CN113806861B - 一种两步结构的车辆质量和道路坡度的估算方法 - Google Patents
一种两步结构的车辆质量和道路坡度的估算方法 Download PDFInfo
- Publication number
- CN113806861B CN113806861B CN202111022379.2A CN202111022379A CN113806861B CN 113806861 B CN113806861 B CN 113806861B CN 202111022379 A CN202111022379 A CN 202111022379A CN 113806861 B CN113806861 B CN 113806861B
- Authority
- CN
- China
- Prior art keywords
- representing
- equation
- vehicle
- estimating
- road gradient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种两步结构的车辆质量和道路坡度的估算方法,该方法按照以下步骤进行:步骤一,建立车辆纵向动力学模型:步骤二,采用带双遗忘因子的递推最小二乘法估计车辆质量:步骤三,采用无迹卡尔曼滤波算法来估计道路坡度。本发明的方法设计了两步估计器结构,并且通过使用纵向加速度传感器信息来消除质量和坡度参数之间的耦合关系,第一步中估计的质量在第二步中用作坡度估计的已知参数。本发明的方法在质量估计中,提出了等效阻力系数来消除时变滚动阻力系数和系统误差的影响,并将无迹卡尔曼滤波算法应用于道路坡度估计领域。
Description
技术领域
本发明属于汽车技术领域,涉及车辆质量和道路坡度,具体涉及一种两步结构的车辆质量和道路坡度的估算方法。
背景技术
掌握车辆参数和路况信息,尤其是车辆质量和道路坡度,对于实现最佳性能控制具有重要意义。目前已有不少关于车辆质量和道路坡度估算的研究。早期提出的估计方法主要基于传感器,该方法通过使用全球定位系统(GPS)和附加传感器信息来实现估计。然而,由于其估计精度有限、成本高、对环境噪声敏感,后续的研究主要集中在基于模型的方法上。Fathy等人提出了一种基于递归最小二乘(RLS)算法和模糊监控器的在线质量估计方法,用于在车辆有显著纵向运动时提取高频分量的参数。在同时估计质量和坡度时,采用了具有多个遗忘因子的RLS(RLS-MFF),以解决两个参数变化率不同的问题。卡尔曼滤波器(KF)于2002年首次应用于该领域,但它无法解决非线性估计问题,因此扩展KF(EKF)也被用于基于纵向动力学模型的质量和坡度估算与基于横向动力学模型的质量估算。
为了充分利用各种算法的优势,提出了质量和坡度混合估计算法。Sun等提出了一种结合EKF和RLS的混合算法,该算法对质量进行两次估计,并引入权重系数进行权衡。Chu等人提出了一种基于运动学和动力学组合模型的估计器,以消除不同频率噪声的影响。此外,为了实现整车质量和道路坡度的解耦,提出了分层式估计算法。在第一层中,估计质量或坡度,在第二层中将其作为已知参数或观测值来估计其他参数。
分层式估计方法中,多采用EKF估计道路坡度值,其在计算雅可比矩阵时不可避免地存在线性化误差,估计精度有限,而无迹KF(UKF)可以通过无迹变换近似获得非线性变换的统计特性,因此在强非线性系统的估计中更具优势。此外,现有技术通常未考虑系统误差,或者将滚动阻力系数视为定值,同样会带来一定估计误差。
申请公布号为CN 111806449 A的中国发明专利属于融合估计算法,且采用线性卡尔曼滤波估计算法。申请公布号为CN 112613253 A的中国发明专利与本发明同属于分层式结构估计算法,但是其先估计道路坡度,后估计整车质量,且采用EKF估计道路坡度值,而本专利是先估计整车质量,后估计道路坡度,采用UKF估计道路坡度值。相比于整车质量,道路坡度会随着车辆行驶道路发生变化,频次较多,频率较高。
发明内容
针对现有技术存在的不足,本发明的目的在于,提供一种两步结构的车辆质量和道路坡度的估算方法,以解决现有技术中的估计方法的收敛速度和跟踪精度有待进一步提升的技术问题。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
一种两步结构的车辆质量和道路坡度的估算方法,该方法按照以下步骤进行:
步骤一,建立车辆纵向动力学模型:
对车辆加速上坡时所受纵向力加以分析,对应的动力学模型如下:
Fdrive=Facc+Faero+Froll+Fgrade+Ferr 式1;
式中:
Fdrive表示车辆驱动力;
Facc表示惯性力;
Faero表示空气阻力;
Froll表示滚动阻力;
Fgrade表示坡道阻力;
Ferr表示系统误差。
Fdrive表示为:Fdrive=Ttqigi0ηT/rw 式2;
式中:
Ttq表示发动机转矩;
ig表示变速器的传动比;
i0表示主减速器的传动比;
ηT表示传动系的机械效率;
rw表示车轮半径;
Facc表示为:
式中:
m表示车辆质量;
Faero表示为:Faero=CDAρv2/2 式4;
式中:
CD表示空气阻力系数;
A表示迎风面积;
ρ表示空气密度;
Froll表示为:Froll=mgμcosβ 式5;
式中:
g表示重力加速度;
μ表示滚动阻力系数;
β表示坡道角;
Fgrade表示为:Fgrade=mgsinβ 式6;
步骤二,采用带双遗忘因子的递推最小二乘法估计车辆质量:
电子稳定程序中纵向加速度传感器的测量值asen_x为:
将式2、式3、式4、式5、式6和式7、代入式1中,更新车辆纵向动力学方程为:
asen_x=(Ttqigi0ηT/rw-CDAρv2/2)/m-gμ′ 式8;
式中:
μ′=μcosβ+Ferr/g,μ′被定义为等效阻力系数;
将式8改写为:
式中:
带双遗忘因子的递推最小二乘法的方程可表示为:
式中:
k表示离散时间;
K′(k)表示k时刻的增益;
y(k)表示k时刻中间量y的估计值;
式中:
λ1和λ2分别表示两个参数的遗忘因子;
Pi(k)表示协方差矩阵;
Ki(k)表示更新增益;
I表示单位矩阵;
i=1,2;
步骤三,采用无迹卡尔曼滤波算法来估计道路坡度:
微分方程为:
采用欧拉近似对上式离散化处理,离散后的差分方程表示为:
式中:
l表示道路坡度;
t表示连续时间;
步骤3.1,由上可得,离散状态空间方程为:
式中:
xk=[vk,lk]T,表示状态向量;
yk表示观测向量;
H=[1,0]是状态转移矩阵;
ωk表示过程噪声,其协方差矩阵为Q;
νk表示观测噪声,其协方差矩阵为R;
步骤3.2,从xk获得xk+1的算法步骤:
STEP1,初始化;
式中:
x(0)表示滤波初值;
P(0)表示滤波误差协方差矩阵的初值;
E表示取均值;
T表示取转置;
STEP2,UT变换;
计算2n+1个Sigma点:
计算这些采样点相应的权值
式中:
e表示均值;
c表示协方差;
b=2;
λ=a2(b+κ)-b;
a的选取控制了Sigma点的分布状态;
κ表示待选参数;
β是一个非负的权系数;
STEP3,计算2n+1个Sigma点集一步预测;
式中:
j=1,2,…,2n+1;
STEP4,计算状态向量的一步预测及协方差矩阵;
式中:
ω(j)表示权值;
Q表示过程噪声的协方差矩阵;
STEP5,根据STEP4中的一步预测使用UT变换得到新的Sigma点集;
STEP6,将Sigma点集代入观测方程,得到预测观测量;
式中:
j=1,2,…,2n+1;
STEP7,由STEP6得到Sigma点集的预测观测量,通过加权求和得到其均值及协方差;
式中:
R表示观测噪声的协方差矩阵;
STEP8,计算Kalman增益矩阵;
STEP9,计算系统的状态更新和协方差更新;
本发明还具有如下技术特征:
步骤二中,所述的遗忘因子λ1为1,所述的遗忘因子λ2为0.9。
步骤三中,a的选取控制了Sigma点的分布状态,a=0.01;n+κ=3;β=2。
本发明与现有技术相比,具有如下技术效果:
(Ⅰ)本发明的方法设计了两步估计器结构,并且通过使用纵向加速度传感器信息来消除质量和坡度参数之间的耦合关系,第一步中估计的质量在第二步中用作坡度估计的已知参数。
(Ⅱ)本发明的方法在质量估计中,提出了等效阻力系数来消除时变滚动阻力系数和系统误差的影响,并将无迹卡尔曼滤波算法应用于道路坡度估计领域。
(Ⅲ)本发明的估算方法在满足实时性要求的前提下,能够在不增加传感器的情况下实时估计车辆质量和道路坡度,具有更快的收敛速度和更好的跟踪精度,且在不同的道路条件下,质量和坡度的估计具有很高的准确性和鲁棒性。
附图说明
图1是两步估计器的基本原理图。
图2是车辆纵向动力学模型图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
需要说明的是,本发明中的所有算法,如无特殊说明,全部均采用现有技术中已知的算法。
电子稳定程序,简称为“ESP”。
UT变换,即无迹变换。
^为预测符号,它表示这个值是估计值。
基于背景技术中记载的现有技术的情况,先估计道路坡度可能会将坡度变化引起的估计误差引入到第二层的整车质量估计当中,本发明的估计精度与鲁棒性较之更优。
本发明的两步结构的车辆质量和道路坡度的估算方法,如图1所示,通过获取车辆的纵向速度和加速度和发动机转矩等信息,结合车辆纵向动力学模型,在第一步中采用带双重遗忘因子的递推最小二乘法估计车辆质量,并将其作为已知参数;在第二步中,采用无迹卡尔曼粒子算法,以车辆纵向速度作为系统观测量,车辆纵向加速度为系统输入量,实现对道路坡度的在线估计。
遵从上述技术方案,以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
本实施例给出一种两步结构的车辆质量和道路坡度的估算方法,该方法按照以下步骤进行:
步骤一,建立车辆纵向动力学模型:
如图2所示,对车辆加速上坡时所受纵向力加以分析,对应的动力学模型如下:
Fdrive=Facc+Faero+Froll+Fgrade+Ferr 式1;
式中:
Fdrive表示车辆驱动力;
Facc表示惯性力;
Faero表示空气阻力;
Froll表示滚动阻力;
Fgrade表示坡道阻力;
Ferr表示系统误差。
Fdrive表示为:Fdrive=Ttqigi0ηT/rw 式2;
式中:
Ttq表示发动机转矩;
ig表示变速器的传动比;
i0表示主减速器的传动比;
ηT表示传动系的机械效率;
rw表示车轮半径;
Facc表示为:
式中:
m表示车辆质量;
v表示车辆纵向速度;
Faero表示为:Faero=CDAρv2/2 式4;
式中:
CD表示空气阻力系数;
A表示迎风面积;
ρ表示空气密度;
Froll表示为:Froll=mgμcosβ 式5;
式中:
g表示重力加速度;
μ表示滚动阻力系数;
β表示坡道角;
Fgrade表示为:Fgrade=mgsinβ 式6;
步骤二,采用带双遗忘因子的递推最小二乘法估计车辆质量:
电子稳定程序中纵向加速度传感器的测量值asen_x包含了车辆加速度和坡道重力分力的信息,它们的关系为:
将式2、式3、式4、式5、式6和式7、代入式1中,更新车辆纵向动力学方程为:
asen_x=(Ttqigi0ηT/rw-CDAρv2/2)/m-gμ′ 式8;
式中:
μ′=μcosβ+Ferr/g,μ′被定义为等效阻力系数,其中包含了滚动阻力系数和系统误差;
将式8改写为:
式中:
车辆启动后,车辆质量不会发生变化,在行驶过程中可以认为是一个常数参数,而等效阻力系数会随着车辆行驶情况和路况的变化而变化。
带双遗忘因子的递推最小二乘法的方程可表示为:
式中:
k表示离散时间;
K′(k)表示k时刻的增益;
y(k)表示k时刻中间量y的估计值;
式中:
λ1和λ2分别表示两个参数的遗忘因子;
Pi(k)表示协方差矩阵;
Ki(k)表示更新增益;
I表示单位矩阵;
i=1,2;
为了充分利用历史数据准确估计车辆质量,设遗忘因子λ1为1。考虑到等效阻力系数的时变特性,设遗忘因子λ2为0.9。
步骤三,采用无迹卡尔曼滤波算法来估计道路坡度:
因路面坡度一般较小,假设sinβ≈tanβ=l,cosβ≈1,其中l表示道路坡度。坡度变化缓慢,所以时间的导数近似为零。
微分方程为:
采用欧拉近似对上式离散化处理,离散后的差分方程表示为:
式中:
l表示道路坡度;
t表示连续时间;
步骤3.1,由上可得,离散状态空间方程为:
式中:
xk=[vk,lk]T,表示状态向量;
yk表示观测向量;
H=[1,0]是状态转移矩阵;
ωk表示过程噪声,其协方差矩阵为Q;
νk表示观测噪声,其协方差矩阵为R;
步骤3.2,从xk获得xk+1的算法步骤:
STEP1,初始化;
式中:
x(0)表示滤波初值;
P(0)表示滤波误差协方差矩阵的初值;
E表示取均值;
T表示取转置;
STEP2,UT变换;
计算2n+1个Sigma点
计算这些采样点相应的权值
式中:
e表示均值;
c表示协方差;
b=2;
λ=a2(n+κ)-n;
a的选取控制了Sigma点的分布状态,通常选取较小的正值(10-4≤a≤1),这里取a=0.01;
κ表示待选参数,通常n+κ=3;
β是一个非负的权系数,它可以合并高阶项的动差,对于服从高斯分布的状态变量,β=2是最优的;
STEP3,计算2n+1个Sigma点集一步预测;
式中:
j=1,2,…,2n+1;
STEP4,计算状态向量的一步预测及协方差矩阵;
式中:
ω(j)表示权值;
Q表示过程噪声的协方差矩阵;
STEP5,根据STEP4中的一步预测使用UT变换得到新的Sigma点集;
STEP6,将Sigma点集代入观测方程,得到预测观测量;
式中:
j=1,2,…,2n+1;
STEP7,由STEP6得到Sigma点集的预测观测量,通过加权求和得到其均值及协方差;
式中:
R表示观测噪声的协方差矩阵;
STEP8,计算Kalman增益矩阵;
STEP9,计算系统的状态更新和协方差更新;
Claims (3)
1.一种两步结构的车辆质量和道路坡度的估算方法,其特征在于,该方法按照以下步骤进行:
步骤一,建立车辆纵向动力学模型:
对车辆加速上坡时所受纵向力加以分析,对应的动力学模型如下:
Fdrive=Facc+Faero+Froll+Fgrade+Ferr 式1;
式中:
Fdrive表示车辆驱动力;
Facc表示惯性力;
Faero表示空气阻力;
Froll表示滚动阻力;
Fgrade表示坡道阻力;
Ferr表示系统误差。
Fdrive表示为:Fdrive=Ttqigi0ηT/rw 式2;
式中:
Ttq表示发动机转矩;
ig表示变速器的传动比;
i0表示主减速器的传动比;
ηT表示传动系的机械效率;
rw表示车轮半径;
式中:
m表示车辆质量;
Faero表示为:Faero=CDAρv2/2 式4;
式中:
CD表示空气阻力系数;
A表示迎风面积;
ρ表示空气密度;
Froll表示为:Froll=mgμcosβ 式5;
式中:
g表示重力加速度;
μ表示滚动阻力系数;
β表示坡道角;
Fgrade表示为:Fgrade=mgsinβ 式6;
步骤二,采用带双遗忘因子的递推最小二乘法估计车辆质量:
电子稳定程序中纵向加速度传感器的测量值asen_x为:
将式2、式3、式4、式5、式6和式7、代入式1中,更新车辆纵向动力学方程为:
asen_x=(Ttqigi0ηT/rw-CDAρv2/2)/m-gμ′ 式8;
式中:
μ′=μcosβ+Ferr/g,μ′被定义为等效阻力系数;
将式8改写为:
式中:
带双遗忘因子的递推最小二乘法的方程可表示为:
式中:
k表示离散时间;
K′(k)表示k时刻的增益;
y(k)表示k时刻中间量y的估计值;
式中:
λ1和λ2分别表示两个参数的遗忘因子;
Pi(k)表示协方差矩阵;
Ki(k)表示更新增益;
I表示单位矩阵;
i=1,2;
步骤三,采用无迹卡尔曼滤波算法来估计道路坡度:
微分方程为:
采用欧拉近似对上式离散化处理,离散后的差分方程表示为:
式中:
l表示道路坡度;
t表示连续时间;
步骤3.1,由上可得,离散状态空间方程为:
式中:
xk=[vk,lk]T,表示状态向量;
yk表示观测向量;
H=[1,0]是状态转移矩阵;
ωk表示过程噪声,其协方差矩阵为Q;
νk表示观测噪声,其协方差矩阵为R;
步骤3.2,从xk获得xk+1的算法步骤:
STEP1,初始化;
式中:
x(0)表示滤波初值;
P(0)表示滤波误差协方差矩阵的初值;
E表示取均值;
T表示取转置;
STEP2,UT变换;
计算2n+1个Sigma点:
计算这些采样点相应的权值
式中:
e表示均值;
c表示协方差;
b=2;
λ=a2(b+κ)-b;
a的选取控制了Sigma点的分布状态;
κ表示待选参数;
β是一个非负的权系数;
STEP3,计算2n+1个Sigma点集一步预测;
式中:
j=1,2,…,2n+1;
STEP4,计算状态向量的一步预测及协方差矩阵;
式中:
ω(j)表示权值;
Q表示过程噪声的协方差矩阵;
STEP5,根据STEP4中的一步预测使用UT变换得到新的Sigma点集;
STEP6,将Sigma点集代入观测方程,得到预测观测量;
式中:
j=1,2,…,2n+1;
STEP7,由STEP6得到Sigma点集的预测观测量,通过加权求和得到其均值及协方差;
式中:
R表示观测噪声的协方差矩阵;
STEP8,计算Kalman增益矩阵;
STEP9,计算系统的状态更新和协方差更新;
2.如权利要求1所述的两步结构的车辆质量和道路坡度的估算方法,其特征在于,步骤二中,所述的遗忘因子λ1为1,所述的遗忘因子λ2为0.9。
3.如权利要求1所述的两步结构的车辆质量和道路坡度的估算方法,其特征在于,步骤三中,a的选取控制了Sigma点的分布状态,a=0.01;n+κ=3;β=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022379.2A CN113806861B (zh) | 2021-09-01 | 2021-09-01 | 一种两步结构的车辆质量和道路坡度的估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111022379.2A CN113806861B (zh) | 2021-09-01 | 2021-09-01 | 一种两步结构的车辆质量和道路坡度的估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806861A CN113806861A (zh) | 2021-12-17 |
CN113806861B true CN113806861B (zh) | 2023-06-16 |
Family
ID=78942200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111022379.2A Active CN113806861B (zh) | 2021-09-01 | 2021-09-01 | 一种两步结构的车辆质量和道路坡度的估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806861B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114379568B (zh) * | 2022-01-24 | 2024-06-04 | 广州瑞立科密汽车电子股份有限公司 | 基于车辆质量估计的车辆控制方法、装置、介质和车辆 |
CN115110993A (zh) * | 2022-07-18 | 2022-09-27 | 安徽理工大学 | 一种井下无人驾驶单轨吊荷载质量和轨道坡度联合识别方法 |
CN115435882A (zh) * | 2022-09-23 | 2022-12-06 | 中铁第四勘察设计院集团有限公司 | 一种基于车桥耦合效应的铁路桥梁动态称重方法 |
CN117246302B (zh) * | 2023-03-09 | 2024-03-12 | 长安大学 | 一种基于坡度信息的混合动力汽车瞬时反馈控制方法 |
CN116572973B (zh) * | 2023-06-19 | 2024-06-18 | 一汽解放汽车有限公司 | 一种整车质量确定方法、装置、车辆及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112429010A (zh) * | 2020-12-02 | 2021-03-02 | 东风商用车有限公司 | 一种整车质量和道路坡度估算方法 |
CN112613253A (zh) * | 2021-01-06 | 2021-04-06 | 东南大学 | 考虑环境因素的车辆质量和道路坡度联合自适应估计方法 |
-
2021
- 2021-09-01 CN CN202111022379.2A patent/CN113806861B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112429010A (zh) * | 2020-12-02 | 2021-03-02 | 东风商用车有限公司 | 一种整车质量和道路坡度估算方法 |
CN112613253A (zh) * | 2021-01-06 | 2021-04-06 | 东南大学 | 考虑环境因素的车辆质量和道路坡度联合自适应估计方法 |
Non-Patent Citations (1)
Title |
---|
基于自适应奇异值分解无迹卡尔曼滤波算法的车辆质心侧偏角估计;王姝 等;公路交通科技;第37卷(第12期);第133-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113806861A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113806861B (zh) | 一种两步结构的车辆质量和道路坡度的估算方法 | |
CN112613253B (zh) | 考虑环境因素的车辆质量和道路坡度联合自适应估计方法 | |
CN112083726B (zh) | 一种面向园区自动驾驶的双滤波器融合定位系统 | |
Lagerberg et al. | Backlash estimation with application to automotive powertrains | |
Kim et al. | Development of algorithms for commercial vehicle mass and road grade estimation | |
CN107247824A (zh) | 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 | |
CN108944935A (zh) | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 | |
CN109910905A (zh) | 基于坡度估计修正的分布式驱动汽车多工况车速估计方法 | |
CN113002549B (zh) | 一种车辆状态估算方法、装置、设备及存储介质 | |
CN102486400A (zh) | 车辆质量辨识方法和装置 | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
CN113442906A (zh) | 一种分布式驱动电动汽车横向稳定性分层控制系统及方法 | |
CN113978473B (zh) | 一种车辆质量与道路坡度估计方法 | |
CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
Hu et al. | Vehicle mass and road grade estimation based on adaptive forgetting factor RLS and EKF algorithm | |
CN117719519A (zh) | 一种车辆行驶状态估计方法 | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
CN113147768A (zh) | 基于多算法融合预测的汽车路面状态在线估计系统及方法 | |
CN116279676A (zh) | 一种基于分数阶滑模以及卡尔曼滤波的列车速度控制方法 | |
CN115238576A (zh) | 一种结合神经网络和物理模型的车辆纵向动力学辨识方法 | |
CN115110993A (zh) | 一种井下无人驾驶单轨吊荷载质量和轨道坡度联合识别方法 | |
CN113561976B (zh) | 基于反馈优化的车辆节能预测自适应巡航控制方法和装置 | |
CN114435378B (zh) | 一种基于神经网络的纯电动汽车整车质量估算方法 | |
CN115601722A (zh) | 路面附着系数估计方法、装置、车辆及存储介质 |
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 |