子滤波相融合的ACPF算法进行状态估计对非线性车辆系统模型具有较好的适用性。

相同粒子数情况下，ACPF运算时间为17.62s，UPF运算时间为19.49s，运行计算机CPU为i5-3210M，运行内存为8G。对比两种算法的重要性密度函数，可以看出ACKF需选择2M个点进行非线性传播，而UKF需选择2M+1个点进行非线性传播，因此相同条件下，ACPF算法的运行时间要短于UPF算法的运行时间。

本发明基于自适应容积粒子滤波对车辆质心侧偏角、侧倾角等状态进行估计，结果表明自适应容积粒子滤波能够稳定的跟踪车辆各状态参数，与无迹粒子滤波相比，自适应容积粒子滤波的整体精度更高且运行时间更短。基于车辆非线性动力学模型运用ACPF算法是当前一种比较高效的车辆状态估计算法，为车辆状态的精确感知提供了一个可行性方法。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，包括下述步骤：

步骤1根据待估计状态变量和通过车载传感器获得的信息建立车辆动力学模型，并转换成状态方程和量测方程的形式；

步骤2算法初始化：根据球面径向准则确定容积点和对应的权值，从初始状态概率密度分布函数抽取粒子和协方差矩阵；

步骤3采用自适应容积卡尔曼滤波设计粒子滤波重要性密度采样函数，导入传感器最新观测数据，产生预测粒子集合和对应的方差；

步骤4重新产生粒子、计算重要性权值并权值归一化；

步骤5根据权值归一化结果，对粒子集合进行重采样；

步骤6计算当前时刻粒子滤波的状态估计值和误差协方差矩阵；

步骤7判断状态估计是否结束，如果结束则输出估计结果并退出状态估计，否则输出估计结果，并将估计结果和最新观测数据输入到步骤3中，继续进行状态估计；

所述车载传感器包括各车轮轮速传感器、纵向加速度传感器、侧向加速度传感器、侧倾角速度传感器和横摆角速度传感器、方向盘转角传感器；

所述车辆动力学模型的状态方程和量测方程形式为：

其中，

为待估计状态变量，u(t)＝[δ,w_fl,w_fr,w_rl,w_rr]'为输入变量，z(t)＝[a_x,a_y,p,w_r]'为观测变量，观测变量和输入变量通过车载传感器采集得到，w(t)、v(t)分别为过程噪声和量测噪声；

此外，状态方程f(x(t),u(t))为：

量测方程h(x(t),u(t))为：

式中，x₁＝V_x，x₂＝V_y，x₃＝w_r，x₄＝p，

/>

∑M_z＝(F_xrr-F_xrl)d_r/2-b(F_yrl+F_yrr)+a(F_xflsinδ_fl+F_xfrsinδ_fr+F_yflcosδ_fl+F_yfrcosδ_fr)+(F_xfrcosδ_fr-F_xflcosδ_fl+F_yflsinδ_fl-F_yfrsinδ_fr)d_f/2

∑F_y＝F_xflsinδ_fl+F_xfrsinδ_fr+F_yflcosδ_fl+F_yfrcosδ_fr+F_yrl+F_yrr

∑F_x＝F_xflcosδ_fl+F_xfrcosδ_fr-F_yflsinδ_fl-F_yfrsinδ_fr+F_xrl+F_xrr

式中，m为车辆总质量，m_s为车辆簧载质量，V_x为车辆质心纵向速度，V_y为车辆质心侧向速度，w_r为质心横摆角速度，e为侧倾臂高度，

为质心侧倾角，p为质心侧倾角速度，δ为方向盘转角，∑F_x为车辆轮胎纵向合力，∑F_y为车辆轮胎侧向合力，a_x为车辆质心纵向加速度，a_y为车辆质心侧向加速度；i＝f、r分别表示前轮和后轮，j＝l、r分别表示左轮和右轮，w_ij为车轮转速，δ_ij为轮胎侧偏角，F_xij为轮胎纵向力，F_yij为轮胎侧向力，∑M_x为车辆侧倾力矩，∑M_z为车辆横摆力矩，I_xxs为车辆簧载质量绕x轴的转动惯量，I_xzs为车辆簧载质量绕x、z轴的转动惯量积，I_zz为车辆横摆转动惯量，g为重力加速度，/>

为车辆侧倾刚度，C_φi为车辆侧倾阻尼，a为车辆质心距前轴的距离，b为车辆质心距后轴的距离，d_f为车辆前轴轮距，d_r为车辆后轴轮距；

所述步骤2中，算法初始化过程具体包括：输入状态方程和量测方程中的固定参数信息、待估计量初值、过程噪声和量测噪声协方差矩阵、误差协方差矩阵、粒子数和滤波参数、采样时间；

而后根据球面径向准则产生2M个容积点和对应的权值，即：

其中，M为状态方程维数，ξ_n为第n个容积点，ω_cn表示第n个权值，[I]_n表示容积点集[I]第n列，采用三阶容积原则，容积点集[I]为：[I]＝[I¹，-I¹]，I¹为5×5单位矩阵；

从初始状态概率分布密度p(x₀)抽取粒子

为粒子数，且：

式中，

为初始粒子，/>

为初始粒子均值，/>

初始粒子误差协方差；

所述步骤3分为时间更新和量测更新过程，具体包括：

3.1时间更新：

对误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过状态方程传导的Cubature点：

/>

更新状态预测值和误差协方差预测值：

式中，时刻k＝1,2,3，···，

为k-1时刻的状态估计值，u_k-1为k-1时刻由传感器获得的输入变量，w_k-1为k-1时刻过程噪声；

3.2量测更新：

对更新后的误差协方差矩阵

进行分解：/>

计算Cubature点：

计算通过量测方程传导的Cubature点：

更新量测一步预测：

更新量测误差协方差预测值：

计算互协方差：

计算容积卡尔曼滤波增益矩阵：

计算容积卡尔曼滤波之后的状态估计值：

计算容积卡尔曼滤波之后的误差协方差估计值：

其中α_k为自适应因子，计算方程为：

式中，

c₀∈(1.0～1.5)，c₁∈(3.0～8.0)。

2.根据权利要求1所述的一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，所述步骤5中的重采样方法选取残差重采样。

Images