CN111223209A - 一种基于平行结构的车辆行驶参数和状态参数联合估计方法 - Google Patents

一种基于平行结构的车辆行驶参数和状态参数联合估计方法 Download PDF

Info

Publication number
CN111223209A
CN111223209A CN202010028182.9A CN202010028182A CN111223209A CN 111223209 A CN111223209 A CN 111223209A CN 202010028182 A CN202010028182 A CN 202010028182A CN 111223209 A CN111223209 A CN 111223209A
Authority
CN
China
Prior art keywords
sampling
covariance
point set
noise
estimation
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.)
Pending
Application number
CN202010028182.9A
Other languages
English (en)
Inventor
张承宁
赵宇
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 CN202010028182.9A priority Critical patent/CN111223209A/zh
Publication of CN111223209A publication Critical patent/CN111223209A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明涉及一种基于平行结构的车辆行驶参数和状态参数联合估计方法，在自适应Sage‑Husge算法中引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法的自适应性能进行改进；针对车辆建模误差和车辆受环境影响时估计过程中噪声表现出的强时变性，也能保证估计精度和估计的实时性。结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法的跟踪性能进行改进，构建强跟踪最小偏度采样卡尔曼滤波算法；能够解决最小偏度采样卡尔曼滤波算法无法满足车辆行驶过程中紧急情况如急刹车、急转弯等导致的车辆状态突然发生变化时对估计实时性要求的技术问题。基于平行结构的车辆行驶状态参数联合估计，有效的提高了状态参数信息利用度，解决了独立估计过程中信息不能共享反馈的问题。

Description

一种基于平行结构的车辆行驶参数和状态参数联合估计方法
技术领域
本发明涉及车辆行驶状态评估领域，特别涉及一种车辆行驶参数和状态参数联合估计领域。
背景技术
对于轮毂电机驱动车辆而言，在行驶过程中车辆行驶状态参数受车辆行驶环境、传感器精度等因素的影响表现出很强的非线性特征，且车辆系统的过程噪声和测量噪声具有很强的时变性特点。而且在遇到紧急工况如急刹车、急转弯时车辆状态的估计算法需要具有很强的跟踪特性。
最小偏度采样卡尔曼滤波算法(ASMSS-UKF)虽然比无损卡尔曼滤波(UKF)虽然具有更高的估计效率、采样精度等优点，但是始终受到卡尔曼滤波算法的制约。当车辆突然改变行驶状态使车辆系统呈强非线性时，无法及时调整增益矩阵，且随着时间的积累问题愈发严重。
最小偏度采样卡尔曼滤波算法(ASMSS-UKF)要求先验噪声精确已知，当车辆系统受环境影响时就无法精确的获知系统的先验噪声；在突然改变车辆行驶状态时最小偏度采样卡尔曼滤波算法(ASMSS-UKF)无法随残差的变化对协方差和增益矩阵及时做出调整。
上述缺点在车辆状态估计过程中都严重的影响着估计的实时性和准确性。因此，有必要提高最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性和强跟踪性，以适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力以及遭遇紧急工况时仍能保证估计实时性和准确性的能力。
此外，车辆的行驶状态和路面附着系数等车辆行驶参数有着密切的关系，但是在现有的状态参数估计过程中，车辆行驶状态信息和车辆行驶参数信息往往不能彼此间实现实时修正、反馈而影响估计精度。
发明内容
针对上述现有技术的不足，本发明提出一种基于平行结构的车辆行驶参数和状态参数联合估计方法。本发明具有如下优点：
1、本发明在自适应Sage-Husge算法中引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性能进行改进，构建自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；针对车辆建模误差和车辆受环境影响时估计过程中噪声表现出的强时变性，也能保证估计精度和估计的实时性。
2、结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的跟踪性能进行改进，构建强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；能够解决最小偏度采样卡尔曼滤波算法(ASMSS-UKF)无法满足车辆行驶过程中紧急情况如急刹车、急转弯等导致的车辆状态突然发生变化时对估计实时性要求的技术问题。
3、结合自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)与强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)，提出了改进后的具有自适应性和强跟踪性改进最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)提高最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性和强跟踪性，能够适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力，且遭遇紧急工况时仍能保证估计实时性和准确性。
4、本发明基于平行结构的车辆行驶状态参数联合估计，车辆行驶状态估计与车辆行驶参数估计实时反馈实时修正，有效的提高了状态参数信息利用度，解决了独立估计过程中信息不能共享反馈的问题。
附图说明
图1示出了状态参数联合估计的平行结构示意图。
图2示出了采用自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法的测量更新流程。
图3示出了采用强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法的时间更新流程。
图4示出了高附着路面对比。
图5示出了低附着路面对比。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
本发明的车辆行驶状态参数联合估计方法包括车辆行驶状态估计和车辆行驶参数估计；本发明的估计含义为预测和更新。
以质心侧偏角、横摆角速度、纵向车速作为车辆行驶状态；
以路面附着系数作为车辆行驶参数；
由于车辆行驶状态体现车辆行驶参数，车辆行驶参数决定车辆行驶状态，可见车辆行驶状态和车辆行驶参数有着密切关系，因此本发明构建了基于平行结构的车辆行驶状态参数联合估计方法，车辆行驶状态估计和车辆行驶参数估计平行进行并实时交换参数，该平行结构实现了车辆行驶状态估计和车辆行驶参数估计之间的信息共享，并实时反馈实时修正，有效的提高了状态参数信息利用度。
车辆行驶状态估计和车辆行驶参数估计皆采用自适应强跟踪性最小偏度采样卡尔曼滤波算法，能够适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力，且遭遇紧急工况时仍能保证估计的实时性和准确性。
具体为如图1所示，将所述车辆行驶参数估计的时间更新获得的引入虚拟噪声后的所述行驶参数的预测值，共享给所述车辆行驶状态估计的时间更新流程中使用；将所述车辆行驶状态估计的时间更新获得的引入虚拟噪声后的所述行驶状态的预测值，共享给所述车辆行驶参数估计的时间更新流程中使用；
所述车辆行驶状态估计和车辆行驶参数估计皆采用自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；
所述自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法包括采用自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的测量更新与采用强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的时间更新。自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)提高最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性和强跟踪性，能够适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力，且遭遇紧急工况时仍能保证估计实时性和准确性。
所述自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)，包括时间更新、测量更新和虚拟噪声更新；
所述测量更新采用自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法。所述自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)具体为：由自适应Sage-Husge算法，引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性能进行改进后得到。
在利用非线性估计方法与车辆动力学模型进行状态估计时，在建模时往往存在一定的误差。本发明构建的自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)，针对车辆建模误差和车辆受环境影响时估计过程中噪声表现出的强时变性，也能保证估计精度和估计的实时性。
采用自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的测量更新流程如图2，具体如下：
(1)初始化；
(2)利用自适应比例修正最小偏度单形采样策略对sigma点采样并计算均值权值，得到第一点集χi、均值权值
Figure BDA0002363237570000041
和方差权值
Figure BDA0002363237570000042
(3)对第一点集χi进行非线性变换，得到经过非线性变换后的第二点集
Figure BDA0002363237570000043
(4)利用非线性变换后的第二点集
Figure BDA0002363237570000044
计算引入虚拟噪声后的状态量预测值
Figure BDA0002363237570000045
Figure BDA0002363237570000046
式中：
Figure BDA0002363237570000051
为系统过程噪声的期望；
(5)利用非线性变换后的第二点集
Figure BDA0002363237570000052
计算引入虚拟噪声后的状态量协方差预测值
Figure BDA0002363237570000053
Figure BDA0002363237570000054
式中：T代表转置，i的取值范围是(0,N)；
Figure BDA0002363237570000055
为系统过程噪声的协方差；
(6)对非线性变换后的第二点集
Figure BDA0002363237570000056
通过观测方程进行非线性变换得到第三点集
Figure BDA0002363237570000057
(7)利用第三点集
Figure BDA0002363237570000058
计算含有虚拟噪声的观测量预测值
Figure BDA0002363237570000059
Figure BDA00023632375700000510
式中：
Figure BDA00023632375700000511
系统测量噪声的期望值；
(8)利用第三点集
Figure BDA00023632375700000512
非线性变换得到第二点集
Figure BDA00023632375700000513
以及含有虚拟噪声的观测量预测值
Figure BDA00023632375700000514
计算含有虚拟噪声观测量协方差的更新值Pz,k+1；
Figure BDA00023632375700000515
式中：
Figure BDA00023632375700000516
为系统测量噪声的协方差；
(9)利用非线性变换得到第二点集
Figure BDA00023632375700000517
以及含有虚拟噪声的观测量预测值
Figure BDA00023632375700000518
计算状态量、观测量协方差的更新值Pxz,k+1；
(10)利用状态量、观测量协方差的更新值Pxz,k+1，计算卡尔曼增益Kk+1；
(11)利用卡尔曼增益Kk+1，计算状态量的估计值
Figure BDA00023632375700000519
(12)利用引入虚拟噪声后的状态量协方差预测值
Figure BDA00023632375700000520
卡尔曼增益Kk+1以及含有虚拟噪声观测量协方差的更新值Pz,k+1，更新状态量协方差。
时间更新采用本发明提供的强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)。所述强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)具体为：结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的跟踪性能进行改进得到。
所述强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)能够解决最小偏度采样卡尔曼滤波算法(ASMSS-UKF)无法满足车辆行驶过程中紧急情况如急刹车、急转弯等导致的车辆状态突然发生变化时对估计实时性要求的技术问题。
采用所述强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的时间更新流程见图3，如下：
(1)初始化；
(2)利用自适应比例修正最小偏度单形采样策略对sigma点采样并计算均值权值，得到第一点集χi、均值权值
Figure BDA0002363237570000061
和方差权值
Figure BDA0002363237570000062
(3)对第一点集χi进行非线性变换，得到非线性变换后的第二点集
Figure BDA0002363237570000063
(4)利用非线性变换后的第二点集
Figure BDA0002363237570000064
计算引入虚拟噪声后的状态量预测值
Figure BDA0002363237570000065
Figure BDA0002363237570000066
式中：
Figure BDA0002363237570000067
为系统过程噪声的期望；
(5)利用非线性变换后的第二点集
Figure BDA0002363237570000068
计算未引入渐消因子的观测量协方差的更新值
Figure BDA0002363237570000069
未引入渐消因子的状态量、观测量协方差的更新值
Figure BDA00023632375700000610
未引入渐消因子的残差值
Figure BDA00023632375700000611
未引入渐消因子的车辆行驶状态测量白噪声Vk+1；
Figure BDA00023632375700000612
Figure BDA00023632375700000613
Figure BDA00023632375700000614
Figure BDA0002363237570000071
式中：
Figure BDA0002363237570000072
为车辆行驶状态参数的预测值，μk+1为路面附着系数，Vk为车辆行驶状态测量白噪声，ρ为空气密度；
(6)利用非线性变换后的第二点集
Figure BDA0002363237570000073
计算渐消因子λk+1
Figure BDA0002363237570000074
Figure BDA0002363237570000075
式中：βn为弱化因子，Rk+1为系统测量噪声的协方差，Qk为系统过程噪声协方差。
(7)引入渐消因子λk+1，计算引入虚拟噪声后的状态量协方差预测值
Figure BDA0002363237570000076
Figure BDA0002363237570000077
(8)对非线性变换后的第二点集
Figure BDA0002363237570000078
通过观测方程进行非线性变换得到第三点集
Figure BDA0002363237570000079
(9)利用第三点集
Figure BDA00023632375700000710
计算含有虚拟噪声的观测量预测值
Figure BDA00023632375700000711
(10)利用第三点集
Figure BDA00023632375700000712
以及含有虚拟噪声的观测量预测值
Figure BDA00023632375700000713
计算含有虚拟噪声的观测量协方差的更新值Pz,k+1；
(11)利用含有虚拟噪声的观测量协方差的更新值Pz,k+1，计算状态量和观测量协方差的更新值Pxz,k+1；
Figure BDA00023632375700000714
(12)利用状态量和观测量协方差的更新值Pxz,k+1，计算卡尔曼增益Kk+1；
(13)含有虚拟噪声的观测量预测值
Figure BDA0002363237570000081
以及卡尔曼增益Kk+1，计算状态量的估计值
Figure BDA0002363237570000082
(14)利用引入虚拟噪声后的状态量协方差预测值
Figure BDA0002363237570000083
卡尔曼增益Kk+1以及含有虚拟噪声的观测量协方差的更新值Pz,k+1，更新状态协方差；
发明效果验证：
利用硬件在环仿真试验平台，对基于平行结构的车辆行驶状态参数联合估计方法进行试验验证，分别对比了在高、低附着路面条件下，利用硬件在环试验、最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法及PS-最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法得到的车辆质心侧偏角、横摆角速度和车辆第一及第四轴路面附着系数。
图4对比了在高路面附着系数条件下的质心侧偏角、横摆角速度和路面附着系数值。仿真时，采用方向盘为正弦输入的单移线工况，车速为20m/s，设定路面附着系数为0.8，估计算法路面附着系数初始值为0.9。
从图4可知，在高路面附着系数条件下，与最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法相比，采用PS-最小偏度采样卡尔曼滤波算法(ASMSS-UKF)估计方法曲线与硬件在环试验结果曲线吻合度高，能够同时对车辆行驶状态和车辆行驶参数进行较精确的估计。
图5对比了在低路面附着系数条件下的质心侧偏角、横摆角速度和路面附着系数值。仿真时，采用双移线工况，车速为20m/s，设定路面附着系数为0.4，估计算法路面附着系数初始值为0.9。
从图5可知，在低路面附着系数条件下，采用PS-最小偏度采样卡尔曼滤波算法(ASMSS-UKF)估计方法与硬件在环试验结果相比，仍然具有较高的吻合度，进一步验证了所设计的基于平行结构的车辆行驶状态参数联合估计方法对车辆状态参数估计的优越性。

Claims (7)

1.一种基于平行结构的车辆行驶参数和状态参数联合估计方法，包括车辆行驶状态估计和车辆行驶参数估计；所述行驶状态包括质心侧偏角、横摆角速度、纵向车速，所述行驶参数包括路面附着系数；
所述车辆行驶状态估计和车辆行驶参数估计皆采用自适应强跟踪性最小偏度采样卡尔曼滤波算法；
所述自适应强跟踪性最小偏度采样卡尔曼滤波算法包括采用自适应最小偏度采样卡尔曼滤波算法的测量更新与采用强跟踪最小偏度采样卡尔曼滤波算法的时间更新；
将所述车辆行驶参数估计的时间更新获得的引入虚拟噪声后的所述行驶参数的预测值，共享给所述车辆行驶状态估计的时间更新流程中使用；
将所述车辆行驶状态估计的时间更新获得的引入虚拟噪声后的所述行驶状态的预测值，共享给所述车辆行驶参数估计的时间更新流程中使用；
所述自适应最小偏度采样卡尔曼滤波算法具体为：由自适应Sage-Husge算法，引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法的自适应性能进行改进后得到；
所述强跟踪最小偏度采样卡尔曼滤波算法具体为：结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法的跟踪性能进行改进得到。
2.如权利要求1所述的方法，其特征在于：采用所述强跟踪最小偏度采样卡尔曼滤波算法的时间更新包括如下步骤：
(a)利用自适应比例修正最小偏度单形采样策略对sigma点采样并计算均值权值，得到第一点集χi、均值权值
Figure FDA0002363237560000011
和方差权值
Figure FDA0002363237560000012
(b)对第一点集χi进行非线性变换，得到非线性变换后的第二点集
Figure FDA0002363237560000013
(c)利用非线性变换后的第二点集
Figure FDA0002363237560000014
计算引入虚拟噪声后的状态量预测值
Figure FDA0002363237560000021
(d)利用非线性变换后的第二点集
Figure FDA0002363237560000022
计算未引入渐消因子的观测量协方差的更新值、未引入渐消因子的状态量、观测量协方差的更新值、未引入渐消因子的残差值；
(e)利用非线性变换后的第二点集
Figure FDA0002363237560000023
计算渐消因子λk+1；
(f)引入渐消因子λk+1，计算引入虚拟噪声后的状态量协方差预测值
Figure FDA0002363237560000024
3.如权利要求2所述的方法，其特征在于：采用所述强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的时间更新还包括如下步骤:
(g)对非线性变换后的第二点集
Figure FDA0002363237560000025
通过观测方程进行非线性变换得到第三点集
Figure FDA0002363237560000026
(h)利用第三点集
Figure FDA0002363237560000027
计算含有虚拟噪声的观测量预测值
Figure FDA0002363237560000028
(i)利用第三点集
Figure FDA0002363237560000029
以及含有虚拟噪声的观测量预测值
Figure FDA00023632375600000210
计算含有虚拟噪声的观测量协方差的更新值Pz,k+1；
(j)利用含有虚拟噪声的观测量协方差的更新值Pz,k+1，计算状态量和观测量协方差的更新值Pxz,k+1；
(k)利用状态量和观测量协方差的更新值Pxz,k+1，计算卡尔曼增益Kk+1；
(l)含有虚拟噪声的观测量预测值
Figure FDA00023632375600000211
以及卡尔曼增益Kk+1，计算状态量的估计值
Figure FDA00023632375600000212
(m)利用引入虚拟噪声后的状态量协方差预测值
Figure FDA00023632375600000213
卡尔曼增益Kk+1以及含有虚拟噪声的观测量协方差的更新值Pz,k+1，更新状态协方差。
4.如权利要求2所述的方法，其特征在于：利用非线性变换后的第二点集
Figure FDA00023632375600000214
计算引入虚拟噪声后的状态量预测值
Figure FDA00023632375600000215
的方法为:
Figure FDA0002363237560000031
式中：
Figure FDA0002363237560000032
为系统过程噪声的期望。
5.如权利要求2所述的方法，其特征在于：利用非线性变换后的第二点集
Figure FDA0002363237560000033
计算渐消因子λk+1具体为:
Figure FDA0002363237560000034
Figure FDA0002363237560000035
式中：δn为弱化因子，Rk+1为系统测量噪声的协方差，Qk为系统过程噪声的协方差。
6.如权利要求2所述的方法，其特征在于：
引入渐消因子λk+1，计算引入虚拟噪声后的状态量协方差预测值
Figure FDA0002363237560000036
具体为
Figure FDA0002363237560000037
7.如权利要求1所述的方法，其特征在于：采用自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)算法的测量更新包括步骤：
(1)初始化；
(2)利用自适应比例修正最小偏度单形采样策略对sigma点采样并计算均值权值，得到第一点集χi、均值权值
Figure FDA0002363237560000038
和方差权值
Figure FDA0002363237560000039
(3)对第一点集χi进行非线性变换，得到经过非线性变换后的第二点集
Figure FDA00023632375600000310
(4)利用非线性变换后的第二点集
Figure FDA00023632375600000311
计算引入虚拟噪声后的状态量预测值
Figure FDA00023632375600000312
Figure FDA0002363237560000041
式中：
Figure FDA0002363237560000042
为系统过程噪声的期望；
(5)利用非线性变换后的第二点集
Figure FDA0002363237560000043
计算引入虚拟噪声后的状态量协方差预测值
Figure FDA0002363237560000044
Figure FDA0002363237560000045
式中：
Figure FDA0002363237560000046
为系统过程噪声的协方差；
(6)对非线性变换后的第二点集
Figure FDA0002363237560000047
通过观测方程进行非线性变换得到第三点集
Figure FDA0002363237560000048
(7)利用第三点集
Figure FDA0002363237560000049
计算含有虚拟噪声的观测量预测值
Figure FDA00023632375600000410
Figure FDA00023632375600000411
式中：
Figure FDA00023632375600000412
系统测量噪声的期望值；
(8)利用第三点集
Figure FDA00023632375600000413
非线性变换得到第二点集
Figure FDA00023632375600000414
以及含有虚拟噪声的观测量预测值
Figure FDA00023632375600000415
计算含有虚拟噪声观测量协方差的更新值Pz,k+1；
Figure FDA00023632375600000416
式中：
Figure FDA00023632375600000417
为系统测量噪声的协方差；
(9)利用非线性变换得到第二点集
Figure FDA00023632375600000418
以及含有虚拟噪声的观测量预测值
Figure FDA00023632375600000419
计算状态量、观测量协方差的更新值Pxz,k+1；
(10)利用状态量、观测量协方差的更新值Pxz,k+1，计算卡尔曼增益Kk+1；
(11)利用卡尔曼增益Kk+1，计算状态量的估计值
Figure FDA00023632375600000420
(12)利用引入虚拟噪声后的状态量协方差预测值
Figure FDA00023632375600000421
卡尔曼增益Kk+1以及含有虚拟噪声观测量协方差的更新值Pz,k+1，更新状态量协方差。
CN202010028182.9A 2020-01-10 2020-01-10 一种基于平行结构的车辆行驶参数和状态参数联合估计方法 Pending CN111223209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010028182.9A CN111223209A (zh) 2020-01-10 2020-01-10 一种基于平行结构的车辆行驶参数和状态参数联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010028182.9A CN111223209A (zh) 2020-01-10 2020-01-10 一种基于平行结构的车辆行驶参数和状态参数联合估计方法

Publications (1)

Publication Number Publication Date
CN111223209A true CN111223209A (zh) 2020-06-02

Family

ID=70832448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010028182.9A Pending CN111223209A (zh) 2020-01-10 2020-01-10 一种基于平行结构的车辆行驶参数和状态参数联合估计方法

Country Status (1)

Country Link
CN (1) CN111223209A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796110A (zh) * 2023-07-05 2023-09-22 云南南滇古茶供应链有限公司 茶叶存储环境状态的估计方法、系统和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927436A (zh) * 2014-04-04 2014-07-16 郑州牧业工程高等专科学校 一种自适应高阶容积卡尔曼滤波方法
CN108597058A (zh) * 2017-12-11 2018-09-28 江苏大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927436A (zh) * 2014-04-04 2014-07-16 郑州牧业工程高等专科学校 一种自适应高阶容积卡尔曼滤波方法
CN108597058A (zh) * 2017-12-11 2018-09-28 江苏大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王成: "《中国博士学位论文全文数据库 工程科技Ⅱ辑》", 15 March 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796110A (zh) * 2023-07-05 2023-09-22 云南南滇古茶供应链有限公司 茶叶存储环境状态的估计方法、系统和存储介质

Similar Documents

Publication Publication Date Title
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
CN110562263B (zh) 一种基于多模型融合的轮毂电机驱动车辆车速估计方法
CN108545081B (zh) 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN111152795B (zh) 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
CN113771857B (zh) 一种用于车辆控制的纵向车速估计方法和系统
CN105867377A (zh) 一种农业机械自动导航控制方法
CN101655504A (zh) 一种机动车辆自适应巡航系统的车速估计方法
CN113682282A (zh) 一种车辆稳定性控制方法、系统、车辆和存储介质
CN111086520A (zh) 一种适用于四轮驱动车辆多轮高滑移率时的速度估计算法
CN112432644A (zh) 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法
CN116552548B (zh) 一种四轮分布式电驱动汽车状态估计方法
CN116992697B (zh) 一种智能电动汽车行驶状态信息估计方法
CN113353085B (zh) 一种基于卡尔曼滤波理论的路面不平度识别方法
CN113830088B (zh) 一种智能半挂牵引车轨迹跟踪预测控制方法与车辆
CN114590264A (zh) 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法
CN111223209A (zh) 一种基于平行结构的车辆行驶参数和状态参数联合估计方法
CN104408265B (zh) 车辆行驶状态和轮胎魔术公式参数联合估计的方法
JP2010531773A (ja) 自動車の垂直慣性モーメント及びコーナリング剛性を同定する方法
CN113341997B (zh) 一种基于多状态参数协同估计的横向控制方法及系统
KR102159360B1 (ko) 곡률 추정 장치 및 방법
CN114043986A (zh) 一种考虑质量失配的轮胎路面附着系数多模型融合估计方法
CN116409327A (zh) 侧向工况下考虑轮胎瞬态特性的路面附着系数估计方法
CN117261916A (zh) 一种侧向车速估算方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200602