CN113978476A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113978476A
CN113978476A CN202110964949.3A CN202110964949A CN113978476A CN 113978476 A CN113978476 A CN 113978476A CN 202110964949 A CN202110964949 A CN 202110964949A CN 113978476 A CN113978476 A CN 113978476A
Authority
CN
China
Prior art keywords
tire
lateral force
vehicle
tire lateral
data loss
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
CN202110964949.3A
Other languages
English (en)
Other versions
CN113978476B (zh
Inventor
殷国栋
汪
严永俊
柏硕
胡敬宇
徐利伟
王金湘
卢彦博
耿可可
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 CN202110964949.3A priority Critical patent/CN113978476B/zh
Publication of CN113978476A publication Critical patent/CN113978476A/zh
Application granted granted Critical
Publication of CN113978476B publication Critical patent/CN113978476B/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
    • 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
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2520/28—Wheel speed
    • 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)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法，首先利用电动汽车车载传感器获得带有部分测量数据丢失的前轮转角，纵向速度，质心侧偏角以及纵、横向加速度信号，利用线控系统中CAN总线获得轮胎的纵向驱动力信息，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轮胎侧向力，实现轮胎侧向力的精确获取。本发明可以填补当前传感器数据丢失情况下轮胎力无法估计的技术空白，促进了汽车主动安全控制技术的发展。

Description

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
技术领域
本发明涉及车载传感器控制领域，具体涉及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。
背景技术
为了提高车辆安全性，许多主动安全技术被开发出来以减少交通事故，如电子稳定控制系统、牵引控制系统、防抱死制动控制系统。这些系统的有效实施直接受轮胎力等关键信息的影响。然而，轮胎力尤其是侧向轮胎力无法通过车载传感器直接测量。
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真实的测量信号。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、来自传感器的测量信号并不总是正确的，可能包含了传感器故障导致的损坏信号，这种情况导致现有的轮胎力估计方法过于理想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，提供一种能够解决车内传感器的信息丢失，精准估计轮胎侧向力的侧向力估计方法。
本发明的技术方案：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，具体包括以下步骤：
步骤一：采集车辆当前时刻信息，所述车辆当前时刻信息包括带有数据丢失的纵向速度、纵向加速度、横向加速度、前轮转角以及横摆角速度信息；
步骤二：建立车身模型和轮胎模型，以所述车身模型和轮胎模型构成车辆非线性动力学模型，根据所述车辆非线性动力学模型建立轮胎侧向力估计的状态方程与测量方程；
步骤三：将第一步采集的所述当前时刻数据信息输入轮胎侧向力估计的状态方程与测量方程，计算得到轮胎侧向力先验估计值和轮胎侧向力先验误差协方差；
步骤四：依据轮胎侧向力先验估计值和轮胎侧向力先验误差协方差；计算卡尔曼增益，利用轮胎侧向力估计的状态方程与测量方程对带有数据丢失的测量变量计算后验更新，得到轮胎侧向力后验估计值和轮胎侧向力后验误差协方差；
步骤五：将步骤四中得到的轮胎侧向力后验估计值和轮胎侧向力后验误差协方差作为步骤三中的当前时刻数据信息在下一时刻的输入对先验轮胎侧向力进行动态更新，获得后验轮胎侧向力估计值并计算后验误差协方差，实现步骤三到步骤五的动态循环，以此完成对汽车轮胎侧向力的高精度估计。
进一步的，所述非线性车身模型包括纵向非线性车身模型、侧向非线性车身模型、和横摆的非线性车身模型；所述非线性车身模型公式为：
Figure BDA0003222032290000021
Figure BDA0003222032290000022
Figure BDA0003222032290000023
Figure BDA0003222032290000025
其中ax为纵向加速度；ay为侧向加速度；r为横摆角速度；Mz为车辆横摆力矩；
i＝f,r分别表示前轮和后轮；j＝l,r分别表示左轮和右轮；
Figure BDA0003222032290000026
为轮胎纵向力；
Figure BDA0003222032290000027
为轮胎侧向力；vx为车辆纵向速度；m为汽车总质量；δ为前轮转角；
Iz为绕z轴的转动惯量；
建立准静态侧向轮胎模型
Figure BDA0003222032290000028
式中，函数
Figure BDA0003222032290000029
变量
Figure BDA00032220322900000210
其中μ为路面附着系数，Cx轮胎纵向刚度，Cy轮胎侧偏刚度，ε速度影响因子，Fzij轮胎垂向力，αij为轮胎侧偏角；当车辆速度与轮胎侧偏角改变，轮胎侧向力改变存在一个相对时滞，这种轮胎动态力学行为可用松弛长度σij来表征；
采用松弛模型用来进行动态轮胎侧向力估计，具体公式如下：
Figure BDA0003222032290000031
a为前轴到质心的距离；b为后轴到质心的距离；Tf,Tr分别为车辆前轴和后轴轮距；
根据公式上述公式建立考虑传感器数据丢失的轮胎侧向力估计状态方程与量测方程如下：
Figure BDA0003222032290000032
状态变量为：x＝[Fyfl,Fyfr,Fyrl,Fyrl]T
量测变量为：z＝[ax,ay,r]T
输入变量为：u＝[δ,vx,Fxfl,Fxfr,Fxrl,Fxrl]T
其中θ为采样时间，xθ为状态变量，zθ为有数据丢失的测量变量，uθ为输入变量、vθ为系统过程噪声、
Figure BDA00032220322900000315
为系统测量噪声；vθ和
Figure BDA00032220322900000316
是零均值高斯白噪声，彼此不相关；
f为状态转移函数，h为测量输出函数，(·)T为矩阵转置；
Figure BDA0003222032290000033
是一个对角矩阵，其中
Figure BDA0003222032290000034
是m个独立的随机变量它们与所有的噪声信号无关；所述
Figure BDA0003222032290000035
还是在区间[0,1]上具有数学期望为
Figure BDA0003222032290000036
和方差为
Figure BDA0003222032290000037
的概率密度函数；
过程噪声的协方差为Qθ，测量噪声的协方差为Rθ；初始状态x0也独立于所有的噪声信号；
Figure BDA0003222032290000038
为xθ的后验估计
Figure BDA0003222032290000039
和是xθ的先验估计；
Figure BDA00032220322900000310
是使用包括当前采样时刻的所有测量值的条件期望值；
Figure BDA00032220322900000311
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 BDA00032220322900000312
计算状态变量先验协方差：
Figure BDA00032220322900000313
进一步的，所述后验轮胎侧向力计算具体步骤如下：
A1.计算卡尔曼增益Kθ+1：
Figure BDA00032220322900000314
其中(·)-1表示矩阵的逆,
Figure BDA0003222032290000041
A2.根据带有数据丢失的测量变量，计算后验更新：
Figure BDA0003222032290000042
A3.更新状态后验协方差：
Figure BDA0003222032290000043
进一步的，初始状态x0也独立于所有的噪声信号，即满足如下等式：
Figure BDA0003222032290000044
其中E为数学期望，δθ-j为克罗内克脉冲函数外。
进一步的，通过车载传感器采集所述车辆当前时刻信息；使用线控系统中CAN总线获得轮胎的纵向驱动力信息；
所述车载传感器包括安装在汽车上的差分GPS系统、陀螺仪、前轮转角传感器；其中GPS系统用于获取汽车的纵向速度，陀螺仪用于检测汽车的纵横向加速度和横摆角速度，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.本发明考虑到现有轮胎力估计中尚未考虑传感器数据丢失，计算状态变量先验估以及状态变量先验协方差，根据带有数据丢失的测量变量，计算后验更新及更新状态后验协方差，利用贝叶斯概率理论设计了考虑数据丢失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丢失情况下轮胎力无法估计的技术空白；
2.本发明建立融合数据丢失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考虑传感器数据丢失的线控汽车轮胎侧向力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。
如图1所示，本发明首先利用电动汽车车载传感器获得带有部分测量数据丢失的前轮转角，纵向速度，质心侧偏角以及纵、横向加速度信号，利用线控系统中CAN总线获得轮胎的纵向驱动力信息，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轮胎侧向力，实现轮胎侧向力的精确获取。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GPS系统、陀螺仪、前轮转角传感器分别获取带有数据丢失的纵向速度、纵、横向加速度、前轮转角以及横摆角速度信息；
第二步：建立包括纵向、侧向、和横摆的非线性车身模型，
Figure BDA0003222032290000051
Figure BDA0003222032290000052
Figure BDA0003222032290000053
Figure BDA0003222032290000054
其中i＝f,r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 BDA0003222032290000055
为轮胎纵向力；
Figure BDA0003222032290000056
为轮胎侧向力；Mz为车辆横摆力矩；r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；ax为纵向加速度；ay为侧向加速度；Iz为绕z轴的转动惯量；Tf,Tr分别为车辆前轴和后轴轮距。
建立准静态侧向轮胎模型
Figure BDA0003222032290000057
式中，函数
Figure BDA0003222032290000058
变量
Figure BDA0003222032290000059
其中μ为路面附着系数，Cx轮胎纵向刚度，Cy轮胎侧偏刚度，ε速度影响因子，
Fzij轮胎垂向力，αij为轮胎侧偏角。当车辆速度与轮胎侧偏角改变，轮胎侧向力改变存在一个相对时滞，这种轮胎动态力学行为可用松弛长度σij来表征。
采用松弛模型用来进行动态轮胎侧向力估计，具体公式如下：
Figure BDA0003222032290000061
其中
Figure BDA0003222032290000062
为轮胎侧向力的导数，Fyij为轮胎侧向力静态值，β为质心侧偏角；上述车身模型和轮胎模型共同组成非线性车辆模型，根据公式(1)～(8)建立考虑传感器数据丢失的轮胎侧向力估计状态方程与量测方程如下：
Figure BDA0003222032290000063
状态变量为：
x＝[Fyfl,Fyfr,Fyrl,Fyrl]T
量测变量为：
z＝[ax,ay,r]T
输入变量为：
u＝[δ,vx,Fxfl,Fxfr,Fxrl,Fxrl]T
其中θ为采样时间，xθ为状态变量，zθ为有数据丢失的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置。
Figure BDA0003222032290000064
是一个对角矩阵，其中
Figure BDA0003222032290000065
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 BDA0003222032290000066
还是在区间[0,1]上具有数学期望为
Figure BDA0003222032290000067
和方差为
Figure BDA0003222032290000068
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 BDA0003222032290000069
为系统测量噪声，测量噪声的协方差为Rθ。vθ和
Figure BDA00032220322900000610
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 BDA0003222032290000071
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 BDA0003222032290000072
为xθ的后验估计
Figure BDA0003222032290000073
和是xθ的先验估计。
Figure BDA0003222032290000074
是使用包括当前采样时刻的所有测量值的条件期望值。
Figure BDA0003222032290000075
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 BDA0003222032290000076
其中
Figure BDA0003222032290000077
表示x的估计值，对f(xθ,uθ)在
Figure BDA0003222032290000078
进行一阶泰勒展开得到
Figure BDA0003222032290000079
计算状态变量先验协方差：
Figure BDA00032220322900000710
其中
Figure BDA00032220322900000711
的具体计算步骤如下
设定后验状态估计偏差为
Figure BDA00032220322900000712
先验状态估计偏差为
Figure BDA00032220322900000713
组合公式9,11,12,19得到
Figure BDA00032220322900000714
Figure BDA00032220322900000715
Figure BDA00032220322900000716
先验状态协方差为：
Figure BDA00032220322900000717
建立车辆非线性动力学模型构建轮胎侧向力估计的状态和测量方程，通过第一步采集的当前时刻车载传感器纵向速度、前轮转角实时信息和通过车载CAN纵向获得的轮胎纵向力信息，再依据状态方程计算得到轮胎侧向力先验估计值和其误差协方差；
第三步：计算卡尔曼增益Kθ+1：
Figure BDA0003222032290000081
其中(·)-1表示矩阵的逆,
Figure BDA0003222032290000082
根据带有数据丢失的测量变量计算后验更新
Figure BDA0003222032290000083
更新状态后验协方差
Figure BDA0003222032290000084
作为第三步中
Figure BDA0003222032290000085
Kθ+1的具体计算步骤如下：
对h(xθ+1,uθ+1)在
Figure BDA0003222032290000086
进行一阶泰勒展开得到
Figure BDA0003222032290000087
Figure BDA0003222032290000088
后验状态协方差为：
Figure BDA0003222032290000091
其中
Figure BDA0003222032290000092
为公式23对应项相乘展开的对应项具体如下：
Figure BDA0003222032290000093
Figure BDA0003222032290000094
Figure BDA0003222032290000095
Figure BDA0003222032290000096
Figure BDA0003222032290000097
Figure BDA0003222032290000098
Figure BDA0003222032290000099
Figure BDA00032220322900000910
Figure BDA00032220322900000911
由于vθ,eθ,
Figure BDA00032220322900000912
and
Figure BDA00032220322900000913
是彼此无关的,等式(27)-(32)为零，故
Figure BDA00032220322900000914
利用公式33对求Kθ+1偏导使其等于零得到
Figure BDA0003222032290000101
Figure BDA0003222032290000102
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轮胎侧向力的高精度估计。
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 (5)

1.一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法，其特征在于：
具体包括以下步骤：
步骤一：采集车辆当前时刻信息，所述车辆当前时刻信息包括带有数据丢失的纵向速度、纵向加速度、横向加速度、前轮转角以及横摆角速度信息；
步骤二：建立车身模型和轮胎模型，以所述车身模型和轮胎模型构成车辆非线性动力学模型，根据所述车辆非线性动力学模型建立轮胎侧向力估计的状态方程与测量方程；
步骤三：将第一步采集的所述当前时刻数据信息输入轮胎侧向力估计的状态方程与测量方程，计算得到轮胎侧向力先验估计值和轮胎侧向力先验误差协方差；
步骤四：依据轮胎侧向力先验估计值和轮胎侧向力先验误差协方差；计算卡尔曼增益，利用轮胎侧向力估计的状态方程与测量方程对带有数据丢失的测量变量计算后验更新，得到轮胎侧向力后验估计值和轮胎侧向力后验误差协方差；
步骤五：将步骤四中得到的轮胎侧向力后验估计值和轮胎侧向力后验误差协方差作为步骤三中的当前时刻数据信息在下一时刻的输入对先验轮胎侧向力进行动态更新，获得后验轮胎侧向力估计值并计算后验误差协方差，实现步骤三到步骤五的动态循环，以此完成对汽车轮胎侧向力的高精度估计。
2.根据权利要求1所述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，其特征在于：
所述非线性车身模型包括纵向非线性车身模型、侧向非线性车身模型、和横摆的非线性车身模型；所述非线性车身模型公式为：
Figure FDA0003222032280000011
Figure FDA0003222032280000012
Figure FDA0003222032280000013
Figure FDA0003222032280000014
其中ax为纵向加速度；ay为侧向加速度；r为横摆角速度；Mz为车辆横摆力矩；
i＝f,r分别表示前轮和后轮；j＝l,r分别表示左轮和右轮；
Figure FDA0003222032280000015
为轮胎纵向力；
Figure FDA0003222032280000016
为轮胎侧向力；vx为车辆纵向速度；m为汽车总质量；δ为前轮转角；
Iz为绕z轴的转动惯量；
建立准静态侧向轮胎模型
Figure FDA0003222032280000021
式中，函数
Figure FDA0003222032280000022
变量
Figure FDA0003222032280000023
其中μ为路面附着系数，Cx轮胎纵向刚度，Cy轮胎侧偏刚度，ε速度影响因子，Fzij轮胎垂向力，αij为轮胎侧偏角；当车辆速度与轮胎侧偏角改变，轮胎侧向力改变存在一个相对时滞，这种轮胎动态力学行为可用松弛长度σij来表征；
采用松弛模型用来进行动态轮胎侧向力估计，具体公式如下：
Figure FDA0003222032280000024
a为前轴到质心的距离；b为后轴到质心的距离；Tf,Tr分别为车辆前轴和后轴轮距；
根据公式上述公式建立考虑传感器数据丢失的轮胎侧向力估计状态方程与量测方程如下：
Figure FDA0003222032280000025
状态变量为：x＝[Fyfl,Fyfr,Fyrl,Fyrl]T
量测变量为：z＝[ax,ay,r]T
输入变量为：u＝[δ,vx,Fxfl,Fxfr,Fxrl,Fxrl]T
其中θ为采样时间，xθ为状态变量，zθ为有数据丢失的测量变量，uθ为输入变量、vθ为系统过程噪声、
Figure FDA0003222032280000026
为系统测量噪声；vθ和
Figure FDA0003222032280000027
是零均值高斯白噪声，彼此不相关；
f为状态转移函数，h为测量输出函数，(·)T为矩阵转置；
Figure FDA0003222032280000031
是一个对角矩阵，其中
Figure FDA0003222032280000032
是m个独立的随机变量它们与所有的噪声信号无关；所述
Figure FDA0003222032280000033
还是在区间[0,1]上具有数学期望为
Figure FDA0003222032280000034
和方差为
Figure FDA0003222032280000035
的概率密度函数；
过程噪声的协方差为Qθ，测量噪声的协方差为Rθ；初始状态x0也独立于所有的噪声信号；
Figure FDA0003222032280000036
为xθ的后验估计
Figure FDA0003222032280000037
和是xθ的先验估计；
Figure FDA0003222032280000038
是使用包括当前采样时刻的所有测量值的条件期望值；
Figure FDA0003222032280000039
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 FDA00032220322800000310
计算状态变量先验协方差：
Figure FDA00032220322800000311
3.根据权利要求2所述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，
其特征在于：所述后验轮胎侧向力计算具体步骤如下：
A1.计算卡尔曼增益Kθ+1：
Figure FDA00032220322800000312
其中(·)-1表示矩阵的逆,
Figure FDA00032220322800000313
A2.根据带有数据丢失的测量变量，计算后验更新：
Figure FDA00032220322800000314
A3.更新状态后验协方差：
Figure FDA00032220322800000315
4.根据权利要求3所述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，其特征在于：初始状态x0也独立于所有的噪声信号，即满足如下等式：
Figure FDA00032220322800000316
其中E为数学期望，δθ-j为克罗内克脉冲函数外。
5.根据权利要求1-4中任一所述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，其特征在于：通过车载传感器采集所述车辆当前时刻信息；使用线控系统中CAN总线获得轮胎的纵向驱动力信息；
所述车载传感器包括安装在汽车上的差分GPS系统、陀螺仪、前轮转角传感器；其中GPS系统用于获取汽车的纵向速度，陀螺仪用于检测汽车的纵横向加速度和横摆角速度，前轮转角传感器用于获取汽车的前轮转角。
CN202110964949.3A 2021-08-20 2021-08-20 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 Active CN113978476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110964949.3A CN113978476B (zh) 2021-08-20 2021-08-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110964949.3A CN113978476B (zh) 2021-08-20 2021-08-20 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

Publications (2)

Publication Number Publication Date
CN113978476A true CN113978476A (zh) 2022-01-28
CN113978476B CN113978476B (zh) 2022-08-12

Family

ID=79735155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110964949.3A Active CN113978476B (zh) 2021-08-20 2021-08-20 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

Country Status (1)

Country Link
CN (1) CN113978476B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117227713A (zh) * 2023-11-14 2023-12-15 中汽研（天津）汽车工程研究院有限公司 一种车辆安全避障方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012013626A (ja) * 2010-07-02 2012-01-19 Taiyo Yuden Co Ltd 踏力センサ及びそれを利用した電動アシスト車
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
JP2015081090A (ja) * 2013-10-24 2015-04-27 ザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニーＴｈｅ Ｇｏｏｄｙｅａｒ Ｔｉｒｅ ＆ Ｒｕｂｂｅｒ Ｃｏｍｐａｎｙ 路面摩擦推定システムおよび方法
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
KR20160126321A (ko) * 2015-04-23 2016-11-02 한양대학교 산학협력단 차량 동역학 적용 전기자동차의 구동 모터 고장 진단 시스템 및 그의 고장 진단 방법
EP3153374A1 (en) * 2015-10-09 2017-04-12 The Goodyear Tire & Rubber Company Method for estimating tire forces from can-bus accessible sensor inputs

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012013626A (ja) * 2010-07-02 2012-01-19 Taiyo Yuden Co Ltd 踏力センサ及びそれを利用した電動アシスト車
JP2015081090A (ja) * 2013-10-24 2015-04-27 ザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニーＴｈｅ Ｇｏｏｄｙｅａｒ Ｔｉｒｅ ＆ Ｒｕｂｂｅｒ Ｃｏｍｐａｎｙ 路面摩擦推定システムおよび方法
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
KR20160126321A (ko) * 2015-04-23 2016-11-02 한양대학교 산학협력단 차량 동역학 적용 전기자동차의 구동 모터 고장 진단 시스템 및 그의 고장 진단 방법
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
EP3153374A1 (en) * 2015-10-09 2017-04-12 The Goodyear Tire & Rubber Company Method for estimating tire forces from can-bus accessible sensor inputs

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)》 *
宗长富等: "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", 《机械工程学报》 *
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
CN117227713A (zh) * 2023-11-14 2023-12-15 中汽研（天津）汽车工程研究院有限公司 一种车辆安全避障方法、系统及电子设备
CN117227713B (zh) * 2023-11-14 2024-01-26 中汽研（天津）汽车工程研究院有限公司 一种车辆安全避障方法、系统及电子设备

Also Published As

Publication number Publication date
CN113978476B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN113002549B (zh) 一种车辆状态估算方法、装置、设备及存储介质
CN110562263A (zh) 一种基于多模型融合的轮毂电机驱动车辆车速估计方法
CN111547059A (zh) 一种分布式驱动电动汽车惯性参数估计方法
CN110987470B (zh) 一种基于模型迭代的汽车质量在线估计方法
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
CN113247004A (zh) 一种车辆质量与道路横向坡度的联合估计方法
CN113650619B (zh) 一种四轮驱动电动汽车轮胎力软测量方法
CN113799783B (zh) 应用于车辆的道路横向坡度测量方法及系统
CN111942399A (zh) 一种基于无迹卡尔曼滤波的车速估算方法及系统
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
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
Huang et al. Robust sideslip angle estimation for lightweight vehicles using smooth variable structure filter
CN113341997B (zh) 一种基于多状态参数协同估计的横向控制方法及系统
CN113650620A (zh) 一种四轮电驱动汽车状态预测方法
CN116749982A (zh) 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法
CN114043986A (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
CN111559380B (zh) 一种车辆主动安全控制方法及装置
CN113911130B (zh) 一种车辆横摆角速度估计方法及系统
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
Wilkin et al. Design of a robust tyre force estimator using an extended Kalman filter
CN114590264A (zh) 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法
CN111475912B (zh) 一种车辆纵侧向车速的联合预测方法和系统
Panzani et al. Control-oriented vehicle attitude estimation with online sensors bias compensation
Shin et al. New vehicle dynamics model for yaw rate estimation

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