CN113341997B - 一种基于多状态参数协同估计的横向控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于多状态参数协同估计的横向控制方法，该方法包括：步骤1，设置与车轴所受的垂向力相关的第一观测量、第一预测量、基于车辆质心纵向位置的状态向量，估计车辆的质心纵向位置；步骤2，设置与车辆运动信息相关的第二观测量、第二预测量、基于轮胎侧偏刚度的状态向量、与轮胎侧偏刚度的状态向量对应的第三预测量、第三预测量、基于路面附着系数的状态量，将轮胎侧偏刚度与路面附着系数进行解耦，估计轮胎侧偏刚度和轮胎路面附着系数；步骤3，设置与纵向加速度相关的第四观测量、第四预测量、基于轮胎垂向力的状态向量，估计轮胎垂向力；步骤4，根据估计得到的质心纵向位置与车辆运动信息、轮胎侧偏刚度和轮胎路面附着系数、以及轮胎垂向力，对车辆进行横向控制。本发明能够进行车辆与路面多参数解耦联合估计的同时结合横向动力学控制提升车辆控制精度与横向稳定性。

Description

一种基于多状态参数协同估计的横向控制方法及系统

技术领域

本发明涉及智能车辆状态参数估计与横向动力学控制技术领域，特别是关于一种基于多状态参数协同估计的横向控制方法及系统。

背景技术

车辆状态参数估计是实现车辆自动驾驶功能的关键问题之一，车辆横/纵向动力学控制、路径规划以及车辆轨迹预测等自动驾驶关键功能的实现均需要利用精确的状态参数对车辆以及轮胎进行精确的建模。由于自动驾驶车辆一般会装备一些基础的标配传感器，如惯性导航系统(IMU)与差分全球定位系统(DGPS)，车辆横/纵向速度、质心侧偏角等状态参数可以被直接被测量到。但对于轮胎侧偏刚度、轮胎路面附着系数、轮胎垂向力以及质心纵向位置等与轮胎、路面模型相关的车辆动力学状态参数，却无法直接通过低成本的传感器进行有效精确的测量，而只能通过进一步对车辆模型与估计方法进行研究，利用现有传感器的观测信息对车辆状态参数进行估计。

虽然自动驾驶车辆横向控制已得到广泛的发展，但仍有些问题没有得到很好地解决。大横向加速度下的极限工况需要考虑轮胎的非线性特性与车辆稳定性。轮胎路面附着系数和轮胎侧偏刚度等动力学参数是极限工况控制下非常重要的系统输入，高精度的车辆状态与参数估计不可或缺，需要设计估计算法，对车辆动力学状态参数进行尽可能准确估计，来提升模型精度以及控制性能。

现有方法虽然从不同角度提出了车辆状态参数估计与横向控制方法，但仍存在一定的不足：只考虑单个参数估计与固定参数模型，考虑因素单一，缺乏统筹考虑且都未考虑模型多参数解耦与状态参数时变对横向控制的影响。

发明内容

本发明的目的在于提供一种基于多状态参数协同估计的横向控制方法及系统来克服现有技术的上述缺陷。

为实现上述目的，本发明提供一种基于多状态参数协同估计的横向控制方法，该方法包括：

步骤1，根据车辆的前轴和后轴所受的垂向力，结合车辆纵向载荷转移量，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及基于车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准；

步骤2，预先设置与校准后的车辆运动信息相关的第二观测量、与所述第二观测量对应的第二预测量、基于轮胎侧偏刚度的状态向量、与所述轮胎侧偏刚度的状态向量对应的第三预测量、第三观测量、基于轮胎路面附着系数的状态向量，根据步骤1校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再对轮胎侧偏刚度和轮胎路面附着系数进行联合估计；

步骤3，预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及基于轮胎垂向力的状态向量，根据步骤1估计得到的质心纵向位置以及步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力；

步骤4，根据步骤1估计得到的质心纵向位置与校准后的车辆运动信息、步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及步骤3估计得到的轮胎垂向力，对车辆进行横向控制。

进一步地，步骤2具体包括：

当前轮侧偏角小于预设侧偏角时，利用固定的轮胎路面附着系数的初值计算第二预测量，并获得第二观测量，最后利用AUKF迭代估计轮胎侧偏刚度；

当前轮侧偏角大于预设侧偏角时，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，计算第三预测量，并获得第三观测量，最后利用AUKF迭代估计轮胎路面附着系数。

进一步地，第一观测量Z_CGo＝(F_zfo，F_zro)通过式(1)计算得到，第一预测量Z_{CGf_p}＝(F_zfp，F_zrp)通过式(3)计算得到：

式中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，F_{z，longitudinal}为纵向载荷转移量，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

进一步地，车辆运动信息包括车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor，利用式(21)对车辆运动信息进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度。

进一步地，步骤3具体包括：

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

进一步地，步骤4具体包括：

以前轮侧偏力F_yf为系统控制输入的状态方程表示为式(28)：

式中：

式中，η为线性增益，L′＝l_r+x_cop，x_cop为车辆撞击中心位置，C_r为后轮侧偏刚度，s为车辆驶过的距离；

将LQR控制器设置为如式(29)所示：

F_yf ^*(k)＝-(R+B^TPB)^-1B^TPAx(k)＝-Kx(k) (29)

求解最优控制量F_yf ^*(k)，通过式(30)计算车轮转角的反馈量δ_b：

式中，

为刷子模型的逆轮胎模型，β为质心侧偏角，a为前轴中心距质心距离，r为横摆角速度，U_x为横向速度，F_yf为期望前轮侧偏力。

本发明还提供一种基于多状态参数协同估计的横向控制系统，该系统包括：

车辆的质心纵向位置估计单元，其用于根据车辆的前轴和后轴所受的垂向力，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准；

轮胎侧偏刚度和轮胎路面附着系数估计单元，其用于预先设置与车辆运动信息相关的第二观测量、与所述第二观测量对应的第二预测量、第三观测量、与所述第三观测量对应的第三预测量、轮胎侧偏刚度的状态向量、以及轮胎路面附着系数为状态量，根据车辆的质心纵向位置估计单元校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再估计轮胎侧偏刚度和轮胎路面附着系数；

轮胎垂向力估计单元，其用于预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及轮胎垂向力的状态向量，根据车辆的质心纵向位置估计单元估计得到的质心纵向位置以及轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力；

控制单元，其用于根据车辆的质心纵向位置估计单元校准后的车辆运动信息，根据车辆的质心纵向位置估计单元估计得到的质心纵向位置、轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及轮胎垂向力估计单元估计得到的轮胎垂向力，对车辆进行横向控制。

进一步地，轮胎侧偏刚度和轮胎路面附着系数估计单元具体包括：

轮胎侧偏刚度估计子单元，其用于在前轮侧偏角小于预设侧偏角的情形下，利用固定的轮胎路面附着系数的初值计算第二预测量，并获得第二观测量，最后利用AUKF迭代估计轮胎侧偏刚度；

轮胎路面附着系数估计子单元，其用于在前轮侧偏角大于预设侧偏角的情形下，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，计算第三预测量，并获得第三观测量，最后利用AUKF迭代估计轮胎路面附着系数。

进一步地，第一观测量Z_CGo＝(F_zfo，F_zro)通过式(1)计算得到，第一预测量Z_{CGf_p}＝(F_zfp，F_zrp)通过式(3)计算得到：

式中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，F_{z，longitudinal}为纵向载荷转移量，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

进一步地，车辆运动信息包括车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor，利用式(21)对车辆运动信息进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度；

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

由于本发明仅通过组合式导航系统测量的车辆状态信息，结合派生的容错噪声统计特性估计器与无迹卡尔曼滤波，对车辆质心纵向位置、轮胎路面附着系数、轮胎侧偏刚度、以及轮胎垂向力等动力学参数进行精确估计，再根据横向与垂向动力学模型将动力学状态参数进行解耦，实现多状态参数联合估计的过程，最后将估计的质心纵向位置及校准的运动信息输入二自由度模型，将估计的附着系数、轮胎侧偏刚度以及外侧轮胎垂向力输入刷子轮胎模型进行横向控制，因此能够实现多状态参数的解耦与联合估计，在给予横/纵向控制器精确的动力学参数输入之外，还能有效提升车辆的操纵性与横向稳定性。

附图说明

图1为本发明实现状态参数估计的总体框架图；

图2为本发明采用的轮胎路面附着系数与轮胎侧偏刚度的联合估计流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本实施例提供的基于多状态参数协同估计的横向控制方法包括：

步骤1，根据车辆的前轴和后轴所受的垂向力，结合车辆纵向载荷转移量，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及基于车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准。

步骤2，预先设置与校准后的车辆运动信息相关的第二观测量、与所述第二观测量对应的第二预测量、基于轮胎侧偏刚度的状态向量、与所述轮胎侧偏刚度的状态向量对应的第三预测量、第三观测量、基于轮胎路面附着系数的状态向量，根据步骤1校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再对轮胎侧偏刚度和轮胎路面附着系数进行联合估计。

步骤3，预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及基于轮胎垂向力的状态向量，根据步骤1估计得到的质心纵向位置以及步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力。

步骤4，根据步骤1估计得到的质心纵向位置与校准后的车辆运动信息、步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及步骤3估计得到的轮胎垂向力，对车辆进行横向控制。

在一个实施例中，在步骤1中，第一观测量被设置为Z_CGo＝(F_zfo，F_zro)，第一预测量被设置为Z_{CGf_p}＝(F_zfp，F_zrp)，车辆质心纵向位置的状态向量被设置为X_CGf＝(l_f，l_r)。其中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

在一个优选实施例中，步骤1中，第一观测量Z_CGo通过如式(1)所示的考虑纵向载荷转移的轮胎垂向力模型进行计算得到：

式中，ΔF_{z，longitudinal}为纵向载荷转移量，其通过式(2)计算获得，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力。

式中，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度。

在一个实施例中，步骤1中，第一预测量Z_{CGf_p}通过式(3)所示的简化的车辆垂向动力学模型计算得到：

当然，计算观测量Z_CGo和预测量Z_{CGf_p}的方式不限，也可以采用上述实施例中提供的其它现有技术。

在一个实施例中，步骤1中，采用AUKF(英文全称为“adaptive unscented Kalmanfilter”，中文全称为“自适应无迹卡尔曼滤波”)进行迭代计算，获得车辆质心纵向位置，其方法具体包括：

步骤11，系统状态初始化：假定初始状态X₀为高斯分布的随机向量，则初始状态的均值

和方差P₀可以表示为式(4)：

式中，E(·)表示括号内变量的均值。

步骤12，利用式(5)更新计算加权系数：

式中，β是一个非负的常数，对于高斯分布来说，β＝2是最优的；α是控制Sigma点分布的常数，α的取值范围一般为1e^-4≤α≤1；

为计算均值时使用的权值，

为计算高斯的协方差时使用的权值，i＝1，2，…，2n，n为迭代的次数，λ＝n(α²-1)，

为表示i＝0时的权重。

步骤13，利用式(6)计算Sigma点并进行更新：

式中，ξ_0，k为计算得到的第一个Sigma点，

为状态量的均值，ξ_i，k为计算得到的第i+1个Sigma点，P_k为k时刻的状态协方差矩阵，P_k是正定的，可以通过Cholesky分解得到

步骤14，系统状态更新：利用非线性状态方程f(ξ_i，k)，将选取的Sigma点进行变换，并结合权重系数

和

通过UT变化，计算得到状态预测量与状态预测误差协方差矩阵：

式中，

为k+1/k时刻的状态预测量，ξ_i，k+1/k为由式(6)计算得到的k+1/k时刻的Sigma点，P_k+1/k为k+1/k时刻的状态预测误差协方差矩阵，Q_k为k时刻的过程噪声协方差。

步骤15，系统测量更新：利用非线性观测方程

将选取的Sigma点进行变换，并结合权重系数

和

通过UT变化，计算得到测量预测量与测量预测量误差协方差矩阵：

式中，

为k+1/k时刻的测量预测量；

为k+1/k时刻的测量预测量误差协方差矩阵，R_k为k时刻的观测噪声协方差。

步骤16，利用式(11)，更新测量预测量

与状态预测量

之间的互协方差矩阵

步骤17，确定滤波增益矩阵，并对系统状态估计与其协方差矩阵进行更新：

式中，K_k+1为当前时刻卡尔曼增益，

为测量预测量误差协方差矩阵的倒数，

为k+1时刻的估计值，

为k+1/k时刻的估计值，P_k+1为k+1时刻的状态协方差，P_k+1/k为k+1/k时刻的状态协方差，

与Z_k分别是第k步(k时刻)的预测量与测量量。

当然，也可以根据计算得到的与测量和观测量，采用现有的其它方法获得车辆质心纵向位置。

需要说明的是，派生的容错噪声统计特性估计器由无偏的噪声统计特性估计器与有偏的噪声统计特性估计器组成，如果无偏的噪声统计特性估计器估算出的过程噪声协方差矩阵与测量噪声协方差矩阵不符合要求时，则通过有偏的噪声统计特性估计器重新估算。

其中，无偏的噪声统计特性估计器可以表示为式(15)：

有偏的噪声统计特性估计器可以表示为式(16)和(17)：

式中，diag(·)为用于构造对角矩阵且非对角元素均为0的函数，式(19)中的

为根据已校准的系统状态误差协方差计算的Sigma点通过UT变换得到的集合，式(20)左侧的

是根据右侧

得到的测量预测量。

在一个实施例中，步骤1中，利用式(21)对组合导航系统测得的车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度。

在一个实施例中，在步骤2中，第二观测量和第三观测量均被设置为

第二预测量被设置为

第三预测量被设置为

轮胎侧偏刚度的状态向量被设置为X＝(C_f，C_r)，轮胎路面附着系数的状态量被设置为μ。其中，C_f为车辆前轮侧偏刚度，C_r为车辆后轮侧偏刚度，a_y为有步骤1获得的车辆质心纵向位置处的横向加速度，

为车辆质心纵向位置处的横摆角加速度，a_{yp_TCS}为车辆质心纵向位置处的横向加速度预测量，

为车辆质心纵向位置处的横摆角加速度预测量，通过解耦轮胎路面附着系数与轮胎侧偏刚度，并结合AUKF进行连续估计，获得轮胎路面附着系数的估计值和轮胎侧偏刚度估计值。

在一个实施例中，在步骤2中，将步骤1校准后的车辆运动信息与步骤1利用AUKF进行迭代估计得到车辆质心纵向位置的估计值输入如二自由度模型中，并将步骤1校准后的车辆运动信息作为观测量，利用刷子轮胎模型特性对轮胎路面附着系数与轮胎侧偏刚度解耦，并结合AUKF对二者进行连续估计方法具体包括：

步骤21，当前侧偏角小于预设侧偏角(比如：3.5度)时，利用先前设定的轮胎路面附着系数初值对前轮和后轮侧偏刚度进行估计：利用式(22)和式(23)表示的二自由度模型，计算第二预测量Z_{p_TCS}，再获得第二观测量Z，最后利用AUKF迭代得到前轮和后轮侧偏刚度估计值C_f，C_r。

式中：F_yf为车辆前车轮的侧偏力，F_yr为车辆后车轮的侧偏力，U_y为车辆横向车速，U_x为车俩纵向车速，r为车辆横摆角速度，I_z为车辆绕z轴的转动惯量，α为车辆车轮侧偏角，F_z为轮胎垂向力，sgn(·)表示为如下的sgn函数：

步骤22，前侧偏角大于预设侧偏角(比如：3.5度)时，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，利用式(22)和式(23)表示是的二自由度模型与式(24)表示的刷子轮胎模型计算第三预测量Z_{p_TFRC}，获得轮胎路面附着系数估计中的观测量与轮胎路面附着系数估计中的预测量后，再获得第三观测量Z，最后利用AUKF迭代估计轮胎路面附着系数μ。

在一个实施例中，在步骤3中，第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为式(25)：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的表达式如式(26)所示：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(26)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

获得观测量与预测量后，最后利用AUKF迭代，获得四个轮胎的垂向力估计值。

在一个实施例中，在步骤4中，将估计的质心纵向位置及校准的运动信息输入二自由度模型，将估计的附着系数、轮胎侧偏刚度以及外侧轮胎垂向力输入刷子轮胎模型进行横向控制具体包括：

以前轮侧偏力F_yf为系统控制输入的状态方程表示为式(28)：

式中：

式中，η为线性增益，L′＝l_r+x_cop，x_cop为车辆撞击中心位置，C_r为后轮侧偏刚度，δ为车轮转角，s为车辆驶过的距离。

设计如式(29)所示的LQR控制器：

F_yf ^*(k)＝-(R+B^TPB)^-1B^TPAx(k)＝-Kx(k) (29)

可以求解得到最优控制量F_yf ^*(k)，通过式(30)计算车轮转角的反馈量δ_b：

式中，

为刷子模型的逆轮胎模型，β为质心侧偏角，a为前轴中心距质心距离，r为横摆角速度，U_x为横向速度，F_yf为期望前轮侧偏力。

本发明实施例还提供一种基于多状态参数协同估计的横向控制系统，该系统包括车辆的质心纵向位置估计单元、轮胎侧偏刚度和轮胎路面附着系数估计单元、轮胎垂向力估计单元和控制单元，其中：

车辆的质心纵向位置估计单元用于根据车辆的前轴和后轴所受的垂向力，结合车辆纵向载荷转移量，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及基于车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准。

轮胎侧偏刚度和轮胎路面附着系数估计单元用于预先设置与车辆运动信息相关的第二观测量、基于轮胎侧偏刚度的状态向量、与所述轮胎侧偏刚度的状态向量对应的第三预测量、第三观测量、基于轮胎路面附着系数的状态向量，根据步骤1校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再对轮胎侧偏刚度和轮胎路面附着系数进行联合估计。

轮胎垂向力估计单元用于预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及基于轮胎垂向力的状态向量，根据车辆的质心纵向位置估计单元估计得到的质心纵向位置以及轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力。

控制单元用于根据车辆的质心纵向位置估计单元估计得到的质心纵向位置与校准后的车辆运动信息、轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及轮胎垂向力估计单元估计得到的轮胎垂向力，对车辆进行横向控制。

在一个实施例中，轮胎侧偏刚度和轮胎路面附着系数估计单元具体包括轮胎侧偏刚度估计子单元和轮胎路面附着系数估计子单元，其中：

轮胎侧偏刚度估计子单元用于在前轮侧偏角小于预设侧偏角的情形下，利用固定的轮胎路面附着系数的初值计算第二预测量，并获得第二观测量，最后利用AUKF迭代估计轮胎侧偏刚度。

轮胎路面附着系数估计子单元用于在前轮侧偏角大于预设侧偏角的情形下，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，计算第三预测量，并获得第三观测量，最后利用AUKF迭代估计轮胎路面附着系数。

在一个实施例中，第一观测量Z_CGo＝(F_zfo，F_zro)通过式(1)计算得到，第一预测量Z_{CGf_p}＝(F_zfp，F_zrp)通过式(3)计算得到：

式中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，F_{z，longitudinal}为纵向载荷转移量，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

在一个实施例中，车辆运动信息包括车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor，利用式(21)对车辆运动信息进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度；

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多状态参数协同估计的横向控制方法，其特征在于，包括：

步骤1，根据车辆的前轴和后轴所受的垂向力，结合车辆纵向载荷转移量，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及基于车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准；

步骤2，预先设置与校准后的车辆运动信息相关的第二观测量、与所述第二观测量对应的第二预测量、基于轮胎侧偏刚度的状态向量、与所述轮胎侧偏刚度的状态向量对应的第三预测量、第三观测量、基于轮胎路面附着系数的状态向量，根据步骤1校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再对轮胎侧偏刚度和轮胎路面附着系数进行联合估计；

步骤3，预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及基于轮胎垂向力的状态向量，根据步骤1估计得到的质心纵向位置以及步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力；

步骤4，根据步骤1估计得到的质心纵向位置与校准后的车辆运动信息、步骤2估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及步骤3估计得到的轮胎垂向力，对车辆进行横向控制；步骤4具体包括：

以前轮侧偏力F_yf为系统控制输入的状态方程表示为式(28)：

式中：

式中，η为线性增益，L′＝l_r+x_cop，x_cop为车辆撞击中心位置，C_r为后轮侧偏刚度，s为车辆驶过的距离；

将LQR控制器设置为如式(29)所示：

F_yf ^*(k)＝-(R+B^TPB)^-1B^TPAx(k)＝-Kx(k) (29)求解最优控制量F_yf ^*(k)，通过式(30)计算车轮转角的反馈量δ_b：

式中，

为刷子模型的逆轮胎模型，β为质心侧偏角，a为前轴中心距质心距离，r为横摆角速度，U_x为横向速度，F_yf为期望前轮侧偏力。

2.如权利要求1所述的基于多状态参数协同估计的横向控制方法，其特征在于，步骤2具体包括：

当前轮侧偏角小于预设侧偏角时，利用固定的轮胎路面附着系数的初值计算第二预测量，并获得第二观测量，最后利用AUKF迭代估计轮胎侧偏刚度；

当前轮侧偏角大于预设侧偏角时，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，计算第三预测量，并获得第三观测量，最后利用AUKF迭代估计轮胎路面附着系数。

3.如权利要求1或2所述的基于多状态参数协同估计的横向控制方法，其特征在于，第一观测量Z_CGo＝(F_zfo，F_zro)通过式(1)计算得到，第一预测量Z_{CGf_p}＝(F_zfp，F_zrp)通过式(3)计算得到：

式中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，F_{z，longitudinal}为纵向载荷转移量，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

4.如权利要求3所述的基于多状态参数协同估计的横向控制方法，其特征在于，车辆运动信息包括车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor，利用式(21)对车辆运动信息进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度。

5.如权利要求1或2或4所述的基于多状态参数协同估计的横向控制方法，其特征在于，步骤3具体包括：

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

6.如权利要求3所述的基于多状态参数协同估计的横向控制方法，其特征在于，步骤3具体包括：

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

7.一种基于多状态参数协同估计的横向控制系统，其特征在于，包括：

车辆的质心纵向位置估计单元，其用于根据车辆的前轴和后轴所受的垂向力，结合车辆纵向载荷转移量，预先设置与前轴和后轴所受的垂向力相关的第一观测量、与所述第一观测量对应的第一预测量、以及基于车辆质心纵向位置的状态向量，计算第一观测量和第一预测量，并估计车辆的质心纵向位置，再对组合惯性导航系统测量得到的车辆运动信息进行校准；

轮胎侧偏刚度和轮胎路面附着系数估计单元，其用于预先设置与车辆运动信息相关的第二观测量、基于轮胎侧偏刚度的状态向量、与所述轮胎侧偏刚度的状态向量对应的第三预测量、第三观测量、基于轮胎路面附着系数的状态向量，根据车辆的质心纵向位置估计单元校准后的车辆运动信息与估计得到的质心纵向位置，利用刷子轮胎模型将轮胎侧偏刚度与路面附着系数进行解耦，再对轮胎侧偏刚度和轮胎路面附着系数进行联合估计；

轮胎垂向力估计单元，其用于预先设置与纵向加速度相关的第四观测量、与所述第四观测量对应的第四预测量、以及基于轮胎垂向力的状态向量，根据车辆的质心纵向位置估计单元估计得到的质心纵向位置以及轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数，辨识轮胎侧偏力，并协同考虑横纵向载荷转移，估计四个轮胎垂向力；

控制单元，其用于根据车辆的质心纵向位置估计单元估计得到的质心纵向位置与校准后的车辆运动信息、轮胎侧偏刚度和轮胎路面附着系数估计单元估计得到的轮胎侧偏刚度和轮胎路面附着系数、以及轮胎垂向力估计单元估计得到的轮胎垂向力，对车辆进行横向控制。

8.如权利要求7所述的基于多状态参数协同估计的横向控制系统，其特征在于，轮胎侧偏刚度和轮胎路面附着系数估计单元具体包括：

轮胎侧偏刚度估计子单元，其用于在前轮侧偏角小于预设侧偏角的情形下，利用固定的轮胎路面附着系数的初值计算第二预测量，并获得第二观测量，最后利用AUKF迭代估计轮胎侧偏刚度；

轮胎路面附着系数估计子单元，其用于在前轮侧偏角大于预设侧偏角的情形下，根据上一时刻估计得到的轮胎侧偏刚度与轮胎路面附着系数，计算第三预测量，并获得第三观测量，最后利用AUKF迭代估计轮胎路面附着系数。

9.如权利要求7或8所述的基于多状态参数协同估计的横向控制系统，其特征在于，第一观测量Z_CGo＝(F_zfo，F_zro)通过式(1)计算得到，第一预测量Z_{CGf_p}＝(F_zfp，F_zrp)通过式(3)计算得到：

式中，F_zfp为车辆前轴所受的垂向力预测量，F_zrp为车辆后轴所受的垂向力预测量，F_zfo为车辆前轴所受的垂向力观测量，F_zro为车辆后轴所受的垂向力观测量，F_{z，longitudinal}为纵向载荷转移量，F_fs为车辆前轴静态垂向力，F_rs为车辆后轴静态垂向力，L为轴距，m为车辆质量，h_rc为车辆质心到侧倾中心的垂直距离，a_x为车辆纵向加速度，l_f为车辆质心距前轴的距离，l_r为车辆质心距后轴的距离。

10.如权利要求8所述的基于多状态参数协同估计的横向控制系统，其特征在于，车辆运动信息包括车辆质心纵向位置处的横向速度v_y，sensor与横向加速度a_y，sensor，利用式(21)对车辆运动信息进行校准，得到校准后的车辆质心处的横向加速度a_y和校准后的车辆质心处的横向速度v_y：

式中，x_a为质心纵向位置到组合导航系统接收机的距离，φ为车辆侧倾角，g为重力加速度，r为车辆横摆角速度；

第四观测量描述为Z_Fz＝a_x，第四预测量为Z_Fzp＝a_xp，轮胎垂向力的状态向量描述为X_Fz＝(F_z，fL，F_z，fR，F_z，rL，F_z，rR)，系统预测方程a_x表示为：

式中，ΔF_{z，longitudinal}分别对应四个轮胎的纵向载荷转移量，分别描述为式(26)：

式中，F_z，fL为左前轮侧偏力，F_z，fR为右前轮侧偏力，F_z，rL为左后轮侧偏力，F_z，rR为右后轮侧偏力，F_fs为前轴静态垂向力，F_rs为后轴静态垂向力，ΔF_z，lateral为横向载荷转移量，由下式(27)提供的轮胎侧偏力获得：

式中，F_y为车辆所受总横向力，K_roll为侧倾刚度，φ为侧倾角，w为车辆的轮距。

Images