CN113119980A - 一种用于电动车的道路坡度估计方法、系统和设备 - Google Patents

一种用于电动车的道路坡度估计方法、系统和设备 Download PDF

Info

Publication number
CN113119980A
CN113119980A CN202110316183.8A CN202110316183A CN113119980A CN 113119980 A CN113119980 A CN 113119980A CN 202110316183 A CN202110316183 A CN 202110316183A CN 113119980 A CN113119980 A CN 113119980A
Authority
CN
China
Prior art keywords
gradient
model
change rate
establishing
value
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
Application number
CN202110316183.8A
Other languages
English (en)
Inventor
尹欣欣
严鉴铂
刘义
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.)
Xian Fast Auto Drive Co Ltd
Original Assignee
Xian Fast Auto Drive Co Ltd
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 Xian Fast Auto Drive Co Ltd filed Critical Xian Fast Auto Drive Co Ltd
Priority to CN202110316183.8A priority Critical patent/CN113119980A/zh
Publication of CN113119980A publication Critical patent/CN113119980A/zh
Pending legal-status Critical Current

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
    • B60W40/02—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 ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/107—Longitudinal acceleration
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种用于电动车的道路坡度估计方法、系统和设备，属于道路坡度计算领域，首先通过高斯牛顿法和一阶滤波，对控制器的加速度值进行处理，消除系统零偏误差和刻度误差，得到准确、有用的加速度值；其次采用遗忘因子最小二乘法的方法来估计坡度变化率，考虑到路面坡度变化率的变化，可以在坡度比较陡，坡度变化比较快的路面上估计坡度；最后结合卡尔曼滤波方法，通过之前的遗忘因子最小二乘法估计出坡度变化率因素的影响，再通过卡尔曼滤波方法，对时变坡度的估计实时性很好。能保证在换挡时和在坡度很大、变化很快的道路上，既能实时快速估计出坡度值，又能保证计算的坡度数值的准确性。

Description

一种用于电动车的道路坡度估计方法、系统和设备
技术领域
本发明属于道路坡度计算领域，涉及一种用于电动车的道路坡度估计方法、系统和设备。
背景技术
在纯电动商用汽车领域，越来越多的主机厂需要实时知道道路的坡度值，便于根据实时坡度做扭矩大小的策略制定，因此对道路坡度的估计越精确越好。在对道路坡度的估计和测量上，可以通过在车身安装坡度测量仪来测量，或者利用控制器自带的传感器并通过算法来计算得到，对于纯电动商用车来说，前者一般需要额外增加测量设备，对于主机厂来说，首先会额外增加费用，其次对于整车布置时的安装位置要求较高，一般要安装在很平整的水平面上，要是安装的位置不好，在计算找零时比较麻烦，所以对于主机厂来说这种方式一般不会采用。第二种对于坡度值的估算有很多种方法，主要有基于最小二乘法的坡度估计，基于卡尔曼滤波算法的坡度估计，基于纵向动力学最小二乘法的坡度估计。(1)基于最小二乘法的坡度估计，基于估计的车重来根据动力学方程来估计坡度，由于车重本身就是估计出来的，不是很准确，所以该方法估计的坡度精确度不高，该方法更适合于质量和固定坡度这类慢变量的估计。(2)基于卡尔曼滤波的算法估计，由于没有考虑换挡冲击，当在坡度变化很快的坡度道路上时，该种方法不能很好地估计出坡度值，不适合在换挡过程和快速变化的坡度很大的道路中进行坡度估计。(3)基于纵向动力学最小二乘法的坡度估计，该方法能很好应用于固定坡度路面的坡度估计，但在坡度变化路面上的估计实时性较差且有较大的误差。
综上所述，上述方法都不能很好地全面地考虑在换挡冲击和坡度变化很快的道路上运行时的坡度估计，即现有的坡度估计算法不能对坡度进行实时准确的估计。
发明内容
本发明的目的在于克服上述现有技术中坡度估计算法不能对坡度进行实时准确的估计的缺点，提供一种用于电动车的道路坡度估计方法、系统和设备。
为了达到上述目的，本发明采用以下技术方案予以实现：
一种用于电动车的道路坡度估计方法，包括如下步骤：
步骤1)获取三轴加速度数值，对三轴加速度数值进行数据处理后得到三轴加速度传感器的使用坐标，基于三轴加速度传感器的使用坐标，根据遗忘因子最小二乘法，建立坡度变化率估计的传感器加速度值和坡度角关系模型；
步骤2)确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure BDA0002991317240000021
并根据遗忘因子最小二乘法建立相应的EF模型、Ea模型和
Figure BDA0002991317240000022
模型；
步骤3)计算坡度变化率，建立整车系统空间状态方程；
步骤4)建立卡尔曼滤波模型，并基于坡度变化率计算坡度值。
优选地，步骤1)所述的数据处理具体是，基于高斯牛顿法消除三轴加速度数值的零偏误差和刻度误差。
优选地，步骤1)所述坡度变化率估计的遗忘因子模型的具体建立方法是：基于三轴加速度传感器的使用坐标建立坡度变化率估计最小二乘法公式，再建立坡度变化率估计的遗忘因子模型。
优选地，步骤1)的具体过程为：
ax＝sx(xm-ox) (1)
ay＝sy(ym-oy) (2)
az＝Sz(zm-oz) (3)
Figure BDA0002991317240000031
sx 2(xm-ox)2+sv 2(ym-oy)2+sz 2(zm-oz)2＝1 (5)
Figure BDA0002991317240000032
其中，sx，sy，sz为刻度误差系数；ox，oy，oz为加速度计零偏误差；S为最小二乘拟合数据；Xm，ym，zm为初始获取的三轴加速度值；ax，ay，az为三轴加速度传感器的使用坐标；
传感器x轴的加速度值和坡度角关系为：
Figure BDA0002991317240000033
对传感器x轴的加速度值和坡度角关系进行微分处理，得到：
Figure BDA0002991317240000034
Figure BDA0002991317240000035
其中，α为坡道角，αsenx为x轴校准过的加速度数值，(sinα)′为坡道角正弦值微分；g为重力加速度值，(dv/dt)′为车辆加速度微分。
优选地，步骤2)所述的系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure BDA0002991317240000036
分别为：
Figure BDA0002991317240000037
Ea＝1 (11)
φ＝(sinα)′(12)
遗忘因子最小二乘法的公式为：
φ(k)＝φ(k-1)+K(k)[EF(k)-ETa(k)φ(k-1)] (13)
Figure BDA0002991317240000041
Figure BDA0002991317240000042
其中，Lam为遗忘因子，Lam(t)＝1-0.05·0.98t；
基于遗忘因子最小二乘法公式(13)～(15)建立相应的EF模型、Ea模型和
Figure BDA0002991317240000043
模型。
优选地，步骤3)所述整车系统空间状态方程建立的具体过程如下：
v(k)＝v(k-1)+Δt(asenx(k-1)-gsinα(k-1)) (16)
asenx(k)＝asenx(k-1) (17)
sinα(k)＝sinα(k-1)+Δt[sinα(k-1)]′ (18)
整车系统空间状态方程为：
Figure BDA0002991317240000044
经过Δt时间以后，系统的观测方程为：
Figure BDA0002991317240000045
其中，v(k)为k时刻的整车车速大小，sinα(k)为k时刻，坡度角的正弦值，Z(k)为k时刻的测量值；
优选地，步骤4)所述的卡尔曼滤波模型的建立过程为：
x(k)＝Ax(k-1)+BU(k)+w(k) (21)
Z(k)＝Hx(k)+G(k) (22)
其中，
Figure BDA0002991317240000051
U(k)为k时刻系统的控制量，U(k)＝[sinα(k-1)]′；
w(k)为k时刻系统的过程噪声，
Figure BDA0002991317240000052
G(k)为k时刻系统的测量噪声，
Figure BDA0002991317240000053
x(k)为k时刻系统状态量；Z(k)为k时刻系统测量值。
优选地，所述坡度值的计算过程具体包括：初始化状态向量和误差协方差、计算状态向量先验估计值、计算先验误差协方差、计算卡尔曼滤波增益、更新后验误差协方差和更新状态向量后验估计值。
一种用于电动车的道路坡度估计系统，包括：
三轴加速度获取模块，基于三轴加速度传感器获取三轴加速度值；
遗忘因子模型建立模块，用于对三轴加速度值进行数据处理，并建立坡度变化率估计的遗忘因子模型；
坡度变化率获取模块，基于坡度变化率估计的遗忘因子模型，确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure BDA0002991317240000054
并建立EF模型、Ea模型和
Figure BDA0002991317240000055
模型，计算坡度变化率，建立整车系统空间状态方程；
卡尔曼滤波模型建立模块，基于整车系统空间状态方程建立卡尔曼滤波模型，并结合坡度变化率计算坡度值。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现述用于电动车的道路坡度估计方法。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种用于电动车的道路坡度估计方法，通过三轴加速度计的数值，通过遗忘因子递推最小二乘法和卡尔曼滤波法综合运用来对坡度进行估计，本发明首先通过高斯牛顿法和一阶滤波，对控制器的加速度值进行处理，滤除高斯白噪声，消除系统零偏误差，刻度误差，得到比较准确、有用的加速度值；其次采用遗忘因子最小二乘法的方法来估计坡度变化率，通过该方法考虑路面坡度变化率的变化，可以在坡度比较陡，坡度变化比较快的路面上估计坡度，使得坡度估计的比前面几种方法估计的更加准确；最后结合卡尔曼滤波方法，通过之前的遗忘因子最小二乘法估计出坡度变化率因素的影响，再通过卡尔曼滤波方法，对时变坡度的估计实时性很好。能保证在换挡时和在坡度很大、变化很快的道路上，既能实时快速估计出坡度值，又能保证计算的坡度数值的准确性。
进一步地，EF模型指的是路面坡度变化率的系统输出量，Ea模型指的是可观测的数据量，
Figure BDA0002991317240000061
模型指的是待估计的坡度角的正弦值的微分，建立这三个模型的原因是为了利用遗忘因子最小二乘法估计出路面的坡度变化率，这三个模型，是在软件中运用遗忘因子最小二乘法的模型载体，只有建立这三个模型，才能运用遗忘因子最小二乘法的方法，来估计路面的坡度变化率。
进一步地，采集的三轴加速度计的x、y、z三轴的加速度值，通过高斯牛顿法对三轴加速度值进行校准，消除读取的加速度数值的随机误差和系统误差，获取消除误差后的稳态三轴加速度值。
进一步地，遗忘因子递推最小二乘法，即在递推最小二乘法中引入一个或多个遗忘因子，可以为常数，也可以为时变函数。遗忘因子的作用是衰减旧的信息，降低其在P(k)中的占有量，从而增加新的信息的含量，克服数据饱和现象和解决时变跟踪问题，在本发明中引入一个遗忘因子Lam。
本发明还公开了一种用于电动车的道路坡度估计系统，包括：三轴加速度获取模块，基于三轴加速度传感器获取三轴加速度值；遗忘因子模型建立模块，用于对三轴加速度值进行数据处理，并建立坡度变化率估计的遗忘因子模型；坡度变化率获取模块，基于坡度变化率估计的遗忘因子模型，确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure BDA0002991317240000071
并建立EF模型、Ea模型和
Figure BDA0002991317240000072
模型，计算坡度变化率，建立整车系统空间状态方程；卡尔曼滤波模型建立模块，基于整车系统空间状态方程建立卡尔曼滤波模型，并结合坡度变化率计算坡度值。本发明系统既能保证在坡度比较陡，坡度变化比较快的路面上估计坡度比较准确，又能保证估计坡度的实时性很好。
附图说明
图1为本发明道路坡度估计方法的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，一种用于电动车的道路坡度估计方法，包括如下步骤：
1：确定三轴加速度计传感器的加速度值和控制模型：
(1)读取三轴加速度计传感器的加速度值Xm，Ym，Zm；
(2)对读上来的三轴数值，利用高斯牛顿法进行消除系统零偏误差，刻度误差，采用一阶滤波消除高斯白噪声，得到校准的数值ax，ay，az单位是g，并建立控制模型；
ax＝Sx(xm-ox) (1)
ay＝Sy(ym-oy) (2)
az＝sz(zm-oz) (3)
Figure BDA0002991317240000081
sx 2(xm-ox)2+sy 2(ym-oy)2+sz 2(zm-oz)2＝1 (5)
Figure BDA0002991317240000082
其中sx，sy，sz为刻度误差系数，ox，oy，oz为加速度计零偏误差，S为最小二乘拟合数据；Xm，ym，zm为初始获取的三轴加速度值；ax，ay，az为三轴加速度传感器的使用坐标。
(3)该VCU控制器在整车上安装的位置和朝向总共有20种方式，根据整车具体的安装和朝向来确定使用的是哪一种方式，确定在整车上实际使用的是加速度的哪两个坐标轴；
(4)对路面的坡度变化率进行建模估计，根据以下传感器的数值公式，建立相应的坡度变化率的数学公式，并转化为最小二乘格式，得到系统的输出量EF，可观测的数据量Ea，待估计的坡度变化率
Figure BDA0002991317240000083
Figure BDA0002991317240000084
对式(8)进行微分计算，
Figure BDA0002991317240000085
Figure BDA0002991317240000091
其中α为坡道角，αsenx为X轴校准过的加速度数值，(sinα)′为坡道角正弦值微分；g为重力加速度值，(dv/dt)′为车辆加速度微分；
Figure BDA0002991317240000092
Ea＝1 (11)
φ＝(sinα)′ (12)
(5)根据遗忘因子的计算Lam(t)＝1-0.05·0.98t，建立相应的遗忘因子模型；
(6)根据以下最小二乘法的三个公式，分别建立EF模型，Ea模型，和待估计
Figure BDA0002991317240000093
模型；
φ(k)＝φ(k-1)+K(k)[EF(k)-ETa(k)φ(k-1)] (13)
Figure BDA0002991317240000094
Figure BDA0002991317240000095
(7)根据当前的整车车速，加速度传感器X轴的测量信号和坡度变化率，建立系统的空间数学模型，表达式如下；
v(k)＝v(k-1)+Δt(asenx(k-1)-g sinα(k-1)) (16)
asenx(k)＝asenx(k-1) (17)
sinα(k)＝sinα(k-1)+Δt[sinα(k-1)]′ (18)
根据上式可建立得系统的状态方程为：
Figure BDA0002991317240000101
(8)在经过Δt时间以后，系统的观测方程可以表示为：
Figure BDA0002991317240000102
(9)根据卡尔曼滤波公式建立卡尔曼滤波模型，相关建模公式如下：
状态空间表达式：
x(k)＝Ax(k-1)+BU(k)+w(k) (21)
Z(k)＝Hx(k)+G(k) (22)
其中，
Figure BDA0002991317240000103
u(k)为k时刻系统的控制量，U(k)＝[sinα(k-1)]′；
w(k)是k时刻系统的过程噪声，
Figure BDA0002991317240000104
G(k)是k时刻系统的测量噪声，
Figure BDA0002991317240000105
其中x(k)为k时刻系统状态量，z(k)为k时刻系统测量值。
(10)基于上面加速度传感器的路面坡度估计模型的估计过程如下：
①初始化状态向量X(0)及误差协方差P(0)
②计算状态向量先验估计值
x(k/k-1)＝A·x(k-1/k-1)+B·U(k) (23)
③计算先验误差协方差
P(k/k-1)＝A·P(k-1/k-1)·AT+Q (24)
④计算卡尔曼滤波增益
Figure BDA0002991317240000111
⑤更新后验误差协方差
P(k/k)＝[1-K(k)·H]·P(k/k-1) (26)
⑥更新状态向量后验估计值
x(k/k)＝x(k-1/k-1)+K(k)·[Z(k)-H·x(k/k-1)] (27)
其中x(k/k-1)为k-1时刻系统最优估计值得出k时刻的估计值，x(k-1/k-1)为k-1时刻系统最优估计值，x(k/k)为k时刻系统最优估计值，P(k-1/k-1)为k-1时刻系统最优估计值的协方差，P(k/k-1)为k-1时刻系统最优估计值得出k时刻的估计值的协方差，P(k/k)为k时刻系统最优估计值的协方差，K(k)为k时刻系统卡尔曼滤波增益。
(11)根据上述坡度变化率和卡尔曼滤波建立坡度模型计算坡度值。
需要说明的是，本发明中的三轴加速度值的获取均是基于一种VCU控制器自带的ADXL313型号三轴加速度计传感器。
本发明还公开了一种用于电动车的道路坡度估计系统，包括：三轴加速度获取模块，基于三轴加速度传感器获取三轴加速度值；遗忘因子模型建立模块，用于对三轴加速度值进行数据处理，并建立坡度变化率估计的遗忘因子模型；坡度变化率获取模块，基于坡度变化率估计的遗忘因子模型，确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure BDA0002991317240000112
并建立EF模型、Ea模型和
Figure BDA0002991317240000113
模型，计算坡度变化率，建立整车系统空间状态方程；卡尔曼滤波模型建立模块，基于整车系统空间状态方程建立卡尔曼滤波模型，并结合坡度变化率计算坡度值。
本发明方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明方法的步骤。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种用于电动车的道路坡度估计方法，其特征在于，包括如下步骤：
步骤1)获取三轴加速度数值，对三轴加速度数值进行数据处理后得到三轴加速度传感器的使用坐标，基于三轴加速度传感器的使用坐标，根据遗忘因子最小二乘法，建立坡度变化率估计的传感器加速度值和坡度角关系模型；
步骤2)确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure FDA0002991317230000012
并根据遗忘因子最小二乘法建立相应的EF模型、Ea模型和
Figure FDA0002991317230000013
模型；
步骤3)计算坡度变化率，建立整车系统空间状态方程；
步骤4)建立卡尔曼滤波模型，并基于坡度变化率计算坡度值。
2.根据权利要求1所述的用于电动车的道路坡度估计方法，其特征在于，步骤1)所述的数据处理具体是，基于高斯牛顿法消除三轴加速度数值的零偏误差和刻度误差。
3.根据权利要求1所述的用于电动车的道路坡度估计方法，其特征在于，步骤1)所述坡度变化率估计的遗忘因子模型的具体建立方法是：基于三轴加速度传感器的使用坐标建立坡度变化率估计最小二乘法公式，再建立坡度变化率估计的遗忘因子模型。
4.根据权利要求1所述的用于电动车的道路坡度估计方法，其特征在于，步骤1)的具体过程为：
ax＝sx(xm-ox) (1)
ay＝sy(ym-oy) (2)
az＝sz(zm-oz) (3)
Figure FDA0002991317230000011
sx 2(xm-ox)2+sy 2(ym-oy)2+sz 2(zm-oz)2＝1 (5)
Figure FDA0002991317230000021
其中，sx，sy，sz为刻度误差系数；ox，oy，oz为加速度计零偏误差；S为最小二乘拟合数据；xm，ym，zm为初始获取的三轴加速度值；ax，ay，az为三轴加速度传感器的使用坐标；
传感器x轴的加速度值和坡度角关系为：
Figure FDA0002991317230000022
对传感器x轴的加速度值和坡度角关系进行微分处理，得到：
Figure FDA0002991317230000023
Figure FDA0002991317230000024
其中，α为坡道角，αsenx为x轴校准过的加速度数值，(sinα)′为坡道角正弦值微分；g为重力加速度值，(dv/dt)′为车辆加速度微分。
5.根据权利要求4所述的用于电动车的道路坡度估计方法，其特征在于，步骤2)所述的系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure FDA0002991317230000026
分别为：
Figure FDA0002991317230000025
Ea＝1 (11)
φ＝(sinα)′ (12)
遗忘因子最小二乘法的公式为：
φ(k)＝φ(k-1)+K(k)[EF(k)-ETa(k)φ(k-1)] (13)
Figure FDA0002991317230000031
Figure FDA0002991317230000032
其中，Lam为遗忘因子，Lam(t)＝1-0.05·0.98t；
基于遗忘因子最小二乘法公式(13)～(15)建立相应的EF模型、Ea模型和
Figure FDA0002991317230000033
模型。
6.根据权利要求5所述的用于电动车的道路坡度估计方法，其特征在于，步骤3)所述整车系统空间状态方程建立的具体过程如下：
v(k)＝v(k-1)+Δt(asenx(k-1)-gsinα(k-1)) (16)
asenx(k)＝asenx(k-1) (17)
sinα(k)＝sinα(k-1)+Δt[sinα(k-1)]′ (18)
整车系统空间状态方程为：
Figure FDA0002991317230000034
经过Δt时间以后，系统的观测方程为：
Figure FDA0002991317230000035
其中，v(k)为k时刻的整车车速大小，sinα(k)为k时刻，坡度角的正弦值，Z(k)为k时刻的测量值。
7.根据权利要求6所述的用于电动车的道路坡度估计方法，其特征在于，步骤4)所述的卡尔曼滤波模型的建立过程为：
x(k)＝Ax(k-1)+BU(k)+w(k) (21)
z(k)＝Hx(k)+G(k) (22)
其中，
Figure FDA0002991317230000041
U(k)为k时刻系统的控制量，U(k)＝[sinα(k-1)]′；
w(k)为k时刻系统的过程噪声，
Figure FDA0002991317230000042
G(k)为k时刻系统的测量噪声，
Figure FDA0002991317230000043
x(k)为k时刻系统状态量；Z(k)为k时刻系统测量值。
8.根据权利要求7所述的用于电动车的道路坡度估计方法，其特征在于，所述坡度值的计算过程具体包括：初始化状态向量和误差协方差、计算状态向量先验估计值、计算先验误差协方差、计算卡尔曼滤波增益、更新后验误差协方差和更新状态向量后验估计值。
9.一种用于电动车的道路坡度估计系统，其特征在于，包括：
三轴加速度获取模块，基于三轴加速度传感器获取三轴加速度值；
遗忘因子模型建立模块，用于对三轴加速度值进行数据处理，并建立坡度变化率估计的遗忘因子模型；
坡度变化率获取模块，基于坡度变化率估计的遗忘因子模型，确定系统输出量EF，可观测的数据量Ea，待估计坡度变化率
Figure FDA0002991317230000044
并建立EF模型、Ea模型和
Figure FDA0002991317230000045
模型，计算坡度变化率，建立整车系统空间状态方程；
卡尔曼滤波模型建立模块，基于整车系统空间状态方程建立卡尔曼滤波模型，并结合坡度变化率计算坡度值。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8任一所述用于电动车的道路坡度估计方法。
CN202110316183.8A 2021-03-24 2021-03-24 一种用于电动车的道路坡度估计方法、系统和设备 Pending CN113119980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316183.8A CN113119980A (zh) 2021-03-24 2021-03-24 一种用于电动车的道路坡度估计方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316183.8A CN113119980A (zh) 2021-03-24 2021-03-24 一种用于电动车的道路坡度估计方法、系统和设备

Publications (1)

Publication Number Publication Date
CN113119980A true CN113119980A (zh) 2021-07-16

Family

ID=76774168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316183.8A Pending CN113119980A (zh) 2021-03-24 2021-03-24 一种用于电动车的道路坡度估计方法、系统和设备

Country Status (1)

Country Link
CN (1) CN113119980A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113335294A (zh) * 2021-08-09 2021-09-03 天津所托瑞安汽车科技有限公司 路面纵向坡度的估计方法、装置、电子设备和存储介质
CN113792265A (zh) * 2021-09-10 2021-12-14 中国第一汽车股份有限公司 一种坡度估计方法、装置、电子设备以及存储介质
CN116572973A (zh) * 2023-06-19 2023-08-11 一汽解放汽车有限公司 一种整车质量确定方法、装置、车辆及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353299A (zh) * 2013-06-20 2013-10-16 西安交通大学 一种高精度车载道路坡度检测装置及方法
US20160332633A1 (en) * 2013-07-11 2016-11-17 C.R.F. Societa' Consortile Per Azioni Automotive control unit programmed to estimate road slope and vehicle mass, vehicle with such a control unit and corresponding program product
CN109684677A (zh) * 2018-12-04 2019-04-26 西安法士特汽车传动有限公司 一种基于卡尔曼滤波算法的坡度估算方法
CN111806449A (zh) * 2020-06-23 2020-10-23 西安法士特汽车传动有限公司 一种纯电动车的整车质量和路面坡度的估算方法
CN112444644A (zh) * 2019-08-27 2021-03-05 株洲中车时代电气股份有限公司 一种三轴加速度计标定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353299A (zh) * 2013-06-20 2013-10-16 西安交通大学 一种高精度车载道路坡度检测装置及方法
US20160332633A1 (en) * 2013-07-11 2016-11-17 C.R.F. Societa' Consortile Per Azioni Automotive control unit programmed to estimate road slope and vehicle mass, vehicle with such a control unit and corresponding program product
CN109684677A (zh) * 2018-12-04 2019-04-26 西安法士特汽车传动有限公司 一种基于卡尔曼滤波算法的坡度估算方法
CN112444644A (zh) * 2019-08-27 2021-03-05 株洲中车时代电气股份有限公司 一种三轴加速度计标定方法
CN111806449A (zh) * 2020-06-23 2020-10-23 西安法士特汽车传动有限公司 一种纯电动车的整车质量和路面坡度的估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜: "载货汽车质量及路面坡度估计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
桂毅: "基于高斯牛顿迭代法的MEMS加速度计标定方法", 《IEEE CGNCC2016》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113335294A (zh) * 2021-08-09 2021-09-03 天津所托瑞安汽车科技有限公司 路面纵向坡度的估计方法、装置、电子设备和存储介质
CN113335294B (zh) * 2021-08-09 2021-10-29 天津所托瑞安汽车科技有限公司 路面纵向坡度的估计方法、装置、电子设备和存储介质
CN113792265A (zh) * 2021-09-10 2021-12-14 中国第一汽车股份有限公司 一种坡度估计方法、装置、电子设备以及存储介质
CN116572973A (zh) * 2023-06-19 2023-08-11 一汽解放汽车有限公司 一种整车质量确定方法、装置、车辆及存储介质

Similar Documents

Publication Publication Date Title
CN113119980A (zh) 一种用于电动车的道路坡度估计方法、系统和设备
CN110095635B (zh) 一种全轮驱动车辆的纵向车速估计方法
CN111238535B (zh) 一种基于因子图的imu误差在线标定方法
CN113002549A (zh) 一种车辆状态估算方法、装置、设备及存储介质
CN110988894B (zh) 一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法
KR20140060349A (ko) 차량용 타이어 파라미터를 추정하는 방법
CN111238471B (zh) 一种适用于农业机械直线导航的侧滑角度估计方法及估计器
CN110987470A (zh) 一种基于模型迭代的汽车质量在线估计方法
CN110567454A (zh) 一种复杂环境下sins/dvl紧组合导航方法
CN113353085B (zh) 一种基于卡尔曼滤波理论的路面不平度识别方法
CN113465628A (zh) 惯性测量单元数据补偿方法及系统
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
CN110703205B (zh) 基于自适应无迹卡尔曼滤波的超短基线定位方法
CN113771857B (zh) 一种用于车辆控制的纵向车速估计方法和系统
CN113008229B (zh) 一种基于低成本车载传感器的分布式自主组合导航方法
CN112046491B (zh) 车轮侧偏刚度的估算方法、装置、车辆及可读存储介质
CN112632454A (zh) 一种基于自适应卡尔曼滤波算法的mems陀螺滤波方法
CN109471192A (zh) 一种全自动重力测试仪高精度动态数据处理方法
CN116338719A (zh) 基于b样条函数的激光雷达-惯性-车辆融合定位方法
CN113654554B (zh) 一种快速自适应的动态惯性导航实时解算去噪方法
CN112758109B (zh) 横向跟踪稳态偏差补偿方法及装置
CN115110993A (zh) 一种井下无人驾驶单轨吊荷载质量和轨道坡度联合识别方法
Sahlholm et al. Road grade estimation for look-ahead vehicle control
Milanese et al. Robust estimation of vehicle sideslip angle from variables measured by ESC system
CN110906928A (zh) 基于地形梯度拟合的粒子滤波水下航迹跟踪方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210716