CN117272525A - 一种智能电动汽车路面附着系数估计方法 - Google Patents
一种智能电动汽车路面附着系数估计方法 Download PDFInfo
- Publication number
- CN117272525A CN117272525A CN202311568294.3A CN202311568294A CN117272525A CN 117272525 A CN117272525 A CN 117272525A CN 202311568294 A CN202311568294 A CN 202311568294A CN 117272525 A CN117272525 A CN 117272525A
- Authority
- CN
- China
- Prior art keywords
- representing
- state
- covariance
- wheel
- kalman 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 241000953561 Toia Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Abstract
本发明提供一种智能电动汽车路面附着系数估计方法，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，并构建Dugoff轮胎模型，通过Dugoff轮胎模型计算出轮胎力，并对Dugoff轮胎模型计算的轮胎力进行归一化处理，然后搭建广义高阶容积卡尔曼滤波器，最后引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计，能够实现路面附着系数的有效实时估计。
Description
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路面附着系数估计方法。
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。
主动安全控制的首要前提是获得汽车行驶过程中的路面附着系数，然而路面附着系数无法通过传感器直接测量，因此，如何根据现有的传感器来准确的估计难以测量的路面附着系数，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路面附着系数估计方法，以实现路面附着系数的有效实时估计。
一种智能电动汽车路面附着系数估计方法，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；
步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建Dugoff轮胎模型，通过Dugoff轮胎模型计算出轮胎力，并对Dugoff轮胎模型计算的轮胎力进行归一化处理；
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，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中；
步骤4，基于步骤3中构建的广义高阶容积卡尔曼滤波器，引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计。
根据本发明提供的智能电动汽车路面附着系数估计方法，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Dugoff模型，并对Dugoff模型计算的横纵向轮胎力进行归一化处理，并通过最大相关熵广义高阶容积卡尔曼滤波器，能够对智能电动汽车的路面附着系数进行实时估计；
2、不同于一般的广义高阶容积卡尔曼滤波算法，本发明采用最大相关熵广义高阶容积卡尔曼滤波器，根据建立的汽车动力学系统模型与轮胎模型对路面附着系数进行实时估计，考虑多工况下行驶的智能电动汽车动力学模型是一个非线性的系统，传统的广义高阶容积卡尔曼滤波算法抵抗非高斯噪声能力差，估计精度不高，因此，本发明在广义高阶容积卡尔曼滤波的基础上，引入最大相关熵准则，增强滤波器抵抗非高斯噪声的能力，能够有效提高估计精度，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路面附着系数估计方法的流程图；
图2为本发明所提出的方法对左前轮的估计与传统广义高阶容积卡尔曼算法、真实值的对比图；
图3为本发明所提出的方法对右后轮的估计与传统广义高阶容积卡尔曼算法、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路面附着系数估计方法，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。
其中，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，m为车辆总质量；r为横摆角速度；为前轮转角；/>、/>、/>、/>分别表示左前轮、右前轮、左后轮、右后轮的纵向力；/>、/>、/>、/>分别表示左前轮、右前轮、左后轮、右后轮的横向力；/>为车辆质心绕z轴的转动惯量；/>和/>分别为前轮距和后轮距；/>和/>分别为质心距离前轴和质心距离后轴的距离；/>为纵向加速度；/>为侧向加速度。
步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建Dugoff轮胎模型，通过Dugoff轮胎模型计算出轮胎力，并对Dugoff轮胎模型计算的轮胎力进行归一化处理。
步骤2具体包括：
采用Dugoff轮胎模型计算轮胎纵向力与横向力，计算公式为：
；
；
；
；
其中，表示车轮的纵向力，/>表示车轮的横向力，/>表示车轮的轮胎垂向力，/>表示车轮的路面附着系数，/>表示归一化的车轮的纵向力，/>表示归一化的车轮的横向力，/>表示车轮的滑移率，/>表示车轮的侧偏角，qj=fl表示左前轮，qj=fr表示右前轮，qj=rl表示左后轮，qj=rr表示右后轮；/>是车轮的纵向刚度；/>是车轮的横向刚度；/>表示过程变量函数；/>表示过程变量参数；/>表示速度影响因子，仅与轮胎参数有关；/>为车辆纵向车速。
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，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中。
步骤3中，搭建广义高阶容积卡尔曼滤波器具体包括：
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中归一化的轮胎力，设定非线性系统的状态方程和测量方程为：
其中，表示k时刻的状态变量，/>，T表示转置；/>表示k-1时刻的状态变量；/>表示k-1时刻的控制变量；/>表示k时刻的控制变量，/>；/>表示k时刻的观测变量，/>；f表示状态函数；h表示测量函数；/>和/>分别表示过程噪声和测量噪声；
将状态方程和测量方程引入广义高阶容积卡尔曼滤波器中，进行预测和更新；
1）预测
；
；
；
；
其中，表示预测阶段的状态协方差的平方根；/>表示Cholesky分解；表示预测阶段的状态协方差；/>表示对应i时刻的状态向量；/>表示容积点；表示k-1时刻状态估计值；n为大于0的自然数；/>表示权重值；
传播的容积点为：
其中，表示传播中的状态向量；
先验状态估计为：
其中，表示k时刻状态估计值；
协方差由下式估计：
其中，表示更新阶段的状态协方差；/>表示状态噪声协方差矩阵；
2）更新
基于先验状态和协方差生成容积点，公式如下：
；
；
其中，表示更新阶段的状态协方差的平方根；/>表示更新阶段的状态向量；
传播的容积点由下式生成：
其中，为对应i时刻的测量向量；
先验测量和协方差如下：
；
；
其中，表示k时刻的测量估计值；/>表示测量协方差矩阵；/>表示测量噪声协方差矩阵；
互协方差由下式计算：
其中，表示互协方差矩阵；
卡尔曼增益由下式计算：
其中，表示卡尔曼滤波增益值；
后验状态估计为：
其中，表示最终状态估计值；
后验协方差通过以下公式更新：
其中，表示最终状态协方差矩阵。
步骤4，基于步骤3中构建的广义高阶容积卡尔曼滤波器，引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计。
其中，步骤4具体包括：
对步骤3中构建的广义高阶容积卡尔曼滤波器引入最大相关熵准则，构造最大相关熵广义高阶容积卡尔曼滤波器：
对非线性系统的状态方程和测量方程进行如下操作：
其中，为测量阶段的过程变量；
其中，表示期望值，通过对/>执行Cholesky分解，获得/>、/>和/>，/>、/>和/>均为最大相关熵准则下期望分解的过程变量；
进一步得到下式：
其中，为非线性模型传递的过程变量；/>为非线性传递函数；/>为误差向量；
最大相关熵准则下，的解如下式：
表示最大相关熵迭代过程中的状态估计值，/>表示核函数；/>表示误差值，m为大于0的自然数；argmax表示取最大值函数；
令=0，则获得/>的最优解，表达式如下：
其中，为最大相关熵准则的评价函数；/>表示微分；
令，进一步得到：
其中，为自定义的过程变量；/>为核函数传递过程中的过程变量；/>、/>均为与/>相关的过程变量；diag表示建立对角矩阵的运算；
通过更新状态协方差和测量噪声的方差，将/>的更新协方差矩阵定义为/>，则有：
其中，为最大相关熵准则下的状态协方差矩阵；/>为最大相关熵准则下的测量噪声协方差矩阵；
令，则先验的状态协方差和噪声协方差为：
；
；
其中，I为单位矩阵；
然后将得到的和/>代入步骤3中的广义高阶容积卡尔曼滤波器中，分别对应替换的/>和/>，即完成最大相关熵广义高阶容积卡尔曼滤波器的搭建。
根据以上步骤搭建完成的最大相关熵广义高阶容积卡尔曼滤波器，可以实时估计智能电动汽车的路面附着系数，且具有良好的鲁棒性。
下面对本发明提出的方法进行测试，并与传统广义高阶容积卡尔曼算法、真实值进行对比，通过carsim软件搭建方向盘30°角阶跃输入，左侧0.7右侧0.5路面附着系数的对开工况场景进行测试，整车质量为1765kg，行驶纵向车速为55km/h，车轮半径为0.354m，测试结果如图2和图3所示，由图2与图3可知本发明所提出的方法对路面附着系数的估计精度明显提升，精确度至少提升13%。
综上，根据本发明提供的智能电动汽车路面附着系数估计方法，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Dugoff模型，并对Dugoff模型计算的横纵向轮胎力进行归一化处理，并通过最大相关熵广义高阶容积卡尔曼滤波器，能够对智能电动汽车的路面附着系数进行实时估计；
2、不同于一般的广义高阶容积卡尔曼滤波算法，本发明采用最大相关熵广义高阶容积卡尔曼滤波器，根据建立的汽车动力学系统模型与轮胎模型对路面附着系数进行实时估计，考虑多工况下行驶的智能电动汽车动力学模型是一个非线性的系统，传统的广义高阶容积卡尔曼滤波算法抵抗非高斯噪声能力差，估计精度不高，因此，本发明在广义高阶容积卡尔曼滤波的基础上，引入最大相关熵准则，增强滤波器抵抗非高斯噪声的能力，能够有效提高估计精度，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 (5)
1.一种智能电动汽车路面附着系数估计方法，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；
步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建Dugoff轮胎模型，通过Dugoff轮胎模型计算出轮胎力，并对Dugoff轮胎模型计算的轮胎力进行归一化处理；
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，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中；
步骤4，基于步骤3中构建的广义高阶容积卡尔曼滤波器，引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计。
2.根据权利要求1所述的智能电动汽车路面附着系数估计方法，其特征在于，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，m为车辆总质量；r为横摆角速度；为前轮转角；/>、/>、/>、/>分别表示左前轮、右前轮、左后轮、右后轮的纵向力；/>、/>、/>、/>分别表示左前轮、右前轮、左后轮、右后轮的横向力；/>为车辆质心绕z轴的转动惯量；/>和/>分别为前轮距和后轮距；/>和/>分别为质心距离前轴和质心距离后轴的距离；/>为纵向加速度；/>为侧向加速度。
3.根据权利要求2所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤2具体包括：
采用Dugoff轮胎模型计算轮胎纵向力与横向力，计算公式为：
；
；
；
；
其中，表示车轮的纵向力，/>表示车轮的横向力，/>表示车轮的轮胎垂向力，/>表示车轮的路面附着系数，/>表示归一化的车轮的纵向力，/>表示归一化的车轮的横向力，/>表示车轮的滑移率，/>表示车轮的侧偏角，qj=fl表示左前轮，qj=fr表示右前轮，qj=rl表示左后轮，qj=rr表示右后轮；/>是车轮的纵向刚度；/>是车轮的横向刚度；/>表示过程变量函数；/>表示过程变量参数；/>表示速度影响因子；/>为车辆纵向车速。
4.根据权利要求3所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤3中，搭建广义高阶容积卡尔曼滤波器具体包括：
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中归一化的轮胎力，设定非线性系统的状态方程和测量方程为：
其中，表示k时刻的状态变量，/>，T表示转置；/>表示k-1时刻的状态变量；表示k-1时刻的控制变量；/>表示k时刻的控制变量，/>；/>表示k时刻的观测变量，/>；f表示状态函数；h表示测量函数；/>和/>分别表示过程噪声和测量噪声；
将状态方程和测量方程引入广义高阶容积卡尔曼滤波器中，进行预测和更新；
1）预测
；
；
；
；
其中，表示预测阶段的状态协方差的平方根；/>表示Cholesky分解；/>表示预测阶段的状态协方差；/>表示对应i时刻的状态向量；/>表示容积点；/>表示k-1时刻状态估计值；n为大于0的自然数；/>表示权重值；
传播的容积点为：
其中，表示传播中的状态向量；
先验状态估计为：
其中，表示k时刻状态估计值；
协方差由下式估计：
其中，表示更新阶段的状态协方差；/>表示状态噪声协方差矩阵；
2）更新
基于先验状态和协方差生成容积点，公式如下：
；
；
其中，表示更新阶段的状态协方差的平方根；/>表示更新阶段的状态向量；
传播的容积点由下式生成：
其中，为对应i时刻的测量向量；
先验测量和协方差如下：
；
；
其中，表示k时刻的测量估计值；/>表示测量协方差矩阵；/>表示测量噪声协方差矩阵；
互协方差由下式计算：
其中，表示互协方差矩阵；
卡尔曼增益由下式计算：
其中，表示卡尔曼滤波增益值；
后验状态估计为：
其中，表示最终状态估计值；
后验协方差通过以下公式更新：
其中，表示最终状态协方差矩阵。
5.根据权利要求4所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤4具体包括：
对步骤3中构建的广义高阶容积卡尔曼滤波器引入最大相关熵准则，构造最大相关熵广义高阶容积卡尔曼滤波器：
对非线性系统的状态方程和测量方程进行如下操作：
其中，为测量阶段的过程变量；
其中，表示期望值，通过对/>执行Cholesky分解，获得/>、/>和/>，/>、/>和/>均为最大相关熵准则下期望分解的过程变量；
进一步得到下式：
其中，为非线性模型传递的过程变量；/>为非线性传递函数；/>为误差向量；
最大相关熵准则下，的解如下式：
表示最大相关熵迭代过程中的状态估计值，/>表示核函数；/>表示误差值，m为大于0的自然数；argmax表示取最大值函数；
令=0，则获得/>的最优解，表达式如下：
其中，为最大相关熵准则的评价函数；/>表示微分；
令，进一步得到：
其中，为自定义的过程变量；/>为核函数传递过程中的过程变量；/>、/>均为与/>相关的过程变量；diag表示建立对角矩阵的运算；
通过更新状态协方差和测量噪声的方差，将/>的更新协方差矩阵定义为/>，则有：
其中，为最大相关熵准则下的状态协方差矩阵；/>为最大相关熵准则下的测量噪声协方差矩阵；
令，则先验的状态协方差和噪声协方差为：
；
；
其中，I为单位矩阵；
然后将得到的和/>代入步骤3中的广义高阶容积卡尔曼滤波器中，分别对应替换的/>和/>，即完成最大相关熵广义高阶容积卡尔曼滤波器的搭建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311568294.3A CN117272525A (zh) | 2023-11-23 | 2023-11-23 | 一种智能电动汽车路面附着系数估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311568294.3A CN117272525A (zh) | 2023-11-23 | 2023-11-23 | 一种智能电动汽车路面附着系数估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272525A true CN117272525A (zh) | 2023-12-22 |
Family
ID=89216468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311568294.3A Pending CN117272525A (zh) | 2023-11-23 | 2023-11-23 | 一种智能电动汽车路面附着系数估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272525A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117565877A (zh) * | 2024-01-19 | 2024-02-20 | 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113432608A (zh) * | 2021-02-03 | 2021-09-24 | 东南大学 | 适于ins/cns组合导航系统的基于最大相关熵的广义高阶ckf算法 |
| 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 |
| CN116749982A (zh) * | 2023-07-17 | 2023-09-15 | 徐州徐工传动科技有限公司 | 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法 |
| CN116923428A (zh) * | 2023-09-07 | 2023-10-24 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
| CN116992697A (zh) * | 2023-09-26 | 2023-11-03 | 华东交通大学 | 一种智能电动汽车行驶状态信息估计方法 |
-
2023
- 2023-11-23 CN CN202311568294.3A patent/CN117272525A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113432608A (zh) * | 2021-02-03 | 2021-09-24 | 东南大学 | 适于ins/cns组合导航系统的基于最大相关熵的广义高阶ckf算法 |
| 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 |
| CN116749982A (zh) * | 2023-07-17 | 2023-09-15 | 徐州徐工传动科技有限公司 | 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法 |
| CN116923428A (zh) * | 2023-09-07 | 2023-10-24 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
| CN116992697A (zh) * | 2023-09-26 | 2023-11-03 | 华东交通大学 | 一种智能电动汽车行驶状态信息估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| DI LIU等: "Maximum correntropy generalized high-degree cubature Kalman filter with application to the attitude determination system of missile", AEROSPACE SCIENCE AND TECHNOLOGY, vol. 95, pages 2 - 3 * |
| LINGXIAO QUAN等: "Vehicle State and Road Adhesion Coefficient Joint Estimation Based on High-Order Cubature Kalman Algorithm", APPLIED SCIENCES, vol. 13, no. 19, pages 1 - 4 * |
| 李克强: "电动汽车工程手册 第6卷", 机械工业出版社, pages: 253 - 254 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117565877A (zh) * | 2024-01-19 | 2024-02-20 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117272525A (zh) | 一种智能电动汽车路面附着系数估计方法 | |
| Liu et al. | Sideslip angle estimation of ground vehicles: a comparative study | |
| CN116992697B (zh) | 一种智能电动汽车行驶状态信息估计方法 | |
| CN116552548B (zh) | 一种四轮分布式电驱动汽车状态估计方法 | |
| CN110884499B (zh) | 一种确定车辆质心侧偏角的方法和系统 | |
| 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 | |
| CN110497915B (zh) | 一种基于加权融合算法的汽车行驶状态估计方法 | |
| 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 | |
| Wang et al. | Estimation of vehicle state using robust cubature kalman filter | |
| 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 | |
| Song et al. | Reliable estimation of automotive states based on optimized neural networks and moving horizon estimator | |
| Tong | An approach for vehicle state estimation using extended Kalman filter | |
| Ge et al. | Robust adaptive sliding mode control for path tracking of unmanned agricultural vehicles | |
| CN111931368A (zh) | 一种基于gru粒子滤波的uuv目标状态估计方法 | |
| Liu et al. | Vehicle state estimation based on unscented kalman filtering and a genetic algorithm | |
| 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 | |
| CN113650620B (zh) | 一种四轮电驱动汽车状态预测方法 | |
| 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 | |
| CN111703429B (zh) | 一种轮毂电机驱动车辆纵向速度估算方法 | |
| Yuhao | Estimation of Vehicle Status and Parameters Based on Nonlinear Kalman Filtering | |
| CN117725687A (zh) | 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 | |
| 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 | |
| CN115408659A (zh) | 一种动态目标定位方法 |
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 |