CN114043986A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114043986A CN114043986A CN202110971842.1A CN202110971842A CN114043986A CN 114043986 A CN114043986 A CN 114043986A CN 202110971842 A CN202110971842 A CN 202110971842A CN 114043986 A CN114043986 A CN 114043986A
- Authority
- CN
- China
- Prior art keywords
- model
- estimation
- follows
- longitudinal
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000002156 mixing Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 6
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- 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
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
Description
技术领域
本发明涉及车辆控制领域,具体涉及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。
背景技术
为了提高汽车的安全性,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轮胎路面附着系数等关键信息的影响。然而,轮胎路面附着系数无法通过车载传感器直接测量。因此,一些基于状态观测器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车辆模型中质量参数精确已知且驾驶操纵相对简单。
但是,它忽略了一些实际的工作条件,车辆空载满载时质量差异明显,一些复杂驾驶操纵也较为常见,这种情况导致现有的轮胎路面附着系数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。
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:采集车辆纵向加速度、横向加速度、横摆角速度和前轮转角信号,与非线性车辆模型结合,利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息,基于所述车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数;
所述车辆轴向力信息包括车辆前轴的纵向力和侧向力以及车辆后轴的纵向力和侧向力;
进一步的,利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息,具体步骤如下:
建立非线性车身模型,
其中r为横摆角速度、为横摆角速度r的导数、Fyf为前轴侧向力,Fyr为后轴侧向力,Fxr为后轴纵向力,Fxf为前轴纵向力,m为汽车总质量、Lf为前轴到质心的距离、Lr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;
根据公式(1)~(3)建立车辆轴向力状态方程与量测方程如下:
状态变量为:
xη=[Fxf,η,Fxr,η,Fyf,η,Fyr,η]T
量测变量为:
zη=[rη,ax,η,ay,η]T
输入变量为:
u=[δ]T
其中z为测量向量;x为状态向量;下标η表示第η个采样步长;Xo表示状态向量的初值、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;
依据所建立的方程(4)利用强跟踪估计轴向力步骤如下:
其中,Po表示状态估计误差协方差的初值、E表示求数学期望、(·)T表示矩阵转置;
其中n是x的维度,λ,β,和α是待定参数;
Sigma点一步传播计算如下
通过交互与混合、预测以及融合,给出了一种可以结合多个模型的优势实现在复杂驾驶工况下轮胎路面附着系数的精确估计,提高了本发明的估计精度和适用范围更新如下:
其中Q是过程噪声协方差矩阵
新Sigma点一步传播计算如下:
其中,R是测量噪声的协方差矩阵;
一个渐消因子ση被用来动态更新先验状态协方差来应对质量参数失配的影响:
其中,Υt为根据系统状态先验信息确定的常数,r表示矩阵求迹、BηAη表述公式4对x求偏导得到的矩阵,Qη是过程噪声的协方差矩阵,Vn中的zη是传感器的实时测量量组成的矩阵;ρ∈[0,1]就是遗忘因子、dη为待定参数。
进一步的,所述轮胎路面附着系数估计具体步骤如下:
选择后轴纵向力和侧向力分别建立纵向和侧向两个方向上的状态和测量方程,利用交互多模型无迹卡尔曼滤波对两个方向上的轮胎路面附着系数进行融合估计,具体步骤如下:
两个方向路面附着系数估计状态空间模型如下:
其中Jη是过程噪声、θη是测量噪声、Γ表示待估计的附着系数,上标1表是是基于纵向力模型估算的,上标2表是基于侧向动力学模型估算的;
Fx是后轴名义纵向力,Fy是后轴名义侧向力,具体根据如下准静态轮胎模型计算
其中vx为纵向速度,λ为后轮平均滑移率,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,Fzr后轴总的垂向力,α为后轮平均侧偏角。
ξη-1是不同估计模型在同一时刻的权重系数向量;
交互多模型方法结合了基于纵向动态的估计模型(M1)和基于横向动态的估计模型(M2);因此,该系统是由两个模型组成的离散集;
M={M1,M2} (32)
假设两个模型之间概率转移矩阵为
其中pij是从估计模型i到估计模型j的过渡概率。
进一步的,所述实现不同纵向模型和侧向模型估计融合,具体步骤如下:
步骤一:交互与混合
模型混合后的均值和方差如下
步骤二:预测
每个模型i在采样时刻η的最新概率如下
步骤三:融合
上述三个步骤依次循环完成多模型融合估计。
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轴向力估计中尚未考虑质量参数失配的影响,利用强跟踪理论,通过交互与混合、预测以及融合,给出了一种可以结合多个模型的优势实现在复杂驾驶工况下轮胎路面附着系数的精确估计,然后对后验状态和它的协方差矩阵Pη更新,采用先验与后验相结合的估计方法,可以填补当前质量失配情况下汽车轴向力无法精确估计的技术空白;
2.本发明建立的多模型融合方法,通过交互与混合、预测以及融合,给出了一种可以结合多个模型的优势实现在复杂驾驶工况下轮胎路面附着系数的精确估计,提高了本发明的估计精度和适用范围。
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质量失配的轮胎路面附着系数多模型融合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纵、横向加速度、横摆角速度和前轮转角信号,利用这些信息与非线性车辆模型结合利用强跟踪无迹卡尔曼滤波估计车辆前后轴的纵向和侧向力,基于车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数。
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纵、横向加速度与横摆角速度,以及通过前轮转角传感器获得前轮转角信息;
第二步:建立非线性车身模型,
其中r为横摆角速度、Fyf为前轴侧向力,Fyr为后轴侧向力,Fxr为后轴纵向力,Fxf为前轴纵向力,m为汽车总质量、Lf为前轴到质心的距离、Lr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。
根据公式(1)~(3)建立车辆轴向力状态方程与量测方程如下:
状态变量为:
xη=[Fxf,η,Fxr,η,Fyf,η,Fyr,η]T
量测变量为:
zη=[rη,ax,η,ay,η]T
输入变量为:
u=[δ]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。依据所建立的方程(4)利用强跟踪估计轴向力步骤如下:
其中n是x的维度,λ,β,和α是待定参数。
Sigma点一步传播计算如下
其中Q是过程噪声协方差矩阵
新Sigma点一步传播计算如下
一个渐消因子ση被用来动态更新先验状态协方差来应对质量参数失配的影响:
其中,Υt为根据系统状态先验信息确定的常数,ρ∈[0,1]就是遗忘因子。dη为待定参数。
第三步:选择后轴纵向力和侧向力分别建立纵向和侧向两个方向上的状态和测量方程,利用交互多模型无迹卡尔曼滤波对两个方向上的轮胎路面附着系数进行融合估计,具体步骤如下:
两个方向路面附着系数估计状态空间模型如下:
其中Jη是过程噪声θη是测量噪声.Γ表示待估计的附着系数,上标1表是是基于纵向力模型估算的,上标2表是基于侧向动力学模型估算的。Fx是后轴名义纵向力,Fy是后轴名义侧向力,具体根据如下准静态轮胎模型计算
其中vx为纵向速度,λ为后轮平均滑移率,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,Fzr后轴总的垂向力,α为后轮平均侧偏角。
为了实现不同纵向模型和侧向模型估计融合,设定和是基于纵向动力学模型或横向动力学模型在采样η-1时刻的估计附着系数的平均值和协方差;ξη-1是不同估计模型在同一时刻的权重系数向量。和是两个模型交互和混合后估计结果的均值和协方差。是交互和混合后的权重系数向量。和为不同模型基于无迹卡尔曼方法估计的均值和协方差。和ξη分别为最终估计结果的均值、协方差、权重。交互多模型方法结合了基于纵向动态的估计模型(M1)和基于横向动态的估计模型(M2)。因此,该系统是由两个模型组成的离散集。
M={M1,M2} (32)
假设两个模型之间概率转移矩阵为
其中pij是从估计模型i到估计模型j的过渡概率。具体步骤如下:
步骤一:交互与混合
模型混合后的均值和方差如下
步骤二:预测
每个模型i在采样时刻η的最新概率如下
步骤三:融合
上述三个步骤依次循环完成多模型融合估计。
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)
1.一种考虑质量失配的轮胎路面附着系数多模型融合估计方法,其特征在于:
采集车辆纵向加速度、横向加速度、横摆角速度和前轮转角信号,与非线性车辆模型结合,利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息,基于所述车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数;
所述车辆轴向力信息包括车辆前轴的纵向力和侧向力以及车辆后轴的纵向力和侧向力;
2.根据权利要求1所述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,其特征在于:利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息,具体步骤如下:
建立非线性车身模型,
其中r为横摆角速度、为横摆角速度r的导数、Fyf为前轴侧向力,Fyr为后轴侧向力,Fxr为后轴纵向力,Fxf为前轴纵向力,m为汽车总质量、Lf为前轴到质心的距离、Lr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;
根据公式(1)~(3)建立车辆轴向力状态方程与量测方程如下:
状态变量为:
xη=[Fxf,η,Fxr,η,Fyf,η,Fyr,η]T
量测变量为:
zη=[rη,ax,η,ay,η]T
输入变量为:
u=[δ]T
其中z为测量向量;x为状态向量;下标η表示第η个采样步长;、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;
依据所建立的方程(4)利用强跟踪估计轴向力步骤如下:
其中,Xo表示状态向量的初值、Po表示状态估计误差协方差的初值、E表示求数学期望、(·)T表示矩阵转置;
其中n是x的维度,λ,β,和α是待定参数;
Sigma点一步传播计算如下
其中Q是过程噪声协方差矩阵
新Sigma点一步传播计算如下:
其中,R是测量噪声的协方差矩阵;
一个渐消因子ση被用来动态更新先验状态协方差来应对质量参数失配的影响:
3.根据权利要求2所述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,其特征在于:所述轮胎路面附着系数估计具体步骤如下:
选择后轴纵向力和侧向力分别建立纵向和侧向两个方向上的状态和测量方程,利用交互多模型无迹卡尔曼滤波对两个方向上的轮胎路面附着系数进行融合估计,具体步骤如下:
两个方向路面附着系数估计状态空间模型如下:
其中Jη是过程噪声、θη是测量噪声、Γ表示待估计的附着系数,上标1表是是基于纵向力模型估算的,上标2表是基于侧向动力学模型估算的;
Fx是后轴名义纵向力,Fy是后轴名义侧向力,具体根据如下准静态轮胎模型计算
其中vx为纵向速度,λ为后轮平均滑移率,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,Fzr后轴总的垂向力,α为后轮平均侧偏角。
4.根据权利要求3所述的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,其特征在于:为了实现不同纵向模型和侧向模型估计融合,设定和是基于纵向或横向动力学模型在采样η-1时刻的估计附着系数的平均值和协方差;
ξη-1是不同估计模型在同一时刻的权重系数向量;
交互多模型方法结合了基于纵向动态的估计模型(M1)和基于横向动态的估计模型(M2);因此,该系统是由两个模型组成的离散集;
M={M1,M2} (32)
假设两个模型之间概率转移矩阵为
其中pij是从估计模型i到估计模型j的过渡概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971842.1A CN114043986B (zh) | 2021-08-20 | 2021-08-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971842.1A CN114043986B (zh) | 2021-08-20 | 2021-08-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114043986A true CN114043986A (zh) | 2022-02-15 |
CN114043986B CN114043986B (zh) | 2024-04-26 |
Family
ID=80204381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110971842.1A Active CN114043986B (zh) | 2021-08-20 | 2021-08-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114043986B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114212074A (zh) * | 2022-02-22 | 2022-03-22 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005060219A1 (de) * | 2005-12-16 | 2007-06-21 | Ford Global Technologies, LLC, Dearborn | Verfahren und Vorrichtung zur Abschätzung des Reibkoeffizienten zwischen Straße und Reifen eines Kraftfahrzeuges |
DE102006055550A1 (de) * | 2006-11-24 | 2008-05-29 | Robert Bosch Gmbh | Verfahren zur Schätzung zumindest einer Fahrzustandsgröße eines Fahrzeugs |
CN103407451A (zh) * | 2013-09-03 | 2013-11-27 | 东南大学 | 一种道路纵向附着系数估计方法 |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN107901914A (zh) * | 2017-09-26 | 2018-04-13 | 同济大学 | 一种车辆质心侧偏角及路面附着系数联合估计系统 |
CN108482379A (zh) * | 2018-03-16 | 2018-09-04 | 武汉理工大学 | 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
CN113104040A (zh) * | 2021-04-21 | 2021-07-13 | 江苏大学 | 一种考虑观测信息时域衰减的轮胎-路面附着系数获取方法 |
-
2021
- 2021-08-20 CN CN202110971842.1A patent/CN114043986B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005060219A1 (de) * | 2005-12-16 | 2007-06-21 | Ford Global Technologies, LLC, Dearborn | Verfahren und Vorrichtung zur Abschätzung des Reibkoeffizienten zwischen Straße und Reifen eines Kraftfahrzeuges |
DE102006055550A1 (de) * | 2006-11-24 | 2008-05-29 | Robert Bosch Gmbh | Verfahren zur Schätzung zumindest einer Fahrzustandsgröße eines Fahrzeugs |
CN103407451A (zh) * | 2013-09-03 | 2013-11-27 | 东南大学 | 一种道路纵向附着系数估计方法 |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN107901914A (zh) * | 2017-09-26 | 2018-04-13 | 同济大学 | 一种车辆质心侧偏角及路面附着系数联合估计系统 |
CN108482379A (zh) * | 2018-03-16 | 2018-09-04 | 武汉理工大学 | 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
CN113104040A (zh) * | 2021-04-21 | 2021-07-13 | 江苏大学 | 一种考虑观测信息时域衰减的轮胎-路面附着系数获取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114212074A (zh) * | 2022-02-22 | 2022-03-22 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
CN114212074B (zh) * | 2022-02-22 | 2022-04-29 | 北京航空航天大学 | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114043986B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111152795B (zh) | 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法 | |
CN104354697A (zh) | 一种利用在线修正的汽车状态参数估计路面附着系数的方法 | |
CN113799783B (zh) | 应用于车辆的道路横向坡度测量方法及系统 | |
CN113247004A (zh) | 一种车辆质量与道路横向坡度的联合估计方法 | |
CN116552550A (zh) | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 | |
CN113830088A (zh) | 一种智能半挂牵引车轨迹跟踪预测控制方法与车辆 | |
CN114148403B (zh) | 一种线控转向系统多工况稳定性控制方法 | |
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 | |
CN111942399A (zh) | 一种基于无迹卡尔曼滤波的车速估算方法及系统 | |
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 | |
US6853886B2 (en) | Method of estimating quantities that represent state of vehicle | |
CN114620052A (zh) | 一种车辆信号处理方法、装置和驾驶设备 | |
EP3825191B1 (en) | Vehicle sideslip angle estimation system and method | |
CN111231976B (zh) | 一种基于变步长的车辆状态估计方法 | |
Boada et al. | A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation | |
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 | |
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 | |
CN111559380B (zh) | 一种车辆主动安全控制方法及装置 | |
Morrison et al. | Sideslip estimation for articulated heavy vehicles in low friction conditions | |
US20070162212A1 (en) | Method for estimating in real time a front effort and a rear effort applied by the ground to a vehicle | |
De Pascali et al. | A kinematic observer with adaptive dead-zone for vehicles lateral velocity estimation | |
Tan et al. | Vehicle state estimation of steer by wire system based on multi sensor fusion | |
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 | |
Stéphant et al. | Vehicle sideslip angle observers | |
Wang et al. | Collision avoidance control by steering based on moving horizon estimation control |
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 |