CN114547782A

CN114547782A - 电动汽车的车速和道路坡度计算方法

Info

Publication number: CN114547782A
Application number: CN202210237002.7A
Authority: CN
Inventors: 郭丁伊; 于长虹; 刘元治; 杨钫; 梁赫奇; 刘建康; 徐家良; 尹建坤; 宋浩源
Original assignee: FAW Group Corp
Current assignee: FAW Group Corp
Priority date: 2022-03-11
Filing date: 2022-03-11
Publication date: 2022-05-27

Abstract

本发明实施例公开了一种电动汽车的车速和道路坡度计算方法、装置、电子设备和存储介质，该方法包括：获取电动汽车车辆状态数据；基于车辆动力学方程和车辆状态数据建立电动汽车的车辆状态数据的关系模型；基于电动汽车的车辆状态数据的关系模型构建扩展卡尔曼滤波算法模型；基于扩展卡尔曼滤波算法模型计算新息理论协方差和新息实际协方差；基于新息理论协方差和新息实际协方差确定卡尔曼滤波系数；利用卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型以计算车速和道路坡度的估计值。即通过新息理论协方差和新息实际协方差确定卡尔曼滤波系数，进而构建自适应扩展卡尔曼滤波算法模型，提高不同驾驶工况下计算车速和道路坡度的估计值的准确率。

Description

电动汽车的车速和道路坡度计算方法

技术领域

本发明涉及车辆智能控制技术领域，尤其涉及一种电动汽车的车速和道路坡度计算方法、装置、电子设备和存储介质。

背景技术

目前，电动汽车所行驶的道路的坡度估计对车辆安全和舒适性影响很大。

现有的电动汽车所行驶的道路的坡度估计方法，一部分是基于加速度传感器的检测方法；另一部分采取在线估计算法进行电动汽车所行驶的道路的坡度估计。

但是基于加速度传感器检测方法的道路的坡度估计的计算结果并不可靠；而完全采取在线估计算法进行电动汽车所行驶的道路的坡度估计，计算量较大，并且所得到的电动汽车所行驶的道路的坡度估计结果的实时性较差。

发明内容

本发明实施例提供一种电动汽车的车速和道路坡度计算方法、装置、电子设备和存储介质，提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率。

第一方面，本发明实施例提供一种电动汽车的车速和道路坡度计算方法，包括：

获取电动汽车的车辆状态数据；

基于车辆动力学方程和所述电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型；

基于所述电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型；

基于所述扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，所述扩展卡尔曼滤波算法模型的滑动时间窗口根据所述电动汽车的车辆驾驶工况确定；

基于所述新息理论协方差和所述新息实际协方差确定卡尔曼滤波系数；

利用所述卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型；

通过所述自适应扩展卡尔曼滤波算法模型计算所述电动汽车的车速和道路坡度的估计值。

第二方面，本发明实施例提供一种电动汽车的车速和道路坡度计算装置，所述装置包括：

车辆状态数据获取模块，用于获取电动汽车的车辆状态数据；

关系模型构建模块，用于基于车辆动力学方程和所述电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型；

扩展卡尔曼滤波算法模型构建模块，用于基于所述电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型；

协方差计算模块，用于基于所述扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，所述扩展卡尔曼滤波算法模型的滑动时间窗口根据所述电动汽车的车辆驾驶工况确定；

卡尔曼滤波系数确定模块，用于基于所述新息理论协方差和所述新息实际协方差确定卡尔曼滤波系数；

自适应扩展卡尔曼滤波算法模型构建模块，用于利用所述卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型；

车速和道路坡度的估计值计算模块，用于通过所述自适应扩展卡尔曼滤波算法模型计算所述电动汽车的车速和道路坡度的估计值。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的电动汽车的车速和道路坡度计算方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的电动汽车的车速和道路坡度计算方法。

本发明实施例中，获取电动汽车的车辆状态数据；基于车辆动力学方程和电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型；基于电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型；基于扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，扩展卡尔曼滤波算法模型的滑动时间窗口根据电动汽车的车辆驾驶工况确定；基于新息理论协方差和新息实际协方差确定卡尔曼滤波系数；利用卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型；通过自适应扩展卡尔曼滤波算法模型计算电动汽车的车速和道路坡度的估计值。即本发明实施例中，根据不同的车辆驾驶工况确定新息理论协方差，然后通过新息理论协方差和新息实际协方差确定卡尔曼滤波系数，进而构建自适应扩展卡尔曼滤波算法模型，解决了卡尔曼滤波算法中协方差的可信度问题，实现自适应调整扩展卡尔曼滤波算法模型中的卡尔曼滤波系数的目的，从而提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率，增加了不同驾驶工况下的电动汽车的车速和道路坡度的估计值的实时性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例提供的电动汽车的车速和道路坡度计算方法的一个流程示意图；

图2是本发明实施例提供的采用构建的自适应扩展卡尔曼滤波模型计算电动汽车的车速和道路坡度估计值的一个示意图；

图3是本发明实施例提供的新息理论协方差与新息实际协方差的比值模糊规则的一个示意图；

图4是本发明实施例提供的加速踏板变化率模糊规则的一个示意图；

图5是本发明实施例提供的车速模糊规则的一个示意图；

图6是本发明实施例提供的输出变量模糊规则的一个示意图；

图7是本发明实施例提供的电动汽车的车速和道路坡度计算装置的一个结构图；

图8是本发明实施例提供的电子设备的一个结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

下面介绍本发明实施例提供的电动汽车的车速和道路坡度计算方法，图1是本发明实施例提供的电动汽车的车速和道路坡度计算方法的一个流程示意图，该方法可以由本实施例提供的电动汽车的车速和道路坡度计算装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是计算机或服务器。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体可以包括如下步骤：

步骤101，获取电动汽车的车辆状态数据。

其中，车辆状态数据可以理解为车辆驾驶数据和车辆固有参数数据；例如，车辆驾驶数据可以包括车辆行驶过程中的车辆行驶速度、车轮滚动阻力等，车辆固有参数可以包括车辆的车轮滚动半径或者整车质量等。由于电动汽车的车辆状态数据中包括电机扭矩，因此需获取电动汽车的车辆状态数据，根据电动汽车的车辆状态数据中(电机扭矩)建立电动汽车的车辆状态数据的关系模型。

具体地，可以通过行驶在坡度道路上的车辆获取车辆状态数据。

示例地，可以通过低速行驶在坡度道路上的电动汽车车辆获取车辆驾驶数据(车辆行驶速度、车轮滚动阻力或者电机扭矩)和车辆固有参数数据(车辆的车轮滚动半径或者整车质量)。

步骤102，基于车辆动力学方程和电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型。

其中，车辆动力学方程是指满足动力学原则的车辆参数关系方程，在车辆与路面的关系中适用；电动汽车的车辆状态数据的关系模型可以理解为基于车辆动力学方程和电动汽车的车辆状态数据所构建的关系模型。其中，电动汽车的车辆状态数据可以包括整车质量、车辆行驶速度、车轮滚动半径、车轮滚动阻力、道路坡度和电机扭矩。

具体地，可以将电动汽车的车辆状态数据代入车辆动力学方程建立电动汽车的车辆状态数据的关系模型。

示例地，可以将上述步骤中获取的电动汽车的车辆状态数据(例如，车辆行驶速度、车轮滚动阻力)和车辆固有参数数据(车辆的车轮滚动半径或者整车质量)代入车辆动力学方程，得到所建立的电动汽车的车辆状态数据的关系模型。

步骤103，基于电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型。

其中，卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，可以理解为是通过一个线性随机差分方程来估计当前状态；如果状态估计关系以及测量关系为非线性，则扩展卡尔曼滤波算法可以用于解决非线性问题。

具体地，可以将上述电动汽车的车辆状态数据的关系模型转化为状态空间方程，然后将状态空间方程转化为状态空间方程的标准形式，即可得到扩展卡尔曼滤波算法模型。

步骤104，基于扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，扩展卡尔曼滤波算法模型的滑动时间窗口根据电动汽车的车辆驾驶工况确定。

其中，新息可以定义为实际输出值与估计输出值的偏差；协方差可以理解为两个变量的总体的误差；新息理论协方差可以理解为实际输出值与估计输出值的偏差在理想情况下的协方差；新息实际协方差可以理解为实际输出值与估计输出值的偏差在实际情况下的协方差。

具体地，扩展卡尔曼滤波算法模型的滑动时间窗口根据电动汽车的车辆驾驶工况确定，这是由于电动汽车的车辆驾驶工况对于新息理论协方差的实时性具有一定的影响，因此需要根据电动汽车的车辆驾驶工况定义电动汽车的车辆数据长度周期更新规则，通过电动汽车的车辆数据长度周期更新规则，确定扩展卡尔曼滤波算法模型的滑动时间窗口，实现了根据驾驶工况的激烈程度动态调整滑动时间窗口长度的目的，提高了滑动时间窗口的实时性，进而提高了新息理论协方差的实时性。

进一步地，可以根据电动汽车的车辆驾驶工况定义电动汽车的车辆数据长度周期更新规则，通过电动汽车的车辆数据长度周期更新规则，确定扩展卡尔曼滤波算法模型的滑动时间窗口；然后通过扩展卡尔曼滤波算法模型中状态方程计算新息，进而计算新息理论协方差和新息实际协方差。

示例地，可以根据电动汽车的车辆驾驶工况确定新息理论协方差中的滑动时间窗口，然后通过计算实际输出值与估计输出值的偏差得到新息，根据新息理论协方差和新息实际协方差的计算公式，得到新息理论协方差和新息实际协方差。

步骤105，基于新息理论协方差和新息实际协方差确定卡尔曼滤波系数。

其中，卡尔曼滤波系数可以理解为卡尔曼滤波系统状态方程的系数。

具体地，由于新息理论协方差中的滑动时间窗口是根据电动汽车的车辆驾驶工况确定，因此可以通过比较新息理论协方差和新息实际协方差的大小确定卡尔曼滤波系数，使得所确定的卡尔曼滤波系数具有实时性。

示例地，假设新息理论协方差为

新息实际协方差为S(k)，若新息理论协方差大于或者小于新息实际协方差，则可以通过调整卡尔曼滤波系数中的误差协方差矩阵的系数大小确定卡尔曼滤波系数。

步骤106，利用卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型。

其中，自适应扩展卡尔曼滤波可以理解为在利用测量数据进行滤波的同时，不断地由滤波本身去判断系统的动态是否有变化，对模型参数和噪声统计特性通过卡尔曼滤波系数进行估计和修正，以改进滤波设计、缩小滤波的实际误差。

具体地，由于上述计算新息理论协方差时，新息理论协方差中的滑动时间窗口是根据电动汽车的车辆驾驶工况确定的，从而基于新息理论协方差和新息实际协方差确定的卡尔曼滤波系数也具有实时性的特点，因此可以将确定的卡尔曼滤波系数加入扩展卡尔曼滤波算法模型中，以构建自适应扩展卡尔曼滤波算法模型，所构建的自适应扩展卡尔曼滤波算法模型，由于考虑了电动汽车的车辆驾驶工况对卡尔曼滤波系数的影响，可以解决卡尔曼滤波算法中协方差的可信度问题。

步骤107，通过自适应扩展卡尔曼滤波算法模型计算电动汽车的车速和道路坡度的估计值。

具体地，基于上述步骤所构建的自适应扩展卡尔曼滤波算法模型，解决了卡尔曼滤波算法中协方差的可信度问题，可以将获取的电动汽车的车辆状态数据代入所构建的自适应扩展卡尔曼滤波算法模型中，以计算电动汽车的车速和道路坡度的估计值，解决了卡尔曼滤波算法中协方差的可信度问题，可以增加电动汽车的车速和道路坡度的估计值的实时性，提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率。

示例地，可以将上述步骤101中获取的车辆驾驶数据和车辆固有参数数据代入所构建的自适应扩展卡尔曼滤波算法模型中，以计算电动汽车的车速和道路坡度的估计值。

本发明实施例中，根据不同的车辆驾驶工况确定新息理论协方差，然后通过新息理论协方差和新息实际协方差确定卡尔曼滤波系数，进而构建自适应扩展卡尔曼滤波算法模型，解决了卡尔曼滤波算法中协方差的可信度问题，实现自适应调整扩展卡尔曼滤波算法模型中的卡尔曼滤波系数的目的，从而提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率，增加了不同驾驶工况下的电动汽车的车速和道路坡度的估计值的实时性。

下面以具体的示例，进一步描述本发明实施例提供的电动汽车的车速和道路坡度计算方法，图2是本发明实施例提供的采用构建的自适应扩展卡尔曼滤波模型计算电动汽车的车速和道路坡度估计值的一个示意图，如图2所示，首先获取车辆状态数据(例如，加速度、车速、加速踏板、制动踏板等)，例如，从行驶在坡度道路上的电动汽车获取到的电动汽车的车辆状态数据是整车质量、车辆行驶速度、车轮滚动半径、车轮滚动阻力、道路坡度和电机扭矩。在获取电动汽车的车辆状态数据之后，确定车辆动力学方程，基于车辆动力学方程和电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型：

其中，m为车辆状态数据中的整车质量，v为车辆状态数据中的车辆行驶速度，F_t为车辆状态数据中的车辆的驱动力，r为车辆状态数据中的车轮滚动半径，F_f为车辆状态数据中的车轮滚动阻力，F_aero为车辆状态数据中的空气阻力，F_i为车辆状态数据中的坡度阻力，θ为车辆状态数据中的道路坡度，M_T，D为车辆状态数据中的电机扭矩，ρ为空气密度，A为迎风面积，C_D为空气阻力系数，G为重力加速度。基于电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型，具体地，将上述电动汽车的车辆状态数据的关系模型转化为状态空间方程：

其中，M_T为车辆状态数据中的电机驱动力矩，f_r为摩擦系数。将状态空间方程转化为状态空间方程的标准形式为：

其中，x∈Rⁿ是系统状态向量，u∈R是系统输入，y∈R^m是系统输出，A∈R^n×n,B∈Rⁿ,C∈R^m×n是系统的状态矩阵；基于状态空间方程的标准形式构建扩展卡尔曼滤波算法模型为：

其中，

式中，Δt是采样时间，假设坡度不会产生突变；ω(k)是系统过程噪声，对应的噪声协方差为Q(k)；v(k)为量测噪声，对应的噪声协方差为R(k)；ω(k)和v(k)在扩展卡尔曼滤波中假设两者都是定值且已知；

其中，U(K)为控制量，A(k)为车辆加速度，θ(k)为道路坡度，H(k)是状态方程中系数矩阵，B为状态方程中系数矩阵。

在基于电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型之后，可以根据电动汽车的车辆驾驶工况定义电动汽车的车辆数据长度周期更新规则。

其中，车辆驾驶工况可以包括起步、常速、急踩油门/缓踩油门、滑行和制动五种驾驶工况，但车辆驾驶工况不限于以上五种驾驶工况，在此不做限定。

具体地，可以根据不同的车辆驾驶工况定义对应的数据长度周期更新规则。

表1是本发明实施例提供的根据电动汽车的车辆驾驶工况所定义的电动汽车的车辆数据长度周期更新规则表。

由表1可知，车辆驾驶工况中的起步、常速、急踩油门/缓踩油门、滑行和制动分别对应的数据长度周期T分别为10ms、100ms、10ms、100ms和10ms。

表1车辆数据长度周期更新规则

车辆驾驶工况	T
		起步	10ms
常速	100ms
		急踩油门/缓踩油门	10ms
滑行	100ms
		制动	10ms

具体地，可以通过查询电动汽车的车辆数据长度周期更新规则表，确定不同车辆驾驶工况对应的数据长度周期，进而确定不同车辆驾驶工况下的扩展卡尔曼滤波算法模型的滑动时间窗口。

若车辆驾驶工况为急踩油门/缓踩油门时，其对应的数据长度周期为10ms，则可以确定数据长度周期(10ms)为该车辆驾驶工况下的扩展卡尔曼滤波算法模型的滑动时间窗口也为10ms。

本发明实施例中，根据电动汽车的车辆驾驶工况定义电动汽车的车辆数据长度周期更新规则，通过电动汽车的车辆数据长度周期更新规则，确定扩展卡尔曼滤波算法模型的滑动时间窗口，实现了根据驾驶工况的激烈程度动态调整滑动时间窗口长度的目的，提高了滑动时间窗口的实时性。

基于所构建的扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，可以按照如下公式计算新息：

其中，Z(k)为实际输出值，

为估计输出值。

再按照如下公式计算新息理论协方差：

其中N是新息的滑动时间窗口，e(i)为实际输出值和估计输出值的偏差。

具体地，可以将上述根据车辆驾驶工况确定的滑动时间窗口(10ms)确定为新息的滑动时间窗口N(10ms)，进而计算新息理论协方差。

进一步地，可以计算新息实际协方差，首先按照如下公式计算一步预测：

接着计算一步预测均方误差：

更新滤波增益：

更新变量：

计算下一时刻的误差协方差矩阵：

计算所述新息实际协方差：

S(k)＝R(k)+H(k)P(k)H(k)^T。

在基于扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，之后，需要确定新息理论协方差是否大于或小于新息实际协方差；若新息理论协方差等于新息实际协方差，则确定卡尔曼滤波系数不变；若新息理论协方差大于或小于新息实际协方差，则需要获取新息理论协方差和新息实际协方差的比例值、电动汽车的车辆的加速踏板开度变化率、车速，模糊子集和模糊系统输入变量参数。

具体地，可以通过获取所确定的新息理论协方差和新息实际协方差，确定新息理论协方差和新息实际协方差的比例值。以上述确定的新息理论协方差

和新息实际协方差(S(k))为例，确定新息理论协方差和新息实际协方差的比例值为

并获取电动汽车的车辆状态数据中的加速踏板开度变化率、车速，模糊子集和模糊系统输入变量参数。

图3是本发明实施例提供的新息理论协方差与新息实际协方差的比值模糊规则的一个示意图，由图3可知，新息理论协方差与新息实际协方差的比值为极小(S)时，对应的参数为[0，0.5，1]，新息理论协方差与新息实际协方差的比值为极大(M)时，对应的参数为[0.5，1，2]。图4是本发明实施例提供的加速踏板变化率模糊规则的一个示意图，由图4可知，加速踏板变化率为平稳(S)时，对应的参数为[0，200，300，400]，加速踏板变化率为剧烈(M)时，对应的参数为[200，400，600，800]。图5是本发明实施例提供的车速模糊规则的一个示意图，由图5可知，车速为低速(S)时，对应的参数为[0，30]，加速踏板变化率为高速(M)时，对应的参数为[20，40，60，80，160]。可以根据图3、图4和图5可以得到模糊系统输入变量参数表，表2是本发明实施例提供的模糊系统输入变量参数表。

其中，由表2可知，表2中的新息协方差比值(x1)即新息理论协方差和新息实际协方差的比例值S(k)/(S^(k))。模糊子集可以包括极小(S)、极大(M)、平稳(S)、剧烈(M)、低速(S)和高速(M)。

表2模糊系统输入变量参数表

在确定新息理论协方差和新息实际协方差的比例值为

并获取到电动汽车的车辆状态数据中的加速踏板开度变化率、车速，模糊子集和模糊系统输入变量参数之后，可以基于卡尔曼滤波中的新息理论协方差和新息实际协方差的比例值和电动汽车的车辆的加速踏板开度变化率、车速、模糊子集和模糊系统输入变量参数，查询模糊逻辑规则，确定卡尔曼滤波系数调整因子。

其中，模糊逻辑规则可以理解为采用模糊控制方法确定卡尔曼滤波系数调整因子所制定的逻辑规则。

具体地，模糊系统输出变量就是卡尔曼滤波系数调整因子，假设卡尔曼滤波系数调整因子为α，对其进行模糊定义，图6是本发明实施例提供的输出变量模糊规则的一个示意图，由图6可知，模糊子集为超小(ST)时，对应的参数为[0，0.1，0.3]；模糊子集为小(S)时，对应的参数为[0.2，0.3，0.5]；模糊子集为中(M)时，对应的参数为[0.4，0.5，0.7]；模糊子集为大L)时，对应的参数为[0.6，0.7，0.8]；模糊子集为超大(LT)时，对应的参数为[0.7，0.8，1]。可以根据图6得到模糊系统输出变量参数表，表3是本发明实施例提供的模糊系统输出变量参数表。

表3模糊系统输出变量参数表

通过获取的新息协方差比值、加速踏板变化率和车速，查询本发明实施例制定的模糊逻辑规则确定卡尔曼滤波系数调整因子α。

其中，本发明实施例制定的模糊逻辑规则可以如下：

R1:IF x₁ is S AND x₂ is S AND x₃ is S，THEN y is LT；

R2:IF x₁ is S AND x₂ is S AND x₃ is M，THEN y is L；

R3:IF x₁ is S AND x₂ is M AND x₃ is S，THEN y is L；

R4:IF x₁ is S AND x₂ is M AND x₃ is M，THEN y is M；

R5:IF x₁ is M AND x₂ is S AND x₃ is S，THEN y is M；

R6:IF x₁ is M AND x₂ is S AND x₃ is M，THEN y is S；

R7:IF x₁ is M AND x₂ is M AND x₃ is S，THEN y is S；

R8:IF x₁ is M AND x₂ is M AND x₃ is M，THEN y is ST。

其中，本发明实施例制定的模糊逻辑规则是根据所获取的新息协方差比值(新息理论协方差和新息实际协方差的比例值)、加速踏板变化率和车速确定输出变量α(y)的值。

假设新息协方差比值为S，加速踏板变化率为S，车速为M，通过查询上述模糊逻辑规则和模糊系统输出变量参数表可以确定输出变量α(y)为L，L对应参数为[0.6，0.7，0.8]，进而可以确定卡尔曼滤波系数调整因子α可以为[0.6，0.7，0.8]范围内的任意数值。

本发明实施例中，通过基于卡尔曼滤波中的新息理论协方差和新息实际协方差的比例值和电动汽车的车辆的加速踏板开度变化率、车速、模糊子集和模糊系统输入变量参数，查询模糊逻辑规则，确定卡尔曼滤波系数调整因子，可以实现根据车辆驾驶工况的不同计算对应的新息理论协方差的目的，根据模糊逻辑控制规则确定卡尔曼滤波系数调整因子，可以提高卡尔曼滤波系数调整因子的确定速度。

进一步地，在确定卡尔曼滤波系数调整因子α之后，可以将确定的卡尔曼滤波系数调整因子α代入如下公式：

计算卡尔曼滤波系数K_k。

本发明实施例中，通过卡尔曼滤波系数调整因子，确定卡尔曼滤波系数，实现了卡尔曼滤波系数根据新息理论协方差和新息实际协方差可以自适应调整的目的，提高了卡尔曼滤波系数的实时性和准确率。

构建自适应扩展卡尔曼滤波算法模型，可以将确定的卡尔曼滤波系数K_k加入扩展卡尔曼滤波算法模型中，以构建自适应扩展卡尔曼滤波算法模型。最后，可以将获取的电动汽车的车辆状态数据代入所构建的自适应扩展卡尔曼滤波算法模型中，以计算电动汽车的车速和道路坡度的估计值，解决卡尔曼滤波算法中协方差的可信度问题，增加电动汽车的车速和道路坡度的估计值的实时性，提高不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率。

本发明实施例中，通过基于卡尔曼滤波中的新息理论协方差和新息实际协方差的比例值和电动汽车的车辆的加速踏板开度变化率、车速、模糊子集和模糊系统输入变量参数，查询模糊逻辑规则，确定卡尔曼滤波系数调整因子，通过卡尔曼滤波系数调整因子，确定卡尔曼滤波系数，利用卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型，通过所自适应扩展卡尔曼滤波算法模型计算电动汽车的车速和道路坡度的估计值，解决了卡尔曼滤波算法中协方差的可信度问题，依据车辆驾驶工况进行滑动时间窗的选取，进而确定新息理论协方差，提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率。

图7是本发明实施例提供的电动汽车的车速和道路坡度计算装置的一个结构图，该装置适用于执行本发明实施例提供的电动汽车的车速和道路坡度计算方法，具备执行方法相应的功能模块和有益效果。如图7所示，该装置具体可以包括：

车辆状态数据获取模块701，用于获取电动汽车的车辆状态数据；

关系模型构建模块702，用于基于车辆动力学方程和所述电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型；

扩展卡尔曼滤波算法模型构建模块703，用于基于所述电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型；

协方差计算模块704，用于基于所述扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，所述扩展卡尔曼滤波算法模型的滑动时间窗口根据所述电动汽车的车辆驾驶工况确定；

卡尔曼滤波系数确定模块705，用于基于所述新息理论协方差和所述新息实际协方差确定卡尔曼滤波系数；

自适应扩展卡尔曼滤波算法模型构建模块706，用于利用所述卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型；

车速和道路坡度的估计值计算模块707，用于通过所述自适应扩展卡尔曼滤波算法模型计算所述电动汽车的车速和道路坡度的估计值。

可选的，所述电动汽车的车辆状态数据包括整车质量、车辆行驶速度、车轮滚动半径、车轮滚动阻力、道路坡度和电机扭矩；

构建模块702，具体用于：

使用如下公式建立电动汽车的车辆状态数据的关系模型：

其中，m为整车质量，v为车辆行驶速度，F_t为车辆的驱动力，r为车轮滚动半径，F_f为车轮滚动阻力，F_aero为空气阻力，F_i为坡度阻力式中θ为道路坡度，M_T，D为电机扭矩，ρ为空气密度，A为迎风面积，C_D为空气阻力系数，G为重力加速度。

可选地，扩展卡尔曼滤波算法模型构建模块703，具体用于：

将所述关系模型转化为状态空间方程：

其中，M_T为电机驱动力矩，f_r为摩擦系数；

将所述状态空间方程转化为状态空间方程的标准形式：

其中，x∈Rⁿ是系统状态向量，u∈R是系统输入，y∈R^m是系统输出，A∈R^n×n,B∈Rⁿ,C∈R^m×n是系统的状态矩阵；

其中，

其中，U(K)为控制量，A(k)为车辆加速度，θ(k)为道路坡度，H(k)是状态方程中系数矩阵；B为状态方程中系数矩阵。

可选地，协方差计算模块704，具体用于：

使用如下公式计算新息：

其中，Z(k)为实际输出值，

为估计输出值；

使用如下公式计算新息理论协方差：

其中N是新息的滑动时间窗，e(i)为实际输出值和估计输出值的偏差。

进一步地，该装置还包括，滑动时间窗口确定模块，用于：

根据电动汽车的车辆驾驶工况定义电动汽车的车辆数据长度周期更新规则；

通过所述电动汽车的车辆数据长度周期更新规则，确定所述扩展卡尔曼滤波算法模型的滑动时间窗口。

可选地，协方差计算模块704，具体用于：

计算一步预测：

计算一步预测均方误差：

更新滤波增益：

更新变量：

下一时刻的误差协方差矩阵：

可选地，协方差计算模块704，具体用于：

使用如下公式计算所述新息实际协方差：

S(k)＝R(k)+H(k)P(k)H(k)^T。

可选地，卡尔曼滤波系数确定模块705，具体用于：

若所述新息理论协方差大于或小于所述新息实际协方差，则获取所述新息理论协方差和所述新息实际协方差的比例值和电动汽车的车辆的加速踏板开度变化率、车速，模糊子集和模糊系统输入变量参数；

基于所述卡尔曼滤波中的新息理论协方差和所述新息实际协方差的比例值和电动汽车的车辆的加速踏板开度变化率、车速、模糊子集和所述模糊系统输入变量参数，查询模糊逻辑规则，确定卡尔曼滤波系数调整因子；

通过所述卡尔曼滤波系数调整因子，按照如下公式确定所述卡尔曼滤波系数：

其中，α为卡尔曼滤波系数调整因子。

本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例提供的电动汽车的车速和道路坡度计算方法。

本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例提供的电动汽车的车速和道路坡度计算方法。

下面参考图8，其示出了适于用来实现本发明实施例的电子设备800的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本发明实施例的方法中限定的上述功能。需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括车辆状态数据获取模块、关系模型构建模块、扩展卡尔曼滤波算法模型构建模块、协方差计算模块、卡尔曼滤波系数确定模块、自适应扩展卡尔曼滤波算法模型构建模块和车速和道路坡度的估计值计算模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取电动汽车的车辆状态数据；基于车辆动力学方程所述电动汽车的车辆状态数据建立电动汽车的车辆状态数据的关系模型；基于所述电动汽车的车辆状态数据的关系模型，构建扩展卡尔曼滤波算法模型；基于所述扩展卡尔曼滤波算法模型，计算新息理论协方差和新息实际协方差，其中，所述扩展卡尔曼滤波算法模型的滑动时间窗口根据所述电动汽车的车辆驾驶工况确定；基于所述新息理论协方差和所述新息实际协方差确定卡尔曼滤波系数；利用所述卡尔曼滤波系数构建自适应扩展卡尔曼滤波算法模型；通过所述自适应扩展卡尔曼滤波算法模型计算所述电动汽车的车速和道路坡度的估计值。

根据本发明实施例的技术方案，根据不同的车辆驾驶工况确定新息理论协方差，然后通过新息理论协方差和新息实际协方差确定卡尔曼滤波系数，进而构建自适应扩展卡尔曼滤波算法模型，解决了卡尔曼滤波算法中协方差的可信度问题，实现自适应调整扩展卡尔曼滤波算法模型中的卡尔曼滤波系数的目的，从而提高了不同驾驶工况下计算电动汽车的车速和道路坡度的估计值的准确率，增加了不同驾驶工况下的电动汽车的车速和道路坡度的估计值的实时性。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。