CN111796522B - 一种车辆状态估计方法 - Google Patents
一种车辆状态估计方法 Download PDFInfo
- Publication number
- CN111796522B CN111796522B CN202010684608.6A CN202010684608A CN111796522B CN 111796522 B CN111796522 B CN 111796522B CN 202010684608 A CN202010684608 A CN 202010684608A CN 111796522 B CN111796522 B CN 111796522B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- model
- degree
- equation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种车辆状态估计方法,目的在于寻找更为有效的车辆状态估计的实现方案,其包括如下步骤:根据四轮独立驱动电动汽车的运动学特性,搭建七自由度车辆模型;对所述七自由度车辆模型进行简化,得到适用于估计器的离散模型,进一步改进得到只含白噪声的扩展状态方程;采用Kalman滤波算法,对状态进行估计。本发明通过调整车辆七自由度运动学模型,并基于此改进模型设计了Kalman估计方法,可以有效处理非高斯噪声的模型误差与测量误差,克服了现有四轮独立驱动电动汽车在控制上存在的不足,可以更加精确地估计车辆状态。
Description
技术领域
本发明涉及汽车控制技术领域,特别是涉及一种车辆状态估计方法。
背景技术
在交通安全问题突出、全球能源稀缺、污染问题全球性扩张的时代背景下,电动汽车关键性技术的开发,已经成为各个国家面临的重要课题。现有电动汽车从驱动方式上区分,主要包括集中驱动式电动汽车和分布式驱动电动汽车。
集中驱动式电动汽车通过变速器、减速器等机械传动装置,将电动机输出力矩,传递到左右车轮驱动汽车行驶,其操作实现技术成熟、安全可靠,但存在体积较重,效率相对不高等不足。
分布式驱动电动汽车每个车轮的驱动转矩可单独控制,各个驱动轮之间的运动状态相对独立,与集中驱动式电动汽车相比,其在动力学控制、整车结构设计、能量效率及其它性能方面均有很多优点。
其中,四轮独立驱动的轮毂电机控制技术是目前分布式驱动电动汽车领域最具潜力的一种科技手段。但是,依然存在多执行器耦合、无法精准估计车辆状态参数等控制难题,使得四轮独立驱动电动汽车的控制问题成为一项新的挑战。
可见,现有四轮独立驱动电动汽车在控制上存在不足,无法精准估计车辆状态参数,特别是常常被视为高斯白噪声的模型建模误差与传感器测量误差,因此,需要提供更加优化的车辆状态估计方法。
发明内容
为了寻找更为有效的车辆状态估计的实现方案,本发明提供一种车辆状态估计方法包括如下步骤:
S1:搭建七自由度车辆模型,所述七自由度车辆模型包括整车纵向运动动力学方程、整车横向运动动力学方程、整车横摆运动动力学方程,其中:
所述整车纵向运动动力学方程为:
所述整车横向运动动力学方程为:
所述整车横摆运动动力学方程为:
式中,m为车辆的质量,
x、y为车辆质心在车辆坐标系下的纵向、横向坐标,
ψ代表车辆横摆角,
Fxij和Fyij分别代表车辆的纵向与横向力,下标i、j分别取值为1、2,i对应代表前后轮,j对应代表左右轮,
δ代表前轮转角,
Iz表示车辆的转动惯量,
a代表前轴距,
b代表后轴距,
c代表1/2轮距;
S2:对所述七自由度车辆模型进行简化,得到适用于估计器的离散模型,具体包括如下步骤:
S2.1:将所述七自由度车辆模型改写为状态空间形式,包括:定义状态向量、定义输入向量、定义测量向量,其中:
所述定义状态向量如下:
x(t)=[Vx,Vy,rz,ax,ay,β]
所述定义输入向量如下:
u(t)=[δfl,δfr,ωij]
所述定义测量向量如下:
z(t)=[ax,ay,rz]
β为质心侧偏角,
δfl为左前轮转角,
δfr为右前轮转角,
ωij分别为四轮转速,其中ij=fl,fr,rl,rr;
S2.2:对所述七自由度车辆模型进行简化,表达为下式:
其中,Mz(k)为横摆转矩,
Ts为采样时间,
x(k+1)代表对x(t)的离散化,(k+1)代表下一时刻的变量值,(k)代表当前时刻的变量值;
在设定过程噪声与测量噪声都为非高斯噪声时,方程也可以写作:
xk+1=f(xk,uk)+Bηk
yk=g(xk,uk)+Δk
ηk+1=L1ηk+ωk
Δk+1=L2Δk+vk
式中,xk+1为下一时刻的状态量,
xk为当前时刻的状态量,
yk为当前时刻的输出量,
uk为当前时刻的输入量,
f(·)为状态转移方程,
g(·)为输出方程,
ηk为白噪声驱动的模型误差中的有色噪声,由参数不确定性或建模的不精确带来的,
L1为模型误差中的有色噪声ηk的状态增益,
ωk为模型误差中的有色噪声ηk中的高斯白噪声随机向量,
L2为测量误差中的有色噪声Δk的状态增益,
k是迭代参数,k=1,2,...n,
vk为测量误差中的有色噪声Δk中的高斯白噪声随机向量,
Δk为白噪声驱动的测量误差中的有色噪声,由传感器误差带来的;
S2.3:对有色噪声进行白化处理,得到只含白噪声的增广状态空间方程
进行简化表达,得到:
矩阵C=[(f(·)-L2)g(·) B],
S3:采用Kalman滤波算法,对状态进行估计;
使用步骤S2.3中得到的所述增广状态空间方程,利用Kalman滤波算法进行车辆状态的估计,具体包括如下步骤:
时间更新方程为
P(k+1/k)=AP(k/k)AT+Q
观测更新方程为
K(k+1)=P(k+1/k)CT[CP(k+1/k)CT+R]-1
P(k+1/k+1)=[I-K(k+1)C]P(k+1/k)
P(k+1/k)为状态预估计值的协方差矩阵值,
P(k/k)为上一时刻状态估计值的协方差矩阵值,
P(k+1/k+1)为当前时刻状态估计值的协方差矩阵值,
K(k+1)为滤波增益矩阵,
Q为过程噪声协方差矩阵,
R为测量噪声协方差矩阵。
优选地,所述七自由度车辆模型是基于车辆坐标系建立的,车辆实际路径是建立在惯性坐标系上,两者关系转化如下:
其中,X、Y为车辆质心在惯性坐标系下的坐标,
x、y为车辆质心在车辆坐标系下的坐标,
ψ代表车辆横摆角。
优选地,所述七自由度车辆模型中,各轮胎力的表达为下式:
Fx=fx(α,s,μ,Fz)
Fy=fy(α,s,μ,Fz)
式中,α代表轮胎侧偏角,
s为滑移率,
μ为附着系数,
Fx为轮胎横向力,
Fy为轮胎纵向力,
Fz为轮胎垂向力。
优选地,所述七自由度车辆模型中,轮胎在制动或行驶时滑移率的表达为下式:
式中,s为滑移率,
r为轮胎动态半径,
ω为轮胎角速度,
Vx为车辆纵向速度。
优选地,所述七自由度车辆模型中,轮胎侧偏角α为车辆实际运行方向与轮胎中心面的夹角,可由如下方程描述:
优选地,所述七自由度车辆模型中,考虑到车辆运行过程中的横向与总想加速度引起的载荷转移,各轮垂直载荷可以用如下等式描述:
其中,Fzij代表四轮所受载荷,
hg为车辆质心高度,
l为轴距,
Kf与Kr分别为前后悬架的侧倾刚度,
ms为簧上质量,
hO为非簧载重心高度,
g为重力加速度,
K为轮胎侧偏刚度。
与现有技术相比,本发明一种车辆状态估计具有如下有益效果:
本发明一种车辆状态估计通过调整了车辆七自由度运动学模型,并基于此改进模型设计了Kalman估计方法,可以有效处理非高斯噪声的模型误差与测量误差,克服了现有四轮独立驱动电动汽车在控制上存在的不足,可以更加精确地估计车辆状态。
附图说明
图1为本发明实施例一种车辆状态估计方法的流程示意图;
图2为本发明实施例一种车辆状态估计方法的七自由度模型示意图;
图3为本发明实施例一种车辆状态估计方法的利用Kalman滤波处理白噪声得到车辆状态的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S1、S2等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
下面结合附图对本发明请求保护的一种车辆状态估计方法,以一种考虑有色噪声的四轮独立驱动电动汽车车辆状态估计改进方法为例做详细介绍说明,但如本领域技术人员可以理解的,本发明所涉及的一种车辆状态估计方法不仅限于用于四轮独立驱动电动汽车。
请参阅图1-图3,本发明实施例一种车辆状态估计方法,其包括如下步骤:
S1:根据四轮独立驱动电动汽车的运动学特性,搭建七自由度车辆模型;
理论上建立的模型越接近实际车辆的动力学特性,那么模型输入和输出结果与实际越精确。但由于计算性能的限制和实时性的要求,不仅要满足模型的精度要求,同时要考虑计算复杂度的要求,选用合理的模型,考虑车辆的跟踪过程主要关心车辆的操纵稳定性要求,因此四轮七自由度是一个合理的模型,考虑了车辆的横向,纵向、横摆、以及四轮的旋转自由度,如图2所示。
根据牛顿第二定律通过建立横向、纵向、转矩的平衡方程可得到用于描述车辆非线性特性的动力学模型,包括整车纵向运动动力学方程、整车横向运动动力学方程、整车横摆运动动力学方程,其中:
所述整车纵向运动动力学方程为:
所述整车横向运动动力学方程为:
所述整车横摆运动动力学方程为:
式中,m为车辆的质量,
x、y为车辆质心在车辆坐标系下的纵向、横向坐标,
ψ代表车辆横摆角,
Fxij和Fyij分别代表车辆的纵向与横向力,下标i、j分别取值为1、2,i对应代表前后轮,j对应代表左右轮,
δ代表前轮转角,
Iz表示车辆的转动惯量,
a代表前轴距,
b代表后轴距,
c代表1/2轮距;
S2:对所述七自由度车辆模型进行简化,得到适用于估计器的离散模型,进一步改进,得到只含白噪声的扩展状态方程。具体包括如下步骤:
S2.1:将所述七自由度车辆模型改写为状态空间形式,包括:定义状态向量、定义输入向量、定义测量向量,其中:
所述定义状态向量如下:
x(t)=[Vx,Vy,rz,ax,ay,β] (4)
所述定义输入向量如下:
u(t)=[δfl,δfr,ωij] (5)
所述定义测量向量如下:
z(t)=[ax,ay,rz] (6)
β为质心侧偏角;
δfl为左前轮转角;
δfr为右前轮转角;
ωij分别为四轮转速,其中ij=fl,fr,rl,rr。
S2.2:对连续模型进行离散化,所述七自由度车辆模型可以表达为:
其中,Mz(k)为横摆转矩;
Ts为采样时间;
x(k+1)代表对x(t)的离散化,相似的,其他带(k+1)与(k)的变量,均为对相应连续变量的离散化,(k+1)代表下一时刻的变量值,(k)代表当前时刻的变量值。
在设定过程噪声与测量噪声都为非高斯噪声时,方程也可以写作:
xk+1=f(xk,uk)+Bηk
yk=g(xk,uk)+Δk (8)
ηk+1=L1ηk+ωk
Δk+1=L2Δk+vk
式中,xk+1为下一时刻的状态量;
xk为当前时刻的状态量;
yk为当前时刻的输出量;
uk为当前时刻的输入量;
f(·)为状态转移方程;
g(·)为输出方程;
ηk为白噪声驱动的模型误差中的有色噪声,由参数不确定性或建模的不精确带来的;
L1为模型误差中的有色噪声ηk的状态增益;
ωk为模型误差中的有色噪声ηk中的高斯白噪声随机向量;L2为测量误差中的有色噪声Δk的状态增益;
k是迭代参数,k=1,2,...n;
vk为测量误差中的有色噪声Δk中的高斯白噪声随机向量;
Δk为白噪声驱动的测量误差中的有色噪声,由传感器误差带来的;
下标k+1、k与上式中(k+1)、(k)的含义相同,均代表下一时刻与当前时刻。
S2.3:对有色噪声进行白化处理,得到只含白噪声的增广状态空间方程。首先通过状态扩展消除模型误差中的有色噪声ηk,再通过差分同类观测值可消除测量误差中的有色噪声Δk,由此得到只含白噪声的增广系统的扩展状态方程。
得到:
进行简化表达,得到:
矩阵C=[(f(·)-L2)g(·) B],
需要说明的是,标准的Kalman滤波算法的假设条件是过程噪声和测量噪声是均值为零的高斯白噪声,有色噪声在成熟的估计算法中无法进行有效的处理,会造成估计结果的发散。本发明通过将七自由度车辆模型扩展为增广模型,将有色噪声变为状态量的一部分,对有色噪声进行白化处理,使得对车辆状态的估计可以更加精确。
S3:采用Kalman滤波算法,对状态进行估计,如图3所示;
使用步骤S2.3中得到的离散形式所述增广状态空间方程,利用Kalman滤波算法进行车辆状态的估计,具体包括如下步骤:
时间更新方程为
P(k+1/k)=AP(k/k)AT+Q (12)
观测更新方程为
K(k+1)=P(k+1/k)CT[CP(k+1/k)CT+R]-1 (13)
P(k+1/k+1)=[I-K(k+1)C]P(k+1/k) (15)
P(k+1/k)为状态预估计值的协方差矩阵值;
P(k/k)为上一时刻状态估计值的协方差矩阵值;
P(k+1/k+1)为当前时刻状态估计值的协方差矩阵值;
K(k+1)为滤波增益矩阵;
Q为过程噪声协方差矩阵;
R为测量噪声协方差矩阵。
优选地,所述七自由度车辆模型是基于车辆坐标系建立的,车辆实际路径是建立在惯性坐标系上,两者关系转化如下:
其中,X、Y为车辆质心在惯性坐标系下的坐标,
x、y为车辆质心在车辆坐标系下的坐标,ψ代表车辆横摆角。
优选地,所述七自由度车辆模型中,各轮胎力的表达为下式:
Fx=fx(α,s,μ,Fz) (18)
Fy=fy(α,s,μ,Fz) (19)
式中,α代表轮胎侧偏角,
s为滑移率,
μ为附着系数,
Fx为轮胎横向力,
Fy为轮胎纵向力,
Fz为轮胎垂向力。
优选地,所述七自由度车辆模型中,轮胎在制动或行驶时滑移率的表达为下式:
式中,s为滑移率,
r为轮胎动态半径,
ω为轮胎角速度,
Vx为车辆纵向速度。
根据本发明实施例一种车辆状态估计方法,所述七自由度车辆模型中,轮胎侧偏角α为车辆实际运行方向与轮胎中心面的夹角,可由如下方程描述:
优选地,所述七自由度车辆模型中,各轮轮速与整车状态关系如下:
优选地,所述七自由度车辆模型中,考虑到车辆运行过程中的横向与总想加速度引起的载荷转移,各轮垂直载荷可以用如下等式描述:
其中,Fzij代表四轮所受载荷,
hg为车辆质心高度,
l为轴距,
Kf与Kr分别为前后悬架的侧倾刚度,
ms为簧上质量,
hO为非簧载重心高度,可以假设非簧载重心高度等于轮胎半径,即hO=r,
g为重力加速度,
K为轮胎侧偏刚度。
与现有技术相比,本发明实施例一种车辆状态估计具有如下有益效果:
本发明实施例一种车辆状态估计通过调整车辆七自由度运动学模型,并基于此改进模型设计了Kalman估计方法,可以有效处理非高斯噪声的模型误差与测量误差,克服了现有四轮独立驱动电动汽车在控制上存在的不足,可以更加精确地估计车辆状态。
以上所述实施例仅表达了本发明的部分实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种车辆状态估计方法,其特征在于,包括如下步骤:
S1:搭建七自由度车辆模型,所述七自由度车辆模型包括整车纵向运动动力学方程、整车横向运动动力学方程、整车横摆运动动力学方程,其中:
所述整车纵向运动动力学方程为:
所述整车横向运动动力学方程为:
所述整车横摆运动动力学方程为:
式中,m为车辆的质量,
x、y为车辆质心在车辆坐标系下的纵向、横向坐标,
ψ代表车辆横摆角,
Fxij和Fyij分别代表车辆的纵向与横向力,下标i、j分别取值为1、2,i对应代表前后轮,j对应代表左右轮,
δ代表前轮转角,
Iz表示车辆的转动惯量,
a代表前轴距,
b代表后轴距,
c代表1/2轮距;
S2:对所述七自由度车辆模型进行简化,得到适用于估计器的离散模型,具体包括如下步骤:
S2.1:将所述七自由度车辆模型改写为状态空间形式,包括:定义状态向量、定义输入向量、定义测量向量,其中:
所述定义状态向量如下:
x(t)=[Vx,Vy,rz,ax,ay,β]
所述定义输入向量如下:
u(t)=[δfl,δfr,ωij]
所述定义测量向量如下:
z(t)=[ax,ay,rz]
β为质心侧偏角,
δfl为左前轮转角,
δfr为右前轮转角,
ωij分别为四轮转速,其中ij=fl,fr,rl,rr;
S2.2:对所述七自由度车辆模型进行简化,表达为下式:
其中,Mz(k)为横摆转矩,
Ts为采样时间,
x(k+1)代表对x(t)的离散化,(k+1)代表下一时刻的变量值,(k)代表当前时刻的变量值;
在设定过程噪声与测量噪声都为非高斯噪声时,方程也可以写作:
yk=g(xk,uk)+Δk
ηk+1=L1ηk+ωk
Δk+1=L2Δk+vk
式中,xk+1为下一时刻的状态量,
xk为当前时刻的状态量,
yk为当前时刻的输出量,
uk为当前时刻的输入量,
f(·)为状态转移方程,
g(·)为输出方程,
ηk为白噪声驱动的模型误差中的有色噪声,由参数不确定性或建模的不精确带来的,
L1为模型误差中的有色噪声ηk的状态增益,
ωk为模型误差中的有色噪声ηk中的高斯白噪声随机向量,
L2为测量误差中的有色噪声Δk的状态增益,
k是迭代参数,k=1,2,...n,
vk为测量误差中的有色噪声Δk中的高斯白噪声随机向量,
Δk为白噪声驱动的测量误差中的有色噪声,由传感器误差带来的;
S2.3:对有色噪声进行白化处理,得到只含白噪声的增广状态空间方程
进行简化表达,得到:
矩阵C=[(f(·)-L2)g(·)B],
S3:采用Kalman滤波算法,对状态进行估计;
使用步骤S2.3中得到的所述增广状态空间方程,利用Kalman滤波算法进行车辆状态的估计,具体包括如下步骤:
时间更新方程为
P(k+1/k)=AP(k/k)AT+Q
观测更新方程为
K(k+1)=P(k+1/k)CT[CP(k+1/k)CT+R]-1
P(k+1/k+1)=[I-K(k+1)C]P(k+1/k)
P(k+1/k)为状态预估计值的协方差矩阵值,
P(k/k)为上一时刻状态估计值的协方差矩阵值,
P(k+1/k+1)为当前时刻状态估计值的协方差矩阵值,
K(k+1)为滤波增益矩阵,
Q为过程噪声协方差矩阵,
R为测量噪声协方差矩阵。
3.根据权利要求1所述的一种车辆状态估计方法,其特征在于,所述七自由度车辆模型中,各轮胎力的表达为下式:
Fx=fx(α,s,μ,Fz)
Fy=fy(α,s,μ,Fz)
式中,α代表轮胎侧偏角,
s为滑移率,
μ为附着系数,
Fx为轮胎横向力,
Fy为轮胎纵向力,
Fz为轮胎垂向力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684608.6A CN111796522B (zh) | 2020-07-16 | 2020-07-16 | 一种车辆状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010684608.6A CN111796522B (zh) | 2020-07-16 | 2020-07-16 | 一种车辆状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111796522A CN111796522A (zh) | 2020-10-20 |
CN111796522B true CN111796522B (zh) | 2022-06-03 |
Family
ID=72807284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010684608.6A Active CN111796522B (zh) | 2020-07-16 | 2020-07-16 | 一种车辆状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796522B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112498362B (zh) * | 2020-12-14 | 2022-04-22 | 北京航空航天大学 | 一种考虑传感器故障的独立驱动电动车车辆状态估计方法 |
CN113074739B (zh) * | 2021-04-09 | 2022-09-02 | 重庆邮电大学 | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 |
CN113821891B (zh) * | 2021-09-30 | 2023-10-13 | 上海电机学院 | 一种全向移动机器人动力学模型的建模方法 |
CN114666100B (zh) * | 2022-03-02 | 2023-03-24 | 南京航空航天大学 | 一种智能车辆网络攻击安全检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685507A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 色噪声环境下基于约束Kalman波束形成方法 |
CN108594652A (zh) * | 2018-03-19 | 2018-09-28 | 江苏大学 | 一种基于观测器信息迭代的车辆状态融合估计方法 |
CN110269683A (zh) * | 2019-05-29 | 2019-09-24 | 北京航空航天大学 | 一种基于差分粒子滤波算法的柔性针针尖位置与姿态估计改进方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10360728A1 (de) * | 2003-12-23 | 2005-07-21 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Bestimmung eines Fahrzeugzustandes |
US10065654B2 (en) * | 2016-07-08 | 2018-09-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Online learning and vehicle control method based on reinforcement learning without active exploration |
-
2020
- 2020-07-16 CN CN202010684608.6A patent/CN111796522B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685507A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 色噪声环境下基于约束Kalman波束形成方法 |
CN108594652A (zh) * | 2018-03-19 | 2018-09-28 | 江苏大学 | 一种基于观测器信息迭代的车辆状态融合估计方法 |
CN110269683A (zh) * | 2019-05-29 | 2019-09-24 | 北京航空航天大学 | 一种基于差分粒子滤波算法的柔性针针尖位置与姿态估计改进方法 |
Non-Patent Citations (3)
Title |
---|
分布式驱动电动汽车双无迹卡尔曼滤波状态参数联合观测;金贤建等;《机械工程学报》;20191130;第55卷(第22期);全文 * |
基于卡尔曼滤波的车辆状态与路面附着估计;李刚等;《华南理工大学学报(自然科学版)》;20140831;第42卷(第8期);全文 * |
基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计;张志勇等;《机械工程学报》;20190331;第55卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111796522A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111796522B (zh) | 一种车辆状态估计方法 | |
CN111845775B (zh) | 一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法 | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
Qin et al. | A lateral and longitudinal dynamics control framework of autonomous vehicles based on multi-parameter joint estimation | |
CN111547059A (zh) | 一种分布式驱动电动汽车惯性参数估计方法 | |
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 | |
CN103661398A (zh) | 一种基于滑模观测器的车辆非转向左后轮线速度估计方法 | |
CN111688715B (zh) | 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法 | |
CN111845755B (zh) | 一种车辆纵向车速估计方法 | |
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 | |
CN111959516A (zh) | 一种车辆状态与路面附着系数联合估计的方法 | |
CN109849898A (zh) | 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法 | |
Li et al. | Vehicle velocity estimation for real-time dynamic stability control | |
CN112346337A (zh) | 极限工况下基于后轮主动转向的车辆稳定性控制方法 | |
CN113063414A (zh) | 一种用于视觉惯性slam的车辆动力学预积分构建方法 | |
CN114044003B (zh) | 前后双轴转向车辆的循迹控制方法 | |
CN112660107B (zh) | 一种改善分布式电驱动底盘功率循环的转矩分配方法 | |
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 | |
CN111814258B (zh) | 用于四轮独立电驱动车辆线控转向系统传动比的设计方法 | |
CN113602278A (zh) | 四轮独立驱动电动汽车分布式模型预测路径跟踪控制方法 | |
CN111666636A (zh) | 一种无人车动力学极限特性包络线在线观测方法 | |
Wu et al. | Research on Joint Estimation Algorithm of Intelligent Vehicle Mass and Road Grade | |
CN113650621B (zh) | 面向复杂工况的分布式驱动电动汽车状态参数估计方法 | |
CN114148318B (zh) | 冰雪环境下基于反馈线性化与lqr的车辆路径跟踪方法 | |
Németh et al. | Robust control design for the integration of steering and torque vectoring using a variable-geometry suspension system |
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 |