CN117565877A - 一种分布式驱动电动汽车行驶状态分层融合估计方法 - Google Patents
一种分布式驱动电动汽车行驶状态分层融合估计方法 Download PDFInfo
- Publication number
- CN117565877A CN117565877A CN202410079572.7A CN202410079572A CN117565877A CN 117565877 A CN117565877 A CN 117565877A CN 202410079572 A CN202410079572 A CN 202410079572A CN 117565877 A CN117565877 A CN 117565877A
- Authority
- CN
- China
- Prior art keywords
- time
- state
- kalman filter
- maximum correlation
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 28
- 238000012804 iterative process Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011217 control strategy 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- B60W40/10—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 vehicle motion
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/105—Speed
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种分布式驱动电动汽车行驶状态分层融合估计方法，该方法先构建横向、横摆非线性二自由度车辆动力学模型与线性轮胎模型，然后采用基于遗忘因子的递归最小二乘法对线性区内的轮胎侧偏刚度进行估计，再搭建自适应扩展卡尔曼滤波器，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，并采用天鹰智能优化算法对自适应扩展卡尔曼滤波器的非高斯噪声值进行实时优化更新，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计，本发明能够实现分布式驱动电动汽车行驶状态参数的有效实时估计，具有良好的精度和鲁棒性。
Description
技术领域
本发明涉及电动汽车技术领域，特别是涉及一种分布式驱动电动汽车行驶状态分层融合估计方法。
背景技术
随着信息和人工智能技术的进步和发展，分布式驱动电动汽车越来越受到人们的关注，分布式驱动电动汽车具有节能、高效等优点，是目前实现汽车能源转型的重要手段，特别是基于永磁同步电机的分布式驱动电动汽车。其中分布式驱动电动汽车行驶过程中的主动安全控制是核心问题之一。
安全控制策略的首要前提是准确获得汽车当前的状态等重要参数，然而某些关键状态没有办法直接测量或者成本昂贵。因此，如何根据现有低成本的传感器来准确的预测分布式驱动电动汽车的行驶状态参数，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分布式驱动电动汽车行驶状态分层融合估计方法，以实现分布式驱动电动汽车行驶状态参数的有效实时估计。
一种分布式驱动电动汽车行驶状态分层融合估计方法，包括以下步骤：
步骤1，根据分布式驱动电动汽车的运动特性，构建横向、横摆非线性二自由度车辆动力学模型与线性轮胎模型，并将横向、横摆非线性二自由度车辆动力学模型推导为连续时间车辆状态方程；
步骤2，基于步骤1中构建的线性轮胎模型，采用基于遗忘因子的递归最小二乘法对线性区内的轮胎侧偏刚度进行估计；
步骤3，基于步骤1中得到的连续时间车辆状态方程，搭建自适应扩展卡尔曼滤波器，并将步骤2中估计的轮胎侧偏刚度输入到自适应扩展卡尔曼滤波器中；
步骤4，基于步骤3中构建的自适应扩展卡尔曼滤波器，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，并采用天鹰智能优化算法对自适应扩展卡尔曼滤波器的非高斯噪声值进行实时优化更新，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计。
根据本发明提供的分布式驱动电动汽车行驶状态分层融合估计方法，具有以下有益效果：
1、本发明综合考虑分布式驱动电动汽车的横向、横摆运动，建立二自由度车辆动力学模型和线性轮胎模型，通过基于遗忘因子的递归最小二乘法对车辆侧偏刚度进行估计，并通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器，对分布式驱动电动汽车的行驶状态信息进行实时估计；
2、不同于一般的扩展卡尔曼滤波算法，本发明采用Sage-Huse方法，对扩展卡尔曼滤波器进行测量噪声的自适应处理，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分布式驱动电动汽车动力学模型是一个非线性的系统，传统的扩展卡尔曼滤波算法估计效果较差，因此，本发明在扩展卡尔曼滤波的基础上，采用Sage-Huse准则，提升了滤波器对噪声的自适应性，能够提高估计精度；
3、本发明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，且引入了天鹰智能优化算法对非高斯噪声值进行寻优，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，增强了滤波器对非高斯噪声的抵抗能力，且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分布式驱动电动汽车行驶状态分层融合估计方法的流程图；
图2为本发明所提出的方法对横摆角速度的估计与传统扩展卡尔曼算法、真实值的对比图；
图3为本发明所提出的方法对侧向车速的估计与传统扩展卡尔曼算法、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分布式驱动电动汽车行驶状态分层融合估计方法，本实施例中，该方法包括步骤1~步骤4：
步骤1，根据分布式驱动电动汽车的运动特性，构建横向、横摆非线性二自由度车辆动力学模型与线性轮胎模型，并将横向、横摆非线性二自由度车辆动力学模型推导为连续时间车辆状态方程。
步骤1中，构建的横向、横摆非线性二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；为车辆质心绕z轴的转动惯量；/>为车辆纵向车速；/>表示前轮总侧向力；/>表示后轮总侧向力；/>表示车辆横向车速/>的微分；r表示横摆角速度；/>表示r的微分；/>和/>分别为质心距离前轴和后轴的距离；/>为前轮转角。
步骤1中，构建的线性轮胎模型的表达式为：
；
；
其中，为前轮总侧偏刚度；/>为后轮总侧偏刚度；/>表示前轮侧偏角度；/>表示后轮侧偏角度。
步骤1中，推导出的连续时间车辆状态方程的表达式为：
；
。
步骤2，基于步骤1中构建的线性轮胎模型，采用基于遗忘因子的递归最小二乘法对线性区内的轮胎侧偏刚度进行估计。
其中，步骤2满足以下条件式：
；
；
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；
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时刻的待估计参数；/>为k时刻的系统协方差矩阵；/>为单位矩阵。
步骤3，基于步骤1中得到的连续时间车辆状态方程，搭建自适应扩展卡尔曼滤波器，并将步骤2中估计的轮胎侧偏刚度输入到自适应扩展卡尔曼滤波器中。
步骤3中，搭建自适应扩展卡尔曼滤波器具体包括：
结合步骤1中得到的连续时间车辆状态方程与步骤2中估计的轮胎侧偏刚度，设定非线性系统的状态方程和测量方程为：
；
；
其中，f和h分别为非线性状态函数和测量函数；和/>分别表示过程噪声和测量噪声；/>为k-1时刻的状态变量；/>为k时刻的状态变量，/>；/>为观测变量，/>；/>为k时刻的控制输入；/>为k-1时刻的控制输入，；
将状态方程和测量方程引入自适应扩展卡尔曼滤波器中，进行预测和更新；
1）预测：
先验估计和协方差矩阵为：
；
；
其中，为k时刻预测的状态分量；/>为k-1时刻估计的状态分量；/>为k时刻预测状态分量的协方差矩阵；/>为状态方程的雅可比矩阵；/>为k-1时刻估计的状态分量的协方差矩阵；/>为状态噪声协方差矩阵；
2）更新：
卡尔曼增益计算如下：
；
其中，为自适应扩展卡尔曼滤波增益值；/>为测量噪声协方差矩阵；/>为观测方程的雅可比矩阵；
后验的估计和协方差矩阵更新为：
；
；
其中，为最终状态估计值；/>为最终状态协方差；
然后基于Sage-Huse方法，更新测量噪声协方差矩阵，表达式为：
；
其中，为经过Sage-Huse方法改进后的测量噪声协方差矩阵，/>代替了/>；/>为自适应因子；/>为用于噪声更新的新息矢量。
步骤4，基于步骤3中构建的自适应扩展卡尔曼滤波器，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，并采用天鹰智能优化算法对自适应扩展卡尔曼滤波器的非高斯噪声值进行实时优化更新，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计。
其中，步骤4具体包括：
对步骤3中构建的自适应扩展卡尔曼滤波器引入最大相关熵准则，构造最大相关熵自适应扩展卡尔曼滤波器：
对非线性系统的状态方程和测量方程进行如下操作：
；
其中，为更新阶段的过程变量；
；
其中，表示期望值，通过对/>执行Cholesky分解，获得/>、和/>，/>、/>和/>均为最大相关熵迭代的过程变量；
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；/>表示对应（i,k）的误差值；i表示i时刻；L为大于0的自然数；argmax表示取最大值函数；
的最优解通过下式计算得到：
；
；
其中，为核函数传递过程中的过程变量；/>、/>均为与/>相关的过程变量；表示对应（L,k）的误差值；diag表示建立对角矩阵的运算；/>表示微分运算；
在围绕/>线性化之后，/>的定点迭代算法表示为：
；
；
；
其中，表示最大相关熵准则迭代过程中t时刻的最优状态估计值，/>表示最大相关熵准则迭代过程中t-1时刻的最优状态估计值，/>为最大相关熵自适应扩展卡尔曼滤波器的t-1时刻的卡尔曼增益值；/>为/>的雅可比矩阵；/>为最大相关熵准则迭代过程中t-1时刻状态协方差矩阵的逆矩阵；/>为最大相关熵准则迭代过程中与/>对应的t-1时刻的过程变量；/>为最大相关熵准则迭代过程中t-1时刻的测量噪声协方差矩阵；/>为最大相关熵准则迭代过程中与/>对应的t-1时刻的过程变量；
然后，通过以下方式更新后验协方差矩阵：
；
其中，表示基于最大相关熵准则约束的最终状态协方差矩阵；
最后，按下式更新测量噪声协方差矩阵：
；
其中，表示基于最大相关熵准则约束的最终测量噪声协方差矩阵；
最后将和/>代入自适应扩展卡尔曼滤波器中，分别替换/>和/>，即完成最大相关熵自适应扩展卡尔曼滤波器的构建；
通过天鹰智能优化算法优化最大相关熵自适应扩展卡尔曼滤波器中的噪声协方差矩阵，/>和/>上的元素被设置为算法寻优维度D，如下式中所示：
；
；
；
式中，、/>分别表示侧向车速、横摆角速度的状态噪声值；/>表示侧向加速度的测量过程噪声值；
将自适应扩展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天鹰优化算法目标函数，从而得到天鹰优化最大相关熵自适应扩展卡尔曼滤波器，天鹰优化最大相关熵自适应扩展卡尔曼滤波器的适应度函数为：
；
其中，为h时刻的真实测量变量；/>为h时刻由滤波器输出的估计值；
然后通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计。
根据以上步骤搭建完成的最大相关熵自适应扩展卡尔曼滤波器，可以实时估计分布式驱动电动汽车的状态信息，且具有良好的鲁棒性。
下面对本发明提出的方法进行测试，并与传统扩展卡尔曼算法、真实值进行对比，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35km/h，路面附着系数为0.8，车轮半径为0.354m，由图2和图3可知，本发明所提出的方法对横摆角速度与侧向车速的估计精度明显提升，精确度提升约16%。
综上，根据本发明提供的分布式驱动电动汽车行驶状态分层融合估计方法，具有以下有益效果：
1、本发明综合考虑分布式驱动电动汽车的横向、横摆运动，建立二自由度车辆动力学模型和线性轮胎模型，通过基于遗忘因子的递归最小二乘法对车辆侧偏刚度进行估计，并通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器，对分布式驱动电动汽车的行驶状态信息进行实时估计；
2、不同于一般的扩展卡尔曼滤波算法，本发明采用Sage-Huse方法，对扩展卡尔曼滤波器进行测量噪声的自适应处理，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分布式驱动电动汽车动力学模型是一个非线性的系统，传统的扩展卡尔曼滤波算法估计效果较差，因此，本发明在扩展卡尔曼滤波的基础上，采用Sage-Huse准则，提升了滤波器对噪声的自适应性，能够提高估计精度；
3、本发明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，且引入了天鹰智能优化算法对非高斯噪声值进行寻优，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，增强了滤波器对非高斯噪声的抵抗能力，且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 (7)
1.一种分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，包括以下步骤：
步骤1，根据分布式驱动电动汽车的运动特性，构建横向、横摆非线性二自由度车辆动力学模型与线性轮胎模型，并将横向、横摆非线性二自由度车辆动力学模型推导为连续时间车辆状态方程；
步骤2，基于步骤1中构建的线性轮胎模型，采用基于遗忘因子的递归最小二乘法对线性区内的轮胎侧偏刚度进行估计；
步骤3，基于步骤1中得到的连续时间车辆状态方程，搭建自适应扩展卡尔曼滤波器，并将步骤2中估计的轮胎侧偏刚度输入到自适应扩展卡尔曼滤波器中；
步骤4，基于步骤3中构建的自适应扩展卡尔曼滤波器，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，并采用天鹰智能优化算法对自适应扩展卡尔曼滤波器的非高斯噪声值进行实时优化更新，构建天鹰优化最大相关熵自适应扩展卡尔曼滤波器，通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计。
2.根据权利要求1所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤1中，构建的横向、横摆非线性二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；为车辆质心绕z轴的转动惯量；/>为车辆纵向车速；/>表示前轮总侧向力；/>表示后轮总侧向力；/>表示车辆横向车速/>的微分；r表示横摆角速度；表示r的微分；/>和/>分别为质心距离前轴和后轴的距离；/>为前轮转角。
3.根据权利要求2所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤1中，构建的线性轮胎模型的表达式为：
；
；
其中，为前轮总侧偏刚度；/>为后轮总侧偏刚度；/>表示前轮侧偏角度；/>表示后轮侧偏角度。
4.根据权利要求3所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤1中，推导出的连续时间车辆状态方程的表达式为：
；
。
5.根据权利要求4所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤2满足以下条件式：
；
；
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；
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时刻的待估计参数；/>为k时刻的系统协方差矩阵；/>为单位矩阵。
6.根据权利要求5所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤3中，搭建自适应扩展卡尔曼滤波器具体包括：
结合步骤1中得到的连续时间车辆状态方程与步骤2中估计的轮胎侧偏刚度，设定非线性系统的状态方程和测量方程为：
；
；
其中，f和h分别为非线性状态函数和测量函数；和/>分别表示过程噪声和测量噪声；/>为k-1时刻的状态变量；/>为k时刻的状态变量，/>；/>为观测变量，/>；/>为k时刻的控制输入；/>为k-1时刻的控制输入，；
将状态方程和测量方程引入自适应扩展卡尔曼滤波器中，进行预测和更新；
1）预测：
先验估计和协方差矩阵为：
；
；
其中，为k时刻预测的状态分量；/>为k-1时刻估计的状态分量；/>为k时刻预测状态分量的协方差矩阵；/>为状态方程的雅可比矩阵；/>为k-1时刻估计的状态分量的协方差矩阵；/>为状态噪声协方差矩阵；
2）更新：
卡尔曼增益计算如下：
；
其中，为自适应扩展卡尔曼滤波增益值；/>为测量噪声协方差矩阵；/>为观测方程的雅可比矩阵；
后验的估计和协方差矩阵更新为：
；
；
其中，为最终状态估计值；/>为最终状态协方差；
然后基于Sage-Huse方法，更新测量噪声协方差矩阵，表达式为：
；
其中，为经过Sage-Huse方法改进后的测量噪声协方差矩阵，/>代替了/>；/>为自适应因子；/>为用于噪声更新的新息矢量。
7.根据权利要求6所述的分布式驱动电动汽车行驶状态分层融合估计方法，其特征在于，步骤4具体包括：
对步骤3中构建的自适应扩展卡尔曼滤波器引入最大相关熵准则，构造最大相关熵自适应扩展卡尔曼滤波器：
对非线性系统的状态方程和测量方程进行如下操作：
；
其中，为更新阶段的过程变量；
；
其中，表示期望值，通过对/>执行Cholesky分解，获得/>、/>和，/>、/>和/>均为最大相关熵迭代的过程变量；
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；/>表示对应（i, k）的误差值；i表示i时刻；L为大于0的自然数；argmax表示取最大值函数；
的最优解通过下式计算得到：
；
；
其中，为核函数传递过程中的过程变量；/>、/>均为与/>相关的过程变量；/>表示对应（L, k）的误差值；diag表示建立对角矩阵的运算；/>表示微分运算；
在围绕/>线性化之后，/>的定点迭代算法表示为：
；
；
；
其中，表示最大相关熵准则迭代过程中t时刻的最优状态估计值，/>表示最大相关熵准则迭代过程中t-1时刻的最优状态估计值，/>为最大相关熵自适应扩展卡尔曼滤波器的t-1时刻的卡尔曼增益值；/>为/>的雅可比矩阵；/>为最大相关熵准则迭代过程中t-1时刻状态协方差矩阵的逆矩阵；/>为最大相关熵准则迭代过程中与/>对应的t-1时刻的过程变量；/>为最大相关熵准则迭代过程中t-1时刻的测量噪声协方差矩阵；/>为最大相关熵准则迭代过程中与/>对应的t-1时刻的过程变量；
然后，通过以下方式更新后验协方差矩阵：
；
其中，表示基于最大相关熵准则约束的最终状态协方差矩阵；
最后，按下式更新测量噪声协方差矩阵：
；
其中，表示基于最大相关熵准则约束的最终测量噪声协方差矩阵；
最后将和/>代入自适应扩展卡尔曼滤波器中，分别替换/>和/>，即完成最大相关熵自适应扩展卡尔曼滤波器的构建；
通过天鹰智能优化算法优化最大相关熵自适应扩展卡尔曼滤波器中的噪声协方差矩阵，/>和/>上的元素被设置为算法寻优维度D，如下式中所示：
；
；
；
式中，、/>分别表示侧向车速、横摆角速度的状态噪声值；/>表示侧向加速度的测量过程噪声值；
将自适应扩展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天鹰优化算法目标函数，从而得到天鹰优化最大相关熵自适应扩展卡尔曼滤波器，天鹰优化最大相关熵自适应扩展卡尔曼滤波器的适应度函数为：
；
其中，为h时刻的真实测量变量；/>为h时刻由滤波器输出的估计值；
然后通过天鹰优化最大相关熵自适应扩展卡尔曼滤波器对分布式驱动电动汽车的行驶状态进行实时估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079572.7A CN117565877B (zh) | 2024-01-19 | 2024-01-19 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079572.7A CN117565877B (zh) | 2024-01-19 | 2024-01-19 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117565877A true CN117565877A (zh) | 2024-02-20 |
| CN117565877B CN117565877B (zh) | 2024-04-09 |
Family
ID=89892324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410079572.7A Active CN117565877B (zh) | 2024-01-19 | 2024-01-19 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117565877B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140100827A1 (en) * | 2012-10-08 | 2014-04-10 | Siemens Corporation | Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics |
| DE102019127906A1 (de) * | 2019-10-16 | 2021-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung eines Wertes eines Fahrzeugparameters |
| CN113032988A (zh) * | 2021-03-18 | 2021-06-25 | 杭州电子科技大学 | 基于最大相关熵的高阶扩展卡尔曼滤波器设计方法 |
| CN113602279A (zh) * | 2021-08-27 | 2021-11-05 | 吾驾之宝汽车技术(江苏)有限公司 | 分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法 |
| CN113650619A (zh) * | 2021-08-30 | 2021-11-16 | 东南大学 | 一种四轮驱动电动汽车轮胎力软测量方法 |
| CN116047498A (zh) * | 2023-01-16 | 2023-05-02 | 西安理工大学 | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 |
| CN116454863A (zh) * | 2023-03-16 | 2023-07-18 | 南昌大学 | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 |
| US20230297642A1 (en) * | 2022-03-18 | 2023-09-21 | University Of Electronic Science And Technology | Bearings-only target tracking method based on pseudo-linear maximum correlation entropy kalman filtering |
| CN116793712A (zh) * | 2023-03-09 | 2023-09-22 | 山东大学 | 商用车轮胎侧偏刚度在线辨识方法及系统 |
| 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 |
| 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 |
-
2024
- 2024-01-19 CN CN202410079572.7A patent/CN117565877B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140100827A1 (en) * | 2012-10-08 | 2014-04-10 | Siemens Corporation | Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics |
| DE102019127906A1 (de) * | 2019-10-16 | 2021-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung eines Wertes eines Fahrzeugparameters |
| CN113032988A (zh) * | 2021-03-18 | 2021-06-25 | 杭州电子科技大学 | 基于最大相关熵的高阶扩展卡尔曼滤波器设计方法 |
| CN113602279A (zh) * | 2021-08-27 | 2021-11-05 | 吾驾之宝汽车技术(江苏)有限公司 | 分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法 |
| CN113650619A (zh) * | 2021-08-30 | 2021-11-16 | 东南大学 | 一种四轮驱动电动汽车轮胎力软测量方法 |
| US20230297642A1 (en) * | 2022-03-18 | 2023-09-21 | University Of Electronic Science And Technology | Bearings-only target tracking method based on pseudo-linear maximum correlation entropy kalman filtering |
| CN116047498A (zh) * | 2023-01-16 | 2023-05-02 | 西安理工大学 | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 |
| CN116793712A (zh) * | 2023-03-09 | 2023-09-22 | 山东大学 | 商用车轮胎侧偏刚度在线辨识方法及系统 |
| CN116454863A (zh) * | 2023-03-16 | 2023-07-18 | 南昌大学 | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117565877B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613253B (zh) | 考虑环境因素的车辆质量和道路坡度联合自适应估计方法 | |
| 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 | |
| Zhou et al. | Deep convolutional neural network based fractional-order terminal sliding-mode control for robotic manipulators | |
| CN117272525A (zh) | 一种智能电动汽车路面附着系数估计方法 | |
| 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 | |
| CN111291471B (zh) | 一种基于l1正则无迹变换的约束多模型滤波方法 | |
| 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 | |
| CN112859600B (zh) | 一种基于扩张状态观测器的机械系统有限时间控制方法 | |
| CN113806861B (zh) | 一种两步结构的车辆质量和道路坡度的估算方法 | |
| CN107985318A (zh) | 轮式装载机重心纵向位置和重心高度动态估计方法 | |
| CN111189454A (zh) | 基于秩卡尔曼滤波的无人车slam导航方法 | |
| CN109341690B (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
| CN116700327A (zh) | 一种基于连续动作优势函数学习的无人机轨迹规划方法 | |
| CN112643670A (zh) | 一种基于滑模观测器的柔性关节控制方法 | |
| 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 | |
| CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN116495014B (zh) | 一种自进化非博弈自动驾驶车辆人机共驾方法及系统 | |
| CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
| 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 | |
| Xiao et al. | DDK: A deep koopman approach for longitudinal and lateral control of autonomous ground vehicles | |
| CN111736598A (zh) | 基于自适应神经网络的收获机路径跟踪控制方法和系统 | |
| CN116859755B (zh) | 无人车驾驶控制的最小化协方差强化学习训练加速方法 | |
| CN116577997B (zh) | 一种基于并发学习的全向小车参数辨识方法 |
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 |