CN114919585B - 一种基于车辆动力学模型的车重及道路坡度的估算方法 - Google Patents

一种基于车辆动力学模型的车重及道路坡度的估算方法 Download PDF

Info

Publication number
CN114919585B
CN114919585B CN202210861848.8A CN202210861848A CN114919585B CN 114919585 B CN114919585 B CN 114919585B CN 202210861848 A CN202210861848 A CN 202210861848A CN 114919585 B CN114919585 B CN 114919585B
Authority
CN
China
Prior art keywords
vehicle
vehicle weight
weight
state
filter
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
Application number
CN202210861848.8A
Other languages
English (en)
Other versions
CN114919585A (zh
Inventor
胡利锋
马腾
李小龙
滕昱棠
董健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hongjing Zhijia Technology Co ltd
Original Assignee
Hangzhou Hongjing Zhijia Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hongjing Zhijia Technology Co ltd filed Critical Hangzhou Hongjing Zhijia Technology Co ltd
Priority to CN202210861848.8A priority Critical patent/CN114919585B/zh
Publication of CN114919585A publication Critical patent/CN114919585A/zh
Application granted granted Critical
Publication of CN114919585B publication Critical patent/CN114919585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W40/076—Slope angle of the road
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明涉及智能驾驶技术领域，具体为一种基于车辆动力学模型的车重及道路坡度的估算方法，所述方法包括：根据车辆传动系统从断开到接合的过程中的动力学表现，估算车辆当前行驶的道路坡度和车重；根据车辆接收的地图信息获取车辆实时的道路坡度，并基于车辆动力学模型和卡尔曼滤波估算车辆的车重，采用卡尔曼滤波对两组车重数据进行融合，得到车重的优化值。本发明利用传动系统从断开到接合过程中的车辆动力学表现，并识别车辆装卸货操作，从而对道路坡度和车重进行实时的估算，也可以基于地图信息对车辆车重进行估算，再对车重数据进行优化，以此提高估算精度，且降低估算用设备的成本，提高估算方法的适用性。

Description

一种基于车辆动力学模型的车重及道路坡度的估算方法
技术领域
本发明涉及智能驾驶技术领域，具体为一种基于车辆动力学模型的车重及道路坡度的估算方法。
背景技术
随着近年来汽车智能化的快速发展，加之汽车控制器的算力相较过去已经有了巨大的提升，汽车厂商在汽车控制器里配置了越来越丰富的功能模块，并且对功能模块的控制精度有了越来越高的要求。而各个功能模块最重要的输入就是当前的车辆状态和环境参数，其控制精度很大程度上取决于车辆状态和环境参数的准确度。
目前，车辆状态诸如车速，车重等，环境参数诸如环境温度，道路坡度等，都可以从相应的传感器直接得到，或者基于传感器的信号采用物理公式间接得到。对于车重，一般车辆会使用车轴上的气囊压力传感器得到气囊压力，再基于气囊压力估算得到车轴的轴荷，再根据经验公式估算得到车重。对于道路坡度，如果车辆配备了地图设备，地图设备会实时地将当前的道路坡度发送给控制器，或者车上的陀螺仪传感器可以得到车辆的倾斜角，控制器可以基于倾斜角估算得到当前的道路坡度。
但是，以上提到的车重和道路坡度的获取方法，都有其不足之处。如果采用气囊压力估算得到车重，则车辆需要配置气囊压力传感器，而该传感器一般只配置在高配的重卡上，这就意味着中低配的重卡无法通过该方式估算得到车重信息。而如果采用倾斜角估算得到道路坡度，首先其传感器的信号本身会存在误差，而且倾斜角的信号来源于车身的姿态，因此在行车过程中倾斜角会有明显的振荡，从而影响其对道路坡度的估算精度。而如果采用地图设备来获取当前的道路坡度，首先配置地图设备会导致车辆制造成本的增加，除此之外，目前的地图设备的道路信息仍无法覆盖所有的道路，所以无法保证全天候地提供道路坡度。鉴于此，我们提出一种基于车辆动力学模型的车重及道路坡度的估算方法。
发明内容
本发明的目的在于提供一种基于车辆动力学模型的车重及道路坡度的估算方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于车辆动力学模型的车重及道路坡度的估算方法，所述方法包括以下步骤：
步骤1：车辆是否可以接收地图信息，若否则只执行步骤2，若是则执行步骤2-5；
步骤2：根据车辆传动系统从断开到接合的过程中的动力学表现，估算车辆当前行驶的道路坡度和车重；
步骤3：根据车辆接收的地图信息获取车辆实时的道路坡度，并基于车辆动力学模型和卡尔曼滤波估算车辆的车重；
步骤4：基于步骤2得到的车重，以及基于步骤3得到的车重，采用卡尔曼滤波对两组车重数据进行融合，得到车重的优化值；
步骤5：以步骤4得到的车重的优化值作为车辆最终的车重结果，以步骤3中地图信息的道路坡度作为车辆最终的道路坡度结果。
优选的，步骤2中，包括以下步骤：
步骤21：估算道路坡度
车辆传动系统处于断开的状态时，根据车辆动力学，得出：
Figure 346036DEST_PATH_IMAGE001
其中：
Figure 229679DEST_PATH_IMAGE002
为道路坡度，
Figure 172227DEST_PATH_IMAGE003
为车辆加速度，
Figure 141320DEST_PATH_IMAGE004
为车轮的滚动阻力系数，
Figure 93096DEST_PATH_IMAGE005
为重力加速度，
Figure 831244DEST_PATH_IMAGE006
为空气密度，
Figure 210273DEST_PATH_IMAGE007
为空气阻力系数，
Figure 666662DEST_PATH_IMAGE008
为迎风面积，
Figure 422129DEST_PATH_IMAGE009
为车速，
Figure 280363DEST_PATH_IMAGE010
为标定的固定车重；
步骤22：估算车重
车辆传动系统从断开状态恢复到接合状态的2.0s时间内，根据能量守恒原则，得出：
Figure 95873DEST_PATH_IMAGE011
其中，
Figure 765189DEST_PATH_IMAGE012
为车重，
Figure 58768DEST_PATH_IMAGE013
为发动机扭矩，
Figure 771509DEST_PATH_IMAGE014
为发动机转速，
Figure 492340DEST_PATH_IMAGE015
为变速箱传动效率，
Figure 923321DEST_PATH_IMAGE016
为空气密度，
Figure 755011DEST_PATH_IMAGE007
为空气阻力系数，
Figure 322259DEST_PATH_IMAGE008
为迎风面积，
Figure 213991DEST_PATH_IMAGE009
为车速，
Figure 866690DEST_PATH_IMAGE017
为发动机转动惯量，
Figure 767649DEST_PATH_IMAGE018
为车轮的滚动阻力系数，
Figure 454983DEST_PATH_IMAGE005
为重力加速度，
Figure 783196DEST_PATH_IMAGE002
为道路坡度；
步骤23：车重滤波处理
通过车重滤波器剔除步骤22中偏差较大的车重估算结果；
步骤24：道路坡度重新估算
根据步骤23中得到的滤波处理后的车重估算结果，带入步骤22中倒推出当前车辆行驶的道路坡度。
优选的，步骤23中，车重滤波器在使用时分为三个状态用于识别车辆装卸货操作：点火状态，停车状态，行驶状态；
点火状态下包括以下步骤：
步骤231a：当车辆点火启动，车重滤波器进入点火状态；
步骤232a：在点火状态下，车重滤波器会计算目前的车重估算结果数组的平均值，作为滤波器输出；
步骤233a：当车重估算结果的数量超过2时，车重滤波器退出点火状态；
停车状态下包括以下步骤：
步骤231b：当不在点火状态，并且车辆停车时，车重滤波器进入停车状态；
步骤232b：在停车状态下，如果停车状态超过3分钟，则判断车辆正在装卸货物而不是短暂的停车，则将滤波器输出重置为默认值，反之，则滤波器输出车重估算结果数组的平均值；
步骤233b：等到下一次车辆起步，车重滤波器退出停车状态，进入行驶状态；
行驶状态下包括以下步骤：
步骤231c：当车辆起步并且车速超过某一限值，车重滤波器进入行驶状态；
步骤232c：车重滤波器会存储一个车重估算结果数组，并计算整个数组的平均值以及最近5组车重估算结果的平均值，当两个平均值之差连续地小于某一限值的次数满足条件，则判断车重估算结果收敛成功；如果在10组车重估算中仍未收敛成功，则整个数组的平均值会被更新为最近5个车重估算结果的平均值，并重新进行收敛；
步骤233c：当车重滤波器判断车重估算结果已经收敛成功，则车重滤波器进入稳定行驶状态，在该状态下会通过人为的标定限值剔除掉偏差较大的车重估算结果，以保证滤波器输出的车重估算结果数组的平均值能够稳定收敛在真值附近；
步骤234c：等到下一次车辆停车，车重滤波器退出行驶状态，进入停车状态。
优选的，步骤3中，基于车辆动力学模型和卡尔曼滤波估算车辆的车重的公式：
1）时间更新
Figure 923190DEST_PATH_IMAGE019
Figure 362262DEST_PATH_IMAGE020
Figure 904102DEST_PATH_IMAGE021
Figure 137637DEST_PATH_IMAGE022
2）状态更新
Figure 764927DEST_PATH_IMAGE023
Figure 7690DEST_PATH_IMAGE024
Figure 672545DEST_PATH_IMAGE025
Figure 342561DEST_PATH_IMAGE026
因此，得到：
Figure 191568DEST_PATH_IMAGE025
其中，
Figure 972442DEST_PATH_IMAGE012
为车重，
Figure 488874DEST_PATH_IMAGE027
为与车重m相关的矩阵，
Figure 329791DEST_PATH_IMAGE004
为车轮的滚动阻力系数，
Figure 666095DEST_PATH_IMAGE002
为地图信息中的道路坡度，
Figure 985080DEST_PATH_IMAGE028
和
Figure 356019DEST_PATH_IMAGE003
为车辆加速度，
Figure 102258DEST_PATH_IMAGE029
为k时刻的系统状态预测值，
Figure 925858DEST_PATH_IMAGE030
为k-1时刻的最佳系统状态估算值，
Figure 48534DEST_PATH_IMAGE031
为k时刻的预测协方差，
Figure 539559DEST_PATH_IMAGE032
为k-1时刻的协方差，Q和R为高斯白噪声，H为测量系统的参数，
Figure 456699DEST_PATH_IMAGE013
为发动机扭矩，
Figure 767595DEST_PATH_IMAGE033
为变速箱档位，
Figure 693962DEST_PATH_IMAGE034
为主减速比，
Figure 39493DEST_PATH_IMAGE017
为发动机转动惯量，
Figure 127535DEST_PATH_IMAGE035
为发动机角加速度，
Figure 660147DEST_PATH_IMAGE036
为车轮滚动半径，
Figure 390206DEST_PATH_IMAGE006
为空气密度，
Figure 327594DEST_PATH_IMAGE007
为空气阻力系数，
Figure 852116DEST_PATH_IMAGE008
为迎风面积，
Figure 872024DEST_PATH_IMAGE009
为车速，
Figure 405774DEST_PATH_IMAGE004
为车轮的滚动阻力系数，
Figure 194738DEST_PATH_IMAGE005
为重力加速度，
Figure 624583DEST_PATH_IMAGE037
为卡尔曼增益。
优选的，步骤4中，采用卡尔曼滤波进行两组车重的数据融合时，采用以下公式：
Figure 397367DEST_PATH_IMAGE038
Figure 203649DEST_PATH_IMAGE039
Figure 112699DEST_PATH_IMAGE040
其中，
Figure 979024DEST_PATH_IMAGE041
为车重的优化值，
Figure 973524DEST_PATH_IMAGE042
和
Figure 583497DEST_PATH_IMAGE043
为两组车重，
Figure 81475DEST_PATH_IMAGE044
为卡尔曼增益，
Figure 384280DEST_PATH_IMAGE045
和
Figure 600498DEST_PATH_IMAGE046
为两个车重的标准差，
Figure 14162DEST_PATH_IMAGE047
为最优估计值的标准差。
与现有技术相比，本发明的有益效果是：该基于车辆动力学模型的车重及道路坡度的估算方法，利用传动系统从断开到接合过程中的车辆动力学表现，并识别车辆装卸货操作，从而对道路坡度和车重进行实时的估算，并将估算后的车重重新滤波处理，得到一个较为精确的车重值，并基于滤波处理后的车重重新计算车辆的实时道路坡度；同时，也可以基于现有的通用CAN总线信号获取车辆行驶道路的地图信息，以地图信息的道路坡度作为一个平行的信号来源，采用卡尔曼滤波器处理一系列带有误差的实际测量信号，对车辆车重进行估算，再采用数据融合后的车辆车重作为车重的最优输出结果，以此提高车重及道路坡度的估算精度，且降低整车的车重及道路坡度估算用设备成本，提高估算方法的适用性。
附图说明
图1为本发明的的整体方法流程图；
图2为本发明中车重滤波器的工作原理框架图；
图3为本发明中卡尔曼滤波器的工作原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于车辆动力学模型的车重及道路坡度的估算方法，如图1所示为本发明的整体方法流程图，该方法包括以下步骤：
步骤1：车辆是否可以接收地图信息，若否则只执行步骤2，若是则执行步骤2-5；
步骤2：根据车辆传动系统从断开到接合的过程中的动力学表现，估算车辆当前行驶的道路坡度和车重；
步骤3：根据车辆接收的地图信息获取车辆实时的道路坡度，并基于车辆动力学模型和卡尔曼滤波估算车辆的车重；
步骤4：基于步骤2得到的车重，以及基于步骤3得到的车重，采用卡尔曼滤波对两组车重数据进行融合，得到车重的优化值；
步骤5：以步骤4得到的车重的优化值作为车辆最终的车重结果，以步骤3中地图信息的道路坡度作为车辆最终的道路坡度结果。
进一步的：
步骤2中，针对传动系统从断开到接合的过程中的车辆动力学表现，来对车辆车重进行估算，当传动系统处于断开的状态时，首先对当前道路坡度进行估算，等到传动系统恢复到接合的状态后，再基于估算得到的道路坡度，对车辆车重进行估算。包括以下步骤：
步骤21：估算道路坡度
当车辆进行变速箱换挡或者空挡滑行时，传动系统会处于断开的状态，以实现换挡时不同档位的切换，或者空挡滑行时，发动机等动力系统部件不会对传动系统进行反拖。
根据车辆动力学，可以得出车辆的牵引力和各种阻力的平衡关系：
Figure 632225DEST_PATH_IMAGE048
其中，
Figure 840352DEST_PATH_IMAGE049
为车辆的牵引力，
Figure 809445DEST_PATH_IMAGE050
为车辆的加速阻力，
Figure 761221DEST_PATH_IMAGE051
为车辆的空气阻力，
Figure 233790DEST_PATH_IMAGE052
为车轮的滚动阻力，
Figure 878398DEST_PATH_IMAGE053
为发动机转动惯量导致的阻力，
Figure 337717DEST_PATH_IMAGE054
为坡度阻力。
根据各个力的定义，公式可以展开为：
Figure 827604DEST_PATH_IMAGE055
其中，
Figure 685839DEST_PATH_IMAGE013
为发动机扭矩，
Figure 970190DEST_PATH_IMAGE033
为变速箱档位，
Figure 913875DEST_PATH_IMAGE034
为主减速比，
Figure 207453DEST_PATH_IMAGE036
为车轮滚动半径，
Figure 654615DEST_PATH_IMAGE012
为车重，
Figure 641025DEST_PATH_IMAGE003
为车辆加速度，
Figure 540848DEST_PATH_IMAGE006
为空气密度，
Figure 638117DEST_PATH_IMAGE007
为空气阻力系数，
Figure 470944DEST_PATH_IMAGE008
为迎风面积，
Figure 362677DEST_PATH_IMAGE009
为车速，
Figure 15375DEST_PATH_IMAGE004
为车轮的滚动阻力系数，
Figure 650756DEST_PATH_IMAGE005
为重力加速度，
Figure 338089DEST_PATH_IMAGE002
为道路坡度，
Figure 400723DEST_PATH_IMAGE017
为发动机转动惯量，
Figure 540717DEST_PATH_IMAGE035
为发动机角加速度。
当传动系统处于断开的状态时，发动机扭矩
Figure 714210DEST_PATH_IMAGE013
和发动机转动惯量
Figure 990470DEST_PATH_IMAGE017
不再会对车辆的加速度和车速产生影响，因此，公式中的车辆的牵引力和发动机转动惯量导致的阻力可以省去，公式可以变换为：
Figure 489585DEST_PATH_IMAGE056
由于对于重型货车来说，空气阻力占总的行驶阻力的占比较小，因此可以将风阻除以一个固定的车重，则公式的右侧可以将车重
Figure 116875DEST_PATH_IMAGE012
省去。
由于对于重型货车来说，大部分的行车道路为高速，而高速的道路坡度一般都较小，所以车轮的滚动阻力一项的
Figure 94058DEST_PATH_IMAGE057
接近为1，则
Figure 505053DEST_PATH_IMAGE057
也可以省去。
因此公式最终可以变换为：
Figure 909490DEST_PATH_IMAGE001
其中，
Figure 24076DEST_PATH_IMAGE010
为标定的固定车重。
从最终变换得到的公式可以看出，当传动系统处于断开的状态时，实时道路坡度的变化只取决于车辆加速度，车速，而与未知的车重无关，因此可以通过上述公式计算得到准确度较高的道路坡度。
步骤22：估算车重
当变速箱换挡完成或者空挡滑行结束时，传动系统会恢复到接合的状态，传动系统接合后的2.0s时间内，本估算方法会基于车辆动力学模型估算车重，因为根据工程经验，道路坡度在2.0s的行车时间内不会有明显的波动，因此采用传动系统断开时计算得到的道路坡度作为传动系统接合后的2.0s时间内的道路坡度。
由于传动系统的接合过程是一个瞬时状态，所以车辆状态存在一定的波动，为了让车重的估算结果能够稳定收敛在真值附近，基于能量守恒原则，利用车辆的能量公式进行车重估算：
Figure 804950DEST_PATH_IMAGE058
其中，
Figure 55803DEST_PATH_IMAGE059
为发动机的驱动能量，
Figure 631141DEST_PATH_IMAGE060
为车辆的动能变化，
Figure 233023DEST_PATH_IMAGE061
为空气阻力导致的能量损失，
Figure 817589DEST_PATH_IMAGE062
为车轮的滚动阻力导致的能量损失，
Figure 922948DEST_PATH_IMAGE063
为发动机转动惯量导致的能量损失，
Figure 669187DEST_PATH_IMAGE064
为车辆的势能变化。
对于各个能量，其中
Figure 758366DEST_PATH_IMAGE060
，
Figure 881042DEST_PATH_IMAGE064
和
Figure 106487DEST_PATH_IMAGE062
取决于车重
Figure 554786DEST_PATH_IMAGE012
，因此在公式的右侧可以把车重
Figure 865682DEST_PATH_IMAGE012
省去，公式可以变换为：
Figure 526470DEST_PATH_IMAGE065
根据各个能量的定义，公式可以展开为：
Figure 872001DEST_PATH_IMAGE011
其中，
Figure 960043DEST_PATH_IMAGE013
为发动机扭矩，
Figure 758235DEST_PATH_IMAGE014
为发动机转速，
Figure 222714DEST_PATH_IMAGE015
为变速箱传动效率。
从最终变换得到的公式可以看出，车重估算结果的变化取决于发动机扭矩，发动机转速变化，车速变化和道路坡度，这四个输入的准确度保证了车重估算结果的准确度，而能量公式的积分计算则减少了车辆状态波动对于车重估算结果的影响。
步骤23：车重滤波处理
对于车重估算的原始结果，需要引进一个车重滤波器，用来剔除偏差较大的车重估算结果，同时由于重型货车等营运类车辆需要经常装卸货物，其实际车重会经常变化，滤波器需要识别出车辆车重的变化，并初始化车重估算结果，重新进行车重估算结果的收敛。
如图2所示为车重滤波器的工作原理框架图，车重滤波器分为三个状态：点火状态，停车状态，行驶状态。
其中，点火状态下包括以下步骤：
步骤231a：当车辆点火启动，车重滤波器进入点火状态；
步骤232a：在点火状态下，车重滤波器会计算目前的车重估算结果数组的平均值，作为滤波器输出；
步骤233a：当车重估算结果的数量超过2时，车重滤波器退出点火状态；
停车状态下包括以下步骤：
步骤231b：当不在点火状态，并且车辆停车时，车重滤波器进入停车状态；
步骤232b：在停车状态下，如果停车状态超过3分钟，则判断车辆正在装卸货物而不是短暂的停车，则将滤波器输出重置为默认值，反之，则滤波器输出车重估算结果数组的平均值；
步骤233b：等到下一次车辆起步，车重滤波器退出停车状态，进入行驶状态；
行驶状态下包括以下步骤：
步骤231c：当车辆起步并且车速超过某一限值，车重滤波器进入行驶状态；
步骤232c：车重滤波器会存储一个车重估算结果数组，并计算整个数组的平均值以及最近5组车重估算结果的平均值，当两个平均值之差连续地小于某一限值的次数满足条件，则判断车重估算结果收敛成功；如果在10组车重估算中仍未收敛成功，则整个数组的平均值会被更新为最近5个车重估算结果的平均值，并重新进行收敛；
步骤233c：当车重滤波器判断车重估算结果已经收敛成功，则车重滤波器进入稳定行驶状态，在该状态下会通过人为的标定限值剔除掉偏差较大的车重估算结果，以保证滤波器输出的车重估算结果数组的平均值能够稳定收敛在真值附近；
步骤234c：等到下一次车辆停车，车重滤波器退出行驶状态，进入停车状态；
步骤24：道路坡度重新估算
根据步骤23中得到的滤波处理后的车重估算结果，带入步骤22中倒推出当前车辆行驶的道路坡度；提高道路坡度的估算精度，具体的：
在步骤23中得到滤波处理后的车重估算结果后，可以基于该车重以及车辆动力学模型，估算得到实时的道路坡度；
根据步骤21可知的车辆动力学，可以得出车辆的牵引力和各种阻力的平衡关系：
Figure 425681DEST_PATH_IMAGE048
根据各个力的定义，且因为车重已知，公式可以展开为：
Figure 684624DEST_PATH_IMAGE066
Figure 970112DEST_PATH_IMAGE067
求解得出车辆当前所在的实时道路坡度。
步骤3中，对于可以接收地图信息的车辆，直接从CAN总线上接收实时的道路坡度，并且基于车辆动力学模型和卡尔曼滤波，对车辆车重进行实时的估算。
进一步的：
如图3所示为卡尔曼滤波器的工作原理图，卡尔曼滤波器的原理是通过现时刻的最佳估计为在前一时刻的最佳估计的基础上根据现时刻的观测值进行线性修正。
卡尔曼滤波器主要分为两部分：时间更新，状态更新。
以下为卡尔曼滤波器的标准公式：
1）时间更新
Figure 972703DEST_PATH_IMAGE068
Figure 27246DEST_PATH_IMAGE069
2）状态更新
Figure 988249DEST_PATH_IMAGE024
Figure 761033DEST_PATH_IMAGE025
Figure 567315DEST_PATH_IMAGE026
其中，
Figure 476365DEST_PATH_IMAGE029
为k时刻的系统状态预测值，A和B为系统参数，
Figure 342690DEST_PATH_IMAGE030
为k-1时刻的最佳系统状态估算值，
Figure 602770DEST_PATH_IMAGE070
为k-1时刻对系统的控制量，
Figure 212743DEST_PATH_IMAGE031
为k时刻的预测协方差，
Figure 241879DEST_PATH_IMAGE032
为k-1时刻的协方差，Q和R为高斯白噪声，H为测量系统的参数，
Figure 279105DEST_PATH_IMAGE037
为卡尔曼增益，
Figure 495323DEST_PATH_IMAGE028
为k时刻的测量值。
在本估算方法中，估算的系统状态为车重，测量值为车辆加速度，测量系统的参数组成包括车辆牵引力，车辆的空气阻力，车轮的滚动阻力系数，发动机转动惯量导致的阻力。
因此，基于上述的卡尔曼滤波的标准公式，以及估算的系统状态为车重，测量值为车辆加速度的前提条件，可以将公式变换为关于车重和车辆加速度的形式：
1）时间更新
Figure 908987DEST_PATH_IMAGE071
Figure 527050DEST_PATH_IMAGE020
Figure 756DEST_PATH_IMAGE021
Figure 704270DEST_PATH_IMAGE022
2）状态更新
Figure 658975DEST_PATH_IMAGE072
Figure 397124DEST_PATH_IMAGE024
Figure 41732DEST_PATH_IMAGE025
Figure 232542DEST_PATH_IMAGE026
其中，
Figure 722429DEST_PATH_IMAGE027
为与车重m相关的矩阵，
Figure 315085DEST_PATH_IMAGE028
为车辆加速度。
因此，得到：
Figure 865015DEST_PATH_IMAGE025
矩阵
Figure 543121DEST_PATH_IMAGE027
和H表现了车重和车辆加速度的关系，公式
Figure 102278DEST_PATH_IMAGE073
实质上就是基于车辆动力学模型，卡尔曼滤波器在前一时刻的最佳估计的基础上，根据现时刻的观测值，通过卡尔曼增益进行线性修正。
进一步的：
步骤4中，基于车重滤波器得到的车重以及卡尔曼滤波器得到的车重，采用卡尔曼滤波进行两个车重的数据融合。
为使数据融合得到的车重的标准差最小，首先需要计算出最优的卡尔曼增益：
Figure 549440DEST_PATH_IMAGE039
其中，
Figure 270271DEST_PATH_IMAGE044
为卡尔曼增益，
Figure 435673DEST_PATH_IMAGE045
和
Figure 267363DEST_PATH_IMAGE046
为两个车重的标准差。
基于最优的卡尔曼增益，计算出数据融合后的最优估计值和标准差。
Figure 100190DEST_PATH_IMAGE038
Figure 726343DEST_PATH_IMAGE040
其中，
Figure 644621DEST_PATH_IMAGE041
为车重的优化值，
Figure 280001DEST_PATH_IMAGE042
和
Figure 701755DEST_PATH_IMAGE043
为两组车重，
Figure 764389DEST_PATH_IMAGE047
为最优估计值的标准差。
进一步的：
步骤5中，存在两个道路坡度的输入，一个为步骤2中估算的道路坡度，另一个为步骤3中地图信息中的道路坡度，因为地图的道路坡度基于实采数据，所以准确度更高，因此可以优选为最终输出道路坡度。
通过上述内容施行上述方法，利用传动系统从断开到接合过程中的车辆动力学表现，并识别车辆装卸货操作，从而对道路坡度和车重进行实时的估算，也可以基于现有的通用CAN总线信号获取车辆行驶道路的地图信息，以地图信息的道路坡度作为一个平行的信号来源，采用卡尔曼滤波器处理一系列带有误差的实际测量信号，对车辆车重进行估算，再采用数据融合后的车辆车重作为车重的最优输出结果，以此提高车重及道路坡度的估算精度，且降低整车的车重及道路坡度估算用设备成本，提高估算方法的适用性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于车辆动力学模型的车重及道路坡度的估算方法，其特征在于，所述方法包括以下步骤：
步骤1：车辆是否可以接收地图信息，若否则只执行步骤2，若是则执行步骤2-5；
步骤2：根据车辆传动系统从断开到接合的过程中的动力学表现，估算车辆当前行驶的道路坡度和车重，并对车重进行滤波处理，根据滤波后的车重重新估算车辆当前行驶的道路坡度；
步骤2中，包括以下步骤：
步骤21：估算道路坡度
车辆传动系统处于断开的状态时，根据车辆动力学，得出：
Figure FDA0003841380610000011
其中：slop为道路坡度，a为车辆加速度，μRoll为车轮的滚动阻力系数，g为重力加速度，ρAir为空气密度，Cd为空气阻力系数，A为迎风面积，v为车速，
Figure FDA0003841380610000012
为标定的固定车重；
步骤22：估算车重
车辆传动系统从断开状态恢复到接合状态的2.0s时间内，根据能量守恒原则，得出：
Figure FDA0003841380610000013
其中，m为车重，TEng为发动机扭矩，wEng为发动机转速，ηTrans为变速箱传动效率，ρAir为空气密度，Cd为空气阻力系数，A为迎风面积，v为车速，J为发动机转动惯量，μRoll为车轮的滚动阻力系数，g为重力加速度，slop为道路坡度；
步骤23：车重滤波处理
通过车重滤波器剔除步骤22中偏差较大的车重估算结果；
步骤24：道路坡度重新估算
根据步骤23中得到的滤波处理后的车重估算结果，带入步骤22中重新倒推出当前车辆行驶的道路坡度；
步骤3：根据车辆接收的地图信息获取车辆实时的道路坡度，并基于车辆动力学模型和卡尔曼滤波估算车辆的车重；
步骤3中，基于卡尔曼滤波的标准公式：
1)时间更新
Figure FDA0003841380610000021
yk＝a
Figure FDA0003841380610000022
Figure FDA0003841380610000023
2)状态更新
Figure FDA0003841380610000024
Figure FDA0003841380610000025
Figure FDA0003841380610000026
Figure FDA0003841380610000027
因此，得到：
Figure FDA0003841380610000028
其中，m为车重，
Figure FDA0003841380610000031
为与车重m相关的矩阵，μRoll为车轮的滚动阻力系数，slop为地图信息中的道路坡度，yk和a为车辆加速度，
Figure FDA0003841380610000032
为k时刻的系统状态预测值，
Figure FDA0003841380610000033
为k-1时刻的最佳系统状态估算值，
Figure FDA0003841380610000034
为k时刻的预测协方差，Pk-1为k-1时刻的协方差，Q和R为高斯白噪声，H为测量系统的参数，TEng为发动机扭矩，iGbx为变速箱档位，iFd为主减速比，J为发动机转动惯量，αEng为发动机角加速度，rW为车轮滚动半径，ρAir为空气密度，Cd为空气阻力系数，A为迎风面积，v为车速，μRoll为车轮的滚动阻力系数，g为重力加速度，Kk为卡尔曼增益；
步骤4：基于步骤2得到的车重，以及基于步骤3得到的车重，采用卡尔曼滤波对两组车重数据进行融合，得到车重的优化值；
步骤5：以步骤4得到的车重的优化值作为车辆最终的车重结果，以步骤3中地图信息的道路坡度作为车辆最终的道路坡度结果。
2.根据权利要求1所述的基于车辆动力学模型的车重及道路坡度的估算方法，其特征在于：步骤23中，车重滤波器在使用时分为三个状态：点火状态，停车状态，行驶状态；
点火状态下包括以下步骤：
步骤231a：当车辆点火启动，车重滤波器进入点火状态；
步骤232a：在点火状态下，车重滤波器会计算目前的车重估算结果数组的平均值，作为滤波器输出；
步骤233a：当车重估算结果的数量超过2时，车重滤波器退出点火状态；
停车状态下包括以下步骤：
步骤231b：当不在点火状态，并且车辆停车时，车重滤波器进入停车状态；
步骤232b：在停车状态下，如果停车状态超过3分钟，则判断车辆正在装卸货物而不是短暂的停车，则将滤波器输出重置为默认值，反之，则滤波器输出车重估算结果数组的平均值；
步骤233b：等到下一次车辆起步，车重滤波器退出停车状态，进入行驶状态；
行驶状态下包括以下步骤：
步骤231c：当车辆起步并且车速超过某一限值，车重滤波器进入行驶状态；
步骤232c：车重滤波器会存储一个车重估算结果数组，并计算整个数组的平均值以及最近5组车重估算结果的平均值，当两个平均值之差连续地小于某一限值的次数满足条件，则判断车重估算结果收敛成功；如果在10组车重估算中仍未收敛成功，则整个数组的平均值会被更新为最近5个车重估算结果的平均值，并重新进行收敛；
步骤233c：当车重滤波器判断车重估算结果已经收敛成功，则车重滤波器进入稳定行驶状态，在该状态下会通过人为的标定限值剔除掉偏差较大的车重估算结果，以保证滤波器输出的车重估算结果数组的平均值能够稳定收敛在真值附近；
步骤234c：等到下一次车辆停车，车重滤波器退出行驶状态，进入停车状态。
3.根据权利要求1所述的基于车辆动力学模型的车重及道路坡度的估算方法，其特征在于：步骤4中，采用卡尔曼滤波进行两组车重的数据融合时，采用以下公式：
Figure FDA0003841380610000041
Figure FDA0003841380610000051
Figure FDA0003841380610000052
其中，
Figure FDA0003841380610000053
为车重的优化值，m1和m2为两组车重，K为卡尔曼增益，σ1和σ2为两个车重的标准差，σx为最优估计值的标准差。
CN202210861848.8A 2022-07-22 2022-07-22 一种基于车辆动力学模型的车重及道路坡度的估算方法 Active CN114919585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210861848.8A CN114919585B (zh) 2022-07-22 2022-07-22 一种基于车辆动力学模型的车重及道路坡度的估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210861848.8A CN114919585B (zh) 2022-07-22 2022-07-22 一种基于车辆动力学模型的车重及道路坡度的估算方法

Publications (2)

Publication Number Publication Date
CN114919585A CN114919585A (zh) 2022-08-19
CN114919585B true CN114919585B (zh) 2022-11-04

Family

ID=82815774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210861848.8A Active CN114919585B (zh) 2022-07-22 2022-07-22 一种基于车辆动力学模型的车重及道路坡度的估算方法

Country Status (1)

Country Link
CN (1) CN114919585B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11211548A (ja) * 1998-01-30 1999-08-06 Aisin Seiki Co Ltd 車両状態の推定方法およびそれを用いた車両制御装置
CN105644565A (zh) * 2016-02-02 2016-06-08 潍柴动力股份有限公司 一种混合动力汽车负载的测量方法
CN106740870A (zh) * 2016-12-28 2017-05-31 重庆大学 一种考虑换挡因素的车辆质量估计方法
CN107247824A (zh) * 2017-05-23 2017-10-13 重庆大学 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN108437998A (zh) * 2018-01-09 2018-08-24 南京理工大学 基于纵向动力学的纯电动汽车坡度识别方法
CN108944935A (zh) * 2018-05-31 2018-12-07 重庆大学 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
CN111806449A (zh) * 2020-06-23 2020-10-23 西安法士特汽车传动有限公司 一种纯电动车的整车质量和路面坡度的估算方法
CN112429010A (zh) * 2020-12-02 2021-03-02 东风商用车有限公司 一种整车质量和道路坡度估算方法
CN113002549A (zh) * 2021-05-24 2021-06-22 天津所托瑞安汽车科技有限公司 一种车辆状态估算方法、装置、设备及存储介质
CN113264056A (zh) * 2021-05-25 2021-08-17 三一汽车制造有限公司 车重估算方法、装置、车辆和可读存储介质
CN113978473A (zh) * 2021-11-25 2022-01-28 中山大学 一种车辆质量与道路坡度估计方法
CN114889618A (zh) * 2022-04-21 2022-08-12 陕西法士特齿轮有限责任公司 一种商用车amt变速箱坡度及车重解耦方法、系统、设备和可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977415B2 (en) * 2011-08-02 2015-03-10 GM Global Technology Operations LLC Use of on-vehicle accelerometer to estimate vehicle grade and mass while vehicle is in motion
ITTO20130584A1 (it) * 2013-07-11 2015-01-12 Fiat Ricerche Stima della massa di un veicolo e della pendenza della strada
CN110727994A (zh) * 2019-10-28 2020-01-24 吉林大学 参数解耦的电动汽车质量与坡度估计方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11211548A (ja) * 1998-01-30 1999-08-06 Aisin Seiki Co Ltd 車両状態の推定方法およびそれを用いた車両制御装置
CN105644565A (zh) * 2016-02-02 2016-06-08 潍柴动力股份有限公司 一种混合动力汽车负载的测量方法
CN106740870A (zh) * 2016-12-28 2017-05-31 重庆大学 一种考虑换挡因素的车辆质量估计方法
CN107247824A (zh) * 2017-05-23 2017-10-13 重庆大学 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN108437998A (zh) * 2018-01-09 2018-08-24 南京理工大学 基于纵向动力学的纯电动汽车坡度识别方法
CN108944935A (zh) * 2018-05-31 2018-12-07 重庆大学 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
CN111806449A (zh) * 2020-06-23 2020-10-23 西安法士特汽车传动有限公司 一种纯电动车的整车质量和路面坡度的估算方法
CN112429010A (zh) * 2020-12-02 2021-03-02 东风商用车有限公司 一种整车质量和道路坡度估算方法
CN113002549A (zh) * 2021-05-24 2021-06-22 天津所托瑞安汽车科技有限公司 一种车辆状态估算方法、装置、设备及存储介质
CN113264056A (zh) * 2021-05-25 2021-08-17 三一汽车制造有限公司 车重估算方法、装置、车辆和可读存储介质
CN113978473A (zh) * 2021-11-25 2022-01-28 中山大学 一种车辆质量与道路坡度估计方法
CN114889618A (zh) * 2022-04-21 2022-08-12 陕西法士特齿轮有限责任公司 一种商用车amt变速箱坡度及车重解耦方法、系统、设备和可读存储介质

Also Published As

Publication number Publication date
CN114919585A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN111806449A (zh) 一种纯电动车的整车质量和路面坡度的估算方法
EP3019379B1 (en) Automotive control unit programmed to estimate road slope and vehicle mass, vehicle with such a control unit and corresponding program product therefore
CN107247824A (zh) 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN108944935A (zh) 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
US8768536B2 (en) Method for determining the driving resistance of a vehicle
CN109466561A (zh) 车辆总质量计算方法和系统
CN107117178A (zh) 考虑换挡和道路坡度因素的车辆质量估计方法
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
CN108819950B (zh) 汽车稳定性控制系统的车速估计方法及系统
CN102486400A (zh) 车辆质量辨识方法和装置
CN106740870A (zh) 一种考虑换挡因素的车辆质量估计方法
CN104973069A (zh) 重型车空气阻力合成系数和质量的在线同步辨识方法
CN111645698B (zh) 一种重载车辆侧翻阈值自适应估计方法
CN111311782A (zh) 载重估计方法及装置
CN105849514A (zh) 估算车辆质量的方法和具有用于估算车辆质量的装置的车辆
CN113859253B (zh) 一种车辆行驶过程中质量的实时估计方法
CN111497866A (zh) 一种基于改进马氏距离的转向盘转角传感器故障诊断方法
CN114919585B (zh) 一种基于车辆动力学模型的车重及道路坡度的估算方法
WO2004106779A1 (en) Method of estimating vehicle deceleration during a transmission gear shift
CN115329579A (zh) 一种考虑整车质量变化的商用车质量和坡度联合估计方法
US20220363270A1 (en) Computer implemented method for controlling a vehicle
CN115649182A (zh) 车辆的车重及所处坡度的计算方法、装置及设备
CN112660136B (zh) 汽车底盘动力学域控制器的路面附着系数辨识方法及装置
CN111695197B (zh) 一种罐车侧翻阈值高可靠动态估计方法
CN112417365A (zh) 一种基于扩展卡尔曼滤波的自动驾驶卡车质量估算方法

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