CN111391857B - 一种分布式驱动电动汽车坡度估计方法及系统 - Google Patents

Abstract

本发明公开了一种分布式驱动电动汽车坡度估计方法及系统。该方法包括：实时获取传感器采集到的车辆的纵向加速；实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度；以计算得到的纵向加速度为状态方程的输入，以传感器测量得到的车辆纵向加速度为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。本发明提供的分布式驱动电动汽车坡度估计方法具有可行性高的优势。

Description

一种分布式驱动电动汽车坡度估计方法及系统

技术领域

本发明涉及一种分布式驱动电动汽车坡度估计方法及系统。

背景技术

利用多方法融合的坡度估计方法，主要包括基于动力学的坡度估计方法与基于运动学方法的坡度估计。

利用动力学方法进行坡度估计可采用如下公式：

y＝u+b

y＝F_x

b＝mg(sinθ_d+fcosθ_d)

其中F_x为纵向力，

为纵向加速度，

为空气阻力，mgsinθ为重力在斜坡的分量，mgfcosθ为滚动阻力。

b值的估计可以采用最小二乘法进行。由于路面坡度是时变的，因此b也是时变的，故采取带有遗忘因子的最小二乘法估计b。在线性系统中，相当于找到参数b(k)，使得函数V(b(k),k)取得极小值。

式子中λ为遗忘因子，遗忘因子越大，辨识精度越高。

基于运动学方法的坡度估计如下：

加速度传感器固结于车身，其测量值a_x除了受到车辆本身的行驶加速度影响外，还受到路面坡度的影响。三者之间关系为：

进而得到基于运动学方法的坡度估计值：

车辆行驶过程中，路面坡度可以认为是由高频信号和低频信号两部分组成，基于动力学方法的坡度估计精度依赖于车辆模型，而车辆模型中的各参数受高频噪声影响大，因此需要对坡度θ进行低通滤波去高频部分，保留低频部分。基于运动学方法估计坡度的缺点是加速度传感器的测量值a_x受静态偏差影响较大，而惯性传感器的静态偏差是属于低频噪声，为了保证路面坡度估计结果的准确性，对θ采用高通滤波去除其低频部分，保留高频部分。基于运动学方法和动力学方法融合的坡度估计方法可通过如下公式实现：

在上述提出的多方法融合中，基于动力学模型的坡度估计方法并未建立精确的单轮动力学模型；在运动学方法中，纵向车速在实际应用场景中并不容易获取，基于该方法进行坡度估计可行性不高。

发明内容

本发明的目的是提供一种可行性高的分布式驱动电动汽车坡度估计方法及系统。

为实现上述目的，本发明提供了如下方案：

一种分布式驱动电动汽车坡度估计方法，包括：

实时获取传感器采集到的车辆的纵向加速度；

实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。

可选的，所述根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度，具体包括：

根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

可选的，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d，具体包括：

根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量。

可选的，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x，具体包括：

根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

本发明还提供了一种分布式驱动电动汽车坡度估计系统，包括：

纵向加速度获取模块，用于实时获取传感器采集到的车辆的纵向加速度；

纵向加速度计算模块，用于实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

滤波模块，用于以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

坡度计算模块，用于根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。

可选的，所述坡度计算模块，具体包括：

坡度计算单元，用于根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

可选的，所述纵向加速度计算模块，具体包括：

纵向力计算单元，用于根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

纵向加速度计算单元，用于结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量。

可选的，所述纵向力计算单元，具体包括：

纵向力计算子单元，用于根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

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：本发明提供的分布式驱动电动汽车坡度估计方法及系统，通过对单轮纵向力的求解，获得车轮的纵向力，并结合车辆动力学模型，计算得到车辆的纵向加速度，然后以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波，根据滤波后的车辆纵向加速度估计路面坡度。由于分布式驱动电动汽车四轮转矩精确可知，因此，本发明通过对单轮纵向力的求解，能够准确获取车辆的纵向力。相比于现有技术，本发明具有可行性高的优势。

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为本发明实施例中的车辆模型示意图；

图2为本发明实施例中单轮动力学模型图；

图3为本发明实施例中组合传感器偏置原理图；

图4为本发明实施例中分布式驱动电动汽车坡度估计方法流程图；

图5为本发明实施例中坡度估计流程框图；

图6为本发明实施例中分布式驱动电动汽车坡度估计系统结构示意图。

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。

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。

首先，先对本发明涉及到的基础内容进行描述：

根据如图1所示的车辆模型构建汽车纵向动力学模型：

纵向运动：

其中：m,v_x,v_y,ω_r,I_z分别为整车质量，纵向速度，侧向速度，横摆角速度，整车横摆转动惯量；F_x,F_y,M_z,F_w,F_f与F_i分别代表纵向力、侧向力、横摆力矩、空气阻力、滚动阻力与坡度阻力。

F_f滚动阻力：F_f＝mgf；

F_i为坡度阻力：F_i＝mg sinθ

F_w,为空气阻力：

纵向力F_x可由单轮动力学模型(如图2所示)得：

T_d ^ij,T_b ^ij,R_e与J_ω分别代表驱动力矩、制动力矩、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

加速度传感器偏置原理：

如图3所示，组合传感器测量的纵向加速度可表示为：

其中

为车辆的实际纵向加速度，gsinθ为重力加速度在斜坡的分量，即加速度偏置量，θ为路面坡度，noise为传感器噪声。

本发明的第一方面提供了一种分布式驱动电动汽车坡度估计方法，如图4所示，该方法包括以下步骤：

步骤401：实时获取传感器采集到的车辆的纵向加速度；

步骤402：实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

步骤403：以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

步骤404：根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。

在上述实施例的基础上，本实施例中的步骤404具体包括：

根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

在上述实施例的基础上，本实施例的步骤402具体包括：

根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量。

在上述实施例的基础上，本实施例中各车轮纵向力的计算方法如下：

根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

如图5所示，本发明的基本原理为：

(1)根据每个轮毂电机反馈的转矩与转速，结合车辆纵向动力学模型，不考虑路面坡度的影响，计算车辆的纵向加速度作为卡尔曼滤波器的输入量。

(2)组合传感器测量的纵向加速度，其中已叠加由坡度产生的偏置量，作为卡尔曼滤波器的观测量。

其具体计算流程如下：

1、动力学模型：

纵向运动：

其中：m,v_x,v_y,ω_r,I_z分别为整车质量，纵向速度，侧向速度，横摆角速度，整车横摆转动惯量；F_x,F_y,M_z,F_w,F_f与F_i分别代表纵向力、侧向力、横摆力矩、空气阻力、滚动阻力与坡度阻力。

F_f滚动阻力：F_f＝mgf；

F_i为坡度阻力：F_i＝0

F_w,为空气阻力：

纵向力F_x可由单轮动力学模型(如图2所示)得：

T_d ^ij，T_b ^ij，

R_e与J_ω分别代表驱动力矩、制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

在路面附着系数良好，车轮不发生滑转时，车轮的线加速度可以等效为车身的加速度，其计算公式为：

可通过轮速差分得到。

通过动力学模型计算得到的纵向加速度为：

该计算结果为考虑路面坡度对加速度的影响。

2、组合传感器的偏置模型

组合传感器测量的纵向加速度可表示为：

其中

为车辆的实际纵向加速度，gsinθ为重力加速度在斜坡的分量，即加速度偏置量，θ为路面坡度，noise为传感器噪声，组合传感器的输出值a_x,m有坡度对纵向加速度的偏置值耦合其中。

考虑加速度传感器存在噪声影响，引入卡尔曼滤波器进行观测。卡尔曼滤波器的建立过程如下：

状态方程为：

其中x为状态变量，表示为x＝[a_x,m；a_x,d]；y为观测量，表示为y＝[a_x,m；0]；A为状态转移矩阵A＝[0,0；0,0]；B为[0；1]；u为a_x,d；H为观测矩阵，表示为H＝[1,0]；

卡尔曼增益的计算：

协方差更新：

P(t|t-1)＝AP(t-1|t-1)A′+Q

P(t|t)＝(I-K(t)H)P(t|t-1)

上式中Q与R为过程噪声与观测噪声。

对a_x,m进行滤波后，即可通过车轮线加速度计算得到组合传感器偏置量为：a_f,bias＝a_filt-a_w

其中a_filt为对a_x,m进行滤波后的值。

估计得到路面坡度值为：

本发明的第二方面还提供了一种分布式驱动电动汽车坡度估计系统，如图6所示，该系统包括：

纵向加速度获取模块601，用于实时获取传感器采集到的车辆的纵向加速度；

纵向加速度计算模块602，用于实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

滤波模块603，用于以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

坡度计算模块604，用于根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。

在上述实施例的基础上，本实施例中的坡度计算模块604，具体包括：

坡度计算单元，用于根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

在上述实施例的基础上，本实施例的纵向加速度计算模块602具体包括：

纵向力计算单元，用于根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

纵向加速度计算单元，用于结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量。

在上述实施例的基础上，本实施例的纵向力计算单元具体包括：

纵向力计算子单元，用于根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

本发明提供的分布式驱动电动汽车坡度估计方法及系统，通过对单轮纵向力的求解，获得车轮的纵向力，并结合车辆动力学模型，计算得到车辆的纵向加速度，然后以计算得到的纵向加速度为状态方程的输入，以传感器测量得到的车辆纵向加速度为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波，根据滤波后的车辆纵向加速度估计路面坡度。由于分布式驱动电动汽车四轮转矩精确可知，因此，本发明通过对单轮纵向力的求解，能够准确获取车辆的纵向力。相比于现有技术，本发明具有可行性高的优势。

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 (4)

1.一种分布式驱动电动汽车坡度估计方法，其特征在于，包括：

实时获取传感器采集到的车辆的纵向加速度；

实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度；

其中，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d，具体包括：

根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量；

所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x，具体包括：

根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

2.根据权利要求1所述的分布式驱动电动汽车坡度估计方法，其特征在于，所述根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度，具体包括：

根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

3.一种分布式驱动电动汽车坡度估计系统，其特征在于，包括：

纵向加速度获取模块，用于实时获取传感器采集到的车辆的纵向加速度；

纵向加速度计算模块，用于实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a_x,d；

滤波模块，用于以计算得到的纵向加速度a_x,d为状态方程的输入，以传感器测量得到的车辆纵向加速度a_x,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；

坡度计算模块，用于根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度；

所述纵向加速度计算模块，具体包括：

纵向力计算单元，用于根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力F_x；

纵向加速度计算单元，用于结合车辆纵向动力学模型

计算车辆的纵向加速度a_x,d，其中，∑F_x为各车轮的纵向力之和，F_f为滚动阻力，F_i为坡度阻力，F_w为空气阻力，m为整车质量；

所述纵向力计算单元，具体包括：

纵向力计算子单元，用于根据单轮动力学模型

计算各车轮的纵向力

其中，上角标ij用于表示车轮的编号，T_d ^ij，T_b ^ij，

R_e与J_ω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。

4.根据权利要求3所述的分布式驱动电动汽车坡度估计系统，其特征在于，所述坡度计算模块，具体包括：

坡度计算单元，用于根据

计算车辆所处路面的坡度θ，其中，g为重力加速度，a_filt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，a_w为车轮线加速度。

Images