CN111400931A - 一种车辆横摆角速度的确定方法及系统 - Google Patents

一种车辆横摆角速度的确定方法及系统 Download PDF

Info

Publication number
CN111400931A
CN111400931A CN202010274165.3A CN202010274165A CN111400931A CN 111400931 A CN111400931 A CN 111400931A CN 202010274165 A CN202010274165 A CN 202010274165A CN 111400931 A CN111400931 A CN 111400931A
Authority
CN
China
Prior art keywords
kalman filter
vehicle
determining
time
yaw rate
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
CN202010274165.3A
Other languages
English (en)
Other versions
CN111400931B (zh
Inventor
王震坡
张雷
吴建洋
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 CN202010274165.3A priority Critical patent/CN111400931B/zh
Publication of CN111400931A publication Critical patent/CN111400931A/zh
Application granted granted Critical
Publication of CN111400931B publication Critical patent/CN111400931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种车辆横摆角速度的确定方法及系统。所述方法包括获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型；根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。本发明所提供的一种车辆横摆角速度的确定方法及系统，能够提高车辆横摆角速度确定的精确度，进而保证车辆操作的稳定性。

Description

一种车辆横摆角速度的确定方法及系统
技术领域
本发明涉及横摆角速度估计领域，特别是涉及一种车辆横摆角速度的确定方法及系统。
背景技术
对于车辆状态和参数的估计，比较常用的车辆模型分为两类：车辆动力学模型和车辆运动学模型。其中，当驾驶员处于线性操纵区间、车辆参数及路面附着系数准确、轮胎参数处于标称值时，车辆动力学模型有较高的准确性。然而，车辆行驶过程中的工况复杂，无法时刻处于驾驶员的线性操纵区间，甚至时常处于危险的极限工况，有限维度的动力学模型无法准确描述车辆的真实的动力学特性，模型失配严重；与此同时，轮胎参数极大地偏离标称值，使模型误差严重。此外，许多车辆参数无法提前准确获知，不同行驶工况的路面附着系数有较大差异，极大地影响了模型准确性。因此，上述因素对车辆动力学模型的准确性具有较大影响。对于车辆运动学模型来说，一方面对传感器测量误差和传感器漂移的鲁棒性较差；另一方面，在稳态工况下容易失去可观性。综上所述，车辆动力学模型和车辆运动学模型均有局限性，无法适用于车辆行驶的全部工况，不能有效的确定车辆横摆角速度，进而不能保证车辆操作的稳定性。
发明内容
本发明的目的是提供一种车辆横摆角速度的确定方法及系统，能够提高车辆横摆角速度确定的精确度，进而保证车辆操作的稳定性。
为实现上述目的，本发明提供了如下方案：
一种车辆横摆角速度的确定方法，包括：
获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归 ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出；
基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述ARX模型；
根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型；
根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
可选的，所述获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型，具体包括：
利用公式
Figure BDA0002444189110000021
确定ARX模型；其中，xn-j为n-j时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，aj和b1为ARX 模型的状态参数，en为白噪声。
可选的，所述基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器，具体包括：
获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值；
根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器；
根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
可选的，所述根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器，具体包括：
利用公式
Figure BDA0002444189110000022
确定所述n时刻的车辆横摆角速度的预测值；
Figure BDA0002444189110000023
为n 时刻的车辆横摆角速度的预测值，
Figure BDA0002444189110000024
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure BDA0002444189110000025
为n-1时刻的ARX模型的状态参数矩阵；
利用公式
Figure BDA0002444189110000026
确定所述n时刻的车辆横摆角速度的测量值；yn为n 时刻的车辆横摆角速度的测量值，wn为测量噪声；
利用公式
Figure BDA0002444189110000031
确定第一卡尔曼滤波器的n时刻的状态误差协方差；
Figure BDA0002444189110000032
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure BDA0002444189110000033
和
Figure BDA0002444189110000034
代表ARX模型参数矩阵中的第一、二个元素，即
Figure BDA0002444189110000035
和
Figure BDA0002444189110000036
Qn-1为白噪声en的协方差；
利用公式
Figure BDA0002444189110000037
确定第一卡尔曼滤波器的卡尔曼滤波增益，R n为测量误差wn的协方差；
利用公式
Figure BDA0002444189110000038
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值；
利用公式
Figure BDA0002444189110000039
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
可选的，所述根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器，具体包括：
利用公式
Figure BDA00024441891100000310
确定n时刻的ARX模型的预测状态参数矩阵；
Figure BDA00024441891100000311
为预测误差；
利用公式
Figure BDA00024441891100000312
确定第二卡尔曼滤波器的校正方程；
利用公式
Figure BDA00024441891100000313
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure BDA00024441891100000314
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差；
利用公式
Figure BDA00024441891100000315
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差；
利用公式
Figure BDA00024441891100000316
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值；
利用公式
Figure BDA00024441891100000317
确定更新后的ARX模型的状态参数矩阵。
一种车辆横摆角速度的确定系统，包括：
有外界输入的自回归ARX模型获取模块，用于获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出；
卡尔曼滤波器构建模块，用于基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述 ARX模型；
车辆横摆角速度模型确定模块，用于根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型；
车辆横摆角速度确定模块，用于根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
可选的，所述有外界输入的自回归ARX模型获取模块具体包括：
ARX模型确定单元，用于利用公式
Figure BDA0002444189110000041
确定ARX 模型；其中，xn-j为n-j时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，aj和b1为ARX模型的状态参数，en为白噪声。
可选的，所述卡尔曼滤波器构建模块具体包括：
第一获取单元，用于获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值；
第一卡尔曼滤波器构建单元，用于根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器；
第二卡尔曼滤波器构建单元，用于根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
可选的，所述第一卡尔曼滤波器构建单元具体包括：
n时刻的车辆横摆角速度的预测值确定子单元，用于利用公式
Figure BDA0002444189110000042
确定所述n时刻的车辆横摆角速度的预测值；
Figure BDA0002444189110000043
为n时刻的车辆横摆角速度的预测值，
Figure BDA0002444189110000051
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure BDA0002444189110000052
为n-1时刻的ARX模型的状态参数矩阵；
n时刻的车辆横摆角速度的测量值确定子单元，用于利用公式
Figure BDA0002444189110000053
确定所述n时刻的车辆横摆角速度的测量值；yn为n时刻的车辆横摆角速度的测量值，wn为测量噪声；
第一卡尔曼滤波器的n时刻的状态误差协方差确定子单元，用于利用公式
Figure BDA0002444189110000054
确定第一卡尔曼滤波器的n时刻的状态误差协方差；
Figure BDA0002444189110000055
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure BDA0002444189110000056
和
Figure BDA0002444189110000057
代表ARX模型参数矩阵中的第一、二个元素，即
Figure BDA0002444189110000058
和
Figure BDA0002444189110000059
Qn-1为白噪声en的协方差；
第一卡尔曼滤波器的卡尔曼滤波增益确定子单元，用于利用公式
Figure BDA00024441891100000510
确定第一卡尔曼滤波器的卡尔曼滤波增益，Rn为测量误差wn的协方差；
第一卡尔曼滤波器的n时刻的状态误差协方差的更新值确定子单元，用于利用公式
Figure BDA00024441891100000511
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值；
第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值确定子单元，用于利用公式
Figure BDA00024441891100000512
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
可选的，所述第二卡尔曼滤波器构建单元具体包括：
n时刻的ARX模型的预测状态参数矩阵确定子单元，用于利用公式
Figure BDA00024441891100000513
确定n时刻的ARX模型的预测状态参数矩阵；eθ,n为预测误差；
第二卡尔曼滤波器的校正方程确定子单元，用于利用公式
Figure BDA00024441891100000514
确定第二卡尔曼滤波器的校正方程；
第二卡尔曼滤波器的n时刻状态误差协方差确定子单元，用于利用公式
Figure BDA00024441891100000515
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure BDA00024441891100000516
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差；
第二卡尔曼滤波器的卡尔曼滤波增益确定子单元，用于利用公式
Figure BDA0002444189110000061
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差；
第二卡尔曼滤波器的n时刻状态误差协方差的更新值确定子单元，用于利用公式
Figure BDA0002444189110000062
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值；
更新后的ARX模型的状态参数矩阵确定子单元，用于利用公式
Figure BDA0002444189110000063
确定更新后的ARX模型的状态参数矩阵。
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：
本发明所提供的一种车辆横摆角速度的确定方法及系统，获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型，再基于所述 ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器，最后根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型，车辆横摆角速度模型不依赖于多变且无法预先准确获知的车辆参数及环境参数，并且车辆横摆角速度模型参数是时变的，通过在线实时估计和更新，使车辆横摆角速度模型具有自适应性，能够适用于车辆行驶的全部工况，能够获得更加准确的车辆横摆角速度，进而提高车辆操作的稳定性。
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为本发明所提供的一种车辆横摆角速度的确定方法流程示意图；
图2为本发明所提供的一种车辆横摆角速度的确定方法原理示意图；
图3为本发明所提供的一种车辆横摆角速度的确定系统结构示意图。
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。
本发明的目的是提供一种车辆横摆角速度的确定方法及系统，能够提高车辆横摆角速度确定的精确度，进而保证车辆操作的稳定性。
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为本发明所提供的一种车辆横摆角速度的确定方法流程示意图，如图 1所示，本发明所提供的一种车辆横摆角速度的确定方法，包括：
S101，获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出。
ARX模型是黑箱模型的一种，黑箱模型是一种常用的参数辨识方法，它能够以方程的形式来表征系统输入与输出之间的关系，从而反映出系统的动态特性。黑箱模型的准确性取决于模型的维度，维度的大小决定了一个移动窗函数的固定长度，即决定了窗函数内的数据量。窗内的数据包括系统输入和系统输出，这些数据用来对模型参数进行辨识。因为窗函数内的数据量是固定的，每当进入一个新的采样周期，有一个新的数据进入窗函数，同时去掉窗函数内的最后一个数据。因此，窗函数内的数据随着采样周期进行更新。根据更新的数据对模型参数进行辨识，使模型能够准确地反应系统的动态特性。
ARX模型包含了多个过去时刻的系统状态，即系统输入数据，并且该系统状态的测量值与实际值存在测量误差，因此所述多个系统状态所伴随的测量误差，累计构成了总测量误差，通过采用两个卡尔曼滤波器进行迭代工作，进而减少总测量误差，能够保证参数估计误差为白噪声，即实现无偏估计。
利用公式
Figure 1
确定ARX模型；其中，xn-1为n-1时刻的车辆横摆角速度的输出值，xn-2为n-2时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，a1、a2和b1为ARX模型的状态参数，en为白噪声。
S102，基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述ARX模型。
获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值。
根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器。
利用公式
Figure BDA0002444189110000081
确定所述n时刻的车辆横摆角速度的预测值；
Figure BDA0002444189110000082
为n 时刻的车辆横摆角速度的预测值，
Figure BDA0002444189110000083
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure BDA0002444189110000084
为n-1时刻的ARX模型的状态参数矩阵。
利用公式
Figure BDA0002444189110000085
确定所述n时刻的车辆横摆角速度的测量值；yn为n 时刻的车辆横摆角速度的测量值，wn为测量噪声。
利用公式
Figure BDA0002444189110000086
确定第一卡尔曼滤波器的 n时刻的状态误差协方差；
Figure BDA0002444189110000087
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure BDA0002444189110000088
和
Figure BDA0002444189110000089
代表ARX模型参数矩阵中的第一、二个元素，即
Figure BDA00024441891100000810
和
Figure BDA00024441891100000811
Qn-1为白噪声en的协方差。
利用公式
Figure BDA00024441891100000812
确定第一卡尔曼滤波器的卡尔曼滤波增益，Rn 为测量误差wn的协方差。
利用公式
Figure BDA00024441891100000813
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值。
利用公式
Figure BDA00024441891100000814
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
利用公式
Figure BDA00024441891100000815
确定n时刻的ARX模型的预测状态参数矩阵；eθ,n为预测误差。
利用公式
Figure BDA00024441891100000816
确定第二卡尔曼滤波器的校正方程。
利用公式
Figure BDA0002444189110000091
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure BDA0002444189110000092
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差。
利用公式
Figure BDA0002444189110000093
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差。
利用公式
Figure BDA0002444189110000094
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值。
利用公式
Figure BDA0002444189110000095
确定更新后的ARX模型的状态参数矩阵。
S103，根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型。两个卡尔曼滤波器迭代工作实时更新更新 ARX模型，能够实现车辆横摆角速度无偏估计，并如图2所示。
S104，根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
图3为本发明所提供的一种车辆横摆角速度的确定系统结构示意图，如图 3所示，本发明所提供的一种车辆横摆角速度的确定系统，包括：有外界输入的自回归ARX模型获取模块301、卡尔曼滤波器构建模块302、车辆横摆角速度模型确定模块303和车辆横摆角速度确定模块304。
有外界输入的自回归ARX模型获取模块301用于获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出。
卡尔曼滤波器构建模块302用于基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述 ARX模型。
车辆横摆角速度模型确定模块303用于根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型。
车辆横摆角速度确定模块304用于根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
所述有外界输入的自回归ARX模型获取模块301具体包括：ARX模型确定单元。
ARX模型确定单元用于利用公式
Figure BDA0002444189110000101
确定ARX模型；其中，xn-1为n-1时刻的车辆横摆角速度的输出值，xn-2为n-2时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，a1、a2和b1为ARX模型的状态参数，en为白噪声。
所述卡尔曼滤波器构建模块302具体包括：第一获取单元、第一卡尔曼滤波器构建单元和第二卡尔曼滤波器构建单元。
第一获取单元用于获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值。
第一卡尔曼滤波器构建单元用于根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器。
第二卡尔曼滤波器构建单元用于根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
所述第一卡尔曼滤波器构建单元具体包括：n时刻的车辆横摆角速度的预测值确定子单元、n时刻的车辆横摆角速度的测量值确定子单元、第一卡尔曼滤波器的n时刻的状态误差协方差确定子单元、第一卡尔曼滤波器的卡尔曼滤波增益确定子单元、第一卡尔曼滤波器的n时刻的状态误差协方差的更新值确定子单元和第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值确定子单元。
n时刻的车辆横摆角速度的预测值确定子单元用于利用公式
Figure BDA0002444189110000102
确定所述n时刻的车辆横摆角速度的预测值；
Figure BDA0002444189110000103
为n时刻的车辆横摆角速度的预测值，
Figure BDA0002444189110000104
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure BDA0002444189110000105
为n-1时刻的ARX模型的状态参数矩阵。
n时刻的车辆横摆角速度的测量值确定子单元用于利用公式
Figure BDA0002444189110000111
确定所述n时刻的车辆横摆角速度的测量值；yn为n时刻的车辆横摆角速度的测量值，wn为测量噪声。
第一卡尔曼滤波器的n时刻的状态误差协方差确定子单元用于利用公式
Figure BDA0002444189110000112
确定第一卡尔曼滤波器的n时刻的状态误差协方差；
Figure BDA0002444189110000113
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure BDA0002444189110000114
和
Figure BDA0002444189110000115
代表ARX模型参数矩阵中的第一、二个元素，即
Figure BDA0002444189110000116
和
Figure BDA0002444189110000117
Qn-1为白噪声en的协方差。
第一卡尔曼滤波器的卡尔曼滤波增益确定子单元用于利用公式
Figure BDA0002444189110000118
确定第一卡尔曼滤波器的卡尔曼滤波增益，Rn为测量误差wn的协方差。
第一卡尔曼滤波器的n时刻的状态误差协方差的更新值确定子单元用于利用公式
Figure BDA0002444189110000119
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值。
第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值确定子单元，用于利用公式
Figure BDA00024441891100001110
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
所述第二卡尔曼滤波器构建单元具体包括：n时刻的ARX模型的预测状态参数矩阵确定子单元、第二卡尔曼滤波器的校正方程确定子单元、第二卡尔曼滤波器的n时刻状态误差协方差确定子单元、第二卡尔曼滤波器的卡尔曼滤波增益确定子单元、第二卡尔曼滤波器的n时刻状态误差协方差的更新值确定子单元和更新后的ARX模型的状态参数矩阵确定子单元。
n时刻的ARX模型的预测状态参数矩阵确定子单元用于利用公式
Figure BDA00024441891100001111
确定n时刻的ARX模型的预测状态参数矩阵；eθ,n为预测误差。
第二卡尔曼滤波器的校正方程确定子单元用于利用公式
Figure BDA00024441891100001112
确定第二卡尔曼滤波器的校正方程。
第二卡尔曼滤波器的n时刻状态误差协方差确定子单元用于利用公式
Figure BDA0002444189110000121
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure BDA0002444189110000122
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差。
第二卡尔曼滤波器的卡尔曼滤波增益确定子单元用于利用公式
Figure BDA0002444189110000123
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差。
第二卡尔曼滤波器的n时刻状态误差协方差的更新值确定子单元用于利用公式
Figure BDA0002444189110000124
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值。
更新后的ARX模型的状态参数矩阵确定子单元用于利用公式
Figure BDA0002444189110000125
确定更新后的ARX模型的状态参数矩阵。
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 (10)

1.一种车辆横摆角速度的确定方法，其特征在于，包括：
获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出；
基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述ARX模型；
根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型；
根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
2.根据权利要求1所述的一种车辆横摆角速度的确定方法，其特征在于，所述获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型，具体包括：
利用公式利用公式
Figure FDA0002444189100000011
确定ARX模型；其中，xn-j为n-j时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，aj和b1为ARX模型的状态参数，en为白噪声。
3.根据权利要求2所述的一种车辆横摆角速度的确定方法，其特征在于，所述基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器，具体包括：
获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值；
根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器；
根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
4.根据权利要求3所述的一种车辆横摆角速度的确定方法，其特征在于，所述根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器，具体包括：
利用公式
Figure FDA0002444189100000021
确定所述n时刻的车辆横摆角速度的预测值；
Figure FDA0002444189100000022
为n时刻的车辆横摆角速度的预测值，
Figure FDA0002444189100000023
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure FDA0002444189100000024
为n-1时刻的ARX模型的状态参数矩阵；
利用公式
Figure FDA0002444189100000025
确定所述n时刻的车辆横摆角速度的测量值；yn为n时刻的车辆横摆角速度的测量值，wn为测量噪声；
利用公式
Figure FDA0002444189100000026
确定第一卡尔曼滤波器的n时刻的状态误差协方差；
Figure FDA0002444189100000027
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure FDA0002444189100000028
和
Figure FDA0002444189100000029
代表ARX模型参数矩阵中的第一、二个元素，即
Figure FDA00024441891000000210
和
Figure FDA00024441891000000211
Qn-1为白噪声en的协方差；
利用公式
Figure FDA00024441891000000212
确定第一卡尔曼滤波器的卡尔曼滤波增益，Rn为测量误差wn的协方差；
利用公式
Figure FDA00024441891000000213
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值；
利用公式
Figure FDA00024441891000000214
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
5.根据权利要求3所述的一种车辆横摆角速度的确定方法，其特征在于，所述根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器，具体包括：
利用公式
Figure FDA00024441891000000215
确定n时刻的ARX模型的预测状态参数矩阵；eθ,n为预测误差；
利用公式
Figure FDA00024441891000000216
确定第二卡尔曼滤波器的校正方程；
利用公式
Figure FDA00024441891000000217
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure FDA00024441891000000218
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差；
利用公式
Figure FDA00024441891000000219
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差；
利用公式
Figure FDA0002444189100000031
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值；
利用公式
Figure FDA0002444189100000032
确定更新后的ARX模型的状态参数矩阵。
6.一种车辆横摆角速度的确定系统，其特征在于，包括：
有外界输入的自回归ARX模型获取模块，用于获取基于车辆横摆角速度和直接横摆力矩关系的有外界输入的自回归ARX模型；所述ARX模型以历史时刻车辆横摆角速度的输出值和直接横摆力矩为输入，以当前时刻的车辆横摆角速度的预测值为输出；
卡尔曼滤波器构建模块，用于基于所述ARX模型构建第一卡尔曼滤波器和第二卡尔曼滤波器；所述第一卡尔曼滤波器用于确定车辆横摆角速度的输出值；所述第二卡尔曼滤波器用于根据所述车辆横摆角速度的输出值更新所述ARX模型；
车辆横摆角速度模型确定模块，用于根据所述ARX模型、所述第一卡尔曼滤波器和所述第二卡尔曼滤波器确定车辆横摆角速度模型；
车辆横摆角速度确定模块，用于根据所述车辆横摆角速度模型确定实时的车辆横摆角速度。
7.根据权利要求6所述的一种车辆横摆角速度的确定系统，其特征在于，所述有外界输入的自回归ARX模型获取模块具体包括：
ARX模型确定单元，用于利用公式
Figure FDA0002444189100000033
确定ARX模型；其中，xn-j为n-j时刻的车辆横摆角速度的输出值，un-1为n-1时刻的直接横摆力矩，aj和b1为ARX模型的状态参数，en为白噪声。
8.根据权利要求7所述的一种车辆横摆角速度的确定系统，其特征在于，所述卡尔曼滤波器构建模块具体包括：
第一获取单元，用于获取n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值；
第一卡尔曼滤波器构建单元，用于根据所述n时刻的车辆横摆角速度的测量值和所述n时刻的车辆横摆角速度的预测值构建所述第一卡尔曼滤波器；
第二卡尔曼滤波器构建单元，用于根据n时刻的车辆横摆角速度的输出值和n时刻的ARX模型构建所述第二卡尔曼滤波器。
9.根据权利要求8所述的一种车辆横摆角速度的确定系统，其特征在于，所述第一卡尔曼滤波器构建单元具体包括：
n时刻的车辆横摆角速度的预测值确定子单元，用于利用公式
Figure FDA0002444189100000041
确定所述n时刻的车辆横摆角速度的预测值；
Figure FDA0002444189100000042
为n时刻的车辆横摆角速度的预测值，
Figure FDA0002444189100000043
为n-1时刻的车辆横摆角速度的输出值和直接横摆力矩的矩阵，
Figure FDA0002444189100000044
为n-1时刻的ARX模型的状态参数矩阵；
n时刻的车辆横摆角速度的测量值确定子单元，用于利用公式
Figure FDA0002444189100000045
确定所述n时刻的车辆横摆角速度的测量值；yn为n时刻的车辆横摆角速度的测量值，wn为测量噪声；
第一卡尔曼滤波器的n时刻的状态误差协方差确定子单元，用于利用公式
Figure FDA0002444189100000046
确定第一卡尔曼滤波器的n时刻的状态误差协方差；
Figure FDA0002444189100000047
为第一卡尔曼滤波器的n-1时刻状态误差协方差的更新值，
Figure FDA0002444189100000048
和
Figure FDA0002444189100000049
代表ARX模型参数矩阵中的第一、二个元素，即
Figure FDA00024441891000000410
和
Figure FDA00024441891000000411
Qn-1为白噪声en的协方差；
第一卡尔曼滤波器的卡尔曼滤波增益确定子单元，用于利用公式
Figure FDA00024441891000000412
确定第一卡尔曼滤波器的卡尔曼滤波增益，Rn为测量误差wn的协方差；
第一卡尔曼滤波器的n时刻的状态误差协方差的更新值确定子单元，用于利用公式
Figure FDA00024441891000000413
确定第一卡尔曼滤波器的n时刻的状态误差协方差的更新值；
第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值确定子单元，用于利用公式
Figure FDA0002444189100000051
确定第一卡尔曼滤波器的n时刻的车辆横摆角速度的输出值。
10.根据权利要求8所述的一种车辆横摆角速度的确定系统，其特征在于，所述第二卡尔曼滤波器构建单元具体包括：
n时刻的ARX模型的预测状态参数矩阵确定子单元，用于利用公式
Figure FDA0002444189100000052
确定n时刻的ARX模型的预测状态参数矩阵；eθ,n为预测误差；
第二卡尔曼滤波器的校正方程确定子单元，用于利用公式
Figure FDA0002444189100000053
确定第二卡尔曼滤波器的校正方程；
第二卡尔曼滤波器的n时刻状态误差协方差确定子单元，用于利用公式
Figure FDA0002444189100000054
确定第二卡尔曼滤波器的n时刻状态误差协方差，
Figure FDA0002444189100000055
为第二卡尔曼滤波器的n时刻状态误差协方差，Qθ,n-1为预测误差eθ,n的协方差；
第二卡尔曼滤波器的卡尔曼滤波增益确定子单元，用于利用公式
Figure FDA0002444189100000056
确定第二卡尔曼滤波器的卡尔曼滤波增益；Rθ,n为第一卡尔曼滤波器的卡尔曼滤波增益下的测量误差Kwn的协方差；
第二卡尔曼滤波器的n时刻状态误差协方差的更新值确定子单元，用于利用公式
Figure FDA0002444189100000057
确定第二卡尔曼滤波器的n时刻状态误差协方差的更新值；
更新后的ARX模型的状态参数矩阵确定子单元，用于利用公式
Figure FDA0002444189100000058
确定更新后的ARX模型的状态参数矩阵。
CN202010274165.3A 2020-04-09 2020-04-09 一种车辆横摆角速度的确定方法及系统 Active CN111400931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010274165.3A CN111400931B (zh) 2020-04-09 2020-04-09 一种车辆横摆角速度的确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010274165.3A CN111400931B (zh) 2020-04-09 2020-04-09 一种车辆横摆角速度的确定方法及系统

Publications (2)

Publication Number Publication Date
CN111400931A true CN111400931A (zh) 2020-07-10
CN111400931B CN111400931B (zh) 2022-09-27

Family

ID=71431579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010274165.3A Active CN111400931B (zh) 2020-04-09 2020-04-09 一种车辆横摆角速度的确定方法及系统

Country Status (1)

Country Link
CN (1) CN111400931B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112660144A (zh) * 2020-12-04 2021-04-16 上汽通用五菱汽车股份有限公司 横摆角速度滤波方法、控制终端、车辆及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10100925A (ja) * 1996-09-30 1998-04-21 Mitsubishi Motors Corp 車両用ヨーレイト推定装置
KR20040058623A (ko) * 2002-12-27 2004-07-05 현대자동차주식회사 롤-오버 제어 시스템
CN101252218A (zh) * 2008-03-04 2008-08-27 东南大学 基于两段型阶梯阻抗谐振器实现多阻带超宽带天线
CN101320089A (zh) * 2007-06-05 2008-12-10 通用汽车环球科技运作公司 用于车辆动力估计的雷达、激光雷达和摄像机增强的方法
JP2012131495A (ja) * 2003-12-24 2012-07-12 Automotive Systems Lab Inc 道路曲率推定システム
CN102928816A (zh) * 2012-11-07 2013-02-13 东南大学 一种面向隧道环境的车辆高可靠组合定位方法
CN107145474A (zh) * 2017-06-23 2017-09-08 无锡科技职业学院 一种基于自回归模型的卡尔曼滤波算法
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
KR101956717B1 (ko) * 2017-09-01 2019-03-11 군산대학교산학협력단 풍향 예측 방법 및 장치, 및 이를 이용하는 풍력 터빈의 요 제어 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10100925A (ja) * 1996-09-30 1998-04-21 Mitsubishi Motors Corp 車両用ヨーレイト推定装置
KR20040058623A (ko) * 2002-12-27 2004-07-05 현대자동차주식회사 롤-오버 제어 시스템
JP2012131495A (ja) * 2003-12-24 2012-07-12 Automotive Systems Lab Inc 道路曲率推定システム
CN101320089A (zh) * 2007-06-05 2008-12-10 通用汽车环球科技运作公司 用于车辆动力估计的雷达、激光雷达和摄像机增强的方法
CN101252218A (zh) * 2008-03-04 2008-08-27 东南大学 基于两段型阶梯阻抗谐振器实现多阻带超宽带天线
CN102928816A (zh) * 2012-11-07 2013-02-13 东南大学 一种面向隧道环境的车辆高可靠组合定位方法
CN107145474A (zh) * 2017-06-23 2017-09-08 无锡科技职业学院 一种基于自回归模型的卡尔曼滤波算法
KR101956717B1 (ko) * 2017-09-01 2019-03-11 군산대학교산학협력단 풍향 예측 방법 및 장치, 및 이를 이용하는 풍력 터빈의 요 제어 방법
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DONALD: "卡尔曼滤波原理详解及系统模型建立（simulink）", 《HTTPS://BLOG.CSDN.NET/WEIXIN_43942325/ARTICLE/DETAILS/103416681》 *
EMMANOUIL A. VAROUCHAKIS: "基于带有外源输入的卡尔曼滤波器自适应算法的时间地下水位变化建模", 《JOURNAL OF HYDROINFORMATICS 》 *
MINGZHOU等: "Building an EDM process model by an instrumental variable approach based on two interactive Kalman filters", 《PRECISION ENGINEERING》 *
SU扬帆启航: "无人驾驶算法学习（二）：卡尔曼滤波器Kalman Filter", 《HTTPS://BLOG.CSDN.NET/ORANGE_LITTLEGIRL/ARTICLE/DETAILS/88982606?UTM_MEDIUM=DISTRIBUTE.PC_RELEVANT.NONE-TASK-BLOG-2~DEFAULT~BAIDUJS_TITLE~DEFAULT-0.TAGCOLUMN&SPM=1001.2101.3001.4242.0》 *
谭光兴等: "基于扩展卡尔曼滤波的汽车行驶状态估计", 《广西科技大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112660144A (zh) * 2020-12-04 2021-04-16 上汽通用五菱汽车股份有限公司 横摆角速度滤波方法、控制终端、车辆及存储介质
CN112660144B (zh) * 2020-12-04 2022-06-24 上汽通用五菱汽车股份有限公司 横摆角速度滤波方法、控制终端、车辆及存储介质

Also Published As

Publication number Publication date
CN111400931B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN106125548A (zh) 工业机器人动力学模型参数辨识方法
CN111238535B (zh) 一种基于因子图的imu误差在线标定方法
CN108413986B (zh) 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法
CN112577516B (zh) 一种用于车辆轮速误差识别和补偿的方法和系统
CN111896029A (zh) 一种基于组合算法的mems陀螺随机误差补偿方法
CN109131342A (zh) 加速度传感器和轮轴速度传感器的融合测速方法及装置
CN111400931B (zh) 一种车辆横摆角速度的确定方法及系统
CN111623779A (zh) 一种适用于噪声特性未知的时变系统自适应级联滤波方法
CN105043384A (zh) 一种基于鲁棒Kalman滤波的陀螺随机噪声ARMA模型建模方法
CN113203429A (zh) 一种陀螺仪温度漂移误差的在线估计及补偿方法
CN115688288A (zh) 飞行器气动参数辨识方法、装置、计算机设备及存储介质
CN105571666B (zh) 流量补偿方法及补偿装置、流量传感器
CN111928812B (zh) 一种高精度角度传感器标定检验方法
CN109655057B (zh) 一种六推无人机加速器测量值的滤波优化方法及其系统
CN111351628B (zh) 一种高超声速风洞连续变攻角试验数据处理方法
CN116892970A (zh) 基于时间戳寄存器评判磁编码器稳定性的方法及电机
CN106153046B (zh) 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法
CN109101759B (zh) 一种基于正逆响应面法的参数识别方法
US20040153216A1 (en) Method for estimating a vehicle's velocity
Bos et al. Designing a Kalman filter when no noise covariance information is available
CN102564486A (zh) 一种传感器慢偏故障的校正方法
Wang et al. Time-serial Modeling and Kalman Filter of MEMS Gyroscope Random drift Compensation
CN104483361A (zh) 一种提高电化学分析仪器测量精度的方法
CN117664117B (zh) 一种光纤陀螺的漂移数据分析及优化补偿方法
CN113076826B (zh) 一种传感器的滤波方法和装置

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