CN112287289A - 一种面向云控智能底盘的车辆非线性状态融合估计方法 - Google Patents
一种面向云控智能底盘的车辆非线性状态融合估计方法 Download PDFInfo
- Publication number
- CN112287289A CN112287289A CN202011096379.2A CN202011096379A CN112287289A CN 112287289 A CN112287289 A CN 112287289A CN 202011096379 A CN202011096379 A CN 202011096379A CN 112287289 A CN112287289 A CN 112287289A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- equation
- nonlinear state
- estimation method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 238000005096 rolling process Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 4
- 239000007983 Tris buffer Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005562 fading Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Abstract
本发明公开了一种面向云控智能底盘的车辆非线性状态融合估计方法,包括:建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程;根据车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程;将车辆非线性状态方程和观测方程进行近似线性化处理得到车辆状态参数的状态方程和观测方程;将线性化后的运动状态参数迭代至局部强跟踪滤波器,获得车辆非线性状态的局部无偏估计值,并将得到的局部无偏估计值进行线性组合最优融合,得到车辆非线性状态融合估计值,实现对车辆底盘子系统的闭环控制。本发明在有效解决传统扩展卡尔曼滤波状态估计方法带来的滤波发散问题基础上,克服因个别传感器误差过大造成的估计误差偏大的问题。
Description
技术领域
本发明属于智能驾驶环境感知领域,具体涉及一种面向云控智能底盘的车辆非线性状态融合估计方法。
背景技术
目前的车辆底盘控制系统正在朝功能多元化、系统集成化、体积微型化和通信网络化等方向发展,控制系统已变得愈来愈复杂。在车辆底盘主动控制系统中,表征车辆自身运行状态的横摆角速度、纵横向速度、车身侧偏角等关键状态变量,既是车辆底盘集成控制系统中的主要控制变量,也是实时辨识车辆行驶状态及制定底盘子系统协调控制规则的重要依据。这些状态变量通常通过陀螺仪、加速度传感器、车轮角速度传感器等车载传感器来直接测量,但由于汽车动力学控制过程的复杂性及车载传感器的测试水平和测试成本等多方面的影响,很多关键状态变量无法直接、准确或低成本的测量。
现有的汽车行驶状态估计方法(如授权公布号CN106250591B)主要是先建立汽车质心运动、横摆运动及侧倾运动等具有非线性特征的运动微分方程,再用扩展Kalman滤波进行间接的车辆状态参数估计。但在工程应用中,由于动态系统建模的不确定性及系统本身元器件的不稳定性因素的影响,给系统噪声和观测噪声统计特性的准确描述带来了很大的困难,因此,如果采用预先建立噪声模型的常规Kalman或扩展Kalman滤波器,将会出现状态估计不准,甚至发散等现象,导致无法实现中央控制系统对车辆底盘系统的精准控制。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种面向云控智能底盘的车辆非线性状态融合估计方法,本发明通过以车辆非线性动力学模型为基础,将强跟踪滤波器理论及多传感器信息融合技术引入到车辆非线性状态估计中,在有效解决传统扩展卡尔曼滤波状态估计方法带来的滤波发散问题基础上,进一步克服因个别传感器误差过大造成的估计误差偏大的问题,并改善车辆状态信息量测的不完全性,从而实现用于判断车辆行驶状态的关键变量乃至云控智能底盘主动控制关键变量的实时融合估计。在当前车辆非线性状态估计方法的基础上,进一步提升了车辆非线性状态估计的精准度。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种面向云控智能底盘的车辆非线性状态融合估计方法,步骤如下:
1)建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程;
2)根据所述车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程;
3)将所述车辆非线性状态方程和观测方程进行近似线性化处理得到关于车辆状态参数的状态方程和观测方程;
4)将所述线性化后的运动状态参数迭代至局部强跟踪滤波器,获得车辆非线性状态的局部无偏估计值,并将得到的局部无偏估计值进行线性组合最优融合,得到车辆非线性状态融合估计值,从而实现对车辆底盘子系统的闭环控制。
进一步地,所述步骤1)中的运动微分方程为:
式中,m为整车质量,u为纵向速度,v为侧向速度,φ、r分别为侧倾、横摆角速度;h0为质心到侧倾轴距离;hr为侧倾中心高度;hrf、hrr分别为前后轴到侧倾轴距离;ε为侧倾轴与纵轴之间的夹角;δ为前轮转角;Ib,x为绕X轴转动惯量,Ib,z为绕Z轴转动惯量,Ib,xz为绕X、Z轴的惯量积;tf为前轮距,tr为后轮距;kf为前轮胎侧偏刚度,kr为后轮胎侧偏刚度;a为质心至前轴距离,b为质心至后轴距离;cf为前悬架侧倾角阻尼,cr为后悬架侧倾角阻尼;Fy1为左前轮侧向力,Fy2为右前轮侧向力,Fy3为左后轮侧向力,Fy4为右后轮侧向力;Fx1为左前轮纵向力,Fx2为右前轮纵向力,Fx3为左后轮纵向力,Fx4为右后轮纵向力。
进一步地,所述步骤2)中的车辆非线性状态方程和观测方程为:
式中,状态变量x(k)=[u,v,r,p,φ]T,观测矢量y(k)=[zy1,zy2,…,zyn]T,二者与传感器的种类及其数量有关,输入变量u(k)=[δ],w(k)、ηi(k)分别为过程噪声和测量噪声,两者为相互独立、均值为零的高斯白噪声。
进一步地,所述步骤3)中的关于车辆状态参数的状态方程为:
Fx(k)为非线性函数f(x(k),u(k),k)对状态x(k)的一阶偏导,计算公式如下:
进一步地,所述步骤3)中的关于车辆状态参数的观测方程为:
Hxix(k)为非线性函数hi(x(k),k)对状态x(k)的一阶偏导,计算公式如下:
进一步地,所述步骤4)中的局部强跟踪滤波器包括状态预测过程:
状态预测方程为:
误差协方差预测方程:
其中,
Λ(k+1)=diag{λ1(k+1),λ2(k+1),…,λn(k+1)}
式中,αi≥1,i=1,2,…,n,n为传感器的个数,β≥1为一个预先选定的弱化因子,取值为1.3;tr[·]为求迹算子;V0(k+1)为输出序列的均方误差阵,γ(k+1)为残差序列;0<ρ≤1为遗忘因子,取ρ为0.96。
进一步地,所述残差序列:
进一步地,所述局部强跟踪滤波器还包括状态更新(校正)过程:
其中,增益矩阵K(k+1)的计算公式如下:
进一步地,所述局部无偏估计的估计误差为:
局部无偏估计的误差协方差矩阵为:
进一步地,所述线性组合最优融合估计为:
线性组合最优融合估计误差协方差矩阵为:
其中,最优融合加权系数ai计算公式如下:
本发明的有益效果:
本发明通过以车辆非线性动力学模型为基础,将强跟踪滤波器技术及多传感器信息融合技术引入到车辆非线性状态估计中,在有效解决传统扩展卡尔曼滤波状态估计方法带来的滤波发散问题基础上,进一步克服因个别传感器误差过大造成的估计误差偏大的问题,并改善车辆状态信息量测的不完全性,从而实现用于判断车辆行驶状态的关键变量乃至云控智能底盘主动控制关键变量的实时融合估计。在当前车辆非线性状态估计方法的基础上,进一步提升了车辆非线性状态估计的精准度。
附图说明
图1为本发明方法的流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种面向云控智能底盘的车辆非线性状态融合估计方法,包括以下步骤:
为了较全面地反映车辆非线性状态,实时融合估计出云控智能底盘控制中必需而又难以直接获取的关键状态,基于非线性四自由度汽车模型,推导包含车辆纵向、横向、侧倾及横摆运动的微分方程如下:
X方向的受力平衡方程:
其中,u为纵向速度,v为侧向速度;φ、r分别为侧倾、横摆角速度;h0为质心到侧倾轴距离;ε为侧倾轴与纵轴之间的夹角;δ为前轮转角;Fy1为左前轮侧向力,Fy2为右前轮侧向力;Fx1为左前轮纵向力,Fx2为右前轮纵向力,Fx3为左后轮纵向力,Fx4为右后轮纵向力;
Y方向的受力平衡方程:
式中,Fy3为左后轮侧向力,Fy4为右后轮侧向力;
绕Z轴的力矩方程:
式中,Ib,x为绕X轴转动惯量,Ib,z为绕Z轴转动惯量,Ib,xz为绕X、Z轴的惯量积;a为质心至前轴距离,b为质心至后轴距离;tf为前轮距,tr为后轮距;
绕X轴的力矩方程:
式中,hr为侧倾中心高度;hrf、hrr分别为前后轴到侧倾轴距离;kf为前轮胎侧偏刚度,kr为后轮胎侧偏刚度;cf为前悬架侧倾角阻尼,cr为后悬架侧倾角阻尼。
根据估计对象建立状态方程与量测方程,对非线性模型进行线性化并赋初值进行递推估计,主要包括预测过程与校正过程,其具体过程如下:
步骤1):建立车辆非线性状态方程与量测方程:
式中,状态变量x(k)=[u,v,r,p,φ]T,观测矢量y(k)=[zy1,zy2,…,zyn]T,二者与传感器的种类及其数量有关,输入变量u(k)=[δ],w(k)、ηi(k)分别为过程噪声和测量噪声,两者为相互独立、均值为零的高斯白噪声;
步骤2):假设车辆以恒定纵向车速u和驱动轮转速w运动,则状态变量即变为x(k)=[v,r,p,φ]T;
步骤3):车辆非线性状态方程与量测方程进行线性化,得到新的状态方程与观测方程:
其中,
步骤4):预估计,即状态预测方程为:
其中,
步骤5):计算预测误差协方差:
Λ(k+1)=diag{λ1(k+1),λ2(k+1),…,λn(k+1)}
式中,Λ(·)为次优渐消因子,引入次优渐消因子的目的是使残差序列在每一步相互正交,表明残差序列中的所有有用信息都已被提取出来,用作对当前时刻系统状态的估计;αi≥1,i=1,2,…,n,n为传感器的个数,β≥1为一个预先选定的弱化因子,取值为1.3,引入弱化因子的目的是使状态估计值更加平滑;tr[·]为求迹算子;V0(k+1)为输出序列的均方误差阵,γ(k+1)为残差序列;0<ρ≤1为遗忘因子,取ρ为0.96;
步骤6):计算残差序列:
其中,
步骤7):校正过程,更新方程为:
增益矩阵为:
状态更新估计方程为:
更新误差协方差为:
对各局部强跟踪滤波器输出的无偏估计进行误差估计:
计算各无偏估计的误差协方差矩阵:
至此可完成信息融合过程。
本发明具体应用途径很多,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,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (10)
1.一种面向云控智能底盘的车辆非线性状态融合估计方法,其特征在于,步骤如下:
1)建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程;
2)根据所述车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程;
3)将所述车辆非线性状态方程和观测方程进行近似线性化处理得到关于车辆状态参数的状态方程和观测方程;
4)将所述线性化后的运动状态参数迭代至局部强跟踪滤波器,获得车辆非线性状态的局部无偏估计值,并将得到的局部无偏估计值进行线性组合最优融合,得到车辆非线性状态融合估计值,从而实现对车辆底盘子系统的闭环控制。
2.根据权利要求1所述的面向云控智能底盘的车辆非线性状态融合估计方法,其特征在于,所述步骤1)中的运动微分方程为:
式中,m为整车质量,u为纵向速度,v为侧向速度,φ、r分别为侧倾、横摆角速度;h0为质心到侧倾轴距离;hr为侧倾中心高度;hrf、hrr分别为前后轴到侧倾轴距离;ε为侧倾轴与纵轴之间的夹角;δ为前轮转角;Ib,x为绕X轴转动惯量,Ib,z为绕Z轴转动惯量,Ib,xz为绕X、Z轴的惯量积;tf为前轮距,tr为后轮距;kf为前轮胎侧偏刚度,kr为后轮胎侧偏刚度;a为质心至前轴距离,b为质心至后轴距离;cf为前悬架侧倾角阻尼,cr为后悬架侧倾角阻尼;Fy1为左前轮侧向力,Fy2为右前轮侧向力,Fy3为左后轮侧向力,Fy4为右后轮侧向力;Fx1为左前轮纵向力,Fx2为右前轮纵向力,Fx3为左后轮纵向力,Fx4为右后轮纵向力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096379.2A CN112287289A (zh) | 2020-10-14 | 2020-10-14 | 一种面向云控智能底盘的车辆非线性状态融合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096379.2A CN112287289A (zh) | 2020-10-14 | 2020-10-14 | 一种面向云控智能底盘的车辆非线性状态融合估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287289A true CN112287289A (zh) | 2021-01-29 |
Family
ID=74496640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096379.2A Pending CN112287289A (zh) | 2020-10-14 | 2020-10-14 | 一种面向云控智能底盘的车辆非线性状态融合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287289A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253615A (zh) * | 2021-06-22 | 2021-08-13 | 季华实验室 | 基于分布式电动底盘的运动状态观测方法及系统 |
CN114475624A (zh) * | 2021-07-20 | 2022-05-13 | 浙江万安科技股份有限公司 | 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN109606378A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 面向非高斯噪声环境的车辆行驶状态估计方法 |
CN110532590A (zh) * | 2019-07-12 | 2019-12-03 | 南京航空航天大学 | 一种基于自适应容积粒子滤波的车辆状态估计方法 |
-
2020
- 2020-10-14 CN CN202011096379.2A patent/CN112287289A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN109606378A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 面向非高斯噪声环境的车辆行驶状态估计方法 |
CN110532590A (zh) * | 2019-07-12 | 2019-12-03 | 南京航空航天大学 | 一种基于自适应容积粒子滤波的车辆状态估计方法 |
Non-Patent Citations (2)
Title |
---|
赵树恩: "基于多模型智能递阶控制的车辆底盘集成控制研究", 中国博士学位论文全文数据库工程科技Ⅱ辑 * |
陈特 等: "基于多模型迭代的车辆状态融合估计方法", 农业机械学报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253615A (zh) * | 2021-06-22 | 2021-08-13 | 季华实验室 | 基于分布式电动底盘的运动状态观测方法及系统 |
CN114475624A (zh) * | 2021-07-20 | 2022-05-13 | 浙江万安科技股份有限公司 | 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112758097B (zh) | 一种用于无人驾驶车辆的状态预测与估计方法 | |
CN109606378B (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
JP4655004B2 (ja) | 車両物理量推定装置及びプロブラム | |
CN110497915B (zh) | 一种基于加权融合算法的汽车行驶状态估计方法 | |
US20090177346A1 (en) | Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
CN103279675B (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
Pi et al. | Design and evaluation of sideslip angle observer for vehicle stability control | |
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 | |
CN112287289A (zh) | 一种面向云控智能底盘的车辆非线性状态融合估计方法 | |
CN116923428B (zh) | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 | |
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 | |
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 | |
Wang et al. | Estimation of vehicle state using robust cubature kalman filter | |
CN109033017B (zh) | 一种丢包环境下的车辆侧倾角与俯仰角估计方法 | |
CN108413923B (zh) | 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法 | |
CN111231976B (zh) | 一种基于变步长的车辆状态估计方法 | |
CN116409327A (zh) | 侧向工况下考虑轮胎瞬态特性的路面附着系数估计方法 | |
Solmaz et al. | A nonlinear sideslip observer design methodology for automotive vehicles based on a rational tire model | |
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 | |
CN114043986A (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 | |
CN114475624A (zh) | 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法 | |
CN115563694B (zh) | 一种基于预测时域内误差的车辆动力学模型精度评价方法 | |
Zhujie et al. | Vehicle state and parameter estimation based on improved adaptive dual extended Kalman filter with variable sliding window | |
CN113771865B (zh) | 一种车载传感器测量数据异常情况下的汽车状态估计方法 |
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 |