CN111475912A - 一种车辆纵侧向车速的联合预测方法和系统 - Google Patents
一种车辆纵侧向车速的联合预测方法和系统 Download PDFInfo
- Publication number
- CN111475912A CN111475912A CN202010086682.8A CN202010086682A CN111475912A CN 111475912 A CN111475912 A CN 111475912A CN 202010086682 A CN202010086682 A CN 202010086682A CN 111475912 A CN111475912 A CN 111475912A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- determined
- determining
- model
- nonlinear
- 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
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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种车辆纵侧向车速的联合预测方法和系统,先建立车辆的非线性系统状态和非线性观测模型,再根据所获取的车辆方向盘转角和横摆角速度,分别确定待确定车辆的非线性系统状态模型和非线性观测模型后,采用扩展卡尔曼滤波,利用泰勒展开定理,根据待确定车辆的非线性系统状态模型和非线性观测模型分别确定第一雅可比矩阵和第二雅可比矩阵,最后根据第一雅可比矩阵确定待确定车辆在下一时刻的误差协方差,以进一步确定待确定车辆在下一时刻的卡尔曼增益后,根据卡尔曼增益确定待确定车辆的状态更新模型,进而根据状态更新模型确定待确定车辆在下一时刻的纵侧向车速,以实现准确、可靠且低成本的获取车辆的纵侧向车速信息的目的。
Description
技术领域
本发明涉及车辆数据预测技术领域,特别是涉及一种车辆纵侧向车速的联合预测方法和系统。
背景技术
随着车辆安全技术的发展,各种主动安全控制技术变得越来越复杂,车辆安全控制系统之间的联系也越来越复杂。如制动防抱死系统(Anti-lock Braking System,ABS)和车身稳定系统(Electronic Stability Program,ESP)中,需要根据车速信号来实现相应的控制策略。而目前的车速信号获得方式主要是根据轮速传感器与车速的转换关系而得。当车辆行驶过程中存在较多滑动成分时 (如制动强度较大或处于低附着路面上时),轮速信号推导出的车速将会失真。利用惯性导航系统(Inertial Navigation System,INS)可以获得较准确的车速,但是成本较高。
因此,提供一种准确、可靠且成本低的车速信号获取方法,是本领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种车辆纵侧向车速的联合预测方法和系统,能够准确、可靠且低成本的获取车辆的纵侧向车速信息。
为实现上述目的,本发明提供了如下方案:
一种车辆纵侧向车速的联合预测方法,包括:
获取车辆的动力学模型;
根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型;
获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度;
根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型;
根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型;
采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵;
采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵;
根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差;
根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益;
根据所述卡尔曼增益确定所述待确定车辆的状态更新模型;
根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
可选的,所述根据所述动力学模型确定车辆的非线性系统状态模型,具体包括:
根据当前时刻车辆的系统状态矩阵,采用公式X(k+1)=f[k,X(k)]+G(k)W(k)确定下一时刻车辆的系统状态矩阵作为所述非线性系统状态模型;其中,X(k+1) 为k+1时刻车辆的系统状态矩阵,f[k,X(k)]为k时刻到k+1时刻系统状态的非线性变换函数,X(k)为k时刻车辆的系统状态矩阵,G(k)为k时刻车辆的噪声驱动矩阵,W(k)为k时刻车辆的系统噪声。
可选的,所述根据所述动力学模型确定车辆的非线性观测模型,具体包括:
根据当前时刻车辆的系统状态矩阵,采用公式Z(k)=h[k,X(k)]+V(k)确定当前时刻的系统观测量作为所述非线性观测模型;其中,Z(k)为车辆的系统观测量,h[k,X(k)]为k时刻系统观测的非线性变换函数,X(k)为k时刻车辆的系统状态矩阵,V(k)为k时刻系统的观测噪声。
可选的,所述根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型,具体包括:
根据当前时刻待确定车辆的系统状态矩阵,采用公式 X′(k+1)=f(X′(k),u(k))+wk,确定下一时刻待确定车辆的系统状态矩阵作为所述待确定车辆的非线性系统状态模型;其中,X′(k+1)为k+1时刻待确定车辆的系统状态矩阵,f(X′(k),u(k))为k时刻系统状态的非线性变换函数,X′(k)为k时刻待确定车辆的系统状态矩阵,u(k)为k时刻待确定车辆的车辆方向盘转角,wk为k时刻待确定车辆的系统状态噪声。
可选的,所述根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型,具体包括:
根据当前时刻待确定车辆的系统观测变量,采用公式Z′(k)=h(u′(k))+vk确定当前时刻待确定车辆的系统观测量作为所述待确定车辆的非线性观测模型;其中,Z′(k)为k时刻待确定车辆的系统观测量,h(u′(k))为k时刻系统观测的非线性变换函数,u′(k)为k时刻待确定车辆的横摆角速度,vk为k时刻待确定车辆的系统观测噪声。
可选的,所述根据所述第一雅可比矩阵确定待确定车辆下一时刻的误差协方差,具体包括:
将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值;
根据所述线性观测模型的初始值确定误差协方差的初始值;
根据所述误差协方差的初始值和所述第一雅可比矩阵确定所述待确定车辆下一时刻的误差协方差。
可选的,所述根据所述卡尔曼增益确定所述待确定车辆的状态更新模型,具体包括:
采用扩展卡尔曼滤波,利用泰勒展开定理,确定当前时刻待确定车辆的系统状态矩阵的滤波值;
根据当前时刻的滤波值和下一时刻的卡尔曼增益,采用公式确定下一时刻待确定车辆的滤波值作为所述待确定车辆的状态更新模型;其中,为k+1时刻待确定车辆的滤波值,为根据k时刻预测的k+1时刻的系统状态值,Kk+1为k+1时刻的卡尔曼增益,yk+1为k+1时刻的观测量,h为待确定车辆的系统观测非线性表达式。
一种车辆纵侧向车速的联合预测系统,包括:
动力学模型获取模块,用于获取车辆的动力学模型;
模型确定模块,用于根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型;
转角及摆角速度获取模块,用于获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度;
非线性系统状态模型确定模块,用于根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型;
非线性观测模型确定模块,用于根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型;
第一雅可比矩阵确定模块,用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵;
第二雅可比矩阵确定模块,用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵;
误差协方差确定模块,用于根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差;
卡尔曼增益确定模块,用于根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益;
状态更新模型确定模块,用于根据所述卡尔曼增益确定所述待确定车辆的状态更新模型;
车速确定模块,用于根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
可选的,所述误差协方差确定模块,具体包括:
第一初始值确定单元,用于将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值;
第二初始值确定单元,用于根据所述线性观测模型的初始值确定误差协方差的初始值;
误差协方差确定单元,用于根据所述误差协方差的初始值和所述第一雅可比矩阵确定所述待确定车辆下一时刻的误差协方差。
可选的,所述状态更新模型确定模块具体包括:
滤波值确定单元,用于采用扩展卡尔曼滤波,利用泰勒展开定理,确定当前时刻待确定车辆的系统状态矩阵的滤波值;
状态更新模型确定单元,用于根据当前时刻的滤波值和下一时刻的卡尔曼增益,采用公式确定下一时刻待确定车辆的滤波值作为所述待确定车辆的状态更新模型;其中为k+1时刻待确定车辆的滤波值,为根据k时刻预测的k+1时刻的系统状态值, Kk+1为k+1时刻的卡尔曼增益,yk+1为k+1时刻的观测量,h为待确定车辆的系统观测非线性表达式。
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:本发明提供的车辆纵侧向车速的联合预测方法和系统,先建立车辆的非线性系统状态模型和非线性观测模型,再获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度,然后根据所获取的车辆方向盘转角和车辆横摆角速度,分别确定待确定车辆的非线性系统状态模型和非线性观测模型后,采用扩展卡尔曼滤波,利用泰勒展开定理,根据待确定车辆的非线性系统状态模型和非线性观测模型分别确定第一雅可比矩阵和第二雅可比矩阵,最后根据第一雅可比矩阵确定待确定车辆在下一时刻的误差协方差,以进一步确定待确定车辆在下一时刻的卡尔曼增益后,根据卡尔曼增益确定待确定车辆的状态更新模型,进而根据状态更新模型确定待确定车辆在下一时刻的纵侧向车速,以实现准确、可靠且低成本的获取车辆的纵侧向车速信息的目的。
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为本发明实施例所提供的车辆纵侧向车速的联合预测方法的流程图;
图2为本发明实施例所提供的车辆动力学模型的结构示意图;
图3为本发明实施例所提供的车辆纵侧向车速的联合预测系统的结构示意图。
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纵侧向车速的联合预测方法和系统,能够准确、可靠且成本低的获取车辆的纵侧向车速信息。
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2为本发明实施例所提供的车辆动力学模型的结构示意图,如图2所示,该车辆动力学模型建立过程中考虑了车辆纵向运动、侧向运动、横摆运动、侧倾运动的车辆模型。其具体建立过程包括:
由牛顿第二定理可得车辆纵向运动为:
-(Fxfl+Fxfr)cosδ-(Fyfl+Fyfr)sinδ-Fxrl-Fxrr=max
由牛顿第二定理可得车辆侧向运动为:
-(Fxfl+Fxfr)sinδ-(Fyfl+Fyfr)cosδ+Fyrl+Fyrr=may
由惯性矩计算公式,可得簧载质量侧倾为:
考虑载荷转移的四轮载荷:
由惯性矩定义及计算方法可得整车横摆动力学方程如下:
其中,Vx为整车纵向速度,Vy为整车侧向速度,ax为车辆纵向加速度,ay为车辆侧向加速度,r为车辆横摆角速度,ρ为侧倾角,δ为前轮转角。假设前后轮距Bf=Br且都为2B,m为整车质量,ms为簧载质量,a为质心至前轴的距离,b为质心至后轴的距离,l为轴距,h为质心高度,hs为悬挂质心高度,Fxij为各个轮胎的纵向力,Fyij为各个轮胎的侧向力,ij表示左前轮fl、右前轮fr、左后轮rl和右后轮rr,κρ为侧倾刚度,βρ为侧倾阻尼,Ix为整车绕x轴的惯性矩,Iz为整车绕z轴的惯性矩,Mij为各个车轮的回正力矩。
图1为本发明实施例所提供的车辆纵侧向车速的联合预测方法的流程图,如图1所示,一种车辆纵侧向车速的联合预测方法,包括:
S100、获取上述图2所示的车辆的动力学模型。
S101、根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型。
由于经典卡尔曼滤波只能解决线性问题,而车辆属于典型的强耦合非线性系统,故使用经典卡尔曼滤波进行车辆状态参数估计会有较大的误差。
而扩展卡尔曼滤波利用泰勒展开式将非线性系统线性化,通过系统状态变量、输入参数与观测量数据,对系统状态进行最优估计。因此,本发明需要根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型。
在无控制量输入时,根据所述动力学模型确定车辆的非线性系统状态模型,具体包括:
根据当前时刻车辆的系统状态矩阵,采用公式X(k+1)=f[k,X(k)]+G(k)W(k)确定下一时刻车辆的系统状态矩阵作为所述非线性系统状态模型。其中,X(k+1) 为k+1时刻车辆的系统状态矩阵,f[k,X(k)]为k时刻到k+1时刻系统状态的非线性变换函数,X(k)为k时刻车辆的系统状态矩阵,G(k)为k时刻车辆的噪声驱动矩阵,W(k)为k时刻车辆的系统噪声。
则状态方程变为:
同样道理,非线性观测模型的具体确定过程为:
令,
则非线性观测模型变为:
Z(k)=H(k)X(k)+y(k)+V(k),至此完成非线性模型的线性化。
S102、获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度。
该步骤是为了选取待确定车辆的状态变量,为了对待确定车辆的纵向和侧向速度进行精确估计,在本发明中系统输入量选取的是车辆方向盘转角,观测变量选取的是车辆横摆角速度。
S103、根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型。
该步骤具体包括:根据当前时刻待确定车辆的系统状态矩阵,采用公式 X′(k+1)=f(X′(k),u(k))+wk,确定下一时刻待确定车辆的系统状态矩阵作为所述待确定车辆的非线性系统状态模型。其中,X′(k+1)为k+1时刻待确定车辆的系统状态矩阵,f(X′(k),u(k))为k时刻系统状态的非线性变换函数,X′(k) 为k时刻待确定车辆的系统状态矩阵,u(k)为k时刻待确定车辆的车辆方向盘转角,wk为k时刻待确定车辆的系统状态噪声。
S104、根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型。
该步骤具体包括:根据当前时刻待确定车辆的系统观测变量,采用公式Z′(k)=h(u′(k))+vk确定当前时刻待确定车辆的系统观测量作为所述待确定车辆的非线性观测模型。其中,Z′(k)为k时刻待确定车辆的系统观测量,h(u′(k))为 k时刻系统观测的非线性变换函数,u′(k)为k时刻待确定车辆的横摆角速度,vk为k时刻待确定车辆的系统观测噪声。
S105、采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵。所述第一雅可比矩阵F为:
S106、采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵。所述第二雅可比矩阵H为:
S107、根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差。
该步骤具体包括:将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值。
根据所述线性观测模型的初始值确定误差协方差的初始值。
根据所述误差协方差的初始值和所述第一雅可比矩阵采用公式 Pk+1|k=FkPkFk T+Q,确定所述待确定车辆下一时刻的误差协方差。其中 F为第一雅可比矩阵,Q为过程噪声,P为误差协方差。
S108、根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益。
所述卡尔曼增益为:Kk+1=Pk+1|kHT k+1[Hk+1Pk+1|kHT k+1+R]-1,其中, R为观测噪声,H为第二雅可比矩阵。
S109、根据所述卡尔曼增益确定所述待确定车辆的状态更新模型。
该步骤具体包括:采用扩展卡尔曼滤波,利用泰勒展开定理,确定当前时刻待确定车辆的系统状态矩阵的滤波值。
根据当前时刻的滤波值和下一时刻的卡尔曼增益,采用公式确定下一时刻待确定车辆的滤波值作为所述待确定车辆的状态更新模型;其中,为k+1时刻待确定车辆的滤波值,为根据k时刻预测的k+1时刻的系统状态值Kk+1为k+1时刻的卡尔曼增益,yk+1为k+1时刻的观测量,h为待确定车辆的系统观测非线性表达式。
S110、根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
为了对车辆的纵向和侧向速度进行准确、实时监测,在本发明所提供的技术方案中,上述的车辆纵侧向车速的联合预测方法仅为一次状态估计,在实际测量过程中需要循环进行,即将所确定的误差协方差作为后一时刻的误差协方差初始值来对所确定的误差协方差不断进行更新。
此外,基于上述公开的车辆纵侧向车速的联合预测方法,本发明还对应提供了一种车辆纵侧向车速的联合预测系统,如图3所示,该系统包括:动力学模型获取模块1、模型确定模块2、转角及摆角速度获取模块3、非线性系统状态模型确定模块4、非线性观测模型确定模块5、第一雅可比矩阵确定模块 6、第二雅可比矩阵确定模块7、误差协方差确定模块8、卡尔曼增益确定模块 9、状态更新模型确定模块10和车速确定模块11。
其中,动力学模型获取模块1用于获取车辆的动力学模型。
模型确定模块2用于根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型。
转角及摆角速度获取模块3用于获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度。
非线性系统状态模型确定模块4用于根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型。
非线性观测模型确定模块5用于根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型。
第一雅可比矩阵确定模块6用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵。
第二雅可比矩阵确定模块7用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵。
误差协方差确定模块8用于根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差。
卡尔曼增益确定模块9用于根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益。
状态更新模型确定模块10用于根据所述卡尔曼增益确定所述待确定车辆的状态更新模型。
车速确定模块11用于根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
为了进一步提高预测准确性,上述误差协方差确定模块8还可以具体包括:第一初始值确定单元、第二初始值确定单元和误差协方差确定单元。
其中,第一初始值确定单元用于将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值。
第二初始值确定单元用于根据所述线性观测模型的初始值确定误差协方差的初始值。
误差协方差确定单元用于根据所述误差协方差的初始值和所述第一雅可比矩阵确定所述待确定车辆下一时刻的误差协方差。
上述状态更新模型确定模块10可以具体包括:滤波值确定单元和状态更新模型确定单元。
其中,滤波值确定单元用于采用扩展卡尔曼滤波,利用泰勒展开定理,确定当前时刻待确定车辆的系统状态矩阵的滤波值。
状态更新模型确定单元用于根据当前时刻的滤波值和下一时刻的卡尔曼增益,采用公式确定下一时刻待确定车辆的滤波值作为所述待确定车辆的状态更新模型;其中,为k+1时刻待确定车辆的滤波值,为根据k时刻预测的k+1时刻的系统状态值Kk+1为k+1时刻的卡尔曼增益,yk+1为k+1时刻的观测量,h为待确定车辆的系统观测非线性表达式。
综上,本发明所公开的车辆纵侧向车速的联合预测方法和系统,还具有以下优点:
1、利用泰勒展开定理,将非线性系统线性化,利用扩展卡尔曼滤波,对车辆纵向侧向速度进行联合估计。
2、车辆模型引入加速度,考虑累积误差。
3、对纵向侧向车速进行联合估计。
4、引入考虑车辆纵向、侧向、横摆、侧倾的车辆动力学模型,估计结果更精确。
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)
1.一种车辆纵侧向车速的联合预测方法,其特征在于,包括:
获取车辆的动力学模型;
根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型;
获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度;
根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型;
根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型;
采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵;
采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵;
根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差;
根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益;
根据所述卡尔曼增益确定所述待确定车辆的状态更新模型;
根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
2.根据权利要求1所述的一种车辆纵侧向车速的联合预测方法,其特征在于,所述根据所述动力学模型确定车辆的非线性系统状态模型,具体包括:
根据当前时刻车辆的系统状态矩阵,采用公式X(k+1)=f[k,X(k)]+G(k)W(k)确定下一时刻车辆的系统状态矩阵作为所述非线性系统状态模型;其中,X(k+1)为k+1时刻车辆的系统状态矩阵,f[k,X(k)]为k时刻到k+1时刻系统状态的非线性变换函数,X(k)为k时刻车辆的系统状态矩阵,G(k)为k时刻车辆的噪声驱动矩阵,W(k)为k时刻车辆的系统噪声。
3.根据权利要求1所述的一种车辆纵侧向车速的联合预测方法,其特征在于,所述根据所述动力学模型确定车辆的非线性观测模型,具体包括:
根据当前时刻车辆的系统状态矩阵,采用公式Z(k)=h[k,X(k)]+V(k)确定当前时刻的系统观测量作为所述非线性观测模型;其中,Z(k)为车辆的系统观测量,h[k,X(k)]为k时刻系统观测的非线性变换函数,X(k)为k时刻车辆的系统状态矩阵,V(k)为k时刻系统的观测噪声。
4.根据权利要求1所述的一种车辆纵侧向车速的联合预测方法,其特征在于,所述根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型,具体包括:
根据当前时刻待确定车辆的系统状态矩阵,采用公式X′(k+1)=f(X′(k),u(k))+wk确定下一时刻待确定车辆的系统状态矩阵作为所述待确定车辆的非线性系统状态模型;其中,X′(k+1)为k+1时刻待确定车辆的系统状态矩阵,f(X′(k),u(k))为k时刻系统状态的非线性变换函数,X′(k)为k时刻待确定车辆的系统状态矩阵,u(k)为k时刻待确定车辆的车辆方向盘转角,wk为k时刻待确定车辆的系统状态噪声。
5.根据权利要求1所述的一种车辆纵侧向车速的联合预测方法,其特征在于,所述根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型,具体包括:
根据当前时刻待确定车辆的系统观测变量,采用公式Z′(k)=h(u′(k))+vk确定当前时刻待确定车辆的系统观测量作为所述待确定车辆的非线性观测模型;其中,Z′(k)为k时刻待确定车辆的系统观测量,h(u′(k))为k时刻系统观测的非线性变换函数,u′(k)为k时刻待确定车辆的横摆角速度,vk为k时刻待确定车辆的系统观测噪声。
6.根据权利要求1所述的一种车辆纵侧向车速的联合预测方法,其特征在于,所述根据所述第一雅可比矩阵确定待确定车辆下一时刻的误差协方差,具体包括:
将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值;
根据所述线性观测模型的初始值确定误差协方差的初始值;
根据所述误差协方差的初始值和所述第一雅可比矩阵确定所述待确定车辆下一时刻的误差协方差。
8.一种车辆纵侧向车速的联合预测系统,其特征在于,包括:
动力学模型获取模块,用于获取车辆的动力学模型;
模型确定模块,用于根据所述动力学模型分别确定车辆的非线性系统状态模型和车辆的非线性观测模型;
转角及摆角速度获取模块,用于获取待确定车辆在当前时刻的车辆方向盘转角和车辆横摆角速度;
非线性系统状态模型确定模块,用于根据所述非线性系统状态模型和所述车辆方向盘转角确定所述待确定车辆的非线性系统状态模型;
非线性观测模型确定模块,用于根据所述非线性观测模型和所述车辆横摆角速度确定所述待确定车辆的非线性观测模型;
第一雅可比矩阵确定模块,用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性系统状态模型确定第一雅可比矩阵;
第二雅可比矩阵确定模块,用于采用扩展卡尔曼滤波,利用泰勒展开定理,根据所述待确定车辆的非线性观测模型确定第二雅可比矩阵;
误差协方差确定模块,用于根据所述第一雅可比矩阵确定所述待确定车辆在下一时刻的误差协方差;
卡尔曼增益确定模块,用于根据所述误差协方差和所述第二雅可比矩阵确定所述待确定车辆在下一时刻的卡尔曼增益;
状态更新模型确定模块,用于根据所述卡尔曼增益确定所述待确定车辆的状态更新模型;
车速确定模块,用于根据所述状态更新模型确定待确定车辆下一时刻的纵向车速和侧向车速。
9.根据权利要求8所述的一种车辆纵侧向车速的联合预测系统,其特征在于,所述误差协方差确定模块,具体包括:
第一初始值确定单元,用于将所述待确定车辆的非线性观测模型转换为线性观测模型,并确定所述线性观测模型的初始值;
第二初始值确定单元,用于根据所述线性观测模型的初始值确定误差协方差的初始值;
误差协方差确定单元,用于根据所述误差协方差的初始值和所述第一雅可比矩阵确定所述待确定车辆下一时刻的误差协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086682.8A CN111475912B (zh) | 2020-02-11 | 2020-02-11 | 一种车辆纵侧向车速的联合预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086682.8A CN111475912B (zh) | 2020-02-11 | 2020-02-11 | 一种车辆纵侧向车速的联合预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475912A true CN111475912A (zh) | 2020-07-31 |
CN111475912B CN111475912B (zh) | 2022-07-08 |
Family
ID=71747989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086682.8A Active CN111475912B (zh) | 2020-02-11 | 2020-02-11 | 一种车辆纵侧向车速的联合预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475912B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556075A (zh) * | 2011-12-15 | 2012-07-11 | 东南大学 | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
WO2014149042A1 (en) * | 2013-03-20 | 2014-09-25 | International Truck Intellectual Property Company, Llc | Smart cruise control system |
CN106274907A (zh) * | 2016-08-12 | 2017-01-04 | 浙江零跑科技有限公司 | 一种基于卡尔曼滤波的多列车铰接角视觉测量优化方法 |
US20170098021A1 (en) * | 2014-05-26 | 2017-04-06 | Beijing Institute Of Technology | Method of estimating the parameters and state of power system of electric vehicle |
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 |
-
2020
- 2020-02-11 CN CN202010086682.8A patent/CN111475912B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556075A (zh) * | 2011-12-15 | 2012-07-11 | 东南大学 | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 |
WO2014149042A1 (en) * | 2013-03-20 | 2014-09-25 | International Truck Intellectual Property Company, Llc | Smart cruise control system |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
US20170098021A1 (en) * | 2014-05-26 | 2017-04-06 | Beijing Institute Of Technology | Method of estimating the parameters and state of power system of electric vehicle |
CN106274907A (zh) * | 2016-08-12 | 2017-01-04 | 浙江零跑科技有限公司 | 一种基于卡尔曼滤波的多列车铰接角视觉测量优化方法 |
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 |
Non-Patent Citations (4)
Title |
---|
卫绍元 等: "基于容积卡尔曼滤波的车辆行驶状态估计", 《机械设计与制造》 * |
张志勇: "基于自适应扩展卡尔曼滤波的分布式驱动", 《机械工程学报》 * |
李刚 等: "基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计", 《汽车工程》 * |
陈瑶 等: "基于扩展卡尔曼滤波的轮毂电机驱动电动汽车状态估计", 《汽车工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111475912B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Viehweger et al. | Vehicle state and tyre force estimation: demonstrations and guidelines | |
Reina et al. | Vehicle parameter estimation using a model-based estimator | |
Piyabongkarn et al. | Development and experimental evaluation of a slip angle estimator for vehicle stability control | |
Baffet et al. | Estimation of vehicle sideslip, tire force and wheel cornering stiffness | |
CN101417654B (zh) | 用于估计车辆状态以便避免倾翻的系统 | |
JP4724163B2 (ja) | 車体速度推定装置 | |
M'Sirdi et al. | Second order sliding-mode observer for estimation of vehicle dynamic parameters | |
CN111547059A (zh) | 一种分布式驱动电动汽车惯性参数估计方法 | |
CN110239462A (zh) | 一种车辆侧翻的预警方法及系统 | |
Pi et al. | Design and evaluation of sideslip angle observer for vehicle stability control | |
CN111796522B (zh) | 一种车辆状态估计方法 | |
CN111959516B (zh) | 一种车辆状态与路面附着系数联合估计的方法 | |
CN109017805B (zh) | 一种针对存在不确定性的行驶系统车辆稳定性控制方法 | |
CN112270039A (zh) | 基于分布式异步融合的线控底盘车辆非线性状态估计方法 | |
Zong et al. | Estimation of vehicle states and tire-road friction using parallel extended Kalman filtering | |
CN115406446A (zh) | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 | |
CN111475912B (zh) | 一种车辆纵侧向车速的联合预测方法和系统 | |
CN116749982A (zh) | 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法 | |
CN112287289A (zh) | 一种面向云控智能底盘的车辆非线性状态融合估计方法 | |
Xia et al. | Vehicle sideslip angle estimation considering the tire pneumatic trail variation | |
CN108413923B (zh) | 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法 | |
CN113978476B (zh) | 一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法 | |
Khaknejad et al. | Identification of vehicle parameters using modified least square method in ADAMS/Car | |
CN114802223A (zh) | 一种智能车辆可控能力等级预测方法 | |
CN111323167B (zh) | 一种车辆质心高度在线辨识方法及系统 |
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 |