CN112330843A - 一种基于在线变步长的车辆状态预测方法 - Google Patents

一种基于在线变步长的车辆状态预测方法 Download PDF

Info

Publication number
CN112330843A
CN112330843A CN202011158741.4A CN202011158741A CN112330843A CN 112330843 A CN112330843 A CN 112330843A CN 202011158741 A CN202011158741 A CN 202011158741A CN 112330843 A CN112330843 A CN 112330843A
Authority
CN
China
Prior art keywords
matrix
time
value
prediction
entropy
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.)
Granted
Application number
CN202011158741.4A
Other languages
English (en)
Other versions
CN112330843B (zh
Inventor
高泽鹏
任宏斌
陈思忠
陈勇
赵玉壮
吴志成
刘宝库
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011158741.4A priority Critical patent/CN112330843B/zh
Publication of CN112330843A publication Critical patent/CN112330843A/zh
Application granted granted Critical
Publication of CN112330843B publication Critical patent/CN112330843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种基于在线变步长的车辆状态预测方法，考虑了过去时间范围内的系统参数不确定性、状态参数变化率、每一时刻下的参数极值与误差，以及状态参数对应熵值的变化规律，从而在当前时刻下建立关于车辆系统损失函数的预测修正方程，并确定与当前时刻相适应的实时滚动优化最优预测步长；基于未来时间的延伸，引入时间延伸指数的概念，从而实现随时间域延伸而实时变化的车辆状态预测步长；为了进一步提高车辆状态的预测精度，在所建立修正方程的基础上，进一步考虑状态预测过程中存在的极限约束条件，从而实现了对预测异化参数的有效校正，从而在在有限的时间步长内，显著提高了实时滚动优化的预测速度和计算精度。

Description

一种基于在线变步长的车辆状态预测方法
技术领域
本发明属于车辆状态预测的技术领域，具体涉及一种基于在线变步长的车辆状态预测方法。
背景技术
随着车辆底盘集成技术与电子信息控制技术的快速发展，车辆系统的稳定性也得到了极大地提升。车辆的稳定性与当前的车辆状态相关，但是依靠当前车辆状态所进行的辅助或者主动干预控制操作往往会存在一定的滞后性。因此，车辆状态的实时预测则可以帮助驾驶员和半主动/主动控制系统提前获知未来的车辆行驶状态，并基于此为半主动/主动控系统提供一定的辅助干预参考，从而极大地提高驾驶员和乘客的乘坐体验和驾驶性能。
车辆状态的在线预测主要是为了在不产生数据爆炸现象的前提下，使用一定长度的数据序列实现对来实现未来状态的预测，其目的在于同时提高状态预测的快速性和精确性。目前针对车辆状态预测所进行的研究中，通常使用的方法为定步长预测算法，其对于结果的精度存在很大的影响。同时，对于车辆状态的结果预测，通常受制于有限次的计算循环过程，从而导致所得到计算结果的差异性较大，且精度无法得到保证。此外，在计算结果超出设定的容差范围之后，没有合适的循环来进一步修正非理想的计算结果，这也使“如何合理优化并改进在线计算下的车辆状态预测精度”成为研究与实际应用过程中所存在的难题。
发明内容
有鉴于此，本发明提供了一种基于在线变步长的车辆状态预测方法，能够根据时间范围变化，对不同类型的状态参数预测步长进行实时调节，并且对预测结果进行判定与校正，从而能够得到满足实时工况变动需求的车辆状态预测结果。
实现本发明的技术方案如下：
一种基于在线变步长的车辆状态预测方法，包括以下步骤：
步骤一、选定车辆状态变量；
步骤二、对车辆状态及其熵值的预测计算；
步骤三、对未来T+1时刻车辆预测参数的误差值矩阵计算；
步骤四、利用车辆状态变量所对应的波动范围矩阵H，对车辆状态的预测进行校正。
进一步地，步骤一具体包括：
1.1、选择侧向加速度ay、纵向滑移率s、悬架速度v、悬架相对位移Ls、车身侧倾角
Figure BDA0002743643580000021
横摆角速度ωγ和载荷转移率LTR这7种车辆状态变量组成状态矩阵X，并计算其所对应的熵值矩阵E；
1.2、计算车辆状态矩阵X所对应的波动范围矩阵H。
进一步地，步骤二具体包括：
2.1、计算得到当前时刻T下，车辆状态的实际测量值矩阵为Xa|T＝[(x1a,x2a,x3a,x4a,x5a,x6a,x7a)|T]T，和T-1时刻对T时刻的预测值矩阵为Xp|T＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T]T之间的误差值矩阵为Mr|T；
2.2、根据2.1中实际测量值矩阵Xa|T和预测值矩阵Xp|T，得到矩阵Xa|T对应的熵值矩阵Ea|T＝[(e1a,e2a,e3a,e4a,e5a,e6a,e7a)|T]T，矩阵Xp|T对应的预测熵值矩阵Ep|T＝[(e1p,e2p,e3p,e4p,e5p,e6p,e7p)|T]T，得到T时刻车辆状态熵值误差值矩阵为Mnr|T；
2.3、基于2.1中的实际测量值矩阵Xa|T和误差值矩阵Mr|T，以及2.2中的熵值矩阵Ea|T和误差值矩阵Mnr|T，则得到T+1时刻系统状态和熵值预测方程为：
Figure BDA0002743643580000031
Figure BDA0002743643580000032
式中，
Figure BDA0002743643580000033
和
Figure BDA0002743643580000034
分别为T时刻系统状态及其熵值的变化率矩阵，wx和we分别为T时刻的系统误差误差所对应的非线性修正系数矩阵；
T时刻系统状态及其熵值所对应预测步长TsT和TnsT的计算方程分别为：
Figure BDA0002743643580000035
Figure BDA0002743643580000036
其中，Tsmax、Tsmin、Tns|Tmax和Tns|Tmin分别为误差极值对应的时间；
而损失函数g(Mr|T)和g(Mnr|T)对应的计算方程分别为：
Figure BDA0002743643580000037
Figure BDA0002743643580000038
式中，
Figure BDA0002743643580000039
为T-1时刻的系统实际测量值矩阵Xa|T-1对T时刻的系统实际测量值矩阵Xa|T的到达代价修正值，
Figure BDA00027436435800000310
为T时刻的系统实际测量值矩阵Xa|T对T时刻的预测值矩阵Xa|T的到达代价修正值，
Figure BDA00027436435800000311
为T-1时刻熵值矩阵Ea|T-1对T时刻熵值矩阵Ea|T的到达代价修正值，
Figure BDA00027436435800000312
为T时刻熵值矩阵Ep|T对T时刻熵值矩阵Ea|T的到达代价修正值；
2.4、设定车辆状态预测步长Ts|T大小占当前时刻T的容差比例范围为[0.5‰,1‰]，由此得到在0.5‰T、0.6‰T、0.7‰T、0.8‰T、0.9‰T和1‰T这6种不同时间步长下的系统预测增广矩阵为Xps|T+1＝[(Xp1,Xp2,Xp3,Xp4,Xp5,Xp6)|T+1]，进而得到不同预测步长下的车辆状态误差极值矩阵分别为：
Mmax＝[max(Xp1-Xa)max(Xp3-Xa)max(Xp3-Xa)
max(Xp4-Xa)max(Xp5-Xa)max(Xp6-Xa)]T
Mmin＝[min(Xp1-Xa)min(Xp3-Xa)min(Xp3-Xa)
min(Xp4-Xa)min(Xp5-Xa)min(Xp6-Xa)]T
进而确定车辆状态误差极值矩阵中的极值Mrmax和Mrmin分别为：
Figure BDA0002743643580000041
根据极值Mrmax和Mrmin则可以找到所对应的时间步长为Tsmax和Tsmin；未来时刻Tf所对应的参数序列的维度为nf，由此可以得到车辆状态参数所对应的时间延伸指数rx的计算方式如下所示为：
Figure BDA0002743643580000042
此时，预测步长Ts|T取值范围则变为
Figure BDA0002743643580000043
由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Ts|T+1预测步长值；
2.5、设定熵值预测步长Tns|T大小占当前时刻T的容差比例范围为[0.1％,0.6％]，由此可以得到0.1％T、0.2％T、0.3％T、0.4％T、0.5％T和0.6％T这6种不同时间步长下的系统预测增广矩阵为Epn|T+1＝[(Ep1,Ep2,Ep3,Ep4,Ep5,Ep6)|T+1]，进而得到不同的预测步长下的车辆状态熵值误差极值矩阵分别为：
Mnmax＝[max(Ep1-Ea)max(Ep3-Ea)max(Ep3-Ea)
max(Ep4-Ea)max(Ep5-Ea)max(Ep6-Ea)]T
Mnmin＝[min(Ep1-Ea)min(Ep3-Ea)min(Ep3-Ea)
min(Ep4-Ea)min(Ep5-Ea)min(Ep6-Ea)]T
进而确定车辆状态熵值误差极值矩阵中的极值Mnrmax和Mnrmin分别为：
Figure BDA0002743643580000051
根据极值Mnrmax和Mnrmin则可以找到所对应的时间步长为Tns|Tmax和Tns|Tmin；未来时刻Tf所对应的参数序列的维度为nf，由此可以得到熵值预测所对应的时间延伸指数rnx的计算方式如下所示为：
Figure BDA0002743643580000052
此时，预测步长Tns|T取值范围则变为[0.1％rnxTf,0.6％rnxTf]，由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Tns|T+1预测步长值。
进一步地，步骤三具体包括：
3.1、基于2.1中T时刻下的实际测量值矩阵Xa|T和误差值矩阵Mr|T、2.3中T时刻下的系统状态的变化率矩阵
Figure BDA0002743643580000053
2.3中T时刻下的损失函数g(Mr|T)以及2.4中的车辆状态最佳预测步长Ts|T，按照2.3中的计算方程预测得到从T时刻对T+1时刻的预测值矩阵Xp|T+1；而T+1时刻实际测量值矩阵则为矩阵Xa|T+1，进而得到T+1时刻系统状态对应的误差值矩阵Mr|T+1；
3.2、基于2.2中的T时刻测量值矩阵Ea|T和误差值矩阵Mnr|T、2.3中的T时刻系统状态熵值的变化率矩阵
Figure BDA0002743643580000054
2.3中T时刻损失函数g(Mnr|T)以及基于2.5中的熵值最佳预测步长Tns|T，按照2.3中的计算方程预测得到从T时刻对T+1时刻的预测熵值矩阵Ep|T+1；T+1时刻实际测量值矩阵Xa|T+1对应熵值矩阵为Ea|T+1，进而得到T+1时刻系统状态熵值对应的误差值矩阵Mnr|T+1。
进一步地，步骤四具体包括：
4.1、确定T+1时刻预测状态参数矩阵Xp|T+1对应的极值矩阵L(Xp|T+1)；此时，极值矩阵L(Xp|T+1)应满足1.2中波动范围矩阵H对应的约束条件：
Figure BDA0002743643580000061
如果矩阵L(Xp|T+1)满足上述约束条件，直接进入4.3继续进行计算；如果矩阵L(Xp|T+1)不满足上述约束条件，则按照4.2中计算过程进行车辆状态参数优化；
4.2、调节2.3中的到达代价修正值
Figure BDA0002743643580000062
和
Figure BDA0002743643580000063
通过PID控制器进行计算：
Figure BDA0002743643580000064
Figure BDA0002743643580000065
式中，Kp|T-1和Kp|T分别为到达代价修正值
Figure BDA0002743643580000066
和
Figure BDA0002743643580000067
对应的比例系数，Ki|T-1和Ki|T分别为到达代价修正值
Figure BDA0002743643580000068
和
Figure BDA0002743643580000069
对应的积分系数，Kd|T-1和Kd|T分别为到达代价修正值
Figure BDA00027436435800000610
和
Figure BDA00027436435800000611
对应的微分系数；
同时将矩阵Xp|T+1的预测时间步长减小0.01‰T，返回到T时刻重新计算；
4.3、计算4.1中的预测值矩阵Xp|T+1所对应的估计熵值矩阵为
Figure BDA00027436435800000612
4.4、计算4.3中估计熵值矩阵
Figure BDA00027436435800000613
与3.2中预测熵值矩阵Ep|T+1之间的差值，定义T+1时刻的性能判定函数Lossp|T+1为：
Figure BDA00027436435800000614
4.5、设置置信下限矩阵Q和上限矩阵R，对4.4中的性能判定方程Lossp|T+1进行约束判定，则有：
Q≤Lossp|T+1≤R
如果判定函数Lossp|T+1满足约束条件，那么此时的预测值矩阵Xp|T+1满足精度需求，即为理想的预测值矩阵X* a|T+1，输出此矩阵；如果判定函数Lossp|T+1不满足约束条件，超出置信区间[Q,R]，那么进入4.6进一步实施校正计算；
4.6、在T时刻下，根据2.1中的实际测量值矩阵Xa|T和车辆状态误差值矩阵Mr|T、2.2中的熵值矩阵Ea|T和车辆状态熵值误差值矩阵Mnr|T、以及4.5中的置信区间[Q,R]，可以通过泛函来求解得到系统参数的最优变化轨迹f，沿着该轨迹f进行预测计算，则可以得到理想的系统状态变量X* a|T+1。
有益效果：
本发明充分考虑不同时刻下的系统性能，通过时间域的变化来实时优化预测步长，同时考虑过去时间范围内系统参数的不确定性和未来时间范围内计算结果的预测误差，从而对系统的预测状态参数进行滚动优化调节与校正，在提高车辆系统预测计算速度的同时，也显著提高了计算过程的适应性与计算结果的精度。
附图说明
图1是本发明车辆状态变量及其熵值匹配示意图。
图2是本发明状态变量的在线滚动优化示意图。
图3是本发明状态变量对应熵值的在线滚动优化示意图。
图4是本发明最佳预测步长确定过程示意图。
图5是本发明车辆状态的预测校正计算示意图。
图6是本发明方法流程示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于在线变步长的车辆状态预测方法，如图6所示，首先，选定目标车辆状态参数，计算其对应的熵值和稳态条件下的极值。然后，根据(T-1)时刻对T时刻的预测值Xp|T以及当前T时刻的真实测量值Xa|T，可以计算得到两组数据序列之间的误差Mr|T；根据预测值Xp|T和真实测量值Xa|T，可以求得分别对应的熵值Ep|T和Ea|T，以及两组熵值序列之间的误差Mnr|T。接下来，进一步考虑T时刻系统状态及其熵值的变化率矩阵
Figure BDA0002743643580000081
和
Figure BDA0002743643580000082
则可以利用滚动优化计算原理对(T+1)时刻的车辆状态进行预测。为了考虑到对于T时刻之前的数据序列的不确定性，在预测过程中，考虑对于T时刻下车辆系统的损失函数的计算。
而为了获取最优的预测步长，本发明提出了容差比例范围的定义，从而根据不同预测步长所得到的计算结果，获取预测误差的极值大小。根据极值大小所对应的时间步长，重新计算得到最优的预测步长。而在计算过程中，车辆状态参数所对应的容差比例范围与其熵值所对应的容差比例范围大小存在区别。基于以上计算过程，则可以分别得到T时刻下，车辆状态对应的最佳预测步长Ts|T和车辆状态熵值对应的最佳预测步长Tns|T。
而为了获取更为精准的预测结果，本发明在预测结果的基础上，进一步加入了预测校正。通过计算T时刻下对于(T+1)时刻预测值Xp|T+1的极值，可以分析其是否满足极值矩阵H的约束条件。如果预测值Xp|T+1的极值不满足矩阵H的约束条件，那么则在减小预测补偿的同时，还需要通过PID控制器来就算达代价修正值
Figure BDA0002743643580000083
和
Figure BDA0002743643580000084
从而重新计算损失函数，进而重新进行对(T+1)时刻车辆状态的预测。如果此时预测值Xp|T+1的极值满足实际的精度需求，那么此时需要计算预测值Xp|T+1所对应的估计熵值
Figure BDA0002743643580000091
同时定义并计算性能判定函数LosspT+1。如果计算结果满足置信下限矩阵Q和上限矩阵R所建立的约束条件，那么此时的预测值Xp|T+1则为最优预测值。否则，则需要建立性能优化函数Π(f)来计算从T时刻的实际测量值Xa|T到理想预测值X* p|T+1的最优计算轨迹f，根据轨迹f进行计算，则可以得到理想预测值X* p|T+1。本发明的具体实施过程如下：
步骤一、对于车辆状态的选择与计算，具体步骤包括：
1.1选定侧向加速度ay、纵向滑移率s、悬架速度v、悬架相对位移Ls、车身侧倾角
Figure BDA0002743643580000094
横摆角速度ωγ和载荷转移率LTR这7种参数作为预测过程中的车辆参数，其中当前时刻T下每种参数序列的维度对应为n。
1.2如图1所示，车辆系统的每种状态参数与其熵值之间存在一一对应的关系，步骤一中1.1所描述的7个车辆状态参数组成的状态矩阵X及其所对应的熵值ei计算方程如下为：
Figure BDA0002743643580000092
Figure BDA0002743643580000093
式中，P(xij)为第i个参数序列下的第j个值对应出现的概率。
在某一时刻下，系统的实际测量值矩阵定义为Xa，该矩阵可以通过对车辆系统的直接测量而得到；而在该时刻下，系统的预测值矩阵定义为Xp，该矩阵通过上一时刻的预测计算而得到。
1.3在车辆的稳定行驶状态下，由于系统安装空间和部件性能的局限性，各个车辆状态参数的变化范围存在对应的上限和下限，因此，可以通过直接测量得到步骤一中1.1和1.2所描述的7个参数对应正常波动范围内的下限和上限。而由参数上下限所组成的极值矩阵(波动范围矩阵)H如下所示为：
Figure BDA0002743643580000101
步骤二、车辆状态及其熵值的预测计算，其原理分别如图2和图3所示，其主要步骤包括：
2.1在当前时刻T下，系统的实际测量值矩阵为Xa|T＝[(x1a,x2a,x3a,x4a,x5a,x6a,x7a)|T]T，而基于(T-1)时刻的车辆状态参数对T时刻的车辆状态进行在线滚动预测，则可得前一时刻(T-1)对T时刻的预测值矩阵为Xp|T＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T]T，由此可定义T时刻车辆状态误差值矩阵为Mr|T，具体计算方程如下所示为：
Figure BDA0002743643580000102
2.2根据步骤一中1.2所描述的熵值计算方式以及步骤二中1.1所描述的实际测量值矩阵Xa|T和预测值矩阵Xp|T，可以对其所对应的熵值分别进行计算，从而得到矩阵Xa|T对应的熵值矩阵为Ea|T＝[(e1a,e2a,e3a,e4a,e5a,e6a,e7a)|T]T，而矩阵Xp|T所对应的预测熵值矩阵为Ep|T＝[(e1p,e2p,e3p,e4p,e5p,e6p,e7p)|T]T，由此可定义T时刻车辆状态熵值误差值矩阵为Mnr|T，具体计算方程如下所示为：
Figure BDA0002743643580000103
2.3基于步骤二中2.1所描述的实际测量值矩阵Xa|T和误差值矩阵Mr|T，以及基于步骤二中2.2所描述的熵值矩阵Ea|T和误差值矩阵Mnr|T，则可以作为系统的参数输入来对(T+1)时刻的系统状态和熵值进行预测，其计算方程具体如下所示：
Figure BDA0002743643580000111
Figure BDA0002743643580000112
式中，
Figure BDA0002743643580000113
和
Figure BDA0002743643580000114
分别为T时刻系统状态及其熵值的变化率矩阵，Ts和Tns分别为T时刻系统状态及其熵值所对应的预测步长，wx和we分别为T时刻的系统误差误差所对应的非线性修正系数矩阵，g(Mr|T)和g(Mnr|T)分别为状态预测过程中在T时刻对(T+1)时刻进行预测的损失函数。
2.4损失函数的建立，是为了考虑T时刻之前系统参数的不确定性。其中，基于步骤二中2.3所描述的损失函数g(Mr|T)和g(Mnr|T)所对应的计算方程分别如下所示为：
Figure BDA0002743643580000115
Figure BDA0002743643580000116
式中，
Figure BDA0002743643580000117
为(T-1)时刻的系统实际测量值矩阵Xa|T-1对T时刻的系统实际测量值矩阵Xa|T的达代价修正值，
Figure BDA0002743643580000118
为T时刻的系统实际测量值矩阵Xa|T对T时刻的预测值矩阵Xa|T的到达代价修正值，
Figure BDA0002743643580000119
为(T-1)时刻的实际测量值矩阵Xa|T-1对应熵值矩阵Ea|T-1对T时刻的实际测量值矩阵Xa|T对应熵值矩阵Ea|T的到达代价修正值，
Figure BDA00027436435800001110
为T时刻的系统实际测量值矩阵Xa|T对应熵值矩阵Ep|T对T时刻的预测值矩阵Xa|T对应熵值矩阵Ea|T的到达代价修正值。
步骤三、车辆状态最优预测步长值Ts|T的确定，其计算原理和流程如图4所示，主要包括以下步骤：
3.1为了对车辆的状态参数进行预测，在T时刻需要选择合理的预测步长Ts|T，设定其大小占当前时刻T的容差比例范围为[0.5‰,1‰]，由此可以得到在0.5‰T、0.6‰T、0.7‰T、0.8‰T、0.9‰T和1‰T这6种不同时间步长下的系统预测矩阵为Xps|T+1＝[(Xp1,Xp2,Xp3,Xp4,Xp5,Xp6)|T+1]，而车辆的实际测量值矩阵为步骤二中2.1所述的矩阵Xa|T，由此可以得到系统在不同预测步长下的车辆状态误差极值矩阵如下分别为：
Mmax＝[max(Xp1-Xa)max(Xp3-Xa)max(Xp3-Xa)
max(Xp4-Xa)max(Xp5-Xa)max(Xp6-Xa)]T
Mmin＝[min(Xp1-Xa)min(Xp3-Xa)min(Xp3-Xa)
min(Xp4-Xa)min(Xp5-Xa)min(Xp6-Xa)]T
进而，可以确定车辆状态误差极值矩阵中的极值分别为Mrmax和Mrmin，其计算方式如下所示为：
Figure BDA0002743643580000121
3.2步骤三中3.1所描述的两个极值Mrmax和Mrmin，其所对应的时间步长可以分别确定为Tsmax和Tsmin，由此可以计算得到实际选取的预测步长值Ts|T如下所示为：
Figure BDA0002743643580000122
3.3未来时刻Tf所对应的参数序列的维度为nf，由此可以得到车辆状态参数所对应的时间延伸指数rx的计算方式如下所示为：
Figure BDA0002743643580000123
此时，步骤三中3.2所确定的预测步长Ts|T的取值范围则变为
Figure BDA0002743643580000124
由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Ts|T+1预测步长值。
步骤四、与车辆状态对应熵值最优预测步长值Tns|T的确定，其计算原理和流程如图4所示，主要包括以下步骤：
4.1为了对车辆状态所对应的熵值进行预测，需要选择合理的预测步长Tns|T，设定其大小占当前时刻T的容差比例范围为[0.1％,0.6％]，由此可以得到0.1％T、0.2％T、0.3％T、0.4％T、0.5％T和0.6％T这6种不同时间步长下的系统预测矩阵为Epn|T+1＝[(Ep1,Ep2,Ep3,Ep4,Ep5,Ep6)|T+1]，而车辆的实际测量值矩阵为步骤二中2.2所描述的矩阵Ea|T，由此可以得到系统在不同的预测步长下的车辆状态熵值误差极值矩阵为：
Mnmax＝[max(Ep1-Ea)max(Ep3-Ea)max(Ep3-Ea)
max(Ep4-Ea)max(Ep5-Ea)max(Ep6-Ea)]T
Mnmin＝[min(Ep1-Ea)min(Ep3-Ea)min(Ep3-Ea)
min(Ep4-Ea)min(Ep5-Ea)min(Ep6-Ea)]T
进而，可以确定车辆状态熵值误差极值矩阵中的极值分别为Mrmax和Mrmin，其计算方式如下所示为如下所示为：
Figure BDA0002743643580000131
4.2步骤四中4.1所描述的两个极值Mnrmax和Mnrmin，其所对应的时间步长可以分别确定为Tns|Tmax和Tns|Tmin，由此计可以算得到实际选取的预测步长值Tns|T如下所示为：
Figure BDA0002743643580000132
4.3未来时刻Tf所对应的参数序列的维度为nf，由此可以得到熵值预测所对应的时间延伸指数rnx的计算方式如下所示为：
Figure BDA0002743643580000133
此时，步骤四中4.2所确定的预测步长Tns|T的取值范围则变为[0.1％rnxTf,0.6％rnxTf]，由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Tns|T+1预测步长值。
步骤五、在未来(T+1)时刻下，基于系统预测参数的误差值矩阵计算，主要包括以下步骤：
5.1基于步骤二中的2.1所确定的T时刻下的实际测量值矩阵Xa|T和误差值矩阵Mr|T、步骤二中的2.3所描述的T时刻下的系统状态的变化率矩阵
Figure BDA0002743643580000141
步骤二中的2.4所建立的T时刻下的损失函数g(Mr|T)(即Lossx|T)以及基于步骤三中的3.2所确定的系统状态最佳预测步长Ts|T，可以按照步骤二中的2.3所建立的计算方程，预测计算得到系统在当前T时刻下对(T+1)时刻的预测值矩阵为Xp|T+1＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T+1]T。下一时刻，即(T+1)时刻的系统实际测量值矩阵则变为矩阵Xa|T+1＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T+1]T，进而可以得到在(T+1)时刻下，系统状态对应的误差值矩阵为Mr|T+1，其计算方程如下所示为：
Figure BDA0002743643580000142
5.2根据步骤一中1.2所建立的熵值计算方程，(T+1)时刻系统实际测量值矩阵Xa|T+1对应的熵值矩阵可以通过计算得到，为Ea|T+1＝[(e1a,e2a,e3a,e4a,e5a,e6a,e7a)|T+1]T。
基于步骤二中的2.2所确定的T时刻下的测量值矩阵Ea|T和误差值矩阵Mr＝nr|T、步骤二中的2.3所描述的T时刻下的系统状态熵值的变化率矩阵
Figure BDA0002743643580000143
步骤二中的2.4所建立的T时刻下的损失函数g(Mnr|T)(即Losse|T)以及基于步骤四中的4.2所确定的熵值最佳预测步长Tns|T，可以按照步骤二中的2.3所建立的计算方程，预测计算得到系统在当
前T时刻下对(T+1)时刻的预测熵值矩阵为Ep|T+1＝[(e1p,e2p,e3p,e4p,e5p,e6p,e7p)|T+1]T。下一时刻，即(T+1)时刻的系统实际测量值矩阵Xa|T+1＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T+1]T所对应的熵值矩阵则对应为Ea|T+1＝[(e1a,e2a,e3a,e4a,e5a,e6a,e7a)|T+1]T。因此，进而可以得到在(T+1)时刻下，系统状态熵值对应的误差值矩阵为Mnr|T+1，其计算方程如下所示为：
Figure BDA0002743643580000151
步骤六、根据步骤二中2.3的计算过程，可以分别计算预测得到未来(T+1)时刻下，系统状态参数矩阵Xp|T+1及其熵值矩阵Ep|T+1。根据步骤一中1.3所描述的7种参数变量所对应的变化范围上限和下限，即步骤一中1.3所描述的极值矩阵H，进一步考虑在约束范围作用下系统状态的预测校正，其校正计算原理如图5所示，具体步骤如下所示为：
6.1确定(T+1)时刻下预测状态参数矩阵Xp|T+1中的各所对应的极值矩阵L(Xp|T+1)，其具体计算过程具体如下为：
Figure BDA0002743643580000152
而计算得到的极值矩阵L(Xp|T+1)具体如下为：
Figure BDA0002743643580000153
此时，矩阵Xp|T+1对应的极值矩阵L(Xp|T+1)应该满足步骤一中1.3所描述的极值矩阵H对应的约束条件，具体表示为如下所示的变量约束范围：
Figure BDA0002743643580000161
此时，如果极值矩阵L(Xp|T+1)满足步骤一中1.3所描述的极值矩阵H对应的约束条件，那么可以忽略步骤六中6.2所描述的计算过程，直接跳跃到步骤六中的6.3所描述的过程继续进行计算。
如果极值矩阵L(Xp|T+1)不满足步骤一中1.3所描述的极值矩阵H对应的约束条件，那么则可以按照步骤六中6.2所描述的计算过程，继续进行车辆状态的参数优化计算。
6.2如果步骤六中6.1所描述的矩阵Xp|T+1对应的极值矩阵L(Xp|T+1)不满足步骤六中6.2所描述的约束条件，那么调节步骤二中2.4所描述的到达代价修正值
Figure BDA0002743643580000162
和
Figure BDA0002743643580000163
此时其可以通过PID控制器来进行相应的计算，对应的优化计算方程如下所示为：
Figure BDA0002743643580000164
Figure BDA0002743643580000165
式中，Kp|T-1和Kp|T分别为到达代价修正值
Figure BDA0002743643580000166
和
Figure BDA0002743643580000167
对应的比例系数，Ki|T-1和Ki|T分别为到达代价修正值
Figure BDA0002743643580000168
和
Figure BDA0002743643580000169
对应的积分系数，Kd|T-1和Kd|T分别为到达代价修正值
Figure BDA00027436435800001610
和
Figure BDA00027436435800001611
对应的微分系数。
同时，将矩阵Xp|T+1对应的预测时间步长减小0.01‰T，返回到上一时刻T重新进行预测计算。
6.3根据基于步骤五中的5.1所确定的预测值矩阵Xp|T+1＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T+1]T，可以根据步骤一中1.2所描述的熵值计算方程，计算得到其所对应的估计熵值矩阵为
Figure BDA0002743643580000171
6.4计算基于步骤六中的6.3所确定的估计熵值矩阵
Figure BDA0002743643580000172
与基于步骤五中的5.2所确定的预测熵值矩阵Ep|T+1＝[(e1p,e2p,e3p,e4p,e5p,e6p,e7p)|T+1]之间的差值，则定义(T+1)时刻的性能判定函数Lossp|T+1如下所示为：
Figure BDA0002743643580000173
6.5设置置信下限矩阵Q和上限矩阵R，对基于步骤六中6.4所得到的性能判定方程Lossp|T+1进行约束判定，约束条件如下所示：
Q≤Lossp|T+1≤R
如果判定函数Lossp满足约束条件，即其位于置信下限矩阵Q和上限矩阵R所确定的置信区间[Q,R]内，那么此时的预测值矩阵Xp|T+1＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T+1]T满足精度需求，即为理想的预测值矩阵X* a|T+1，系统输出此矩阵。
如果判定函数Lossp不满足约束条件，其超出了置信下限矩阵Q和上限矩阵R所确定的置信区间[Q,R]，即Lossp＞R或者Lossp<Q，那么则需要对其进一步实施校正，继续进行相应的计算。
6.6在基于步骤六中的6.4所得到的性能判定函数Lossp不满足步骤六中的6.5所设定的约束条件的前提下，判定基于步骤五中5.1所描述的计算方程预测得到的系统状态参数矩阵Xp|T+1为系统异化参数，其不符合实际应用的精度需求，需要被舍弃。
此时，则需要通过建立泛函来寻求最优计算轨迹f，以获取理想的车辆状态预测值矩阵X* a|T+1，因此根据T时刻下，步骤二中2.1所描述的实际测量值矩阵为Xa|T和车辆状态误差值矩阵为Mr|T、步骤二中2.2所描述的矩阵Xa|T对应的熵值矩阵为Ea|T和车辆状态熵值误差值矩阵为Mnr|T、以及步骤六中6.5所描述的置信下限矩阵Q和上限矩阵R，建立如下关于计算轨迹f的最优轨迹优化函数，如下所示表述为：
Π(f)＝∫(Xa|T,Mr|T,Ea|T,Mnr|T,Q,R)dXa|T+1
而T时刻的最优轨迹优化函数满足如下约束：
Figure BDA0002743643580000181
Q≤Lossp|T≤R
式中，矩阵
Figure BDA0002743643580000182
为根据T时刻的预测值矩阵Xp|T＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T]T基于步骤一中1.2所描述的熵值计算方程，计算得到的估计熵值矩阵。
对上述优化函数进行求解，则可以在满足约束条件的前提下，得到与预期精度相符合的系统参数的变化轨迹f，沿着该轨迹进行预测计算，则可以得到理想的系统状态变量X* a|T+1。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (5)

1.一种基于在线变步长的车辆状态预测方法，其特征在于，包括以下步骤：
步骤一、选定车辆状态变量；
步骤二、对车辆状态及其熵值的预测计算；
步骤三、对未来T+1时刻车辆预测参数的误差值矩阵计算；
步骤四、利用车辆状态变量所对应的波动范围矩阵H，对车辆状态的预测进行校正。
2.如权利要求1所述的一种基于在线变步长的车辆状态预测方法，其特征在于，步骤一具体包括：
1.1、选择侧向加速度ay、纵向滑移率s、悬架速度v、悬架相对位移Ls、车身侧倾角
Figure FDA0002743643570000011
横摆角速度ωγ和载荷转移率LTR这7种车辆状态变量组成状态矩阵X，并计算其所对应的熵值矩阵E；
1.2、计算车辆状态矩阵X所对应的波动范围矩阵H。
3.如权利要求2所述的一种基于在线变步长的车辆状态预测方法，其特征在于，步骤二具体包括：
2.1、计算得到当前时刻T下，车辆状态的实际测量值矩阵为Xa|T＝[(x1a,x2a,x3a,x4a,x5a,x6a,x7a)|T]T，和T-1时刻对T时刻的预测值矩阵为Xp|T＝[(x1p,x2p,x3p,x4p,x5p,x6p,x7p)|T]T之间的误差值矩阵为Mr|T；
2.2、根据2.1中实际测量值矩阵Xa|T和预测值矩阵Xp|T，得到矩阵Xa|T对应的熵值矩阵Ea|T＝[(e1a,e2a,e3a,e4a,e5a,e6a,e7a)|T]T，矩阵Xp|T对应的预测熵值矩阵Ep|T＝[(e1p,e2p,e3p,e4p,e5p,e6p,e7p)|T]T，得到T时刻车辆状态熵值误差值矩阵为Mnr|T；
2.3、基于2.1中的实际测量值矩阵Xa|T和误差值矩阵Mr|T，以及2.2中的熵值矩阵Ea|T和误差值矩阵Mnr|T，则得到T+1时刻系统状态和熵值预测方程为：
Figure FDA0002743643570000021
Figure FDA0002743643570000022
式中，
Figure FDA0002743643570000023
和
Figure FDA0002743643570000024
分别为T时刻系统状态及其熵值的变化率矩阵，wx和we分别为T时刻的系统误差误差所对应的非线性修正系数矩阵；
T时刻系统状态及其熵值所对应预测步长Ts|T和Tns|T的计算方程分别为：
Figure FDA0002743643570000025
Figure FDA0002743643570000026
其中，Tsmax、Tsmin、Tns|Tmax和Tns|Tmin分别为误差极值对应的时间；
而损失函数g(Mr|T)和g(Mnr|T)对应的计算方程分别为：
Figure FDA0002743643570000027
Figure FDA0002743643570000028
式中，
Figure FDA0002743643570000029
为T-1时刻的系统实际测量值矩阵Xa|T-1对T时刻的系统实际测量值矩阵Xa|T的到达代价修正值，
Figure FDA00027436435700000210
为T时刻的系统实际测量值矩阵Xa|T对T时刻的预测值矩阵Xa|T的到达代价修正值，
Figure FDA00027436435700000211
为T-1时刻熵值矩阵Ea|T-1对T时刻熵值矩阵Ea|T的到达代价修正值，
Figure FDA00027436435700000212
为T时刻熵值矩阵Ep|T对T时刻熵值矩阵Ea|T的到达代价修正值；
2.4、设定车辆状态预测步长Ts|T大小占当前时刻T的容差比例范围为[0.5‰,1‰]，由此得到在0.5‰T、0.6‰T、0.7‰T、0.8‰T、0.9‰T和1‰T这6种不同时间步长下的系统预测增广矩阵为Xps|T+1＝[(Xp1,Xp2,Xp3,Xp4,Xp5,Xp6)|T+1]，进而得到不同预测步长下的车辆状态误差极值矩阵分别为：
Mmax＝[max(Xp1-Xa)max(Xp3-Xa)max(Xp3-Xa)
max(Xp4-Xa)max(Xp5-Xa)max(Xp6-Xa)]T
Mmin＝[min(Xp1-Xa)min(Xp3-Xa)min(Xp3-Xa)
min(Xp4-Xa)min(Xp5-Xa)min(Xp6-Xa)]T
进而确定车辆状态误差极值矩阵中的极值Mrmax和Mrmin分别为：
Figure FDA0002743643570000031
根据极值Mrmax和Mrmin则可以找到所对应的时间步长为Tsmax和Tsmin；未来时刻Tf所对应的参数序列的维度为nf，由此可以得到车辆状态参数所对应的时间延伸指数rx的计算方式如下所示为：
Figure FDA0002743643570000032
此时，预测步长Ts|T取值范围则变为
Figure FDA0002743643570000033
由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Ts|T+1预测步长值；
2.5、设定熵值预测步长Tns|T大小占当前时刻T的容差比例范围为[0.1％,0.6％]，由此可以得到0.1％T、0.2％T、0.3％T、0.4％T、0.5％T和0.6％T这6种不同时间步长下的系统预测增广矩阵为Epn|T+1＝[(Ep1,Ep2,Ep3,Ep4,Ep5,Ep6)|T+1]，进而得到不同的预测步长下的车辆状态熵值误差极值矩阵分别为：
Mnmax＝[max(Ep1-Ea)max(Ep3-Ea)max(Ep3-Ea)
max(Ep4-Ea)max(Ep5-Ea)max(Ep6-Ea)]T
Mnmin＝[min(Ep1-Ea)min(Ep3-Ea)min(Ep3-Ea)
min(Ep4-Ea)min(Ep5-Ea)min(Ep6-Ea)]T
进而确定车辆状态熵值误差极值矩阵中的极值Mnrmax和Mnrmin分别为：
Figure FDA0002743643570000034
根据极值Mnrmax和Mnrmin则可以找到所对应的时间步长为Tns|Tmax和Tns|Tmin；未来时刻Tf所对应的参数序列的维度为nf，由此可以得到熵值预测所对应的时间延伸指数rnx的计算方式如下所示为：
Figure FDA0002743643570000041
此时，预测步长Tns|T取值范围则变为[0.1％rnxTf,0.6％rnxTf]，由此可以进行往复迭代和滚动优化计算，从而确定最新时间范围下的Tns|T+1预测步长值。
4.如权利要求3所述的一种基于在线变步长的车辆状态预测方法，其特征在于，步骤三具体包括：
3.1、基于2.1中T时刻下的实际测量值矩阵Xa|T和误差值矩阵Mr|T、2.3中T时刻下的系统状态的变化率矩阵
Figure FDA0002743643570000042
2.3中T时刻下的损失函数g(Mr|T)以及2.4中的车辆状态最佳预测步长Ts|T，按照2.3中的计算方程预测得到从T时刻对T+1时刻的预测值矩阵Xp|T+1；而T+1时刻实际测量值矩阵则为矩阵Xa|T+1，进而得到T+1时刻系统状态对应的误差值矩阵Mr|T+1；
3.2、基于2.2中的T时刻测量值矩阵Ea|T和误差值矩阵Mnr|T、2.3中的T时刻系统状态熵值的变化率矩阵
Figure FDA0002743643570000043
2.3中T时刻损失函数g(Mnr|T)以及基于2.5中的熵值最佳预测步长Tns|T，按照2.3中的计算方程预测得到从T时刻对T+1时刻的预测熵值矩阵Ep|T+1；T+1时刻实际测量值矩阵Xa|T+1对应熵值矩阵为Ea|T+1，进而得到T+1时刻系统状态熵值对应的误差值矩阵Mnr|T+1。
5.如权利要求4所述的一种基于在线变步长的车辆状态预测方法，其特征在于，步骤四具体包括：
4.1、确定T+1时刻预测状态参数矩阵Xp|T+1对应的极值矩阵L(Xp|T+1)；此时，极值矩阵L(Xp|T+1)应满足1.2中波动范围矩阵H对应的约束条件：
Figure FDA0002743643570000051
如果矩阵L(Xp|T+1)满足上述约束条件，直接进入4.3继续进行计算；如果矩阵L(Xp|T+1)不满足上述约束条件，则按照4.2中计算过程进行车辆状态参数优化；
4.2、调节2.3中的到达代价修正值
Figure FDA0002743643570000052
和
Figure FDA0002743643570000053
通过PID控制器进行计算：
Figure FDA0002743643570000054
Figure FDA0002743643570000055
式中，Kp|T-1和Kp|T分别为到达代价修正值
Figure FDA0002743643570000056
和
Figure FDA0002743643570000057
对应的比例系数，Ki|T-1和Ki|T分别为到达代价修正值
Figure FDA0002743643570000058
和
Figure FDA0002743643570000059
对应的积分系数，Kd|T-1和Kd|T分别为到达代价修正值
Figure FDA00027436435700000510
和
Figure FDA00027436435700000511
对应的微分系数；
同时将矩阵Xp|T+1的预测时间步长减小0.01‰T，返回到T时刻重新计算；
4.3、计算4.1中的预测值矩阵Xp|T+1所对应的估计熵值矩阵为
Figure FDA00027436435700000512
4.4、计算4.3中估计熵值矩阵
Figure FDA00027436435700000513
与3.2中预测熵值矩阵Ep|T+1之间的差值，定义T+1时刻的性能判定函数Lossp|T+1为：
Figure FDA00027436435700000514
4.5、设置置信下限矩阵Q和上限矩阵R，对4.4中的性能判定方程Lossp|T+1进行约束判定，则有：
Q≤Lossp|T+1≤R
如果判定函数Lossp|T+1满足约束条件，那么此时的预测值矩阵Xp|T+1满足精度需求，即为理想的预测值矩阵X* a|T+1，输出此矩阵；如果判定函数Lossp|T+1不满足约束条件，超出置信区间[Q,R]，那么进入4.6进一步实施校正计算；
4.6、在T时刻下，根据2.1中的实际测量值矩阵Xa|T和车辆状态误差值矩阵Mr|T、2.2中的熵值矩阵Ea|T和车辆状态熵值误差值矩阵Mnr|T、以及4.5中的置信区间[Q,R]，可以通过泛函来求解得到系统参数的最优变化轨迹f，沿着该轨迹f进行预测计算，则可以得到理想的系统状态变量X* a|T+1。
CN202011158741.4A 2020-10-26 2020-10-26 一种基于在线变步长的车辆状态预测方法 Active CN112330843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011158741.4A CN112330843B (zh) 2020-10-26 2020-10-26 一种基于在线变步长的车辆状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158741.4A CN112330843B (zh) 2020-10-26 2020-10-26 一种基于在线变步长的车辆状态预测方法

Publications (2)

Publication Number Publication Date
CN112330843A true CN112330843A (zh) 2021-02-05
CN112330843B CN112330843B (zh) 2021-12-31

Family

ID=74311889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158741.4A Active CN112330843B (zh) 2020-10-26 2020-10-26 一种基于在线变步长的车辆状态预测方法

Country Status (1)

Country Link
CN (1) CN112330843B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113771864A (zh) * 2021-06-18 2021-12-10 湖南大学 一种基于人工智能的新能源车辆侧翻预警方法
CN114741786A (zh) * 2022-04-02 2022-07-12 中国北方车辆研究所 一种基于多目标的悬架系统性能协调优化控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109660967A (zh) * 2019-02-18 2019-04-19 华东交通大学 一种基于车联网bsm信息融合的行车安全监控装置与方法
CN110489715A (zh) * 2019-08-23 2019-11-22 河南城建学院 一种城市通过车辆预测方法及系统
US20200039522A1 (en) * 2018-07-31 2020-02-06 Seiko Epson Corporation Posture estimation method, posture estimation device, and vehicle
CN111231976A (zh) * 2020-02-19 2020-06-05 江苏大学 一种基于变步长的车辆状态估计方法
CN111348028A (zh) * 2018-12-20 2020-06-30 北汽福田汽车股份有限公司 整车控制方法、装置和车辆
WO2020193860A1 (en) * 2019-03-25 2020-10-01 Eee Innovations Oy Modelling dynamics of a vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200039522A1 (en) * 2018-07-31 2020-02-06 Seiko Epson Corporation Posture estimation method, posture estimation device, and vehicle
CN111348028A (zh) * 2018-12-20 2020-06-30 北汽福田汽车股份有限公司 整车控制方法、装置和车辆
CN109660967A (zh) * 2019-02-18 2019-04-19 华东交通大学 一种基于车联网bsm信息融合的行车安全监控装置与方法
WO2020193860A1 (en) * 2019-03-25 2020-10-01 Eee Innovations Oy Modelling dynamics of a vehicle
CN110489715A (zh) * 2019-08-23 2019-11-22 河南城建学院 一种城市通过车辆预测方法及系统
CN111231976A (zh) * 2020-02-19 2020-06-05 江苏大学 一种基于变步长的车辆状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUECHENG LI: "An Adaptive Online Prediction Method With", 《IEEE ACCESS》 *
张军伟: "多工况下互连式油气悬架系统建模及特性研究", 《汽车工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113771864A (zh) * 2021-06-18 2021-12-10 湖南大学 一种基于人工智能的新能源车辆侧翻预警方法
CN113771864B (zh) * 2021-06-18 2023-06-23 湖南大学 一种基于人工智能的新能源车辆侧翻预警方法
CN114741786A (zh) * 2022-04-02 2022-07-12 中国北方车辆研究所 一种基于多目标的悬架系统性能协调优化控制方法
CN114741786B (zh) * 2022-04-02 2024-09-20 中国北方车辆研究所 一种基于多目标的悬架系统性能协调优化控制方法

Also Published As

Publication number Publication date
CN112330843B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN112330843B (zh) 一种基于在线变步长的车辆状态预测方法
CN111638712B (zh) 自动驾驶车辆横向运动控制方法、装置和自动驾驶车辆
CN106292287B (zh) 一种基于自适应滑模控制的uuv路径跟踪方法
CN108001447A (zh) 一种智能车辆路径跟踪前轮转角补偿控制方法
JP2007269294A (ja) 車両運動制御装置及び制御方法
CN113126623B (zh) 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法
CN113183957A (zh) 车辆控制方法、装置、设备及自动驾驶车辆
CN108958246A (zh) 无人车在U-Turn场景的轨迹跟踪控制方法
WO2024087766A1 (zh) 一种考虑时变时延的无人车横纵向协同控制方法及装置
CN111007867B (zh) 一种可预设调整时间的高超声速飞行器姿态控制设计方法
CN111740658B (zh) 基于策略迭代的电机系统最优调节控制方法
CN115268260B (zh) 考虑瞬态性能的无人艇预设时间轨迹跟踪控制方法及系统
CN111158386B (zh) 一种干扰自主免疫的无人机姿态控制系统及实现方法
CN114200925B (zh) 基于自适应时域模型预测的拖拉机路径跟踪控制方法及系统
CN114368381B (zh) 一种基于横摆角速度预估的统一时序卡车横向控制方法
CN115723590A (zh) 一种轮毂电机驱动汽车的节能转矩矢量控制方法
CN114148403B (zh) 一种线控转向系统多工况稳定性控制方法
CN112230551B (zh) 基于车辆底盘集成控制技术的防侧翻主动控制方法
CN112882389B (zh) 一种基于分段t-s模糊模型的车辆稳定性控制器设计方法
Zhang et al. Design of the integrated AFS and DYC scheme for vehicles via FTSM and SOSM techniques.
CN113815602B (zh) 一种车辆横向自适应控制方法
CN114802202A (zh) 一种基于Lyapunov稳定性理论的车辆稳定性控制方法
CN117970922A (zh) 一种基于mrac控制算法的移动机器人控制方法
CN118144780A (zh) 一种自适应权重系数mpc的路径跟踪控制方法和系统
CN117124882B (zh) 一种车辆的扭矩控制方法、处理装置及车辆

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