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

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

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；v_x为车辆纵向速度；

为轮胎纵向力；

为轮胎侧向力；M_z为车辆横摆力矩；ω为横摆角速度；

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；I_z为绕z轴的转动惯量；μ为路面附着系数；β为质心侧偏角；

是β的导数，T_f,T_r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：

状态变量为：

x_η＝[β_η]^T

量测变量为：

z_η＝[ω_η]^T

输入变量为：

u＝[δ_η,v_x,η,F_xql,η,F_xqr,η,F_xhl,η,F_xhr,η,F_yql,η,F_yqr,η,F_yhl,η,F_yhl,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：

时间更新：相关权重

和sigma采样点

计算如下：

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

先验状态

和相应的状态协方差P_η/η-1更新如下：

其中Q是过程噪声协方差矩阵；

测量更新：新生成Sigma点

计算如下：

新Sigma点一步传播计算如下

的估计输出和它的协方差矩阵P_z,η更新如下：

R是测量噪声的协方差矩阵，

与

的互协方差计算如下：

卡尔曼滤波增益w_η，后验状态

和它的协方差矩阵P_η更新如下：

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

设定网络间的权值与阈值，计算网络的输出结果

计算步骤如下：

1)输入x＝[uz]与隐含层的连接权重ω_ij ¹运算产生一组数据作为隐含层的输入s_j ¹；

2)通过隐含层节点的θ(s)激活函数后

输出θ(s_j)，其中ω_ij 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，s_j表示隐含层的第j个节点产生的输出，s_j ¹表示隐含层第j个节点的输入；

3)θ(s_j)的输出值将通过隐含层与输出层的连接权重ω_ij ²产生输出层的输入s_j ²；

ω_ij 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，s_j 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s_j ²通过输出层的激活函数后，在输出层产生输出

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：

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：

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；v_x为车辆纵向速度；F_xij为轮胎纵向力；F_yij为轮胎侧向力；M_z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；F_xij为轮胎纵向力；F_yij为轮胎侧向力；M_z为车辆横摆力矩；I_z为绕z轴的转动惯量；μ为路面附着系数；β为质心侧偏角；T_f,T_r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：

状态变量为：

x_η＝[β_η]^T

量测变量为：

z_η＝[ω_η]^T

输入变量为：

u＝[δ_η,v_x,η,F_xql,η,F_xqr,η,F_xhl,η,F_xhr,η,F_yql,η,F_yqr,η,F_yhl,η,F_yhl,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：

时间更新：相关权重

和sigma采样点

计算如下：

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：

先验状态

和相应的状态协方差P_η/η-1更新如下：

其中，Q是过程噪声协方差矩阵；

测量更新：新生成Sigma点

计算如下：

新Sigma点一步传播计算如下：

的估计输出和它的协方差矩阵P_z,η更新如下：

R是测量噪声的协方差矩阵，

与

的互协方差计算如下：

卡尔曼滤波增益w_η，后验状态

和它的协方差矩阵P_η更新如下：

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

设定网络间的权值与阈值，计算网络的输出结果

计算步骤如下：

1)输入x＝[uz]与隐含层的连接权重ω_ij ¹运算产生一组数据作为隐含层的输入s_j ¹；

2)通过隐含层节点的θ(s)激活函数后

输出θ(s_j)，其中ω_ij 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，s_j表示隐含层的第j个节点产生的输出，s_j ¹表示隐含层第j个节点的输入；

3)θ(s_j)的输出值将通过隐含层与输出层的连接权重ω_ij ²产生输出层的输入s_j ²；

ω_ij 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，s_j 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s_j ²通过输出层的激活函数后，在输出层产生输出

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：

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

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；v_x为车辆纵向速度；

为轮胎纵向力；

为轮胎侧向力；M_z为车辆横摆力矩；ω为横摆角速度；

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；I_z为绕z轴的转动惯量；μ为路面附着系数；β为质心侧偏角；

是β的导数，T_f,T_r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：

状态变量为：

x_η＝[β_η]^T

量测变量为：

z_η＝[ω_η]^T

输入变量为：

u＝[δ_η,v_x,η,F_xql,η,F_xqr,η,F_xhl,η,F_xhr,η,F_yql,η,F_yqr,η,F_yhl,η,F_yhl,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：

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

和sigma采样点

计算如下：

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：

其中，

是sigma采样点；f(.)是状态转移函数；

先验状态

和相应的状态协方差P_η/η-1更新如下：

其中，Q是过程噪声协方差矩阵；

测量更新：新生成Sigma点

计算如下：

新Sigma点一步传播计算如下：

其中，

是输出函数计算得到的测量矩阵；h(.)是输出函数；

的估计输出和它的协方差矩阵P_z,η更新如下：

R是测量噪声的协方差矩阵，

与

的互协方差计算如下：

卡尔曼滤波增益w_η，后验状态

和它的协方差矩阵P_η更新如下：

。

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

设定网络间的权值与阈值，计算网络的输出结果

计算步骤如下：

1)输入x＝[uz]与隐含层的连接权重ω_ij ¹运算产生一组数据作为隐含层的输入s_j ¹；

2)通过隐含层节点的激活函数后输出s_j：

其中，ω_ij 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，s_j表示隐含隐含层的第j个节点产生的输出，s_j 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ω_ij ²产生输出层的输入s_j ²；

其中，ω_ij 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，s_j 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s_j ²通过输出层的激活函数后，在输出层产生输出

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：

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。

Images