CN110884499A - 一种确定车辆质心侧偏角的方法和系统 - Google Patents

一种确定车辆质心侧偏角的方法和系统 Download PDF

Info

Publication number
CN110884499A
CN110884499A CN201911317708.9A CN201911317708A CN110884499A CN 110884499 A CN110884499 A CN 110884499A CN 201911317708 A CN201911317708 A CN 201911317708A CN 110884499 A CN110884499 A CN 110884499A
Authority
CN
China
Prior art keywords
vehicle
determining
determined
state
longitudinal
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.)
Granted
Application number
CN201911317708.9A
Other languages
English (en)
Other versions
CN110884499B (zh
Inventor
王文伟
赵一凡
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911317708.9A priority Critical patent/CN110884499B/zh
Publication of CN110884499A publication Critical patent/CN110884499A/zh
Application granted granted Critical
Publication of CN110884499B publication Critical patent/CN110884499B/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
    • B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • 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
    • B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • B60W2040/1315—Location of the centre of gravity
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供的一种确定车辆质心侧偏角的方法和系统，通过构建状态模型，在采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值后，采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度，进而根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值，这就能够在提高车辆质心侧偏角确定效率的同时，更加精确的得到车辆质心侧偏角的值。

Description

一种确定车辆质心侧偏角的方法和系统
技术领域
本发明涉及车辆数据预测技术领域，特别是涉及一种确定车辆质心侧偏角的方法和系统。
背景技术
在汽车发展的过程中，安全性始终是首要考虑的因素。随着汽车电动化的推进，高性能分布式驱动汽车的稳定性控制已经成为车辆动力学控制领域的研究热点。车辆稳定性控制系统中所使用的关键动力学参数包括横摆角速度，纵向、横向加速度，纵向车速和质心侧偏角等。其中，车辆质心侧偏角和横摆角速度对车辆稳定性控制系统而言至关重要。
目前，在ESC等系统中，通过横摆角速度传感器可直接测量得到横摆角速度，而质心侧偏角在实际运用中很难直接测量，需要通过其他可测参数间接估计。即在现有技术中，并不能对车辆的质心侧偏角进行精确估计，并且，现有技术中所采用的估计方法还存在估计效率低的问题。因此，对质心侧偏角进行准确、高效率的估计，是车辆动力学控制领域的难点和热点问题。
发明内容
本发明的目的是提供一种确定车辆质心侧偏角的方法和系统，能够在提高车辆质心侧偏角确定效率的同时，更加精确的得到车辆质心侧偏角的值。
为实现上述目的，本发明提供了如下方案：
一种确定车辆质心侧偏角的方法，包括：
构建待确定车辆的状态模型；
采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值。
可选的，所述构建待确定车辆的状态模型包括：
采用轮胎的魔术公式模型，确定待确定车辆的侧向力；
获取所述待确定车辆的纵向力；
根据所述侧向力和纵向力，构建所述待确定车辆的动力学方程；
根据所述动力学方程，构建所述待确定车辆的运动学方程；
根据所述动力学方程和所述运动学方程，构建所述状态模型。
可选的，所述根据所述动力学方程，构建所述待确定车辆的运动学方程，包括：
根据所述动力学方程，确定所述待确定车辆的纵向加速度、侧向加速度和横摆力矩；
根据所述纵向加速度、所述侧向加速度和所述横摆力矩，构建所述待确定车辆的运动学方程。
可选的，所述采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值，包括：
采用传感器测量得到不同时刻所述待确定车辆的第一纵向加速度、第一侧向加速度和第一横摆角速度，并将所述第一纵向加速度、第一侧向加速度和第一横摆角速度构成测量值矩阵；
获取观测值矩阵，并采用无迹卡尔曼粒子滤波算法将所述观测值矩阵融入所述测量值矩阵，形成新的量值矩阵；
根据所述新的量值矩阵，确定得到不同时刻的第二纵向加速度、第二侧向加速度和第二横摆角速度；
根据所述第二纵向加速度、第二侧向加速度和第二横摆角速度，利用所述状态模型，确定所述无迹卡尔曼粒子滤波算法在不同时刻下每一粒子所对应的状态模型值，并将不同时刻下每一粒子所对应的状态模型值放入粒子集合；
确定所述粒子集合的平均值，所述平均值即为状态平均值。
一种确定车辆质心侧偏角的系统，包括：
状态模型构建模块，用于构建待确定车辆的状态模型；
状态平均值获取模块，用于采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
速度确定模块，用于采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
质心侧偏角确定模块，用于根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值。
可选的，所述状态模型构建模块包括：
侧向力确定单元，用于采用轮胎的魔术公式模型，确定待确定车辆的侧向力；
纵向力确定单元，用于获取所述待确定车辆的纵向力；
动力学方程构建单元，用于根据所述侧向力和纵向力，构建所述待确定车辆的动力学方程；
运动学方程构建单元，用于根据所述动力学方程，构建所述待确定车辆的运动学方程；
状态模型构建单元，用于根据所述动力学方程和所述运动学方程，构建所述状态模型。
可选的，所述运动学方程构建单元包括：
获取子单元，用于根据所述动力学方程，确定所述待确定车辆的纵向加速度、侧向加速度和横摆力矩；
运动学方程构建子单元，用于根据所述纵向加速度、所述侧向加速度和所述横摆力矩，构建所述待确定车辆的运动学方程。
可选的，所述状态平均值获取模块包括：
测量值矩阵构成单元，用于采用传感器测量得到不同时刻所述待确定车辆的第一纵向加速度、第一侧向加速度和第一横摆角速度，并将所述第一纵向加速度、第一侧向加速度和第一横摆角速度构成测量值矩阵；
量值矩阵形成单元，用于获取观测值矩阵，并采用无迹卡尔曼粒子滤波算法将所述观测值矩阵融入所述测量值矩阵，形成新的量值矩阵；
获取单元，用于根据所述新的量值矩阵，确定得到不同时刻的第二纵向加速度、第二侧向加速度和第二横摆角速度；
状态模型值获取单元，用于根据所述第二纵向加速度、第二侧向加速度和第二横摆角速度，利用所述状态模型，确定所述无迹卡尔曼粒子滤波算法在不同时刻下每一粒子所对应的状态模型值，并将不同时刻下每一粒子所对应的状态模型值放入粒子集合；
状态平均值获取单元，用于确定所述粒子集合的平均值，所述平均值即为状态平均值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的确定车辆质心侧偏角的方法和系统，通过构建状态模型，在采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值后，采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度，进而根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值，这就能够在提高车辆质心侧偏角确定效率的同时，更加精确的得到车辆质心侧偏角的值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种确定车辆质心侧偏角方法的流程图；
图2为本发明实施例所提供的七自由度整车模型图；
图3为本发明实施例提供的一种确定车辆质心侧偏角系统的结构示意图；
图4为车速为30km/h，路面附着系数为1.0，车辆方向盘在2s时发生60°阶跃时的仿真图；
图5(a)为纵向车速的估计值与参考值的第一对比结果图；
图5(b)为在侧向车速变化时估计值与参考值的第一对比结果图；
图5(c)为由纵向车速和侧向车速计算得到的质心侧偏角估计值与参考值的第一对比结果图；
图5(d)为由纵向车速和侧向车速计算得到的质心侧偏角的第一误差结果图；
图6为车速为70km/h，路面附着系数为0.85，进行双移线工况的仿真图；
图7(a)为纵向车速的估计值与参考值的第二对比结果图；
图7(b)为侧向车速变化时估计值与参考值的第二对比结果图；
图7(c)为由纵向车速和侧向车速计算得到的质心侧偏角估计值与参考值的第二对比结果图；
图7(d)为由纵向车速和侧向车速计算得到的质心侧偏角的第二误差结果图。
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。
本发明的目的是提供一种确定车辆质心侧偏角的方法和系统，能够在提高车辆质心侧偏角确定效率的同时，更加精确的得到车辆质心侧偏角的值。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种确定车辆质心侧偏角方法的流程图，如图1所示，一种确定车辆质心侧偏角的方法，包括：
S100、构建待确定车辆的状态模型；
S101、采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
S102、采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
S103、根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值。
在S100中，为了能够精确构建得到状态模型，需要先构建车辆的动力学方程和运动学方程。
而在车辆的动力学控制中，纵向、侧向和横摆这三个自由度需要重点考虑。同时，分布式驱动汽车四个车轮的轮速和转矩可精确获得，因此，4个车轮的转动自由度也需要考虑。基于以上因素，建立了七自由度的整车模型，如图2所示。
其中，七自由度整车模型的运动学方程如下所示:
纵向运动(纵向速度的变化量)：
Figure BDA0002326298110000061
侧向运动(侧向速度的变化量)：
Figure BDA0002326298110000062
横摆运动(横摆角速度的变化量)：
Figure BDA0002326298110000063
车辆回转运动：
Figure BDA0002326298110000064
质心侧偏角：
Figure BDA0002326298110000065
在上式中，Vx为纵向速度，
Figure BDA0002326298110000066
纵向速度的变化量，ax为纵向加速度，Vy为侧向速度，
Figure BDA0002326298110000067
为侧向速度的变化量，ay为侧向加速度，γ为横摆角速度，
Figure BDA0002326298110000068
为横摆角速度的变化量，Mz为横摆力矩，Iz为车辆绕z轴的转动惯量，Tij为各个轮胎的驱动力矩，Fxij为各个轮胎所受的纵向力，ωij为各个车轮的转速，
Figure BDA0002326298110000071
为各个车轮的转速的变化量，Iwij为各个车轮的转动惯量，ij可取fl、fr、rl、rr四个值，分别对应代表左前、右前、左后、右后这四个车轮。
七自由度整车模型的动力学方程如下所示:
Figure BDA0002326298110000072
Figure BDA0002326298110000073
Figure BDA0002326298110000074
其中，Fyij为各个车轮所受的侧向力，δ为前轮转向角，tf为前轴距，tr为后轴距，Mij为各个车轮所受的回正力矩，m为整车质量，a为车辆质心到前轴的距离(单位为米)，b为车辆质心到后轴的距离(单位为米)。
为了准确表达轮胎在线性区和非线性区的受力情况，采用魔术公式模型来求轮胎所受的侧向力和回正力矩。“魔术公式”有一套形式相同的公式来统一描述轮胎的各种力学特性，如下：
Y(x)＝Dsin{Carctan[(1-E)B(X+Sh)+Earctan(B(X+Sh))]+Sv (9)
式中，X为广义位移(纵向滑移率或侧偏角)，Y为轮胎广义力(纵向力、侧向力或回正力矩)，参数B为刚度系数，C为形状系数，D为峰值系数，E为曲率因子，Sh和Sv分别为考虑实际应用的水平偏移和垂直偏移。
计算侧向力Fy(a)时，参数C，D，B，E的计算表达式为：
Figure BDA0002326298110000075
式(10)中，b0,...,b8均为参数，可通过实验数据辨识得到，Fz为轮胎的垂向载荷。
计算回正力矩Mz(a)时，参数C，B，D，E的计算表达式为：
Figure BDA0002326298110000081
式(11)中，c0,...,c8均为参数，可通过实验数据辨识得到。
本文使用CarSim软件中自带的185/65R15轮胎的侧向力和回正力矩作为实验数据，由于参数初始值不确定，采用收敛速度快、鲁棒性能较好的遗传算法对参数进行辨识。
由于轮毂驱动汽车各个车轮的驱动转矩可通过电机精确获得，故各个车轮的纵向力可通过式(12)获得：
Figure BDA0002326298110000082
根据式(1)-(8)可定义状态模型为：
x＝[Vx,Vy,γ,ax,ay]T (13)
定义输入矢量u为:
u＝[δ,ωij,Tij]T (14)
量测矢量由惯性传感器的测量值组成，定义量测矢量为：
y＝[ax,ay,γ]T (15)
则根据式(1)-(8)和(12)-(15)可整理得到状态方程和量测方程，状态方程的标准形式为：
Figure BDA0002326298110000083
状态方程的具体形式为：
Figure BDA0002326298110000091
式(16)和(17)中，t代表t时刻，u(t)为t时刻的输入矢量，
Figure BDA0002326298110000092
Figure BDA0002326298110000093
为t时刻的第m个状态量，与式(13)中的状态量一一对应，wm(t)(m＝1，2，3，4，5)为t时刻第m个状态量一一对应的过程噪声。
量测方程的标准形式为：
y(t)＝h(x(t),u(t),t)+v(t) (18)
量测方程的具体形式为：
Figure BDA0002326298110000094
式(18和(19)中，ym(t)(m＝1，2，3，4，5)为t时刻的第m个量测量，与式(15)中的量测量一一对应。vm(t)(m＝1，2，3，4，5)为t时刻第m个量测量一一对应的量测噪声。
对状态方程进行离散化，可得递推状态方程为：
Figure BDA0002326298110000095
其中，T为测量间隔时间，此处取T＝0.001s，
Figure BDA0002326298110000096
为k时刻对应的状态量导数，与式(16)、(17)相对应。
因粒子滤波是一种基于蒙特卡洛仿真的近似贝叶斯滤波算法，它通过计算粒子集合的样本均值来估计被辨识的参数，其应用不受系统模型的限制，对于非线性系统具有良好的适用性。但基本粒子滤波在实际应用过程会出现粒子退化现象，对估计精度产生影响。
所以，为了避免基本粒子滤波在实际应用中产生的问题，本发明在S101中采用了无迹卡尔曼粒子滤波(The Unscented Kalman Particle Filter，UPF)算法。主要是利用无迹卡尔曼滤波来改进粒子滤波，能够在抑制粒子退化的前提下解决车辆运动出现的非线性特性，采用该算法的具体流程如下：
以下式子中的k代表时间，i代表粒子个数，T代表总仿真时间。
(1)初始化，k＝0
Fori＝1:N，从先验分布p(X0)中抽取初始化状态
Figure BDA0002326298110000101
Figure BDA0002326298110000102
Figure BDA0002326298110000103
式(21)和(22)中，E(X)代表对X取均值。
(2)Fork＝1:T
1)重要性采样阶段
Fori＝1:N
首先，使用无迹卡尔曼滤波(UKF)算法计算均值和方差：
计算(2n+1)个Sigma点集合。
Figure BDA0002326298110000104
式(23)中，i为状态变量的个数，参数λ是一个缩放比例参数，用来降低总的预测误差，它的计算方式为：λ＝α2(n+κ)-n，α通常取值在0到1之间，κ的取值应保证矩阵
Figure BDA0002326298110000105
为半正定矩阵。
Figure BDA0002326298110000106
表示第k-1时刻第i个粒子的状态变量，
Figure BDA0002326298110000107
表示第k-1时刻第i个粒子的状态变量的均值，
Figure BDA0002326298110000108
表示第k-1时刻第i个粒子的状态变量的协方差矩阵。
对Sigma点进行下一时刻预测：
Figure BDA0002326298110000109
式(24)中，
Figure BDA00023262981100001010
的计算可参考式(16)和(17)。
状态预测量的均值为：
Figure BDA00023262981100001011
式(25)中，
Figure BDA0002326298110000111
为各Sigma采样点状态量对应的权值，它的值为：
Figure BDA0002326298110000112
式(26)中符号的含义参考式(23)。
求协方差阵：
Figure BDA0002326298110000113
式(27)中，Q为过程噪声方差矩阵，
Figure BDA0002326298110000114
为各Sigma采样点量测量对应的权值，它的值为：
Figure BDA0002326298110000115
式(28)中，参数β为一个非负的系数，它可以合并方程中高阶项的动差，其他符号含义参考式(23)。
观测量的预测值为：
Figure BDA0002326298110000116
Figure BDA0002326298110000117
表示第k-1时刻第i个粒子对应的输入矢量，式(29)的具体形式参考式(19)。
观测预测量的均值为：
Figure BDA0002326298110000118
式(30)中，
Figure BDA0002326298110000119
为各Sigma采样点量测量对应的权值。
融入最新的观测，并更新：
求协方差阵：
Figure BDA00023262981100001110
式(31)中，
Figure BDA0002326298110000121
为第k时刻第i个粒子的观测量的自协方差矩阵，R为量测噪声方差矩阵。
Figure BDA0002326298110000122
式(32)中，
Figure BDA0002326298110000123
为第k时刻第i个粒子的观测量与状态量直接的互协方差矩阵。
滤波增益矩阵K为：
Figure BDA0002326298110000124
式(33)中，
Figure BDA0002326298110000125
为第k时刻第i个粒子对应的滤波增益矩阵。
Figure BDA0002326298110000126
式(34)中，Zk为k时刻实际测到的量测值。
Figure BDA0002326298110000127
在通过无迹卡尔曼算法得到均值
Figure BDA0002326298110000128
和方差
Figure BDA0002326298110000129
后，进行粒子滤波(PF)：
计算采样更新粒子：
Figure BDA00023262981100001210
式(36)中，
Figure BDA00023262981100001211
为粒子集，表示从已知的参考分布
Figure BDA00023262981100001212
中抽样，
Figure BDA00023262981100001213
表示此参考分布的均值为式(34)得到的均值
Figure BDA00023262981100001214
方差为式(35)得到的方差
Figure BDA00023262981100001215
Figure BDA00023262981100001216
Figure BDA00023262981100001217
表示k时刻之前的第i个粒子状态量集合。
Figure BDA00023262981100001218
Figure BDA00023262981100001219
表示k时刻之前的第i个粒子状态量协方差集合。
For i＝1:N，为每个粒子重新计算权重：
Figure BDA00023262981100001220
式(39)中，
Figure BDA00023262981100001221
表示后验分布。
Fori＝1:N，归一化权重。其中，上式参数的含义，请具体参见“黄小平，王岩，缪鹏程.粒子滤波原理及应用——Matlab仿真[M].北京：电子工业出版社，2017：107-108.”。
2)重采样阶段
利用重采样算法，根据归一化权重的大小，对粒子集合进行复制和淘汰。此处选择随机重采样算法。重新设置权重：
Figure BDA0002326298110000131
3)状态输出
计算粒子集合的均值可得到k时刻状态变量的输出：
Figure BDA0002326298110000132
Figure BDA0002326298110000133
就是k时刻最终得到的系统状态变量的估计值。
质心侧偏角估计与UPF算法相结合的过程：
由式(13)可知，取车辆的状态变量为：
X＝[Vx,Vy,γ,ax,ay]T (42)
则在对车辆质心侧偏角估计的过程中，UPF算法的式(19)变为：
X0 (i)＝[Vx0 (i),Vy0 (i),γ0 (i),ax0 (i),ay0 (i)]T (43)
X0 (i)代表车辆的初始状态，i表示第i个粒子，每个估计时刻k对应有多个粒子数，粒子数人为给定，粒子数过大会造成估计算法运行时间过长，粒子数过少会削弱算法的估计效果。
整个估计时间由T个采样周期组成，那么对k＝1:T来说，在第k-1时刻，由式(23)来对车辆状态值进行Sigma变换，得到
Figure BDA0002326298110000134
再对Sigma点集进行k时刻的预测，此时式(24)中的
Figure BDA0002326298110000135
可根据式(16)和(17)的车辆状态方程确定，以
Figure BDA0002326298110000136
的第一列数组
Figure BDA0002326298110000137
为例，具体为:
Figure BDA0002326298110000138
Figure BDA0002326298110000141
Figure BDA0002326298110000142
中每一项的具体表达式为：
Figure BDA0002326298110000143
在完成式(25)-(28)以后，式(29)中的
Figure BDA0002326298110000144
可根据式(18)和(19)的量测方程确定。具体为：
Figure BDA0002326298110000145
Figure BDA0002326298110000146
Figure BDA0002326298110000147
Figure BDA0002326298110000148
中每一项的具体表达式为：
Figure BDA0002326298110000149
需要注意的是，式(34)中的Zk代表第k时刻的观测值，对应的是车辆由传感器得到的测量值：Zk＝[axk,ayk,γk]T，axk为第k时刻测得的车辆纵向加速度，ayk为第k时刻测得的车辆侧向加速度，γk为第k时刻测得的车辆横摆角速度。
整个算法过程按照式(21)-(41)依次进行，便可得到第k时刻每个粒子对应的车辆状态Xk (i)，对粒子集合取平均值便可得到第k时刻的最终车辆估计状态
Figure BDA0002326298110000151
此时，第k时刻的车辆纵向速度
Figure BDA0002326298110000152
(即Vxk为
Figure BDA0002326298110000153
中的第一个变量)，侧向速度
Figure BDA0002326298110000154
则第k时刻的车辆质心侧偏角估计值为：
Figure BDA0002326298110000155
以此类推，可得到每个时刻对应的车辆质心侧偏角估计值，完成整个估计过程。
此外，针对上述确定车辆质心侧偏角的方法，本发明还对应提供了一种确定车辆质心侧偏角的系统，如图3所示，该系统包括：状态模型构建模块1、状态平均值获取模块2、速度确定模块3和质心侧偏角确定模块4。
状态模型构建模块1用于构建待确定车辆的状态模型；
状态平均值获取模块2用于采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
速度确定模块3用于采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
质心侧偏角确定模块4用于根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值。
所述状态模型构建模块1包括：侧向力确定单元、纵向力确定单元、动力学方程构建单元、运动学方程构建单元和状态模型构建单元。
侧向力确定单元用于采用轮胎的魔术公式模型，确定待确定车辆的侧向力；
纵向力确定单元用于获取所述待确定车辆的纵向力；
动力学方程构建单元用于根据所述侧向力和纵向力，构建所述待确定车辆的动力学方程；
运动学方程构建单元用于根据所述动力学方程，构建所述待确定车辆的运动学方程；
状态模型构建单元用于根据所述动力学方程和所述运动学方程，构建所述状态模型。
所述运动学方程构建单元还可以包括：获取子单元和运动学方程构建子单元。
获取子单元用于根据所述动力学方程，确定所述待确定车辆的纵向加速度、侧向加速度和横摆力矩；
运动学方程构建子单元用于根据所述纵向加速度、所述侧向加速度和所述横摆力矩，构建所述待确定车辆的运动学方程。
所述状态平均值获取模块包括：测量值矩阵构成单元、量值矩阵形成单元、获取单元、状态模型值获取单元和状态平均值获取单元。
测量值矩阵构成单元用于采用传感器测量得到不同时刻所述待确定车辆的第一纵向加速度、第一侧向加速度和第一横摆角速度，并将所述第一纵向加速度、第一侧向加速度和第一横摆角速度构成测量值矩阵；
量值矩阵形成单元用于获取观测值矩阵，并采用无迹卡尔曼粒子滤波算法将所述观测值矩阵融入所述测量值矩阵，形成新的量值矩阵；
获取单元用于根据所述新的量值矩阵，确定得到不同时刻的第二纵向加速度、第二侧向加速度和第二横摆角速度；
状态模型值获取单元用于根据所述第二纵向加速度、第二侧向加速度和第二横摆角速度，利用所述状态模型，确定所述无迹卡尔曼粒子滤波算法在不同时刻下每一粒子所对应的状态模型值，并将不同时刻下每一粒子所对应的状态模型值放入粒子集合；
状态平均值获取单元用于确定所述粒子集合的平均值，所述平均值即为状态平均值。
下面采用仿真实验的方式，来进一步验证本发明所公开的确定车辆质心侧偏角的方法和系统进行进一步验证。
本发明是利用CarSim与Simulink的联合仿真平台对所提算法进行验证。在CarSim平台中，将车辆模型中的传统机械传动结构去掉，在Simulink中建立轮毂电机模型，将四轮驱动转矩输入到CarSim模型中，建立了轮毂驱动汽车模型。车辆模型选择B-class，Hatchback，其整车参数如表1所示。以CarSim输出的车辆状态作为参考值，将状态估计算法得到的状态变量值与参考值进行对比，从而验证UPF算法的准确性。本文中选取转向角阶跃工况和双移线工况进行仿真验证。
表1整车参数表
Figure BDA0002326298110000171
在CarSim中，设置车速为30km/h，路面附着系数1.0，方向盘在2s时发生阶跃，其阶跃值为60°，如图4所示。其仿真结果如图5(a)至图5(d)所示，其中，由图5(a)所示，在方向角发生阶跃后，纵向车速仍保持40km/h不变，估计值与参考值的误差虽有一定范围的变化，但整体上在允许范围内。由图5(b)可以看出估计值始终跟随参考值的变化，且误差保持在较小的范围。由图5(c)可以看出估计值具有较高的精度，图5(d)中可以看出当方向盘转角达到最大值60°时，质心侧偏角产生最大估计误差，为0.001rad，处于可接受范围内，整个仿真工况下，UPF算法的估计结果达到了较高的精度。
在CarSim中对双移线工况进行仿真实验，设置车速为70km/h,路面附着系数为0.85，进行双移线工况仿真，如图6所示。其仿真结果如图7(a)到图7(d)所示，纵向速度和侧向速度的估计具有较高的精度，估计值能够精确地跟随参考值的变化。根据纵向车速和侧向车速的估计值，可计算得到质心侧偏角的估计值，由图7(c)和图7(d)所示，质心侧偏角的估计值可以很好地跟随参考值的变化，且最大估计误差为0.0036rad，处于误差允许范围内，整个仿真工况下，UPF算法的估计精度较高。
基于上述仿真结果，可以进一步得到本发明所提供的确定车辆质心侧偏角方法和系统具有以下特点和进步：
(1)本发明在七自由度整车模型的基础上，提出了针对于轮毂驱动汽车的无迹卡尔曼粒子滤波(UPF)算法，利用低成本的传感器对纵向加速度、侧向加速度和横摆角速度进行测量，实现了对车辆在行驶过程中的纵向车速、侧向车速等状态变量的实时估计，根据纵向车速和侧向车速的估计值，计算得到质心侧偏角的估计值，完成了对质心侧偏角的估计。
(2)基于CarSim和Simulink的联合仿真平台，通过转向角阶跃和双移线两个工况，对算法的估计精度进行验证，仿真结果表明，该算法具有良好的精度，对于质心侧偏角的估计满足精度要求。
(3)在车辆行驶过程中，传感器的量测噪声对估计结果具有较大的影响，可通过量测噪声协方差自适应调节，提高抗干扰性，综合提高各种状况下的观测精度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种确定车辆质心侧偏角的方法，其特征在于，包括：
构建待确定车辆的状态模型；
采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角。
2.根据权利要求1所述的一种确定车辆质心侧偏角的方法，其特征在于，所述构建待确定车辆的状态模型包括：
采用轮胎的魔术公式模型，确定待确定车辆的侧向力；
获取所述待确定车辆的纵向力；
根据所述侧向力和纵向力，构建所述待确定车辆的动力学方程；
根据所述动力学方程，构建所述待确定车辆的运动学方程；
根据所述动力学方程和所述运动学方程，构建所述状态模型。
3.根据权利要求2所述的一种确定车辆质心侧偏角的方法，其特征在于，所述根据所述动力学方程，构建所述待确定车辆的运动学方程，包括：
根据所述动力学方程，确定所述待确定车辆的纵向加速度、侧向加速度和横摆力矩；
根据所述纵向加速度、所述侧向加速度和所述横摆力矩，构建所述待确定车辆的运动学方程。
4.根据权利要求1所述的一种确定车辆质心侧偏角的方法，其特征在于，所述采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值，包括：
采用传感器测量得到不同时刻所述待确定车辆的第一纵向加速度、第一侧向加速度和第一横摆角速度，并将所述第一纵向加速度、第一侧向加速度和第一横摆角速度构成测量值矩阵；
获取观测值矩阵，并采用无迹卡尔曼粒子滤波算法将所述观测值矩阵融入所述测量值矩阵，形成新的量值矩阵；
根据所述新的量值矩阵，确定得到不同时刻的第二纵向加速度、第二侧向加速度和第二横摆角速度；
根据所述第二纵向加速度、第二侧向加速度和第二横摆角速度，利用所述状态模型，确定所述无迹卡尔曼粒子滤波算法在不同时刻下每一粒子所对应的状态模型值，并将不同时刻下每一粒子所对应的状态模型值放入粒子集合；
确定所述粒子集合的平均值，所述平均值即为状态平均值。
5.一种确定车辆质心侧偏角的系统，其特征在于，包括：
状态模型构建模块，用于构建待确定车辆的状态模型；
状态平均值获取模块，用于采用无迹卡尔曼粒子滤波算法，根据所述状态模型，确定不同时刻设定粒子数下的状态平均值；
速度确定模块，用于采用所述状态平均值，确定所述待确定车辆在不同时刻的纵向速度和侧向速度；
质心侧偏角确定模块，用于根据所述纵向速度和所述侧向速度，确定所述待确定车辆质心侧偏角的值。
6.根据权利要求5所述的一种确定车辆质心侧偏角的系统，其特征在于，所述状态模型构建模块包括：
侧向力确定单元，用于采用轮胎的魔术公式模型，确定待确定车辆的侧向力；
纵向力确定单元，用于获取所述待确定车辆的纵向力；
动力学方程构建单元，用于根据所述侧向力和纵向力，构建所述待确定车辆的动力学方程；
运动学方程构建单元，用于根据所述动力学方程，构建所述待确定车辆的运动学方程；
状态模型构建单元，用于根据所述动力学方程和所述运动学方程，构建所述状态模型。
7.根据权利要求6所述的一种确定车辆质心侧偏角的系统，其特征在于，所述运动学方程构建单元包括：
获取子单元，用于根据所述动力学方程，确定所述待确定车辆的纵向加速度、侧向加速度和横摆力矩；
运动学方程构建子单元，用于根据所述纵向加速度、所述侧向加速度和所述横摆力矩，构建所述待确定车辆的运动学方程。
8.根据权利要求5所述的一种确定车辆质心侧偏角的系统，其特征在于，所述状态平均值获取模块包括：
测量值矩阵构成单元，用于采用传感器测量得到不同时刻所述待确定车辆的第一纵向加速度、第一侧向加速度和第一横摆角速度，并将所述第一纵向加速度、第一侧向加速度和第一横摆角速度构成测量值矩阵；
量值矩阵形成单元，用于获取观测值矩阵，并采用无迹卡尔曼粒子滤波算法将所述观测值矩阵融入所述测量值矩阵，形成新的量值矩阵；
获取单元，用于根据所述新的量值矩阵，确定得到不同时刻的第二纵向加速度、第二侧向加速度和第二横摆角速度；
状态模型值获取单元，用于根据所述第二纵向加速度、第二侧向加速度和第二横摆角速度，利用所述状态模型，确定所述无迹卡尔曼粒子滤波算法在不同时刻下每一粒子所对应的状态模型值，并将不同时刻下每一粒子所对应的状态模型值放入粒子集合；
状态平均值获取单元，用于确定所述粒子集合的平均值，所述平均值即为状态平均值。
CN201911317708.9A 2019-12-19 2019-12-19 一种确定车辆质心侧偏角的方法和系统 Active CN110884499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911317708.9A CN110884499B (zh) 2019-12-19 2019-12-19 一种确定车辆质心侧偏角的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911317708.9A CN110884499B (zh) 2019-12-19 2019-12-19 一种确定车辆质心侧偏角的方法和系统

Publications (2)

Publication Number Publication Date
CN110884499A true CN110884499A (zh) 2020-03-17
CN110884499B CN110884499B (zh) 2021-03-19

Family

ID=69752504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911317708.9A Active CN110884499B (zh) 2019-12-19 2019-12-19 一种确定车辆质心侧偏角的方法和系统

Country Status (1)

Country Link
CN (1) CN110884499B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111422247A (zh) * 2020-03-20 2020-07-17 合肥工业大学 线控转向电机和传感器的故障诊断及容错补偿算法
CN111645699A (zh) * 2020-06-10 2020-09-11 北京理工大学 基于多传感器信息融合的模型自适应侧向速度估计方法
CN112009488A (zh) * 2020-09-11 2020-12-01 重庆大学 一种基于粒子滤波算法的车辆状态估计方法
CN112874529A (zh) * 2021-02-05 2021-06-01 北京理工大学 基于事件触发状态估计的车辆质心侧偏角估计方法及系统
CN113085880A (zh) * 2021-04-15 2021-07-09 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
CN113916565A (zh) * 2021-12-14 2022-01-11 禾多科技（北京）有限公司 一种方向盘零偏角估计方法、装置、车辆及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408265A (zh) * 2014-12-10 2015-03-11 辽宁石油化工大学 车辆行驶状态和轮胎魔术公式参数联合估计的方法
CN105151047A (zh) * 2015-09-08 2015-12-16 吉林大学 一种汽车质心侧偏角测量方法
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
CN108545081A (zh) * 2018-03-20 2018-09-18 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
CN110497915A (zh) * 2019-08-15 2019-11-26 太原科技大学 一种基于加权融合算法的汽车行驶状态估计方法
CN110532590A (zh) * 2019-07-12 2019-12-03 南京航空航天大学 一种基于自适应容积粒子滤波的车辆状态估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408265A (zh) * 2014-12-10 2015-03-11 辽宁石油化工大学 车辆行驶状态和轮胎魔术公式参数联合估计的方法
CN105151047A (zh) * 2015-09-08 2015-12-16 吉林大学 一种汽车质心侧偏角测量方法
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
CN108545081A (zh) * 2018-03-20 2018-09-18 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
CN110532590A (zh) * 2019-07-12 2019-12-03 南京航空航天大学 一种基于自适应容积粒子滤波的车辆状态估计方法
CN110497915A (zh) * 2019-08-15 2019-11-26 太原科技大学 一种基于加权融合算法的汽车行驶状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张友朋: "全线控四驱独立电动汽车状态估计与路径跟踪控制研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111422247A (zh) * 2020-03-20 2020-07-17 合肥工业大学 线控转向电机和传感器的故障诊断及容错补偿算法
CN111645699A (zh) * 2020-06-10 2020-09-11 北京理工大学 基于多传感器信息融合的模型自适应侧向速度估计方法
WO2021248641A1 (zh) * 2020-06-10 2021-12-16 北京理工大学 基于多传感器信息融合的模型自适应侧向速度估计方法
CN112009488A (zh) * 2020-09-11 2020-12-01 重庆大学 一种基于粒子滤波算法的车辆状态估计方法
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
CN112874529A (zh) * 2021-02-05 2021-06-01 北京理工大学 基于事件触发状态估计的车辆质心侧偏角估计方法及系统
CN113085880A (zh) * 2021-04-15 2021-07-09 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
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
CN113916565A (zh) * 2021-12-14 2022-01-11 禾多科技（北京）有限公司 一种方向盘零偏角估计方法、装置、车辆及存储介质
CN113916565B (zh) * 2021-12-14 2022-03-11 禾多科技（北京）有限公司 一种方向盘零偏角估计方法、装置、车辆及存储介质

Also Published As

Publication number Publication date
CN110884499B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
Li et al. Comprehensive tire–road friction coefficient estimation based on signal fusion method under complex maneuvering operations
Rajamani et al. Algorithms for real-time estimation of individual wheel tire-road friction coefficients
CN102529976B (zh) 一种基于滑模观测器的车辆运行状态非线性鲁棒估计方法
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
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
CN111645699B (zh) 基于多传感器信息融合的模型自适应侧向速度估计方法
CN105151047A (zh) 一种汽车质心侧偏角测量方法
CN110497915B (zh) 一种基于加权融合算法的汽车行驶状态估计方法
CN108284841A (zh) 一种分布式驱动电动汽车行驶状态自适应迭代估计方法
CN103264669A (zh) 一种基于can信息和功能原理的重型车质量实时辨识方法
CN107985315A (zh) 轮式装载机轮胎纵向力动态估计方法
CN103279675B (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
CN104354700A (zh) 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
CN108162976A (zh) 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
Lin et al. A novel H∞ and EKF joint estimation method for determining the center of gravity position of electric vehicles
CN108597058A (zh) 基于伪量测信息的分布式驱动电动汽车状态级联估计方法
CN104554271A (zh) 一种基于参数估计误差的路面坡度和汽车状态参数联合估计方法
CN103661398A (zh) 一种基于滑模观测器的车辆非转向左后轮线速度估计方法
Chen et al. Maximum tire road friction estimation based on modified Dugoff tire model
CN109515442A (zh) 四轮驱动电动汽车路面附着系数估计方法
CN104408265B (zh) 车辆行驶状态和轮胎魔术公式参数联合估计的方法
CN116923428A (zh) 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法
Huang et al. Robust sideslip angle estimation for lightweight vehicles using smooth variable structure filter

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