CN114103967B - 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 - Google Patents
四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 Download PDFInfo
- Publication number
- CN114103967B CN114103967B CN202110436285.3A CN202110436285A CN114103967B CN 114103967 B CN114103967 B CN 114103967B CN 202110436285 A CN202110436285 A CN 202110436285A CN 114103967 B CN114103967 B CN 114103967B
- Authority
- CN
- China
- Prior art keywords
- tire
- wheel
- vehicle
- equation
- longitudinal
- 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 62
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000026676 system process Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 102000003712 Complement factor B Human genes 0.000 claims description 3
- 108090000056 Complement factor B Proteins 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001258 synovial membrane Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or 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
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
- B60W2040/1315—Location of the centre of gravity
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
本发明公开了一种四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,包含以下步骤:根据车轮动力学方程,计算轮胎纵向力;根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量;建立包括车辆纵向、侧向和横摆三个自由度的四轮驱动电动汽车动力学模型和反映轮胎瞬时力学特性的半经验魔术轮胎模型的鲁棒容积卡尔曼估计模块;基于所建立的鲁棒容积卡尔曼滤波模块,估计质心侧偏角与轮胎侧向力。本发明有效提高了复杂工况下滤波对模型参数摄动以及未建模噪声的抗干扰能力,不同工况下联合估计算法的准确性、鲁棒性和抗干扰性得到提高,解决了复合工况下四驱电动汽车质心侧偏角和轮胎侧向力联合估计问题。
Description
技术领域
本发明涉及一种四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,属于新能源汽车涉及与制造领域。
背景技术
四轮驱动电动汽车以轮毂电机为动力单元,融合独立驱动、制动的电动汽车已被国际汽车领域的专家认为是最具发展潜力的架构之一。随着汽车保有量的不断增加,伴随而来的道路交通事故频发、城市交通拥堵加剧和环境污染等一系列问题日益凸显,汽车行业迎来了“新四化”的挑战,将汽车电动化、网联化、智能化、共享化作为汽车行业发展的未来趋势和当前行业瓶颈的重要突破口,因此智能驾驶车辆作为国内外研究人员和工程师的研究热点。四轮驱动电动汽车相对于传统的集中式电动汽车具有更高的控制维度,建设智能车辆平台的难度更高,持续发展的车辆运动控制和主动安全技术更为迫切的需要实时精确地获取车辆相关状态参数,因此精准估计关键车辆状态参数成为四轮驱动电动汽车智能化发展的“卡脖子”问题。
四轮驱动电动汽车在建设智能化平台的过程中,由于相关传感器成本过高或一些车载传感器并不能直接获取车辆状态参数,质心侧偏角和轮胎侧向力均存在这样的问题,因此掌握准确获取质心侧偏角与轮胎力的技术尤为重要。四轮驱动汽车由轮毂电机驱动,转矩可精确获得,轮胎的纵向力可直接计算得到,因此质心侧偏角和轮胎侧向力的估计成为国内外的研究热点。质心侧偏角的观测方法主要包括扩展卡尔曼滤波、龙贝格观测器、滑膜观测器、无迹卡尔曼滤波、鲁棒观测器等估计方法;轮胎侧向力估计的方法主要包括神经网络方法、卡尔曼滤波、交互多模型滤波等估计方法,由此可见卡尔曼滤波方法是车辆质心侧偏角和轮胎侧向力的主流估计算法。扩展卡尔曼滤波是基于泰勒展开式一阶近似的,估计精度还不够理想;无迹卡尔曼滤波具有二阶精度的近似;相比于标准容积卡尔曼滤波具有三阶精度,估计精度更高,但由于没有考虑到模型的参数摄动和未知输入,估计结果受模型参数摄动的影响较大导致估计精度较低。
发明内容
本发明所要解决的技术问题是提出一种实现质心侧偏角与轮胎侧向力精准估计的四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法。
本发明解决其技术问题所采用的技术方案为:
一种四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,其特征在于,包含以下步骤:
根据车轮动力学方程,计算轮胎纵向力;
根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量;
建立包括车辆纵向、侧向和横摆三个自由度的四轮驱动电动汽车动力学模型和反映轮胎瞬时力学特性的半经验魔术轮胎模型的鲁棒容积卡尔曼估计模块;
基于所建立的鲁棒容积卡尔曼滤波模块,估计质心侧偏角与轮胎侧向力。
根据车轮动力学方程计算轮胎纵向力步骤中的车轮动力学方程为:
式中,Fxij表示算轮胎纵向力,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,Tij表示电机转矩,J表示车轮转动惯量,wij表示车轮的转动的角速度,Rw表示轮胎滚动的有效半径。
根据车轮动力学方程计算轮胎纵向力步骤中计算轮胎纵向力的步骤为:
根据半经验魔术轮胎公式,计算轮胎的侧向力:
Fyij=Dsin[Carctan{Bαij-E(Bαij-arctan(Bαij))}]
式中,B表示刚度因子,C表示曲线形状因子,D表示峰值因子,E表示曲线曲率因子;μ表示路面附着系数;Fzij表示轮胎垂向载荷;αij表示轮胎侧偏角;刚度因子B、曲线形状因子C、峰值因子D及曲线曲率因子E,根据所选轮胎进行数据拟合得到。
根据已建立的稳态轮胎模型,由半物理半经验的方式引入松弛长度,用松弛长度来表示非线性轮胎模型的非稳态效应,对稳态轮胎模型进行适当的修正,得表征轮胎瞬时特性的非线性动态轮胎模型公式:
式中,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,σij表示松弛长度;表示轮胎侧向力的估计值,/>表示轮胎侧向力估计值的导数值,vx表示车辆的纵向车速;β表示质心侧偏角。
根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量的步骤为:
第21步,车辆的纵向动力学平衡方程:
max=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw-Ff
式中,m表示整车质量;Fxql表示左前轮胎纵向力;Fxqp表示右前轮胎纵向力;Fxhl表示左后轮胎纵向力;Fxhp表示右后轮胎纵向力;δf表示前轮转角;Fw表示车辆所受的纵向空气阻力,Ff表示轮胎的滚动阻力;
第22步,根据遗忘因子最小二乘法,建立质量估计输入输出递归方程:
y(k)=h(k)Tθ+e(k)
式中,h(k)表示k时刻的输入量;y(k)表示系统k时刻的输出量;θ为待估整车质量m;e(k)表示k时刻的偏移量;
第23步,求解h(k)以及y(k):
y(k)=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw
h(k)=max+Ff
第24步,求解参数辨识增益:
式中,K(k)表示k时刻的参数辨识增益,λ表示遗忘因子为常数,P(k-1)表示k-1时刻的协方差矩阵,h(k)T表示h(k)的转置;
第25步,更新参数辨识:
式中,表示k-1时刻的估计参数,/>表示k时刻的估计参数;
第26步,更新参数辨识误差:
式中,K(k)表示k时刻的参数辨识增益;P(k)表示k时刻的协方差矩阵;I表示单位矩阵;λ表示遗忘因子。
建立非线性车辆模型状态方程:
第31步,建立车辆质心侧偏角和轮胎侧向力的状态方程和观测方程:
式中,表示状态变量的一阶导数;f(·)表示非线性状态方程函数;h(·)表示观测方程函数;x(t)表示状态变量;u(t)表示输入变量;z(t)表示观测变量;w(t)和v(t)表示零均值、不相关的白噪声;
x(t)=(r,β,Fyql,Fyqp,Fyhl,Fyhp)T
u(t)=(δf,vx,Fxql,Fxqp,Fxhl,Fxhp)T
z(t)=(ax,ay)T
式中,r表示整个电动汽车绕质心处的横摆角速度;β表示质心侧偏角;vx表示整个电动汽车质心处的纵向车速;ax表示整车质心处的纵向加速度;ay表示整车质心处的横向加速度;
第32步,建立非线性状态方程函数f(·)和观测方程函数h(·):
函数表达式f(·)为
函数表达式h(·)为
式中,f(1)-f(6)分别表示非线性状态方程函数;Iz表示车辆绕Z轴的转动惯量;h(1)-h(2)分别表示非线性观测方程函数。
基于鲁棒容积卡尔曼滤波估计质心侧偏角与轮胎侧向力的方法为:
第41步,对第31步建立的车辆质心侧偏角和轮胎侧向力状态方程和观测方程进行离散化:
式中,xk∈Rn表示系统的状态向量,Rn表示n维实数集;uk∈Rm表示已知的控制输入,Rm表示m维实数集;zk∈Rp表示系统的观测向量,Rp表示p维实数集;函数f:Rn×Rm→Rn和h:Rn×Rm→Rp分别表示已知的非线性函数,箭头表示非线性映射关系;wk和vk分别表示系统的过程噪声和观测的测量噪声;
第42步,初始化,令:
式中,和P0表示初始系统状态与误差协方差;/>和/>表示系统过程噪声均值与方差的初始化;/>和/>表示测量噪声均值与方差的初始化;
第43步,时间更新:
第431步,对k-1时刻的误差协方差矩阵Pk-1|k-1进行分解为:
Pk-1|k-1=Sk-1|k-1ST k-1|k-1
式中,Sk-1|k-1表示下三角矩阵;
第432步,根据球面径向规则计算容积点
式中,L=2n,n为待估状态的维数;
第433步,计算状态方程传播的容积点
第434步,计算状态估计值
第435步,计算估计误差协方差矩阵Pxx,k|k-1:
式中,Q为系统过程噪声方差;
第44步,测量更新:
第441步,对更新之后的误差协方差矩阵Pk|k-1进行分解:
式中,Sk|k-1表示下三角矩阵;
第442步,计算更新的容积点
第443步,计算测量方程传播的容积点
第444步,估计观测预测值
第445步,计算新息方差矩阵Pzz,k|k-1:
第446步,计算估计协方差矩阵Pxz,k|k-1:
第45步,得到统计回归矩阵:
第451步,估计卡尔曼增益Wk:
第452步,估计状态更新
第453步,估计相应误差协方差Pxx,k|k:
式中,I为单位矩阵;η为调节因子,η满足以下条件:
式中,eig(·)表示求解特征值。
本发明提出遗忘因子递归最小二乘法与鲁棒容积卡尔曼滤波联合估计算法,通过带有遗忘因子的递归最小二乘法实时估计整车质量作为新的输入,基于极大值背景下的估计误差最小化嵌入到标准容积卡尔曼算法实现鲁棒容积卡尔曼滤,鲁棒容积卡尔曼在Qk、Rk和P0未知的前提下,将Wk、Vk和X0的不确定性对估计结果精度的影响降到最低程度,有效提高了复杂工况下滤波对模型参数摄动以及未建模噪声的抗干扰能力,可以实现质心侧偏角与轮胎侧向力的精准估计,在复合工况下该联合算法具有较好的准确性、鲁棒性和抗干扰性。
附图说明
图1为本发明实例中四轮独立驱动车辆动力学模型。
图2为本发明实例中系统框架图。
图3为本发明实例中实车平台。
图4为本发明实例中质心侧偏角估计对比结果。
图5为本发明实例中左前轮侧向力估计对比结果。
图6为本发明实例中右前轮侧向力估计对比结果。
图7为本发明实例中左后轮侧向力估计对比结果。
图8为本发明实例中右后轮侧向力估计对比结果。
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2所示,本发明一种基于遗忘因子最小二乘法与鲁棒容积卡尔曼(FFRLS-RCKF)联合估计四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估算方法,包括以下步骤:
第1步,根据车轮动力学方程,计算轮胎纵向力:
第11步,针对四轮独立驱动电动汽车,根据达朗伯原理,整车的动力学方程为:
max=(Fxqlcosδf-Fyqlsinδf)+(Fxqpcosδf-Fyqpsinδf)+Fxhl+Fxhp-Fw-Ff
may=(Fxqlsinδf+Fyqlcosδf)+(Fxqpsinδf+Fyqpcosδf)+Fyhl+Fyhp
式中,Fxij表示轮胎纵向力,Fyij表示轮胎侧向力,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮;lf和lr分别表示前轴和后轴的轮距;a和b分别表示质心到前轴和后轴的距离;ax和ay分别表示为纵向加速度和侧向加速度;m表示整车质量;vx表示车辆的纵向车速;r表示车辆绕Z轴旋转的横摆角速度,为横摆角加速度;β表示质心侧偏角,/>为质心侧偏角速度;Iz表示车辆绕Z轴的转动惯量;Fw表示车辆的纵向空气阻力;Ff表示轮胎的滚动阻力和;δf表示前轮转角,这里依据假设近似认为左右侧前轮转角相同。根据转向系统台架试验数据并结合方向盘转角信息进行查表,由此得到前轮转角,这里的后轮转角δr数值为0。
第12步,车辆所受的纵向空气阻力Fw和轮胎的滚动阻力和Ff计算公式为:
Fw=CdρAfvx 2/2
Ff=frmg
式中,Cd表示空气阻力系数;ρ表示空气密度;Af表示车辆正面迎风面积;vx表示车辆的纵向车速;fr表示滚动阻力系数;g表示重力加速度;m表示整车质量。
第13步,各轮的轮胎侧偏角和垂向载荷分别为:
式中,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,Fzij为轮胎垂向载荷;αij表示轮胎侧偏角;h表示质心到地面的高度。
第14步,四轮驱动电动汽车以轮毂电机为动力单元,可以进行独立的驱动/制动,轮毂电机具有转矩、转速等精确可知的特点,因此可以直接计算轮胎的纵向力,车轮的动力学方程为:
式中,Tij表示电机转矩,J表示车轮转动惯量,wij表示车轮的转动的角速度,Rw表示轮胎滚动的有效半径。
第15步,根据半经验魔术轮胎公式来计算轮胎的侧向力,轮胎侧向力的计算表达式可写为:
Fyij=Dsin[Carctan{Bαij-E(Bαij-arctan(Bαij))}]
式中,B表示刚度因子,C表示曲线形状因子,D表示峰值因子,E表示曲线曲率因子。刚度因子B、曲线形状因子C、峰值因子D及曲线曲率因子E,根据所选轮胎进行数据拟合得到。取值分别为B=3.216,C=1.614,D=1.7Fzijμ,E=-1.21-0.76sgnαij。
第16步,因此根据已建立的稳态轮胎模型,由半物理半经验的方式引入松弛长度,用松弛长度来表示非线性轮胎模型的非稳态效应,对稳态轮胎模型进行适当的修正,因此可得表征轮胎瞬时特性的非线性动态轮胎模型公式:
式中,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,σij表示松弛长度;表示轮胎侧向力的估计值,/>表示轮胎侧向力估计值的导数值。
第2步,根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量:
第21步,车辆质量估计过程应用在车辆刚起步的阶段,此时轮胎侧偏角很小,因此轮胎侧向力可以忽略不计,考虑车辆的纵向动力学平衡方程:
max=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw-Ff
第22步,根据遗忘因子最小二乘法,建立质量估计输入输出递归方程:
y(k)=h(k)Tθ+e(k)
式中,h(k)表示输入量,为可测量的数据向量;y(k)表示系统的输出量;θ为待估参数,待估计参数为整车质量m,e(k)表示k时刻的偏移量。
第23步,求解h(k)以及y(k):
y(k)=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw
h(k)=max+Ff
第24步,求解参数辨识增益:
式中,K(k)表示k时刻的参数辨识增益,λ表示遗忘因子,P(k-1)表示k-1时刻的协方差矩阵,h(k)表示k时刻的输入量,h(k)T表示h(k)的转置。
第25步,更新参数辨识:
式中,y(k)表示系统k时刻的输出量,表示k-1时刻的估计参数,/>表示k时刻的估计参数。
第26步,更新参数辨识误差:
式中,K(k)表示k时刻的参数辨识增益;P(k)表示k时刻的协方差矩阵;I表示单位矩阵;λ表示遗忘因子。
第3步,建立包括车辆纵向、侧向和横摆三个自由度的四轮驱动电动汽车动力学模型和反映轮胎瞬时力学特性的半经验魔术轮胎模型的鲁棒容积卡尔曼估计模块:
第31步,建立车辆质心侧偏角和轮胎侧向力的状态方程和观测方程:
第311步,状态变量
x(t)=(r,β,Fyql,Fyqp,Fyhl,Fyhp)T
第312步,输入变量
u(t)=(δf,vx,Fxql,Fxqp,Fxhl,Fxhp)T
第313步,观测变量
z(t)=(ax,ay)T
第32步,推导出估计算法的非线性状态方程函数f(·)和观测方程函数h(·):
第321步,根据四轮驱动电动汽车动力学模型,函数表达式f(·)可写为
第322步,函数表达式h(·)可写为
第4步,基于所建立的鲁棒容积卡尔曼滤波模块,估计质心侧偏角与轮胎侧向力:
第41步,对第31步建立的车辆质心侧偏角和轮胎侧向力状态方程和观测方程进行离散化:
式中,xk∈Rn表示系统的状态向量,uk∈Rm表示已知的控制输入;zk∈Rp表示系统的观测向量;函数f:Rn×Rm→Rn和h:Rn×Rm→Rp分别表示已知的非线性函数;wk和vk分别表示系统的过程噪声和观测的测量噪声,两者为高斯白噪声且互不相关,服从正态分布wk~N(qk,Qk),vk~N(rk,Rk);初始状态x0与wk、vk互不相关。
第42步,初始化,令:
式中,和P0表示初始系统状态与误差协方差;/>和/>表示系统过程噪声均值与方差的初始化;/>和/>表示测量噪声均值与方差的初始化。
第43步,时间更新:
第431步,对k-1时刻的误差协方差矩阵Pk-1|k-1进行分解为
Pk-1|k-1=Sk-1|k-1ST k-1|k-1
式中,Sk-1|k-1表示下三角矩阵;
第432步,根据球面径向规则计算容积点
式中,L=2n,n为待估状态的维数。
第433步,计算状态方程传播的容积点
第434步,计算状态估计值
第435步,计算估计误差协方差矩阵Pxx,k|k-1
式中,Q为系统过程噪声方差;
第44步,测量更新:
第441步,对更新之后的误差协方差矩阵Pk|k-1进行分解
式中,Sk|k-1表示下三角矩阵;
第442步,计算更新的容积点
第443步,计算测量方程传播的容积点
第444步,估计观测预测值
第445步,计算新息方差矩阵Pzz,k|k-1
第446步,计算估计协方差矩阵Pxz,k|k-1
第45步,设计H∞滤波器,需要通过统计线性化方法应用于状态方程和测量方程,将容积卡尔曼算法转换为线性回归形式,计算统计线性化推导的形式与容积点传播的均值和误差方差均相同,进一步将非线性车辆状态方程xk=f(xk-1,uk-1)+wk-1在处进一步统计线性化,并推导出观测方程的统计回归矩阵。针对H∞容积卡尔曼滤波算法,设计估计误差的上界,针对任意wk、vk、x0,最小化观测信息的误差,这里推导过程不作详细展开。由上述推导过程可以得到统计回归矩阵:
第451步,估计卡尔曼增益Wk
第452步,估计状态更新
第453步,估计相应误差协方差Pxx,kk
/>
第454步,为了确保H∞滤波算法的存在性,必须是正定的,因此η满足以下条件为
式中,η为调节因子,调节最小均方根和H∞滤波的性能,eig(·)表示求解特征值。
这里的η可以取为(这里标量λ大于1)
如图3实车验证平台所示,进一步应用本发明提出的估计方法:
基于已开发的四轮驱动乘用车平台进行了实车试验,整车控制控制单元由ARMCortex-M4内核的32位域控制器构成,同时配备了轮速传感器、方向盘转角传感器、GPS、惯性测量单元便于获取所需要的观测量。
本发明所提出的联合估计算法,遗忘因子最小二乘法和鲁棒容积卡尔曼相比于标准容积卡尔曼和鲁棒容积卡尔曼算法,估计结果对比如图4、5、6、7、8所示,估计结果平均绝对误差对比见表1:
表1
由表1的估计结果平均绝对误差对比可知,联合估计算法的估计精度至少提高了54%。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
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 (3)
1.一种四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,其特征在于,包含以下步骤:
根据车轮动力学方程,计算轮胎纵向力;
根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量;
建立包括车辆纵向、侧向和横摆三个自由度的四轮驱动电动汽车动力学模型和反映轮胎瞬时力学特性的半经验魔术轮胎模型的鲁棒容积卡尔曼估计模块;
基于所建立的鲁棒容积卡尔曼滤波模块,估计质心侧偏角与轮胎侧向力;
根据车轮动力学方程计算轮胎纵向力步骤中的车轮动力学方程为:
式中,Fxij表示算轮胎纵向力,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,Tij表示电机转矩,J表示车轮转动惯量,wij表示车轮的转动的角速度,Rw表示轮胎滚动的有效半径;
根据车轮动力学方程计算轮胎纵向力步骤中计算轮胎纵向力的步骤为:
根据半经验魔术轮胎公式,计算轮胎的侧向力:
Fyij=Dsin[Carctan{Bαij-E(Bαij-arctan(Bαij))}]
式中,B表示刚度因子,C表示曲线形状因子,D表示峰值因子,E表示曲线曲率因子;μ表示路面附着系数;Fzij表示轮胎垂向载荷;αij表示轮胎侧偏角;
根据已建立的稳态轮胎模型,由半物理半经验的方式引入松弛长度,用松弛长度来表示非线性轮胎模型的非稳态效应,对稳态轮胎模型进行适当的修正,得表征轮胎瞬时特性的非线性动态轮胎模型公式:
式中,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮,σij表示松弛长度;表示轮胎侧向力的估计值,/>表示轮胎侧向力估计值的导数值,vx表示车辆的纵向车速;β表示质心侧偏角;
根据车辆的纵向动力学平衡方程,基于带有遗忘因子的最小二乘法估计整车质量的步骤为:
第21步,车辆的纵向动力学平衡方程:
max=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw-Ff
式中,m表示整车质量;Fxql表示左前轮胎纵向力;Fxqp表示右前轮胎纵向力;Fxhl表示左后轮胎纵向力;Fxhp表示右后轮胎纵向力;δf表示前轮转角;Fw表示车辆所受的纵向空气阻力,Ff表示轮胎的滚动阻力;
第22步,根据遗忘因子最小二乘法,建立质量估计输入输出递归方程:
y(k)=h(k)Tθ+e(k)
式中,h(k)表示k时刻的输入量;y(k)表示系统k时刻的输出量;θ为待估整车质量m;e(k)表示k时刻的偏移量;
第23步,求解h(k)以及y(k):
y(k)=Fxqlcosδf+Fxqpcosδf+Fxhl+Fxhp-Fw
h(k)=max+Ff
第24步,求解参数辨识增益:
式中,K(k)表示k时刻的参数辨识增益,λ表示遗忘因子为常数,P(k-1)表示k-1时刻的协方差矩阵,h(k)T表示h(k)的转置;
第25步,更新参数辨识:
式中,表示k-1时刻的估计参数,/>表示k时刻的估计参数;
第26步,更新参数辨识误差:
式中,K(k)表示k时刻的参数辨识增益;P(k)表示k时刻的协方差矩阵;I表示单位矩阵;λ表示遗忘因子;
建立非线性车辆模型状态方程:
第31步,建立车辆质心侧偏角和轮胎侧向力的状态方程和观测方程:
式中,表示状态变量的一阶导数;f(·)表示非线性状态方程函数;h(·)表示观测方程函数;x(t)表示状态变量;u(t)表示输入变量;z(t)表示观测变量;w(t)和v(t)表示零均值、不相关的白噪声;
x(t)=(r,β,Fyql,Fyqp,Fyhl,Fyhp)T
u(t)=(δf,vx,Fxql,Fxqp,Fxhl,Fxhp)T
z(t)=(ax,ay)T
式中,r表示整个电动汽车绕质心处的横摆角速度;β表示质心侧偏角;vx表示整个电动汽车质心处的纵向车速;ax表示整车质心处的纵向加速度;ay表示整车质心处的横向加速度;Fyij表示轮胎侧向力,i=q,h分别表示前轮和后轮,j=l,p分别表示左轮和右轮;
第32步,建立非线性状态方程函数f(·)和观测方程函数h(·):
函数表达式f(·)为
函数表达式h(·)为
式中,f(1)-f(6)分别表示非线性状态方程函数;Iz表示车辆绕Z轴的转动惯量;h(1)-h(2)分别表示非线性观测方程函数;lf和lr分别表示前轴和后轴的轮距;a和b分别表示质心到前轴和后轴的距离。
2.根据权利要求1所述的四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,其特征在于,基于鲁棒容积卡尔曼滤波估计质心侧偏角与轮胎侧向力的方法为:
第41步,对第31步建立的车辆质心侧偏角和轮胎侧向力状态方程和观测方程进行离散化:
式中,xk∈Rn表示系统的状态向量,Rn表示n维实数集;uk∈Rm表示已知的控制输入,Rm表示m维实数集;zk∈Rp表示系统的观测向量,Rp表示p维实数集;函数f:Rn×Rm→Rn和h:Rn×Rm→Rp分别表示已知的非线性函数,箭头表示非线性映射关系;wk和vk分别表示系统的过程噪声和观测的测量噪声;
第42步,初始化,令:
式中,和P0表示初始系统状态与误差协方差;/>和/>表示系统过程噪声均值与方差的初始化;/>和/>表示测量噪声均值与方差的初始化;
第43步,时间更新:
第431步,对k-1时刻的误差协方差矩阵Pk-1|k-1进行分解为:
Pk-1|k-1=Sk-1|k-1ST k-1|k-1
式中,Sk-1|k-1表示下三角矩阵;
第432步,根据球面径向规则计算容积点
式中,L=2n,n为待估状态的维数;
第433步,计算状态方程传播的容积点
第434步,计算状态估计值
第435步,计算估计误差协方差矩阵Pxx,k|k-1:
式中,Q为系统过程噪声方差;
第44步,测量更新:
第441步,对更新之后的误差协方差矩阵Pkk-1进行分解:
式中,Skk-1表示下三角矩阵;
第442步,计算更新的容积点
第443步,计算测量方程传播的容积点
第444步,估计观测预测值
第445步,计算新息方差矩阵Pzz,kk-1:
第446步,计算估计协方差矩阵Pxz,kk-1:
第45步,得到统计回归矩阵:
第451步,估计卡尔曼增益Wk:
第452步,估计状态更新
第453步,估计相应误差协方差Pxx,kk:
式中,I为单位矩阵;η为调节因子,η满足以下条件:
式中,eig(·)表示求解特征值。
3.根据权利要求1所述的四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法,其特征在于,刚度因子B、曲线形状因子C、峰值因子D及曲线曲率因子E,根据所选轮胎进行数据拟合得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436285.3A CN114103967B (zh) | 2021-04-22 | 2021-04-22 | 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436285.3A CN114103967B (zh) | 2021-04-22 | 2021-04-22 | 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114103967A CN114103967A (zh) | 2022-03-01 |
CN114103967B true CN114103967B (zh) | 2024-04-26 |
Family
ID=80359466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436285.3A Active CN114103967B (zh) | 2021-04-22 | 2021-04-22 | 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114103967B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115946707B (zh) * | 2023-03-14 | 2023-06-06 | 北京理工大学 | 四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统 |
CN116923428B (zh) * | 2023-09-07 | 2023-11-28 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
CN116992697B (zh) * | 2023-09-26 | 2023-12-15 | 华东交通大学 | 一种智能电动汽车行驶状态信息估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105151047A (zh) * | 2015-09-08 | 2015-12-16 | 吉林大学 | 一种汽车质心侧偏角测量方法 |
CN107985315A (zh) * | 2017-11-29 | 2018-05-04 | 吉林大学 | 轮式装载机轮胎纵向力动态估计方法 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
CN108594652A (zh) * | 2018-03-19 | 2018-09-28 | 江苏大学 | 一种基于观测器信息迭代的车辆状态融合估计方法 |
CN111152795A (zh) * | 2020-01-08 | 2020-05-15 | 东南大学 | 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 |
CN111688715A (zh) * | 2020-06-24 | 2020-09-22 | 长春工业大学 | 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8050838B2 (en) * | 2008-11-24 | 2011-11-01 | GM Global Technology Operations LLC | Kinematic estimator for vehicle lateral velocity using force tables |
US9752962B2 (en) * | 2015-10-09 | 2017-09-05 | The Goodyear Tire & Rubber Company | Robust tire forces estimation system |
KR101897628B1 (ko) * | 2017-02-06 | 2018-10-04 | 서울대학교산학협력단 | 고속 정상 주행상황에서의 타이어 노면 마찰계수 추정방법 및 타이어 노면 마찰계수 추정장치 |
CN110395120A (zh) * | 2019-08-14 | 2019-11-01 | 厦门金龙联合汽车工业有限公司 | 一种四轮分布式驱动客车的横摆运动控制方法 |
-
2021
- 2021-04-22 CN CN202110436285.3A patent/CN114103967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105151047A (zh) * | 2015-09-08 | 2015-12-16 | 吉林大学 | 一种汽车质心侧偏角测量方法 |
CN107985315A (zh) * | 2017-11-29 | 2018-05-04 | 吉林大学 | 轮式装载机轮胎纵向力动态估计方法 |
CN108594652A (zh) * | 2018-03-19 | 2018-09-28 | 江苏大学 | 一种基于观测器信息迭代的车辆状态融合估计方法 |
CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
CN111152795A (zh) * | 2020-01-08 | 2020-05-15 | 东南大学 | 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 |
CN111688715A (zh) * | 2020-06-24 | 2020-09-22 | 长春工业大学 | 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114103967A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114103967B (zh) | 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法 | |
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 | |
US11958365B2 (en) | Method for dual-motor control on electric vehicle based on adaptive dynamic programming | |
Li et al. | Modelling and testing of in‐wheel motor drive intelligent electric vehicles based on co‐simulation with Carsim/Simulink | |
CN105438177B (zh) | 车辆运行监控、参数测算和超载监控的方法及系统 | |
CN109606378A (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
CN105151047A (zh) | 一种汽车质心侧偏角测量方法 | |
CN110727994A (zh) | 参数解耦的电动汽车质量与坡度估计方法 | |
Lin et al. | A novel H∞ and EKF joint estimation method for determining the center of gravity position of electric vehicles | |
CN113650619B (zh) | 一种四轮驱动电动汽车轮胎力软测量方法 | |
CN107585207B (zh) | 一种车辆线控四轮转向系统及其控制方法 | |
CN109515442A (zh) | 四轮驱动电动汽车路面附着系数估计方法 | |
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 | |
Wu et al. | Joint estimation of driving state and road adhesion coefficient for distributed drive electric vehicle | |
Lian et al. | Lateral collision avoidance robust control of electric vehicles combining a lane-changing model based on vehicle edge turning trajectory and a vehicle semi-uncertainty dynamic model | |
Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
CN113602279B (zh) | 分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法 | |
Andriaminahy et al. | Comparative study of vehicle aerodynamic and rolling resistance coefficients estimation methods | |
CN115946707B (zh) | 四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统 | |
Yaming et al. | Distributed electric vehicle state parameter estimation based on the ASO-SRGHCKF algorithm | |
Wang et al. | UKF Estimation Method of Centroid Slip Angle for Vehicle Stability Control | |
Rongyun et al. | Electric Vehicle State Parameter Estimation Based on DICI-GFCKF | |
CN113650620A (zh) | 一种四轮电驱动汽车状态预测方法 | |
Wang et al. | Research on Digital Twin Vehicle Stability Monitoring System Based on Side Slip Angle | |
Jin et al. | Novel payload parameter sensitivity analysis on observation accuracy of lightweight electric vehicles |
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 |