CN114475624A - 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法 - Google Patents

Abstract

本发明公开了一种考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，包括：建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程；根据车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程；将车辆非线性状态方程和观测方程进行近似线性化处理得到车辆状态参数的状态方程和观测方程；将线性化后的运动状态参数迭代至横向状态时滞强跟踪融合滤波器，得到车辆横向运动状态融合估计值，用于线控底盘系统控制关键变量的实时融合估计。本发明提出的方法中滤波与融合过程同时进行，从而避免了现有分布式融合系统中子滤波器向融合中心传输数据时产生的高延时问题，在简化系统结构的同时，降低了算力成本。

Description

考虑不确定性时滞的线控底盘车辆横向状态融合估计方法

技术领域

本发明属于智能驾驶环境感知领域，具体涉及一种考虑不确定性时滞的线控底盘车辆横向状态融合估计方法。

背景技术

近年来，随着信息技术在汽车领域的深入应用，智能驾驶技术得到进一步的发展与完善，汽车底盘线控化成为现代汽车发展的一大主流趋势。线控底盘系统技术的控制关键在于精确地获取表征车辆自身运行状态的横摆角速度、纵横向速度、车身侧倾角等关键状态变量。这些状态变量是车辆线控底盘控制系统中的主要控制变量，也是实时辨识车辆行驶状态及制定线控底盘子系统协调控制规则的重要依据。但由于汽车动力学控制过程的复杂性及车载传感器的测试水平和测试成本等多方面的影响，很多关键状态变量如车辆横向速度无法直接、准确或低成本的测量。

现有的车辆横向速度估计方法(如申请公布号CN108749817A)主要是使用藕合动力学模型估计车辆横向速度，再有(如申请公布号CN111572552A)是将获取到的车辆状态参数输入至预先建立的主动安全控制模型进行计算，得到运动学表示的车辆横向速度估计值和动力学表示的车辆横向速度估计值并进行伪积分计算，得到车辆横向速度最终估计值。但在实际应用中，由于车辆动力学控制过程的复杂性以及获取车辆状态参数的传感器采样频率及传输率难以保持一致，系统对车辆状态进行观测描述时不可避免会出现状态时滞，因此，如果采用预先建立的安全控制模型进行车辆横向速度估计，将会出现状态估计不准，甚至发散等现象，导致无法实现线控底盘控制中心对车辆底盘子系统的精准控制。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，本发明通过以四自由度车辆非线性动力学模型为基础，设计了横向状态时滞强跟踪融合滤波器，有效解决了由于传感器采样频率及传输率难以保持一致所导致系统对车辆横向状态进行观测描述时出现的状态时滞问题，实现了用于线控底盘系统主动控制关键变量车辆横向状态的实时融合估计，为车辆的主动安全控制提供了更为精确的信号。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，步骤如下：

1)建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程；

2)根据所述车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程；

3)将所述车辆非线性状态方程和观测方程进行近似线性化处理得到关于车辆状态参数的状态方程和观测方程；

4)将所述将线性化后的运动状态参数迭代至横向状态时滞强跟踪融合滤波器，得到车辆横向运动状态融合估计值，用于线控底盘系统控制关键变量的实时融合估计。

进一步地，所述步骤1)中的运动微分方程为：

式中，m为整车质量，u为纵向速度，v为侧向速度，φ、r分别为侧倾、横摆角速度；h₀为质心到侧倾轴距离；h_r为侧倾中心高度；h_rf、h_rr分别为前后轴到侧倾轴距离；ε为侧倾轴与纵轴之间的夹角；δ为前轮转角；I_b,x为绕X轴转动惯量，I_b,z为绕Z轴转动惯量，I_b,xz为绕X、Z轴的惯量积；t_f为前轮距，t_r为后轮距；k_f为前轮胎侧偏刚度，k_r为后轮胎侧偏刚度；a为质心至前轴距离，b 为质心至后轴距离；c_f为前悬架侧倾角阻尼，c_r为后悬架侧倾角阻尼；F_y1为左前轮侧向力，F_y2为右前轮侧向力，F_y3为左后轮侧向力，F_y4为右后轮侧向力；F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为左后轮纵向力，F_x4为右后轮纵向力。

进一步地，所述步骤2)中的车辆非线性状态方程和观测方程为：

式中，状态变量x(k)＝[u,v,r,p,φ]^T，观测矢量y(k)＝[z_y1,z_y2,…,z_yn]^T，二者与传感器的种类及其数量有关，输入变量u(k)＝[δ]，w(k)、η_i(k)分别为过程噪声和测量噪声，两者为相互独立、均值为零的高斯白噪声。

进一步地，所述步骤3)中的关于车辆状态参数的状态方程为：

F_x(k)为非线性函数f(x(k),u(k),k)对状态x(k)的一阶偏导，计算公式如下：

进一步地，所述步骤3)中的关于车辆状态参数的观测方程为：

H_xix(k)为非线性函数h_i(x(k),k)对状态x(k)的一阶偏导，计算公式如下：

进一步地，所述步骤4)中的横向状态时滞强跟踪融合滤波器包括状态预测过程：

状态预测方程为：

误差协方差预测方程：

其中，

Λ(k+1)＝diag{λ₁(k+1),λ₂(k+1),…,λ_n(k+1)}

式中，α_i≥1，i＝1,2,…,n，n为传感器的个数，β≥1为一个预先选定的弱化因子，取值为1.2；tr[·]为求迹算子；V₀(k+1)为输出序列的均方误差阵，γ(k+1) 为残差序列；0＜ρ≤1为遗忘因子，取ρ为0.93。

进一步地，所述残差序列：

进一步地，所述横向状态时滞强跟踪融合滤波器还包括状态更新(校正) 过程：

状态更新估计方程：

误差协方差更新方程：

其中，增益矩阵K(k+1)的计算公式如下：

进一步地，所述横向状态时滞强跟踪融合滤波器在t_k时刻的融合估计

及其误差协方差矩阵P_k的计算公式如下：

式中，

E_k,i＝I-Q(t_k,t_k,i)(P_k|k-1)^-1,i＝1,…,N_k

且

式中，Φ(t_k,t_k,i+1)表示从t_k到t_k,i+1时刻的系统状态转移矩阵，Φ^T(t_k,t_k,i+1)表示该状态转移矩阵的转置矩阵；M_k,i为t_k,i时刻的信息矩阵，I_n表示n阶单位矩阵

本发明的有益效果：

本发明通过以四自由度车辆非线性动力学模型为基础，设计了横向状态时滞强跟踪融合滤波器，有效解决了由于传感器采样频率及传输率难以保持一致所导致系统对车辆横向状态进行观测描述时出现的状态时滞问题。与现有的先滤波再融合的分布式融合估计方法相比，本发明提出的方法中滤波与融合过程同时进行，从而避免了现有分布式融合系统中子滤波器向融合中心传输数据时产生的高延时问题，在简化系统结构的同时，降低了算力成本。在当前车辆横向状态估计方法的基础上，进一步提升了车辆横向状态估计的精准度。

附图说明

图1为EBS处理器的连接示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步详细描述。

实施例1

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，包括以下步骤：

为了较全面地反映车辆横向运动状态，实时融合估计出线控底盘控制中必需而又难以直接获取的关键状态，基于非线性四自由度汽车模型，推导包含车辆纵向、横向、侧倾及横摆运动的微分方程如下：

X方向的受力平衡方程：

其中，u为纵向速度，v为侧向速度；φ、r分别为侧倾、横摆角速度；h₀为质心到侧倾轴距离；ε为侧倾轴与纵轴之间的夹角；δ为前轮转角；F_y1为左前轮侧向力，F_y2为右前轮侧向力；F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为左后轮纵向力，F_x4为右后轮纵向力；

Y方向的受力平衡方程：

式中，F_y3为左后轮侧向力，F_y4为右后轮侧向力；

绕Z轴的力矩方程：

式中，I_b,x为绕X轴转动惯量，I_b,z为绕Z轴转动惯量，I_b,xz为绕X、Z轴的惯量积；a为质心至前轴距离，b为质心至后轴距离；t_f为前轮距，t_r为后轮距；

绕X轴的力矩方程：

式中，h_r为侧倾中心高度；h_rf、h_rr分别为前后轴到侧倾轴距离；k_f为前轮胎侧偏刚度，k_r为后轮胎侧偏刚度；c_f为前悬架侧倾角阻尼，c_r为后悬架侧倾角阻尼。

根据估计对象建立状态方程与量测方程，对非线性模型进行线性化并赋初值进行递推估计，主要包括预测过程与校正过程，其具体过程如下：

步骤1)：建立车辆非线性状态方程与量测方程：

式中，状态变量x(k)＝[u,v,r,p,φ]^T，观测矢量y(k)＝[z_y1,z_y2,…,z_yn]^T，二者与传感器的种类及其数量有关，输入变量u(k)＝[δ]，w(k)、η_i(k)分别为过程噪声和测量噪声，两者为相互独立、均值为零的高斯白噪声；

步骤2)：假设车辆以恒定纵向车速u和驱动轮转速w运动，则状态变量即变为x(k)＝[v,r,p,φ]^T；

步骤3)：车辆非线性状态方程与量测方程进行线性化，得到新的状态方程与观测方程：

其中，

步骤4)：预估计，即状态预测方程为：

其中，

步骤5)：计算预测误差协方差：

其中，

为k时刻过程噪声的协方差矩阵；

Λ(k+1)＝diag{λ₁(k+1),λ₂(k+1),…,λ_n(k+1)}

式中，Λ(·)为次优渐消因子，引入次优渐消因子的目的是使残差序列在每一步相互正交，表明残差序列中的所有有用信息都已被提取出来，用作对当前时刻系统状态的估计；α_i≥1，i＝1,2,…,n，n为传感器的个数，β≥1为一个预先选定的弱化因子，取值为1.3，引入弱化因子的目的是使状态估计值更加平滑； tr[·]为求迹算子；V₀(k+1)为输出序列的均方误差阵，γ(k+1)为残差序列； 0＜ρ≤1为遗忘因子，取ρ为0.96；

步骤6)：计算残差序列：

其中，

步骤7)：校正过程，更新方程为：

增益矩阵为：

状态更新估计方程为：

更新误差协方差为：

步骤8)：融合过程；每个传感器的局部信息状态重构

和相关信息矩阵M_k,i均是异步获得的，在t_k时刻的融合估计

及其误差协方差矩阵P_k的计算公式如下：

其中，

且

上式具体过程为：

E_k,1＝I-Q(t_k,t_k,i)(P_k|k-1)^-1,i＝1,…,N_k

信息矩阵M_k,i和信息状态重构

通过局部传感器节点获得，具体计算方法如下：

式中，

为传感器的增广测量矩阵，完成测量函数h_k,i从时刻t_k,i到时刻t_k的过渡，其计算公式如下：

式中，

表示x_k,i和时刻t_k,i到t_k的状态

之间的协方差；

表示状态x_k,i和测量z_k,i间的互协方差矩阵；计算方式如下：

至此可完成融合过程。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，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，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (10)

1.考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，步骤如下：

1)建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程；

2)根据所述车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程；

3)将所述车辆非线性状态方程和观测方程进行近似线性化处理得到关于车辆状态参数的状态方程和观测方程；

4)将所述线性化后的运动状态参数迭代至横向状态时滞强跟踪融合滤波器，得到车辆横向运动状态融合估计值，用于线控底盘系统控制关键变量的实时融合估计。

2.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述步骤1)中的运动微分方程为：

式中，m为整车质量，u为纵向速度，v为侧向速度，φ、r分别为侧倾、横摆角速度；h₀为质心到侧倾轴距离；h_r为侧倾中心高度；h_rf、h_rr分别为前后轴到侧倾轴距离；ε为侧倾轴与纵轴之间的夹角；δ为前轮转角；I_b,x为绕X轴转动惯量，I_b,z为绕Z轴转动惯量，I_b,xz为绕X、Z轴的惯量积；t_f为前轮距，t_r为后轮距；k_f为前轮胎侧偏刚度，k_r为后轮胎侧偏刚度；a为质心至前轴距离，b为质心至后轴距离；c_f为前悬架侧倾角阻尼，c_r为后悬架侧倾角阻尼；F_y1为左前轮侧向力，F_y2为右前轮侧向力，F_y3为左后轮侧向力，F_y4为右后轮侧向力；F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为左后轮纵向力，F_x4为右后轮纵向力。

3.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述步骤2)中的车辆非线性状态方程和观测方程为：

式中，状态变量x(k)＝[u,v,r,p,φ]^T，观测矢量y(k)＝[z_y1,z_y2,…,z_yn]^T，二者与传感器的种类及其数量有关，输入变量u(k)＝[δ]，w(k)、η_i(k)分别为过程噪声和测量噪声，两者为相互独立、均值为零的高斯白噪声。

4.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述步骤3)中的车辆状态参数的状态方程为：

F_x(k)为非线性函数f(x(k),u(k),k)对状态x(k)的一阶偏导，计算公式如下：

5.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述步骤3)中的车辆状态参数的观测方程为：

H_xix(k)为非线性函数h_i(x(k),k)对状态x(k)的一阶偏导，计算公式如下：

6.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述步骤4)中的横向状态时滞扩展强跟踪融合滤波器包括状态预测过程：

状态预测方程为：

误差协方差预测方程：

其中，

Λ(k+1)＝diag{λ₁(k+1),λ₂(k+1),…,λ_n(k+1)}

式中，Λ(·)为次优渐消因子，α_i≥1，i＝1,2,…,n，n为传感器的个数，β≥1为一个预先选定的弱化因子，tr[·]为求迹算子；V₀(k+1)为输出序列的均方误差阵，γ(k+1)为残差序列；0＜ρ≤1为遗忘因子。

7.根据权利要求6所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述残差序列：

8.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述横向状态时滞扩展强跟踪融合滤波器还包括状态更新过程：

状态更新估计方程：

误差协方差更新方程：

其中，增益矩阵K(k+1)的计算公式如下：

9.根据权利要求1所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，所述横向状态时滞强跟踪融合滤波器在t_k时刻的融合估计

及其误差协方差矩阵P_k的计算公式如下：

式中，

E_k,i＝I-Q(t_k,t_k,i)(P_k|k-1)^-1,i＝1,…,N_k

且

式中，Φ(t_k,t_k,i+1)表示从t_k到t_k,i+1时刻的系统状态转移矩阵，Φ^T(t_k,t_k,i+1)表示该状态转移矩阵的转置矩阵；M_k,i为t_k,i时刻的信息矩阵，I_n表示n阶单位矩阵。

10.根据权利要求6所述的考虑不确定性时滞的线控底盘车辆横向状态融合估计方法，其特征在于，β弱化因子取值为1.2；遗忘因子取ρ为0.93。

Images