CN113650620A - 一种四轮电驱动汽车状态预测方法 - Google Patents

一种四轮电驱动汽车状态预测方法 Download PDF

Info

Publication number
CN113650620A
CN113650620A CN202111002707.2A CN202111002707A CN113650620A CN 113650620 A CN113650620 A CN 113650620A CN 202111002707 A CN202111002707 A CN 202111002707A CN 113650620 A CN113650620 A CN 113650620A
Authority
CN
China
Prior art keywords
vehicle
state
follows
input
output
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
CN202111002707.2A
Other languages
English (en)
Other versions
CN113650620B (zh
Inventor
任彦君
殷国栋
柏硕
张紫涵
沈童
王凡勋
冯斌
卢彦博
付琪
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202111002707.2A priority Critical patent/CN113650620B/zh
Publication of CN113650620A publication Critical patent/CN113650620A/zh
Application granted granted Critical
Publication of CN113650620B publication Critical patent/CN113650620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/10Estimation 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
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/12Estimation 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
    • B60W40/13Load or weight
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/12Estimation 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
    • B60W40/13Load or weight
    • B60W2040/1315Location of the centre of gravity
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W2520/00Input parameters relating to overall vehicle dynamics
    • B60W2520/06Direction of travel
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W2520/00Input parameters relating to overall vehicle dynamics
    • B60W2520/10Longitudinal speed
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/60Other road transportation technologies with climate change mitigation effect
    • Y02T10/72Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种四轮电驱动汽车状态预测方法,首先利用车载传感器获得汽车的纵向速度、横摆角速度、轮胎侧向力、前轮转角信号和纵向驱动力信息,利用无迹卡尔曼滤波算法获得基于模型的车辆状态估计;将车辆运行中产生的大数据进行提取获得状态输入和输出数据集,运用神经网络训练获得软件定义的车,使得其能够根据车辆控制输入自动输出车辆状态,获得基于数据的车辆状态估计;将获得的基于模型和数据的车辆估计加权融合,获得最终汽车状态估计值。本发明基于算法的持续优化,不断改善预测精度,促进了汽车主动安全控制技术的发展。

Description

一种四轮电驱动汽车状态预测方法
技术领域
本发明涉及一种四轮电驱动汽车状态预测方法,属于智能汽车领域。
背景技术
随着信息和人工智能技术的进步和发展,智能汽车越来越受到人们的关注,其中汽车行驶过程中的安全控制是核心问题之一,其控制的首要问题是获得汽车当前的状态等重要参数;然而某些关键状态没有办法直接测量只能通过预测的方法获得且目前的汽车状态预测方法都没有办法进行持续优化,导致现有的状态预测方法不能持续升级而限制其应用。
发明内容
本发明所要解决的技术问题是提供一种能持续优化从而提高预测精度的四轮驱动电动汽车状态预测方法。
本发明解决其技术问题所采用的技术方案是:
一种四轮电驱动汽车状态预测方法,包括以下步骤:
第一步:通过安装在汽车上的GPS系统、陀螺仪、轮胎力传感器、前轮转角传感器分别获取汽车的纵向速度、横摆角速度、轮胎侧向力和前轮转角;
第二步:通过第一步采集的当前时刻车载传感器纵向速度、横摆角速度、轮胎侧向力和前轮转角实时信息,以及通过车载CAN纵向获得的轮胎纵向力信息,将这些信息输入给非线性车辆动力学模型,通过车辆模型计算得到预估的横摆角速度;
第三步:将第二步传感器测量信息和车载CAN获得的所有信息和第二步预估的横摆角速度信息一起输入给无迹卡尔曼滤波算法,获得基于模型的车辆状态估计;
第四步:将第一步到第三步车辆运行中产生的大数据进行提取获得状态输入和输出数据集,运用神经网络训练获得软件定义的车,使得其能够根据车辆控制输入自动输出车辆状态,获得基于数据的车辆状态估计;
第五步:将第三步和第四步获得的车辆估计加权融合,获得最终汽车状态估计值。
作为本发明的进一步优选,第二步中利用非线性车辆模型预估横摆角速度的具体步骤如下:
建立非线性车辆模型
Figure BDA0003236092210000021
Figure BDA0003236092210000022
Figure BDA0003236092210000023
其中,i=q,h分别表示前轮和后轮;j=l,r分别表示左轮和右轮;vx为车辆纵向速度;
Figure BDA0003236092210000024
为轮胎纵向力;
Figure BDA0003236092210000025
为轮胎侧向力;Mz为车辆横摆力矩;ω为横摆角速度;
Figure BDA0003236092210000026
表示ω的导数,m为汽车总质量;a为前轴到质心的距离;b为后轴到质心的距离;δ为前轮转角;Iz为绕z轴的转动惯量;μ为路面附着系数;β为质心侧偏角;
Figure BDA0003236092210000027
是β的导数,Tf,Tr分别为车辆前轴和后轴轮距;
利用第一步采集的当前时刻车载传感器纵向速度、横摆角速度、轮胎侧向力和前轮转角实时信息,以及通过车载CAN纵向获得的轮胎纵向力信息,通过公式2和3计算预估的横摆角速度。
第三步中的具体步骤如下:
根据公式(1)~(3)建立轮胎侧向力估计状态方程与量测方程如下:
Figure BDA0003236092210000028
状态变量为:
xη=[βη]T
量测变量为:
zη=[ωη]T
输入变量为:
u=[δη,vx,η,Fxql,η,Fxqr,η,Fxhl,η,Fxhr,η,Fyql,η,Fyqr,η,Fyhl,η,Fyhl,η]T
其中,z为测量向量;x为状态向量,u输入向量,f(·)为状态转移函数,h(·)输出函数,v过程噪声,w是测量噪声;下标η表示第η个采样步长;
估计过程中量测噪声统计特性实行在线估计,基于极大值后验估计原理和观测信息对量测噪声的统计特性进行在线估计并将其嵌入标准无迹卡尔曼滤波中实现无迹卡尔曼滤波算法。
无迹卡尔曼滤波算法的具体流程如下:
初始化:
Figure BDA0003236092210000031
Figure BDA0003236092210000032
时间更新:相关权重
Figure BDA0003236092210000033
和sigma采样点
Figure BDA0003236092210000034
计算如下:
Figure BDA0003236092210000035
Figure BDA0003236092210000036
其中,n是x的维度,λ、Ω和α是待定参数。
Sigma点一步传播计算如下
Figure BDA0003236092210000037
先验状态
Figure BDA0003236092210000038
和相应的状态协方差Pη/η-1更新如下:
Figure BDA0003236092210000039
Figure BDA00032360922100000310
其中Q是过程噪声协方差矩阵;
测量更新:新生成Sigma点
Figure BDA00032360922100000311
计算如下:
Figure BDA00032360922100000312
新Sigma点一步传播计算如下
Figure BDA00032360922100000313
Figure BDA00032360922100000314
的估计输出和它的协方差矩阵Pz,η更新如下:
Figure BDA00032360922100000315
Figure BDA0003236092210000041
R是测量噪声的协方差矩阵,
Figure BDA0003236092210000042
Figure BDA0003236092210000043
的互协方差计算如下:
Figure BDA0003236092210000044
卡尔曼滤波增益wη,后验状态
Figure BDA0003236092210000045
和它的协方差矩阵Pη更新如下:
Figure BDA0003236092210000046
Figure BDA0003236092210000047
Figure BDA0003236092210000048
第四步中利用神经网络预测车辆状态的具体步骤如下:
神经网络包含输入层、隐含层、输出层,以x=[u z]作为系统输入,输出层为
Figure BDA0003236092210000049
设定网络间的权值与阈值,计算网络的输出结果
Figure BDA00032360922100000410
计算步骤如下:
1)输入x=[uz]与隐含层的连接权重ωij 1运算产生一组数据作为隐含层的输入sj 1
Figure BDA00032360922100000411
2)通过隐含层节点的θ(s)激活函数后
Figure BDA00032360922100000412
输出θ(sj),其中ωij 1表示输入层第i个节点到隐含层第j个节点的连接权重,sj表示隐含层的第j个节点产生的输出,sj 1表示隐含层第j个节点的输入;
3)θ(sj)的输出值将通过隐含层与输出层的连接权重ωij 2产生输出层的输入sj 2
Figure BDA00032360922100000413
ωij 2表示隐含层第i个节点到输出层第j个节点的连接权重,sj 2表示输出层第j个节点的输入,右上角标1表示第一层连接权重,2表示第二层连接权重。
4)输出层的计算过程与隐含层一样,输入sj 2通过输出层的激活函数后,在输出层产生输出
Figure BDA0003236092210000051
右上角标3表示输出层连接权重;
Figure BDA0003236092210000052
第五步中加权融合输出的具体步骤如下:
Figure BDA0003236092210000053
其中,a1和a2是介于{0,1}之间的数,且a1+a2=1。
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
本发明采用神经网络和无迹卡尔曼滤波相结合,可以实现估计在线优化,不断提升估计精度,提高了该发明在真实驾驶工况下的适用范围。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明四轮电驱动汽车状态预测方法的流程图。
图2是本发明预测方法与现有方法的结果对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1:
如图1所示,一种四轮电驱动汽车状态预测方法,用于预测反应汽车状态的质心侧偏角β,预测方法包括以下步骤:
第一步:通过安装在汽车上的GPS系统、陀螺仪、轮胎力传感器、前轮转角传感器分别获取汽车的纵向速度、横摆角速度、轮胎侧向力和前轮转角;
第二步:通过第一步采集的当前时刻车载传感器纵向速度、横摆角速度、轮胎侧向力和前轮转角实时信息,以及通过车载CAN纵向获得的轮胎纵向力信息,将这些信息输入给非线性车辆动力学模型,通过车辆模型计算得到预估的横摆角速度;
第三步:将第二步传感器测量信息和车载CAN获得的所有信息和第二步预估的横摆角速度信息一起输入给无迹卡尔曼滤波算法,获得基于模型的车辆状态估计;
第四步:将第一步到第三步车辆运行中产生的大数据进行提取获得状态输入和输出数据集,运用神经网络训练获得软件定义的车,使得其能够根据车辆控制输入自动输出车辆状态,获得基于数据的车辆状态估计;
第五步:将第三步和第四步获得的车辆估计加权融合,获得最终汽车状态估计值。
第二步的具体步骤如下:
建立非线性车辆模型:
Figure BDA0003236092210000061
Figure BDA0003236092210000062
Figure BDA0003236092210000063
其中,i=q,h分别表示前轮和后轮;j=l,r分别表示左轮和右轮;vx为车辆纵向速度;Fxij为轮胎纵向力;Fyij为轮胎侧向力;Mz为车辆横摆力矩;ω为横摆角速度;m为汽车总质量;a为前轴到质心的距离;b为后轴到质心的距离;δ为前轮转角;i=f,r分别表示前轮和后轮;j=l,r分别表示左轮和右轮;Fxij为轮胎纵向力;Fyij为轮胎侧向力;Mz为车辆横摆力矩;Iz为绕z轴的转动惯量;μ为路面附着系数;β为质心侧偏角;Tf,Tr分别为车辆前轴和后轴轮距。
利用第一步采集的当前时刻车载传感器纵向速度、横摆角速度、轮胎侧向力和前轮转角实时信息,以及通过车载CAN纵向获得的轮胎纵向力信息,通过公式2和3计算预估的横摆角速度。
第三步的具体步骤如下:
根据公式(1)~(3)建立轮胎侧向力估计状态方程与量测方程如下:
Figure BDA0003236092210000064
状态变量为:
xη=[βη]T
量测变量为:
zη=[ωη]T
输入变量为:
u=[δη,vx,η,Fxql,η,Fxqr,η,Fxhl,η,Fxhr,η,Fyql,η,Fyqr,η,Fyhl,η,Fyhl,η]T
其中,z为测量向量;x为状态向量;u输入向量;f(·)为状态转移函数;h(·)输出函数。v过程噪声;w是测量噪声;下标η表示第η个采样步长。估计过程中量测噪声统计特性实行在线估计,基于极大值后验估计原理和观测信息对量测噪声的统计特性进行在线估计并将其嵌入标准无迹卡尔曼滤波中实现无迹卡尔曼滤波算法。具体算法流程如下:
初始化:
Figure BDA0003236092210000071
Figure BDA0003236092210000072
时间更新:相关权重
Figure BDA0003236092210000073
和sigma采样点
Figure BDA0003236092210000074
计算如下:
Figure BDA0003236092210000075
Figure BDA0003236092210000076
其中,n是x的维度,λ、Ω和α是待定参数。
Sigma点一步传播计算如下:
Figure BDA0003236092210000077
先验状态
Figure BDA0003236092210000078
和相应的状态协方差Pη/η-1更新如下:
Figure BDA0003236092210000079
Figure BDA00032360922100000710
其中,Q是过程噪声协方差矩阵;
测量更新:新生成Sigma点
Figure BDA00032360922100000711
计算如下:
Figure BDA0003236092210000081
新Sigma点一步传播计算如下:
Figure BDA0003236092210000082
Figure BDA0003236092210000083
的估计输出和它的协方差矩阵Pz,η更新如下:
Figure BDA0003236092210000084
Figure BDA0003236092210000085
R是测量噪声的协方差矩阵,
Figure BDA0003236092210000086
Figure BDA0003236092210000087
的互协方差计算如下:
Figure BDA0003236092210000088
卡尔曼滤波增益wη,后验状态
Figure BDA0003236092210000089
和它的协方差矩阵Pη更新如下:
Figure BDA00032360922100000810
Figure BDA00032360922100000811
Figure BDA00032360922100000812
第四步具体步骤如下:
神经网络包含输入层、隐含层、输出层,以x=[u z]作为系统输入,输出层为
Figure BDA00032360922100000813
设定网络间的权值与阈值,计算网络的输出结果
Figure BDA00032360922100000814
计算步骤如下:
1)输入x=[uz]与隐含层的连接权重ωij 1运算产生一组数据作为隐含层的输入sj 1
Figure BDA00032360922100000815
2)通过隐含层节点的θ(s)激活函数后
Figure BDA00032360922100000816
输出θ(sj),其中ωij 1表示输入层第i个节点到隐含层第j个节点的连接权重,sj表示隐含层的第j个节点产生的输出,sj 1表示隐含层第j个节点的输入;
3)θ(sj)的输出值将通过隐含层与输出层的连接权重ωij 2产生输出层的输入sj 2
Figure BDA0003236092210000091
ωij 2表示隐含层第i个节点到输出层第j个节点的连接权重,sj 2表示输出层第j个节点的输入,右上角标1表示第一层连接权重,2表示第二层连接权重。
4)输出层的计算过程与隐含层一样,输入sj 2通过输出层的激活函数后,在输出层产生输出
Figure BDA0003236092210000092
Figure BDA0003236092210000093
其中,右上角标3表示输出层连接权重;
第五步中,加权融合输出的具体步骤如下:
Figure BDA0003236092210000094
其中,a1和a2是介于{0,1}之间的数,且a1+a2=1。在本实施例中,a1和a2分别取值0.5。
图2是本发明预测方法与现有方法的结果对比图,从图2可以看出,本发明预测方法得到的反应汽车状态的质心侧偏角估计结果好于传统方法,与真实值非常逼近。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种四轮电驱动汽车状态预测方法,其特征在于,包括以下步骤:
第一步:获取汽车的纵向速度、横摆角速度、轮胎侧向力、前轮转角及轮胎纵向力;
第二步:通过第一步获取的纵向速度、横摆角速度、轮胎侧向力、前轮转角及轮胎纵向力信息,预估得到汽车的横摆角速度;
第三步:将第一步获取的纵向速度、横摆角速度、轮胎侧向力、前轮转角及轮胎纵向力和第二步预估得到汽车的横摆角速度信息一起输入给无迹卡尔曼滤波算法,获得基于模型的车辆状态估计;
第四步:将第一步到第三步车辆运行中产生的数据进行提取获得状态输入和输出数据集,运用神经网络训练获得虚拟车辆模型;根据虚拟车辆模型,获得基于数据的车辆状态估计;
第五步:将第三步和第四步获得的车辆估计加权融合,获得最终汽车状态估计值。
2.根据权利要求1所述的四轮电驱动汽车状态预测方法,其特征在于,第二步中,预估得到汽车的横摆角速度的方法是:
建立非线性车辆模型
Figure FDA0003236092200000011
Figure FDA0003236092200000012
Figure FDA0003236092200000013
其中,i=q,h分别表示前轮和后轮;j=l,r分别表示左轮和右轮;vx为车辆纵向速度;
Figure FDA0003236092200000014
为轮胎纵向力;
Figure FDA0003236092200000015
为轮胎侧向力;Mz为车辆横摆力矩;ω为横摆角速度;
Figure FDA0003236092200000016
表示ω的导数,m为汽车总质量;a为前轴到质心的距离;b为后轴到质心的距离;δ为前轮转角;Iz为绕z轴的转动惯量;μ为路面附着系数;β为质心侧偏角;
Figure FDA0003236092200000017
是β的导数,Tf,Tr分别为车辆前轴和后轴轮距;
将获取的纵向速度、横摆角速度、轮胎侧向力、前轮转角及轮胎纵向力信息,带入建立的建立非线性车辆模型,预估得到汽车的横摆角速度。
3.根据权利要求2所述的四轮电驱动汽车状态预测方法,其特征在于,第三步的具体步骤如下:
根据公式(1)~(3)建立轮胎侧向力估计状态方程与量测方程如下:
Figure FDA0003236092200000021
状态变量为:
xη=[βη]T
量测变量为:
zη=[ωη]T
输入变量为:
u=[δη,vx,η,Fxql,η,Fxqr,η,Fxhl,η,Fxhr,η,Fyql,η,Fyqr,η,Fyhl,η,Fyhl,η]T
其中,z为测量向量;x为状态向量,u输入向量,f(·)为状态转移函数,h(·)输出函数,v过程噪声,w是测量噪声;下标η表示第η个采样步长;
估计过程中量测噪声统计特性实行在线估计,基于极大值后验估计原理和观测信息对量测噪声的统计特性进行在线估计并将其嵌入标准无迹卡尔曼滤波中实现无迹卡尔曼滤波算法。
4.根据权利要求3所述的四轮电驱动汽车状态预测方法,其特征在于,无迹卡尔曼滤波算法的流程如下:
初始化:
Figure FDA0003236092200000022
其中,x0是估计状态初值;E(.)是数学期望;P0是状态估计误差协方差的初值;上标T表示矩阵转置;
时间更新:相关权重
Figure FDA0003236092200000023
和sigma采样点
Figure FDA0003236092200000024
计算如下:
Figure FDA0003236092200000025
Figure FDA0003236092200000026
其中,n是x的维度,λ、Ω和α是待定参数。
Sigma点一步传播计算如下:
Figure FDA0003236092200000031
其中,
Figure FDA0003236092200000032
是sigma采样点;f(.)是状态转移函数;
先验状态
Figure FDA0003236092200000033
和相应的状态协方差Pη/η-1更新如下:
Figure FDA0003236092200000034
Figure FDA0003236092200000035
其中,Q是过程噪声协方差矩阵;
测量更新:新生成Sigma点
Figure FDA0003236092200000036
计算如下:
Figure FDA0003236092200000037
新Sigma点一步传播计算如下:
Figure FDA0003236092200000038
其中,
Figure FDA0003236092200000039
是输出函数计算得到的测量矩阵;h(.)是输出函数;
Figure FDA00032360922000000310
的估计输出和它的协方差矩阵Pz,η更新如下:
Figure FDA00032360922000000311
Figure FDA00032360922000000312
R是测量噪声的协方差矩阵,
Figure FDA00032360922000000313
Figure FDA00032360922000000314
的互协方差计算如下:
Figure FDA00032360922000000315
卡尔曼滤波增益wη,后验状态
Figure FDA00032360922000000316
和它的协方差矩阵Pη更新如下:
Figure FDA00032360922000000317
Figure FDA00032360922000000318
Figure FDA00032360922000000319
5.根据权利要求4所述的四轮电驱动汽车状态预测方法,其特征在于,第四步中利用神经网络预测车辆状态的具体步骤如下:
神经网络包含输入层、隐含层和输出层,以x=[u z]作为系统输入,输出层为
Figure FDA0003236092200000041
设定网络间的权值与阈值,计算网络的输出结果
Figure FDA0003236092200000042
计算步骤如下:
1)输入x=[uz]与隐含层的连接权重ωij 1运算产生一组数据作为隐含层的输入sj 1
Figure FDA0003236092200000043
2)通过隐含层节点的激活函数后输出sj
Figure FDA0003236092200000044
其中,ωij 1表示输入层第i个节点到隐含层第j个节点的连接权重,sj表示隐含隐含层的第j个节点产生的输出,sj 1表示隐含层第j个节点的输入;
3)将通过隐含层与输出层的连接权重ωij 2产生输出层的输入sj 2
Figure FDA0003236092200000045
其中,ωij 2表示隐含层第i个节点到输出层第j个节点的连接权重,sj 2表示输出层第j个节点的输入,右上角标1表示第一层连接权重,右上角标2表示第二层连接权重;
4)隐含层输入sj 2通过输出层的激活函数后,在输出层产生输出
Figure FDA0003236092200000046
Figure FDA0003236092200000047
其中,右上角标3表示输出层连接权重。
6.根据权利要求5所述的四轮电驱动汽车状态预测方法,其特征在于,第五步中加权融合输出的具体步骤如下:
Figure FDA0003236092200000048
其中,a1和a2是介于{0,1}之间的数,且a1+a2=1。
7.根据权利要求1所述的四轮电驱动汽车状态预测方法,其特征在于,第一步中,通过安装在汽车上的差分GPS系统、陀螺仪、前轮转角传感器分别获取汽车的纵向速度、质心侧偏角、纵、横向加速度、前轮转角。
8.根据权利要求1所述的四轮电驱动汽车状态预测方法,其特征在于,第一步中,通过车载CAN纵向获得的轮胎纵向力信息。
CN202111002707.2A 2021-08-30 2021-08-30 一种四轮电驱动汽车状态预测方法 Active CN113650620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111002707.2A CN113650620B (zh) 2021-08-30 2021-08-30 一种四轮电驱动汽车状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111002707.2A CN113650620B (zh) 2021-08-30 2021-08-30 一种四轮电驱动汽车状态预测方法

Publications (2)

Publication Number Publication Date
CN113650620A true CN113650620A (zh) 2021-11-16
CN113650620B CN113650620B (zh) 2022-08-12

Family

ID=78482402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111002707.2A Active CN113650620B (zh) 2021-08-30 2021-08-30 一种四轮电驱动汽车状态预测方法

Country Status (1)

Country Link
CN (1) CN113650620B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312811A (zh) * 2022-01-27 2022-04-12 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050278077A1 (en) * 2004-06-09 2005-12-15 Kwang-Keun Shin Real-time vehicle dynamics estimation system
CN103909933A (zh) * 2014-03-27 2014-07-09 清华大学 一种分布式电驱动车辆的前轮侧向力估算方法
CN103995464A (zh) * 2014-05-26 2014-08-20 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
CN104878668A (zh) * 2015-05-29 2015-09-02 南京理工大学 基于扩展卡尔曼滤波的轨道垂向不平顺估计方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050278077A1 (en) * 2004-06-09 2005-12-15 Kwang-Keun Shin Real-time vehicle dynamics estimation system
WO2006001948A2 (en) * 2004-06-09 2006-01-05 General Motors Corporation Real-time vehicle dynamics estimation system
DE112005001319T5 (de) * 2004-06-09 2010-05-20 General Motors Corp., Detroit System zur Schätzung der Fahrzeugdynamik in Echtzeit
CN103909933A (zh) * 2014-03-27 2014-07-09 清华大学 一种分布式电驱动车辆的前轮侧向力估算方法
CN103995464A (zh) * 2014-05-26 2014-08-20 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
CN104878668A (zh) * 2015-05-29 2015-09-02 南京理工大学 基于扩展卡尔曼滤波的轨道垂向不平顺估计方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
宗长富等: "基于扩展Kalman滤波的汽车行驶状态估计", 《吉林大学学报(工学版)》 *
李刚等: "四轮轮毂电机电动汽车行驶状态估计", 《汽车工程》 *
田彦涛等: "基于平方根无迹卡尔曼滤波算法的电动汽车质心侧偏角估计", 《吉林大学学报(工学版)》 *
郭孔辉等: "基于扩展卡尔曼滤波的汽车质心侧偏角估计", 《汽车技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312811A (zh) * 2022-01-27 2022-04-12 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备
CN114312811B (zh) * 2022-01-27 2023-11-07 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备

Also Published As

Publication number Publication date
CN113650620B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Li et al. Comprehensive tire–road friction coefficient estimation based on signal fusion method under complex maneuvering operations
US6508102B1 (en) Near real-time friction estimation for pre-emptive vehicle control
CN113650619B (zh) 一种四轮驱动电动汽车轮胎力软测量方法
CN113386781B (zh) 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN111152795B (zh) 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
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
Li et al. Intelligent two-step estimation approach for vehicle mass and road grade
CN114379583A (zh) 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN109515442A (zh) 四轮驱动电动汽车路面附着系数估计方法
CN113650620B (zh) 一种四轮电驱动汽车状态预测方法
Xu et al. Estimation of road friction coefficient and vehicle states by 3‐DOF dynamic model and HSRI model based on information fusion
CN114103967A (zh) 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法
US20230001940A1 (en) Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles
Liu et al. Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm
Song et al. Road friction coefficient estimation based on BP neural network
CN115303289A (zh) 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备
Leng et al. Tire-road peak adhesion coefficient estimation method based on fusion of vehicle dynamics and machine vision
CN111942399A (zh) 一种基于无迹卡尔曼滤波的车速估算方法及系统
Yu et al. Mass estimation method for intelligent vehicles based on fusion of machine learning and vehicle dynamic model
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
Liu et al. Vehicle state estimation based on adaptive fading unscented kalman filter
Fu et al. Real‐time estimation and prediction of lateral stability of coaches: a hybrid approach based on EKF, BPNN, and online autoregressive integrated moving average algorithm
Ziaukas et al. Estimation of Vehicle Side-Slip Angle at Varying Road Friction Coefficients Using a Recurrent Artificial Neural Network
Junqueira et al. A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept

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