CN111559380B - 一种车辆主动安全控制方法及装置 - Google Patents

一种车辆主动安全控制方法及装置 Download PDF

Info

Publication number
CN111559380B
CN111559380B CN202010435122.9A CN202010435122A CN111559380B CN 111559380 B CN111559380 B CN 111559380B CN 202010435122 A CN202010435122 A CN 202010435122A CN 111559380 B CN111559380 B CN 111559380B
Authority
CN
China
Prior art keywords
vehicle
longitudinal gradient
vehicle mass
road longitudinal
road
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.)
Active
Application number
CN202010435122.9A
Other languages
English (en)
Other versions
CN111559380A (zh
Inventor
宋翔
马李刚
蒋慧琳
张磊
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.)
Nanjing Xiaozhuang University
Original Assignee
Nanjing Xiaozhuang University
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 Nanjing Xiaozhuang University filed Critical Nanjing Xiaozhuang University
Priority to CN202010435122.9A priority Critical patent/CN111559380B/zh
Publication of CN111559380A publication Critical patent/CN111559380A/zh
Application granted granted Critical
Publication of CN111559380B publication Critical patent/CN111559380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/16—Driving resistance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种车辆主动安全控制方法及装置，通过建立鲁棒滤波的状态方程和观测方程，得到状态向量和观测向量，将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，基于离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。通过上述方案，基于鲁棒滤波算法，对车辆质量与道路纵向坡度的联合估计，使得处于干扰信号的情况下，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。此外，在保证车辆质量和道路纵向坡度的高精度的同时，满足复杂工况下的应用需求。

Description

一种车辆主动安全控制方法及装置
技术领域
本发明涉及汽车主动安全测量及控制的技术领域，更具体地说，涉及一种车辆主动安全控制方法及装置。
背景技术
随着社会经济的发展，道路交通安全问题日益突出。为降低交通事故的发生，能够防患于未然，主动避免交通事故发生的汽车主动安全技术则显得尤为重要。
目前，常见的汽车主动安全技术主要包括防抱死制动系统(Antilock BrakeSystem，ABS)，车辆电子稳定程序(Electronic Stability Program，ESP)，牵引力控制系统(Traction Control System，TCS)，电控驱动防滑系统(Acceleration Slip Regulation，ASR)，四轮转向稳定控制系统(4 Wheel Steering，4WS)等。上述汽车主动安全系统能有效实施的前提是准确获取汽车状态参数。车辆质量和道路纵向坡度作为ABS，ASR和TCS等纵向主动安全系统中的关键参数，其准确性直接影响到主动安全系统的控制效果。
现有技术中，通过运动学方法和动力学方法，获取车辆质量和道路纵向坡度。运动学方法用于道路纵向坡度的计算，通过对全球定位系统(Global Positioning System，GPS)、惯性传感器和轮速传感器等车载传感器的测量信号进行运动学推算来计算出道路纵向坡度，该方法对传感器精度要求较高，车辆中搭载着低成本传感器，由于低成本传感器精度低，使得通过运动学方法获取道路纵向坡度存在误差，从而影响了主动安全系统的控制效果。而动力学方法对于动力学模型的精度要求较高，且在实际应用过程中会受到其他环境的限制，通过动力学方法获取车辆质量，容易造成获取车辆质量的精度低。
因此，通过动力学方法和运动学方法，获取到的车辆质量和道路纵向坡度的精度低，从而导致主动安全系统控制效果差。
发明内容
有鉴于此，本发明公开了一种车辆主动安全控制方法及装置，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。
为了实现上述目的，现提出的方案如下：
第一方面，本发明公开了一种车辆主动安全控制方法，所述方法包括：
将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量，其中，所述主动安全控制模型包括动力学模型和运动学模型，所述动力学模型用于基于所述车辆状态参数计算车辆质量，并输出所述动力学表示的第一车辆质量，所述运动学模型用于基于所述车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出所述运动学表示的第一道路纵向坡度；
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量；
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三道路纵向坡度和第三车辆质量，其中，所述离散时刻的第三道路纵向坡度和第三车辆质量为各个时刻的道路纵向坡度和车辆质量的集合；
基于所述离散时刻的第三道路纵向坡度和第三车辆质量，执行车辆主动安全控制操作。
可选地，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度，包括：
获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度；
将所述车辆纵向加速度、所述车辆横摆角速度、所述车辆纵向速度和所述车辆侧向速度输入至所述运动学模型，得到运动学表示的第一道路纵向坡度。
可选地，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量，包括：
获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力；
将所述车辆前后轮胎纵向力之和、所述车辆纵向空气阻力和所述车辆后轮滚动阻力输入至所述动力学模型，得到动力学表示的第一车辆质量。
可选地，所述将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，包括：
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Figure GDA0002981881520000031
其中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure GDA0002981881520000032
为所述w1对应的方差，
Figure GDA0002981881520000033
为所述w2对应的方差，状态转移矩阵
Figure GDA0002981881520000034
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure GDA0002981881520000035
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以观测向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Z(k)＝H(k)X(k)+V(k)
其中，Z为观测向量，H为观测阵，V为与W互不相关的零均值观测白噪声向量，
Figure GDA0002981881520000036
可选地，所述将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，包括：
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，所述离散时刻的第三车辆质量和第三道路纵向坡度的计算式为：
Figure GDA0002981881520000041
其中，
Figure GDA0002981881520000042
为第三车辆质量和第三道路纵向坡度的向量，K(k)为滤波增益矩阵，K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1，P(k)为估计误差方差矩阵。
第二方面，本发明公开了一种车辆主动安全控制装置，所述装置包括：
第一计算单元，用于将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量，其中，所述主动安全控制模型包括动力学模型和运动学模型，所述动力学模型用于基于所述车辆状态参数计算车辆质量，并输出所述动力学表示的第一车辆质量，所述运动学模型用于基于所述车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出所述运动学表示的第一道路纵向坡度；
处理单元，用于将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量；
第二计算单元，用于将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，其中，所述离散时刻的第三车辆质量和第三道路纵向坡度为各个时刻的车辆质量和道路纵向坡度的集合；
执行单元，用于基于所述离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。
可选地，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度的所述第一计算单元，包括：
第一获取模块，用于获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度；
第一输入模块，用于将所述车辆纵向加速度、所述车辆横摆角速度、所述车辆纵向速度和所述车辆侧向速度输入至所述运动学模型，得到运动学表示的第一道路纵向坡度。
可选地，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量的所述第一计算单元，包括：
第二获取模块，用于获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力；
第二输入模块，用于将所述车辆前后轮胎纵向力之和、所述车辆纵向空气阻力和所述车辆后轮滚动阻力输入至所述动力学模型，得到动力学表示的第一车辆质量。
可选地，所述处理单元，具体用于：
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Figure GDA0002981881520000051
其中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure GDA0002981881520000052
为运动学系统的高斯白噪声w1对应的方差，
Figure GDA0002981881520000053
为动力学系统的高斯白噪声w2对应的方差，状态转移矩阵
Figure GDA0002981881520000054
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure GDA0002981881520000055
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以观测向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Z(k)＝H(k)X(k)+V(k)
其中，Z为观测向量，H为观测阵，V为与W互不相关的零均值观测白噪声向量，
Figure GDA0002981881520000056
可选地，所述第二计算单元，具体用于：
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，所述离散时刻的第三车辆质量和第三道路纵向坡度的计算式为：
Figure GDA0002981881520000061
其中，
Figure GDA0002981881520000062
为第三车辆质量和第三道路纵向坡度的向量，K(k)为滤波增益矩阵，K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1，P(k)为估计误差方差矩阵。
经由上述技术方案可知，通过建立鲁棒滤波的状态方程和观测方程，得到状态向量和观测向量，将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，基于离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。通过上述方案，基于鲁棒滤波算法，对车辆质量与道路纵向坡度的联合估计，使得处于干扰信号的情况下，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种车辆主动安全控制方法的流程示意图；
图2为本发明实施例公开的直测法、卡尔曼滤波法和本发明的H∞滤波法估计的道路纵向坡度的结果曲线图；
图3为本发明实施例公开的得到运动学表示的第一道路纵向坡度的流程示意图；
图4为本发明实施例公开的得到动力学表示的第一车辆质量的流程示意图；
图5为本发明实施例公开的一种车辆主动安全控制装置的结构示意图。
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。
由背景技术可知，通过运动学方法和动力学方法，获取车辆质量和道路纵向坡度。运动学方法用于道路纵向坡度的计算，通过对全球定位系统(Global PositioningSystem，GPS)、惯性传感器和轮速传感器等车载传感器的测量信号进行运动学推算来计算出道路纵向坡度，该方法对传感器精度要求较高，车辆中搭载着低成本传感器，由于低成本传感器精度低，使得通过运动学方法获取道路纵向坡度存在误差，从而影响了主动安全系统的控制效果。而动力学方法对于动力学模型的精度要求较高，且在实际应用过程中会受到其他环境的限制，通过动力学方法获取车辆质量，容易造成获取车辆质量的精度低。
因此，通过动力学方法和运动学方法，获取到的车辆质量和道路纵向坡度的精度低，从而导致主动安全系统控制效果差。
为了解决该问题，本发明公开了一种车辆主动安全控制方法及装置，基于鲁棒滤波算法，对车辆质量与道路纵向坡度的联合估计，使得处于干扰信号的情况下，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。具体实现方式通过下述实施例具体进行说明。
如图1所示，为本发明实施例公开的一种车辆主动安全控制方法的流程示意图，该车辆主动安全控制方法可以包括如下步骤：
S101：将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量。
其中，主动安全控制模型包括动力学模型和运动学模型，动力学模型用于基于车辆状态参数计算车辆质量，并输出动力学表示的第一车辆质量，运动学模型用于基于车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出运动学表示的第一道路纵向坡度。
车辆状态参数包括车辆纵向速度、车辆侧向速度、车辆纵向加速度、车辆横摆角速度、车辆质量、车辆前后轮胎纵向力之和、纵向空气阻力和车辆后轮的滚动阻力等。
将获取到的车辆状态参数输入至预先建立的运动学模型进行计算，得到运动学表示的第一道路纵向坡度的过程如下：
获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度、车辆侧向速度和道路纵向坡度，将车辆纵向加速度、车辆横摆角速度、车辆纵向速度和车辆侧向速度输入至运动学模型，得到运动学表示的第一道路纵向坡度。
预先建立车辆行驶过程中的运动学模型的过程如下：
为适应复杂环境下汽车主动安全控制对汽车质量和道路纵向坡度的测量与估计要求，首先对汽车进行适当的运动学和动力学建模，针对本发明的应用领域，本发明对于行驶在通常道路交通环境上的前轮转向的四轮车辆(目前应有最广的情况，典型例子如前轮转向的轿车)，可做如下的合理假定：
1)忽略地球旋转速度。
2)忽略汽车的俯仰、侧倾和上下弹跳运动，假设车辆的俯仰角速度、侧倾角速度与垂向速度为零。
3)忽略汽车悬架对轮胎轴上的影响。
4)假定各车轮的路面附着系数状况相同。
根据上述应用要求和假定，本发明针对目前应用较多的前轮转向四轮汽车，忽略地球旋转速度，假设车辆的俯仰角速度、侧倾角速度与垂向速度为零，则可建立车辆行驶过程的运动学方程为：
Figure GDA0002981881520000081
公式(1)中，vx为车辆纵向速度，vy为车辆侧向速度，ax为车辆纵向加速度，ωz为车辆横摆角速度，g为重力加速度，本发明中取g＝9.8m/s2，θ为运动学表示的第一道路纵向坡度，vx上的“·”表示微分。
由公式(1)整理可得公式(2)。
公式(2)为：
Figure GDA0002981881520000082
公式(2)中，车辆纵向速度的微分可通过车辆纵向速度对时间求导得到，考虑到车辆正常行驶中，由于vy数值较小可忽略，则公式(2)可简化成公式(3)。
公式(3)为：
Figure GDA0002981881520000091
通过公式(3)可求出运动学表示的第一道路纵向坡度θ。
获取动力学表示的第一车辆质量的过程如下：
获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力，将车辆前后轮胎纵向力之和、车辆纵向空气阻力、车辆后轮滚动阻力和运动学表示的第一道路纵向坡度输入至动力学模型，得到动力学表示的第一车辆质量。
建立车辆行驶过程的动力学模型的过程如下：
假设各车辆的路面附着系数状况相同，可建立车辆行驶过程中的动力学模型，该动力学模型的计算式为：
max＝Fx-Faero-Frolling-mgsinθ (4)
公式(4)中，m为动力学表示的第一车辆质量，ax为车体坐标下车辆纵向加速度，Fx为车辆前后轮胎纵向力之和，Faero为纵向空气阻力，Frolling是车辆两个后轮的滚动阻力。
车辆前后轮胎纵向力之和Fx的计算式为：
Figure GDA0002981881520000092
其中，Tq为发动机转矩，ig为变速器传动比，i0为主减速器传动比，η为传动系效率，r为车轮半径。
纵向空气阻力Faero的计算式为：
Figure GDA0002981881520000093
其中，Cd为车辆的空气阻力系数，A为迎风面积。
车辆两个后轮的滚动阻力Frolling的计算式为：
Frolling＝mgf (7)
其中，f为滚动阻力系数。
通过公式(4)整理可得到公式(8)。
公式(8)为：
Figure GDA0002981881520000101
将公式(5)，公式(6)和公式(7)，代入公式(8)，即可求出动力学表示的第一车辆质量m。
S102：将运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量。
具体的，获得以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的过程之前，需要建立鲁棒H∞滤波的状态方程和观测方程。
离散化后的鲁棒H∞滤波的状态方程的矩阵形式为：
Figure GDA0002981881520000102
公式(9)中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure GDA0002981881520000103
为运动学系统的高斯白噪声w1对应的方差，
Figure GDA0002981881520000104
为动力学系统的高斯白噪声w2对应的方差，状态转移矩阵
Figure GDA0002981881520000105
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure GDA0002981881520000106
通过公式(9)，即可求出状态向量的方式表示的第二道路纵向坡度和第二车辆质量X(k)。
具体的，获得观测向量的方式表示的第二道路纵向坡度和第二车辆质量的过程为：
建立离散化后的鲁棒H∞滤波的状态方程后，根据公式(3)和公式(8)，建立离散化后的H∞滤波观测方程。
离散化后的H∞滤波观测方程的矩阵形式为：
Z(k)＝H(k)X(k)+V(k) (10)
公式(10)中，Z为观测向量(由传感器测出来)，H为观测阵，V表示与W互不相关的零均值观测白噪声向量，由于观测向量与状态向量都是指车辆质量与道路坡度，所以
Figure GDA0002981881520000111
其中，mm(k)为离散时刻以观测向量的方式表示的第二车辆质量，θm(k)为离散时刻以观测向量的方式表示的第二道路纵向坡度。
mm(k)和θm(k)分别通过传感器的测量值，计算得到的以观测向量的方式表示的第二车辆质量和第二道路纵向坡度。
由公式(11)和公式(12)计算，获得的车辆质量的观测噪声
Figure GDA0002981881520000112
且
Figure GDA0002981881520000113
是均值为0、方差为
Figure GDA0002981881520000114
的高斯白噪声，由公式(11)和公式(12)计算，获得的道路坡度的观测噪声
Figure GDA0002981881520000115
且
Figure GDA0002981881520000116
是均值，取值为0、方差为
Figure GDA0002981881520000117
的高斯白噪声。
其中，V对应的观测噪声方差阵R可表示为:
Figure GDA0002981881520000118
根据公式(3)，得到公式(12)。
公式(12)为：
Figure GDA0002981881520000119
公式(12)中，ax_m为利用微机电系统(Micro Electro Mechanic System，MEMS)传感器所测得的车辆纵向加速度，vx_m为通过车速传感器所获取的车辆纵向速度，
Figure GDA00029818815200001110
为vx_m的微分。
由车速传感器所测得的vx_m车辆纵向速度信号对时间求导来获取，即在每一离散时刻k，得到公式(13)。
公式(13)为：
Figure GDA00029818815200001111
公式(13)中，dt表示采样时间间隔，本发明中，dt＝0.01(秒)。
将公式(13)代入公式(12)中，整理得到以观测向量的方式表示的第二道路纵向坡度θm。
根据公式(8)，得到公式(14)。
公式(14)为：
Figure GDA00029818815200001112
通过公式(14)，可求出以观测向量的方式表示的第二车辆质量mm。
S103：将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三道路纵向坡度和第三车辆质量。
其中，离散时刻的第三车辆质量和第三道路纵向坡度为各个时刻的车辆质量和道路纵向坡度的集合。
将状态向量和观测向量进行滤波递推计算，需建立次优H∞滤波的递推过程，对于一定的正数γ，次优H∞滤波递推过程如下：
状态线性组合的估计：
Figure GDA0002981881520000121
公式(15)中，
Figure GDA0002981881520000122
是Y(k-1)的估计值，Y(k-1)为待估计的向量，
Figure GDA0002981881520000123
是X(k-1)的估计值，L(k-1)为给定的状态量线性组合矩阵。
由于需要估计的向量就是状态变量X(k-1)，所以取L(k-1)为
Figure GDA0002981881520000124
将状态向量和观测向量进行时间修正，时间修正包括状态一步预测和估计误差方差矩阵。
状态一步预测的公式为：
Figure GDA0002981881520000125
估计误差方差矩阵的公式为：
Figure GDA0002981881520000126
其中，
Figure GDA0002981881520000127
I为单位矩阵。
将公式(9)和公式(10)，代入公式(17)，得到P(k)的值。
将状态向量和观测向量进行量测修正，量测修正包括滤波增益矩阵和状态估计。
滤波增益矩阵的公式为：
K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1 (18)
基于公式(17)、
Figure GDA0002981881520000128
和公式(18)，可求出K(k)的值。
状态估计的公式为：
Figure GDA0002981881520000131
基于公式(10)，公式(16)、公式(18)和公式(19)，得到
Figure GDA0002981881520000132
的值，即离散时刻的第三道路纵向坡度和第三车辆质量。
在上述的递推过程中，没有对系统噪声和观测噪声进行任何的假定，可实时、准确地估计出车辆在每个离散时刻第三道路纵向坡度和第三车辆质量。
S104：基于离散时刻的第三道路纵向坡度和第三车辆质量，执行车辆主动安全控制操作。
基于鲁棒H∞滤波算法得到高精度的离散时刻的第三道路纵向坡度和第三车辆质量，用于车辆主动安全的相关控制，提高车辆主动安全系统控制效果。
在一种实际应用场景中，为检验本发明提出的基于H∞鲁棒滤波的车辆质量与道路纵向坡度估计方法的效果，在专业的汽车动力学仿真软件CarSim上进行了仿真验证实验。
CarSim是由美国MSC(Mechanical Simulation Corporation，MSC)公司开发的专门针对车辆动力学的仿真软件，目前已被国际上众多的汽车制造商、零部件供应商所采用，被广泛地应用于现代汽车控制系统的商业开发，已成为汽车行业的标准软件，享有很高的声誉。Carsim内的车辆动力学模型是通过分别对汽车的车体、悬架、转向、制动等各子系统以及各个轮胎的高逼真建模来实现的，具有很高的自由度，能够提供非常接近实际的准确的车辆运行状态信息，因此，Carsim输出的车辆运行状态信息可作为车辆的参考输出。
为了验证本发明方法在无法确切知道干扰信号的统计特性的情况下对于估计大角度道路纵向坡度的适用性，将H∞滤波和直测法，卡尔曼滤波法进行了仿真对比。
选取道路纵向坡度为35°，在仿真中纵向加速度和横向加速度的测量噪声均设为标准差是0.05m/s2的有色噪声，该有色噪声的分布符合二阶滑动平均模型。设定H∞滤波中的γ值为1.2。
表1和图2给出了仿真实验的结果。表1列出了利用直测法、卡尔曼滤波法和本发明方法推算车辆质量和道路纵向坡度的统计结果对比，表1中的误差均是相对于参考值而言的。
另外需指出的是，直测法是指用利用公式(3)和公式(8)直接计算出的运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量，卡尔曼滤波是指利用传统卡尔曼滤波取代H∞鲁棒滤波来推算道路纵向坡度和车辆质量，本发明是利用基于H∞滤波来推算离散时刻的第三道路纵向坡度和第三车辆质量。
Figure GDA0002981881520000141
表1
图2为直测法、卡尔曼滤波法和本发明的H∞滤波法估计的道路纵向坡度的结果曲线，图2中横坐标为仿真时间，单位为s，纵坐标为道路纵向坡度，单位为deg，图2中以灰色点线表示直测法结果，灰色细实线表示卡尔曼滤波法估计结果，黑色粗实线表示本发明的H∞滤波法估计结果。直测法的线的波动范围大于卡尔曼滤波法的线的波动范围，卡尔曼滤波法的线的波动范围大于本发明的H∞滤波法的线的范围。
由表1及图2，可以看出本发明方法估计的车辆质量和道路纵向坡度相对于直测法和卡尔曼滤波法在精度上有了大幅的提高，在无法确切知道干扰信号的统计特性的情况估算出车辆质量和较大角度的道路纵向坡度，估计结果可以满足实际应用的精度与实时性要求。
本发明实施例公开的一种车辆主动安全控制方法，通过建立鲁棒滤波的状态方程和观测方程，得到状态向量和观测向量，将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，基于离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。通过上述方案，基于鲁棒滤波算法，对车辆质量与道路纵向坡度的联合估计，使得处于干扰信号的情况下，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。
上述S101中涉及到将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度的过程，如图3所示，具体包括如下步骤：
S301：获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度。
S302：将车辆纵向加速度、车辆横摆角速度、车辆纵向速度和车辆侧向速度输入至运动学模型，得到运动学表示的第一道路纵向坡度。
S301-S302的执行过程与上述S101的执行过程一致，可参考，此处不再进行赘述。
本发明实施例中，通过获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度，将车辆纵向加速度、车辆横摆角速度、车辆纵向速度和车辆侧向速度输入至运动学模型，实现得到运动学表示的第一道路纵向坡度的目的。
上述S101中涉及到将车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量的过程，如图4所示，具体包括如下步骤：
S401：获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力。
S402：将车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力输入至动力学模型，得到动力学表示的第一车辆质量。
S401-S402的执行过程与上述S101的执行过程一致，可参考，此处不再进行赘述。
本发明实施例中，通过获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力，将车辆前后轮胎纵向力之和、车辆纵向空气阻力、车辆后轮滚动阻力输入至动力学模型，实现得到动力学表示的第一车辆质量的目的。
基于上述实施例公开的一种车辆主动安全控制方法，本发明实施例还对应公开了一种车辆主动安全控制装置，如图5所示，该车辆主动安全控制装置包括：
第一计算单元501，用于将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量。
其中，主动安全控制模型包括动力学模型和运动学模型，动力学模型用于基于车辆状态参数计算车辆质量，并输出动力学表示的第一车辆质量，运动学模型用于基于车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出运动学表示的第一道路纵向坡度。
进一步的，将车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度的第一计算单元501，包括：
第一获取模块，用于获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度。
第一输入模块，用于将车辆纵向加速度、车辆横摆角速度、车辆纵向速度和车辆侧向速度输入至运动学模型，得到运动学表示的第一道路纵向坡度。
进一步的，将车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量的第一计算单元501，包括：
第二获取模块，用于获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力。
第二输入模块，用于将车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力输入至动力学模型，得到动力学表示的第一车辆质量。
处理单元502，用于将运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量。
进一步的，处理单元502，具体用于将运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Figure GDA0002981881520000161
其中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure GDA0002981881520000162
为w1对应的方差，
Figure GDA0002981881520000163
为w2对应的方差，状态转移矩阵
Figure GDA0002981881520000171
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure GDA0002981881520000172
将运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，以观测向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Z(k)＝H(k)X(k)+V(k)
其中，Z为观测向量，H为观测阵，V为与W互不相关的零均值观测白噪声向量，
Figure GDA0002981881520000173
第二计算单元503，用于将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三道路纵向坡度和第三车辆质量。
其中，离散时刻的第三道路纵向坡度和第三车辆质量为各个时刻的道路纵向坡度和车辆质量的集合。
进一步的，第二计算单元503，具体用于将状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，离散时刻的第三车辆质量和第三道路纵向坡度的计算式为：
Figure GDA0002981881520000174
其中，
Figure GDA0002981881520000175
为第三车辆质量和第三道路纵向坡度的向量，K(k)为滤波增益矩阵，K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1，P(k)为估计误差方差矩阵。
执行单元504，用于基于离散时刻的第三道路纵向坡度和第三车辆质量，执行车辆主动安全控制操作。
本发明实施例公开了一种车辆主动安全控制装置，通过建立鲁棒滤波的状态方程和观测方程，得到状态向量和观测向量，将状态向量和观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，基于离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。通过上述方案，基于鲁棒滤波算法，对车辆质量与道路纵向坡度的联合估计，使得处于干扰信号的情况下，实时、准确的得到高精度的车辆质量与道路纵向坡度，通过得到高精度的车辆质量和道路纵向坡度，执行车辆主动安全控制操作，从而提高车辆主动安全系统控制效果。此外，在保证车辆质量和道路纵向坡度的高精度的同时，满足复杂工况下的应用需求。
本发明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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
需要说明的是，本发明中作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车辆主动安全控制方法，其特征在于，所述方法包括：
将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量，其中，所述主动安全控制模型包括动力学模型和运动学模型，所述动力学模型用于基于所述车辆状态参数计算车辆质量，并输出所述动力学表示的第一车辆质量，所述运动学模型用于基于所述车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出所述运动学表示的第一道路纵向坡度；
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量；
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三道路纵向坡度和第三车辆质量，其中，所述离散时刻的第三道路纵向坡度和第三车辆质量为各个时刻的道路纵向坡度和车辆质量的集合；
基于所述离散时刻的第三道路纵向坡度和第三车辆质量，执行车辆主动安全控制操作。
2.根据权利要求1所述的方法，其特征在于，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度，包括：
获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度；
将所述车辆纵向加速度、所述车辆横摆角速度、所述车辆纵向速度和所述车辆侧向速度输入至所述运动学模型，得到运动学表示的第一道路纵向坡度。
3.根据权利要求1所述的方法，其特征在于，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量，包括：
获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力；
将所述车辆前后轮胎纵向力之和、所述车辆纵向空气阻力和所述车辆后轮滚动阻力输入至所述动力学模型，得到动力学表示的第一车辆质量。
4.根据权利要求1所述的方法，其特征在于，所述将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，包括：
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Figure FDA0002981881510000021
其中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure FDA0002981881510000022
Figure FDA0002981881510000023
为所述w1对应的方差，
Figure FDA0002981881510000024
为所述w2对应的方差，状态转移矩阵
Figure FDA0002981881510000025
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure FDA0002981881510000026
其中，m为动力学表示的第一车辆质量，θ为运动学表示的第一道路纵向坡度；
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以观测向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Z(k)＝H(k)X(k)+V(k)
其中，Z为观测向量，H为观测阵，V为与W互不相关的零均值观测白噪声向量，
Figure FDA0002981881510000027
其中，mm(k)为离散时刻以观测向量的方式表示的第二车辆质量，θm(k)为离散时刻以观测向量的方式表示的第二道路纵向坡度，
Figure FDA0002981881510000028
为车辆质量的观测噪声，
Figure FDA0002981881510000029
为道路坡度的观测噪声。
5.根据权利要求4所述的方法，其特征在于，所述将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，包括：
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，所述离散时刻的第三车辆质量和第三道路纵向坡度的计算式为：
Figure FDA0002981881510000031
其中，
Figure FDA0002981881510000032
为第三车辆质量和第三道路纵向坡度的向量，K(k)为滤波增益矩阵，K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1，P(k)为估计误差方差矩阵，I为单位矩阵。
6.一种车辆主动安全控制装置，其特征在于，所述装置包括：
第一计算单元，用于将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度和动力学表示的第一车辆质量，其中，所述主动安全控制模型包括动力学模型和运动学模型，所述动力学模型用于基于所述车辆状态参数计算车辆质量，并输出所述动力学表示的第一车辆质量，所述运动学模型用于基于所述车辆状态参数计算车辆行驶过程中的道路纵向坡度，并输出所述运动学表示的第一道路纵向坡度；
处理单元，用于将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，分别得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，以及以观测向量的方式表示的第二道路纵向坡度和第二车辆质量；
第二计算单元，用于将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，其中，所述离散时刻的第三车辆质量和第三道路纵向坡度为各个时刻的车辆质量和道路纵向坡度的集合；
执行单元，用于基于所述离散时刻的第三车辆质量和第三道路纵向坡度，执行车辆主动安全控制操作。
7.根据权利要求6所述的装置，其特征在于，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的第一道路纵向坡度的所述第一计算单元，包括：
第一获取模块，用于获取车辆纵向加速度，车辆横摆角速度、车辆纵向速度和车辆侧向速度；
第一输入模块，用于将所述车辆纵向加速度、所述车辆横摆角速度、所述车辆纵向速度和所述车辆侧向速度输入至所述运动学模型，得到运动学表示的第一道路纵向坡度。
8.根据权利要求6所述的装置，其特征在于，将所述车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到动力学表示的第一车辆质量的所述第一计算单元，包括：
第二获取模块，用于获取车辆前后轮胎纵向力之和、车辆纵向空气阻力和车辆后轮滚动阻力；
第二输入模块，用于将所述车辆前后轮胎纵向力之和、所述车辆纵向空气阻力和所述车辆后轮滚动阻力输入至所述动力学模型，得到动力学表示的第一车辆质量。
9.根据权利要求6所述的装置，其特征在于，所述处理单元，具体用于：
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以状态向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以状态向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Figure FDA0002981881510000041
其中，k为离散时刻，X为状态向量的方式表示的第二道路纵向坡度和第二车辆质量，X＝[x1 x2]′，x1＝m，x2＝θ，即X＝[m θ]′，上角标'为对矩阵转置，W为零均值的系统高斯白噪声向量，且W＝[w1 w2]′，w1为运动学系统的高斯白噪声分量，w2为动力学系统的高斯白噪声分量，W对应的系统噪声协方差阵Q为：
Figure FDA0002981881510000042
Figure FDA0002981881510000043
为运动学系统的高斯白噪声分量w1对应的方差，
Figure FDA0002981881510000044
为动力学系统的高斯白噪声分量w2对应的方差，状态转移矩阵
Figure FDA0002981881510000045
Γ(k-1)为基于运动学和动力学的系统噪声输入矩阵，
Figure FDA0002981881510000046
其中，m为动力学表示的第一车辆质量，θ为运动学表示的第一道路纵向坡度；
将所述运动学表示的第一道路纵向坡度和所述动力学表示的第一车辆质量输入至预先建立的鲁棒H∞滤波模型进行离散化处理，得到以观测向量的方式表示的第二道路纵向坡度和第二车辆质量，所述以观测向量的方式表示的第二道路纵向坡度和第二车辆质量的计算式为：
Z(k)＝H(k)X(k)+V(k)
其中，Z为观测向量，H为观测阵，V为与W互不相关的零均值观测白噪声向量，
Figure FDA0002981881510000051
其中，mm(k)为离散时刻以观测向量的方式表示的第二车辆质量，θm(k)为离散时刻以观测向量的方式表示的第二道路纵向坡度，
Figure FDA0002981881510000052
为车辆质量的观测噪声，
Figure FDA0002981881510000053
为道路坡度的观测噪声。
10.根据权利要求9所述的装置，其特征在于，所述第二计算单元，具体用于：
将所述状态向量和所述观测向量进行滤波递推计算，得到离散时刻的第三车辆质量和第三道路纵向坡度，所述离散时刻的第三车辆质量和第三道路纵向坡度的计算式为：
Figure FDA0002981881510000054
其中，
Figure FDA0002981881510000055
为第三车辆质量和第三道路纵向坡度的向量，K(k)为滤波增益矩阵，K(k)＝P(k)H′(k)(I+H(k)P(k)H′(k))-1，P(k)为估计误差方差矩阵，I为单位矩阵。
CN202010435122.9A 2020-05-21 2020-05-21 一种车辆主动安全控制方法及装置 Active CN111559380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010435122.9A CN111559380B (zh) 2020-05-21 2020-05-21 一种车辆主动安全控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010435122.9A CN111559380B (zh) 2020-05-21 2020-05-21 一种车辆主动安全控制方法及装置

Publications (2)

Publication Number Publication Date
CN111559380A CN111559380A (zh) 2020-08-21
CN111559380B true CN111559380B (zh) 2021-06-01

Family

ID=72073509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010435122.9A Active CN111559380B (zh) 2020-05-21 2020-05-21 一种车辆主动安全控制方法及装置

Country Status (1)

Country Link
CN (1) CN111559380B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111959516B (zh) * 2020-09-02 2023-08-01 上海智驾汽车科技有限公司 一种车辆状态与路面附着系数联合估计的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103661393A (zh) * 2012-08-31 2014-03-26 福特全球技术公司 运动学道路坡度估计
CN107247824A (zh) * 2017-05-23 2017-10-13 重庆大学 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN107826124A (zh) * 2017-11-02 2018-03-23 潍柴动力股份有限公司 一种基于发动机制动的整车下坡提示方法及系统
CN108944935A (zh) * 2018-05-31 2018-12-07 重庆大学 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
KR20180138324A (ko) * 2017-06-21 2018-12-31 한양대학교 산학협력단 차로 유지 제어 장치 및 방법
CN109910905A (zh) * 2019-03-01 2019-06-21 同济大学 基于坡度估计修正的分布式驱动汽车多工况车速估计方法
CN110395266A (zh) * 2019-08-14 2019-11-01 厦门金龙联合汽车工业有限公司 一种关于公交车质量变化和道路坡度解耦的估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITTO20130584A1 (it) * 2013-07-11 2015-01-12 Fiat Ricerche Stima della massa di un veicolo e della pendenza della strada

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103661393A (zh) * 2012-08-31 2014-03-26 福特全球技术公司 运动学道路坡度估计
CN107247824A (zh) * 2017-05-23 2017-10-13 重庆大学 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
KR20180138324A (ko) * 2017-06-21 2018-12-31 한양대학교 산학협력단 차로 유지 제어 장치 및 방법
CN107826124A (zh) * 2017-11-02 2018-03-23 潍柴动力股份有限公司 一种基于发动机制动的整车下坡提示方法及系统
CN108944935A (zh) * 2018-05-31 2018-12-07 重庆大学 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
CN109910905A (zh) * 2019-03-01 2019-06-21 同济大学 基于坡度估计修正的分布式驱动汽车多工况车速估计方法
CN110395266A (zh) * 2019-08-14 2019-11-01 厦门金龙联合汽车工业有限公司 一种关于公交车质量变化和道路坡度解耦的估算方法

Also Published As

Publication number Publication date
CN111559380A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
Han et al. Adaptive scheme for the real-time estimation of tire-road friction coefficient and vehicle velocity
Yoon et al. Unified chassis control for rollover prevention and lateral stability
Zhao et al. Design of a nonlinear observer for vehicle velocity estimation and experiments
CN111806449A (zh) 一种纯电动车的整车质量和路面坡度的估算方法
CN111547059A (zh) 一种分布式驱动电动汽车惯性参数估计方法
US6745112B2 (en) Method of estimating quantities that represent state of vehicle
CN110588657B (zh) 一种针对车辆运动状态及道路坡度的联合估计方法
CN113359457B (zh) 智能车底盘域控制器的高维动力学模型解算装置及方法
CN108819950A (zh) 汽车稳定性控制系统的车速估计方法及系统
Jung et al. Real-time individual tire force estimation for an all-wheel drive vehicle
Wang et al. An integrated scheme for coefficient estimation of tire–road friction with mass parameter mismatch under complex driving scenarios
CN113799783B (zh) 应用于车辆的道路横向坡度测量方法及系统
CN113247004A (zh) 一种车辆质量与道路横向坡度的联合估计方法
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
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
CN111559380B (zh) 一种车辆主动安全控制方法及装置
Tian et al. Vehicle state estimation based on multidimensional information fusion
Boada et al. A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation
US20030089542A1 (en) Method of estimating quantities that represent state of vehicle
Cheng et al. A hierarchical estimation scheme of tire-force based on random-walk SCKF for vehicle dynamics control
CN114043986B (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
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
CN111572552B (zh) 一种车辆主动安全控制方法及装置
CN115422837A (zh) 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法
Sen et al. Estimation of tire slip-angles for vehicle stability control using Kalman filtering approach

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