CN114357624A - 一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法 - Google Patents

Abstract

本发明公开了一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，包括：步骤1，实时采集车辆行驶数据；步骤2，将车速信号送入二阶线性微分跟踪器，得到车辆加速度；步骤3，当整车驱动力和车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1；步骤4，根据车辆纵向动力学模型得到车重线性模型,将滚阻系数和车辆加速度输入给车重线性模型，得到估计车重；步骤5，根据车辆纵向动力学模型得到滚阻系数线性模型，将估计车重和车辆加速度输入给滚阻系数线性模型，得到估计滚阻系数；步骤6，估计结果可信性检验。本发明既避免了额外为车辆加装加速度传感器，又为后续车重估计的精度提供了保证。

Description

一种基于二阶线性微分跟踪器和参数双线性模型的车重估计 算法

技术领域

本发明涉及车重估计技术领域，特别是涉及一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法。

背景技术

车重，作为车辆动力系统和整车控制中的关键参数，对于整车运行的能耗、安全性及驾驶舒适性影响显著。在相同的车速及加速度下，车重的不同会影响所需要的驱动力，并改变动力系统的运行工况点及其效率，进而影响整车能耗；车重亦会改变刹车距离、转弯中的侧倾指数，从而影响行驶中的安全性；车重还会影响相同驱动力下的车辆加速度，进而改变乘坐舒适性。对于自动驾驶车辆，通过实时获取车重数据，有望实现更合理的车辆行驶路线规划、速度规划，并优化动力系统的工作点分布，进而从多个角度改善车辆的综合控制性能。对于带有驾驶辅助功能的车辆，车重还是主动刹车、车道保持等算法中的重要参数。对于车辆运行监管部门，车重还是车辆超载检查、货运量统计等工作的核心参数。由此可见，车重是一个对于整车厂、用户，以及监管部门均有重要价值的信息，但是该信息一般不容易获取。

目前的在售车辆中，极少数安装了可用于直接测量的车重传感器，大部分采用车重估计算法来间接得到该数值。车重估计方法分为基于运动学和基于动力学两大类。基于运动学的方法大多需要加装加速度传感器，或安装车载GPS定位系统估计坡度，然后再采用辨识算法进行车重的估计。基于车辆纵向动力学模型的方法也有很多研究，通常采用辨识算法对车重和坡度进行联合估计或对车重进行单独估计。常见的辨识算法主要包括基于递推最小二乘法、基于扩展或改进卡尔曼滤波。

上述两种方法都依赖车辆纵向动力学模型中风阻系数、滚阻系数的已知信息，需要提前由固定路段的试验测定，没有很好地解决车重和滚阻系数的耦合问题。实际中滚阻系数随道路环境以及车型动态变化，风阻系数也因车型不同而存在差异，导致上述方法难以在实际不同车型上推广应用。此外，在不加装加速度传感器的情况下，加速度难以准确估计，直接采用车速微分容易引起噪声，也会影响车重估计精度。

因此，本发明提出一种可以在不加装加速度传感器的情况下，能够主动适应道路和轮胎特性变化造成的滚阻波动的车重估计算法，解决了车辆加速度难以准确获取，且车重和滚阻系数在辨识中相互耦合的问题，且估计算法使用简单、实时性高，具有重要的理论意义和工程应用价值。

发明内容

本发明的目的是针对车重估计中车辆加速度难以准确获取、车重和滚阻系数估计中出在交叉耦合的问题，而提供一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法。通过二阶线性微分跟踪器来获取车辆加速度，通过双线性模型实现车重和滚阻系数的解耦估计。

为实现本发明的目的所采用的技术方案是：

一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，包括以下步骤：

步骤1，实时采集车辆行驶数据：包括时间、整车驱动力、车速、变速箱档位以及制动踏板状态，结合网联信息和车辆位置获取道路坡度信息；

步骤2，加速度获取：将步骤1采集的所述车速送入二阶线性微分跟踪器，计算得到车辆加速度；

步骤3，对采集数据进行数据筛选：当步骤1采集的整车驱动力和步骤2得到的所述车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1采集下一时刻的车辆行驶数据；

步骤4，估计车重：根据车辆纵向动力学模型得到车重线性模型,采用将滚阻系数和步骤2得到的车辆加速度输入给所述的车重线性模型，根据所述车重线性模型采用递推最小二乘进行车重的辨识，得到估计车重，其中，首次运行时，所述滚阻系数为给定的滚阻系数初始值，之后的滚阻系数值由步骤5得到的估计滚阻系数输入；

步骤5，估计滚阻系数：根据车辆纵向动力学模型得到滚阻系数线性模型，将步骤4得到的估计车重和步骤2得到的车辆加速度输入给所述的滚阻系数线性模型，根据所述滚阻系数线性模型采用递推最小二乘进行滚阻系数的辨识，得到估计滚阻系数；

步骤6，估计结果可信性检验：由步骤4输出的估计车重和步骤5输出的估计滚阻系数反算出估计驱动力，将所述估计驱动力与步骤1的整车驱动力进行对比，当所述估计驱动力与所述整车驱动力的误差小于设定值时，认为当前的估计结果可信，可以进行最终输出使用，否则不输出该结果，返回步骤1。

在上述技术方案中，所述步骤2中，二阶线性微分跟踪器的频域表达式为

式中s为拉普拉斯算子，v(s)和a(s)分别为v和a所对应的拉氏变换，对其进行反拉氏变化可得时域解v和a，其中v为车速，a为车辆加速度，τ1、τ2分别为两个低通滤波模块的时间常数，优选的，τ₁、τ₂的取值范围均为0-0.5，且τ₁＜τ₂，更为优选的，τ₁＝0.1，τ₂＝0.2。

在上述技术方案中，所述步骤4和步骤5中，所述车辆纵向动力学模型如式(1)所示：

式(1)中，T为发动机的实际输出扭矩，i_g为变速箱的传动比，i0为主减速器的主减速比，η为传动效率，r为车轮半径，

为车辆的实际驱动力，C_d为空气阻力系数，A为车辆的迎风面积，v为车辆的速度，a为车辆加速度，m为车辆的质量，f为车辆的滚阻系数，g为当地的重力加速度，α为道路坡度角，δ为旋转质量换算系数，其中的T，i_g，i₀，η，r，C_d，A，v，m，g，α，δ在车辆运行过程中从控制系统中实时获取，优选的，所述旋转质量换算系数通过变速箱传动比计算：δ＝1+0.04i_g+0.0025i_gi_g。

在上述技术方案中，所述步骤4中的车重线性模型如式(2)所示：

式(2)中，Y_m为车重线性模型的输出向量，φ_m为车重线性模型的输入向量，θ_m为待估参数向量，即估计车重的向量。

在上述技术方案中，所述步骤5的滚阻系数线性模型如式(3)所示：

式(3)中，Y_f为滚阻系数线性模型的输出向量，φ_f为滚阻系数线性模型的输入向量，θ_f为待估参数向量，即估计滚阻系数的向量。

在上述技术方案中，根据式(2)采用式(4)递推最小二乘法估计车重，根据式(3)采用式(4)递推最小二乘法估计滚阻系数，递推最小二乘的表达式如式(4)所示：

k表示递推步长，在步骤4中，式(4)中的θ、y、φ与式(2)中的θ_m、Y_m、φ_m相对应。在步骤5中，式(4)中的θ、y、φ与式(3)中的θ_f、Y_f、φ_f相对应。

在上述技术方案中，所述步骤4中进行车重辨识时和所述步骤5中进行滚阻系数辨识时，均将辨识结果采用一维投影，约束到合理的参数范围内，并采用滑窗法进行数据滤波。

在上述技术方案中，所述步骤4和步骤5中，将辨识结果采用一维投影到参数的合理范围内，具体如式(5)所示：

式(5)中，θ是未经投影前的辨识结果，与式(4)中的θ相对应，其上界为θ_high，下界为θ_low，优选的，在估计车重时，根据车辆裸重、准载人数估计其上下界；在估计滚阻系数时，可根据常用的路面条件确定其上下界，

是投影后在合理范围内的结果，采用该值进行输出以及在式(4)中递推迭代。

在上述技术方案中，所述步骤4和步骤5中，滑窗滤波是指采用滑动窗口平均将结果输出，设滑窗的大小为n，将每一时刻的估计结果按照顺序存储到滑动窗口中，存满后向前滚动；对窗口内所存储的数据进行求平均输出，设t时刻估计结果为θ(t)，滑窗滤波的输出为y(t)，则有

i为窗口内的数据编号，1≤i≤n。

在上述技术方案中，所述步骤6中，所述设定值的范围为5-10％。

在上述技术方案中，所述步骤6中，设步骤4得到的估计车重为m_est，步骤5得到的估计滚阻系数为f_est，将其带回车辆纵向动力学模型中，能够反算出估计驱动力F_{drive_est}，如式(6)所示：

式(6)中的其余变量与式(1)中相同，设实际采集到的驱动力为F_drive，则估计驱动力与实际采集到的驱动力的误差为

与现有技术相比，本发明的有益效果是：

1.本发明所提出的采用二阶线性微分跟踪器来获取加速度的方法能够有效滤除加速度估计中的噪声，获得较为准确的加速度值，既避免了额外为车辆加装加速度传感器，又为后续车重估计的精度提供了保证。

2.本发明所提出的基于参数双线性模型的车重估计方法能够适应道路环境的动态变化估计出滚阻系数值，实现了车重和滚阻系数的解耦估计。算法采用了两个线性模型应用递推最小二乘进行并行迭代估计，原理简单，计算量小，能够在车载嵌入式平台上实现，具备很好的实际应用潜力。

附图说明

图1是本发明的结构框图。

图2是二阶线性微分跟踪器获取加速度的原理图。

图3为滑窗滤波的原理图。

图4为实施例2中的采集车速。

图5为实施例2中的采集驱动力。

图6为实施例2中的采用二阶线性微分跟踪器获取加速度的结果。

图7为实施例2中车重的估计结果。

图8为实施例2中滚阻系数的估计结果。

具体实施方式

以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，包括以下步骤：

步骤1，实时采集车辆行驶数据，包括时间、整车驱动力、车速、变速箱档位以及制动踏板状态，结合网联信息和车辆位置获取道路坡度信息。

步骤2，加速度获取：将步骤1采集的所述车速送入二阶线性微分跟踪器，计算得到车辆加速度。

二阶线性微分跟踪器的结构如图2所示，其中输入为时间和车速，输出为车辆加速度，图中模块内为相应的传递函数表达式。频域上整体表达式为

式中s为拉普拉斯算子，v(s)和a(s)分别为v和a所对应的拉氏变换，对其进行反拉氏变化可得时域解v和a，其中v为车速(m/s)，a为车辆加速度(m/s²)，τ₁、τ₂分别为两个低通滤波模块的时间常数，τ₁、τ₂的范围优选为0-0.5，且τ₁＜τ₂，更为优选的，τ₁＝0.1，τ₂＝0.2。

步骤3，对采集数据进行数据筛选：当步骤1采集的整车驱动力和步骤2得到的所述车辆加速度同时大于0且制动踏板未踩下时，说明数据符合车重估计的要求，执行后续步骤，否则返回步骤1采集下一时刻的车辆行驶数据。

步骤4，估计车重：根据车辆纵向动力学模型得到车重线性模型，采用将滚阻系数和步骤2得到的车辆加速度输入给所述的车重线性模型，根据所述车重线性模型采用递推最小二乘进行车重的辨识，得到估计车重，其中，首次运行时，所述滚阻系数为给定的滚阻系数初始值，之后的滚阻系数值由步骤5得到的估计滚阻系数输入，车重辨识时，将辨识结果采用一维投影，约束到合理的参数范围内，并采用滑窗法进行数据滤波，具体的：

所述的车辆纵向动力学模型如式(1)所示：

式(1)中，T为发动机的实际输出扭矩(Nm)，i_g为变速箱的传动比，i₀为主减速器的主减速比，η为传动效率，r为车轮半径，

为车辆的实际驱动力(N)，C_d为空气阻力系数，A为车辆的迎风面积(m²)，v为车辆的速度(km/h)，a为车辆加速度(m/s²)，m为车辆的质量(kg)，f为车辆的滚阻系数，g为当地的重力加速度(m/s²)，α为道路坡度角，δ为旋转质量换算系数，其中的T，i_g，i₀，η，r，C_d，A，v，m，g，α，δ在车辆运行过程中从控制系统中实时获取，优选的，所述旋转质量换算系数通过变速箱传动比计算：δ＝1+0.04i_g+0.0025i_gi_g，其中的系数可以根据被研究的具体车辆调整；

所述的车重线性模型如式(2)所示：

式(2)中，Y_m为车重线性模型的输出向量，φ_m为车重线性模型的输入向量，θ_m为待估参数向量，即估计车重的向量，式(1)中的滚阻系数f由步骤5给定，加速度a由步骤2给定，输出向量Y_m和输入向量φ_m中的其余参数均可以在车辆运行过程中从控制系统中实时获取，为行业内技术人员所熟知，在此不再赘述。

步骤5，估计滚阻系数：根据如式(1)所述的车辆纵向动力学模型得到滚阻系数线性模型，将步骤4得到的估计车重和步骤2得到的车辆加速度输入给所述的滚阻系数线性模型，根据所述滚阻系数线性模型采用递推最小二乘进行滚阻系数的辨识，得到估计滚阻系数，滚阻系数辨识时，将辨识结果采用一维投影，约束到合理的参数范围内，并采用滑窗法进行数据滤波。

所述的滚阻系数线性模型如式(3)所示：

式(3)中，Y_f为滚阻系数线性模型的输出向量，φ_f为滚阻系数线性模型的输入向量，θ_f为待估参数向量，即估计滚阻系数的向量，式中的车重m由步骤4给定，加速度a由步骤2给定，输出向量和输入向量中的其余参数均在车辆运行过程中从控制系统中实时获取，为行业内技术人员所熟知，在此不再赘述。

在步骤4和步骤5中，根据式(2)采用如式(4)的递推最小二乘法估计车重，根据式(3)采用如式(4)的递推最小二乘法估计滚阻系数：

式(4)中的θ、y、φ与式(2)中的θ_m、Y_m、φ_m相对应；式(4)中的θ、y、φ与式(3)中的θ_f、Y_f、φ_f相对应；k表示递推步长。

将辨识结果采用一维投影到参数的合理范围内，具体如式(5)所示：

式(5)中，θ是未经投影前的辨识结果，与式(4)中的θ相对应，可根据其实际的物理意义可确定参数θ的合理范围，其上界为θ_high，下界为θ_low，在估计车重时，根据车辆裸重、准载人数估计其上下界；在估计滚阻系数时，可根据常用的路面条件确定其上下界，

是投影后在合理范围内的结果，采用该值进行输出以及在式(4)中递推迭代。这样可以确保估计参数的结果一定在合理范围内，进一步提高估计精度，同时避免偏差较大的数据对递推迭代造成的不良影响。

滑窗滤波是指采用滑动窗口平均将结果输出，其原理如图3所示。设滑窗的大小为n，即表示该窗口最多能存储n个数据，将每一时刻的估计结果按照顺序存储到滑动窗口中，存满后向前滚动；对窗口内所存储的数据进行求平均输出，设t时刻估计结果为θ(t)，滑窗滤波的输出为y(t)，则有

i为窗口内的数据编号，1≤i≤n。

步骤6，估计结果可信性检验：由步骤4输出的估计车重和步骤5输出的估计滚阻系数反算出估计驱动力，将所述估计驱动力与步骤1的整车驱动力进行对比，当所述估计驱动力与所述整车驱动力的误差小于设定值时，设定值优选的5％-10％，认为当前的估计结果可信，可以进行最终输出使用，否则不输出该结果，返回步骤1。

设步骤4得到的估计车重为m_est，步骤5得到的估计滚阻系数为f_est，将其带回车辆纵向动力学模型表达式中，能够反算出估计驱动力F_{drive_est}，如式(6)所示：

式(6)中的其余变量与式(1)中相同，设实际采集到的驱动力为F_drive，则估计驱动力与实际采集到的驱动力的误差为

将该误差作为估计结果是否可信的标准，决定是否将估计结果进行最终输出。

实施例2

在实施例1的基础上进行计算，本实施例采用辆裸重为1400kg的5座实验车，实验车辆在城市沥青道路上行驶，步骤2中τ₁、τ₂的取值分别为0.1、0.2，步骤4中，首次运行时给定的滚阻系数初始值为0.01，步骤4中确定车重的合理范围为1400kg-2000kg，即θ_low＝1400，θ_high＝2000，步骤5中，确定滚阻系数的合理范围为0.01-0.02，即θ_low＝0.01，θ_high＝0.02，步骤4和步骤5中滑动窗口的大小n为1000，步骤6中误差设定值为10％。

图4为步骤1中采集的车速，图5为步骤1中采集的整车驱动力，图6为经过步骤2得到的车辆加速度。从图6中可以看到，采用车速差分直接求得的加速度噪声较大，而采用二阶线性微分跟踪器获得的加速度更为平滑，同时能够有效跟随速度的变化趋势。

图7和图8展示了车重和滚阻系数的估计结果，最终车重和滚阻系数已经出现收敛的趋势。最终滚阻系数的估计结果为0.017，车重估计结果为1665kg，满足可信性检验，可以将该结果输出使用。实际车重大约为1641kg，车重估计误差仅为1.46％，说明本发明提出的车重估计方法精度较高，同时估计出的滚阻系数也较为合理，符合车辆所行驶的路面条件的情况(良好的沥青或混凝土路面)。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，包括以下步骤：

步骤1，实时采集车辆行驶数据：包括时间、整车驱动力、车速、变速箱档位以及制动踏板状态，结合网联信息和车辆位置获取道路坡度信息；

步骤2，加速度获取：将步骤1采集的所述车速送入二阶线性微分跟踪器，计算得到车辆加速度；

步骤3，对采集数据进行数据筛选：当步骤1采集的整车驱动力和步骤2得到的所述车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1采集下一时刻的车辆行驶数据；

步骤4，估计车重：根据车辆纵向动力学模型得到车重线性模型,采用将滚阻系数和步骤2得到的车辆加速度输入给所述的车重线性模型，根据所述车重线性模型采用递推最小二乘进行车重的辨识，得到估计车重，其中，首次运行时，所述滚阻系数为给定的滚阻系数初始值，之后的滚阻系数值由步骤5得到的估计滚阻系数输入；

步骤5，估计滚阻系数：根据车辆纵向动力学模型得到滚阻系数线性模型，将步骤4得到的估计车重和步骤2得到的车辆加速度输入给所述的滚阻系数线性模型，根据所述滚阻系数线性模型采用递推最小二乘进行滚阻系数的辨识，得到估计滚阻系数；

步骤6，估计结果可信性检验：由步骤4输出的估计车重和步骤5输出的估计滚阻系数反算出估计驱动力，将所述估计驱动力与步骤1的整车驱动力进行对比，当所述估计驱动力与所述整车驱动力的误差小于设定值时，认为当前的估计结果可信，可以进行最终输出使用，否则不输出该结果，返回步骤1。

2.如权利要求1所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤2中，二阶线性微分跟踪器的频域表达式为

式中s为拉普拉斯算子，v(s)和a(s)分别为v和a所对应的拉氏变换，对其进行反拉氏变化可得时域解v和a，其中v为车速，a为车辆加速度,τ₁、τ₂分别为两个低通滤波模块的时间常数，优选的，τ₁、τ₂的取值范围均为0-0.5，且τ₁<τ₂，更为优选的，τ₁＝0.1，τ₂＝0.2。

3.如权利要求1所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4和步骤5中，所述车辆纵向动力学模型如式(1)所示：

式(1)中，T为发动机的实际输出扭矩，i_g为变速箱的传动比，i₀为主减速器的主减速比，η为传动效率，r为车轮半径，

为车辆的实际驱动力，C_d为空气阻力系数，A为车辆的迎风面积，v为车辆的速度，a为车辆加速度，m为车辆的质量，f为车辆的滚阻系数，g为当地的重力加速度，α为道路坡度角，δ为旋转质量换算系数，优选的，所述旋转质量换算系数通过变速箱传动比计算：δ＝1+0.04i_g+0.0025i_gi_g。

4.如权利要求3所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4中的车重线性模型如式(2)所示：

式(2)中，Y_m为车重线性模型的输出向量，φ_m为车重线性模型的输入向量，θ_m为待估参数向量，即估计车重的向量。

5.如权利要求3所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤5的滚阻系数线性模型如式(3)所示：

式(3)中，Y_f为滚阻系数线性模型的输出向量，φ_f为滚阻系数线性模型的输入向量，θ_f为待估参数向量，即估计滚阻系数的向量。

6.如权利要求4或5所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，根据式(2)采用式(4)递推最小二乘法估计车重，根据式(3)采用式(4)递推最小二乘法估计滚阻系数，递推最小二乘的表达式如式(4)所示：

k表示递推步长，在步骤4中，式(4)中的θ、y、φ与式(2)中的θ_m、Y_m、φ_m相对应。在步骤5中，式(4)中的θ、y、φ与式(3)中的θ_f、Y_f、φ_f相对应。

7.如权利要求6所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4中进行车重辨识时和所述步骤5中进行滚阻系数辨识时，均将辨识结果采用一维投影，约束到合理的参数范围内，并采用滑窗法进行数据滤波。

8.如权利要求7所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4和步骤5中，将辨识结果采用一维投影到参数的合理范围内如式(5)所示：

式(5)中，θ是未经投影前的辨识结果，与式(4)中的θ相对应，其上界为θh_igh，下界为θ_low，优选的，在估计车重时，根据车辆裸重、准载人数估计其上下界；在估计滚阻系数时，根据常用的路面条件确定其上下界，

是投影后在合理范围内的结果，采用该值进行输出以及在式(4)中递推迭代。

9.如权利要求8所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4和步骤5中，采用滑窗法进行数据滤波的具体步骤为：设滑窗的大小为n，将每一时刻的估计结果按照顺序存储到滑动窗口中，存满后向前滚动；对窗口内所存储的数据进行求平均输出，设t时刻估计结果为θ(t)，滑窗滤波的输出为y(t)，则有

i为窗口内的数据编号，1≤i≤n。

10.如权利要求1所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤6中，设步骤4得到的估计车重为m_est，步骤5得到的估计滚阻系数为f_est，将其带回车辆纵向动力学模型中，能够反算出估计驱动力F_{drive_est}，如式(6)所示：

式(6)中的其余变量与式(1)中相同，设实际采集到的驱动力为F_drive，则估计驱动力与实际采集到的驱动力的误差为

优选的，所述设定值的范围为5-10％。

Images