CN112874529B - 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 - Google Patents

基于事件触发状态估计的车辆质心侧偏角估计方法及系统 Download PDF

Info

Publication number
CN112874529B
CN112874529B CN202110167355.XA CN202110167355A CN112874529B CN 112874529 B CN112874529 B CN 112874529B CN 202110167355 A CN202110167355 A CN 202110167355A CN 112874529 B CN112874529 B CN 112874529B
Authority
CN
China
Prior art keywords
vehicle
speed
gps
angle
lateral
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
Application number
CN202110167355.XA
Other languages
English (en)
Other versions
CN112874529A (zh
Inventor
张雷
王震坡
丁晓林
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 Bitnei Corp ltd
Beijing Institute of Technology BIT
Original Assignee
Beijing Bitnei Corp ltd
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 Bitnei Corp ltd, Beijing Institute of Technology BIT filed Critical Beijing Bitnei Corp ltd
Priority to CN202110167355.XA priority Critical patent/CN112874529B/zh
Priority to PCT/CN2021/097607 priority patent/WO2022166046A1/zh
Priority to US18/015,020 priority patent/US20230264700A1/en
Publication of CN112874529A publication Critical patent/CN112874529A/zh
Application granted granted Critical
Publication of CN112874529B publication Critical patent/CN112874529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W40/12—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 related to parameters of the vehicle itself, e.g. tyre models
    • 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
    • B60W40/12—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 related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W40/12—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 related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • B60W2040/1315—Location of the centre of gravity
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。该方法包括：以
Figure DDA0002936302500000011
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代；在所述迭代中：当
Figure DDA0002936302500000012
时，令εk为1，否则，令εk为0；在εk为0时，或，在εk为1且GPS航向角更新时，根据
Figure DDA0002936302500000013
对状态量进行估计，并根据采用所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角。在εk为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。本发明提供的事件触发状态估计架构由于考虑了整体构架的稳定性，因此更加的稳定。

Description

基于事件触发状态估计的车辆质心侧偏角估计方法及系统
技术领域
本发明涉及车辆质心侧偏角估计领域，特别是涉及一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。
背景技术
车辆质心侧偏角是表征车辆横摆稳定性的重要状态量，主要用于车辆的横摆稳定性判别及稳定性控制系统设计。现有技术中，通常基于多个传感器测得的车辆参数信号以及车辆动力学模型来确定车辆质心侧偏角，该类方法的精度依赖于动力学模型，对模型参数变化的鲁棒性较差。而且，现有技术中并没有基于事件触发状态估计的车辆质心侧偏角估计方法。
发明内容
本发明的目的是提供一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于事件触发状态估计的车辆质心侧偏角估计方法，包括：
以
Figure GDA0003615612490000011
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure GDA0003615612490000012
为IMU测量得到的横摆角速度，T为采样周期，
Figure GDA0003615612490000013
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
在所述迭代中：
当
Figure GDA0003615612490000014
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
当εk为0时，根据
Figure GDA0003615612490000015
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure GDA0003615612490000021
Figure GDA0003615612490000022
Figure GDA0003615612490000023
Figure GDA0003615612490000024
Figure GDA0003615612490000025
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数；
当εk为1时，判断GPS航向角是否更新；如果GPS航向角更新，则根据
Figure GDA0003615612490000026
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
可选的，所述根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，具体包括：
根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
根据β＝ψ-γGPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γGPS为GPS的航向角。
可选的，所述融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计，具体包括：
基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；
根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
可选的，所述基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，具体包括：
根据
Figure GDA0003615612490000031
计算车辆的纵向速度vx和侧向速度vy，其中，vGPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
可选的，所述方法还包括：对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
本发明还提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，包括：
卡尔曼滤波模块，用于以
Figure GDA0003615612490000032
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure GDA0003615612490000033
为IMU测量得到的横摆角速度，T为采样周期，
Figure GDA0003615612490000039
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
事件触发判别模块，用于在所述迭代中，当
Figure GDA0003615612490000034
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
数据融合模块，用于在εk为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；
所述卡尔曼滤波模块还用于在εk为0时，或，在εk为1且GPS航向角更新时，根据
Figure GDA0003615612490000035
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure GDA0003615612490000036
Figure GDA0003615612490000037
Figure GDA0003615612490000038
Figure GDA0003615612490000041
Figure GDA0003615612490000042
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数。
可选的，所述卡尔曼滤波模块中包括：
车辆横摆角计算单元，用于根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
车辆质心侧偏角计算单元，用于根据β＝ψ-γGPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γGPS为GPS的航向角。
可选的，所述数据融合模块中包括：
第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
车辆速度融合单元，用于采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；
车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
可选的，所述第二车辆速度确定单元，具体包括：
车辆速度确定子单元，用于根据
Figure GDA0003615612490000043
计算车辆的纵向速度vx和侧向速度vy，其中，vGPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
可选的，所述第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法及系统定义了事件εk，事件触发的含义为：卡尔曼滤波算法中相邻循环迭代中状态量的变化大于预设阈值时，认为事件触发。本发明在εk为0时，或，在εk为1且GPS航向角更新时，根据
Figure GDA0003615612490000051
对状态量进行估计，并根据采用所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角。本发明在εk为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。本发明提供的事件触发状态估计架构由于考虑了整体构架的稳定性，因此更加的稳定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于事件触发状态估计的车辆质心侧偏角估计方法的流程示意图；
图2为本发明实施例1中车辆航向角、横摆角与质心侧偏角的关系图；
图3为本发明实施例1中车辆侧倾动力学模型的示意图；
图4为本发明实施例1中车辆三自由度模型的示意图；
图5为本发明实施例2提供的基于事件触发状态估计的车辆质心侧偏角估计系统的结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计方法，该方法包括：
以
Figure GDA0003615612490000061
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure GDA0003615612490000062
为IMU测量得到的横摆角速度，T为采样周期，
Figure GDA0003615612490000063
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
在所述迭代中：
当
Figure GDA0003615612490000064
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
当εk为0时，根据
Figure GDA0003615612490000065
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure GDA0003615612490000066
Figure GDA0003615612490000067
Figure GDA0003615612490000068
Figure GDA0003615612490000069
Figure GDA00036156124900000610
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数；
当εk为1时，判断GPS航向角是否更新；如果GPS航向角更新，则根据
Figure GDA00036156124900000611
对状态量进行估计，并根据采用所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
本发明定义了事件εk，若事件未触发，则质心侧偏角β＝0；若事件触发，则判断GPS航向角是否更新，若GPS航向角更新，则质心侧偏角β＝ψ-γ；若GPS航向角未更新，则根据GPS上一周期更新数据及运动学关系计算质心侧偏角β。其中事件触发的含义为：卡尔曼滤波算法中相邻循环迭代中状态量的变化大于预设阈值时，认为事件触发，在本实施例中，当
Figure GDA0003615612490000071
时，认为事件触发，δ为预设阈值。
车辆质心侧偏角的具体估计流程参见图1。质心侧偏角估计可根据事件触发卡尔曼滤波估计架构来实现，具体算法过程如下：
定义状态方程
Figure GDA0003615612490000072
其中xk为状态变量，xk＝[ψ；ωz]；A为状态转移矩阵，A＝[1,T；0,1]，T为采样周期；B为输入矩阵；uk为输入量；zk+1为观测量，
Figure GDA0003615612490000073
H为观测矩阵，H＝[1,1；1,1]。
预测值和真实值之间的误差协方差矩阵为
Pk+1∣k＝APkA′+Q (2)
最优卡尔曼滤波估计为
Figure GDA0003615612490000074
其中卡尔曼增益为
Figure GDA0003615612490000075
估计值和真实值之间的误差协方差矩阵
Pk+1＝(I-Kk+1H)Pk+1∣k (5)
事件触发状态估计中的事件定义：
Figure GDA0003615612490000081
其中τk-1是上一次传感器信号传递的时间。
测量时间更新
Figure GDA0003615612490000082
测量值传递
Figure GDA0003615612490000083
事件触发，卡尔曼滤波估计结果为
Figure GDA0003615612490000084
其中事件未触发时，GPS输出的航向角等效为车辆的横摆角。事件触发项增益Mk+1为
Mk+1＝η1Pk+1∣k THT(η1HPk+1∣kHT+η2Rk+1+η3δI)-1 (10)
式中：η1，η2和η3的定义为
Figure GDA0003615612490000085
其中：τ1＝1，τ2＝1。
参见图2，计算得到的质心侧偏角为
βk＝ψk-γk (12)
事件触发时，判断GPS航向角是否更新，若GPS航向角更新，则根据式(9)得到卡尔曼滤波估计结果，此时，式(9)中的εk为1，观测量传递值为
Figure GDA0003615612490000086
并根据公式(12)计算质心偏转角。由于公式(9)具有收敛性，因此保障了本发明提供的车辆质心侧偏角估计方法的整体构架的稳定性。公式(9)的收敛性证明如下：
考虑当εk＝1时，公式(9)可表示为
Figure GDA0003615612490000091
其中
Figure GDA0003615612490000092
而
Figure GDA0003615612490000093
其中：Ωk+1＝I-Mk+1H,
Figure GDA0003615612490000097
Figure GDA0003615612490000094
其中：
Figure GDA0003615612490000095
根据引理
Figure GDA0003615612490000096
Figure GDA0003615612490000101
其中：
Figure GDA0003615612490000102
因此，当εk＝1时的最优增益Mk+1可计算为
Figure GDA0003615612490000103
事件触发增益为
Mk+1＝η1Pk+1∣k THT(η1HPk+1∣kHT+η2Rk+1+η3δI)-1
以上公式(9)的收敛性证明完毕。
若事件触发时，GPS航向角未更新，根据GPS上一周期更新数据及运动学关系计算质心侧偏角β：基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角，具体算法如下：
由于GPS模块的的更新频率低，常为10-20Hz，而车辆控制周期高，一般为100Hz，甚至200Hz。因此单纯基于GPS模块的输出信号进行质心侧偏角估计满足不了整车控制的需求。提出基于车辆运动学方法，利用GPS与IMU的融合来提高质心侧偏角估计方法的更新频率。
基于图3进行传感器信号校正：由于IMU传感器并非安装在车辆质心，同时，IMU传感器收到车辆侧倾，横摆的综合影响，输出的侧向加速度ay,IMU并不能反应车辆真实的侧向加速度ay，故对IMU输出的侧向加速度校正如下
Figure GDA0003615612490000111
其中：
Figure GDA0003615612490000112
为车辆侧倾角；
Figure GDA0003615612490000113
为横摆角加速度；
Figure GDA0003615612490000114
为横摆角速度，xIMU为传感器安装位置到质心的纵向距离；yIMU为传感器安装位置到质心的侧向距离；hrc为质心到侧倾中心的距离；hIMU为IMU安装位置到质心的距离。
基于图4所示的三自由度车辆模型，车辆的运动方程为
Figure GDA0003615612490000115
对上式进行离散化，得到
Figure GDA0003615612490000116
矩阵中T为系统计算周期，计算周期越小，预测模型精度越高，考虑到控制器运算性能，计算周期通常设为0.01s。
考虑单纯使用加速度积分来进行纵向和侧向速度速度，难以取得理想的预测精度，引入卡尔曼滤波估计器来提升系统精度。
定义状态方程
Figure GDA0003615612490000117
其中xk为状态变量，xk＝[vx；vy]；A为状态转移矩阵，
Figure GDA0003615612490000118
T为采样周期；B为输入矩阵,A＝[T；T]uk为输入量；
Figure GDA0003615612490000119
为观测量，zk+1＝[vx；vy]；H为观测矩阵，H＝[1,0；0,1]。
预测值和真实值之间的误差协方差矩阵为
Pk+1∣k＝APkA′+Q (17)
最优卡尔曼滤波估计为
Figure GDA00036156124900001110
zk+1为传感器测量值，测量值为
Figure GDA0003615612490000121
其中：vGPS为GPS模块输出的车辆速度。
卡尔曼增益为
Figure GDA0003615612490000122
估计值和真实值之间的误差协方差矩阵
Pk+1＝(I-Kk+1H)Pk+1∣k (21)
则基于运动学方法得到的质心侧偏角为
Figure GDA0003615612490000123
上述算法中，基于运动学模型确定车辆的纵向速度和侧向速度，相较于现有技术中依赖动力学模型的算法，由于本发明无需用到很多车辆参数，因此提供了对模型参数变化的鲁棒性。
本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法具有以下优势：
(1)本发明基于事件触发状态估计架构对车辆质心侧偏角进行了估计，考虑整体构架的稳定性，相对于传统不考虑整体构架的基于条件的状态估，本发明更稳定。
(2)在GPS信号更新时，基于更新的GPS信号估计车辆质心侧偏角，在GPS信号未更新时，基于MU信号与上一周期更新的GPS信号进行多步车辆质心侧偏角的估计，相对传统基于动力学、运动学-动力学融合的方法，本发明对模型参数变化的鲁棒性更好，精度更高。
(3)使用高更新频率的IMU传感器与低更新频率的GPS模块进行传感器融合，得到高更新频率的质心侧偏角，满足了车辆稳定性控制需求。
实施例2
参见图5，本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，该系统包括：
卡尔曼滤波模块501，用于以
Figure GDA0003615612490000131
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure GDA0003615612490000132
为IMU测量得到的横摆角速度，T为采样周期，
Figure GDA0003615612490000133
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
事件触发判别模块502，用于在迭代中，当
Figure GDA0003615612490000134
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
数据融合模块503，用于在εk为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；
卡尔曼滤波模块501还用于在εk为0时，或，在εk为1且GPS航向角更新时，根据
Figure GDA0003615612490000135
对状态量进行估计，并根据卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure GDA0003615612490000136
Figure GDA0003615612490000137
Figure GDA0003615612490000138
Figure GDA0003615612490000139
Figure GDA00036156124900001310
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数。
其中，卡尔曼滤波模块501中包括：
车辆横摆角计算单元，用于根据卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
车辆质心侧偏角计算单元，用于根据β＝ψ-γGPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γGPS为GPS的航向角。
数据融合模块503中包括：
第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
车辆速度融合单元，用于采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；
车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
其中，第二车辆速度确定单元，具体包括：
车辆速度确定子单元，用于根据
Figure GDA0003615612490000141
计算车辆的纵向速度vx和侧向速度vy，其中，vGPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，包括：
以
Figure FDA0003639860070000011
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure FDA0003639860070000012
为IMU测量得到的横摆角速度，T为采样周期，
Figure FDA0003639860070000013
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
在所述迭代中：
定义事件εk；
当
Figure FDA0003639860070000014
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
当εk为0时，事件未触发，令质心侧偏角β等于0；
当εk为1时，事件触发，判断GPS航向角是否更新，如果GPS航向角更新，则根据
Figure FDA0003639860070000015
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure FDA0003639860070000016
Mk+1＝η1Pk+1∣k THT(η1HPk+1∣kHT+η2Rk+1+η3δI)-1，
Figure FDA0003639860070000017
Figure FDA0003639860070000018
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数；
如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；
所述根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，具体包括：
根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
根据β＝ψ-γGPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γGPS为GPS的航向角；
所述融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计，具体包括：
基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；
根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
2.根据权利要求1所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，具体包括：
根据
Figure FDA0003639860070000021
计算车辆的纵向速度vx和侧向速度vy，其中，vGPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
3.根据权利要求1所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述方法还包括：对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
4.一种基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，包括：
卡尔曼滤波模块，用于以
Figure FDA0003639860070000022
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
Figure FDA0003639860070000023
为IMU测量得到的横摆角速度，T为采样周期，
Figure FDA0003639860070000024
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
事件触发判别模块，用于在所述迭代中，定义事件εk；当
Figure FDA0003639860070000031
时，令εk为0，否则，令εk为1，其中，δ为预设阈值；
数据融合模块，用于在εk为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；
所述卡尔曼滤波模块还用于在εk为0时，事件未触发，令质心侧偏角β等于0；
在εk为1时，事件触发，判断GPS航向角是否更新，如果GPS航向角更新，则根据
Figure FDA0003639860070000032
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
Figure FDA0003639860070000033
Mk+1＝η1Pk+1∣k THT(η1HPk+1∣kHT+η2Rk+1+η3δI)-1，
Figure FDA0003639860070000034
Figure FDA0003639860070000035
γGPS为GPS测得的航向角，H为观测矩阵，Pk+1∣k＝APkA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，Pk为误差协方差，R为观测噪声协方差，I为单位矩阵，τ1为第一预定义参数，τ2为第二预定义参数；
所述卡尔曼滤波模块中包括：
车辆横摆角计算单元，用于根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
车辆质心侧偏角计算单元，用于根据β＝ψ-γGPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γGPS为GPS的航向角；
所述数据融合模块中包括：
第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
车辆速度融合单元，用于采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；
车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
5.根据权利要求4所述的基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，所述第二车辆速度确定单元，具体包括：
车辆速度确定子单元，用于根据
Figure FDA0003639860070000041
计算车辆的纵向速度vx和侧向速度vy，其中，vGPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
6.根据权利要求4所述的基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，所述第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
CN202110167355.XA 2021-02-05 2021-02-05 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 Active CN112874529B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110167355.XA CN112874529B (zh) 2021-02-05 2021-02-05 基于事件触发状态估计的车辆质心侧偏角估计方法及系统
PCT/CN2021/097607 WO2022166046A1 (zh) 2021-02-05 2021-06-01 基于事件触发状态估计的车辆质心侧偏角估计方法及系统
US18/015,020 US20230264700A1 (en) 2021-02-05 2021-06-01 Method and system for vehicle sideslip angle estimation based on event-triggered state estimation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110167355.XA CN112874529B (zh) 2021-02-05 2021-02-05 基于事件触发状态估计的车辆质心侧偏角估计方法及系统

Publications (2)

Publication Number Publication Date
CN112874529A CN112874529A (zh) 2021-06-01
CN112874529B true CN112874529B (zh) 2022-07-08

Family

ID=76057530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110167355.XA Active CN112874529B (zh) 2021-02-05 2021-02-05 基于事件触发状态估计的车辆质心侧偏角估计方法及系统

Country Status (3)

Country Link
US (1) US20230264700A1 (zh)
CN (1) CN112874529B (zh)
WO (1) WO2022166046A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113115230B (zh) * 2021-03-26 2023-08-18 北京工业大学 一种基于信息物理系统的车辆广播通信控制方法
CN115790615B (zh) * 2023-01-30 2023-05-05 安徽蔚来智驾科技有限公司 基于自动驾驶的多传感器融合方法、装置、介质及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007076735A2 (de) * 2006-01-04 2007-07-12 Conti Temic Microelectronic Gmbh Verfahren und vorrichtung zur bestimmung einer auslöseentscheidung für rückhaltemittel eines fahrzeugs
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN107600073A (zh) * 2017-08-10 2018-01-19 同济大学 一种基于多源信息融合的车辆质心侧偏角估计系统及方法
CN108545081A (zh) * 2018-03-20 2018-09-18 北京理工大学 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
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
CN110864688A (zh) * 2019-11-28 2020-03-06 湖南率为控制科技有限公司 一种用于车载方位开环水平姿态角闭环的航姿方法
CN112092645A (zh) * 2020-08-18 2020-12-18 江苏大学 一种分布式驱动电动汽车的经济型横向稳定性控制方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100521169B1 (ko) * 2002-12-27 2005-10-12 현대자동차주식회사 롤 오버 제어 방법
KR100599567B1 (ko) * 2004-08-17 2006-07-13 현대모비스 주식회사 지피에스를 이용한 차량의 횡미끌림각 추정 방법
US9285485B2 (en) * 2009-11-12 2016-03-15 GM Global Technology Operations LLC GPS-enhanced vehicle velocity estimation
CN102009653B (zh) * 2010-11-10 2013-03-27 清华大学 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法
US20170247038A1 (en) * 2014-10-20 2017-08-31 Politecnico Di Milano Method For Estimating A Vehicle Side Slip Angle, Computer Program Implementing Said Method, Control Unit Having Said Computer Program Loaded, And Vehicle Comprising Said Control Unit
CN106250591B (zh) * 2016-07-21 2019-05-03 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
JP7206883B2 (ja) * 2018-12-17 2023-01-18 株式会社豊田中央研究所 ヨーレート補正装置
CN110884499B (zh) * 2019-12-19 2021-03-19 北京理工大学 一种确定车辆质心侧偏角的方法和系统
CN111055921B (zh) * 2019-12-31 2021-06-29 吉林大学 一种基于数据驱动的四轮转向模型预测控制方法
CN111152795B (zh) * 2020-01-08 2022-12-13 东南大学 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007076735A2 (de) * 2006-01-04 2007-07-12 Conti Temic Microelectronic Gmbh Verfahren und vorrichtung zur bestimmung einer auslöseentscheidung für rückhaltemittel eines fahrzeugs
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN107600073A (zh) * 2017-08-10 2018-01-19 同济大学 一种基于多源信息融合的车辆质心侧偏角估计系统及方法
CN108545081A (zh) * 2018-03-20 2018-09-18 北京理工大学 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
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
CN110864688A (zh) * 2019-11-28 2020-03-06 湖南率为控制科技有限公司 一种用于车载方位开环水平姿态角闭环的航姿方法
CN112092645A (zh) * 2020-08-18 2020-12-18 江苏大学 一种分布式驱动电动汽车的经济型横向稳定性控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Codesign of Event-Triggered and Distributed H∞ Filtering for Active Semi-Vehicle Suspension Systems;Zhang, H., Zheng, X., Yan, H., Peng, C., Wang, Z., Chen, Q.;《IEEE/ASME TRANSACTIONS ON MECHATRONICS》;20170430;第22卷(第2期);全文 *
Event-triggered cooperative unscented Kalman filtering and its application in multi-UAV systems;W. Song, J. Wang, S. Zhao, and J. Shan,;《Automatica》;20190417;第105卷;全文 *
智能车辆质心侧偏角估计与INS/GPS信息融合方法研究;徐凯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第01期);全文 *

Also Published As

Publication number Publication date
US20230264700A1 (en) 2023-08-24
CN112874529A (zh) 2021-06-01
WO2022166046A1 (zh) 2022-08-11

Similar Documents

Publication Publication Date Title
CN112874529B (zh) 基于事件触发状态估计的车辆质心侧偏角估计方法及系统
CN112013836B (zh) 一种基于改进自适应卡尔曼滤波的航姿参考系统算法
CN107014376B (zh) 一种适用于农业机械精准作业的姿态倾角估计方法
JP5173854B2 (ja) センサドリフト量推定装置
EP1489381B1 (en) Method and apparatus for compensating for acceleration errors and inertial navigation system employing the same
US8560234B2 (en) System and method of navigation based on state estimation using a stepped filter
CN111156987A (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN110926460A (zh) 一种基于IMU的uwb定位异常值处理方法
CN116067370B (zh) 一种imu姿态解算方法及设备、存储介质
CN113514806A (zh) 自动驾驶过程中障碍物确定方法、装置及电子设备
CN111189454A (zh) 基于秩卡尔曼滤波的无人车slam导航方法
CN111623779A (zh) 一种适用于噪声特性未知的时变系统自适应级联滤波方法
CN110572139A (zh) 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆
CN110440756B (zh) 一种惯导系统姿态估计方法
JP2009250778A (ja) カルマンフィルタ処理における繰り返し演算制御方法及び装置
WO2017141469A1 (ja) 位置推定装置
CN110832274A (zh) 地面坡度计算方法、装置、设备及存储介质
CN113608534A (zh) 一种无人艇跟踪控制方法及系统
CN111189443B (zh) 一种在线校准步长、修正运动偏差角和自适应能量管理的行人导航方法
CN111044053A (zh) 单舵轮无人车的导航方法、装置和单舵轮无人车
CN113932815B (zh) 稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质
CN116820081A (zh) 基于无模型自适应滑模的欠驱动无人艇路径跟踪控制方法
JP7014197B2 (ja) 推定装置
CN115574818B (zh) 基于改进联邦滤波的结构化道路车辆导航定位方法及系统
CN111290279B (zh) 一种基于误差转换函数的神经网络滑模控制方法

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
GR01 Patent grant
GR01 Patent grant