CN113650621B - 面向复杂工况的分布式驱动电动汽车状态参数估计方法 - Google Patents

面向复杂工况的分布式驱动电动汽车状态参数估计方法 Download PDF

Info

Publication number
CN113650621B
CN113650621B CN202110935579.0A CN202110935579A CN113650621B CN 113650621 B CN113650621 B CN 113650621B CN 202110935579 A CN202110935579 A CN 202110935579A CN 113650621 B CN113650621 B CN 113650621B
Authority
CN
China
Prior art keywords
vehicle
representing
mass
subscripts
tire
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
CN202110935579.0A
Other languages
English (en)
Other versions
CN113650621A (zh
Inventor
任彦君
王凡勋
殷国栋
危奕
华政硕
陈乐彬
项朋仑
沈童
冯斌
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 CN202110935579.0A priority Critical patent/CN113650621B/zh
Publication of CN113650621A publication Critical patent/CN113650621A/zh
Application granted granted Critical
Publication of CN113650621B publication Critical patent/CN113650621B/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
    • B60W40/10—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
    • B60W40/103—Side slip angle of vehicle body
    • 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
    • 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
    • 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
    • B60W2050/0037—Mathematical models of vehicle sub-units
    • B60W2050/0039—Mathematical models of vehicle sub-units of the propulsion unit
    • 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
    • B60W2520/10—Longitudinal 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
    • B60W2520/12—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
    • B60W2520/20—Sideslip angle
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/10—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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/201—Dimensions of vehicle
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

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

Abstract

本发明公开了一种面向复杂工况的分布式驱动电动汽车状态参数估计方法，利用分布式驱动电动汽车即时反馈的车轮转角和车轮转速等参数和标准车载传感器实时测定的汽车参数，构建适用于复杂工况的四自由度汽车动力学方程并建立自适应无迹卡尔曼滤波器进行滤波，最终实现对关键参数的估计，具有较高的估计精度。本发明可用于分布式驱动电动汽车的底盘辅助控制和主动安全控制，具有较广的适用性和较好的鲁棒性。

Description

面向复杂工况的分布式驱动电动汽车状态参数估计方法
技术领域
本发明涉及一种针对分布式驱动电动汽车复杂路况行驶，基于自适应无迹卡尔曼滤波算法的车辆操纵稳定性相关状态参数实时估计与辨识方法，属于电动汽车稳定性观测与控制领域。
背景技术
传统汽车以燃油发动机作为动力源，通过传动机构将动力传导至运动执行单元。这种方式对整车的控制存在延迟，控制精度不高；同时，车辆行驶过程中的状态参数需要通过传感器进行测量，存在传感器价格昂贵，一些关键性参数如车辆质心侧偏角、车身侧倾角等无法利用标准车载传感器测量等问题。因此，实现传统车辆操纵稳定性的观测与控制以及车辆的主动安全控制较为困难。
与传统汽车相比，分布式驱动电动汽车以电机作为动力源，由四个轮毂电机分别独立对车轮进行驱动，具有高水平的运动响应速度和高精度的转矩控制与输出；同时在不需要增设其他传感器的条件下，车轮转矩、转速和转角等信息参数可以即时反馈。在以上条件的支持下，可利用确定自由度的动力学方程结合合适的滤波算法对分布式驱动电动汽车操纵稳定性相关参数如质心侧偏角进行实时估计与辨识，从而可以进一步对车辆进行安全控制，提高车辆的安全性。
发明内容
本发明面向分布式驱动电动汽车，目标在于提供一种复杂工况下分布式驱动电动汽车行驶操纵稳定性关键参数的实时估计方案，实时估计结果对于电动汽车底盘的辅助性控制系统和主动安全控制系统的运行具有一定意义。
本发明具体采用如下技术方案：
一种面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于包括以下步骤：
步骤一、考虑复杂工况下分布式驱动电动汽车的运动，构建四自由度电动汽车动力学模型，建立汽车纵向横向动力学方程、质心动力学方程和角动量动力学方程；
步骤二、选取魔术轮胎模型与所述四自由度电动汽车动力学模型相结合，推导所选取的电动汽车操纵稳定性关键参数的系统演化方程；
步骤三、建立车辆动力学系统，确定系统中车辆输入参数为车辆四轮纵向力、四轮横向力和四轮轮胎转角；车辆结构参数为车辆质量及车辆的几何参数，包括车辆总质量、车辆簧载质量、车辆转动惯量、车辆迎风面积、车辆车轨宽及车辆车轴距等；实时测量参数为车辆纵向速度、横向速度、横摆角速度和侧倾角。
步骤四、建立自适应无迹卡尔曼滤波器，确定滤波器的待估量、输入量和观测量以将滤波器与车辆动力学系统进行对接；建立无迹卡尔曼滤波过程的状态方程、演化方程和观测方程；运用对称采样方法选取sigma点集及其权重值，确定车辆动力学系统的时间更新和观测更新，进行待估参数的修正及演化噪声方差和观测噪声方差自适应估计。最终实现对所选取的电动汽车状态参数的实时估计。
(Ⅰ)上述步骤一中考虑复杂工况下车辆的纵向运动、横向运动、横摆运动和侧倾运动建立四自由度车辆动力学方程如下：
Figure BDA0003212955280000021
式(1)为车辆纵向、横向动力学方程；
m,ms分别表示车辆总质量和车辆簧载质量；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；φ表示侧倾角；Fx,Fy,Fw,Ff分别表示车辆四轮纵向力、横向力、轮胎滚动阻力和车辆风阻；下标i＝f,r分别表示车辆前轮和车辆后轮，下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；h表示车辆簧载部分质心到侧倾轴垂直距离；Dd,ρ,Af分别表示汽车阻力系数、空气密度和车辆迎风面积；μ,g分别表示轮胎—道路附着系数和重力加速度；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000031
Figure BDA0003212955280000032
式(2)(3)为车辆质心动力学方程；
下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vg表示车辆水平方向合速度；δ表示轮胎转角；β表示质心侧偏角；m,ms表示车辆总质量和车辆簧载质量；h表示车辆簧载部分质心到侧倾轴垂直距离；ω表示车辆横摆角速度；φ表示侧倾角；Fx,Fy表示车辆四轮纵向力、横向力；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000033
式(4)为车辆角动量形式动力学方程；
Izz,Ixz,Ixxs,Ixzs分别表示车辆横摆转动惯量、车辆质量绕x,z轴的转动惯量积、车辆簧载质量横摆转动惯量和车辆横摆质量绕x,z轴的转动惯量积；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vy,ω表示车辆横向速度和车辆横摆角速度；φ表示侧倾角；δ表示轮胎转角；ms表示车辆簧载质量；Mz,Mx分别表示横摆、侧倾力矩；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；hrf,hrr分别表示车辆前、后侧倾中心高度；g表示重力加速度；上标志“·”表示对所示量的微分。
(Ⅱ)上述步骤二中所结合的车辆动力学模型中四轮垂向力、侧偏角和轮胎滑移率表示如下：
Figure BDA0003212955280000041
式(5)为车辆四轮垂向力的表达式；
Fz表示车辆垂向力；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；ax,ay分别表示车辆纵向加速度和车辆横向加速度；g表示重力加速度；hcg,huf,hur分别表示车辆质心及前、后轮侧偏中心距地面的高度；m,ms,muf,mur分别表示车辆总质量、车辆簧载质量、车辆前、后非簧载质量；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角；Cφf,Cφr分别表示车辆前、后侧倾刚度；Kφf,Kφr分别表示车辆前、后侧倾阻尼系数；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000051
式(6)为轮胎侧偏角表达式：
α表示轮胎侧偏角；δ表示轮胎转角；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角。
Figure BDA0003212955280000052
式(7)为轮胎滑移率公式；
λ表示轮胎滑移率；j＝l,r下标分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；δ表示轮胎转角；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；Re表示轮胎有效半径。
(Ⅲ)上述步骤二中所结合的轮胎魔术公式如下：
Figure BDA0003212955280000061
B,C,D,E表示魔术公式系数，由轮胎垂直载荷及外倾角决定；Sv,Sh表示轮胎曲线垂直、水平方向漂移；Y(X)表示纵向力时，X表示滑移率，Y(X)表示侧向力时，X表示侧偏角。
(Ⅳ)上述步骤四中：
滤波器的待估量为x＝β，表示车辆质心侧偏角；输入量为
Figure BDA0003212955280000062
分别表示车辆左右前轮所受的纵、侧向力，左右前轮转角，横摆角速度，侧倾角速度和侧倾角加速度；观测量选取由车载陀螺仪返回的车辆纵向速度和车辆横向速度；
无迹卡尔曼滤波过程的状态方程为：
Figure BDA0003212955280000063
无迹卡尔曼滤波过程的演化方程为：
xk＝fk∣(xk-1,uk)+Wk
Figure BDA0003212955280000064
式中Wk表示演化过程中的噪声；下标k表示第k次滤波循环；Vg表示车辆水平方向合速度，Δt表示对称采样时间间隔；
无迹卡尔曼滤波过程的观测方程为：
Figure BDA0003212955280000071
式中vx,vy表示传感器测得的车辆横向速度和纵向速度；Q表示观测过程中的噪声。
运用对称采样方法选取sigma点集及其权重值：
Figure BDA0003212955280000072
Figure BDA0003212955280000073
式中，X表示对称采样的Sigma点，上下标k-1表示第k-1次滤波循环；wi (m)为计算均值时各点的权重，wi (c)为计算方差时各点的权重，l为调整参数，其中k≥0；参数a反映测试点偏离期望值的程度，控制着sigma点的分布范围。参数b反映状态变量的高阶矩信息，在x服从Gauss分布的情况下最优值为b＝2；n表示Sigma点的个数。
(Ⅴ)上述步骤四中车辆动力学系统的时间更新
对于每一个sigma点，有：
Figure BDA0003212955280000074
式中，xk-1＝βk-1,
Figure BDA0003212955280000081
均为可测量量；
Figure BDA0003212955280000082
表示第k次滤波循环中，对称取样的第i个一步预测Sigma点；下标k表示第k次滤波循环。
Figure BDA0003212955280000083
可获得待估参数的一次估计值为：
Figure BDA0003212955280000084
待估参数方差的一次估计值为：
Figure BDA0003212955280000085
(Ⅵ)上述步骤四中车辆动力学系统的观测更新
Figure BDA0003212955280000086
其中h(x)＝x，Vk是观测过程的加性噪声。由此可获得观测量的一步预测值：
Figure BDA0003212955280000087
观测量的一步预测方差：
Figure BDA0003212955280000088
待估量与观测量的协方差为：
Figure BDA0003212955280000091
(Ⅶ)上述步骤四中待估参数的修正
卡尔曼增益量：
Figure BDA0003212955280000092
待估参数的估计值如下：
Figure BDA0003212955280000093
其中
Figure BDA0003212955280000094
由惯导求得。
相应的待估参数方差更新如下：
Figure BDA0003212955280000095
(Ⅷ)上述步骤四中采用协方差匹配的自适应计算策略，在滤波计算过程中计算中通过保持系统变量的新息方差和估计残差与其理论值的一致性来估计计算出所述演化噪声方差和观测噪声方差。过程如下：
定义实际观测值zk与预测值
Figure BDA0003212955280000096
之间的差值为新息值；
Figure BDA0003212955280000097
上式中，xk表示状态量真值，vk表示观测噪声，下标k表示第k次滤波循环。
定义实际观测值zk与估计值
Figure BDA0003212955280000098
之间的差值为残差值：
Figure BDA0003212955280000099
根据方差的定义，可得预测值的方差
Figure BDA00032129552800000910
和估计值的方差
Figure BDA00032129552800000911
分别为：
Figure BDA00032129552800000912
Figure BDA00032129552800000913
由于观测过程的噪声是加性的，可知：
Figure BDA00032129552800000914
式中Rk表示观测过程噪声的方差；
由此：
Figure BDA0003212955280000101
用有限个采样点的新息值估算，则观测过程噪声方差的估计值
Figure BDA0003212955280000102
表示如下：
Figure BDA0003212955280000103
式中N表示采样窗的大小；
残差值的方差近似表示为：
Figure BDA0003212955280000104
根据方差的性质，有：
Figure BDA0003212955280000105
可得演化过程噪声方差Qk的估计值如下：
Figure BDA0003212955280000106
式中，
Figure BDA0003212955280000107
表示第k次滤波循环中，对称取样的第i个一步预测Sigma点；上标、下标(k|k-1)表示第k次滤波循环的一步预测值；n表示Sigma点的个数。
与现有技术相比，本发明具有以下技术优势：
本发明考虑复杂工况下分布式驱动电动汽车的运动，建立汽车动力学模型，以分布式驱动电动汽车实时反馈的行驶参数(车轮转角和车轮转速)为模型输入量，通过汽车动力学模型结合魔术轮胎模型，利用系统输入参数、车辆结构参数、实时测量参数，建立自适应无迹卡尔曼滤波器对所电动汽车操纵稳定性关键状态参数进行实时估计。不同于一般的车辆状态参数在线估计方法，本发明充分考虑了分布式驱动电动汽车车辆参数即时反馈的特性和其标准车载传感器进行汽车动力学模型的建立，同时模型考虑车辆的纵向运动、横向运动、横摆运动和侧倾运动，可以较为准确的反映分布式驱动电动汽车在复杂工况下的行驶特点
另外不同于一般的卡尔曼滤波算法和扩展卡尔曼滤波算法，本发明采用自适应无迹卡尔曼滤波算法对建立的汽车动力学系统模型状态进行估计。考虑复杂路况下行驶的分布式驱动电动汽车动力学模型是一个非线性的系统，传统的卡尔曼滤波算法和扩展卡尔曼滤波算法估计精度不高，而无迹卡尔曼滤波算法使用采样策略，利用非线性变换中变量的统计参量，通过构造一组sigam点和相应权值的方式进行估计。但该过程中算法不断迭代，迭代误差被放大可能导致滤波过程的不稳定甚至滤波发散。因此，本发明在无迹卡尔曼滤波的基础上，采用根据测量变量实际值与预测值的误差对过程噪声的协方差矩阵进行自适应匹配的自适应无迹卡尔曼滤波算法，可以一定程度上减弱滤波过程不稳定的影响，并使得估计精度有所提高。
本发明涉及的基于运动学模型的车辆状态参数估计算法结合分布式驱动电动汽车车辆信息参数可即时反馈的特点，降低了对车载传感器的要求。同时估计过程基本不受如车辆质量、车辆横摆转动惯量等车辆结构参数变化影响，具有较广的适用性和较好的鲁棒性。
附图说明
图1是本发明实施例对于车辆质心侧偏角的估计流程图
图2是本发明实施例考虑底盘侧倾的动力学模型图
图3是本发明实施例考虑车辆整体结构的动力学模型图
图4是本发明实施例考虑车辆行驶过程中发生横摆的动力学模型图
图5是本发明实施例所采用的自适应无迹卡尔曼滤波算法滤波过程图
具体实施方式
以下以具体实施例和附图对本发明进行详述，但不局限于以下内容。
一种面向复杂工况的分布式驱动电动汽车状态参数—质心侧偏角估计方法，如图1所示，包括以下步骤：
步骤一、建立汽车的四自由度整车动力学模型，如图2-4所示
(Ⅰ)考虑车辆的纵向、横向、横摆、侧倾运动，可建立汽车四自由度整车动力学方程如下：
Figure BDA0003212955280000121
式(1)为车辆纵向、横向动力学方程；
m,ms分别表示车辆总质量和车辆簧载质量；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；φ表示侧倾角；Fx,Fy,Fw,Ff分别表示车辆四轮纵向力、横向力、轮胎滚动阻力和车辆风阻；下标i＝f,r分别表示车辆前轮和车辆后轮，下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；h表示车辆簧载部分质心到侧倾轴垂直距离；Dd,ρ,Af分别表示汽车阻力系数、空气密度和车辆迎风面积；μ,g分别表示轮胎—道路附着系数和重力加速度；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000122
Figure BDA0003212955280000123
式(2)(3)为车辆质心动力学方程；
下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vg表示车辆水平方向合速度；δ表示轮胎转角；β表示质心侧偏角；m,ms表示车辆总质量和车辆簧载质量；h表示车辆簧载部分质心到侧倾轴垂直距离；ω表示车辆横摆角速度；φ表示侧倾角；Fx,Fy表示车辆四轮纵向力、横向力；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000131
式(4)为车辆角动量形式动力学方程；
Izz,Ixz,Ixxs,Ixzs分别表示车辆横摆转动惯量、车辆质量绕x,z轴的转动惯量积、车辆簧载质量横摆转动惯量和车辆横摆质量绕x,z轴的转动惯量积；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vy,ω表示车辆横向速度和车辆横摆角速度；φ表示侧倾角；δ表示轮胎转角；ms表示车辆簧载质量；Mz,Mx分别表示横摆、侧倾力矩；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；hrf,hrr分别表示车辆前、后侧倾中心高度；g表示重力加速度；上标志“·”表示对所示量的微分。
(Ⅱ)由车辆动力学方程可得到四轮垂向力、侧偏角、轮胎滑移率如下：
Figure BDA0003212955280000141
式(5)为车辆四轮垂向力的表达式；
Fz表示车辆垂向力；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；ax,ay分别表示车辆纵向加速度和车辆横向加速度；g表示重力加速度；hcg,huf,hur分别表示车辆质心及前、后轮侧偏中心距地面的高度；m,ms,muf,mur分别表示车辆总质量、车辆簧载质量、车辆前、后非簧载质量；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角；Cφf,Cφr分别表示车辆前、后侧倾刚度；Kφf,Kφr分别表示车辆前、后侧倾阻尼系数；上标志“·”表示对所示量的微分。
Figure BDA0003212955280000142
式(6)为轮胎侧偏角表达式；
α表示轮胎侧偏角；δ表示轮胎转角；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角。
Figure BDA0003212955280000151
式(7)为轮胎滑移率公式；
λ表示轮胎滑移率；j＝l,r下标分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；δ表示轮胎转角；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；Re表示轮胎有效半径。
(Ⅲ)将四轮垂向力、侧偏角、轮胎滑移率代入轮胎魔术公式，可得到四轮所受纵向力、横向力，轮胎魔术公式如下：
Figure BDA0003212955280000152
B,C,D,E表示魔术公式系数，由轮胎垂直载荷及外倾角决定；Sv,Sh表示轮胎曲线垂直、水平方向漂移；Y(X)表示纵向力时，X表示滑移率，Y(X)表示侧向力时，X表示侧偏角。
步骤二、自适应无迹卡尔曼滤波，过程如图5所示。
滤波器的待估量x＝β表示车辆质心侧偏角；输入量
Figure BDA0003212955280000153
分别表示车辆左右前轮所受的纵、侧向力，左右前轮转角，横摆角速度，侧倾角速度和侧倾角加速度；观测量选取由车载陀螺仪返回的车辆纵向速度和车辆横向速度。
无迹卡尔曼滤波过程的状态方程为：
Figure BDA0003212955280000161
式中m,ms表示车辆总质量和车辆簧载质量；h表示车辆簧载部分质心到侧倾轴垂直距离；
无迹卡尔曼滤波过程的演化方程为：
xk＝fk∣(xk-1,uk)+Wk
Figure BDA0003212955280000162
式中Wk表示演化过程中的噪声；下标k表示第k次滤波循环；Vg表示车辆水平方向合速度，Δt表示对称采样时间间隔；
无迹卡尔曼滤波过程的观测方程为：
Figure BDA0003212955280000163
式中vx,vy表示传感器测得的车辆横向速度和纵向速度；Q表示观测过程中的噪声。
(Ⅰ)初始化
待估参数的初始均值和初始方差为：
Figure BDA0003212955280000164
(Ⅱ)运用对称采样方法选取sigma点集及其权重值
Figure BDA0003212955280000171
Figure BDA0003212955280000172
式中，X表示对称采样的Sigma点，上下标k-1表示第k-1次滤波循环；wi (m)为计算均值时各点的权重，wi (c)为计算方差时各点的权重，l为调整参数，其中k≥0；参数a反映测试点偏离期望值的程度，控制着sigma点的分布范围。参数b反映状态变量的高阶矩信息，在x服从Gauss分布的情况下最优值为b＝2；n表示Sigma点的个数。
(Ⅲ)车辆动力学系统的时间更新
对于每一个sigma点，有：
Figure BDA0003212955280000173
式中，xk-1＝βk-1,
Figure BDA0003212955280000174
均为可测量量；
Figure BDA0003212955280000175
表示第k次滤波循环中，对称取样的第i个一步预测Sigma点；下标k表示第k次滤波循环。
Figure BDA0003212955280000181
可获得待估参数的一次估计值为：
Figure BDA0003212955280000182
待估参数方差的一次估计值为：
Figure BDA0003212955280000183
(Ⅳ)车辆动力学系统的观测更新
Figure BDA0003212955280000184
其中，h(x)＝x，Vk是观测过程的加性噪声。由此可获得观测量的一步预测值：
Figure BDA0003212955280000185
观测量的一步预测方差为：
Figure BDA0003212955280000186
待估量与观测量的协方差为：
Figure BDA0003212955280000187
(Ⅴ)待估参数的修正
卡尔曼增益量：
Figure BDA0003212955280000191
待估参数的估计值为：
Figure BDA0003212955280000192
其中，
Figure BDA0003212955280000193
由惯导得出。
相应的待估参数方差更新为：
Figure BDA0003212955280000194
步骤三、噪声方差自适应过程
采用一种协方差匹配法的自适应计算策略，在滤波计算过程中计算中通过保持系统变量的新息方差和估计残差与他们的理论值的一致性来估计计算计算出演化噪声和观测噪声的方差。过程如下：
定义实际观测值zk与预测值
Figure BDA0003212955280000195
之间的差值为新息值：
Figure BDA0003212955280000196
上式中，xk表示状态量真值，vk表示观测噪声，下标k表示第k次滤波循环
定义实际观测值zk与估计值
Figure BDA0003212955280000197
之间的差值为残差值：
Figure BDA0003212955280000198
根据方差的定义，可得预测值的方差
Figure BDA0003212955280000199
和估计值的方差
Figure BDA00032129552800001910
分别为：
Figure BDA00032129552800001911
Figure BDA00032129552800001912
由于观测过程的噪声是加性的，可知：
Figure BDA00032129552800001913
式中Rk表示观测过程噪声的方差；
由此：
Figure BDA0003212955280000201
用有限个采样点的新息值估算，则观测过程噪声方差的估计值
Figure BDA0003212955280000202
表示如下：
Figure BDA0003212955280000203
式中N表示采样窗的大小；
残差值的方差近似表示为：
Figure BDA0003212955280000204
根据方差的性质，有：
Figure BDA0003212955280000205
可得演化过程噪声方差Qk的估计值如下：
Figure BDA0003212955280000206
式中，
Figure BDA0003212955280000207
表示第k次滤波循环中，对称取样的第i个一步预测Sigma点；上标、下标(k|k-1)表示第k次滤波循环的一步预测值；n表示Sigma点的个数。

Claims (5)

1.面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于包括以下步骤：
步骤一、考虑复杂工况下分布式驱动电动汽车的运动，构建四自由度电动汽车动力学模型，建立汽车纵向横向动力学方程、质心动力学方程和角动量动力学方程；
步骤二、选取魔术轮胎模型与所述四自由度电动汽车动力学模型相结合，推导所选取的电动汽车操纵稳定性关键参数的系统演化方程；
步骤三、建立车辆动力学系统，确定系统中车辆输入参数为车辆四轮纵向力、四轮横向力和四轮轮胎转角；车辆结构参数为车辆质量及车辆的几何参数，包括车辆总质量、车辆簧载质量、车辆转动惯量、车辆迎风面积、车辆车轨宽及车辆车轴距；实时测量参数为车辆纵向速度、横向速度、横摆角速度和侧倾角；
步骤四、建立自适应无迹卡尔曼滤波器，确定滤波器的待估量、输入量和观测量以将滤波器与车辆动力学系统进行对接；建立无迹卡尔曼滤波过程的状态方程、演化方程和观测方程；运用对称采样方法选取sigma点集及其权重值，确定车辆动力学系统的时间更新和观测更新，进行待估参数的修正及演化噪声方差和观测噪声方差自适应估计，最终实现对所选取的电动汽车状态参数的实时估计；
所述步骤一，考虑复杂工况下车辆的纵向运动、横向运动、横摆运动和侧倾运动建立四自由度车辆动力学方程如下：
Figure FDA0003720151700000011
式(1)为车辆纵向、横向动力学方程；
m,ms分别表示车辆总质量和车辆簧载质量；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；φ表示侧倾角；Fx,Fy,Fw,Ff分别表示车辆四轮纵向力、横向力、轮胎滚动阻力和车辆风阻；下标i＝f,r分别表示车辆前轮和车辆后轮，下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；h表示车辆簧载部分质心到侧倾轴垂直距离；Dd,ρ,Af分别表示汽车阻力系数、空气密度和车辆迎风面积；μ,g分别表示轮胎—道路附着系数和重力加速度；上标志“·”表示对所示量的微分；
Figure FDA0003720151700000021
Figure FDA0003720151700000022
式(2)(3)为车辆质心动力学方程；
下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vg表示车辆水平方向合速度；δ表示轮胎转角；β表示质心侧偏角；m,ms表示车辆总质量和车辆簧载质量；h表示车辆簧载部分质心到侧倾轴垂直距离；ω表示车辆横摆角速度；φ表示侧倾角；Fx,Fy表示车辆四轮纵向力、横向力；上标志“·”表示对所示量的微分；
Figure FDA0003720151700000023
式(4)为车辆角动量形式动力学方程；
Izz,Ixz,Ixxs,Ixzs分别表示车辆横摆转动惯量、车辆质量绕x,z轴的转动惯量积、车辆簧载质量横摆转动惯量和车辆横摆质量绕x,z轴的转动惯量积；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；Vy,ω表示车辆横向速度和车辆横摆角速度；φ表示侧倾角；δ表示轮胎转角；ms表示车辆簧载质量；Mz,Mx分别表示横摆、侧倾力矩；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；hrf,hrr分别表示车辆前、后侧倾中心高度；g表示重力加速度；上标志“·”表示对所示量的微分。
2.如权利要求1所述的面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于：所述步骤二中所结合的车辆动力学模型中四轮垂向力、侧偏角和轮胎滑移率表示如下：
Figure FDA0003720151700000031
式(5)为车辆四轮垂向力的表达式；
Fz表示车辆垂向力；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；ax,ay分别表示车辆纵向加速度和车辆横向加速度；g表示重力加速度；hcg,huf,hur分别表示车辆质心及前、后轮侧偏中心距地面的高度；m,ms,muf,mur分别表示车辆总质量、车辆簧载质量、车辆前、后非簧载质量；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角；Cφf,Cφr分别表示车辆前、后侧倾刚度；Kφf,Kφr分别表示车辆前、后侧倾阻尼系数；上标志“·”表示对所示量的微分；
Figure FDA0003720151700000032
式(6)为轮胎侧偏角表达式；
α表示轮胎侧偏角；δ表示轮胎转角；下标j＝l,r分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；φ表示侧倾角；
Figure FDA0003720151700000041
式(7)为轮胎滑移率；
λ表示轮胎滑移率；j＝l,r下标分别表示车辆左轮和车辆右轮，由此下标fl,fr,rl,rr分别表示车辆左前轮、右前轮、左后轮和右后轮；δ表示轮胎转角；u,Vy,ω分别表示车辆纵向速度、车辆横向速度和车辆横摆角速度；Bf,Br分别表示车辆前、后车轨宽；Lf,Lr分别表示车辆前、后车轴距；Re表示轮胎有效半径。
3.如权利要求1所述的面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于：所述步骤二中所结合的轮胎魔术公式如下：
Figure FDA0003720151700000042
其中，B,C,D,E表示魔术公式系数，由轮胎垂直载荷及外倾角决定；Sv,Sh表示轮胎曲线垂直、水平方向漂移；Y(X)表示纵向力时，X表示滑移率，Y(X)表示侧向力时，X表示侧偏角。
4.如权利要求1所述的面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于：
所述步骤四中滤波器的待估量为x＝β，表示车辆质心侧偏角；输入量为
Figure FDA0003720151700000051
分别表示车辆左右前轮所受的纵、侧向力，左右前轮转角，横摆角速度，侧倾角速度和侧倾角加速度；观测量选取由车载陀螺仪返回的车辆纵向速度和车辆横向速度；下标fl,fr分别表示车辆左前轮、右前轮；
(Ⅰ)无迹卡尔曼滤波过程的状态方程为：
Figure FDA0003720151700000052
m,ms表示车辆总质量和车辆簧载质量；h表示车辆簧载部分质心到侧倾轴垂直距离；
(Ⅱ)无迹卡尔曼滤波过程的演化方程为：
xk＝fk(xk-1,uk)+Wk
Figure FDA0003720151700000053
式中Wk表示演化过程中的噪声；下标k表示第k次滤波循环；Vg表示车辆水平方向合速度，Δt表示对称采样时间间隔；
(Ⅲ)无迹卡尔曼滤波过程的观测方程为：
Figure FDA0003720151700000054
式中vx,vy表示传感器测得的车辆横向速度和纵向速度；Q表示观测过程中的噪声。
5.如权利要求1所述的面向复杂工况的分布式驱动电动汽车状态参数估计方法，其特征在于：
所述步骤四中采用协方差匹配的自适应计算策略，通过保持系统变量的新息方差和估计残差与其理论值的一致性来估计计算出所述演化噪声方差和观测噪声方差；过程如下：
定义实际观测值zk与预测值
Figure FDA0003720151700000061
之间的差值为新息值：
Figure FDA0003720151700000062
上式中，xk表示状态量真值，vk表示观测噪声，下标k表示第k次滤波循环；
定义实际观测值zk与估计值
Figure FDA0003720151700000063
之间的差值为残差值：
Figure FDA0003720151700000064
根据方差的定义，可得预测值的方差
Figure FDA0003720151700000065
和估计值的方差
Figure FDA0003720151700000066
分别为：
Figure FDA0003720151700000067
Figure FDA0003720151700000068
由于观测过程的噪声是加性的，可知：
Figure FDA0003720151700000069
式中Rk表示观测过程噪声的方差；
由此：
Figure FDA00037201517000000610
用有限个采样点的新息值估算，则观测过程噪声方差的估计值
Figure FDA00037201517000000611
表示如下：
Figure FDA00037201517000000612
式中N表示采样窗的大小；
残差值的方差近似表示为：
Figure FDA00037201517000000613
根据方差的性质，有：
Figure FDA00037201517000000614
可得演化过程噪声方差Qk的估计值如下：
Figure FDA0003720151700000071
式中，
Figure FDA0003720151700000072
表示第k次滤波循环中，对称取样的第i个一步预测Sigma点；上标、下标(k|k-1)表示第k次滤波循环的一步预测值；n表示Sigma点的个数。
CN202110935579.0A 2021-08-16 2021-08-16 面向复杂工况的分布式驱动电动汽车状态参数估计方法 Active CN113650621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110935579.0A CN113650621B (zh) 2021-08-16 2021-08-16 面向复杂工况的分布式驱动电动汽车状态参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110935579.0A CN113650621B (zh) 2021-08-16 2021-08-16 面向复杂工况的分布式驱动电动汽车状态参数估计方法

Publications (2)

Publication Number Publication Date
CN113650621A CN113650621A (zh) 2021-11-16
CN113650621B true CN113650621B (zh) 2022-08-12

Family

ID=78479187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110935579.0A Active CN113650621B (zh) 2021-08-16 2021-08-16 面向复杂工况的分布式驱动电动汽车状态参数估计方法

Country Status (1)

Country Link
CN (1) CN113650621B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116588119B (zh) * 2023-05-30 2024-06-28 同济大学 一种基于轮胎模型参数自适应的车辆状态估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006001948A2 (en) * 2004-06-09 2006-01-05 General Motors Corporation 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
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
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
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
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
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 (5)

* Cited by examiner, † Cited by third party
Title
四轮轮毂电机电动汽车行驶状态估计;李刚等;《汽车工程》;20180225(第02期);全文 *
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;田彦涛等;《吉林大学学报(工学版)》;20180326(第03期);全文 *
基于扩展Kalman滤波的汽车行驶状态估计;宗长富等;《吉林大学学报(工学版)》;20090115(第01期);全文 *
基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用;宗长富等;《机械工程学报》;20091015(第10期);全文 *
基于扩展卡尔曼滤波的汽车质心侧偏角估计;郭孔辉等;《汽车技术》;20090424(第04期);全文 *

Also Published As

Publication number Publication date
CN113650621A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN106250591B (zh) 一种考虑侧倾影响的汽车行驶状态估计方法
CN111845775B (zh) 一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法
CN112758097B (zh) 一种用于无人驾驶车辆的状态预测与估计方法
CN108594652B (zh) 一种基于观测器信息迭代的车辆状态融合估计方法
CN110588657B (zh) 一种针对车辆运动状态及道路坡度的联合估计方法
CN109291932B (zh) 基于反馈的电动汽车横摆稳定性实时控制装置及方法
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
US6745112B2 (en) Method of estimating quantities that represent state of vehicle
CN111796522B (zh) 一种车辆状态估计方法
CN111688715B (zh) 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法
CN110497915B (zh) 一种基于加权融合算法的汽车行驶状态估计方法
CN111845755B (zh) 一种车辆纵向车速估计方法
CN116923428B (zh) 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法
CN111959516B (zh) 一种车辆状态与路面附着系数联合估计的方法
CN108394413B (zh) 一种四轮独立驱动与转向的电动汽车状态与参数校正方法
CN115406446A (zh) 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法
CN114572191A (zh) 一种独立驱动电动汽车轨迹跟踪及稳定性集成控制方法
CN113650621B (zh) 面向复杂工况的分布式驱动电动汽车状态参数估计方法
CN112270039A (zh) 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN109849898B (zh) 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法
CN113306545B (zh) 一种车辆轨迹跟踪控制方法及系统
CN112613125B (zh) 一种路面激励情况下汽车侧倾中心辨识和动态修正的方法
CN117485324A (zh) 一种四轮分布式驱动电动车辆轮胎力矢量控制方法
CN113401113A (zh) 基于车辆稳定包络线的无人驾驶汽车直接横摆力矩控制方法及控制器
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法

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