CN116992697B - 一种智能电动汽车行驶状态信息估计方法 - Google Patents

一种智能电动汽车行驶状态信息估计方法 Download PDF

Info

Publication number
CN116992697B
CN116992697B CN202311246086.1A CN202311246086A CN116992697B CN 116992697 B CN116992697 B CN 116992697B CN 202311246086 A CN202311246086 A CN 202311246086A CN 116992697 B CN116992697 B CN 116992697B
Authority
CN
China
Prior art keywords
kalman filter
state
vehicle
covariance matrix
singular value
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
CN202311246086.1A
Other languages
English (en)
Other versions
CN116992697A (zh
Inventor
陈齐平
于炳浩
江志强
舒强
熊祖琪
傅王梁
朱祖伟
梁成成
艾田付
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.)
Yichun Tongyu Automobile Technology Co ltd
East China Jiaotong University
Jiangxi Vocational and Technical College of Communication
Original Assignee
Yichun Tongyu Automobile Technology Co ltd
East China Jiaotong University
Jiangxi Vocational and Technical College of Communication
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 Yichun Tongyu Automobile Technology Co ltd, East China Jiaotong University, Jiangxi Vocational and Technical College of Communication filed Critical Yichun Tongyu Automobile Technology Co ltd
Priority to CN202311246086.1A priority Critical patent/CN116992697B/zh
Publication of CN116992697A publication Critical patent/CN116992697A/zh
Application granted granted Critical
Publication of CN116992697B publication Critical patent/CN116992697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Navigation (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种智能电动汽车行驶状态信息估计方法，该方法先构建纵向、横向、横摆非线性三自由度车辆动力学模型，并搭建车辆质量估计动力学模型，然后构建基于遗忘因子的递归最小二乘法来估计整车质量，再搭建容积卡尔曼滤波器，最后对搭建的容积卡尔曼滤波器引入广义高阶容积准则，并采用奇异值分解方法代替Cholesky分解，构建奇异值分解广义高阶容积卡尔曼滤波器，并采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器进行优化，从而能够对智能电动汽车的行驶状态进行有效的实时估计。

Description

一种智能电动汽车行驶状态信息估计方法
技术领域
本发明涉及电动汽车技术领域，特别是涉及一种智能电动汽车行驶状态信息估计方法。
背景技术
随着信息和人工智能技术的进步和发展，智能电动汽车越来越受到人们的关注，智能电动汽车具有节能环保、高安全性等优点，是目前实现汽车能源转型的重要手段。其中汽车行驶过程中的主动安全控制是核心问题之一，主动安全控制的首要前提是准确获得汽车当前的状态等重要参数。
车辆主动安全控制的前提是准确地获取车辆行驶状态信息。然而由于技术限制或部分传感器价格昂贵，或信号受外界干扰影响较大，导致车辆行驶状态信息难以直接测量。因此，如何根据部分现有低成本的传感器来准确的估计这些不易测量的行驶状态信息，是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的在于提供一种智能电动汽车行驶状态信息估计方法，以实现智能电动汽车行驶状态信息的有效实时估计。
一种智能电动汽车行驶状态信息估计方法，包括以下步骤：
步骤1，根据智能电动汽车的运动特性，构建纵向、横向、横摆非线性三自由度车辆动力学模型，并搭建车辆质量估计动力学模型；
步骤2，基于步骤1中构建的车辆质量估计动力学模型，构建基于遗忘因子的递归最小二乘法来估计整车质量；
步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建容积卡尔曼滤波器，并将步骤2中估计的整车质量输入到容积卡尔曼滤波器中；
步骤4，结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中估计的整车质量，对步骤3中搭建的容积卡尔曼滤波器引入广义高阶容积准则，并采用奇异值分解方法代替Cholesky分解，构建奇异值分解广义高阶容积卡尔曼滤波器，采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理，得到优化的奇异值分解广义高阶容积卡尔曼滤波器，通过优化的奇异值分解广义高阶容积卡尔曼滤波器对智能电动汽车的行驶状态进行实时估计。
根据本发明提供的智能电动汽车行驶状态信息估计方法，具有以下有益效果：
1、本发明综合考虑电动汽车的纵向、横向、横摆运动，建立三自由度车辆动力学模型和车辆质量估计动力学模型，通过基于遗忘因子的递归最小二乘法对整车质量进行估计，并通过奇异值分解广义高阶容积卡尔曼滤波器，能够对智能电动汽车的行驶状态信息进行实时估计；
2、不同于一般的容积卡尔曼滤波算法，本发明采用奇异值分解广义高阶容积卡尔曼滤波器，对建立的汽车动力学系统模型状态进行实时估计，考虑多工况下行驶的电动汽车动力学模型是一个非线性的系统，传统的容积卡尔曼滤波算法只能处理三阶问题，估计精度不高，而本发明在容积卡尔曼滤波的基础上，采用广义高阶容积准则，能够将滤波器提升为五阶系统，且采用奇异值分解方法代替Cholesky分解，消除了滤波器的不正定性问题，能够提高估计精度；
3、本发明采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理，增强了滤波器对非高斯恶劣计算环境的抵抗能力，增强滤波器的鲁棒性，且采用本发明的方法，可以选择一些低成本的传感器（如加速度计，方向盘转角传感器）作为滤波器的输入，大大降低了成本，同时估计过程基本不受车辆结构参数变化影响，具有较广的适用性和良好的鲁棒性。
附图说明
图1为本发明的实施例提供的智能电动汽车行驶状态信息估计方法的流程图；
图2为本发明所提出的方法对质心侧偏角的估计值、传统容积卡尔曼算法对质心侧偏角的估计值、以及真实值的对比图；
图3为本发明所提出的方法对横摆角速度的估计值、传统容积卡尔曼算法对横摆角速度的估计值、以及真实值的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参阅图1，本发明的实施例提供一种智能电动汽车行驶状态信息估计方法，本实施例中，该方法包括步骤1~步骤4：
步骤1，根据智能电动汽车的运动特性，构建纵向、横向、横摆非线性三自由度车辆动力学模型，并搭建车辆质量估计动力学模型。
步骤1中，构建的纵向、横向、横摆非线性三自由度车辆动力学模型的表达式如下：
；
；
；
其中，、/>分别为车辆横摆角速度、质心侧偏角；/>表示前轮转角；/>、/>分别表示车辆纵向速度、纵向加速度；/>、/>分别为车辆前轴、后轴的等效侧偏刚度；a、b分别为前轴到质心的距离、后轴到质心的距离；/>为质心的转动惯量；m为整车质量；/>表示/>的微分；表示/>的微分，/>表示/>的微分。
步骤1中，车辆质量估计动力学模型的表达式为：
；
其中，表示车辆侧向加速度。
步骤2，基于步骤1中构建的车辆质量估计动力学模型，构建基于遗忘因子的递归最小二乘法来估计整车质量。
步骤2中，基于遗忘因子的递归最小二乘法的表达式为：
；
其中，，进而得到：
；
其中，是输出值；/>和/>分别是待估计参数和递归向量；/>是误差项，T表示转置操作，/>是/>经过转置后得到的量；
此外，步骤2中，基于遗忘因子的递归最小二乘法的递归过程满足以下条件式：
；
；
；
其中，为增益矩阵；/>为遗忘因子；/>为k-1时刻的系统协方差矩阵，为k时刻的待估计参数；/>为k-1时刻待估计参数；/>为k时刻的系统协方差矩阵；I为单位矩阵。
步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建容积卡尔曼滤波器，并将步骤2中估计的整车质量输入到容积卡尔曼滤波器中。
步骤3中，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建容积卡尔曼滤波器具体包括：
基于步骤1中构建的非线性三自由度车辆动力学模型，建立智能电动汽车行驶状态信息估计的状态方程与测量方程，表达式如下：
；
其中，为状态变量，/>；/>为测量变量，/>；/>为控制变量，；/>为容积卡尔曼滤波器状态噪声；/>为容积卡尔曼滤波器测量噪声。
步骤4，结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中估计的整车质量，对步骤3中搭建的容积卡尔曼滤波器引入广义高阶容积准则，并采用奇异值分解方法代替Cholesky分解，构建奇异值分解广义高阶容积卡尔曼滤波器，采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理，得到优化的奇异值分解广义高阶容积卡尔曼滤波器，通过优化的奇异值分解广义高阶容积卡尔曼滤波器对智能电动汽车的行驶状态进行实时估计。
步骤4中，构建奇异值分解广义高阶容积卡尔曼滤波器具体包括：
步骤4.1，定义非线性离散时间系统模型的表达式为：
其中，为k时刻的状态量；/>为已知控制输入；/>为观测矢量；f和h分别为非线性状态函数和测量函数；/>、/>分别为奇异值分解广义高阶容积卡尔曼滤波器的互不相关过程白噪声、观测白噪声；/>为k+1时刻的状态量；/>为k+1时刻的观测量；/>为k+1时刻的控制输入量；
步骤4.2，进行时间更新：
奇异值分解广义高阶容积卡尔曼滤波器采用广义高阶容积准则，容积点分配的表达式如下：
其中，为容积点集，i表示时刻，n为大于0的自然数；
其中，为广义高阶容积准则分配的权重系数；
设定k时刻的滤波器状态特性已知，对状态协方差矩阵做奇异值分解如下：
其中，为k时刻的正交矩阵；/>为k时刻的状态协方差的平方根因子；
容积点传播为：
其中，为k时刻的状态容积点；
传播后的容积点如下：
其中，为传播后的容积点；
得出状态预测值如下：
其中，为预测出的状态向量；
估计k+1时刻的状态预测协方差矩阵为：
其中，为k+1时刻的状态预测协方差矩阵；/>为状态噪声协方差矩阵；
步骤4.3，进行测量更新：
更新状态容积点，如下所示：
其中，为k+1时刻的正交矩阵；/>为k+1时刻的状态协方差的平方根因子；
由测量等式传递的容积点得到下式：
其中，为测量的容积点；
进而得到测量预测值为：
其中，为测量预测值；
然后得到测量误差协方差矩阵和互相关协方差矩阵为：
其中，为测量误差协方差矩阵；/>为互相关协方差矩阵；/>为观测噪声协方差矩阵；/>表示状态误差过程矩阵；/>表示测量误差过程矩阵；
得出卡尔曼滤波器增益为：
其中，为卡尔曼滤波器增益；
得出状态估计值为：
其中，为k+1时刻的状态估计值，/>为k+1时刻的状态真实值；
最后得到后验协方差矩阵，进而完成奇异值分解广义高阶容积卡尔曼滤波器的构建，后验协方差矩阵的表达式为：
其中，为后验协方差矩阵。
此外，步骤4中，采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理具体包括：
采用哈里斯鹰优化算法优化奇异值分解广义高阶容积卡尔曼滤波器中的状态噪声协方差矩阵和观测噪声协方差矩阵/>，将状态噪声协方差矩阵/>和观测噪声协方差矩阵/>设置为哈里斯鹰优化算法的寻优维度D，如下式所示：
其中，、/>、/>为状态噪声值，/>为测量噪声值，diag表示对角矩阵；
将奇异值分解广义高阶容积卡尔曼滤波器的估计值与传感器测量值之间的均方根误差作为哈里斯鹰优化算法的目标函数，完成奇异值分解广义高阶容积卡尔曼滤波器的优化，其中，适应度函数的表达式为：
其中，t为采样时间；为p时刻的真实测量变量；/>为p时刻由奇异值分解广义高阶容积卡尔曼滤波器输出的估计值；
最后通过优化的奇异值分解广义高阶容积卡尔曼滤波器对智能电动汽车的行驶状态进行实时估计。
下面对本发明提出的方法进行测试，图2为本发明所提出的方法对质心侧偏角的估计值、传统容积卡尔曼算法对质心侧偏角的估计值、以及真实值的对比图，图3为本发明所提出的方法对横摆角速度的估计值、传统容积卡尔曼算法对横摆角速度的估计值、以及真实值的对比图，通过carsim软件搭建蛇形工况场景进行测试，前轴到质心的距离为1.2m，后轴到质心的距离为1.4m，行驶纵向车速为30km/h，路面附着系数为0.85，车轮半径为0.354m。由图2可知，本发明所提出的方法对质心侧偏角的估计精度相比传统容积卡尔曼算法明显提升，精确度提升约15%。由图3可知，本发明所提出的方法对横摆角速度的估计精度相比传统容积卡尔曼算法明显提升，精确度提升约15%。
综上，根据本发明提供的智能电动汽车行驶状态信息估计方法，具有以下有益效果：
1、本发明综合考虑电动汽车的纵向、横向、横摆运动，建立三自由度车辆动力学模型和车辆质量估计动力学模型，通过基于遗忘因子的递归最小二乘法对整车质量进行估计，并通过奇异值分解广义高阶容积卡尔曼滤波器，能够对智能电动汽车的行驶状态信息进行实时估计；
2、不同于一般的容积卡尔曼滤波算法，本发明采用奇异值分解广义高阶容积卡尔曼滤波器，对建立的汽车动力学系统模型状态进行实时估计，考虑多工况下行驶的电动汽车动力学模型是一个非线性的系统，传统的容积卡尔曼滤波算法只能处理三阶问题，估计精度不高，而本发明在容积卡尔曼滤波的基础上，采用广义高阶容积准则，能够将滤波器提升为五阶系统，且采用奇异值分解方法代替Cholesky分解，消除了滤波器的不正定性问题，能够提高估计精度；
3、本发明采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理，增强了滤波器对非高斯恶劣计算环境的抵抗能力，增强滤波器的鲁棒性，且采用本发明的方法，可以选择一些低成本的传感器（如加速度计，方向盘转角传感器）作为滤波器的输入，大大降低了成本，同时估计过程基本不受车辆结构参数变化影响，具有较广的适用性和良好的鲁棒性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (1)

1.一种智能电动汽车行驶状态信息估计方法，其特征在于，包括以下步骤：
步骤1，根据智能电动汽车的运动特性，构建纵向、横向、横摆非线性三自由度车辆动力学模型，并搭建车辆质量估计动力学模型；
步骤2，基于步骤1中构建的车辆质量估计动力学模型，构建基于遗忘因子的递归最小二乘法来估计整车质量；
步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建容积卡尔曼滤波器，并将步骤2中估计的整车质量输入到容积卡尔曼滤波器中；
步骤4，结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中估计的整车质量，对步骤3中搭建的容积卡尔曼滤波器引入广义高阶容积准则，并采用奇异值分解方法代替Cholesky分解，构建奇异值分解广义高阶容积卡尔曼滤波器，采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理，得到优化的奇异值分解广义高阶容积卡尔曼滤波器，通过优化的奇异值分解广义高阶容积卡尔曼滤波器对智能电动汽车的行驶状态进行实时估计；
步骤1中，构建的纵向、横向、横摆非线性三自由度车辆动力学模型的表达式如下：
；
；
；
其中，、/>分别为车辆横摆角速度、质心侧偏角；/>表示前轮转角；/>、/>分别表示车辆纵向速度、纵向加速度；/>、/>分别为车辆前轴、后轴的等效侧偏刚度；a、b分别为前轴到质心的距离、后轴到质心的距离；/>为质心的转动惯量；m为整车质量；/>表示/>的微分；/>表示/>的微分，/>表示/>的微分；
步骤1中，车辆质量估计动力学模型的表达式为：
；
其中，表示车辆侧向加速度；
步骤2中，基于遗忘因子的递归最小二乘法的表达式为：
；
其中，，进而得到：
；
其中，是输出值；/>和/>分别是待估计参数和递归向量；/>是误差项，T表示转置操作，/>是/>经过转置后得到的量；
此外，步骤2中，基于遗忘因子的递归最小二乘法的递归过程满足以下条件式：
；
；
；
其中，为增益矩阵；/>为遗忘因子；/>为k-1时刻的系统协方差矩阵，/>为k时刻的待估计参数；/>为k-1时刻待估计参数；/>为k时刻的系统协方差矩阵；I为单位矩阵；
步骤3中，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建容积卡尔曼滤波器具体包括：
基于步骤1中构建的非线性三自由度车辆动力学模型，建立智能电动汽车行驶状态信息估计的状态方程与测量方程，表达式如下：
；
其中，为状态变量，/>；/>为测量变量，/>；/>为控制变量，；/>为容积卡尔曼滤波器状态噪声；/>为容积卡尔曼滤波器测量噪声；
步骤4中，构建奇异值分解广义高阶容积卡尔曼滤波器具体包括：
步骤4.1，定义非线性离散时间系统模型的表达式为：
其中，为k时刻的状态量；/>为已知控制输入；/>为观测矢量；f和h分别为非线性状态函数和测量函数；/>、/>分别为奇异值分解广义高阶容积卡尔曼滤波器的互不相关过程白噪声、观测白噪声；/>为k+1时刻的状态量；/>为k+1时刻的观测量；/>为k+1时刻的控制输入量；
步骤4.2，进行时间更新：
奇异值分解广义高阶容积卡尔曼滤波器采用广义高阶容积准则，容积点分配的表达式如下：
其中，为容积点集，i表示时刻，n为大于0的自然数；
其中，为广义高阶容积准则分配的权重系数；
设定k时刻的滤波器状态特性已知，对状态协方差矩阵做奇异值分解如下：
其中，为k时刻的正交矩阵；/>为k时刻的状态协方差的平方根因子；
容积点传播为：
其中，为k时刻的状态容积点；
传播后的容积点如下：
其中，为传播后的容积点；
得出状态预测值如下：
其中，为预测出的状态向量；
估计k+1时刻的状态预测协方差矩阵为：
其中，为k+1时刻的状态预测协方差矩阵；/>为状态噪声协方差矩阵；
步骤4.3，进行测量更新：
更新状态容积点，如下所示：
其中，为k+1时刻的正交矩阵；/>为k+1时刻的状态协方差的平方根因子；
由测量等式传递的容积点得到下式：
其中，为测量的容积点；
进而得到测量预测值为：
其中，为测量预测值；
然后得到测量误差协方差矩阵和互相关协方差矩阵为：
其中，为测量误差协方差矩阵；/>为互相关协方差矩阵；/>为观测噪声协方差矩阵；/>表示状态误差过程矩阵；/>表示测量误差过程矩阵；
得出卡尔曼滤波器增益为：
其中，为卡尔曼滤波器增益；
得出状态估计值为：
其中，为k+1时刻的状态估计值，/>为k+1时刻的状态真实值；
最后得到后验协方差矩阵，进而完成奇异值分解广义高阶容积卡尔曼滤波器的构建，后验协方差矩阵的表达式为：
其中，为后验协方差矩阵；
步骤4中，采用哈里斯鹰优化算法对奇异值分解广义高阶容积卡尔曼滤波器的非高斯噪声进行寻优处理具体包括：
采用哈里斯鹰优化算法优化奇异值分解广义高阶容积卡尔曼滤波器中的状态噪声协方差矩阵和观测噪声协方差矩阵/>，将状态噪声协方差矩阵/>和观测噪声协方差矩阵/>设置为哈里斯鹰优化算法的寻优维度D，如下式所示：
其中，、/>、/>为状态噪声值，/>为测量噪声值，diag表示对角矩阵；
将奇异值分解广义高阶容积卡尔曼滤波器的估计值与传感器测量值之间的均方根误差作为哈里斯鹰优化算法的目标函数，完成奇异值分解广义高阶容积卡尔曼滤波器的优化，其中，适应度函数的表达式为：
其中，t为采样时间；为p时刻的真实测量变量；/>为p时刻由奇异值分解广义高阶容积卡尔曼滤波器输出的估计值；
最后通过优化的奇异值分解广义高阶容积卡尔曼滤波器对智能电动汽车的行驶状态进行实时估计。
CN202311246086.1A 2023-09-26 2023-09-26 一种智能电动汽车行驶状态信息估计方法 Active CN116992697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311246086.1A CN116992697B (zh) 2023-09-26 2023-09-26 一种智能电动汽车行驶状态信息估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311246086.1A CN116992697B (zh) 2023-09-26 2023-09-26 一种智能电动汽车行驶状态信息估计方法

Publications (2)

Publication Number Publication Date
CN116992697A CN116992697A (zh) 2023-11-03
CN116992697B true CN116992697B (zh) 2023-12-15

Family

ID=88526961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311246086.1A Active CN116992697B (zh) 2023-09-26 2023-09-26 一种智能电动汽车行驶状态信息估计方法

Country Status (1)

Country Link
CN (1) CN116992697B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272525A (zh) * 2023-11-23 2023-12-22 华东交通大学 一种智能电动汽车路面附着系数估计方法
CN117565877B (zh) * 2024-01-19 2024-04-09 华东交通大学 一种分布式驱动电动汽车行驶状态分层融合估计方法
CN117725687A (zh) * 2024-02-06 2024-03-19 华东交通大学 一种基于永磁同步电机的电动汽车路面附着系数估计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006055550A1 (de) * 2006-11-24 2008-05-29 Robert Bosch Gmbh Verfahren zur Schätzung zumindest einer Fahrzustandsgröße eines Fahrzeugs
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN110532590A (zh) * 2019-07-12 2019-12-03 南京航空航天大学 一种基于自适应容积粒子滤波的车辆状态估计方法
CN111845775A (zh) * 2020-07-20 2020-10-30 上海大学 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
CN114103967A (zh) * 2021-04-22 2022-03-01 东南大学 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
CN116552548A (zh) * 2023-07-06 2023-08-08 华东交通大学 一种四轮分布式电驱动汽车状态估计方法
CN116680873A (zh) * 2023-05-12 2023-09-01 吉林大学 一种基于改进自适应扩展卡尔曼滤波的车辆状态估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006055550A1 (de) * 2006-11-24 2008-05-29 Robert Bosch Gmbh Verfahren zur Schätzung zumindest einer Fahrzustandsgröße eines Fahrzeugs
CN104182991A (zh) * 2014-08-15 2014-12-03 辽宁工业大学 一种车辆行驶状态估计方法及装置
CN110532590A (zh) * 2019-07-12 2019-12-03 南京航空航天大学 一种基于自适应容积粒子滤波的车辆状态估计方法
CN111845775A (zh) * 2020-07-20 2020-10-30 上海大学 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
CN114103967A (zh) * 2021-04-22 2022-03-01 东南大学 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
CN116680873A (zh) * 2023-05-12 2023-09-01 吉林大学 一种基于改进自适应扩展卡尔曼滤波的车辆状态估计方法
CN116552548A (zh) * 2023-07-06 2023-08-08 华东交通大学 一种四轮分布式电驱动汽车状态估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于Huber的鲁棒广义高阶容积卡尔曼滤波算法;秦康，等;《控制与决策》;第33卷(第1期);全文 *
基于MCC的鲁棒高阶CKF在组合导航中的应用;卢航，等;《计算机工程与应用》;第56卷(第1期);第257-264页 *
基于双容积卡尔曼滤波的车辆状态与路面附着系数估计;李刚;解瑞春;卫绍元;宗长富;;中国科学:技术科学(04);全文 *
基于容积卡尔曼滤波的车辆行驶状态估计;卫绍元;解瑞春;李刚;;机械设计与制造(01);全文 *
基于强跟踪容积卡尔曼滤波的车辆行驶状态估计;李刚;解瑞春;宗长富;李宁;李贵远;;汽车技术(09);全文 *

Also Published As

Publication number Publication date
CN116992697A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN116992697B (zh) 一种智能电动汽车行驶状态信息估计方法
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
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
CN116552548B (zh) 一种四轮分布式电驱动汽车状态估计方法
CN113002549B (zh) 一种车辆状态估算方法、装置、设备及存储介质
CN110987470B (zh) 一种基于模型迭代的汽车质量在线估计方法
CN110884499B (zh) 一种确定车辆质心侧偏角的方法和系统
CN117272525A (zh) 一种智能电动汽车路面附着系数估计方法
CN115406446A (zh) 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法
CN116991076B (zh) 一种基于状态估计信息输入的轮式机器人转向控制方法
CN111189454A (zh) 基于秩卡尔曼滤波的无人车slam导航方法
CN107985318A (zh) 轮式装载机重心纵向位置和重心高度动态估计方法
CN112270039A (zh) 基于分布式异步融合的线控底盘车辆非线性状态估计方法
Wang et al. Estimation of vehicle state using robust cubature Kalman filter
Song et al. Reliable estimation of automotive states based on optimized neural networks and moving horizon estimator
CN117719519A (zh) 一种车辆行驶状态估计方法
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法
CN108413923B (zh) 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法
CN116691702A (zh) 一种车辆质心侧偏角估计方法
Yuhao Estimation of Vehicle Status and Parameters Based on Nonlinear Kalman Filtering
CN114154231A (zh) 一种基于深度强化学习的车辆行驶状态估计系统及方法
CN114590264A (zh) 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法
CN117406607B (zh) 一种基于改进卡尔曼滤波的轮式机器人行进状态估计方法
CN114435371A (zh) 一种道路坡度估计方法和装置
CN117565877B (zh) 一种分布式驱动电动汽车行驶状态分层融合估计方法

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