CN113771865B - 一种车载传感器测量数据异常情况下的汽车状态估计方法 - Google Patents

一种车载传感器测量数据异常情况下的汽车状态估计方法 Download PDF

Info

Publication number
CN113771865B
CN113771865B CN202110964974.1A CN202110964974A CN113771865B CN 113771865 B CN113771865 B CN 113771865B CN 202110964974 A CN202110964974 A CN 202110964974A CN 113771865 B CN113771865 B CN 113771865B
Authority
CN
China
Prior art keywords
state
vehicle
automobile
covariance
posterior
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
CN202110964974.1A
Other languages
English (en)
Other versions
CN113771865A (zh
Inventor
殷国栋
汪
徐利伟
卢彦博
庄伟超
耿可可
祝小元
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 CN202110964974.1A priority Critical patent/CN113771865B/zh
Publication of CN113771865A publication Critical patent/CN113771865A/zh
Application granted granted Critical
Publication of CN113771865B publication Critical patent/CN113771865B/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
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • 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
    • B60W2050/0031—Mathematical model of the 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Gyroscopes (AREA)

Abstract

本发明涉及一种车载传感器测量数据异常情况下的汽车状态估计方法，首先利用车载传感器获得带有异常测量数据的横向加速度信号以及正常的前轮转角和纵向加速度，将这些信息与非线性车辆模型结合利用先验预估和后验更新的方法估计车辆的纵向速度，质心侧偏角，横摆角速度来实现汽车状态的精确获取。本发明可以填补当前车载传感器测量数据异常情况下汽车状态无法精确估计的技术空白，提升了汽车主动安全控制技术水平。本发明考虑到现有汽车状态估计中尚未考虑传感器数据异常，利用贝叶斯概率理论设计了考虑数据异常的先验与后验相结合的估计方法，可以填补当前传感器数据异常情况下汽车状态无法估计的技术空白。

Description

一种车载传感器测量数据异常情况下的汽车状态估计方法
技术领域
本发明涉及车辆控制领域，具体涉及一种车载传感器测量数据异常情况下的电动汽车状态估计方法。
背景技术
为了提高电动汽车的安全性，许多主动安全技术被开发出来以减少交通事故，如主动避撞系统、车身稳定系统。这些系统的有效实施直接受汽车状态等关键信息的影响。然而，一些关键汽车状态无法通过车载传感器直接测量或者测量成本过高。因此，一些基于状态观测器和卡尔曼滤波的估计方法被用来解决该问题。
但传统估计方法中一个基本前提是估计器能够完全接收到正常的测量信号。但是，它忽略了一些实际的工作条件，例如车内传感器的信息可能会部分或完全丢失，这种情况导致现有的汽车状态估计方法可能由于估计偏差过大并不能应用到实际中。
发明内容
本发明要解决的技术问题：本发明的目的是为了解决现有技术中的不足，提供一种车载传感器测量数据异常情况下的电动汽车状态估计方法。
本发明的技术方案：车载传感器测量数据异常情况下的汽车状态估计方法，具体包括以下步骤：
第一步：实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息；
第二步：建立车辆非线性动力学模型，构建汽车状态估计的状态方程和测量方程，通过第一步采集的车辆前轮转角和车辆纵向加速度信息，依据状态方程计算得到汽车状态的先验估计值和先验误差协方差；
第三步：依据第一步采集的带有异常数据的横向加速度测量值和后验横向加速度，
对所述步骤二得到的得到汽车状态的先验估计值和先验误差协方差进行动态更新，获得后验汽车状态估计值，并计算后验误差协方差；
将所述后验估计值和后验误差协方差作为第二步在下一时刻的输入，输入第二步，实现第二步和第三步动态循环，循环往复，以此完成对汽车状态的高精度估计。
进一步的，所述车辆非线性动力学模型包括：
Figure BDA0003221726010000011
Figure BDA0003221726010000021
Figure BDA0003221726010000022
Figure BDA0003221726010000023
其中，r为横摆角速度、k1为前轮总侧偏刚，k2为后轮总侧偏刚度、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、ax为纵向加速度、ay为侧向加速度、Iz为绕z轴的转动惯量、β为质心侧偏角、
Figure BDA0003221726010000024
就是对Vx求导；
根据公式(1)～(4)建立考虑传感器数据异常的汽车状态估计状态方程与测量方程如下：
Figure BDA0003221726010000025
状态变量为：x＝[r,β,vx]T
量测变量为：z＝[ay]T
输入变量为：u＝[ax,δ]T
其中，z为测量向量；x为状态向量；u输入向量，θ为采样时间，xθ为状态变量，zθ为有数据异常的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置；
Figure BDA0003221726010000026
为对角矩阵，其中
Figure BDA0003221726010000027
是m个独立的随机变量，与所有的噪声信号无关；
Figure BDA0003221726010000028
是在区间[0,1]上具有数学期望为
Figure BDA0003221726010000029
和方差为
Figure BDA00032217260100000210
的概率密度函数；其中，uθ为输入变量，vθ为系统过程噪声，所述系统过程噪声的协方差为Qθ；
Figure BDA00032217260100000211
为系统测量噪声，所述系统测量噪声的协方差为Rθ；vθ和
Figure BDA00032217260100000212
是零均值高斯白噪声，彼此不相关；
进一步的，根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻状态x，所述先验状态估计值：
Figure BDA00032217260100000213
上一时刻协方差P和过程噪声协方差Q以及A，A见说明书公式8，来递推计算下一时刻协方差P
先验状态协方差：
Figure BDA00032217260100000214
其中
Figure BDA00032217260100000215
表示x的估计值、
Figure BDA00032217260100000216
是xθ的先验估计；
Figure BDA00032217260100000217
为xθ的后验估计，
Figure BDA00032217260100000218
是使用包括当前采样时刻的所有测量值的条件期望值；
Figure BDA00032217260100000219
是使用当前时刻之前的所有测量值的条件期望值。
进一步的，第三步中，后验汽车状态计算具体步骤如下：
后验状态估计值：
Figure BDA0003221726010000031
后验状态协方差：
Figure BDA0003221726010000032
其中，卡尔曼增益Kθ+1：
Figure BDA0003221726010000033
式中，(·)-1表示矩阵的逆矩阵,
Figure BDA0003221726010000034
进一步的，还包括用于实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息的车载传感器；所述车载传感器包括安装在汽车上的加速度计、陀螺仪、前轮转角传感器；陀螺仪用于检测汽车的横向加速度，加速度计用来获取纵向加速度，前轮转角传感器用于获取汽车的前轮转角
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：
1.本发明考虑到现有汽车状态估计中尚未考虑传感器数据异常，利用贝叶斯概率理论设计了考虑数据异常的先验与后验相结合的估计方法，可以填补当前传感器数据异常情况下汽车状态无法估计的技术空白；
2.本发明建立融合数据异常的非线性动力学车辆模型，提高了对车辆运行工况和动力学特性的真实反应程度，提高了本发明的适用范围。
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是本发明的优选实施例一种车载传感器测量数据异常情况下的汽车状态估计方法系统结构示意图与实施方法。
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，本发明首先利用车载传感器获得带有异常测量数据的横向加速度信号以及正常的前轮转角和纵向加速度，将这些信息与非线性车辆模型结合利用先验预估和后验更新的方法估计车辆的纵向速度，质心侧偏角，横摆角速度来实现汽车状态的精确获取。
基于该系统结构具体实施方法包括以下步骤：
第一步：通过安装在汽车上的陀螺仪获取带有异常数据的横向加速度，以及通过前轮转角传感器和加速度计获得正常的前轮转角和纵向加速度信息；
第二步：建立非线性车辆模型，
Figure BDA0003221726010000041
Figure BDA0003221726010000042
Figure BDA0003221726010000043
Figure BDA0003221726010000044
其中r为横摆角速度、k1为前轮总侧偏刚k2为后轮总侧偏刚度、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、ax为纵向加速度、ay为侧向加速度、Iz为绕z轴的转动惯量、β为质心侧偏角。
根据公式(1)～(4)建立考虑传感器数据异常的汽车状态估计状态方程与量测方程如下：
Figure BDA0003221726010000045
状态变量为：
x＝[r,β,vx]T
量测变量为：
z＝[ay]T
输入变量为：
u＝[ax,δ]T
其中θ为采样时间，xθ为状态变量，zθ为有数据异常的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置。
Figure BDA0003221726010000046
是一个对角矩阵，其中
Figure BDA0003221726010000047
是m个独立的随机变量它们与所有的噪声信号无关。另外
Figure BDA0003221726010000048
还是在区间[0,1]上具有数学期望为
Figure BDA0003221726010000049
和方差为
Figure BDA00032217260100000410
的概率密度函数。uθ为输入变量，vθ为系统过程噪声，过程噪声的协方差为Qθ，
Figure BDA00032217260100000411
为系统测量噪声，测量噪声的协方差为Rθ。vθ和
Figure BDA00032217260100000412
是零均值高斯白噪声，彼此不相关。初始状态x0也独立于所有的噪声信号，即满足如下等式：
Figure BDA00032217260100000413
其中E为数学期望，δθ-j为克罗内克脉冲函数外，为方便表达，我们定义
Figure BDA0003221726010000051
为xθ的后验估计
Figure BDA0003221726010000052
和是xθ的先验估计。
Figure BDA0003221726010000053
是使用包括当前采样时刻的所有测量值的条件期望值。
Figure BDA0003221726010000054
是使用当前时刻之前的所有测量值的条件期望值。
计算状态变量先验估计：
Figure BDA0003221726010000055
其中
Figure BDA0003221726010000056
表示x的估计值，计算状态变量先验估计表示根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻状态x；
对f(xθ,uθ)在
Figure BDA0003221726010000057
进行一阶泰勒展开得到
Figure BDA0003221726010000058
计算状态变量先验协方差：
Figure BDA0003221726010000059
计算状态变量先验协方差，表示根据上一时刻协方差P和过程噪声协方差Q以及A，A见说明书公式8，来递推计算下一时刻协方差P。
其中
Figure BDA00032217260100000510
的具体计算步骤如下
设定后验状态估计偏差为
Figure BDA00032217260100000511
先验状态估计偏差为
Figure BDA00032217260100000512
组合公式5,7,8,15得到
Figure BDA00032217260100000513
Figure BDA00032217260100000514
Figure BDA00032217260100000515
先验状态协方差为：
Figure BDA00032217260100000516
第三步：计算卡尔曼增益Kθ+1：
Figure BDA0003221726010000061
其中(·)-1表示矩阵的逆,
Figure BDA0003221726010000062
根据带有数据异常的测量变量计算后验更新
Figure BDA0003221726010000063
更新状态后验协方差
Figure BDA0003221726010000064
其中，I是单位矩阵，
Figure BDA0003221726010000065
表示根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻测量状态Z；
作为第三步中
Figure BDA0003221726010000066
Kθ+1的具体计算步骤如下：
对h(xθ+1,uθ+1)在
Figure BDA0003221726010000067
进行一阶泰勒展开得到
Figure BDA0003221726010000068
Figure BDA0003221726010000069
后验状态协方差为：
Figure BDA0003221726010000071
其中
Figure BDA0003221726010000072
为公式19对应项相乘展开的对应项具体如下：
Figure BDA0003221726010000073
Figure BDA0003221726010000074
Figure BDA0003221726010000075
Figure BDA0003221726010000076
Figure BDA0003221726010000077
Figure BDA0003221726010000078
Figure BDA0003221726010000079
Figure BDA00032217260100000710
Figure BDA00032217260100000711
由于vθ,eθ,
Figure BDA00032217260100000712
and
Figure BDA00032217260100000713
是彼此无关的,等式(27)-(32)为零，故
Figure BDA00032217260100000714
利用公式29对求Kθ+1偏导使其等于零得到
Figure BDA0003221726010000081
Figure BDA0003221726010000082
第四步：将第三步后验估计值和误差协方差作为第二步在下一时刻的输入，实现第二步和第三步动态循环以此完成对汽车汽车状态的高精度估计。
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 (2)

1.车载传感器测量数据异常情况下的汽车状态估计方法，其特征在于：包括以下步骤：
第一步：实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息；
第二步：建立车辆非线性动力学模型，构建汽车状态估计的状态方程和测量方程，通过第一步采集的车辆前轮转角和车辆纵向加速度信息，依据状态方程计算得到汽车状态的先验估计值和先验误差协方差；
所述车辆非线性动力学模型包括：
Figure FDA0003721995660000011
Figure FDA0003721995660000012
Figure FDA0003721995660000013
Figure FDA0003721995660000014
其中，r为横摆角速度、k1为前轮总侧偏刚，k2为后轮总侧偏刚度、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、ax为纵向加速度、ay为侧向加速度、Iz为绕z轴的转动惯量、β为质心侧偏角、
Figure FDA0003721995660000015
就是对Vx求导；
根据公式(1)～(4)建立考虑传感器数据异常的汽车状态估计状态方程与测量方程如下：
Figure FDA0003721995660000016
状态变量为：x＝[r,β,vx]T
量测变量为：z＝[ay]T
输入变量为：u＝[ax,δ]T
其中，z为测量向量；x为状态向量；u输入向量，θ为采样时间，xθ为状态变量，zθ为有数据异常的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置；
Figure FDA0003721995660000017
为对角矩阵，其中
Figure FDA0003721995660000018
是m个独立的随机变量，与所有的噪声信号无关；
Figure FDA0003721995660000019
是在区间[0,1]上具有数学期望为
Figure FDA00037219956600000110
和方差为
Figure FDA00037219956600000111
的概率密度函数；其中，uθ为输入变量，vθ为系统过程噪声，所述系统过程噪声的协方差为Qθ；
Figure FDA00037219956600000112
为系统测量噪声，所述系统测量噪声的协方差为Rθ；vθ和
Figure FDA00037219956600000113
是零均值高斯白噪声，彼此不相关；
根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻状态x，所述先验状态估计值：
Figure FDA00037219956600000114
上一时刻协方差P和过程噪声协方差Q以及A，来递推计算下一时刻协方差P；
对f(xθ,uθ)在
Figure FDA0003721995660000021
进行一阶泰勒展开得到
Figure FDA0003721995660000022
先验状态协方差：
Figure FDA0003721995660000023
其中
Figure FDA0003721995660000024
表示x的估计值、
Figure FDA0003721995660000025
是xθ的先验估计；
Figure FDA0003721995660000026
为xθ的后验估计，
Figure FDA0003721995660000027
是使用包括当前采样时刻的所有测量值的条件期望值；
Figure FDA0003721995660000028
是使用当前时刻之前的所有测量值的条件期望值；
第三步：依据第一步采集的带有异常数据的横向加速度测量值和后验横向加速度，对所述步骤二得到的得到汽车状态的先验估计值和先验误差协方差进行动态更新，获得后验汽车状态估计值，并计算后验误差协方差；
所述后验汽车状态估计值计算具体步骤如下：
后验状态估计值：
Figure FDA0003721995660000029
后验状态协方差：
Figure FDA00037219956600000210
其中，卡尔曼增益Kθ+1：
Figure FDA00037219956600000211
式中，(·)-1表示矩阵的逆矩阵,
Figure FDA00037219956600000212
第四步：将所述后验汽车状态估计值和后验误差协方差作为第二步在下一时刻的输入，输入第二步，实现第二步和第三步动态循环，循环往复，以此完成对汽车状态的高精度估计。
2.根据权利要求1所述的一种车载传感器测量数据异常情况下的汽车状态估计方法，其特征在于：还包括用于实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息的车载传感器；所述车载传感器包括安装在汽车上的加速度计、陀螺仪、前轮转角传感器；陀螺仪用于检测汽车的横向加速度，加速度计用来获取纵向加速度，前轮转角传感器用于获取汽车的前轮转角。
CN202110964974.1A 2021-08-20 2021-08-20 一种车载传感器测量数据异常情况下的汽车状态估计方法 Active CN113771865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110964974.1A CN113771865B (zh) 2021-08-20 2021-08-20 一种车载传感器测量数据异常情况下的汽车状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110964974.1A CN113771865B (zh) 2021-08-20 2021-08-20 一种车载传感器测量数据异常情况下的汽车状态估计方法

Publications (2)

Publication Number Publication Date
CN113771865A CN113771865A (zh) 2021-12-10
CN113771865B true CN113771865B (zh) 2022-08-12

Family

ID=78838793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110964974.1A Active CN113771865B (zh) 2021-08-20 2021-08-20 一种车载传感器测量数据异常情况下的汽车状态估计方法

Country Status (1)

Country Link
CN (1) CN113771865B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100575877C (zh) * 2007-12-12 2009-12-30 南京航空航天大学 基于多信息融合的航天器组合导航方法
JP5571482B2 (ja) * 2010-07-02 2014-08-13 太陽誘電株式会社 踏力センサ及びそれを利用した電動アシスト車
KR101514132B1 (ko) * 2013-06-21 2015-04-22 현대위아 주식회사 사륜 구동 차량의 조향각 추정 방법
CN103995464B (zh) * 2014-05-26 2016-04-13 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
US9663115B2 (en) * 2015-10-09 2017-05-30 The Goodyear Tire & Rubber Company Method for estimating tire forces from CAN-bus accessible sensor inputs

Also Published As

Publication number Publication date
CN113771865A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Reina et al. Vehicle dynamics estimation via augmented extended Kalman filtering
EP2030852B1 (en) Method and apparatus for determining the yaw rate of a wheeled vehicle
US8457832B2 (en) Vehicle body speed estimating device
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
JP4655004B2 (ja) 車両物理量推定装置及びプロブラム
CN113002549B (zh) 一种车辆状态估算方法、装置、设备及存储介质
JP5029442B2 (ja) 車両姿勢角推定装置及びプログラム
CN110341714B (zh) 一种同时估计车辆质心侧偏角和扰动的方法
CN111750897B (zh) 一种基于龙贝格观测器的横摆角速度陀螺仪偏差估计方法
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
CN113978476B (zh) 一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法
CN113771865B (zh) 一种车载传感器测量数据异常情况下的汽车状态估计方法
CN111361571B (zh) 一种基于gpi的同时估计车辆质心侧偏角和扰动的方法
CN117068184A (zh) 车身侧偏角的确定方法、装置及设备
CN111062088B (zh) 一种四轮独立驱动电动汽车参考车速容错自适应估计方法
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
US20230194565A1 (en) Method of compensating for sensor tolerances
JP5091047B2 (ja) 車両姿勢角推定装置及びセンサドリフト推定装置
CN108413923B (zh) 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法
US20040153216A1 (en) Method for estimating a vehicle's velocity
CN113911130B (zh) 一种车辆横摆角速度估计方法及系统
CN114043986B (zh) 一种考虑质量失配的轮胎路面附着系数多模型融合估计方法
US20070162212A1 (en) Method for estimating in real time a front effort and a rear effort applied by the ground to a vehicle
CN111559380B (zh) 一种车辆主动安全控制方法及装置
CN108957508B (zh) 车载pos离线组合估计方法和装置

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20211210

Assignee: Zhishan Intelligent Transport Equipment (Yancheng) Co.,Ltd.

Assignor: SOUTHEAST University

Contract record no.: X2024320000005

Denomination of invention: A Method for Estimating Vehicle State in the Event of Abnormal Measurement Data from Vehicle mounted Sensors

Granted publication date: 20220812

License type: Common License

Record date: 20240116

EE01 Entry into force of recordation of patent licensing contract