CN111507019A - 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 - Google Patents

Abstract

本发明提供基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：考虑转向的动力学模型建立，MMRLS/SH‑STF迭代型联合估计算法架构，基于SH‑STF的坡度估计算法改进。该基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法设计合理，分析了车辆质量的缓变特性和道路坡度的时变特性，根据缓变与时变特征，基于车辆纵向动力学模型与转向单轨模型，分别使用多模型融合递归最小二乘这一系统辨识算法计算车辆质量，用基于扩展卡尔曼滤波的噪声自适应强跟踪滤波这一状态估计算法计算路面坡度，从而使算法更好地适应于估计变量。

Description

基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计 方法

技术领域

本发明涉及质量估计技术领域，具体为基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法。

背景技术

随着货运业的发展，重型车的保有量也在不断增加。相对于乘用车而言，重型车的重量变化范围非常大，从空载到满载甚至可以达到400％。而车辆质量是自动变速器换挡控制系统进行挡位决策、车辆动力学控制与参数估计、车辆状态监控的关键参数，若能够利用车辆质量这一参数对车辆各部件进行合理调控，将进一步提高车辆的动力性、经济性与安全性；

道路坡度与质量耦合程度较高，因此在计算过程中需要对这两个参数同时进行估计。通常情况下，道路的坡度可以由倾角传感器或加速度传感器间接测量得到。但是由于该传感器设备成本较高，量产车上很少配置相关硬件。因此基于现有传感器，对相关参数进行软测量的技术得到了广泛的应用。现阶段国内外有许多对车辆质量与道路坡度估计算法的研究。质量辨识方面，Ardalan Vahidi在论文里采用带多个遗忘因子的递推最小二乘法对汽车质量和坡度进行实时的辨识。Michael L McIntyre等首先基于汽车纵向动力学模型通过最小二乘法对汽车质量和常值坡度进行辨识，然后基于辨识的汽车质量通过非线性观测器对实时变化的道路坡度进行辨识，得出的估计结果精度较高。Enrico Raffone将RLS与线性卡尔曼滤波相结合，实现了对车辆质量与坡度的同时估计，但借助了额外的加速度传感器采集坡度信息，而并非从动力学公式中对坡度进行估算。吉林大学的雷雨龙提出基于扩展卡尔曼滤波的车辆质量方法，将质量与坡度在一个算法中同时进行估计。SimonAltmannshofer等人分别使用RAWKF、RGTLS、RLS和MFRLS对车辆质量与阻力进行估计，其中RAWKF算法的估计效果最好，能比较准确地估算出质量、滚动阻力和空气阻力等值，但算法忽略了加速度与坡度的计算。Liang Li等人将RLS与EKF相结合，用RLS估算质量，EKF同时估算质量和坡度，然后将两个质量给予不同的置信因子相结合得出最终结果，以提高算法的工况适应性。Yahui Zhang，Dongpu Cao等人针对电动汽车传动系统齿轮间隙与半轴转矩的不同特点，分别设计了离散观测器与连续观测器，并将其进行联合，在证明其收敛性的情况下使用实车进行验证，充分表明了针对性观测器算法对多个参数系统进行估计的优越性。坡度估计方面，目前能够实时对道路坡度进行估计的方法主要有3种：利用GPS高程信息估计道路坡度；利用CAN总线信息和行驶方程估计道路坡度[11]；额外添加加速度传感器来估计道路坡度。其中第和第三种方法都需要加装额外的传感器，较难满足实际应用需求。第二种方法，Sebsadji等采用龙贝格状态观测器来估计道路坡度，通过建立轮胎模型根据轮胎力来计算驱动力，避免了用传动模型计算纵向力时对挡位等信息的要求。Kim Iet al.将车辆俯仰角所产生的影响加入了坡度估计算法中，进一步提高了估算精度[13]。XiaoyongLiao等人使用自适应扩展卡尔曼滤波(AEKF)对路面坡度进行估计，算法表现出较强的鲁棒性[14，15]。Klomp等人用标准卡尔曼滤波对电动车辆的速度与路面坡度进行联合估计，根据电动车辆驱动力矩参数较为精确的特点，对车轮滑移率进行估计，从而对估算出的速度与坡度进行修正。此外，常用的车辆状态估计还有UKF算法、自适应卡尔曼滤波、自适应滑模观测器、降维观测器、H_∞观测器、闭环观测器以及多个观测器数据融合的综合估计算法。目前的质量坡度辨识算法基本上都是对质量与坡度同时进行估计，并没有考虑到质量是一个缓变的系统参数，而坡度是一个时变的状态变量这一因素。若能针对该特点分别设计估计算法，将有效提高估计模型的精度与效率。

为此，本发明提供基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法。

发明内容

针对现有技术存在的不足，本发明目的是提供基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明是通过如下的技术方案来实现：基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：

步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：

①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型

F_t＝F_w+F_f+F_i+F_j (57)

式中：F_t—驱动力，F_w—空气阻力，F_f—滚动阻力，F_i—坡道阻力，F_j—加速阻力；

其中，

式中：T_tq—发动机转矩，i_g—变速器传动比，i₀—主减速器传动比，η_t—传动系机械效率，r—车轮直径，C_D—空气阻力系数，A—迎风面积，ρ—空气密度，v—车辆行驶速度，f—滚动阻力系数，δ—加速阻力系数；

考虑到道路坡度一般较小，可假设cosα≈1，sinα≈tanα＝i；

②：转向动力学单轨模型；考虑到很多路况需要车辆频繁的转向操作，根据轮胎摩擦圆理论，转向力矩的产生会影响车辆的纵向驱动力，从而影响估计精度，因此引入转向单轨模型，描述转向对于纵向驱动力的影响，提高模型准确性，从而提高估计精度，车轮方向上的力F_xV和F_xH为前后切向力，重型车一般为前驱，因此可认为F_t＝F_xV,F_xH＝0，垂直于车轮的作用力F_yV和F_yH是侧向力，在风圧中心有侧向空气力F_Ly和空气阻力F_Lx，因此在车辆纵轴线上力的平衡为

假设车辆转弯处坡度为零，化简得：

向心加速度

中质心轨迹的曲率半径ρ的倒数——曲率

是航向角(β+ψ)随弧长u的变化：

又因为速度：

因此向心加速度：

假设轮胎侧偏为线性，将前轴侧向力代入：

式中α_V为前轴车轮侧偏角，

为相应的侧偏刚度；

前后轴速度矢量在车辆纵轴线上的分量必须相等，即：

v cosβ＝v_vcos(δ_v-α_v) (64)

在纵轴线上，有：

由式(8)和式(9)得：

当车轮转向角度较小时，有：

重型车辆正常高速行驶时，车辆质心侧偏角变化很小，因此

将式(6)、式(7)和式(11)代入式(3)，得：

其中：

由式(13)与式(14)得：

由于

则：

由式(15)与式(16)得：

此时，式(12)可化简为：

与式(19)对比：

可以得知，车辆有一定的转向角时，质量的估算值将会偏大，当转向角较小时，其影响可以忽略，通过对转向模型的推导，为车辆转弯工况下的质量估计算法提供了理论上的基础；

步骤二：迭代型联合估计算法架构；具体如下：

①：基于MMRLS的质量辨识算法；递推最小二乘参数辨识，就是当被辨识的系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值，这样，随着新的观测数据的逐次引入，一次接一次的进行参数计算，直到参数估计值达到满意的精确程度为止；

质量是一个缓变的系统参数，将其作为系统参数使用最小二乘法进行估计，比利用状态估计算法对其进行估计更加合理且具有更高的计算效率和估计精度，因此采用递推最小二乘法对质量进行辨识；

当车辆直驶时，将式(1)转换成最小二乘格式：

F_t-F_w＝m(gf+gi+δa)+e (76)

其中F_t-F_w为系统输入量，记为F_tw，gf+gi+δa为可观测的数据量，记为a_e，m为待辨识的系统参数，e为系统噪声，代入最小二乘法的公式得，质量辨识的最小二乘递归格式为：

其中，μ(k)为第k时刻的遗忘因子，在这里按如下规律选取：

μ(t)＝1-0.05·0.98^t

类似的，当车辆转弯时，质量辨识算法的最小二乘格式为：

其递归格式与式(21)相同；

在车辆的实际行驶过程中，质心侧偏角较难获得，因此转弯时的质心侧偏角近似为：

由于转弯模型的降维，其对质量的辨识精度也相应地下降，但仍旧能起到较好的修正作用，在实际应用过程中，为了简化计算，假设车辆重心处于车辆纵向二分之一处，因此辨识结果将比实际要小，为了提高质量辨识的精度，根据直驶与转向模型的残差概率分布计算两个模型的权重值，从而融合直驶与转向模型辨识结果；

假设直驶和转向模型在k时刻的估计值分别为m_s(k)与m_t(k)，则k时刻递推最小二乘计算的残差值为

e_s(k)＝F_tw(k)-m_s(k)·a_s(k) (80)

e_t(k)＝F_tt(k)-m_t(k)·a_t(k) (81)

由于残差值存在正负号，为了更精确地量化RLS算法误差的影响比重，将残差计算值使用sigmoid函数进行归一化处理：

输出残差均方差为：

S_s(k)＝(I-K_s(k))P_s(k)(I-K_s(k))^T (84)

S_t(k)＝(I-K_t(k))P_t(k)(I-K_t(k))^T (85)

则直驶和转向模型在k时刻分别对应的最大似然函数为：

可得各模型输出概率为：

得到各模型输出与其输出概率之后，即可得到融合结果

②：基于EKF的坡度估计算法；坡度是系统的一个状态参数，相对于卡尔曼滤波、各种观测器等状态估计算法，最小二乘法的跟踪能力较弱，不适合估计坡度这种时变的状态变量，因此，采用扩展卡尔曼滤波对坡度进行估计；

卡尔曼滤波是在已知系统和测量的数学模型、测量噪声统计特性及系统状态初值的情况下，利用输入信号的测量数据和系统模型方程，实时获得系统状态变量和输入信号的最优估计值，经典卡尔曼滤波将信号过程视为白噪声作用下的一个线性系统的输出，并将这种输入输出关系用一个状态方程描述，其算法使用递推形式，数学结构简单，计算量小，适合用于实时计算，但经典卡尔曼滤波仅适用于线性系统的状态估计，对于非线性系统，有扩展卡尔曼滤波(EKF)，EKF通过对非线性函数在最佳估计点附近进行泰勒展开，舍弃高阶分量，从而将非线性模型简化为线性模型，然后利用经典卡尔曼技术来完成估计，EKF被广泛地应用于非线性系统的状态估计中；

将式(1)写为：

F_j＝F_t-F_w-F_f-F_i (91)

代入各项式，式(35)变为

建立系统的状态空间模型，选定车辆速度v、道路坡度i为状态变量，由于道路坡度i变化缓慢，因此可以认为其对时间的导数为零，因而有微分方程组：

使用向前欧拉法对状态空间方程进行离散化处理，得离散化差分方程

假设系统噪声向量和测量噪声向量分别为W_k和V_k，它们为相互独立、且均值为零的高斯白噪声，系统噪声协方差矩阵为Q_k，测量噪声协方差矩阵为R_k，则可推得系统状态方程为：

其中：

系统测量方程为：

式(39)和(41)组成了系统的状态空间表达式，形式为：

式中，H为测量矩阵；

由式(42)，按照EKF算法对坡度进行估计，将过程方程向量函数展开，得Jacobian矩阵：

EKF时间更新方程为：

式中：

—上一时刻状态变量的最优估计值，P_k—上一时刻误差，

—状态变量的先验估计值，P_k+1/k—先验误差协方差，F_k—过程向量函数f的Jacobian矩阵；

测量更新方程为

式中：K_k+1—卡尔曼增益，

—状态变量后验估计值，P_k+1—后验误差协方差，I—单位矩阵；

卡尔曼增益根据测量噪声协方差R_k以及先验误差协方差P_k+1/k动态调节测量变量z_k和其估计

的权重；

步骤三：基于SH-STF的坡度估计算法改进；在实际运行过程中，环境的变化可能会引起系统模型的改变或者噪声的突变，对于在滤波过程中易发生变化的系统，若是采用传统的卡尔曼滤波，容易导致最优估计值的偏差增大，甚至使滤波发散，在车辆行驶过程中，为了减少系统环境改变带来的估计结果变差，加速滤波收敛过程，采用Sage-Husa自适应滤波算法对传统扩展卡尔曼滤波进行修正，Sage-Husa自适应滤波算法是在卡尔曼滤波的基础上，基于极大后验原理，利用量测变量的数据对噪声的统计特性进行实时动态估计，从而实现估计算法噪声的自适应，Sage-Husa算法过程如下所示；

时间更新如式(44)所示，在进行下一步的量测更新之前，加入对量测噪声的计算：

其中d_k为新近数据的权重，通常定义

其中b为遗忘因子，表示对历史数据的遗忘程度，可以限制滤波的记忆长度，增强新近观测数据对当前估计的作用，一般取值为0.95-0.99；

在计算出量测噪声后，根据该噪声值代入式(45)进行卡尔曼滤波的测量更新，而后计算下一时刻的系统噪声：

而当k逐渐递增时，d_k将趋于1-b，即由于b∈[0.95,0.99]，

当滤波开始进行时，d_k值迅速减小，表示当前时刻观测值对噪声估计值的权重减弱，噪声信息的估计大部分仍旧取决于历史信息，因此，当系统发生突变时，Sage-Husa算法对噪声的估计值将无法反应系统的真实情况，容易导致滤波发散；

为了解决Sage-Husa算法在坡度突变情况下可能出现的滤波发散现象，引入强跟踪滤波理论(STF)以提高对突变系统的跟踪估计能力；

引入时变渐消因子，在卡尔曼滤波递推过程中修正状态预测误差协方差阵以及相应的卡尔曼增益矩阵，从而强制使残差序列正交或近似正交，当模型或测量值出现不确定性或突变时，STF算法为了保证新息序列的不相关性来计算渐消因子，从而减弱历史数据对于当前滤波计算值的影响，使算法具备跟踪突变状态的能力；

对于卡尔曼滤波递推系统，其状态估计的步骤如下：

其中

是状态估计滤波方程所求得的残差序列，强跟踪滤波器在卡尔曼滤波理论满足式的条件下，加入了一项式(51)，从而使不同时刻的残差序列处处正交：

为了使式(51)成立，STF算法引入时变的渐消因子λ，实时地对预测误差协方差阵进行调整，从而进一步地更新卡尔曼增益，渐消因子λ的计算方法如下：

其中，V_k为残差协方差矩阵，定义如下：

其中，0＜ρ≤1为遗忘因子，一般取值为0.95，β≥1为弱化因子，增大β值可使估计结果更加平滑，F与H分别为系统状态方程和观测方程的雅克比矩阵；

相比于原始卡尔曼滤波，强跟踪滤波对突变状态的跟踪能力极强，能够在系统从平衡状态发生突变时，保持对状态的跟踪能力；

综上所述，Sage-Husa算法能够在无先验信息的情况下估计出噪声的统计特性，但容易破坏噪声方差矩阵的正定性，引起滤波发散，而STF能够增强滤波系统的稳定性，但由于对滤波过程中对卡尔曼增益进行直接修正，使其最优估计结果出现一定的波动，因此可以结合两者的特点，一方面在滤波过程中使用Sage-Husa算法对噪声进行估计，另一方面在递推过程中应用STF算法对协方差进行实时修正；

步骤四：迭代型联合估计算法计算车辆质量与道路坡度；由于Sage-Husa算法与STF都是基于新息计算，并对迭代过程中的协方差产生影响，因此不能在同一时刻应用两种算法，对于估计系统来说，Sage-Husa算法对系统的稳定性要求较高，当系统噪声已知时，能够对测量噪声的统计特性具备很好的估计精度，而在系统状态发生突变时，Sage-Husa算法将会认为是测量噪声变大引起新息的增大，原本提升的测量信息比重反而下降，此时采用STF算法进行修正，STF算法的最优估计结果将会以观测值为主，即相信观测结果的准确度远大于状态预测值。

作为本发明的一种优选实施方式，所述步骤一的纵向动力学模型中，各常数取值如下：η_t＝0.95，C_D＝0.3，ρ/N·s²·m^-4＝1.2258，f＝0.0041+0.0000256v，δ＝1.1。

作为本发明的一种优选实施方式，所述步骤一中车速、发动机名义转矩数值可由车载CAN总线信息获得。

作为本发明的一种优选实施方式，所述步骤四中，在坡度估计算法中，当车辆平稳行驶时，采用Sage-Husa算法进行噪声的自适应估计，减少系统的状态估计误差，提高滤波器的观测精度，当车辆行驶状态发生突变时，采用STF算法提高卡尔曼滤波的跟踪估计能力，增强估计算法的鲁棒性，因此，可以将Sage-Husa算法与STF算法结合起来使用，在一个滤波周期内，结合库索夫可夫HT滤波收敛判据，在滤波收敛时，采用Sage-Husa算法估计坡度，在滤波发散时，采用STF算法估计坡度。

本发明的有益效果：

1.此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法分析了车辆质量的缓变特性和道路坡度的时变特性，根据缓变与时变特征，基于车辆纵向动力学模型与转向单轨模型，分别使用递归最小二乘这一系统辨识算法计算车辆质量，用卡尔曼滤波这一状态估计算法计算路面坡度，从而使算法更好地适应于估计变量。

2.此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法提出了基于MMRLS和SH-STF的新的迭代型联合估计算法。使用多模型融合应对转向工况与直驶工况下的车辆质量估计。针对坡度突变引发滤波发散的问题，提出基于噪声自适应的强跟踪滤波算法，在行驶平稳时采用噪声自适应估计，在行驶状态突变时采用强跟踪滤波，提高了坡度估计的准确性与稳定性。

3.此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法结合CarSim软件，在Simulink平台上对联合估计方法进行了多工况变质量坡度的仿真验证。分析了滚动阻力、空气阻力与传动效率精度对估计结果的影响。结果表明，在不同路况下，联合模型都能够精确地估算出车辆质量，并实时跟踪路面坡度的变化，滚动阻力与空气阻力对估计结果影响较小，而传动效率的取值对估计结果的影响较大。

4.此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法在综合路段下采集实车行驶数据，对算法进行了实车实验验证，结果表明，联合估计方法能够实时精确地估计出车辆质量与坡度。且该联合估计方法基于递推最小二乘与二阶矩阵的扩展卡尔曼滤波算法进行改进设计，结构简单，运算量小，具有较高的实车应用价值。

附图说明

图1为本发明基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法的流程示意图；

图2为本发明基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法的车辆坡道行驶纵向受力分析图；

图3为本发明基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法的单轨模型受力情况示意图；

图4为本发明基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法的单轨模型的运动学参数示意图；

图5为本发明基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法的算法架构示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

请参阅图1至图5，本发明提供技术方案：基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：

步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：

①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型

F_t＝F_w+F_f+F_i+F_j (113)

式中：F_t—驱动力，F_w—空气阻力，F_f—滚动阻力，F_i—坡道阻力，F_j—加速阻力；

其中，

式中：T_tq—发动机转矩，i_g—变速器传动比，i₀—主减速器传动比，η_t—传动系机械效率，r—车轮直径，C_D—空气阻力系数，A—迎风面积，ρ—空气密度，v—车辆行驶速度，f—滚动阻力系数，δ—加速阻力系数；

考虑到道路坡度一般较小，可假设cosα≈1，sinα≈tanα＝i；

②：转向动力学单轨模型；考虑到很多路况需要车辆频繁的转向操作，根据轮胎摩擦圆理论，转向力矩的产生会影响车辆的纵向驱动力，从而影响估计精度，因此引入转向单轨模型，描述转向对于纵向驱动力的影响，提高模型准确性，从而提高估计精度，车轮方向上的力F_xV和F_xH为前后切向力，重型车一般为前驱，因此可认为F_t＝F_xV,F_xH＝0，垂直于车轮的作用力F_yV和F_yH是侧向力，在风圧中心有侧向空气力F_Ly和空气阻力F_Lx，因此在车辆纵轴线上力的平衡为

假设车辆转弯处坡度为零，化简得：

向心加速度

中质心轨迹的曲率半径ρ的倒数——曲率

是航向角(β+ψ)随弧长u的变化：

又因为速度：

因此向心加速度：

假设轮胎侧偏为线性，将前轴侧向力代入：

式中α_V为前轴车轮侧偏角，

为相应的侧偏刚度；

前后轴速度矢量在车辆纵轴线上的分量必须相等，即：

v cosβ＝v_vcos(δ_v-α_v) (120)

在纵轴线上，有：

由式(8)和式(9)得：

当车轮转向角度较小时，有：

重型车辆正常高速行驶时，车辆质心侧偏角变化很小，因此

将式(6)、式(7)和式(11)代入式(3)，得：

其中：

由式(13)与式(14)得：

由于

则：

由式(15)与式(16)得：

此时，式(12)可化简为：

与式(19)对比：

可以得知，车辆有一定的转向角时，质量的估算值将会偏大，当转向角较小时，其影响可以忽略，通过对转向模型的推导，为车辆转弯工况下的质量估计算法提供了理论上的基础；

步骤二：迭代型联合估计算法架构；具体如下：

①：基于MMRLS的质量辨识算法；递推最小二乘参数辨识，就是当被辨识的系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值，这样，随着新的观测数据的逐次引入，一次接一次的进行参数计算，直到参数估计值达到满意的精确程度为止；

质量是一个缓变的系统参数，将其作为系统参数使用最小二乘法进行估计，比利用状态估计算法对其进行估计更加合理且具有更高的计算效率和估计精度，因此采用递推最小二乘法对质量进行辨识；

当车辆直驶时，将式(1)转换成最小二乘格式：

F_t-F_w＝m(gf+gi+δa)+e (132)

其中F_t-F_w为系统输入量，记为F_tw，gf+gi+δa为可观测的数据量，记为a_e，m为待辨识的系统参数，e为系统噪声，代入最小二乘法的公式得，质量辨识的最小二乘递归格式为：

其中，μ(k)为第k时刻的遗忘因子，在这里按如下规律选取：

μ(t)＝1-0.05·0.98^t

类似的，当车辆转弯时，质量辨识算法的最小二乘格式为：

其递归格式与式(21)相同；

在车辆的实际行驶过程中，质心侧偏角较难获得，因此转弯时的质心侧偏角近似为：

由于转弯模型的降维，其对质量的辨识精度也相应地下降，但仍旧能起到较好的修正作用，在实际应用过程中，为了简化计算，假设车辆重心处于车辆纵向二分之一处，因此辨识结果将比实际要小，为了提高质量辨识的精度，根据直驶与转向模型的残差概率分布计算两个模型的权重值，从而融合直驶与转向模型辨识结果；

假设直驶和转向模型在k时刻的估计值分别为m_s(k)与m_t(k)，则k时刻递推最小二乘计算的残差值为

e_s(k)＝F_tw(k)-m_s(k)·a_s(k) (136)

e_t(k)＝F_tt(k)-m_t(k)·a_t(k) (137)

由于残差值存在正负号，为了更精确地量化RLS算法误差的影响比重，将残差计算值使用sigmoid函数进行归一化处理：

输出残差均方差为：

S_s(k)＝(I-K_s(k))P_s(k)(I-K_s(k))^T (140)

S_t(k)＝(I-K_t(k))P_t(k)(I-K_t(k))^T (141)

则直驶和转向模型在k时刻分别对应的最大似然函数为：

可得各模型输出概率为：

得到各模型输出与其输出概率之后，即可得到融合结果

②：基于EKF的坡度估计算法；坡度是系统的一个状态参数，相对于卡尔曼滤波、各种观测器等状态估计算法，最小二乘法的跟踪能力较弱，不适合估计坡度这种时变的状态变量，因此，采用扩展卡尔曼滤波对坡度进行估计；

卡尔曼滤波是在已知系统和测量的数学模型、测量噪声统计特性及系统状态初值的情况下，利用输入信号的测量数据和系统模型方程，实时获得系统状态变量和输入信号的最优估计值，经典卡尔曼滤波将信号过程视为白噪声作用下的一个线性系统的输出，并将这种输入输出关系用一个状态方程描述，其算法使用递推形式，数学结构简单，计算量小，适合用于实时计算，但经典卡尔曼滤波仅适用于线性系统的状态估计，对于非线性系统，有扩展卡尔曼滤波(EKF)，EKF通过对非线性函数在最佳估计点附近进行泰勒展开，舍弃高阶分量，从而将非线性模型简化为线性模型，然后利用经典卡尔曼技术来完成估计，EKF被广泛地应用于非线性系统的状态估计中；

将式(1)写为：

F_j＝F_t-F_w-F_f-F_i (147)

代入各项式，式(35)变为

建立系统的状态空间模型，选定车辆速度v、道路坡度i为状态变量，由于道路坡度i变化缓慢，因此可以认为其对时间的导数为零，因而有微分方程组：

使用向前欧拉法对状态空间方程进行离散化处理，得离散化差分方程

假设系统噪声向量和测量噪声向量分别为W_k和V_k，它们为相互独立、且均值为零的高斯白噪声，系统噪声协方差矩阵为Q_k，测量噪声协方差矩阵为R_k，则可推得系统状态方程为：

其中：

系统测量方程为：

式(39)和(41)组成了系统的状态空间表达式，形式为：

式中，H为测量矩阵；

由式(42)，按照EKF算法对坡度进行估计，将过程方程向量函数展开，得Jacobian矩阵：

EKF时间更新方程为：

式中：

—上一时刻状态变量的最优估计值，P_k—上一时刻误差，

—状态变量的先验估计值，P_k+1/k—先验误差协方差，F_k—过程向量函数f的Jacobian矩阵；

测量更新方程为

式中：K_k+1—卡尔曼增益，

—状态变量后验估计值，P_k+1—后验误差协方差，I—单位矩阵；

卡尔曼增益根据测量噪声协方差R_k以及先验误差协方差P_k+1/k动态调节测量变量z_k和其估计

的权重；

步骤三：基于SH-STF的坡度估计算法改进；在实际运行过程中，环境的变化可能会引起系统模型的改变或者噪声的突变，对于在滤波过程中易发生变化的系统，若是采用传统的卡尔曼滤波，容易导致最优估计值的偏差增大，甚至使滤波发散，在车辆行驶过程中，为了减少系统环境改变带来的估计结果变差，加速滤波收敛过程，采用Sage-Husa自适应滤波算法对传统扩展卡尔曼滤波进行修正，Sage-Husa自适应滤波算法是在卡尔曼滤波的基础上，基于极大后验原理，利用量测变量的数据对噪声的统计特性进行实时动态估计，从而实现估计算法噪声的自适应，Sage-Husa算法过程如下所示；

时间更新如式(44)所示，在进行下一步的量测更新之前，加入对量测噪声的计算：

其中d_k为新近数据的权重，通常定义

其中b为遗忘因子，表示对历史数据的遗忘程度，可以限制滤波的记忆长度，增强新近观测数据对当前估计的作用，一般取值为0.95-0.99；

在计算出量测噪声后，根据该噪声值代入式(45)进行卡尔曼滤波的测量更新，而后计算下一时刻的系统噪声：

而当k逐渐递增时，d_k将趋于1-b，即由于b∈[0.95,0.99]，

当滤波开始进行时，d_k值迅速减小，表示当前时刻观测值对噪声估计值的权重减弱，噪声信息的估计大部分仍旧取决于历史信息，因此，当系统发生突变时，Sage-Husa算法对噪声的估计值将无法反应系统的真实情况，容易导致滤波发散；

为了解决Sage-Husa算法在坡度突变情况下可能出现的滤波发散现象，引入强跟踪滤波理论(STF)以提高对突变系统的跟踪估计能力；

引入时变渐消因子，在卡尔曼滤波递推过程中修正状态预测误差协方差阵以及相应的卡尔曼增益矩阵，从而强制使残差序列正交或近似正交，当模型或测量值出现不确定性或突变时，STF算法为了保证新息序列的不相关性来计算渐消因子，从而减弱历史数据对于当前滤波计算值的影响，使算法具备跟踪突变状态的能力；

对于卡尔曼滤波递推系统，其状态估计的步骤如下：

其中

是状态估计滤波方程所求得的残差序列，强跟踪滤波器在卡尔曼滤波理论满足式的条件下，加入了一项式(51)，从而使不同时刻的残差序列处处正交：

为了使式(51)成立，STF算法引入时变的渐消因子λ，实时地对预测误差协方差阵进行调整，从而进一步地更新卡尔曼增益，渐消因子λ的计算方法如下：

其中，V_k为残差协方差矩阵，定义如下：

其中，0＜ρ≤1为遗忘因子，一般取值为0.95，β≥1为弱化因子，增大β值可使估计结果更加平滑，F与H分别为系统状态方程和观测方程的雅克比矩阵；

相比于原始卡尔曼滤波，强跟踪滤波对突变状态的跟踪能力极强，能够在系统从平衡状态发生突变时，保持对状态的跟踪能力；

综上所述，Sage-Husa算法能够在无先验信息的情况下估计出噪声的统计特性，但容易破坏噪声方差矩阵的正定性，引起滤波发散，而STF能够增强滤波系统的稳定性，但由于对滤波过程中对卡尔曼增益进行直接修正，使其最优估计结果出现一定的波动，因此可以结合两者的特点，一方面在滤波过程中使用Sage-Husa算法对噪声进行估计，另一方面在递推过程中应用STF算法对协方差进行实时修正；

步骤四：迭代型联合估计算法计算车辆质量与道路坡度；由于Sage-Husa算法与STF都是基于新息计算，并对迭代过程中的协方差产生影响，因此不能在同一时刻应用两种算法，对于估计系统来说，Sage-Husa算法对系统的稳定性要求较高，当系统噪声已知时，能够对测量噪声的统计特性具备很好的估计精度，而在系统状态发生突变时，Sage-Husa算法将会认为是测量噪声变大引起新息的增大，原本提升的测量信息比重反而下降，此时采用STF算法进行修正，STF算法的最优估计结果将会以观测值为主，即相信观测结果的准确度远大于状态预测值；

步骤四：仿真测试；为了验证联合估计算法的有效性，在MATLAB/Simulink平台上搭建算法模型，并联合CarSim车辆模型进行了算法仿真验证，估计精度分析：对于该联合估计方法来说，影响结果精度的因素有滚动阻力建模精度、空气阻力建模精度以及机械传动效率取值精度，从CarSim中引出阻力与效率的真实值作为输入，固定其中两项，改变其中一项，比较仿真结果与真实值之间的差值；估计精度分析：对于该联合估计方法来说，影响结果精度的因素有滚动阻力建模精度、空气阻力建模精度以及机械传动效率取值精度；

从CarSim中引出阻力与效率的真实值作为输入，固定其中两项，改变其中一项，比较仿真结果与真实值之间的差值，如下表所示。

表1空气阻力影响

表2滚动阻力影响

表3传动效率影响

由表2和表3可以看出，滚动阻力与空气阻力建模的精度对质量估计结果影响不大，阻力误差达到50％的情况下，质量估计误差不超过3％，在坡度估计部分也未超过15％，从这方面来说算法鲁棒性较高。但从表4可以看出，传动效率取值对质量估计的结果影响非常大，而传动效率是用来计算车辆驱动力的，因此车辆驱动力取值精度对估计结果有较大的影响。因此，对于重型商用车辆的质量估计问题，不同路面滚动阻力的变化以及空气阻力模型偏差由于在牵引力中占比相对较小，所以对于质量估计质量影响不大。而作为主要动力的车辆驱动力影响较为明显。所以驱动力计算相关模型和参数要尽量精确，需要针对具体产品进行针对性的建模与标定；

步骤五：实车试验；选择车辆进行实车实验，采集不同情况下的数据，对实验数据进行分析。

作为本发明的一种优选实施方式，所述步骤一的纵向动力学模型中，各常数取值如下：η_t＝0.95，C_D＝0.3，ρ/N·s²·m^-4＝1.2258，f＝0.0041+0.0000256v，δ＝1.1。

作为本发明的一种优选实施方式，所述步骤一中车速、发动机名义转矩数值可由车载CAN总线信息获得。

作为本发明的一种优选实施方式，所述步骤四中，在坡度估计算法中，当车辆平稳行驶时，采用Sage-Husa算法进行噪声的自适应估计，减少系统的状态估计误差，提高滤波器的观测精度，当车辆行驶状态发生突变时，采用STF算法提高卡尔曼滤波的跟踪估计能力，增强估计算法的鲁棒性，因此，可以将Sage-Husa算法与STF算法结合起来使用，在一个滤波周期内，结合库索夫可夫HT滤波收敛判据，在滤波收敛时，采用Sage-Husa算法估计坡度，在滤波发散时，采用STF算法估计坡度。

作为本发明的优选实施方式，此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法分析了车辆质量的缓变特性和道路坡度的时变特性，根据缓变与时变特征，基于车辆纵向动力学模型与转向单轨模型，分别使用递归最小二乘这一系统辨识算法计算车辆质量，用卡尔曼滤波这一状态估计算法计算路面坡度，从而使算法更好地适应于估计变量，提出了基于MMRLS和SH-STF的新的迭代型联合估计算法。使用多模型融合应对转向工况与直驶工况下的车辆质量估计，针对坡度突变引发滤波发散的问题，提出基于噪声自适应的强跟踪滤波算法，在行驶平稳时采用噪声自适应估计，在行驶状态突变时采用强跟踪滤波，提高了坡度估计的准确性与稳定性。

作为本发明的优选实施方式，此基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法结合CarSim软件，在Simulink平台上对联合估计方法进行了多工况变质量坡度的仿真验证，分析了滚动阻力、空气阻力与传动效率精度对估计结果的影响。结果表明，在不同路况下，联合模型都能够精确地估算出车辆质量，并实时跟踪路面坡度的变化，滚动阻力与空气阻力对估计结果影响较小，而传动效率的取值对估计结果的影响较大，在综合路段下采集实车行驶数据，对算法进行了实车实验验证，结果表明，联合估计方法能够实时精确地估计出车辆质量与坡度，且该联合估计方法基于递推最小二乘与二阶矩阵的扩展卡尔曼滤波算法进行改进设计，结构简单，运算量小，具有较高的实车应用价值。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于，包括以下步骤：

步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：

①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型

F_t＝F_w+F_f+F_i+F_j (1)

式中：F_t—驱动力，F_w—空气阻力，F_f—滚动阻力，F_i—坡道阻力，F_j—加速阻力；

其中，F_f＝mgf cosα

F_i＝mg sinα F_j＝δma

式中：T_tq—发动机转矩，i_g—变速器传动比，i₀—主减速器传动比，η_t—传动系机械效率，r—车轮直径，C_D—空气阻力系数，A—迎风面积，ρ—空气密度，v—车辆行驶速度，f—滚动阻力系数，δ—加速阻力系数；

考虑到道路坡度一般较小，可假设cosα≈1，sinα≈tanα＝i；

②：转向动力学单轨模型；考虑到很多路况需要车辆频繁的转向操作，根据轮胎摩擦圆理论，转向力矩的产生会影响车辆的纵向驱动力，从而影响估计精度，因此引入转向单轨模型，描述转向对于纵向驱动力的影响，提高模型准确性，从而提高估计精度，车轮方向上的力F_xV和F_xH为前后切向力，重型车一般为前驱，因此可认为F_t＝F_xV,F_xH＝0，垂直于车轮的作用力F_yV和F_yH是侧向力，在风圧中心有侧向空气力F_Ly和空气阻力F_Lx，因此在车辆纵轴线上力的平衡为

假设车辆转弯处坡度为零，化简得：

向心加速度

中质心轨迹的曲率半径ρ的倒数——曲率

是航向角(β+ψ)随弧长u的变化：

又因为速度：

因此向心加速度：

假设轮胎侧偏为线性，将前轴侧向力代入：

式中α_V为前轴车轮侧偏角，

为相应的侧偏刚度；

前后轴速度矢量在车辆纵轴线上的分量必须相等，即：

v cosβ＝v_vcos(δ_v-α_v) (8)

在纵轴线上，有：

由式(8)和式(9)得：

当车轮转向角度较小时，有：

重型车辆正常高速行驶时，车辆质心侧偏角变化很小，因此

将式(6)、式(7)和式(11)代入式(3)，得：

其中：

由式(13)与式(14)得：

由于

则：

由式(15)与式(16)得：

此时，式(12)可化简为：

与式(19)对比：

可以得知，车辆有一定的转向角时，质量的估算值将会偏大，当转向角较小时，其影响可以忽略，通过对转向模型的推导，为车辆转弯工况下的质量估计算法提供了理论上的基础；

步骤二：迭代型联合估计算法架构；具体如下：

①：基于MMRLS的质量辨识算法；递推最小二乘参数辨识，就是当被辨识的系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值，这样，随着新的观测数据的逐次引入，一次接一次的进行参数计算，直到参数估计值达到满意的精确程度为止；

质量是一个缓变的系统参数，将其作为系统参数使用最小二乘法进行估计，比利用状态估计算法对其进行估计更加合理且具有更高的计算效率和估计精度，因此采用递推最小二乘法对质量进行辨识；

当车辆直驶时，将式(1)转换成最小二乘格式：

F_t-F_w＝m(gf+gi+δa)+e (20)

其中F_t-F_w为系统输入量，记为F_tw，gf+gi+δa为可观测的数据量，记为a_e，m为待辨识的系统参数，e为系统噪声，代入最小二乘法的公式得，质量辨识的最小二乘递归格式为：

其中，μ(k)为第k时刻的遗忘因子，在这里按如下规律选取：

μ(t)＝1-0.05·0.98^t

类似的，当车辆转弯时，质量辨识算法的最小二乘格式为：

其递归格式与式(21)相同；

在车辆的实际行驶过程中，质心侧偏角较难获得，因此转弯时的质心侧偏角近似为：

由于转弯模型的降维，其对质量的辨识精度也相应地下降，但仍旧能起到较好的修正作用，在实际应用过程中，为了简化计算，假设车辆重心处于车辆纵向二分之一处，因此辨识结果将比实际要小，为了提高质量辨识的精度，根据直驶与转向模型的残差概率分布计算两个模型的权重值，从而融合直驶与转向模型辨识结果；

假设直驶和转向模型在k时刻的估计值分别为m_s(k)与m_t(k)，则k时刻递推最小二乘计算的残差值为

e_s(k)＝F_tw(k)-m_s(k)·a_s(k) (24)

e_t(k)＝F_tt(k)-m_t(k)·a_t(k) (25)

由于残差值存在正负号，为了更精确地量化RLS算法误差的影响比重，将残差计算值使用sigmoid函数进行归一化处理：

输出残差均方差为：

S_s(k)＝(I-K_s(k))P_s(k)(I-K_s(k))^T (28)

S_t(k)＝(I-K_t(k))P_t(k)(I-K_t(k))^T (29)

则直驶和转向模型在k时刻分别对应的最大似然函数为：

可得各模型输出概率为：

得到各模型输出与其输出概率之后，即可得到融合结果

②：基于EKF的坡度估计算法；坡度是系统的一个状态参数，相对于卡尔曼滤波、各种观测器等状态估计算法，最小二乘法的跟踪能力较弱，不适合估计坡度这种时变的状态变量，因此，采用扩展卡尔曼滤波对坡度进行估计；

卡尔曼滤波是在已知系统和测量的数学模型、测量噪声统计特性及系统状态初值的情况下，利用输入信号的测量数据和系统模型方程，实时获得系统状态变量和输入信号的最优估计值，经典卡尔曼滤波将信号过程视为白噪声作用下的一个线性系统的输出，并将这种输入输出关系用一个状态方程描述，其算法使用递推形式，数学结构简单，计算量小，适合用于实时计算，但经典卡尔曼滤波仅适用于线性系统的状态估计，对于非线性系统，有扩展卡尔曼滤波(EKF)，EKF通过对非线性函数在最佳估计点附近进行泰勒展开，舍弃高阶分量，从而将非线性模型简化为线性模型，然后利用经典卡尔曼技术来完成估计，EKF被广泛地应用于非线性系统的状态估计中；

将式(1)写为：

F_j＝F_t-F_w-F_f-F_i (35)

代入各项式，式(35)变为

建立系统的状态空间模型，选定车辆速度v、道路坡度i为状态变量，由于道路坡度i变化缓慢，因此可以认为其对时间的导数为零，因而有微分方程组：

使用向前欧拉法对状态空间方程进行离散化处理，得离散化差分方程

假设系统噪声向量和测量噪声向量分别为W_k和V_k，它们为相互独立、且均值为零的高斯白噪声，系统噪声协方差矩阵为Q_k，测量噪声协方差矩阵为R_k，则可推得系统状态方程为：

其中：

系统测量方程为：

式(39)和(41)组成了系统的状态空间表达式，形式为：

式中，H为测量矩阵；

由式(42)，按照EKF算法对坡度进行估计，将过程方程向量函数展开，得Jacobian矩阵：

EKF时间更新方程为：

式中：

—上一时刻状态变量的最优估计值，P_k—上一时刻误差，

—状态变量的先验估计值，P_k+1/k—先验误差协方差，F_k—过程向量函数f的Jacobian矩阵；

测量更新方程为

式中：K_k+1—卡尔曼增益，

—状态变量后验估计值，P_k+1—后验误差协方差，I—单位矩阵；

卡尔曼增益根据测量噪声协方差R_k以及先验误差协方差P_k+1/k动态调节测量变量z_k和其估计

的权重；

步骤三：基于SH-STF的坡度估计算法改进；在实际运行过程中，环境的变化可能会引起系统模型的改变或者噪声的突变，对于在滤波过程中易发生变化的系统，若是采用传统的卡尔曼滤波，容易导致最优估计值的偏差增大，甚至使滤波发散，在车辆行驶过程中，为了减少系统环境改变带来的估计结果变差，加速滤波收敛过程，采用Sage-Husa自适应滤波算法对传统扩展卡尔曼滤波进行修正，Sage-Husa自适应滤波算法是在卡尔曼滤波的基础上，基于极大后验原理，利用量测变量的数据对噪声的统计特性进行实时动态估计，从而实现估计算法噪声的自适应，Sage-Husa算法过程如下所示；

时间更新如式(44)所示，在进行下一步的量测更新之前，加入对量测噪声的计算：

其中d_k为新近数据的权重，通常定义

其中b为遗忘因子，表示对历史数据的遗忘程度，可以限制滤波的记忆长度，增强新近观测数据对当前估计的作用，一般取值为0.95-0.99；

在计算出量测噪声后，根据该噪声值代入式(45)进行卡尔曼滤波的测量更新，而后计算下一时刻的系统噪声：

而当k逐渐递增时，d_k将趋于1-b，即由于b∈[0.95,0.99]，

当滤波开始进行时，d_k值迅速减小，表示当前时刻观测值对噪声估计值的权重减弱，噪声信息的估计大部分仍旧取决于历史信息，因此，当系统发生突变时，Sage-Husa算法对噪声的估计值将无法反应系统的真实情况，容易导致滤波发散；

为了解决Sage-Husa算法在坡度突变情况下可能出现的滤波发散现象，引入强跟踪滤波理论(STF)以提高对突变系统的跟踪估计能力；

引入时变渐消因子，在卡尔曼滤波递推过程中修正状态预测误差协方差阵以及相应的卡尔曼增益矩阵，从而强制使残差序列正交或近似正交，当模型或测量值出现不确定性或突变时，STF算法为了保证新息序列的不相关性来计算渐消因子，从而减弱历史数据对于当前滤波计算值的影响，使算法具备跟踪突变状态的能力；

对于卡尔曼滤波递推系统，其状态估计的步骤如下：

其中

是状态估计滤波方程所求得的残差序列，强跟踪滤波器在卡尔曼滤波理论满足式的条件下，加入了一项式(51)，从而使不同时刻的残差序列处处正交：

为了使式(51)成立，STF算法引入时变的渐消因子λ，实时地对预测误差协方差阵进行调整，从而进一步地更新卡尔曼增益，渐消因子λ的计算方法如下：

其中，V_k为残差协方差矩阵，定义如下：

其中，0＜ρ≤1为遗忘因子，一般取值为0.95，β≥1为弱化因子，增大β值可使估计结果更加平滑，F与H分别为系统状态方程和观测方程的雅克比矩阵；

相比于原始卡尔曼滤波，强跟踪滤波对突变状态的跟踪能力极强，能够在系统从平衡状态发生突变时，保持对状态的跟踪能力；

综上所述，Sage-Husa算法能够在无先验信息的情况下估计出噪声的统计特性，但容易破坏噪声方差矩阵的正定性，引起滤波发散，而STF能够增强滤波系统的稳定性，但由于对滤波过程中对卡尔曼增益进行直接修正，使其最优估计结果出现一定的波动，因此可以结合两者的特点，一方面在滤波过程中使用Sage-Husa算法对噪声进行估计，另一方面在递推过程中应用STF算法对协方差进行实时修正；

步骤四：迭代型联合估计算法计算车辆质量与道路坡度；由于Sage-Husa算法与STF都是基于新息计算，并对迭代过程中的协方差产生影响，因此不能在同一时刻应用两种算法，对于估计系统来说，Sage-Husa算法对系统的稳定性要求较高，当系统噪声已知时，能够对测量噪声的统计特性具备很好的估计精度，而在系统状态发生突变时，Sage-Husa算法将会认为是测量噪声变大引起新息的增大，原本提升的测量信息比重反而下降，此时采用STF算法进行修正，STF算法的最优估计结果将会以观测值为主，即相信观测结果的准确度远大于状态预测值。

2.根据权利要求1所述的基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于：所述步骤一的纵向动力学模型中，各常数取值如下：η_t＝0.95，C_D＝0.3，ρ/N·s²·m^-4＝1.2258，f＝0.0041+0.0000256v，δ＝1.1。

3.根据权利要求1所述的基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于：所述步骤一中车速、发动机名义转矩数值可由车载CAN总线信息获得。

4.根据权利要求1所述的基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于：所述步骤四中，在坡度估计算法中，当车辆平稳行驶时，采用Sage-Husa算法进行噪声的自适应估计，减少系统的状态估计误差，提高滤波器的观测精度，当车辆行驶状态发生突变时，采用STF算法提高卡尔曼滤波的跟踪估计能力，增强估计算法的鲁棒性，因此，可以将Sage-Husa算法与STF算法结合起来使用，在一个滤波周期内，结合库索夫可夫HT滤波收敛判据，在滤波收敛时，采用Sage-Husa算法估计坡度，在滤波发散时，采用STF算法估计坡度。

Images