CN111845755A

CN111845755A - 一种车辆纵向车速估计方法

Info

Publication number: CN111845755A
Application number: CN202010520884.9A
Authority: CN
Inventors: 付翔; 赵熙金; 李东园; 杨鹏; 刘道远; 吴森
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2020-06-10
Filing date: 2020-06-10
Publication date: 2020-10-30
Anticipated expiration: 2040-06-10
Also published as: CN111845755B

Abstract

本发明公开了一种车辆纵向车速估计方法，所述方法包括：计算各车轮的等效车轮转动角加速度；计算相应车轮的实际车轮转动角加速度；将等效车轮转动角加速度和对应车轮的实际车轮转动角加速度的偏差、车轮滑转/滑移率作为车轮失稳判定依据，确定车辆实时失稳车轮数量和组合情况；根据车辆实时失稳车轮数量和组合情况进行纵向车速计算；计算道路坡度角；根据道路坡度角对所计算的纵向车速进行校正。本发明能够提高车辆参数估计的工况适应性。

Description

一种车辆纵向车速估计方法

技术领域

本发明涉及一种车辆纵向车速估计方法，属于车辆控制技术领域。

背景技术

越野车辆在军事机动、抢险救灾等领域发挥着重要作用，而分布式驱动的轮毂电机车辆又是近年来新能源汽车研究热点，其独特的驱动特点可以更好的使车辆适应于越野工况。但由于越野工况具有路面起伏、附着条件多变、高噪声的特点，这也增加了车辆于越野道路的控制难度。对车辆进行纵向车速与道路坡度参数的获取是车辆动力学控制的基础，对参数估计的精度以及实时性问题将直接影响控制效果。

对于车辆纵向车速的估计方法主要分为两类：运动学方法和动力学方法。运动学方法具有较好的估计实时性，应用相对广泛，但车辆非线性特征、传感器测量噪声及误差等对估计精度有较大影响，单一估计算法对复杂多变的越野工况适应性较差；动力学方法依赖于高精度的车辆动力学模型及轮胎模型，其高精度和较好的滤波性能以较大的计算量为代价，实时性一般，同时对于纵向驱动力估计和实时噪声获取有较高要求，对于高噪声的越野工况难以保证。

对于道路坡度的估计主要分为：运动学方法、动力学方法以及运动学于动力学相结合的估计方法。运动学方法往往基于传感器测量原理采用多传感器融合滤波的方法进行道路坡度估计，实时性较好，但其估计精度受传感器静态偏差、噪声估计影响，在越野工况下适应性较差；动力学方法基于车辆纵向动力学模型进行估计，其估计精度与模型精度及整车质量相关，适用于整车质量变化较小的车辆；运动学与动力学结合的方法，对运动学及动力学方法的误差频率进行分析，采用各自精度较高频段信息融合估计，估计精度较高，但其固定频段进行融合的方法对于噪声多变的工况适应性仍有待研究。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种车辆纵向车速估计方法，能够提高车辆参数估计的工况适应性。

为达到上述目的，本发明是采用下述技术方案实现的：

一种车辆纵向车速估计方法，所述方法包括如下步骤：

计算各车轮的等效车轮转动角加速度；

计算相应车轮的实际车轮转动角加速度；

将等效车轮转动角加速度和对应车轮的实际车轮转动角加速度的偏差、车轮滑转/滑移率作为车轮失稳判定依据，确定车辆实时失稳车轮数量和组合情况；

根据车辆实时失稳车轮数量和组合情况进行纵向车速计算；

自适应估计道路坡度角；

根据道路坡度角对所计算的纵向车速进行校正。

进一步地，所述等效车轮转动角加速度采用下述方法计算获取：

根据车载加速度传感器测得的车辆纵向加速度a_x和车辆横向加速度a_y，计算车辆质心加速度

忽略车辆质心加速度侧偏角，等效车轮轮心加速度

式中，

a_o、

均为向量，

为等效车轮轮心加速度，i＝1,2,3,4,分别表示左前轮、右前轮、左后轮、右后轮；a_o为车辆质心加速度，

为车轮绕车辆质心转动的切向加速度，

为车轮绕车辆质心转动的法向加速度；γ为车辆横摆角速度；B为轮距；a为车辆前轴至车辆质心距离；b为车辆后轴至车辆质心距离；

忽略车轮的侧偏运动，令

等效车轮转动角加速度如下：

式中，

为等效车轮转动角加速度，

车轮的转动线加速度，r为车轮有效滚动半径。

进一步地，所述实际车轮转动角加速度采用下述公式计算获取：

式中，

为实际车轮转动角加速度，n_i为轮毂电机旋变测得的电机转速，i_t为t时刻对应的轮边减速器的减速比；i＝1,2,3,4,分别表示左前轮、右前轮、左后轮、右后轮。

进一步地，车轮失稳的判定方法包括：

若满足等效车轮转动角加速度和对应车轮的实际车轮转动角加速度的偏差大于设定阈值；或者满足

则判定车轮失稳；

式中，

为基于上一时刻纵向车速估计值的车辆滑转/滑移率估计值；s_{x_set}为滑转率门限值；

上一时刻纵向车速估计值；

为车轮转动线速度在x轴上的分量，

r为车轮有效滚动半径；γ为车辆横摆角速度；B为轮距；δ为车轮转角；ω_i为实际车轮转动角速度，可通过旋变信号检测换算得到。

进一步地，根据车辆实时失稳车轮数量和组合情况进行纵向车速计算的方法包括如下步骤：

1)无车轮失稳时，采用平均轮速算法进行纵向车速计算：

其中，v₁、v₂、v₃、v₄分别表示左前轮、右前轮、左后轮、右后轮的纵向换算车速；

表示车辆纵向车速；

2)单轮失稳时，制动工况下采用最大轮速法进行纵向车速计算，驱动工况下最小轮速法进行纵向车速计算：

其中，P_bra为制动踏板开度；

3)异侧两车轮失稳时，对两个未失稳车轮纵向轮速取平均值作为纵向车速，如下式：

(处于稳定状态的车轮序号)

其中，n为处于稳定状态车轮数量；v_i为处于稳定状态车轮的纵向换算车速；i表示处于稳定状态的车轮序号，i＝1,2,3,4；

4)同侧两车轮失稳时，对两个未失稳车轮纵向轮速取平均值后再基于横摆角速度对车辆纵向车速进行修正：

其中，

为车轮转动线速度在x轴上的分量，

r为车轮有效滚动半径，γ为车辆横摆角速度；B为轮毂；δ为车轮转角；ω_i为实际车轮转动角速度，可通过旋变信号检测换算得到。

5)多轮失稳时，采用纵向加速度积分算法计算纵向车速估计值，如下式：

式中，

为上一时刻纵向车速估计值；a_x,m为车载加速度传感器测得的车辆纵向加速度；

采用纵向车速估计值与各轮轮速偏差值作为该模式下纵向车速估计校正项，表示如下：

其中，

为反馈校正项，

为车轮转动线速度在x轴上的分量，

为车辆纵向车速，

为车辆的纵向加速度值；

K_i为反馈校正增益，

为基于上一时刻纵向车速估计值的车辆滑转/滑移率估计值；

综上，多轮失稳时，车辆纵向车速估计算法如下：

进一步地，在纵向车速计算中，在算法切换处采用低通滤波处理，纵向车速如下式所示：

式中，

为t_sw时刻估计输出车速值；t_sw为算法切换对应的采样时间，α为滤波系数，

为t_sw时刻采用新算法的估计车速值，

为上一时刻估计车速值。

进一步地，采用自适应变遗忘因子最小二乘法进行道路坡度角估计。

进一步地，根据道路坡度角采用下述公式对所计算的纵向车速进行校正：

其中：a_x,m为车载加速度传感器测得的车辆纵向加速度；g为重力加速度；

为道路坡度角。

与现有技术相比，本发明所达到的有益效果：

通过纵向车速估计值，对道路坡度值进行了估计，并基于此道路坡度值，对纵向车速估计的输入参数(车辆纵向加速度)进行了修正，形成闭环的反馈系统，有效提高了估计方法的适应性和鲁棒性，为车辆于越野工况的动力学控制提供基础。

附图说明

图1为本发明实施例提供的车辆纵向车速估计方法的总体流程图；

图2为本发明实施例提供的车辆纵向车速估计方法的详细流程图；

图3为60％纵坡车速估计离线仿真数据图；

图4为60％纵坡坡度估计离线仿真数据图；

图5为对接路面加速联合估计离线仿真数据图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1、图2所示，是本发明实施例提供的车辆纵向车速估计方法的总体流程图，包括以下步骤：

步骤S1、基于越野工况的四轮毂电机驱动车辆纵向车速估计：

以车载传感器、陀螺仪等设备获取车辆运动状态信息为基础，根据质心加速度进行等效车轮转动加速度估计，基于车轮是否滑移进行车轮稳定性判断，基于实时失稳车轮数量及组合情况进行纵向车速估计，对得到的车速进行低通滤波优化处理；

步骤1.1、针对越野工况的车速估计以车辆运动状态参数的获取为基础，包括驾驶员输入(加速踏板开度、制动踏板开度、档位信号)，陀螺仪测量的车辆运动状态信息(横/纵向加速度、横摆角速度)，以及轮毂电机旋变装置测量的等效轮速信号，进而对车轮转动加速度进行估计。

步骤1.2、基于质心加速度的等效车轮转动加速度估计：由于车辆在越野工况行驶中，车轮可能存在不同程度的滑转/滑移运动，因此，其转动线速度不能直接等效计算为车辆质心速度，但是车辆质心与车轮轮心在俯视平面内的几何关系固定，通过传感器测量所获取的质心加速度能够通过分析计算，在一定程度上等效为车轮轮心的加速度，进而计算等效车轮转动加速度，并基于此值与轮速传感器微分计算的实际车轮转动加速度进行比较，以此作为车轮稳定性判断依据之一。具体包括如下步骤：

根据车辆运动学模型，假设车辆行驶车轮无滑转/滑移，且车轮无侧偏现象，整车视为刚体，四轮轮心与车辆质心具有固定的几何关系。该工况下，可运用基点法通过实际测得的质心加速度计算等效车轮转动加速度。车辆质心加速度a_o大小可由车载加速度传感器测得的纵向加速度a_x和横向加速度a_y计算得到：

由于该越野车辆常用工况为中低速工况，车辆质心横向加速度相对于质心纵向加速度较小，不考虑轮胎的侧偏特性，因此，质心加速度侧偏角可以忽略，等效车轮轮心加速度可表示为：

式中，

a_o、

均为向量，

为等效车轮轮心加速度，i＝1,2,3,4,分别表示左前轮、右前轮、左后轮、右后轮，其余同理；

为车轮绕车辆质心转动的切向加速度，

为车轮绕车辆质心转动的法向加速度；γ为车辆横摆角速度；B为轮距。

上述模型中忽略车轮的侧偏运动，即车轮的转动线加速度

等于等效车轮轮心加速度：

等效车轮转动角加速度如下：

式中，

为等效车轮转动角加速度，

车轮的转动线加速度，r为车轮有效滚动半径。

根据轮毂电机旋变测得的转速信号计算实际车轮转动角加速度为：

式中，

为实际车轮转动角加速度，n_i为轮毂电机旋变测得的电机转速，i_t为轮边减速器的减速比，t表示时间。

步骤1.3、车轮稳定性判断：依据车轮是否滑转或滑移，对各个车轮进行稳定性判断。各个车轮的等效车轮转动角加速度是基于车辆质心运动状态参数转换计算得到的稳定时车轮运动状态参数，而通过电机转速信号计算得到的实际车轮转动角加速度为车轮的实际状态参数，因此，将上述两个参数差异作为一个稳定性判定条件。同时，为了提高判断结果的可靠性，将基于上一时刻估计车速计算得到的车轮滑转/滑移率作为另一个稳定性判定条件。当某车轮运动状态满足上述两条判定条件中的任意一条时，认为该车轮发生滑转或滑移，判定该车轮失稳，其轮速测量值对于纵向车速估计失真。具体包括如下步骤：

车轮稳定性判定条件如下：当某车轮运动状态满足步骤1.3前述两条判定条件中的任意一条时，认为该车轮发生滑转或滑移，判定该车轮失稳，其轮速测量值对于纵向车速估计失真，不参与后续纵向车速估计过程；此外，当该车轮处于驱动防滑控制状态时，其不参与纵向车速估计。即：

或

其中，

式中，

为实际车轮转动角加速度；

为等效车轮转动角加速度；

为车轮转动加速度偏差门限值；

为车轮转动线速度在x轴上的分量(i＝3、4时，δ＝0；i＝1、3时，第二项取负号，否则取正号)；

上一时刻纵向车速估计值，

为基于上一时刻纵向车速估计值的车辆滑转/滑移率估计值；s_{x_set}为滑转率门限值；δ为车轮转角；P_bra为制动踏板开度；ω_i为实际车轮转动角速度，可通过旋变信号检测换算得到。

步骤1.4、基于实时失稳车轮数量及组合情况的纵向车速估计:分为无车轮失稳、单轮失稳、异侧双车轮失稳、同侧双车轮失稳以及多轮失稳五种失稳车轮组合情况，对于每一种情况，分别采取不同的车速估计方法。具体为：

根据实时的失稳车轮数量及组合状况，采用相应的纵向车速算法：

1)无车轮失稳时，采用平均轮速法，可以较好的保证转向工况下的纵向车速估计准确性：

式中，v₁、v₂、v₃、v₄分别表示左前轮、右前轮、左后轮、右后轮的纵向换算车速；

表示车辆纵向车速

2)单轮失稳时，车辆及车轮运动状态相对稳定，此时采用最大轮速法(制动工况)或最小轮速法(驱动工况)，失稳车轮轮速测量值可剔除，从而保证纵向车速估计的准确性；此外，由于计算量小，可以保证估计的实时性。此时：

3)异侧两车轮失稳时，对两个未失稳车轮纵向轮速取平均值作为纵向车速估计值，如下式：

(处于稳定状态的车轮序号)；

式中，n为处于稳定状态车轮数量；

5)多轮失稳时，车轮轮速信号对于纵向车速估计而言失真严重，因此需要采用纵向加速度积分算法进行车速估计，计算如下式：

式中，a_x,m为传感器测得的纵向加速度值。

由于在越野工况长时间对传感器测得的纵向加速度进行积分计算极易导致车速估计值严重失真，因此，本文采用纵向车速估计值与各轮轮速偏差值作为该模式下车速估计校正项，表示如下：

其中，

为反馈校正项，

为车轮转动线速度在x轴上的分量，

为车辆纵向车速，

为车辆的纵向加速度值。

为防止

过大而对加速度估计值校正过度，引入了饱和函数。此外，同时考虑越野车四个驱动轮轮速信息，反馈校正增益K_i由各轮驱动过程中的滑转率决定：

式中，

为基于上一时刻纵向车速估计值的车辆滑转/滑移率估计值；

综上，多轮失稳时，车辆纵向车速估计算法如下：

步骤1.5、低通滤波优化处理:为防止工况变化过程中，车速估计算法切换造成车速估计值突变，因此在算法切换处采用低通滤波处理。即车速切换标识符上升沿或下降沿处，纵向车速估计值表示如下：

式中，

为t_sw时刻采用新算法的估计车速值，

为上一时刻估计车速值。

S2、基于纵向车速估计值的道路坡度估计：

道路坡度也是轮毂电机驱动越野车辆在进行动力学控制时所必需的参数，而越野工况道路坡度是时变的，并且其变化率及极值较普通工况大，对于坡度估计的实时性要求更高，因此需用易于实现、计算量相对较小、追踪效果好的最小二乘法进行坡度估计。具体包括如下步骤：

由于越野车通过纵坡时往往转向角较小，车速为中低速，车辆的横向速度及横摆角速度相对较小，因此，忽略较小的车轮侧向力，此时纵向动力学方程为：

将上式改写为系统状态方程：

y＝u+b；

式中，F_xi(i＝1,2,3,4)分别为左前、右前、左后、右后驱动轮的纵向驱动力，F_i为坡度阻力；F_f为车辆行驶阻力，f表示滚动阻力系数，g表示地球重力加速度；

为道路坡度角，C_d为空气阻力系数，A为车辆迎风面积，ρ为空气密度，m为车辆质量；y为整车纵向驱动力，

u为质量和速度的函数，

b为整车质量和坡度角的函数，

由于越野工况道路坡度变化率及极值较普通工况大，对于坡度估计的实时性要求更高，因此采用易于实现、计算量相对较小、追踪效果好的最小二乘法进行坡度估计。引入遗忘因子可以降低历史数据的权重，使估计值较快收敛，从而避免“数据饱和”现象。而采用自适应变遗忘因子最小二乘法(AFFRLS)，估计过程中基于系统状态调节遗忘因子，改变历史数据和新数据在估计中的权重，达到快速收敛、稳定跟踪的坡度估计效果。

根据最小二乘法求解原理及系统状态方程，已知y和u，坡度估计需要求解

使得成本函数最小，成本函数表示为：

式中，λ为遗忘因子，且λ∈[0,1]；k表示当前采样时刻；y(i)为第i个采样时刻车辆的纵向力矩阵；u(i)为第i个采样时刻车辆质量和速度的函数值；

为第i个采样时刻车辆整车质量和坡度角的函数值。遗忘因子越大，估计过程中历史数据比重越大，估计精度越高，但是会导致收敛速度变慢。遗忘因子过小，识别精度下降，但是收敛速度会提高。

估计更新方程：

最小二乘增益L(k)计算：

误差协方差P(k)更新方程：

由于车辆在坡度变化率较大工况下，各轮载荷变化引起的滚动半径、轮胎特性的非线性变化较大，其基于车轮旋转动力学估计的纵向驱动力误差增大的原理，设遗忘因子的初值为λ₀，根据纵向驱动力的预测误差来设计自适应遗忘因子。观测向量纵向力的预测误差和预测误差的方差分别为：

式中，n_λ为遗忘因子调节次数；y(k)、

分别为k时刻整车纵向驱动力及纵向驱动力估计值，e_y(k)为纵向力的预误偏差；e_p(k)为观测向量纵向力预测方差；

当预测误差的方差超过事先设定的阈值e_p,set时，认为坡度变化率较大，需要提高估计收敛速度，立刻减少遗忘因子至λ_set，之后随着样本数据的增加再慢慢增大遗忘因子，降低估计值对噪声的敏感性，提高估计精度。实际的遗忘因子计算公式为：

式中：λ_set为该系统的遗忘因子最小阈值；k_λ为遗忘因子调节度。

采用AFFRLS估计得到

根据系统方程可求解坡度角：

式中，

为整车质量和坡度角的函数预测值。

步骤S3、基于运动学的纵向加速度修正：车辆纵向车速估计算法在车轮稳定性判断和复杂工况下的车辆纵向加速度积分估计算法均依赖于车辆的纵向加速度，而由车载加速度传感器测得的车辆纵向加速度包含了路面的坡度信息，且具有环境噪声，会影响纵向车速估计时车轮稳定性判断的准确性，越野工况下长时间的纵向加速度积分会导致纵向车速估计值严重失真。因此，有必要对通过传感器测得的纵向加速度进行坡度自适应修正。

所述步骤S3具体为：

基于车载加速度传感器的惯性测量原理，车辆在纵坡上行驶时，车辆同加速度传感器内置质量块都会受到自身重力沿坡道方向(车辆纵向)的分力，因此，加速度传感器测得的纵向加速度值包含车辆行驶加速度

和重力加速度g在坡道方向(车辆纵向)的分量，关系如下：

因此，获得坡度估计值

后，对传感器测得的车辆纵向加速度进行修正，最终纵向车速估计值为：

本发明需要涉及纵向车速估计计算，车身姿态信息测量装置采用动态倾角传感器(陀螺仪)，本实施例动态倾角传感器型号为SST810。本发明涉及轮毂电机转速的实时检测，检测方法是依据电机旋变信号对电机实时转速进行计算。本实施例中整车控制器采用32位单片机。

利用实车试验验证了本发明的控制效果，选取坡度为60％爬坡试验及对接路面加速实车试验，采集轮毂电机转矩转速数据、车辆俯仰角、车辆纵向速度及加速度等信息，利用实车试验数据进行离线仿真对比试验。

(1)60％爬坡离线仿真：

根据图3中60％纵坡车速估计离线仿真数据图，由于附着条件较好，爬坡过程中并未发生较为严重滑转，主要对坡度估计算法进行验证。图3(a)为纵向车速估计值与GPS测量值对比，可发现整体上纵向车速估计响应性和适应性较好，在各个坡度段偏差均较小；55-70s时道路坡度最大，车轮滑转率小幅增大，但未达到车轮滑转失稳判断条件，因此采用平均轮速法估计，估计车速略大于实际车速，但偏差较小，最大估计误差为1.5km/h。

根据图4中60％纵坡(角度在31°左右)实验坡度估计数据图，图4(a)实测参考值为外挂高精度陀螺仪测得实时车辆俯仰角，爬坡时受悬架影响，其测量值稍大于实际坡度值；与含纵向驱动力估计噪声和误差的估计值相比，本发明提出的AFFRLS估计方法滤波明显、精度提高，估计准确性和响应性均介于采用固定遗忘因子(0.95、0.75)估计方法；图4(c)(d)在48-62s和72-77s的坡度变化较大的过渡段遗忘因子在0.75-0.95间变化，发挥了小遗忘因子系统收敛快的特点，改善了估计的实时性，同时可变遗忘因子在一定程度保证了估计精度，估计绝对误差不超过15％，使其估计精度优于采用0.75遗忘因子估计方法；在45-48s、62-72s和77-85s的坡度变化较小的稳定段，发挥了大遗忘因子估计准确的特点，保证了稳态估计精度，估计绝对误差不超过2％，收敛时间为2s左右。

(2)对接路面加速离线仿真：，

车辆由高附路面驶入低附路面(附着系数：高附0.8，低附0.2)，由于试验场地为平整的对接路面，整个实验过程中坡度变化较小，因此，以车速估计算法验证为主。

图5(a)(b)，在13s时由高附路面驶入低附路面，本发明提出的自适应多模纵向车速估计方法迅速准确的判断失稳车轮并切换估计算法，两前轮滑转失稳时估计算法由四轮平均轮速法切换为异侧非失稳车轮轮速平均估计法，14s时四轮滑转失稳采用改进的加速度积分法；直到20s左右时加速结束，车轮陆续恢复稳定，估计算法迅速切换，证明本文提出的车轮稳定性判定策略具有较好的响应性和工况适应性；图5(a)(c)整个过程中纵向车速估计算法误差较小不超过5km/h，估计误差在5％以内，证明提出的估计算法合理对应不同工况，切换逻辑有效，整体上估计算法具有工况适应性，多轮滑转时的改进加速度积分车速估计法具有较好噪声抑制鲁棒性和估计精度。

图5(d)为水平对接路面加速时的道路坡度估计值，11s时车辆起步加速，由于加速过程中车辆的非线性特征更加明显，以及车轮转速及车辆速度的变化会滞后于电机转矩的输出，因此，急加速时车轮纵向驱动力误差较大，与之相比本发明提出的估计算法滤波明显，误差小于2°，对于车速波动及纵向力估计误差具有较好的鲁棒性。

本发明能够适应实际变附着、低附着、大角度纵坡及其组合工况，具有良好的工况适应性；车速估计算法能车轮稳定性判定准确、实时性好，能够较好的发挥各算法在不同工况下的优势，鲁棒性强；AFFRLS坡度估计算法遗忘因子自适应调节逻辑合理，能够改善大坡度变化率工况下的估计实时性，并保证一定估计精度，而稳定坡度下，估计精度高。

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。