CN111645699A - 基于多传感器信息融合的模型自适应侧向速度估计方法 - Google Patents

Abstract

本发明公开了一种基于多传感器信息融合的模型自适应侧向速度估计方法，首先参考车辆的侧向加速度、横摆角速度与前轮转向角等信息，设计SR‑UKF算法的自适应过程噪声矩阵与测量噪声矩阵；然后在原估计方法动力学模型的基础上，加入自适应项以融合运动学模型，两模型权重比由自适应项的系数调整；最后，将自适应噪声矩阵和自适应模型代入定SR‑UKF算法进行侧向速度估计。其中，根据侧向加速度和横摆角速度传感器值与动力学模型计算值偏差定义两传感器置信度的基本概率函数，并依照Dempster‑Shafer证据理论融合两传感器信息，从而根据两传感器的观测值定量地计算评估动力学模型的精确度与传感器的不确定性，得出估计方法模型中自适应项的系数值，最终实现模型的自适应。

Description

基于多传感器信息融合的模型自适应侧向速度估计方法

技术领域

本发明涉及侧向速度估算技术领域，具体为一种基于多传感器信息融合的 模型自适应侧向速度估计方法。

背景技术

车辆行驶安全是汽车工业发展从一而终的主题，为了保证车辆的行驶安全， 其稳定性控制是首要的问题。车辆稳定控制系统使用车辆的横纵向速度、加速 度、横摆角速度和质心侧偏角等状态信息，对车辆两侧的驱动或制动力矩进行 控制分配，从而保证车辆的稳定行驶。其中，车辆的横纵向加速度和横摆角速 度都可以通过现有的车载传感器测量得到，而另外一些动力学状态参数则需要 通过使用状态估计的算法估算出来。在传感器测量信息中，传感器噪声与偏差 都不能忽视，因此需要结合动力学模型来对传感器信号进行修正。而动力学模 型在车辆非线性工况下会出现较大的模型误差，因此需要反过来结合传感器信 息来保证估计算法的收敛及准确性。此外，车辆的横纵向速度与加速度会受到 车辆本身俯仰角、侧倾角和横摆角的影响，因此车辆质心侧偏角(侧向速度) 的估计精度总是受限于以上种种因素。

相比于纵向速度而言，车辆的侧向速度相关信息更少，估计难度更高，原 始的卡尔曼滤波估计方法精确性与鲁棒性都无法满足要求，因此需要采用新的 自适应的估计方法来进行侧向速度的估计。

发明内容

本发明的目的在于提出了一种基于多传感器信息融合的模型自适应侧向速 度估计方法，首先参考车辆的侧向加速度、横摆角速度与前轮转向角等信息， 设计SR-UKF算法的自适应过程噪声矩阵与测量噪声矩阵；然后在原估计方法动 力学模型的基础上，加入自适应项以融合运动学模型，两模型权重比由自适应 项的系数调整；最后，将自适应噪声矩阵和自适应模型代入定SR-UKF算法进行 侧向速度估计。其中，根据侧向加速度和横摆角速度传感器值与动力学模型计 算值偏差定义两传感器置信度的基本概率函数，并依照Dempster-Shafer证据 理论融合两传感器信息，从而根据两传感器的观测值定量地计算评估动力学模 型的精确度与传感器的不确定性，得出估计方法模型中自适应项的系数值，最终实现模型的自适应。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于多传感器信息融合的模型自适应侧向速度估计方法，包括以下步 骤：

步骤1：输入传感器数据，包括车辆侧向加速度，横摆角速度，纵向速度， 转向轮偏转角、侧向加速度传感器测量结果，建立车辆动力学模型与运动学模 型，动力学模型中采用魔术公式轮胎模型计算轮胎纵向力和侧向力；

步骤2：为了提高侧向速度估计过程中的鲁棒性与估计精度，对估计方法 进行自适应律设计，即噪声自适应方法为：根据侧向加速度与横摆角速度确定 SR-UKF算法的过程噪声矩阵与测量噪声矩阵，实现不同工况下的噪声自适应， 根据所述侧向力计算结果和侧向加速度传感器测量结果进行对比修正，当侧向 力计算结果和侧向加速度传感器测量结果进行对比得到的侧向力估计残差值 Δe_F,k绝对值较大时，即代表轮胎进入非线性区，魔术公式轮胎模型计算结果精 度下降，因此估计方法中车辆动力学模型与运动学模型的计算结果可靠度下降， 此时，为了降低车辆动力学模型与运动学模型计算结果的权重值，需要对噪声 矩阵进行修正，即相应的增大噪声矩阵中Q矩阵的值；当侧向加速度和横摆角 速度较小时，受传感器噪声的影响，侧向加速度和横摆角速度的测量值的可信 度将会下降，因此相应的需要增大测量噪声矩阵中R矩阵的值；

步骤3：将车辆动力学模型和运动学模型融合建立观测系统模型，并通过 观测系统模型比重自适应项，实现观测系统模型自适应；观测系统模型的自适 应方法为：通过调节观测系统模型比重自适应项系数来调整动力学模型与运动 学模型权重比，而观测系统模型比重自适应项系数的具体数值参照侧向加速度 与横摆角速度传感器信息由Dempster-Shafer证据理论计算得出；其中，观测 系统模型比重自适应项的确定方法为：根据车辆侧向加速度传感器与横摆角速 度传感器的测量信息，计算车辆侧向加速度传感器的测量信息与动力学模型中 的侧向力之间的差值，以及计算横摆角速度传感器的测量信息与动力学模型中 横摆角速度之间的差值，将两个差值作为动力学模型的误差判别统计量；根据 误差判别统计量定义车辆侧向加速度传感器及横摆角速度传感器置信度的基本概率函数，并依照Dempster-Shafer证据理论融合侧向加速度传感器及横摆角 速度传感器的信息值，从而根据侧向加速度传感器与横摆角速度传感器的观测 值定量地计算评估动力学模型的精确度与侧向加速度传感器及横摆角速度传感 器的不确定性，得出观测系统模型中比重自适应项系数的系数值，最终实现观 测系统模型的自适应调节；

步骤4：将噪声矩阵和观测系统模型代入定SR-UKF算法，构成自适应SR-UKF 算法(ASR-UKF)进行侧向速度估计；其中SR-UKF算法(ASR-UKF)步骤包括： 权重计算和Sigma点生成、Sigma点传播、状态值与协方差值更新/时间更新、 估计值与测量值更新/量测更新、卡尔曼滤波增益更新步骤。

上述估计方法中，所述步骤1中，所述建立车辆动力学模型：

选择纵向速度v_x，横向速度v_y以及车身横摆角速度γ作为系统状态量，即 X_k+1＝[v_x,k+1 v_y,k+1 γ_k+1]^T，选择纵向速度v_x，侧向加速度a_y和车身横摆角速度γ作 为观测量，即Z_k＝[v_x,k a_y,k γ_k]^T，侧向加速度a_y和车身横摆角速度γ这两个量都 可以使用车身上已装备的传感器直接测得，由车辆动力学模型可导出离散化的 状态空间方程如公式5.11所示：

所述建立运动学模型：即公式(4.27)

所述轮胎纵向力和侧向力采用模魔术公式进行计算：

魔术公式轮胎模型使用三角函数的组合来拟合轮胎实验数据，使用相同形 式的一条公式即可完整描述轮胎纵向力、侧向力和回正力矩的工况，在轮胎横 纵向力联合作用时同样适用，且拟合精度；因此采用魔术轮胎公式来建立轮胎 模型，纵向力与侧向力计算公式为，公式2.8：

其中B为刚度因子，决定了函数曲线原点处的斜率，同时也可以近似为线 性轮胎模型的刚度系数；C为曲线形状因子，决定了函数曲线的形状；D为峰值 因子，决定了函数曲线的最大值；E为曲线曲率因子，表示函数曲线最大值附 近的曲线形状；λ为车轮的纵向滑移率，α为轮胎侧偏角；

在车辆转弯行驶过程中，轮胎的纵向力和侧向力存在着一定的耦合关系， 此时，魔术轮胎公式计算结果修正如下，公式2.13：

上述估计方法中，所述步骤2中噪声自适应，具体的方法为：

根据侧向加速度构造动力学模型的误差判别统计量如公式5.12所示：

Δe_F,k＝∑F_yij-ma_y (0.5)

其中，

当侧向力计算结果和侧向加速度传感器测量结果进行对比得到的侧向力估 计残差值Δe_F,k绝对值较大时，即代表轮胎进入非线性区，魔术公式轮胎模型计 算结果精度下降，因此估计方法中车辆动力学模型与运动学模型的计算结果可 靠度下降，此时，为了降低车辆动力学模型与运动学模型计算结果的权重值， 需要对噪声矩阵进行修正，即相应的增大噪声矩阵中Q矩阵的值；当侧向加速 度和横摆角速度较小时，受传感器噪声的影响，侧向加速度和横摆角速度的测 量值的可信度将会下降，因此相应的需要增大测量噪声矩阵中R矩阵的值；如 公式5.14和公式5.15所示：

上述公式中，η₁,η₂,η₃,c₁,c₂,c₃为自适应系数，可根据仿真及实车试验来进行标定；Γ为车轮转向角的一阶导数，反映了车辆在横向行驶中的不稳定性。

上述估计方法中，所述步骤3的具体的方法为：

在估计方法模型中加入基于侧向加速度信息的侧向力误差判别统计量 Δe_F,k，以传感器信息对动力学模型进行一定程度上的修正，如公式5.16所示：

其中，τ∈(0,1)；

将公式5.16展开，即：

上述公式5.17将该系数作用表达地更为直观，当该自适应项系数为零时， 公式5.16中的第二项完全为基于魔术轮胎公式的动力学模型；而当系数为1时， 公式5.16中的第二项则完全变为基于加速度传感器的运动学模型；如公式5.18 所示，因此，可以通过参考动力学模型与传感器的差值，计算该自适应项系数 具体的数值，从而实现动力学模型与运动学模型的权重自适应调节，公式5.18：

v_y＝τ·v_y,dynamic+(1-τ)·v_y,kinetic 0≤τ≤1 (0.11)

车身的横摆角速度等于横摆力矩与车身z轴转动惯量比值的积分，如下公 式5.26所示：

则

为动力学模型计算得出的横摆角速度的值，定义横摆角速度动力学模 型误差判别统计量为，公式5.27：

此时Δe_γ反映了根据魔术公式轮胎模型得出的侧向力计算得到的车身横摆角 速度与传感器测量所得到的车身横摆角速度之间的差值，可以用来描述建立的 动力学模型的偏差程度；

定义识别框架Θ＝{d,k}，其中假设d为动力学模型的可信程度，k为动力学 模型的偏差程度；根据误差判别量，定义侧向加速度传感器观测到的动力学模 型精确度的基本概率分配函数为，公式5.28：

同理，车身横摆角速度传感器观测到的动力学模型精确度的基本概率分配函 数为，公式5.29：

首先计算归一化常数K，公式5.30：

然后，计算得动力学模型精确度d的组合mass函数，公式5.31：

传感器信息的精确度k的组合mass函数为，公式5.32：

此时对于d，k的组合mass函数，其信任函数与似然函数值与组合后的mass 函数值都相等，即公式5.33：

Bel({d})＝Pl({d})＝m₁₂({d})

Bel({k})＝Pl({k})＝m₁₂({k}) (0.19)

对于动力学模型自适应项系数，按照下式计算为，公式5.34：

τ＝μBel({d})＝1-μBel({k}) (0.20)

其中μ为标定参数，根据仿真与实际实验进行定义。

与现有技术相比，本发明所达到的有益效果是：本发明从算法模型自适应 调节、噪声矩阵自适应调节和平方根无迹卡尔曼滤波(SR-UKF)算法应用三个 方面实现了车辆侧向车速估计的自适应。首先，参照车辆的侧向加速度和横摆 角速度传感器信息设计SR-UKF算法的过程噪声矩阵与测量噪声矩阵，实现了估 计方法在不同工况下的噪声自适应。然后，在估计方法模型中加入自适应项， 根据D-S证据理论计算自适应项参数的数值，从而定量地分配动力学模型与运 动学模型之间的权重比，实现了估计方法模型的自适应。最后，将自适应噪声 矩阵和自适应模型代入定SR-UKF算法进行侧向速度估计。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发 明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中侧向速度自适应估算方法架构示意图。

图2为验证本发明估计方法在高附着路面双移线工况下侧向速度估计结果 示意图。

图3为验证本发明估计方法在低附着路面双移线工况下侧向速度估计结果 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。

实施例一

考虑到低附着路面情况下车辆模型与轮胎模型的误差，以及有色噪声情况 下传感器的累积误差，本发明提出了一种基于多传感器信息融合的模型自适应 侧向速度估计方法。首先参考车辆的侧向加速度、横摆角速度与前轮转向角等 信息，设计SR-UKF算法的过程噪声矩阵与测量噪声矩阵，从而实现车辆不同工 况下算法噪声的自适应。然后在原估计方法动力学模型的基础上，加入自适应 项以融合运动学模型，两模型权重比由自适应项的系数调整。由于轮毂电机驱 动车辆的纵向力信息较为精确，因此动力学模型的横摆角速度信息基本上反映 了模型中侧向力的精确程度，同样可以将其引入自适应项进行评估计算。根据 车辆ESP中的侧向加速度传感器与横摆角速度传感器测量信息，分别计算其与 动力学模型中的侧向力与横摆角速度之间的差值，以此作为动力学模型的误差 判别统计量。根据该统计量定义两传感器置信度的基本概率函数，并依照 Dempster-Shafer证据理论融合两传感器的信息值，从而根据两传感器的观测 值定量地计算评估动力学模型的精确度与传感器的不确定性，得出估计方法模 型中自适应项的系数值，最终实现模型的自适应，提高侧向速度估计方法的鲁 棒性。

本发明是参考车辆的侧向加速度、横摆角速度与前轮转向角等信息，利用 平方根无迹卡尔曼滤波SR-UKF方法进行车辆侧向速度估计。从而实现车辆不同 工况下算法噪声的自适应。也就是说，本发明核心是利用SR-UKF算法进行估计， 估计之前先根据传感器数据对噪声矩阵和模型进行姿势迎接计算。模型由动力 学和运动学模型两部分组成，两种模型权重(占比)通过D-S证据理论计算。 得到权重后得到自适应模型。其具体架构如图1所示。为了提高侧向速度估计 过程中的鲁棒性与估计精度，对估计方法进行自适应律设计。一方面根据侧向 加速度与横摆角速度定义噪声矩阵，实现不同工况下的噪声自适应；另一方面 在估计方法模型中加入自适应项，通过调节自适应项系数来调整动力学模型与 运动学模型权重比，而自适应项系数的具体数值参照侧向加速度与横摆角速度 传感器信息由Dempster-Shafer证据理论计算得出。

本发明一种基于多传感器信息融合的模型自适应侧向速度估计方法，包括 以下步骤：

步骤1：输入传感器数据，包括车辆侧向加速度，横摆角速度，纵向速度， 转向轮偏转角等，建立车辆动力学模型与运动学模型。

步骤2：为了提高侧向速度估计过程中的鲁棒性与估计精度，对估计方法 进行自适应律设计。噪声自适应方法为：根据侧向加速度与横摆角速度确定 SR-UKF算法的过程噪声矩阵与测量噪声矩阵，实现不同工况下的噪声自适应。 根据侧向力计算结果和侧向加速度传感器测量结果进行对比修正。当侧向力估 计残差值Δe_F,k绝对值较大时，即代表轮胎模型进入非线性区，模型计算结果精 度下降，因此估计方法中对车辆模型的计算结果可靠度下降。此时，为了降低 模型计算结果的权重值，需要对模型噪声矩阵进行修正，即相应的增大Q矩阵 的值。当侧向加速度和横摆角速度较小时，受传感器噪声的影响，测量值的可信度将会下降，因此相应的需要增大测量噪声R矩阵的值。在卡尔曼滤波估计 方法中，调整噪声矩阵的值可以相应的调整模型计算值和传感器测量值之间的 权重比，从而达到模型噪声与量测噪声的自适应。

步骤3：将动力学模型和运动学模型融合建立观测系统模型，并通过模型 比重自适应项实现模型自适应。模型自适应方法为：在估计方法模型中加入自 适应项，通过调节自适应项系数来调整动力学模型与运动学模型权重比，而自 适应项系数的具体数值参照侧向加速度与横摆角速度传感器信息由 Dempster-Shafer证据理论计算得出。其中，模型自适应项(即动力学模型与 运动学模型权重比)的确定方法为：根据车辆的侧向加速度传感器与横摆角速 度传感器测量信息，分别计算其与动力学模型中的侧向力与横摆角速度之间的 差值，以此作为动力学模型的误差判别统计量。根据该统计量定义两传感器置 信度的基本概率函数，并依照Dempster-Shafer证据理论融合两传感器的信息 值，从而根据两传感器的观测值定量地计算评估动力学模型的精确度与传感器 的不确定性，得出估计方法模型中自适应项的系数值，最终实现模型的自适应 性。

步骤4：将自适应噪声矩阵和自适应模型代入定SR-UKF算法进行侧向速度 估计。SR-UKF算法步骤包括：权重计算和Sigma点生成、Sigma点传播、状态 值与协方差值更新/时间更新、估计值与测量值更新/量测更新、卡尔曼滤波增 益更新等步骤。

上述步骤1中，所述建立车辆动力学模型：

选择纵向速度v_x，横向速度v_y以及车身横摆角速度γ作为系统状态量，即 X_k+1＝[v_x,k+1 v_y,k+1 γ_k+1]^T。选择纵向速度v_x，侧向加速度a_y和车身横摆角速度γ作 为观测量，即Z_k＝[v_x,k a_y,k γ_k]^T，侧向加速度a_y和车身横摆角速度γ这两个量都 可以使用车身上已装备的传感器直接测得。由车辆动力学模型可导出离散化的 状态空间方程如公式5.11所示：

上述步骤1中，所述建立运动学模型：即公式(4.27)

上述步骤1中，轮胎纵向力和侧向力采用模魔术公式进行计算。

魔术公式轮胎模型使用三角函数的组合来拟合轮胎实验数据，使用相同形 式的一条公式即可完整描述轮胎纵向力、侧向力和回正力矩的工况，在轮胎横 纵向力联合作用时同样适用，且拟合精度。因此采用魔术轮胎公式来建立轮胎 模型。纵向力与侧向力计算公式为，公式2.8：

其中B为刚度因子，决定了函数曲线原点处的斜率，同时也可以近似为线 性轮胎模型的刚度系数。C为曲线形状因子，决定了函数曲线的形状。D为峰值 因子，决定了函数曲线的最大值。E为曲线曲率因子，表示函数曲线最大值附 近的曲线形状。λ为车轮的纵向滑移率，α为轮胎侧偏角。

在车辆转弯行驶过程中，轮胎的纵向力和侧向力存在着一定的耦合关系。 此时，魔术轮胎公式计算结果修正如下，公式2.13：

上述步骤2中，估计方法噪声自适应，具体的：

我们认为横摆角速度传感器和侧向加速度传感器相对可靠，即观测量Z_k相 对可信，则此时算法残差值e_k可以反映出状态预测

的误差。根据发明方法的 算法结构，质心侧偏角与横纵向速度估计结果将以轮胎侧偏角的形式迭代回魔 术公式轮胎模型计算侧向力，因此可以根据侧向力计算结果和侧向加速度传感 器测量结果进行对比修正。由此根据侧向加速度构造动力学模型的误差判别统 计量如公式5.12所示

Δe_F,k＝∑F_yij-ma_y (0.25)

其中，

当侧向力估计残差值Δe_F,k绝对值较大时，即代表轮胎模型进入非线性区， 模型计算结果精度下降，因此估计方法中对车辆模型的计算结果可靠度下降。 此时，为了降低模型计算结果的权重值，需要对模型噪声矩阵进行修正，即相 应的增大Q矩阵的值。当侧向加速度和横摆角速度较小时，受传感器噪声的影 响，测量值的可信度将会下降，因此相应的需要增大测量噪声R矩阵的值。在 卡尔曼滤波估计方法中，调整噪声矩阵的值可以相应的调整模型计算值和传感 器测量值之间的权重比，从而达到模型噪声与量测噪声的自适应。如公式5.14 和公式5.15所示。

其中，η₁,η₂,η₃,c₁,c₂,c₃为自适应系数，可根据仿真及实车试验来进行标定。Γ 为车轮转向角的一阶导数，反映了车辆在横向行驶中的不稳定性。

上述步骤3，在实际观测和数据处理中，部分噪声都是具有时空相关的有 色噪声，动力学模型误差同样不属于白噪声序列。而在卡尔曼滤波算法则是基 于高斯白噪声假设，因此在实际应用过程中同样会影响其估算结果的精度。为 了减弱模型参数误差与传感器有色噪声对估计结果的影响，增强算法的鲁棒性， 在估计方法模型中加入基于侧向加速度信息的侧向力误差判别统计量Δe_F,k，以 传感器信息对动力学模型进行一定程度上的修正。如公式5.16所示：

其中，τ∈(0,1)。

该动力学模型自适应项意义在于，可以自适应地调整运动学模型与动力学 模型之间的权重值。将公式5.16展开，即：

上述公式5.17将该系数作用表达地更为直观。当该自适应项系数为零时， 公式5.16中的第二项完全为基于魔术轮胎公式的动力学模型。而当系数为1时， 公式5.16中的第二项则完全变为基于加速度传感器的运动学模型。如公式5.18 所示。因此，可以通过参考动力学模型与传感器的差值，计算该自适应项系数 具体的数值，从而实现动力学模型与运动学模型的权重自适应调节。

v_y＝τ·v_y,dynamic+(1-τ)·v_y,kinetic 0≤τ≤1 (0.31)

基于模型自适应的UKF估计方法通过自适应因子来调整噪声，从而补偿模 型不精确带来的误差。在动力学模型中加入基于侧向加速度传感器信息的自适 应项，从而弱化模型参数与加速度传感器噪声累积的影响。同时使用平方根算 法代替原协方差进行迭代，解决了阶跃误差和截断误差使协方差失去正定性导 致滤波无法进行的问题。

引入Dempster-Shafer证据理论，来处理侧向加速度传感器、车身横摆角 速度传感器与车辆动力学模型之间的不确定性信息，从而计算各信息源的概率 值，最终得出动力学模型自适应项系数的具体数值。

上述中估计方法模型自适应项系数计算

在车辆质心侧偏角的估计中，本发明用到了侧向加速度传感器和车身横摆 角速度传感器作为观测量，估测出的质心侧偏角与横纵向速度值将会迭代回魔 术公式轮胎模型，从而计算出各轮胎的侧向力。车辆七自由度动力学模型以魔 术轮胎公式计算出的侧向力为基础，建立了车辆转弯运动时的动力学关系式。 为了评估动力学模型的精确程度，上述中提出了以侧向力计算结果和侧向加速 度传感器测量结果之间的差值作为误差判别统计量，从而参照侧向加速度传感 器信息对动力学模型进行了一定程度上的修正。但是在实际情况中，侧向加速 度传感器可能会受到某些外界因素的干扰，从而使其测量值偏差较大，此时侧 向运动的动力学模型精确程度就变得无法准确修正与评估。由公式5.17得，横摆角速度的动力学模型精度很大程度上取决于四个车轮的纵向力与横向力精 度，而轮毂电机驱动车辆的纵向力可以认为准确已知，因此横摆角速度计算数 值同样能够反映动力学模型侧向力的精度。为了增强算法的鲁棒性，本发明引 入横摆角速度传感器测量信息，建立新的横摆角速度动力学模型误差判别统计 量，与侧向加速度偏差统计量进行交叉验证，结合D-S证据理论评估计算动力 学模型的准确程度，从而计算出最终的动力学模型自适应项系数值。

车身的横摆角速度等于横摆力矩与车身z轴转动惯量比值的积分，如下公 式5.26所示：

则

为动力学模型计算得出的横摆角速度的值。定义横摆角速度动力学模 型误差判别统计量为，公式5.27：

此时Δe_γ反映了根据魔术公式轮胎模型得出的侧向力计算得到的车身横摆 角速度与传感器测量所得到的车身横摆角速度之间的差值，可以用来描述建立 的动力学模型的偏差程度。

定义识别框架Θ＝{d,k}，其中假设d为动力学模型的可信程度，k为动力学 模型的偏差程度。根据误差判别量，定义侧向加速度传感器观测到的动力学模 型精确度的基本概率分配函数为，公式5.28：

同理，车身横摆角速度传感器观测到的动力学模型精确度的基本概率分配 函数为，公式5.29：

首先计算归一化常数K，公式5.30：

然后，计算得动力学模型精确度d的组合mass函数，公式5.31

传感器信息的精确度k的组合mass函数为，公式5.32：

此时对于d，k的组合mass函数，其信任函数与似然函数值与组合后的mass 函数值都相等。即公式5.33

Bel({d})＝Pl({d})＝m₁₂({d})

Bel({k})＝Pl({k})＝m₁₂({k}) (0.39)

对于动力学模型自适应项系数，可以按照下式计算为，公式5.34：

τ＝μBel({d})＝1-μBel({k}) (0.40)

其中μ为标定参数，根据仿真与实际实验进行定义。

上述步骤4，将自适应噪声矩阵和自适应模型代入SR-UKF算法进行侧向速 度估计。SR-UKF算法步骤包括：权重计算和Sigma点生成、Sigma点传播、状 态值与协方差值更新/时间更新、估计值与测量值更新/量测更新、卡尔曼滤波 增益更新等步骤。

SR-UKF算法步骤包括的内容：权重计算和Sigma点生成、Sigma点传播、 状态值与协方差值更新/时间更新、估计值与测量值更新/量测更新、卡尔曼滤 波增益更新步骤均为现有技术步骤。

本发明从系统噪声矩阵、算法模型、SR-UKF算法三个方面实现了车轮侧向 车速估计的自适应。首先，使用RLS算法分别对车辆的质量及质心位置进行了 辨识，减少了因负载变化而产生的动力学模型误差。然后，参照车辆的侧向加 速度和横摆角速度传感器信息设计SR-UKF算法的过程噪声矩阵与测量噪声矩 阵，实现了估计方法在不同工况下的噪声自适应。最后，在估计方法模型中加 入自适应项，根据D-S证据理论计算自适应项参数的数值，从而定量地分配动 力学模型与运动学模型之间的权重比，实现了估计方法模型的自适应。

为验证本发明估计方法的估计效果，通过以下验证方式进行验证：

1、将本发明估计方法在高附着路面双移线工况下进行验证，获得验证效果：

设定路面附着系数为0.85，标准双移线工况，目标车速为60km/h。则高附 着路面双移线工况侧向速度估计误差如下表1所示：

侧向速度估计方法	SR-UKF	ASR-UKF
			均方根误差(km/h)	0.0391	0.0223
最大误差(km/h)	0.0752	0.0646

从表1及附图2可以看出，本发明方法在高附着路面稳定工况下车辆转向 时，SR-UKF算法与基于模型自适应的SR-UKF算法均能很好地跟踪侧向速度的 变化。而在车辆稳定直驶，即转向角较小的情况下，ASR-UKF算法的精确性要 优于SR-UKF，即算法的自适应方法有效。

2、将本发明估计方法在低附着路面双移线工况下进行验证，获取验证效果：

在CarSim中将车辆初始速度设置为48km/h，路面状况设置为冰雪路面， 路面附着系数为0.4，进行双移线工况。前轮转角、各轮轮速、加入高斯白噪 声的侧向加速度信号和横摆角速度信号。

误差分析如下表2所示。

侧向速度估计方法	SR-UKF	ASR-UKF
			均方根误差(km/h)	0.1026	0.0530
最大误差(km/h)	0.3708	0.1588

从表2及图3可以看出，当车辆正常行驶时，ASR-UKF与SR-UKF相差不大， 均能较为精确地跟踪估计出侧向速度的值。而当车辆处于转向角最大，即极端 非线性区时，原始SR-UKF算法则会出现一定的偏差，且随着时间的增加误差会 累积至下一次的稳定行驶状态。而本发明提出的基于模型自适应的SR-UKF算法 仍能很好地跟踪估计侧向速度的值。即本发明方法中算法的自适应规则能够很 好地处理车辆极端工况的动力学状态估计问题。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制 本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术 人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于多传感器信息融合的模型自适应侧向速度估计方法，其特征在于，包括以下步骤：

步骤1：输入传感器数据，包括车辆侧向加速度，横摆角速度，纵向速度，转向轮偏转角、侧向加速度传感器测量结果，建立车辆动力学模型与运动学模型，动力学模型中采用魔术公式轮胎模型计算轮胎纵向力和侧向力；

步骤2：为了提高侧向速度估计过程中的鲁棒性与估计精度，对估计方法进行自适应律设计，即噪声自适应方法为：根据侧向加速度与横摆角速度确定SR-UKF算法的过程噪声矩阵与测量噪声矩阵，实现不同工况下的噪声自适应，根据所述侧向力计算结果和侧向加速度传感器测量结果进行对比修正，当侧向力计算结果和侧向加速度传感器测量结果进行对比得到的侧向力估计残差值绝对值较大时，即代表轮胎进入非线性区，魔术公式轮胎模型计算结果精度下降，因此估计方法中车辆动力学模型与运动学模型的计算结果可靠度下降，此时，为了降低车辆动力学模型与运动学模型计算结果的权重值，需要对噪声矩阵进行修正，即相应的增大噪声矩阵中Q矩阵的值；当侧向加速度和横摆角速度较小时，受传感器噪声的影响，侧向加速度和横摆角速度的测量值的可信度将会下降，因此相应的需要增大测量噪声矩阵中R矩阵的值；

步骤3：将车辆动力学模型和运动学模型融合建立观测系统模型，并通过观测系统模型比重自适应项，实现观测系统模型自适应；观测系统模型的自适应方法为：通过调节观测系统模型比重自适应项系数来调整动力学模型与运动学模型权重比，而观测系统模型比重自适应项系数的具体数值参照侧向加速度与横摆角速度传感器信息由Dempster-Shafer证据理论计算得出；其中，观测系统模型比重自适应项的确定方法为：根据车辆侧向加速度传感器与横摆角速度传感器的测量信息，计算车辆侧向加速度传感器的测量信息与动力学模型中的侧向力之间的差值，以及计算横摆角速度传感器的测量信息与动力学模型中横摆角速度之间的差值，将两个差值作为动力学模型的误差判别统计量；根据误差判别统计量定义车辆侧向加速度传感器及横摆角速度传感器置信度的基本概率函数，并依照Dempster-Shafer证据理论融合侧向加速度传感器及横摆角速度传感器的信息值，从而根据侧向加速度传感器与横摆角速度传感器的观测值定量地计算评估动力学模型的精确度与侧向加速度传感器及横摆角速度传感器的不确定性，得出观测系统模型中比重自适应项系数的系数值，最终实现观测系统模型的自适应调节；

步骤4：将噪声矩阵和观测系统模型代入定SR-UKF算法，构成自适应SR-UKF算法（ASR-UKF）进行侧向速度估计；其中SR-UKF算法（ASR-UKF）步骤包括：权重计算和Sigma点生成、Sigma点传播、状态值与协方差值更新/时间更新、估计值与测量值更新/量测更新、卡尔曼滤波增益更新步骤。

2.如权利要求1所述的估计方法，其特征在于，所述步骤1中，所述建立车辆动力学模型：选择纵向速度，横向速度以及车身横摆角速度作为系统状态量，即，选择纵向速度，侧向加速度和车身横摆角速度作为观测量，即，侧向加速度和车身横摆角速度这两个量都可以使用车身上已装备的传感器直接测得，由车辆动力学模型可导出离散化的状态空间方程如公式5.11所示：

所述建立运动学模型： 即公式（4.27）

所述轮胎纵向力和侧向力采用模魔术公式进行计算：

魔术公式轮胎模型使用三角函数的组合来拟合轮胎实验数据，使用相同形式的一条公式即可完整描述轮胎纵向力、侧向力和回正力矩的工况，在轮胎横纵向力联合作用时同样适用，且拟合精度；因此采用魔术轮胎公式来建立轮胎模型，纵向力与侧向力计算公式为，公式2.8：

其中B为刚度因子，决定了函数曲线原点处的斜率，同时也可以近似为线性轮胎模型的刚度系数；C为曲线形状因子，决定了函数曲线的形状；D为峰值因子，决定了函数曲线的最大值；E为曲线曲率因子，表示函数曲线最大值附近的曲线形状；为车轮的纵向滑移率，为轮胎侧偏角；

在车辆转弯行驶过程中，轮胎的纵向力和侧向力存在着一定的耦合关系，此时，魔术轮胎公式计算结果修正如下，公式2.13：

。

3.如权利要求1所述的估计方法，其特征在于，所述步骤2中噪声自适应，具体的方法为：

根据侧向加速度构造动力学模型的误差判别统计量如公式5.12所示：

其中，

当侧向力计算结果和侧向加速度传感器测量结果进行对比得到的侧向力估计残差值绝对值较大时，即代表轮胎进入非线性区，魔术公式轮胎模型计算结果精度下降，因此估计方法中车辆动力学模型与运动学模型的计算结果可靠度下降，此时，为了降低车辆动力学模型与运动学模型计算结果的权重值，需要对噪声矩阵进行修正，即相应的增大噪声矩阵中Q矩阵的值；当侧向加速度和横摆角速度较小时，受传感器噪声的影响，侧向加速度和横摆角速度的测量值的可信度将会下降，因此相应的需要增大测量噪声矩阵中R矩阵的值；如公式5.14和公式5.15所示：

上述公式中，为自适应系数，可根据仿真及实车试验来进行标定；为车轮转向角的一阶导数，反映了车辆在横向行驶中的不稳定性。

4.如权利要求1所述的估计方法，其特征在于，所述步骤3的模型自适应的具体方法为：

在估计方法模型中加入基于侧向加速度信息的侧向力误差判别统计量，以传感器信息对动力学模型进行一定程度上的修正，如公式5.16所示：

其中，；

将公式5.16展开，即：

上述公式5.17将该系数作用表达地更为直观，当该自适应项系数为零时，公式5.16中的第二项完全为基于魔术轮胎公式的动力学模型；而当系数为1时，公式5.16中的第二项则完全变为基于加速度传感器的运动学模型；如公式5.18所示，因此，可以通过参考动力学模型与传感器的差值，计算该自适应项系数具体的数值，从而实现动力学模型与运动学模型的权重自适应调节，公式5.18：

车身的横摆角速度等于横摆力矩与车身z轴转动惯量比值的积分，如下公式5.26所示：

则为动力学模型计算得出的横摆角速度的值，定义横摆角速度动力学模型误差判别统计量为，公式5.27：

此时反映了根据魔术公式轮胎模型得出的侧向力计算得到的车身横摆角速度与传感器测量所得到的车身横摆角速度之间的差值，可以用来描述建立的动力学模型的偏差程度；

定义识别框架，其中假设d为动力学模型的可信程度，k为动力学模型的偏差程度；根据误差判别量，定义侧向加速度传感器观测到的动力学模型精确度的基本概率分配函数为，公式5.28：

同理，车身横摆角速度传感器观测到的动力学模型精确度的基本概率分配函数为，公式5.29：

首先计算归一化常数K，公式5.30：

然后，计算得动力学模型精确度d的组合mass函数，公式5.31：

传感器信息的精确度k的组合mass函数为，公式5.32：

此时对于d，k的组合mass函数，其信任函数与似然函数值与组合后的mass函数值都相等，即公式5.33：

对于动力学模型自适应项系数，按照下式计算为，公式5.34：

其中μ为标定参数，根据仿真与实际实验进行标定。

Images