CN110562263B - 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 - Google Patents

Abstract

一种基于多模型融合的轮毂电机驱动车辆车速估计方法，包括：采集车载传感器信号，对原始采集信号作滤波处理，建立车速卡尔曼估计滤波器，结合车辆行驶状态信息，对噪声方差进行自适应调节，利用指数衰减记忆因子，修正状态向量估计误差，得出基于自适应指数加权衰减记忆卡尔曼滤波的车速估计值；设计车身加速度积分车速估计器；并且结合车辆行驶工况，基于总均方误差最小的原则，将基于自适应指数加权衰减记忆卡尔曼滤波的车速估计值和车身加速度积分车速估计器两种车速估计模型进行加权融合。本发明目的在于提供一种实时性好、精度高、适用性强的基于多模型融合的轮毂电机驱动车辆车速估计方法。

Description

一种基于多模型融合的轮毂电机驱动车辆车速估计方法

技术领域

本发明涉及一种车辆车速估计方法，具体涉及一种基于多模型融合的轮毂电机驱动车辆车速估计方法。

背景技术

车速是车辆操纵稳定性控制研究的一个必须参考的状态参数，车速信息的获取精度能够影响动力学控制的效果。对于牵引力控制系统(Traction Control System，TCS)、电子稳定系统(Electronic Stability Control，DSC)、直接横摆力矩控制(Direct Yaw-Moment Control，DYC)、制动防抱死系统(Anti-lock Braking System，ABS)等常用的主动安全系统，需要获取精确可靠的车速信息作为控制输入，根据驱动、制动、转向等工况，对纵/横向力及横摆力矩进行及时调整，提高车辆操纵稳定性和行驶安全性。

然而，在实际应用中,真实车速一般很难实时、准确地获取，车辆速度仪表盘显示的行驶速度是各轮平均轮速信息，显示结果与车辆真实速度存在较大偏差。目前大多数车辆的车速信息是通过普通车载传感器信号计算处理得到的，对于非全轮驱动车辆，一般情况下可以将非驱动轮轮速传感器信号进行还原来估计车速，但是这种方法并不适用于没有非驱动轮的轮毂电机驱动车辆。

针对轮毂电机驱动车辆，尚未存在非常直接有效的车速测量方法，一般都是采用动力学或运动学方法进行车速估计。有学者应用非线性状态观测器估计纵向车速，这类算法一般需要构建非线性车辆模型和动态轮胎模型，完成非线性迭代计算，计算量较大并且实时性难以保证。有学者提出了基于车身纵向加速度积分的车速估计方法，但这种方法因为长时间积分容易引起信号噪声误差持续累加等问题，严重影响估计精度。另外，还有一些研究者采用卡尔曼滤波、粒子滤波等算法对纵向车速进行估计，滤波算法比较依赖于车轮轮速等信号，因此这种方法在车辆稳态行驶时具有较好的估计效果，一旦路面条件较差，或车轮处于大滑转或者抱死情况下，滤波算法车速估计可能会出现较大误差。再者，传统卡尔曼滤波算法属于无限增长记忆滤波，在进行某时刻的最优估计时，要用到该时刻之前的所有数据，滤波值中旧数据比重多大，而新时刻数据比重相对较小，当系统存在模型误差和无知时变噪声时，新的观测数据对状态估计的修正作用过小，不能有效抑制误差对状态估计值的影响，从而造成误差累积，继而导致滤波误差过大甚至发散，所以采用传统卡尔曼滤波算法进行车速估计可靠性不足。

发明内容

本发明为了解决上述问题，提出一种实时性好、精度高、适用性强的基于多模型融合的轮毂电机驱动车辆车速估计方法。

本发明一种基于多模型融合的轮毂电机驱动车辆车速估计方法，包括以下步骤：

1、一种基于多模型融合的轮毂电机驱动车辆车速估计方法，其特征在于包括以下步骤：

1)信号采集

通过普通车载传感器采集各个车轮的轮速信号,横摆角速度信号

纵向加速度信号

横向加速度信号

并根据轮速信号计算轮边速度；

2)原始信号滤波处理

采用卡尔曼滤波方式对上述信号滤波后得到滤波后的轮边速度、横摆角速度信号γ、纵向加速度信号a_x、横向加速度信号a_y；

3)构建车速卡尔曼估计滤波器

利用卡尔曼滤波算法，构建纵向车速估计状态空间模型和量测模型：

其中，下标k-i，k-i-1(i＝0,1,…,n)均为采样时刻，X_k-i和X_k-i-1分别为第k-i和第k-i-1时刻的状态向量，A为状态转移矩阵，W_k-i表示过程噪声向量，y_k-i为轮边速度测量值，H_k-i表示量测矩阵，V_k-i为量测噪声；

其中，状态向量为：

上式中，

和

分别表示k-i时刻参考车速和纵向加速度；

状态转移矩阵为：

上式，Δt表示采样间隔；

车轮轮速的量测矩阵为：

H_k-i＝[1 0]

系统过程噪声向量为：

表达式中，

表示车速的过程噪声，

表示k-i时刻的横向车速，w_k-i表示纵向加速度的过程噪声；

4)对滤波器系数自适应调节

假设的车速卡尔曼估计滤波器的过程噪声均值等于零并且服从高斯分布，过程噪声协方差矩阵可表示为：

上式中，

表示

的方差，

为w_k-i的方差；

车速卡尔曼估计滤波器的量测噪声V_k-i并非零均值随机信号,所以将其进行变换处理,设V_k-i的均值E(V_k-i)＝u_v，令

则纵向车速估计状态空间变化为：

上式中，

表示经过变化后的零均值并且服从高斯分布的系统量测噪声；

采用自适应调节法根据前一阶段量测值波动情况和前一阶段估计误差，实时调整u_v及R_k-i的取值；

分别对y_k-i和

作线性回归处理,得到y_k-i线性拟合式及其残差平方和均值d，和

线性拟合式：

记

R_k-i＝d，设各参数初始时刻的取值为：

式中，

表示状态向量初值，u₀轮速初值，P₀表示状态向量方差初值，Q₀表示过程噪声向量协方差阵初值，

表示加速度过程噪声方差初值，R₀表示量测噪声等效协方差初值；

5)使用递推法得到状态向量估计值

取定数据量s，当采样时刻k>s+1时，计算轮速测量值y_k-i的残差平方、均值d和速度变化量Δv，并将量测噪声V_k-i的均值u_v和其等效协方差R_k-i实时更新；当采样时刻k≤s+1时，各参数取初始值

u₀，P₀，Q₀和R₀；

k-i-1到k-i时刻的预测误差方差可表示为：

P_k-i,k-i-1＝AP_k-i-1A^T+Q_k-i-1

式中，

为状态向量方差，

表示预测误差方差；

设滤波增益

k-i时刻状态向量方差为：

P_k-i＝(I-K_k-iH_k-i)P_k-i,k-i-1

k-i时刻状态向量的估计值为：

其中，

为递推出来的车速估计值，

为递推出来的纵向加速度估计值；

6)利用指数衰减记忆因子，修正状态向量估计值的误差，得出基于自适应指数加权衰减卡尔曼滤波的车速估计值；

取k-i＝N，则第N时刻滤波增益为：

为克服滤波带来的数据发散问题，降低旧时刻量测值的作用，减少N时刻以前的K_k-i值权重；提高新时刻量测值的修正作用，突出N时刻的K_N值；基于指数加权的方法，引入衰减因子

为一正整数，将P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N进行加权处理得到：

分别用

Q_N代替N时刻前P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N重新进行推导；

经指数加权处理后，k-i-1到k-i时刻的预测误差方差表达式变为：

k-i时刻滤波增益表达式变为：

k-i时刻状态向量方差变为：

P′_k-i＝[I-K′_k-iH_k-i]P′_k-i,k-i-1

k-i时刻状态向量的估计值：

其中，

为基于自适应指数加权衰减卡尔曼滤波的车速估计值，

为基于自适应指数加权衰减卡尔曼滤波的纵向加速度估计值；

7)设计车身加速度积分车速估计器；

v_x＝v₀+∫a_xdt

式中，v₀为初始纵向车速；

8)行驶工况判断

根据路面附着条件和加速/制动踏板开度对车辆行驶工况进行划分；

9)将两种车速估计模型进行融合，得到实时的车速估计值

在某车辆行驶工况下，采用基于多模型融合的轮毂电机驱动车辆车速估计值V_x为：

其中，

表示采用基于自适应指数加权衰减卡尔曼滤波得到的该行驶工况下车速估计值，

表示采用车身加速度积分算法计算得到的该行驶工况下车速估计值，z₁和z₂为预先设置的该车辆行驶工况下的加权因子。

本发明一种基于多模型融合的轮毂电机驱动车辆车速估计方法，采集车载传感器信号，采用卡尔曼滤波算法，建立车速估计的状态空间模型和量测模型；采用线性回归处理，结合车辆行驶状态信息，对噪声方差进行自适应调节，提高了车速估计的准确性；利用指数衰减记忆因子，修正状态向量估计误差，解决了传统卡尔曼滤波算法由于模型不准确造成的滤波误差过大，甚至发散的问题，得出基于自适应指数加权衰减记忆卡尔曼滤波的车速估计值；设计车身加速度积分车速估计器；并且结合车辆行驶工况，基于总均方误差最小的原则，将基于自适应指数加权衰减记忆车速卡尔曼估计滤波器和车身加速度积分车速估计器两种车速估计模型进行数据融合，得到最终车速估计值。本发明由于采取以上技术方案,提高了车速估计精度，实时性好，并且可以全面自适应各种行驶工况。

下面结合附图对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

附图说明

图1是本发明的一种实施例的基于多模型融合的轮毂电机驱动车辆车速估计方法原理示意图；

图2是基于自适应指数加权衰减记忆卡尔曼滤波算法中递推法计算的流程图。

具体实施方式

为了使本发明的目的技术方案和有点更加清楚，下面结合附图，对本发明做进一步详细说明。

以8×8轮毂电机驱动车辆为例，如图1所示，从普通车载传感器，包括轮速传感器、加速度传感器、横摆角速度传感器，采集到车轮轮速信号

横摆角速度信号

纵向加速度信号

和横向加速度信号

后，计算出各个车轮轮边速度信号

并将

和

进行滤波处理，减少原始信号的毛刺和误差。然后，将滤波后的信号

γ、a_x、a_y输入车速卡尔曼估计滤波器，对过程噪声方差Q及量测噪声方差R进行自适应调整，利用指数衰减记忆因子，修正状态向量估计误差，得出基于自适应指数加权衰减记忆卡尔曼滤波的车速估计值。同时，将滤波后的加速度信号a_x作为基于车身加速度积分车速估计器的输入，计算出基于车身加速度积分算法的车速估计值。然后通过路面附着系数μ和踏板开度ρ(|ρ|∈[0，1])判断车辆行驶工况，根据车轮行驶工况将两个车速估计模型的车速估计结果进行加权融合，得到最终的车速估计值。具体步骤如下：

1)信号采集

通过普通车载传感器采集车轮轮速信号

横摆角速度信号

纵向加速度信号

横向加速度信号

计算轮边速度

2)原始信号滤波处理

采用卡尔曼滤波方式对上述信号滤波后得到轮边速度

横摆角速度信号γ、纵向加速度信号a_x，横向加速度信号a_y；

3)构建车速卡尔曼估计滤波器

利用卡尔曼滤波算法，构建纵向车速估计状态空间模型和量测模型：

其中，下标k-i，k-i-1(i＝0,1,…,n)均为采样时刻，X_k-i和X_k-i-1分别为第k-i和第k-i-1时刻的状态向量，A为状态转移矩阵，W_k-i表示过程噪声向量，y_k-i为轮边速度测量值，H_k-i表示量测矩阵，V_k-i为量测噪声；

其中，状态向量为：

上式中，

和

分别表示k-i时刻参考车速和纵向加速度。

状态转移矩阵为：

上式，Δt表示采样间隔；

车轮轮速的量测矩阵为：

H_k-i＝[1 0]

系统过程噪声向量为：

表达式中，

表示车速的过程噪声，

表示k-i时刻的横向车速，w_k-i表示纵向加速度的过程噪声；

4)对滤波器系数自适应调节

结合车辆行驶状态信息，采用线性回归处理，对噪声方差进行自适应调节。

假设的车速卡尔曼估计滤波器的过程噪声均值等于零并且服从高斯分布，过程噪声协方差矩阵可表示为：

上式中，

表示

的方差，

为w_k-i的方差，其中车速过程噪声方差

与γ呈二次函数关系，可表示为

k与车辆横向加速度相关，由加速度传感器确定；加速度过程噪声方差

通常根据实车实验数据直接取定值；

车速卡尔曼估计滤波器的量测噪声

主要产生原因是车轮轮速与车速的差异，它受路面条件影响较大。车速卡尔曼估计滤波器的量测噪声V_k-i并非零均值随机信号,所以将其进行变换处理,设V_k-i的均值E(V_k-i)＝u_v，令

则纵向车速估计状态空间变化为：

上式中，

表示经过变化后的零均值并且服从高斯分布的系统量测噪声；

鉴于

在多种车轮行驶工况下的统计特性难以得到，采用自适应调节法根据前一阶段量测值波动情况和前一阶段估计误差，实时调整u_v及R_k-i的取值，具体调节方法如下：

分别对y_k-i和

作线性回归处理,得到y_k-i线性拟合式及其残差平方和均值d，和

线性拟合式：

记

R_k-i＝d，设各参数初始时刻的取值为：

式中，

表示状态向量初值，u₀轮速初值，P₀表示状态向量方差初值，Q₀表示过程噪声向量协方差阵初值，

表示加速度过程噪声方差初值，R₀表示量测噪声等效协方差初值；

5)使用递推法得到状态向量估计值

参见图2，取定数据量s，当采样时刻k>s+1时，计算轮速测量值y_k-i的残差平方、均值d和速度变化量Δv，并将量测噪声V_k-i的均值u_v和其等效协方差R_k-i实时更新；当采样时刻k≤s+1时，各参数取初始值

u₀，P₀，Q₀和R₀；

车速卡尔曼估计滤波器k-i-1到k-i时刻的预测误差方差可表示为：

P_k-i,k-i-1＝AP_k-i-1A^T+Q_k-i-1

式中，

为状态向量方差，

表示预测误差方差；

设滤波增益

k-i时刻状态向量方差为：

P_k-i＝(I-K_k-iH_k-i)P_k-i,k-i-1

状态向量的估计值为：

其中，

为递推出来的车速估计值，

为递推出来的纵向加速度估计值。

6)利用指数衰减记忆因子，修正状态向量估计值的误差，得出基于自适应指数加权衰减卡尔曼滤波的车速估计值；

取k-i＝N，则第N时刻滤波增益为：

为克服滤波带来的数据发散问题，降低旧时刻量测值的作用，减少N时刻以前的K_k-i值权重；提高新时刻量测值的修正作用，突出N时刻的K_N值；基于指数加权的方法，引入衰减因子

为一正整数，将P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N进行加权处理得到：

分别用

Q_N代替N时刻前P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N重新进行推导；

经指数加权处理后，k-i-1到k-i时刻的预测误差方差表达式变为：

k-i时刻滤波增益表达式变为：

k-i时刻状态向量方差变为：

P′_k-i＝[I-K′_k-iH_k-i]P′_k-i,k-i-1

k-i时刻状态向量的估计值：

其中，

为基于自适应指数加权衰减卡尔曼滤波的车速估计值，

为基于自适应指数加权衰减卡尔曼滤波的纵向加速度估计值；

7)设计车身加速度积分车速估计器

当车辆在低附着路面行驶或车速较高时，车轮容易打滑，此时车轮速度与车速的关联性减小，应用基于自适应的车速卡尔曼估计滤波器计算出的估计车速的精度将难以保证。这种情况下需要结合车身加速度积分方法进行车速估计，车速与车身纵向加速度之间关系可以近似表示为：

v_x＝v₀+∫a_xdt

式中，v₀为初始纵向车速，a_x为车身纵向加速度。

8)行驶工况判断

根据路面附着条件和加速/制动踏板开度对车辆行驶工况进行划分。设路面附着系数为μ、加速/制动踏板开度为ρ，设A_pq(p＝1,2,3且q＝1,2,3)代表车辆行驶工况，具体判断方法如表1所示：

表1行驶工况判断

9)将两种车速估计模型进行融合，得到实时的车速估计值

对轮毂电机驱动车辆进行车速估计时，由于基于自适应指数加权衰减记忆的车速卡尔曼估计滤波器和加速度积分两种算法在各类行驶工况下的估计效果不同，仅采用单一车速估计模型难以满足车辆全工况的状态参数估计需求，因此将两种估计模型进行融合，通过最小方差加权平均法得到车速估计值。

以车辆行驶工况A₁₁为例，采用基于多模型融合的轮毂电机驱动车辆车速估计值V_x为：

其中，

表示采用基于自适应指数加权衰减记忆的车速卡尔曼估计滤波器计算得到的该行驶工况下车速估计值，

表示采用车身加速度积分算法计算得到的该行驶工况下车速估计值，z₁和z₂为预先设置的该车辆行驶工况下的加权因子。

加权因子z₁和z₂的计算方法为：

各取m组该车辆行驶工况下的基于自适应指数加权衰减记忆的车速卡尔曼估计滤波器和车身纵向加速度积分器的车速估计值，分别记为X₁＝[x₁₁,…,x_1m]和X₂＝[x₂₁,…,x_2m]，x₁₁,…,x_1m间相互独立，其方差记为σ₁₁,…,σ_1m；x₂₁,…,x_2m间也相互独立，其方差记为σ₂₁,…,σ_2m，设置加权因子矩阵为Z＝[z₁,z₂]，其中z₁+z₂＝1，z₁和z₂分别表示基于自适应指数加权衰减记忆的车速卡尔曼估计滤波器和车身纵向加速度积分器在多模型融合车速估计中所占权重值。

设两种车速估计模型的均方误差分别为σ₁、σ₂，其中

则总均方误差为：

基于多元函数求极值理论，依据车速估计总均方误差σ最小的原则，得到对应权值：

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (3)

1.一种基于多模型融合的轮毂电机驱动车辆车速估计方法，其特征在于包括以下步骤：

1)信号采集

通过普通车载传感器采集各个车轮的轮速信号,横摆角速度信号

纵向加速度信号

横向加速度信号

并根据轮速信号计算轮边速度；

2)原始信号滤波处理

采用卡尔曼滤波方式对上述信号滤波后得到滤波后的轮边速度、横摆角速度信号γ、纵向加速度信号a_x、横向加速度信号a_y；

3)构建车速卡尔曼估计滤波器

利用卡尔曼滤波算法，构建纵向车速估计状态空间模型和量测模型：

其中，下标k-i，k-i-1(i＝0,1,…,n)均为采样时刻，X_k-i和X_k-i-1分别为第k-i和第k-i-1时刻的状态向量，A为状态转移矩阵，W_k-i表示过程噪声向量，y_k-i为轮边速度测量值，H_k-i表示量测矩阵，V_k-i为量测噪声；

其中，状态向量为：

上式中，

和

分别表示k-i时刻参考车速和纵向加速度；

状态转移矩阵为：

上式，Δt表示采样间隔；

车轮轮速的量测矩阵为：

H_k-i＝[1 0]

系统过程噪声向量为：

表达式中，

表示车速的过程噪声，

表示k-i时刻的横向车速，w_k-i表示纵向加速度的过程噪声；

4)对滤波器系数自适应调节

假设的车速卡尔曼估计滤波器的过程噪声均值等于零并且服从高斯分布，过程噪声协方差矩阵可表示为：

上式中，

表示

的方差，

为w_k-i的方差；

车速卡尔曼估计滤波器的量测噪声V_k-i并非零均值随机信号,所以将其进行变换处理,设V_k-i的均值E(V_k-i)＝u_v，令

则纵向车速估计状态空间变化为：

上式中，

表示经过变化后的零均值并且服从高斯分布的系统量测噪声；

采用自适应调节法根据前一阶段量测值波动情况和前一阶段估计误差，实时调整u_v及R_k-i的取值；

分别对y_k-i和

作线性回归处理,得到y_k-i线性拟合式及其残差平方和均值d，和

线性拟合式：

记

R_k-i＝d，设各参数初始时刻的取值为：

式中，

表示状态向量初值，u₀轮速初值，P₀表示状态向量方差初值，Q₀表示过程噪声向量协方差阵初值，

表示加速度过程噪声方差初值，R₀表示量测噪声等效协方差初值；

5)使用递推法得到状态向量估计值

取定数据量s，当采样时刻k>s+1时，计算轮速测量值y_k-i的残差平方、均值d和速度变化量Δv，并将量测噪声V_k-i的均值u_v和其等效协方差R_k-i实时更新；当采样时刻k≤s+1时，各参数取初始值

u₀，P₀，Q₀和R₀；

k-i-1到k-i时刻的预测误差方差可表示为：

P_k-i,k-i-1＝AP_k-i-1A^T+Q_k-i-1

式中，

为状态向量方差，P_k-i,k-i-1＝

表示预测误差方差；

设滤波增益

k-i时刻状态向量方差为：

P_k-i＝(I-K_k-iH_k-i)P_k-i,k-i-1

k-i时刻状态向量的估计值为：

其中，

为递推出来的车速估计值，

为递推出来的纵向加速度估计值；

6)利用指数衰减记忆因子，修正状态向量估计值的误差，得出基于自适应指数加权衰减卡尔曼滤波的车速估计值；

取k-i＝N，则第N时刻滤波增益为：

为克服滤波带来的数据发散问题，降低旧时刻量测值的作用，减少N时刻以前的K_k-i值权重；提高新时刻量测值的修正作用，突出N时刻的K_N值；基于指数加权的方法，引入衰减因子

c_i(i＝1,2,3...)为一正整数，将P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N进行加权处理得到：

分别用

Q_N代替N时刻前P₀；R₁，…，R_N-1，R_N；Q₁，…，Q_N-1，Q_N重新进行推导；

经指数加权处理后，k-i-1到k-i时刻的预测误差方差表达式变为：

k-i时刻滤波增益表达式变为：

k-i时刻状态向量方差变为：

P′_k-i＝[I-K′_k-iH_k-i]P′_k-i,k-i-1

k-i时刻状态向量的估计值：

其中，

为基于自适应指数加权衰减卡尔曼滤波的车速估计值，

为基于自适应指数加权衰减卡尔曼滤波的纵向加速度估计值；

7)设计车身加速度积分车速估计器；

v_x＝v₀+∫a_xdt

式中，v₀为初始纵向车速；

8)行驶工况判断

根据路面附着条件和加速/制动踏板开度对车辆行驶工况进行划分；

9)将两种车速估计模型进行融合，得到实时的车速估计值

在某车辆行驶工况下，采用基于多模型融合的轮毂电机驱动车辆车速估计值V_x为：

其中，

表示采用基于自适应指数加权衰减卡尔曼滤波得到的该行驶工况下车速估计值，

表示采用车身加速度积分算法计算得到的该行驶工况下车速估计值，z₁和z₂为预先设置的该车辆行驶工况下的加权因子。

2.根据权利要求1所述的一种基于多模型融合的轮毂电机驱动车辆车速估计方法，其特征在于步骤9中某车辆行驶工况下加权因子z₁和z₂的计算方法为：

各取m组该车辆行驶工况下的基于自适应指数加权衰减卡尔曼滤波和车身纵向加速度积分器的车速估计值，分别记为X₁＝[x₁₁,…,x_1m]和X₂＝[x₂₁,…,x_2m]，x₁₁,…,x_1m间相互独立，其方差记为σ₁₁,…,σ_1m；x₂₁,…,x_2m间也相互独立，其方差记为σ₂₁,…,σ_2m，设置加权因子矩阵为Z＝[z₁,z₂]，其中z₁+z₂＝1，z₁和z₂分别表示基于自适应指数加权衰减卡尔曼滤波和车身纵向加速度积分器在多模型融合车速估计中所占权重值；

设两种车速估计模型的均方误差分别为σ₁、σ₂，其中

则总均方误差为：

基于多元函数求极值理论，依据车速估计总均方误差σ最小的原则，得到对应权值：

3.根据权利要求2所述的一种基于多模型融合的轮毂电机驱动车辆车速估计方法，其特征在于步骤8中根据路面附着条件和加速/制动踏板开度对车辆行驶工况进行划分，划分方法为：设路面附着系数为μ、加速/制动踏板开度为ρ，设A_pq代表车辆行驶工况，其中p的取值为1或2或3，q的取值为1或2或3，根据路面附着系数为μ、加速/制动踏板开度为ρ取值的不同，划分为9种车辆行驶工况，分别为：

A₁₁，其中|ρ|＜0.5，μ＜0.4，

A₂₁，其中|ρ|＜0.5，0.4≤μ＜0.8，

A₃₁，其中|ρ|＜0.5，0.8≤μ＜1，

A₁₂，其中0.5≤|ρ|＜0.8，μ＜0.4，

A₂₂，其中0.5≤|ρ|＜0.8，0.4≤μ＜0.8，

A₃₂，其中0.5≤|ρ|＜0.8，0.8≤μ＜1，

A₁₃，其中0.8≤|ρ|＜1，μ＜0.4，

A₂₃，其中0.8≤|ρ|＜1，0.4≤μ＜0.8，

A₃₃，其中0.8≤|ρ|＜1，0.8≤μ＜1。

Images