ES2317897T3 - Modelo de filtro adaptativo para señales de sensor de vehiculo automovl. - Google Patents
Modelo de filtro adaptativo para señales de sensor de vehiculo automovl. Download PDFInfo
- Publication number
- ES2317897T3 ES2317897T3 ES01924048T ES01924048T ES2317897T3 ES 2317897 T3 ES2317897 T3 ES 2317897T3 ES 01924048 T ES01924048 T ES 01924048T ES 01924048 T ES01924048 T ES 01924048T ES 2317897 T3 ES2317897 T3 ES 2317897T3
- Authority
- ES
- Spain
- Prior art keywords
- sensor
- deviation
- signal
- signals
- 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.)
- Expired - Lifetime
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/1701—Braking or traction control means specially adapted for particular types of vehicles
- B60T8/1706—Braking or traction control means specially adapted for particular types of vehicles for single-track vehicles, e.g. motorcycles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
- B60C23/061—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle by monitoring wheel speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
- B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
- B60C23/061—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle by monitoring wheel speed
- B60C23/062—Frequency spectrum analysis of wheel speed signals, e.g. using Fourier transformation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
- B60T8/1725—Using tyre sensors, e.g. Sidewall Torsion sensors [SWT]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/1755—Brake regulation specially adapted to control the stability of the vehicle, e.g. taking into account yaw rate or transverse acceleration in a curve
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
- B60T2210/10—Detection or estimation of road conditions
- B60T2210/13—Aquaplaning, hydroplaning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2240/00—Monitoring, detecting wheel/tire behaviour; counteracting thereof
- B60T2240/03—Tire sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2250/00—Monitoring, detecting, estimating vehicle conditions
- B60T2250/06—Sensor zero-point adjustment; Offset compensation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Gyroscopes (AREA)
- Vehicle Body Suspensions (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Feedback Control In General (AREA)
Abstract
Un método para determinar un valor (x) de parámetro físico de un vehículo de ruedas, que comprende los pasos de: - recibir una primera señal (y1) de sensor que es dependiente de una primera clase de parámetro físico que afecta a una condición del vehículo de ruedas; - recibir una segunda señal (y2) de sensor que es dependiente de una segunda clase de parámetro físico que afecta a una condición del vehículo de ruedas; - filtrar de manera recurrente dichas señales primera y segunda (y 1, y 2) de sensor por medio de un filtro adaptativo basado en un modelo predeterminado de la condición del vehículo de ruedas, siendo dicho modelo dependiente de dicha primera clase de parámetro físico, de dicha segunda clase de parámetro físico y del error (b1) de desviación para dicha primera señal de sensor; - estimar los valores de errores de desviación de dichas señales primera y segunda de sensor por medio de dicho filtro, siendo adicionalmente dicho modelo dependiente del error (b2) de desviación para dicha segunda señal de sensor y siendo incorporada en el modelo la dependencia (c1, c2) de dichos errores primero y segundo de desviación; - determinar en dicha filtración información de primer tipo sobre dicho parámetro físico (x) por medio de dichas señales primera y segunda (y1, y2) de sensor y por medio de una pluralidad de relaciones predeterminadas entre valores medidos (y1(t), y2(t)) de dicho parámetro físico (x) a partir de dichas señales primera y segunda de sensor, dicho valor (x(t)) de parámetro físico, y dichos errores primero y segundo (c1(t)b1, c2(t)b2) de desviación de dichas señales primera y segunda (y 1, y 2) de sensor; - determinar en dicha filtración información de segundo tipo sobre dicho parámetro físico (x) por medio de un cierto número de mediciones (y1(t), y2(t)), dependientes del tiempo, de dicho parámetro físico (x) representadas por dichas señales primera y segunda de sensor y por medio de dichas relaciones predeterminadas; - calcular, dependiendo de dicha información de primer tipo y dicha información de segundo tipo, una señal (X) de valor de parámetro físico tal que dichos errores primero y segundo de desviación se compensan y se eliminan.
Description
Modelo de filtro adaptativo para señales de
sensor de vehículo automóvil.
La presente invención se refiere generalmente a
un sistema para integrar sensores de parámetros físicos y, más
específicamente, a un sistema para la fusión de sensores en un
vehículo de ruedas.
En el desarrollo actual dentro de la tecnología
automovilística, hay un interés creciente en perfeccionar la
seguridad y la maniobrabilidad de los vehículos por medio de un
cierto número de sistemas de apoyo. Ejemplos de sistemas de apoyo
bien conocidos en vehículos de ruedas son los sistemas de freno
antibloqueo (ABS), los sistemas de control de tracción y los
sistemas de estimación de presión de los neumáticos. Esta clase de
sistemas están provistos habitualmente de sensores más o menos
complejos tales como giroscopios y sensores de velocidad de rueda
para reunir información acerca de parámetros físicos que afectan al
vehículo.
Junto con el desarrollo de la tecnología, hay
una demanda creciente de equipo de perfeccionamiento de la seguridad
en coches normalizados, algo que no siempre es compatible con un
nivel aceptable de precios en este segmento de coches. Existe por
tanto la necesidad de desarrollar un equipo rentable de sensor a la
vez que se mejore la capacidad de uso de las señales de sensor.
Un parámetro importante para los sistemas
automáticos de apoyo, tales como el control dinámico de tracción y
de estabilidad (DSTC), es la dirección de desplazamiento del
vehículo. El desplazamiento se expresa habitualmente en términos de
ángulo de guiñada, que es la dirección de movimiento con relación a
un eje longitudinal del vehículo, y el ritmo de guiñada, que es la
velocidad angular de la rotación del vehículo alrededor de su centro
de gravedad en el plano horizontal.
En un enfoque sencillo, el ritmo de guiñada se
calcula independientemente a partir de diferentes sensores del
vehículo, tales como un sensor de giroscopio, un sensor de ABS, un
sensor de acelerómetro o un sensor de ángulo de rueda directriz,
dando de este modo como resultado diferentes valores del ritmo de
guiñada. Estos valores se han comparado y se ha usado una votación
para decidir qué información usar.
Las señales de sensor generalmente comprenden un
valor de parámetro y una desviación del verdadero valor de
parámetro. Las desviaciones se deben a un conocimiento imperfecto de
los parámetros y sus dependencias, y las desviaciones varían a lo
largo del tiempo debido por ejemplo a cambios de temperatura y al
desgaste. Una estimación precisa de las desviaciones es crucial
para la capacidad de estimar de manera precisa el propio valor de
parámetro. La manera tradicional de mejorar las señales de sensor es
usar un filtro de paso bajo con el fin de prescindir de variaciones
de alta frecuencia, y algunas veces se puede estimar una desviación
usando un promedio a largo plazo. El promedio tiene sus
inconvenientes. Por ejemplo, en la estimación del ritmo de guiñada,
una conducción circular sistemática producirá el mismo efecto que
una desviación. Lo que es más, si se promedian dos señales de
sensor que miden el mismo parámetro físico, se puede obtener una
estimación mejorada del parámetro, pero eso no ayuda a estimar la
desviación.
El parámetro quizá mejor conocido para el
conductor de un vehículo de ruedas es la velocidad. La velocidad
del vehículo se puede estimar en base a la velocidad angular de la
rueda motriz; sin embargo, con una imprecisión debida al
resbalamiento de la rueda, el derrape de la rueda o un diámetro
variable de neumático. El enfoque normalizado para computar la
velocidad es usar las señales de velocidad de rueda procedentes de
los sensores de velocidad de rueda y posiblemente promediar las
ruedas izquierda y derecha. Para evitar errores debidos al
resbalamiento de la rueda, se usan preferiblemente las ruedas no
motrices. Este enfoque tiene, sin embargo, inconvenientes durante
el frenado cuando las ruedas se bloquean y durante la revolución de
las ruedas en vehículos de tracción a las cuatro ruedas. Para los
vehículos de tracción a las cuatro ruedas, un problema adicional es
que, incluso durante la conducción normal, habrá una pequeña
desviación positiva de velocidad debida al resbalamiento de la
rueda.
Un ejemplo de la utilización de sensores del
estado de la técnica se muestra en la patente de EE.UU. nº 5.878.357
de Sivashankar y otros. Este extracto de la técnica anterior está
dirigido a la estimación del ritmo de guiñada de un vehículo
mediante una combinación de una estimación cinemática del ritmo de
guiñada y una estimación dinámica del ritmo de guiñada usando
acelerómetros. Se pondera una estimación cinemática del ritmo de
guiñada con una aceleración lateral del vehículo en el centro de
gravedad, y el ángulo de deriva y la velocidad de avance del
vehículo se incorporan en un filtro de Kalman para conseguir una
estimación dinámica del ritmo de guiñada del vehículo. Este sistema
usa componentes de sensor de coste relativamente bajo pero es
sensible a casos de conducción difícil y errores en los radios de
rueda, por ejemplo debidos a una presión variable de neumático.
Otro inconveniente es que requiere cableado a través de todo el
coche con el fin de recoger señales de sensor desde un acelerómetro
en la parte delantera así como en la parte trasera del coche.
Otro ejemplo de técnica anterior dirigida a
medir el ritmo de guiñada se encuentra en la patente de EE.UU. nº
5.274.576 de Williams. Esta técnica anterior usa un girómetro de
ritmo de estado sólido, cuya precisión se sabe que depende de la
temperatura ambiente. Unos medios de medición proporcionan una señal
de velocidad, un ángulo de deriva y una señal de aceleración
lateral, que se usan todos en unos medios de corrección con el fin
de retirar errores de sesgo de la señal de salida del girómetro. Se
aprecia que este sistema es básicamente un filtro de paso bajo que
simplemente compensa errores de sesgo a largo plazo.
La patente de EE.UU. nº 5.860.480 de Jayaraman y
otros muestra un método para determinar el cabeceo y la velocidad
con respecto al suelo de una máquina de movimiento por tierra, y
está dirigida a estimar ciertos parámetros de funcionamiento. Esta
técnica anterior persigue superar problemas de ruido y sesgo en
señales de sensor. Usando un modelo de medición de sensor, un
modelo de proceso de máquina y ecuaciones de actualización de filtro
de Kalman, se estiman el cabeceo, el ritmo de cabeceo y la
velocidad con respecto al suelo en función de señales percibidas de
cabeceo y de velocidad con respecto al suelo.
La patente europea nº EP 0595681 A1 de REGIE
NATIONALE DES USINES RENAULT muestra un método para determinar la
velocidad de un vehículo procesando en un filtro de Kalman la
velocidad angular de rueda percibida. El filtro de Kalman está
basado en un modelo que depende de una referencia absoluta y, más
específicamente, en la suposición de que una de las señales de
sensor, es decir, la señal de velocidad, está libre de errores,
mientras que se modela un error de desviación para la otra señal, es
decir, la señal de aceleración. En caso de errores en las señales
de referencia supuestamente libres de error, este método dará como
resultado una estimación errónea de la señal de parámetro.
El documento DE 4123053 divulga un método para
estimar parámetros de movimiento de un vehículo, por ejemplo la
velocidad lateral, la velocidad de guiñada, el ángulo de
flotamiento, los ángulos de resbalamiento y las fuerzas laterales.
Esto se consigue mediante el uso de dos filtros adaptativos
equivalentes de Kalman.
El documento WO 98/10297 describe un dispositivo
y un método para monitorizar sensores en un vehículo, que perciben
diferentes variables físicas. Las señales individuales de desviación
para cada sensor se pueden generar y compensar mediante
filtración.
El problema general a resolver por la presente
invención es mejorar la capacidad de uso de las señales a partir de
sensores existentes que miden un primer parámetro físico.
Aspectos del problema son:
mejorar la precisión de tales señales de
sensor;
conseguir un señal virtual de sensor para un
segundo parámetro físico dependiente de dicho primer parámetro
físico;
usar y combinar información de sensor procedente
de diferentes fuentes disponibles con el fin de conseguir señales
virtuales de sensor o estimaciones de parámetro mejoradas;
estimar de manera precisa y eliminar
desviaciones de los valores de parámetro en las señales de
sensor.
Un aspecto adicional y más específico del
problema es proporcionar un cómputo mejorado de una indicación de
desplazamiento en forma de ángulo de guiñada y ritmo de guiñada para
un vehículo de ruedas.
Todavía otro aspecto específico del problema es
proporcionar una estimación mejorada de la velocidad de un vehículo
de ruedas.
Un aspecto adicional del problema es computar el
nivel real de combustible y el consumo instantáneo de combustible
para cualquier motor, cuando están disponibles mediciones
distorsionadas de desviación de las mismas
magnitudes.
magnitudes.
Todavía otro aspecto específico es computar el
ángulo de balanceo de un vehículo, en particular para
motocicletas.
El objeto de la invención está definido por el
contenido de las reivindicaciones independientes 1, 45, 47 y 49.
El objeto de la invención se consigue procesando
una pluralidad de señales de sensor en un filtro recurrente o
adaptativo, produciendo mediante ello una estimación optimizada de
un primer parámetro físico detectado por dichos sensores. De
acuerdo con la invención, un filtro recurrente particularmente
ventajoso se proporciona mediante un filtro de Kalman. En la
invención, el filtro de Kalman se usa como marco para procesar
señales de sensor relacionadas y estimar sus respectivas
desviaciones. Estas señales de sensor relacionadas no tienen que
medir necesariamente el mismo parámetro físico y, en ciertas
realizaciones de la invención, habitualmente representan diferentes
parámetros. Aparte de dar una estimación precisa de la desviación,
el filtro de Kalman también tiene la posibilidad ventajosa de
atenuar el ruido.
La invención consigue un aumento del rendimiento
en sensores existentes perfeccionando la señal de sensor. Lo que es
más, se encuentra nueva información combinando y procesando señales
de sensor y asociando el resultado con parámetros físicos o de
funcionamiento distintos a los relacionados directamente con los
sensores.
De acuerdo con un aspecto de la invención, la
precisión de las señales de sensor se mejora considerablemente
combinando las señales de una pluralidad de sensores existentes o
individuales de expansión en los medios de filtración
recurrente.
De acuerdo con otro aspecto de la invención, una
señal virtual de sensor para un segundo parámetro físico,
dependiente de uno o más primeros parámetros físicos, se genera
combinando sensores de diferente tipo que perciben primeros
parámetros físicos diferentes por medio de señales de sensor
combinadas procedentes de sensores reales. En otras palabras, toda
la información disponible procedente de sensores del vehículo se
fusiona sistemáticamente en un filtro recurrente, preferiblemente un
filtro de Kalman.
Cuando se aplica la fusión de sensores de
acuerdo con la invención al computar un valor de ritmo de guiñada,
al menos dos señales de sensor se ofrecen a la entrada de un filtro
de Kalman con el fin de minimizar el error en una señal de
estimación que representa el valor de ritmo de guiñada. En una
realización preferida, estas señales de sensor son una señal de
ritmo de guiñada tomada de un giroscopio, señales de velocidad de
rueda tomadas de un equipo de ABS, posiblemente también una señal
de ritmo de guiñada lateral computada a partir de un acelerómetro
lateral y señales de ángulo de rueda directriz. Un valor preciso de
ritmo de guiñada se puede aplicar por ejemplo en el cómputo de
resbalamiento lateral, que se usa en sistemas de estabilidad y en
la estimación del rozamiento. Lo que es más, hay efectos de segundo
orden, por ejemplo una estimación de radios absolutos de neumático
y consiguientemente también de velocidad absoluta. Además, el
proceso de filtración proporciona cómputos de diferencias en radios
de neumático así como señales para el diagnóstico de faltas en los
respectivos sensores. Las señales de diagnóstico se pueden usar para
avisar al conductor o se pueden almacenar en un informe de faltas
para ser usado con relación a la revisión del vehículo.
Una estimación precisa de la velocidad del
vehículo se consigue de acuerdo con una realización de la invención
en la que unas señales de sensor de velocidad de rueda se combinan
con una señal de acelerómetro y se procesan en un proceso de
filtración de acuerdo con la descripción anterior. De acuerdo con la
invención, la velocidad se computa de manera precisa incluso
durante el frenado y cuando las ruedas se bloquean. Para un vehículo
de tracción a las cuatro ruedas o cuando no están disponibles
señales de velocidad de rueda no motriz, la invención compensa el
resbalamiento de rueda y, además de la velocidad, también da
información de aceleración. Otros parámetros que se derivan en
realizaciones de la invención son la desviación del resbalamiento,
utilizable por ejemplo para la estimación de la presión de
neumático en vehículos de tracción a las cuatro ruedas, la
pendiente del resbalamiento, utilizable por ejemplo para la
estimación del rozamiento de neumático en vehículos de tracción a
las cuatro ruedas y de tracción a dos ruedas, la desviación de la
aceleración, y la velocidad de rueda en la dirección de conducción.
Estas realizaciones, así como la detección del aquaplaning, son
ejemplos de aplicación de la teoría para la rigidez longitudinal de
los neumáticos.
El resbalamiento de una rueda de vehículo es
función del momento aplicado sobre una rueda, en la que la
desviación del resbalamiento es un término constante de la función
y la pendiente del resbalamiento es la constante de proporcionalidad
entre el momento aplicado y el resbalamiento.
Hay diferentes aspectos adicionales que son
relevantes para diferentes clases de vehículos. La estimación de la
velocidad absoluta y el ritmo de guiñada quizá es más apropiada para
coches y camiones. Para las motocicletas, la determinación del
ángulo de balanceo es importante para un control del ABS y de la
revolución, puesto que se pueden utilizar menos fuerzas de
neumático al torcer. También, se puede implantar un control de foco
delantero dependiente del ángulo de balanceo. La estimación del
ángulo de balanceo es crucial además para la detección de vuelcos,
usada en algunas unidades de control de la bolsa de aire (comúnmente
conocida como airbag). De manera similar a la estimación del ritmo
de guiñada en coches, esto se puede hacer usando la velocidad de
rueda y un par de acelerómetro lateral-vertical. Tal
estimación del ángulo de balanceo llevada a cabo sin usar un
giroscopio de balanceo es un ejemplo de sensor virtual, donde sólo
se usan mediciones indirectas para computar la magnitud física.
Aquí es crucial encontrar y compensar las desviaciones del
acelerómetro, lo que se consigue convenientemente con ayuda de la
invención. Como apoyo adicional, un giroscopio de balanceo y un
acelerómetro longitudinal se pueden incorporar en el algoritmo. Otro
ejemplo de gran importancia práctica es detectar rápidamente un
aquaplaning, para coches, camiones y
motocicletas.
motocicletas.
Otros aspectos y realizaciones de la invención
se divulgan en la descripción de realizaciones detalladas y en las
reivindicaciones.
\newpage
La invención se describirá ahora adicionalmente
por medio de realización de ejemplo en combinación con los dibujos
que se acompañan, en los que:
las figuras 1A-1D muestran
diagramas esquemáticos de bloques de realizaciones de la
invención;
la figura 2A muestra esquemáticamente una
realización de la invención aplicada en el cómputo del ritmo de
guiñada;
la figura 2B muestra la invención aplicada en el
cómputo de la velocidad;
la figura 2C muestra la invención aplicada en el
cómputo del consumo de combustible;
la figura 2D muestra la invención aplicada en el
cómputo de la pendiente de resbalamiento;
la figura 3A muestra una realización de un
sensor de auto-calibración de acuerdo con la
invención;
la figura 3B muestra un dibujo esquemático que
define las relaciones geométricas de un vehículo de cuatro
ruedas;
la figura 4 muestra un diagrama gráfico de una
desviación estimada de acuerdo con la invención a partir de una
conducción de prueba experimental;
las figuras 5A y 5B muestran sistemas de
coordenadas y la configuración de sensor en una motocicleta;
la figura 6 muestra una realización de un sensor
virtual para un indicador de ángulo de balanceo en una
motocicleta;
la figura 7 muestra una geometría de rueda;
y
la figura 8 muestra un diagrama esquemático de
bloques de un sensor virtual para un detector de aquaplaning de
acuerdo con una realización de la invención.
La invención se basa en la siguiente idea
general de la fusión de sensores, que se describe aquí a modo de
ejemplo en términos de algebra de matrices. Este ejemplo se refiere
a dos sensores que detectan el mismo parámetro físico, pero en
realizaciones diferentes de la invención se pueden integrar señales
procedentes de sensores que detectan parámetros diferentes.
Dos sensores diferentes que perciben el mismo
parámetro físico variable dan mediciones separadas y_{i}(t)
del parámetro x, donde cada medición tiene una desviación b_{i}
con un escalado de desviación c_{i}(t) de acuerdo con una
función de tiempo conocida. Las mediciones se pueden expresar
algebraicamente como las ecuaciones:
Estas dos ecuaciones tienen tres incógnitas y
son por lo tanto irresolubles, y las desviaciones no se pueden
eliminar directamente.
Cuando están disponibles dos mediciones
y_{1}(1), y_{2}(1) e y_{1}(2),
y_{2}(2), hay dos ecuaciones más y solo una incógnita más,
es decir, cuatro ecuaciones y cuatro incógnitas. De este modo, las
desviaciones y los valores variables de parámetro x(1),
x(2) se pueden resolver bajo la condición de que no hay
ninguna dependencia lineal en los datos. En este ejemplo, la
independencia lineal es:
Si, por ejemplo, c_{1} es constante y
c_{2}(t) es la velocidad v_{x}(t), la
independencia lineal se produce cuando la velocidad ha cambiado
entre dos mediciones. Esto lleva a la observabilidad y la
identificabilidad. Típicamente, las mediciones se llevarían a cabo
mediante sensores que entregan una señal continua o discreta de
salida de sensor que es muestreada dentro de un sistema digital de
procesamiento de datos. Las muestras se recogen de una manera
conocida de por sí con una frecuencia de muestreo predeterminada,
dado lugar de este modo a un correspondiente número de observaciones
en forma de ecuaciones a procesar.
\newpage
En la práctica, hay un ruido de medición añadido
a cada una de las observaciones. Con el fin de eliminar el ruido,
ciertas realizaciones de la invención están ideadas para recoger un
número de muestras de observación suficientemente alto como para
constituir un sistema de ecuaciones sobredeterminado y para computar
la solución de mínimos cuadrados.
La invención también hace uso del conocimiento
a priori de que la variable x de parámetro es una secuencia
correlacionada que no puede cambiar de manera arbitrariamente rápida
entre dos muestras. Esta propiedad de la variable x de parámetro se
usa en un filtro recurrente, preferiblemente un filtro de Kalman, a
cuya entrada se ofrecen las observaciones muestreadas.
La invención generalmente se implanta en un
sistema digital o analógico de control de sensor de un coche. Tal
sistema incluye típicamente enlaces cableados, ópticos o
inalámbricos de comunicación de datos para comunicar la salida de
un sensor a una unidad de control. La unidad de control está
provista de un procesador de datos, que en realizaciones preferidas
es un procesador digital que tiene una memoria de almacenamiento de
datos y puertos de entrada y de salida de señal. El procesador
digital está programado con un producto de programa de ordenador
que está provisto de medios para dirigir el procesador para realizar
las funciones y los pasos del método inventivo. En una implantación
analógica del concepto inventivo, la unidad de control está provista
de elementos de circuito ideados específicamente para realizar las
funciones del método inventivo.
La figura 1 muestra un diagrama esquemático que
muestra los bloques funcionales de la invención. Unos sensores o
suministradores 102, 104, 106, 108 de señal de sensor, capaces de
generar unas señales S1, S2, S3, S4 de sensor dependientes de o que
representan un respectivo parámetro físico, están acoplados a una
unidad 110 de integración de sensores. Por ejemplo, en una
realización, el ABS se usa como suministrador 102 de señal de
sensor, el sensor 104 es un giroscopio, el sensor 106 es uno o más
acelerómetros y el motor es un suministrador 108 de señal de
sensor. La unidad de integraciones de sensores comprende un filtro
recurrente, preferiblemente un filtro de Kalman, ideado para
proporcionar una estimación de un parámetro físico predeterminado, y
ofrece a la salida una señal PSS1 de parámetro físico a una primera
unidad de procesamiento de señal de sensor, más específicamente un
sensor de auto-calibración, llamada aquí unidad 112
de procesamiento de señal de sensor virtual. La unidad 112 de
procesamiento de señal de sensor virtual está ideada para computar
una o más señales VSS de sensor virtual en base a la señal PSS1 de
parámetro físico. La señal de sensor virtual computada es por
ejemplo el ritmo \dot{\psi} de guiñada, la velocidad v_{x} del
vehículo y el consumo de combustible dV_{combustible}/dt. La
señal de sensor virtual se comunica entonces a una o más unidades
118 de control, ideadas por ejemplo para controlar un ABS, un
sistema de control de la tracción, un sistema de control dinámico de
tracción y de estabilidad (DSTC) o un sistema adaptativo de control
de crucero (ACC). Un detector de ángulo de balanceo es un ejemplo
tanto de sensor virtual, cuando se realiza sin un giroscopio de
balanceo, como de sensor de auto-calibración,
realizado en combinación con un giroscopio de balanceo. La
estimación de ángulo de balanceo se puede usar en la detección de
vuelcos en coches y para mejorar el control del ABS y
anti-revolución y posibilitar el control del foco
delantero en motocicletas. Con la ayuda de estas señales virtuales,
se puede detectar el aquaplaning con alta fiabilidad.
En la realización mostrada en la figura 1, la
unidad 110 de integración de sensores ofrece a la salida una
segunda señal PSS2 de parámetro físico a una segunda unidad de
procesamiento de señal de sensor, que quizá constituye más
propiamente un sensor virtual pero que en esta figura se llama
unidad inteligente 114 de procesamiento de sensor, ideada para
computar una señal complementaria ISS de sensor, computada
inteligentemente, usada en una unidad 120 de procesamiento de
información del conductor. Tales señales inteligentes de sensor
pueden representar por ejemplo condiciones de rozamiento y de
neumático tales como presión o vibración. La unidad 110 de
integración de sensores también está ideada para entregar una
tercera señal PSS3 de sensor físico comunicada a una tercera unidad
de procesamiento de señal de sensor en forma de unidad 116 de
procesamiento de señal de diagnóstico, que ofrece a la salida una
señal DSS de diagnóstico a la unidad 120 de procesamiento de
información del conductor. La unidad de procesamiento de
información del conductor a su vez ofrece a la salida señales que
indican por ejemplo condiciones de rozamiento, presión de neumático
o faltas en componentes predeterminados del coche. Lo que es más,
una cuarta señal PSS4 de parámetro físico puede ser entregada por la
unidad de integración de sensores a una cuarta unidad de
procesamiento de señal de sensor, concretamente una unidad 117 de
procesamiento de señal de control del vehículo ideada para generar
y entregar señales adecuadas VCS de control del vehículo a, por
ejemplo, aparatos de funcionamiento del vehículo tales como el
control del freno o el motor.
La figura 1B muestra esquemáticamente la
estructura de un sensor de auto-calibración de
acuerdo con una realización de la invención, como se explica en
relación con las ecuaciones 1-3. Dos señales y_{1}
e y_{2} de sensor que representan un parámetro físico se ofrecen
a la entrada de un filtro adaptativo 122 ideado para estimar de
acuerdo con un modelo predeterminado y entregar como señal de salida
unas desviaciones \hat{b}_{1} y \hat{b}_{2}. Las señales
y_{1}, y_{2} de sensor también se ofrecen a la entrada de una
funcionalidad de evaluación de la observabilidad junto con posible
información externa 128, estando ideada la unidad de evaluación para
ofrecer a la salida una señal 125 de habilitación al filtro
adaptativo 122 cuando las condiciones permiten la observabilidad.
La señal \hat{b}_{1} de desviación se une a la señal y_{1} de
sensor en una etapa 126 de sustracción en la que el valor de la
desviación \hat{b}_{1} se resta del valor de la señal de sensor
para producir un valor o una magnitud de un parámetro X.
La figura 1C muestra un organigrama general para
los pasos en un sistema de fusión de sensores, tal como un sensor de
auto-calibración de acuerdo con la invención, que
comprende los pasos de:
- inicializar el sistema;
- recibir como entrada la siguiente medición o
muestra procedente de los sensores;
- comprobar la observabilidad del parámetro;
- si la observabilidad es OK, entonces
actualizar las estimaciones de desviación;
- después de la actualización de las
estimaciones de desviación o si la observabilidad no es OK, entonces
compensar las señales de sensor con la salida de desviación
procedente del filtro adaptativo.
La figura 1D muestra esquemáticamente un ejemplo
de un sensor virtual que comprende un filtro adaptativo 136 basado
en un modelo predeterminado que integra valores de parámetro de
modelo que representan unos parámetros primero y segundo de
funcionamiento o físicos diferentes. Las señales primera y segunda
y_{1} e y_{2} de sensor que representan dichos parámetros
primero y segundo diferentes se ofrecen a la entrada del filtro 136
y de una unidad 138 de evaluación de la observabilidad. La unidad
138 de evaluación de la observabilidad comprueba si se satisface la
observabilidad para los parámetros físicos y, si es así, ofrece a la
salida una señal 139 de habilitación al filtro adaptativo 136. En
condición habilitada, el filtro adaptativo 136 calcula y ofrece a
la salida una estimación de una magnitud física o valor \hat{X}
junto con una estimación de los valores \hat{b}_{1} y
\hat{b}_{2} de desviación. La magnitud física \hat{X} es el
valor de un modelo físico X como función f(y_{1}, y_{2})
dependiente de las señales y_{1} e y_{2} de sensor.
Una realización de la invención está dirigida a
conseguir un sensor adaptativo de alta precisión del ritmo de
guiñada combinando señales de sensor procedentes de un giroscopio y
procedentes de sensores de velocidad angular de rueda de un ABS y
computando un ritmo preciso de guiñada por medio de un filtro
adaptativo. Realizaciones específicas pueden comprender señales
adicionales de sensor, por ejemplo las señales procedentes de un
acelerómetro lateral, con el fin de perfeccionar adicionalmente el
rendimiento del sensor. La figura 2 muestra esquemáticamente una
señal 202 de ritmo \dot{\psi} de guiñada procedente de un
giroscopio y señales 204 de velocidad angular de rueda procedentes
de un ABS que se están ofreciendo a la entrada de un filtro 206 de
acuerdo con la invención. El filtro 206 ofrece a la salida un
ángulo \psi de guiñada computado, un ritmo \dot{\psi} de guiñada
208 así como valores de desviación del ritmo de guiñada.
La figura 3A muestra esquemáticamente un sensor
de auto-calibración más detallado para determinar el
ritmo de guiñada, en el que una señal de ritmo \dot{\psi} de
guiñada procedente de un giroscopio y señales \omega_{i} de
velocidad angular para las ruedas son ofrecidas a la entrada de un
filtro adaptativo 301 así como de una unidad 302 de evaluación de
la observabilidad. La unidad 302 de evaluación genera y ofrece a la
entrada del filtro adaptativo una señal 304 de habilitación cuando
los parámetros percibidos son observables. El filtro adaptativo 301
genera como salida un valor \delta_{gyro} de desviación del
ritmo de guiñada que representa la desviación de la señal de ritmo
de guiñada procedente del giroscopio. El ritmo \dot{\psi} de
guiñada y el valor \delta_{gyro} de desviación se unen en una
unidad 303 de suma produciendo un \dot{\psi}_{mejorado} como
salida.
La figura 3B muestra un dibujo sencillo de un
vehículo de cuatro ruedas, dibujo que define las relaciones
geométricas para las velocidades de rueda durante un toma de curva
usadas para computar el ritmo de guiñada a partir de señales de
velocidad de rueda. Más específicamente, las relaciones se usan para
computar el radio de curva, en las que R se define como la
distancia al centro del eje de ruedas trasero desde un punto
predeterminado O, L es la distancia lateral entre las ruedas de un
eje y B es la distancia longitudinal entre los ejes de ruedas
delantero y trasero. Las ruedas se denotan en este ejemplo como rl
para la trasera izquierda, rr para la trasera derecha, fl para la
delantera izquierda y fr para la delantera derecha. En la figura 3B
también está dibujado un sistema de coordenadas que indica las
direcciones x, y y z. En aras de la claridad del dibujo, el sistema
de coordenadas está dibujado delante del vehículo, pero en realidad
está posicionado típicamente en el centro de gravedad del
vehículo.
En aras de la sencillez de la explicación de la
invención, esta realización de ejemplificación se basa en relaciones
que suponen que no hay movimiento lateral. En las relaciones:
\dot{\psi} es el ritmo de guiñada procedente
de un giroscopio; v_{x} es la velocidad del vehículo en la
dirección x; a_{y} es la aceleración en la dirección y.
El radio de curva se computa de acuerdo con la
siguiente relación, en la que R se define como la distancia al
centro del eje de ruedas trasero:
Las velocidades angulares \omega de rueda para
cada unas de las respectivas ruedas se reciben desde un ABS y la
inversa R^{-1} de R se resuelve con el fin de evitar problemas
numéricos en ciertos casos de conducción, por ejemplo conduciendo
recto hacia delante. Esto da como resultado:
en la que el radio de rueda se
denota como
r.
\vskip1.000000\baselineskip
La proporción de radios de rueda está sometida a
una desviación:
\vskip1.000000\baselineskip
La influencia de la desviación sobre el
denominador es despreciable, de modo que, de acuerdo con
realizaciones de la invención, la siguiente expresión se usa para la
inversa del radio de curva:
en la que la magnitud
computable
se usa para la inversa del radio de
curva.
\vskip1.000000\baselineskip
Finalmente, la velocidad en el centro del eje de
ruedas trasero es:
en la que r denota el radio nominal
de
rueda.
\vskip1.000000\baselineskip
En la implantación práctica de esta realización,
las mediciones de sensor son: y_{1}(t) procedente de
un sensor de ritmo de guiñada, es decir, una señal de giroscopio;
y_{2}(t)=\nu_{x}R^{-1}_{m}, procedente de
sensores de ABS, R^{-1}_{m}se computa como anteriormente; y
posiblemente y_{3}(t) procedente de un sensor de
aceleración lateral.
Se debe apreciar que, cuando se usa un
acelerómetro lateral, éste se soporta preferiblemente mediante un
acelerómetro vertical para compensar movimientos no horizontales del
vehículo.
Todas estas mediciones de sensor están sometidas
a una desviación y un ruido de medición dados por las
relaciones:
en las que \deltaABS es una
desviación que depende del ratio relativo de neumático entre las
ruedas izquierda y
derecha.
Como se ha descrito anteriormente, las señales
de medición se tratan en un filtro. En la siguiente sección se da
una descripción de un filtro general. En una realización, la
desviación se estima por medio del método de mínimos cuadrados. Así,
eliminar el ritmo de guiñada de las primeras dos mediciones da una
regresión lineal en las dos desviaciones:
en la
que:
\vskip1.000000\baselineskip
Usando también un acelerómetro, las magnitudes
de regresión son:
\newpage
La estimación de mínimos cuadrados se computa
mediante:
La pregunta importante de identificabilidad,
esto es, bajo qué condiciones es posible estimar las desviaciones,
se responde estudiando el rango de la matriz que se ha de invertir
en la solución de mínimos cuadrados. Para el sensor de acelerómetro,
la matriz es dada por:
En resumen, esta matriz tiene todo el rango si y
sólo si la velocidad cambia durante el horizonte temporal. Lo que es
más, cuanto más variación, mejor estimación. De manera similar, las
desviaciones son identificables a partir de los sensores de ritmo de
guiñada y de ABS si la velocidad o el radio de curva cambia en algún
momento. De acuerdo con la invención, las desviaciones se estiman de
manera adaptativa mediante algoritmo recurrente de mínimos cuadrados
(RLS), el mínimo cuadrado medio (LMS) o un filtro de Kalman.
En implantación en tiempo real de la invención,
el filtro de Kalman se prefiere y mejora el rendimiento sobre el RLS
de la siguiente manera:
- En primer lugar, en el filtro de Kalman se
puede incorporar un modelo para la variación del verdadero ritmo de
guiñada. Por ejemplo, el ritmo de guiñada puede estar limitado a una
variación máxima de frecuencia de 5 Hz.
- En segundo lugar, se pueden usar diferentes
variaciones de tiempo de las desviaciones del sensor. Por ejemplo,
la temperatura puede influir en la variación de la desviación del
giroscopio, un arranque en frío puede hacer que el filtro olvide más
de la desviación del giroscopio que de la desviación del ABS.
El filtro de Kalman se especifica completamente
mediante una ecuación de espacio de estado de la forma:
\vskip1.000000\baselineskip
en la que las matrices de
covarianza de v(t) y e(t) se denotan como Q y R
respectivamente. Las magnitudes desconocidas en el vector de estado
x(t) se estiman mediante una
recursión:
\vskip1.000000\baselineskip
en la que la ganancia de filtro
K(t;A,B,C,Q,R) está dada por las ecuaciones del filtro de
Kalman. De este modo, el problema cuando se diseña una implantación
es fijar el modelo de espacio de
estado.
\vskip1.000000\baselineskip
Una realización de ejemplificación usa el vector
de estado:
\newpage
y un modelo de espacio de estado de
tiempo continuo
es:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Aquí se supone que hay una entrada desconocida
v(t) que afecta a la aceleración de guiñada, que es un modelo
común para modelos de movimiento, motivados básicamente pro la ley
de Newton F=ma.
Un modelo de espacio de estado de tiempo
discreto:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
se deriva y se usa por el filtro de
Kalmar.
\vskip1.000000\baselineskip
Las realizaciones de la invención que integran
información procedente de señales de velocidad de rueda y el
giroscopio son capaces de este modo de dar mediciones precisas de
ángulo de quiñada y de ritmo de guiñada cuando se estiman y se
compensan la desviación del giroscopio y las diferencias relativas
de los radios de neumático. Como alternativa, o apoyo adicional, al
ABS, se pueden usar uno o varios acelerómetros laterales para
apoyar al sensor de ritmo de guiñada con una señal adicional de
sensor dependiente del ritmo de guiñada.
Simulaciones y experimentos muestran que la
precisión en el ritmo de guiñada, no relativa a las desviaciones,
es mejor que si se usa cualquiera de los tipos de sensor por
separado. La figura 4 muestra un diagrama gráfico 401 de una
desviación 403 de giroscopio estimada por filtro de Kalman,
comparada con una desviación autónoma ajustada 402 muy exacta,
teniendo el diagrama el tiempo en segundos en el eje x y la
desviación del giroscopio en radianes por segundo en el eje y. El
diagrama de la figura 4 es un registro de una conducción
experimental de prueba y muestra que la estimación de filtro de
Kalman después de un período corto de transición converge con la
desviación autónoma ajustada dentro de un margen de un pequeño
porcentaje de las unidades de la escala de desviación.
Una ventaja adicional con el concepto inventivo
es que la diferencia relativa en los radios de rueda en ruedas
derechas e izquierdas no motrices se puede estimar de manera muy
precisa, lo que se usa ventajosamente para la indicación de la
presión de neumático. En diferentes realizaciones, el filtro de
Kalman se usa combinadamente como un estimador de parámetros para
la desviación así como un filtro para el ritmo de guiñada. En una
realización alternativa se usa un filtro adaptativo para estimar
los parámetros de desviación. Un efecto adicional de la invención
es que da apoyo para el diagnóstico de faltas en el giroscopio y el
acelerómetro.
\newpage
En una descripción paso a paso de la realización
para la estimación del ritmo de guiñada, el método inventivo
comprende los siguientes pasos:
(1) Recoger mediciones procedentes de:
- (a)
- un giroscopio de ritmo de guiñada,
- (b)
- sensores de ABS,
- (c)
- posiblemente, un acelerómetro lateral,
- (d)
- posiblemente, un sensor de ángulo de deriva de rueda.
\vskip1.000000\baselineskip
(2) Procesar y filtrar datos de sensor en
bruto.
- 1.
- Escalado de entradas de sensor a constantes físicas:
- 2.
- Filtración de paso bajo del ritmo de guiñada para reducir los efectos de error del ruido y la cuantización por ejemplo promediando sobre unas pocas muestras.
- 3.
- Sincronización rotacional de estampas dentadas para evitar efectos de error de la deformidad de tacos, es decir, calcular la velocidad angular de rueda usando una revolución completa de la rueda.
- 4.
- Tratamiento similar de los sensores (c) y (d) para reducir efectos de error conocidos por ejemplo filtrando por paso bajo.
- 5.
- Realizar un diagnóstico sencillo de los sensores para tener cuidado de las funciones integradas de diagnóstico de los sensores por ejemplo sensores que usan un voltaje de nivel cero para indicar un fallo interno.
\vskip1.000000\baselineskip
(3) Calcular parámetros y entradas de filtro en
modelo de error.
- 1.
- Calcular la estimación de la inversa de radios de curva a partir del tren de ruedas del eje delantero.
- 2.
- Calcular la estimación de la inversa de radios de curva a partir del tren de ruedas del eje trasero (con índices cambiados a wlf y wrf).
- 3.
- Calcular la estimación de velocidad del vehículo a partir de sensores de ABS.
- 4.
- Calcular la estimación de ritmo de guiñada a partir de los trenes de ruedas delantero y trasero.
- 5.
- Calcular la función de propagación de error de desviación de radios de rueda para el eje trasero.
- 6.
- Calcular la función de propagación de error de desviación de radios de rueda para el eje delantero.
\vskip1.000000\baselineskip
(4) Examinar la calidad de datos mediante normas
dadas para producir matrices estadísticas para una filtración de
Kalman. Por ejemplo:
- 1.
- Una velocidad baja aumenta el ruido y otros errores en el ritmo de guiñada procedentes de sensores de ABS, estimado:
- 2.
- Un coche parado asegura que el ritmo de guiñada sea exactamente cero:
\newpage
(5) Aplicar las ecuaciones de filtro de
Kalman.
- 1.
- Actualización de tiempo de filtro de Kalman:
- 2.
- Actualización de medición de filtro de Kalman:
- en donde \hat{x} es la estimación actual de estado y \hat{P} es la matriz actual de covarianza de error de Kalman, y es la medición actual, H es la matriz de medición, F es la matriz de actualización de modelo de espacio de estado y G es la matriz de actualización de ruido.
\vskip1.000000\baselineskip
(6) Salida de estimaciones de desviación y ritmo
de guiñada.
- 1.
- Proporcionar un ritmo rápido de guiñada que es el ritmo medido actual de guiñada filtrado por paso bajo menos la desviación estimada, para ser usado, por ejemplo, por sistemas de control críticos en cuanto al tiempo.
- 2.
- Proporcionar un ritmo de guiñada filtrado que es la estimación actual de estado de ritmo de guiñada del filtro de Kalman, para ser usado, por ejemplo, por sistemas de navegación.
- 3.
- Proporcionar radios relativos de rueda entre las ruedas izquierdas y derechas en los trenes de ruedas trasero y delantero, que se han de usar, por ejemplo, por sistemas de estimación de presión de neumático.
- 4.
- Proporcionar la estimación de desviación de giroscopio de ritmo para ser usada en funciones de diagnóstico.
\vskip1.000000\baselineskip
Una realización de la invención se ocupa de
aplicar la invención para el cómputo de velocidad o, expresado de
manera más general, el cómputo de movimiento en base a sensores
normalizados de un vehículo. De acuerdo con la invención, una señal
a_{x} de sensor, procedente de un acelerómetro, se integra con una
señal \omega de velocidad angular de rueda, por ejemplo
procedente de un ABS, en una unidad 218 de integración de señales
de sensor. La unidad de integración de señales de sensor comprende,
como se explicó anteriormente, un proceso de filtración, y ofrece a
la salida una señal computada v_{x} 220 de velocidad y una señal
computada a_{x} 222 de aceleración. Como se describió
anteriormente, un acelerómetro que percibe la aceleración en el
plano horizontal está combinado preferiblemente con un acelerómetro
vertical para la compensación del movimiento vertical. Puesto que
esta realización usa un acelerómetro como complemento a las señales
de velocidad de rueda, la velocidad se puede computar después de
bloquear las ruedas cuando se está frenando.
Las ecuaciones básicas en las que se basa el
cómputo son similares a las descritas anteriormente con relación al
cómputo del ritmo de guiñada. Por lo tanto, aquí sólo se muestran
las señales de sensor que se han de fusionar y sus características.
Unas señales \omega de velocidad angular de rueda son recibidas
desde un ABS y son transformadas en unas velocidades escaladas en
posiciones seleccionadas en el coche. La primera señal de sensor
procedente del ABS se describe mediante:
en donde y_{1} es la velocidad
angular de una rueda motriz; v_{x} es la velocidad absoluta de la
rueda; r es el radio de rueda; k es la pendiente de resbalamiento;
\delta es la desviación de resbalamiento; y \mu es el momento de
rueda.
\vskip1.000000\baselineskip
La desviación
es aquí multiplicativa, lo que
significa que las relaciones no son lineales y se debe usar el
filtro extendido de Kalman. El sensor es preciso a frecuencias
medias, a una escala de tiempo en la que las características de
rozamiento y de neumático k, \delta están
inalteradas.
La segunda señal de sensor procedente de un
acelerómetro en dirección longitudinal a_{x} se describe
mediante:
\vskip1.000000\baselineskip
Sumando hasta el momento t da:
Los escalados de desviación (1 y t) son
linealmente independientes si la fuerza de tracción =
\mu(t) no aumenta linealmente a lo largo del tiempo, de
modo que las desviaciones b_{2}, k, \delta son observables. En
esta realización, la velocidad libre de arrastre y desviación se
computa a partir de la velocidad de rueda motriz y el acelerómetro
con una desviación no despreciable por ejemplo para ser usada en
vehículos de tracción a las cuatro ruedas cuando no están
disponibles ruedas de rodadura libre. También tiene una respuesta
rápida a cambios longitudinales de velocidad durante el derrape, es
decir, revolución o frenado. Además, la realización se usa
ventajosamente para el diagnóstico del acelerómetro. El sistema
estima la pendiente de resbalamiento en un modelo de rozamiento que
también se usa para estimar el rozamiento
neumático-carretera.
En una descripción paso a paso de la realización
para el cómputo de velocidad, el método inventivo comprende los
siguientes pasos:
(1) Recogida de mediciones desde:
- (a)
- un acelerómetro longitudinal,
- (b)
- sensores de ABS,
- (c)
- posiblemente, un giroscopio de ritmo de guiñada.
\vskip1.000000\baselineskip
(2) Preprocesamiento y filtración de datos de
sensor en bruto.
- 1.
- Escalado de entradas de sensor a constantes físicas.
- 2.
- Filtración de paso bajo de la medición de aceleración longitudinal para reducir los efectos de error del ruido y la cuantización por ejemplo promediando sobre unas pocas muestras.
- 3.
- Sincronización rotacional de estampas dentadas para evitar efectos de error de la deformidad de tacos, es decir, calcular la velocidad angular de rueda usando una revolución completa de la rueda.
- 4.
- Realizar un diagnóstico sencillo de los sensores para tener cuidado de las funciones integradas de diagnóstico de los sensores por ejemplo sensores que usan un voltaje de nivel cero para indicar un fallo interno.
\newpage
(3) Calcular parámetros y entradas de filtro en
modelo de error.
- 1.
- Calcular la estimación de velocidad del vehículo a partir de sensores de ABS (página 8 - ecuación 11).
- 2.
- Calcular los parámetros en el modelo de error (página 12 - ecuación 23).
- 3.
- Calcular matrices actuales para el filtro extendido de Kalman (F, G, H, Q).
\vskip1.000000\baselineskip
(4) Examinar la calidad de datos mediante normas
dadas para producir matrices estadísticas para una filtración de
Kalman. Por ejemplo:
- 1.
- Una velocidad baja aumenta el ruido en la medición de velocidad a partir de sensores de ABS:
- 2.
- Un coche parado asegura que la velocidad sea exactamente cero:
\vskip1.000000\baselineskip
(5) Aplicar las ecuaciones de filtro de Kalman
para el filtro extendido de Kalman.
- 1.
- Actualización de tiempo de filtro de Kalman:
- 2.
- Actualización de medición de filtro de Kalman:
- en donde \hat{x} es la estimación actual de estado y \hat{P} es la matriz actual de covarianza de error de Kalman, y es la medición actual, H es la matriz de medición, F es la matriz de actualización de modelo de espacio de estado y G es la matriz de actualización de ruido.
\vskip1.000000\baselineskip
(6) Salida de estimaciones de desviación y
velocidad.
- 1.
- Proporcionar una estimación de velocidad para los sistemas de control y la MMI.
- 2.
- Proporcionar resbalamientos de rueda para vehículos de tracción a las cuatro ruedas.
- 3.
- Proporcionar la estimación de desviación de acelerómetro para ser usada en funciones de diagnóstico.
Una realización de la invención está dirigida al
cómputo del nivel de combustible y el consumo de combustible. Esta
realización se muestra esquemáticamente en la figura 2C y toma como
entrada una señal 224 de volumen de combustible procedente del
medidor de tanque del vehículo y una señal 226 de inyección de
combustible procedente del motor. Las ecuaciones básicas son de
nuevo similares a las descritas anteriormente; sin embargo, las
señales de sensor están modeladas de acuerdo con las siguientes
ecuaciones.
En primer lugar, la medición de nivel de tanque
es:
Este tipo de sensor sufre habitualmente
perturbaciones de media frecuencia en la componente de ruido
e1(t), lo que normalmente se trata con un filtro muy lento de
paso bajo. Por otro lado, la precisión de baja frecuencia en la
constante de tiempo de un re-abastecimiento es
buena. La desviación depende entre otras cosas de variaciones de
fabricación y la temperatura.
En segundo lugar, una señal tq de inyección de
combustible o similar se transforma en una señal de consumo
momentáneo de combustible descrita como:
Este sensor es muy bueno a altas frecuencias,
básicamente puesto que mide derivadas.
Sumar hasta el momento t da:
Los escalados de desviación 1 y t son
linealmente independientes y por lo tanto las desviaciones son
observables.
Este sensor virtual en la práctica tiene las
ventajas de una respuesta rápida después del reabastecimiento, es un
monitor libre de desviación de valores tanto momentáneos como
promedio del consumo de combustible, y es adecuado para uso para
diagnóstico de faltas en cañerías de combustible y eficiencia del
motor.
En una descripción paso a paso de la realización
para el consumo de combustible, el método inventivo comprende los
siguientes pasos:
(1) Recogida de mediciones desde:
- (a)
- un dispositivo de medición de nivel de tanque,
- (b)
- señal de inyección de combustible.
\vskip1.000000\baselineskip
(2) Preprocesamiento y filtración de datos de
sensor en bruto.
- 1.
- Escalado de entradas de sensor a constantes físicas.
- 2.
- Filtración de paso bajo de la medición de inyección de combustible para reducir los efectos de error del ruido y la cuantización por ejemplo promediando sobre unas pocas muestras.
- 3.
- Realizar un diagnóstico sencillo de los sensores para tener cuidado de las funciones integradas de diagnóstico de los sensores por ejemplo sensores que usan un voltaje de nivel cero para indicar un fallo interno.
\vskip1.000000\baselineskip
(3) Cálculo de parámetros y entradas de filtro
en modelo de error.
- 1.
- Calcular la estimación de nivel de combustible de tanque a partir del sensor de nivel de combustible.
- 2.
- Calcular el consumo de combustible a partir de la señal de inyección de combustible.
\vskip1.000000\baselineskip
(4) Examinar la calidad de datos mediante normas
dadas para producir matrices estadísticas para una filtración de
Kalman. Por ejemplo:
- 1.
- Una carga alta en el motor da resultados no fiables de consumo, aumentar parte de R.
\vskip1.000000\baselineskip
(5) Aplicar las ecuaciones de filtro de
Kalman.
- 1.
- Actualización de tiempo de filtro de Kalman:
- 2.
- Actualización de medición de filtro de Kalman:
- en donde \hat{x} es la estimación actual de estado y \hat{P} es la matriz actual de covarianza de error de Kalman, y es la medición actual, H es la matriz de medición, F es la matriz de actualización de modelo de espacio de estado y G es la matriz de actualización de ruido.
\vskip1.000000\baselineskip
(6) Salida de estimaciones de desviación y nivel
de combustible/consumo de combustible.
- 1.
- Proporcionar nivel de combustible para sistemas de MMI.
- 2.
- Proporcionar nivel de consumo de combustible para sistemas de control y sistemas de MMI.
Una realización de la invención se aplica en
cómputo de velocidad o, expresado de manera más general, cómputo de
movimiento longitudinal basado en sensores normalizados de un
vehículo. De acuerdo con una variedad de esta realización, una
señal a_{x} de sensor procedente de un acelerómetro se integra con
una señal \omega de velocidad angular de rueda (procedente por
ejemplo de una unidad de ABS) en una unidad de integración de
señales de sensor. La unidad de integración de señales de sensor
comprende, como se explicó anteriormente, un proceso de filtración,
y ofrece a la salida una señal computada v_{x} de velocidad y una
señal computada a_{x} de aceleración. Como se describió
anteriormente, un acelerómetro que percibe la aceleración en el
plano horizontal se combina preferiblemente como un acelerómetro
vertical para la compensación del movimiento vertical. Puesto que
esta realización usa un acelerómetro como complemento a las señales
de velocidad de rueda, la velocidad se puede computar también
después de bloquear las ruedas cuando se está frenando.
Las señales \omega de velocidad angular de
rueda se reciben desde un ABS y se transforman en velocidades
escaladas en posiciones seleccionadas en el coche. la primera señal
de sensor procedente del ABS se describe mediante
en la que y_{1} es la velocidad
angular de una rueda motriz, v_{x} es la velocidad absoluta de la
rueda, r es el radio de rueda, k es la rigidez longitudinal,
\delta es la desviación de resbalamiento, \mu es la fuerza
normalizada de tracción, y e_{1} es ruido de
medición.
La desviación
aquí es multiplicativa, lo que
significa que las relaciones no son lineales y se debe usar un
observador no lineal o el filtro extendido de Kalman. El sensor es
preciso a frecuencias medias, en una escala de tiempo en la que las
características de rozamiento y de neumático, k y \delta, están
inalteradas.
La segunda señal de sensor procedente de un
acelerómetro en dirección longitudinal ax se describe mediante
y_{2}(t) = \dot{\nu}_{x}(t) + b_{2} +
e_{2}(t).
\vskip1.000000\baselineskip
Sumando esta ecuación hasta el momento t da:
Los escalados de desviación (1 y t) son
linealmente independientes si la fuerza normalizada de tracción =
\mu(t) no aumenta linealmente a lo largo del tiempo, de
modo que las desviaciones b_{2}, k, \delta son observables.
En esta realización, la velocidad libre de
arrastre y desviación se computa a partir de la velocidad de rueda
motriz y el acelerómetro con una desviación no despreciable por
ejemplo para ser usada en vehículos de tracción a las cuatro ruedas
cuando no están disponibles ruedas de rodadura libre. También tiene
una respuesta rápida a cambios longitudinales de velocidad durante
el derrape, es decir, revolución o frenado. Además, la realización
se usa ventajosamente para el diagnóstico del acelerómetro. El
sistema estima la pendiente de resbalamiento en un modelo de
rozamiento que también se usa para estimar el rozamiento
neumático-carretera.
En una descripción paso a paso de la realización
para el cómputo de la velocidad, el método inventivo comprende los
siguientes pasos:
(1) Recogida de mediciones desde:
- (a)
- un acelerómetro longitudinal,
- (b)
- sensores de ABS,
- (c)
- posiblemente, un giroscopio de ritmo de guiñada.
\vskip1.000000\baselineskip
(2) Preprocesamiento y filtración de datos de
sensor en bruto.
- Escalado de entradas de sensor a constantes físicas.
- Filtración de paso bajo de la medición de aceleración longitudinal para reducir los efectos de error del ruido y la cuantización por ejemplo promediando sobre unas pocas muestras.
- Sincronización rotacional de estampas dentadas para evitar efectos de error de la deformidad de tacos, es decir, calcular la velocidad angular de rueda usando una revolución completa de la rueda.
- Realizar un diagnóstico sencillo de los sensores para tener cuidado de las funciones integradas de diagnóstico de los sensores por ejemplo sensores que usan un voltaje de nivel cero para indicar un fallo interno.
\vskip1.000000\baselineskip
(3) Cálculo de parámetros y entradas de filtro
en modelo de error.
- Calcular la estimación de velocidad del vehículo a partir de sensores de ABS.
- Calcular los parámetros en el modelo de error.
- Calcular matrices actuales para el filtro extendido de Kalman (F, G, H, Q).
\newpage
(4) Examinar la calidad de datos mediante normas
dadas para producir matrices estadísticas para una filtración de
Kalman. Por ejemplo:
- Una velocidad baja aumenta el ruido en la medición de velocidad a partir de sensores de ABS:
- Un coche parado asegura que la velocidad sea exactamente cero:
\vskip1.000000\baselineskip
(5) Aplicar las ecuaciones de filtro de Kalman
para el filtro extendido de Kalman.
- (a)
- Actualización de tiempo
- (b)
- Actualización de medición
- en donde \hat{x}_{k} es la estimación actual de estado, P_{k} es la matriz actual de covarianza de error de estado, y y_{k} es la medición actual. Las matrices de espacio de estado F_{k}, G_{k} y H_{k} se obtienen mediante linearización del modelo de espacio de estado, no lineal, alrededor de la estimación actual de estado \hat{x}_{k}.
\vskip1.000000\baselineskip
Los resultados y usos de las estimaciones de
desviación y velocidad de acuerdo con esta realización son para
proporcionar por ejemplo una estimación de velocidad para sistemas
de control y de MMI (interfaz hombre-máquina), para
proporcionar estimaciones o indicaciones de resbalamiento de rueda
para vehículos de tracción a las cuatro ruedas, y para proporcionar
una estimación de desviación de acelerómetro para ser usada en
funciones de diagnóstico.
\vskip1.000000\baselineskip
Una realización de la invención que es aplicable
para un sensor virtual así como para un sensor de
auto-calibración está dirigida a conseguir un
indicador de ángulo de balanceo. A modo de ejemplo, la realización
descrita usa un acelerómetro lateral y uno vertical, un giroscopio
de ritmo de guiñada y una estimación de velocidad. La medición del
acelerómetro lateral se denota como a_{y} y del acelerómetro
vertical como a_{z}. La velocidad requerida se proporciona en
este ejemplo por el ABS volviendo a escalar la velocidad angular con
el radio de rueda.
Un problema común con los acelerómetros es una
desviación de sensor dependiente de la temperatura. Esta invención
proporciona una alternativa a la costosa solución de calibrar todos
los sensores durante la producción, lo que también conlleva que en
cada motocicleta se requiere un sensor adicional de temperatura. Una
realización de la invención está adaptada para estimar y compensar
las desviaciones de sensor automáticamente durante la
conducción.
Los acelerómetros y los giroscopios típicamente
entregan una señal de tiempo continuo. Con el fin de usar esta señal
en un sistema de tiempo discreto, esta señal se debe muestrear
usando un ritmo adecuado de muestreo. Los efectos alias se evitan
usando un filtro anti-alias (filtro LP) antes del
muestreo. Los valores atípicos deterioran el rendimiento del sistema
y se retiran antes de la etapa de fusión de sensores. La fusión de
sensores se realiza usando un filtro adaptativo, preferiblemente un
filtro de Kalman.
Los modelos que describen los acelerómetros se
derivan usando ingeniería mecánica. Las expresiones generales para
un acelerómetro ideal lateral y uno ideal vertical que se mueven en
un campo de gravedad son:
con una notación para una
motocicleta de acuerdo con la ilustración de sistemas de coordenadas
en la figura 5A, la configuración de sensor en la figura 5B y de
acuerdo con lo
siguiente.
\newpage
Para una motocicleta la velocidad lateral v y la
velocidad vertical w son aproximadamente cero durante la conducción
normal. Las expresiones se simplifican adicionalmente si el lugar de
los acelerómetros se escogen para x=0, y=0 y z=z_{s}.
Los modelos de sensor se simplifican hasta
Si \Theta se supone que es constante igual a
cero son
Ahora es obvio que el ritmo local de balanceo
\dot{\varphi} es igual al ritmo global de balanceo \dot{\Phi} y
también que \dot{\theta} se puede eliminar de los modelos de
acelerómetro.
El primer término en la expresión, u\dot{\psi}
o u\dot{\psi}tan\Phi, es importante para modelar giros de alta
velocidad. La fuerza normal aumentada sobre la motocicleta desde el
suelo se explica por este término. El segundo término depende del
lugar del sensor en \hat{z} y el tercero es la influencia de la
gravedad. Desafortunadamente, hay dos soluciones posibles para estas
dos expresiones. Con el fin de mejorar el sistema, se requiere una
interpretación más de la medición lateral. Esta interpretación se
hace usando condiciones necesarias para conseguir el estado de
equilibrio en un giro en régimen permanente.
Usando las ecuaciones de Newton, se deriva la
siguiente expresión:
Introdúzcase el parámetro
que describe las propiedades
físicas del tipo particular de motocicleta. Suponer que
\Phi_{(i)} = \Phi da como
resultado
\vskip1.000000\baselineskip
Supóngase un ángulo de cabeceo constante
\dot{\Theta}=0 y úsese
\vskip1.000000\baselineskip
Insertar esta expresión en la expresión derivada
anterior para el acelerómetro lateral produce
en donde las nuevas variables
\alpha_{1} y \alpha_{2} son constantes que describen la
geometría de la motocicleta pero no son iguales a \alpha'_{1} y
\alpha'_{2}.
\vskip1.000000\baselineskip
Ahora hay un modelo para el acelerómetro lateral
y dos modelos para el lateral disponibles.
Un modelo de giroscopio de ritmo sigue de que el
giroscopio de ritmo está unido en la dirección longitudinal
\hat{x} y mide idealmente la derivada del ángulo de balanceo o
gyro=\dot{\varphi}.
Ahora hay un modelo de sensor para el
acelerómetro vertical ideal, dos modelos para el acelerómetro
lateral ideal y un modelo para el giroscopio ideal de ritmo. Se
consigue un modelo mejorado si el modelo se extiende con
desviaciones aditivas de sensor:
\newpage
en donde la notación es como se
presentó anteriormente
y
\vskip1.000000\baselineskip
El filtro adaptativo se implanta en esta
realización por medio de un filtro extendido de Kalman. Se deriva un
modelo de espacio de estado de tiempo continuo y después de
transforma en un modelo de espacio de estado de tiempo discreto
usando teoría conocida de por sí de sistemas lineales y sistemas
muestreados. El modelo de espacio de estado de tiempo continuo para
el sistema es
\vskip1.000000\baselineskip
El vector de estado x consta de siete elementos
x=(x_{1} x_{2} x_{3} x_{4} x_{5} x_{6}
x_{7})^{T}, en donde:
x_{1} = \varphi = Rotación alrededor de
\hat{x}
x_{2} = \dot{\varphi} = Velocidad angular
alrededor de \hat{x}
x_{3} = \ddot{\varphi} = Aceleración
angular alrededor de \hat{x}
x_{4} = \dot{\psi} = Velocidad angular
alrededor de \hat{z}
x_{5} = \delta_{y} = Desviación de
acelerómetro, acelerómetro lateral
x_{6} = \delta_{z} = Desviación de
acelerómetro, acelerómetro vertical
x_{7} = \delta_{gyro} = Desviación de
giroscopio
\vskip1.000000\baselineskip
\newpage
El filtro de Kalman de tiempo discreto se
escribe
donde T es el tiempo de muestreo.
La derivación de F y G a partir de A y B es directa de acuerdo con
la teoría para sistemas
muestreados.
\vskip1.000000\baselineskip
Escribiendo el modelo de señal de tiempo
discreto z=h(x), el filtro extendido de Kalman se aplica como
viene a continuación.
\vskip1.000000\baselineskip
Aquí f, g y h son funciones no lineales de los
estados x_{k}. Defínanse las matrices F, G y H de acuerdo con:
\vskip1.000000\baselineskip
Escríbase el modelo linearizado de señal
como
\newpage
donde
\vskip1.000000\baselineskip
y
\vskip1.000000\baselineskip
Las ecuaciones de filtro extendido de Kalman son
entonces
\vskip1.000000\baselineskip
La inicialización se proporciona mediante:
\vskip1.000000\baselineskip
Las matrices necesarias para el problema de la
estimación del ángulo de balanceo usando dos acelerómetros, la
velocidad de la motocicleta y un filtro extendido de Kalman son:
Todo lo que queda con el fin de ejecutar el
algoritmo es la inicialización. \upbar{x}_{0} se escoge para
valores adecuados y la matriz P_{0} refleja la incertidumbre de
\upbar{x}_{0}. Una elección es \upbar{x}_{0} = (0 0 0 0 0 0
0)^{T}
Las expresiones matemáticas descritas se emplean
por ejemplo en un sensor virtual como se muestra en la figura 6,
tomando como entrada una selección de la señal de guiñada del
giroscopio, la señal de aceleración lateral a_{y}, la señal de
aceleración vertical a_{z}, y la señal de velocidad angular de
rueda \omega_{f}. Las señales de sensor preferiblemente se
preprocesan siendo filtradas por paso bajo en una etapa 602,
muestreadas en la etapa 604, filtradas por paso bajo en la etapa
606, y reducidas a datos en la etapa 608. La señal de velocidad
angular también se vuelve a escalar preferiblemente en la etapa 610.
Las señales de sensor preprocesadas de este modo son la entrada del
filtro adaptativo 612 en base a un modelo de acuerdo con la
descripción previa. La salida del filtro son valores o señales para
un ángulo de balanceo, desviaciones de sensor y un ritmo de
guiñada.
\vskip1.000000\baselineskip
Una realización de la invención está dirigida al
cómputo del nivel de combustible y el consumo de combustible. Esta
realización toma como entrada una señal de volumen de combustible
procedente del medidor de tanque del vehículo, y una señal de
inyección de combustible procedente del motor. Las ecuaciones
básicas son de nuevo similares a las descritas en secciones
anteriores; sin embargo, las señales de sensor están modeladas de
acuerdo con las siguientes ecuaciones.
En primer lugar, la medición de nivel de tanque
es:
\vskip1.000000\baselineskip
\newpage
Este tipo de sensor sufre habitualmente
perturbaciones de media frecuencia en la componente de ruido
e_{1}, lo que normalmente se trata con un filtro muy lento de paso
bajo. Por otro lado, la precisión de baja frecuencia en la constante
de tiempo de un re-abastecimiento es buena. La
desviación depende entre otras cosas de variaciones de fabricación y
la temperatura.
En segundo lugar, una señal tq de inyección de
combustible o similar se transforma en una señal de consumo
momentáneo de combustible descrita como:
Este sensor es muy bueno a altas frecuencias,
básicamente puesto que mide derivadas.
Sumar hasta el momento t da:
Los escalados de desviación 1 y t son
linealmente independientes y por lo tanto las desviaciones son
observables.
Este sensor virtual en la práctica tiene las
ventajas de una respuesta rápida después del reabastecimiento, es un
monitor libre de desviación de valores tanto momentáneos como
promedio del consumo de combustible, y es adecuado para uso para
diagnóstico de faltas en cañerías de combustible y eficiencia del
motor.
En una descripción paso a paso de la realización
para el consumo de combustible, el método inventivo comprende los
siguientes pasos:
(1) Recogida de mediciones desde:
- (a)
- un dispositivo de medición de nivel de tanque,
- (b)
- una señal de inyección de combustible.
\vskip1.000000\baselineskip
(2) Preprocesamiento y filtración de datos de
sensor en bruto.
- (a)
- Escalado de entradas de sensor a constantes físicas.
- (b)
- Filtración de paso bajo de la medición de inyección de combustible para reducir los efectos de error del ruido y la cuantización por ejemplo promediando sobre unas pocas muestras.
- (c)
- Realizar un diagnóstico sencillo de los sensores para tener cuidado de las funciones integradas de diagnóstico de los sensores por ejemplo sensores que usan un voltaje de nivel cero para indicar un fallo interno.
\vskip1.000000\baselineskip
(3) Cálculo de parámetros y entradas de filtro
en modelo de error.
- (a)
- Calcular la estimación de nivel de combustible de tanque a partir del sensor de nivel de combustible.
- (b)
- Calcular el consumo de combustible a partir de la señal de inyección de combustible.
\vskip1.000000\baselineskip
(4) Examinar la calidad de datos mediante normas
dadas para producir matrices estadísticas para una filtración de
Kalman. Por ejemplo:
- (a)
- Una carga alta en el motor da resultados no fiables de consumo, aumentar parte de R.
\vskip1.000000\baselineskip
(5) Aplicar las ecuaciones de filtro de
Kalman.
- (a)
- Actualización de tiempo de filtro de Kalman:
- (b)
- Actualización de medición de filtro de Kalman:
- en donde \hat{x}_{k} es la estimación actual de estado, P_{k} es la matriz actual de covarianza de error de estado, y y_{k} es la medición actual. Las matrices de espacio de estado F_{k}, G_{k} y H_{k} se obtienen mediante linearización del modelo de espacio de estado, no lineal, alrededor de la estimación actual de estado \hat{x}_{k}.
\vskip1.000000\baselineskip
(6) Salida de estimaciones de desviación y nivel
de combustible/consumo de combustible.
- (a)
- Proporcionar nivel de combustible para sistemas de MMI.
- (b)
- Proporcionar nivel de consumo de combustible para sistemas de control y sistemas de MMI.
\vskip1.000000\baselineskip
Una realización de la invención está dirigida a
la detección de aquaplaning (APD) automática en base a los
siguientes principios. Las señales medidas y las magnitudes
computadas que son utilizadas por la ADP de sensor virtual se
resumen mostradas en la figura 7 y la siguiente tabla.
La figura 8 muestra una vista esquemática de los
componentes funcionales en una variedad de esta realización, a
saber, las señales 802 del vehículo se ofrecen a la entrada de una
etapa 804 de precómputo o de preprocesamiento. La salida
precomputada se filtra entonces en una etapa 806 de proceso de
filtración adaptativa de acuerdo con el concepto inventivo,
produciendo señales de parámetro de salida que son sometidas a
evaluación o usadas en un diagnóstico en una etapa 808.
La APD de sensor virtual detecta el aquaplaning
monitorizando la rigidez longitudinal k, que, durante condiciones
normales de conducción, se puede modelar como
\vskip1.000000\baselineskip
\newpage
donde
es la fuerza normalizada de
tracción
y
es el resbalamiento de rueda. Aquí
N es la fuerza normal de neumático que depende de la masa, la
geometría del vehículo y el estado del vehículo (tal como la
velocidad actual y la aceleración/deceleración). En caso de
aquaplaning, la carencia de rozamiento entre el neumático y la
carretera da lugar a un mayor resbalamiento s de rueda si se
mantiene la fuerza \mu de tracción. Por lo tanto, es posible
detectar el aquaplaning monitorizando disminuciones repentinas en
el parámetro estimado k de pendiente. En la práctica, es necesario
tener en cuenta que se desconocen los radios r_{d} y r_{n} de
rueda. Introduciendo \delta como la diferencia relativa en radios
de rueda, es
decir,
y aproximando el resbalamiento de
rueda
como
y aproximando el resbalamiento de
rueda
como
se obtiene el
modelo
Los parámetros en este modelo, 1/k y \delta,
se estiman a partir del resbalamiento medido s_{m} y la fuerza
\mu de tracción usando un filtro adaptativo, tal como un algoritmo
recurrente de mínimos cuadrados o un filtro de Kalman, y el modelo
de espacio de estado
donde x_{t} = (1/k
\delta)^{T}, H_{t} = (\mu_{t} 1)^{T} y
w_{r} y e_{r} son ruido de proceso y de medición
respectivamente.
La invención se ha descrito por medio de
realizaciones ejemplares para diferentes aplicaciones y se debe
apreciar que son posibles varios diseños dentro del concepto
inventivo y como se define en las reivindicaciones.
Claims (50)
1. Un método para determinar un valor (x) de
parámetro físico de un vehículo de ruedas, que comprende los pasos
de:
- recibir una primera señal (y_{1}) de sensor
que es dependiente de una primera clase de parámetro físico que
afecta a una condición del vehículo de ruedas;
- recibir una segunda señal (y_{2}) de sensor
que es dependiente de una segunda clase de parámetro físico que
afecta a una condición del vehículo de ruedas;
- filtrar de manera recurrente dichas señales
primera y segunda (y_{1}, y_{2}) de sensor por medio de un
filtro adaptativo basado en un modelo predeterminado de la condición
del vehículo de ruedas, siendo dicho modelo dependiente de dicha
primera clase de parámetro físico, de dicha segunda clase de
parámetro físico y del error (b_{1}) de desviación para dicha
primera señal de sensor;
- estimar los valores de errores de desviación
de dichas señales primera y segunda de sensor por medio de dicho
filtro, siendo adicionalmente dicho modelo dependiente del error
(b_{2}) de desviación para dicha segunda señal de sensor y siendo
incorporada en el modelo la dependencia (c_{1}, c_{2}) de dichos
errores primero y segundo de desviación;
- determinar en dicha filtración información de
primer tipo sobre dicho parámetro físico (x) por medio de dichas
señales primera y segunda (y_{1}, y_{2}) de sensor y por medio
de una pluralidad de relaciones predeterminadas entre valores
medidos (y_{1}(t), y_{2}(t)) de dicho parámetro
físico (x) a partir de dichas señales primera y segunda de sensor,
dicho valor (x(t)) de parámetro físico, y dichos errores
primero y segundo (c_{1}(t)b_{1},
c_{2}(t)b_{2}) de desviación de dichas señales
primera y segunda (y_{1}, y_{2}) de sensor;
- determinar en dicha filtración información de
segundo tipo sobre dicho parámetro físico (x) por medio de un cierto
número de mediciones (y_{1}(t), y_{2}(t)),
dependientes del tiempo, de dicho parámetro físico (x) representadas
por dichas señales primera y segunda de sensor y por medio de dichas
relaciones predeterminadas;
- calcular, dependiendo de dicha información de
primer tipo y dicha información de segundo tipo, una señal (X) de
valor de parámetro físico tal que dichos errores primero y segundo
de desviación se compensan y se eliminan.
2. El método de la reivindicación anterior, en
el que el modelo se basa en relaciones entre valores medidos
(y(t)) de dicho parámetro físico (x(t)) y desviaciones
(b_{1}, b_{2}) para dichas señales primera y segunda de sensor
que corresponden a la expresión algebraica
- en la que y_{1}(t) es una medición de
dicho parámetro físico (x(t)) detectada por medio de un
primer sensor y representada por dicha primera señal de sensor que
tiene dicho primer error (b_{1}) de desviación y un primer
escalado (c_{1}(t)) de desviación de acuerdo con una
función de tiempo predeterminada; y
- en la que y_{2}(t) es una medición de
dicho parámetro físico (x(t)) detectada por medio de un
segundo sensor y representada por dicha segunda señal de sensor que
tiene dicho segundo error (b_{2}) de desviación y un segundo
escalado (c_{2}(t)) de desviación de acuerdo con una
función de tiempo predeterminada.
3. El método de la reivindicación 1, en el que
el modelo se basa en relaciones entre valores medidos
(y_{i}(t)) de dicho parámetro físico (x(t)) y
desviaciones (b_{i}) para un número i de señales de sensor que
corresponden a la expresión algebraica
- en la que y_{i}(t) es una medición de
dicho parámetro físico (x(t)) detectada por medio de un
sensor número i y representada por una señal de sensor que tiene un
error (b_{i}) de desviación y un escalado (c_{i}(t)) de
desviación de acuerdo con una función de tiempo predeterminada.
4. El método de cualquiera de las
reivindicaciones anteriores, que comprende además los pasos de:
- evaluar la observabilidad de dicho parámetro
físico;
- actualizar las estimaciones de desviación si
se cumple un criterio predeterminado de observabilidad.
5. El método de cualquiera de las
reivindicaciones anteriores, que comprende además los pasos de
recibir una tercera señal de sensor dependiente de una tercera clase
de parámetro físico que afecta a la condición del vehículo de ruedas
y filtrar de manera recurrente dicha tercera señal de sensor junto
con dichas señales primera y segunda de sensor por medio de dicho
filtro adaptativo, que se basa en un modelo que también es
dependiente de dicho tercer parámetro físico y del error de
desviación para dicha tercera señal de sensor.
6. El método de cualquiera de las
reivindicaciones anteriores, en el que dicho filtro se basa en un
modelo que también es dependiente del ruido de medición en las
señales de sensor respectivamente y comprende además el paso de
calcular y eliminar el ruido de medición de la señal calculada de
valor de parámetro físico.
7. El método de cualquiera de las
reivindicaciones anteriores, en el que dicho filtro se basa en un
algoritmo recurrente de mínimos cuadrados medios (RLS).
8. El método de cualquiera de las
reivindicaciones anteriores, en el que dicho filtro se basa en un
algoritmo de mínimos cuadrados medios (LMS).
9. El método de cualquiera de las
reivindicaciones anteriores, en el que dicho filtro se basa en un
filtro de Kalman.
10. El método de la reivindicación anterior, en
el que dicho filtro de Kalman se especifica por medio de una
ecuación de espacio de estado de la forma:
en la que las matrices de
covarianza de v(t) y e(t) se denotan como Q y R
respectivamente, y en la que las magnitudes desconocidas en un
vector de estado x(t) se estiman mediante una
recursión:
en la que la ganancia de filtro
K(t;A,B,C,Q,R) está dada por ecuaciones predeterminadas del
filtro de
Kalman.
11. El método de la reivindicación anterior, en
el que dicho filtro de Kalman incorpora un modelo para la variación
del verdadero valor de parámetro físico del vehículo de ruedas.
12. El método de cualquiera de las
reivindicaciones anteriores, que comprende además los pasos de:
- examinar la calidad de datos de acuerdo con
reglas predeterminadas;
- producir matrices estadísticas para la
filtración de Kalman dependientes de dichas reglas.
13. El método de la reivindicación anterior, en
el que dichas reglas son:
- si(velocity_estimate<LOW_LEVEL)
\Rightarrow
entonces aumentar valores en la matriz R de
covarianza de medición de Kalman
y
- si(velocity_estimate==ABSOLUTE_ZERO)
\Rightarrow
entonces reducir valores en la matriz R de
covarianza de medición de Kalman.
14. El método de acuerdo con cualquiera de las
reivindicaciones anteriores, que comprende además aplicar ecuaciones
de filtro de Kalman por medio de los pasos de:
- actualización de tiempo del filtro de
Kalman
- actualización de medición del filtro de
Kalman
en donde \hat{x} es la estimación
actual de estado y \hat{P} es la matriz actual de covarianza de
error de Kalman, y es la medición actual, H es la matriz de
medición, F es la matriz de actualización de modelo de espacio de
estado y G es la matriz de actualización de
ruido.
15. El método de cualquiera de las
reivindicaciones anteriores, que comprende adicionalmente
preprocesar datos de sensor en bruto mediante:
- escalar señales de sensor de muestra a
constantes físicas de acuerdo con el modelo de que constante física
se hace igual a un factor nominal de escala multiplicado por el
valor de dato de sensor en bruto menos una desviación nominal de
sensor.
16. El método de la reivindicación anterior, que
comprende adicionalmente preprocesar datos de sensor en bruto
filtrando por paso bajo valores de señal de sensor con el fin de
reducir errores de cuantización y errores de ruido.
17. El método de cualquiera de las
reivindicaciones anteriores, que comprende adicionalmente
preprocesar datos de sensor en bruto sincronizando de manera
rotacional estampas de reloj procedentes de ruedas de tacos
calculando la velocidad angular de rueda para evitar efectos de
error de la deformidad de tacos.
18. El método de cualquiera de las
reivindicaciones anteriores, que comprende adicionalmente el paso de
proporcionar una estimación de desviación a dichas señales de sensor
para uso en funciones de diagnóstico.
19. El método de cualquiera de las
reivindicaciones anteriores, que está adaptado adicionalmente para
determinar el ritmo de guiñada de dicho vehículo de ruedas;
- en el que dicha primera señal de sensor es una
señal de ritmo de guiñada procedente de un giroscopio de ritmo de
guiñada montado en el vehículo de ruedas,
- en el que dichas segundas señales de sensor
son señales de velocidad angular de rueda procedentes de sensores de
velocidad angular de rueda montados en el vehículo de ruedas para
percibir la velocidad angular de las ruedas respectivamente,
- en el que dicho modelo es dependiente de dicha
señal de ritmo de guiñada, dichas señales de velocidad angular de
rueda, el error de desviación para la señal de ritmo de guiñada y
los errores de desviación para las señales de velocidad angular de
rueda, y
- en el que dicha señal entregada de valor de
parámetro físico es una señal de ángulo de guiñada calculado y una
señal de ritmo de guiñada calculado.
20. El método de la reivindicación 19, en el que
dicha tercera señal de sensor es una señal de aceleración procedente
de un acelerómetro montado en el vehículo de ruedas para percibir
una aceleración lateral, y en el que dicho filtro adaptativo está
basado en un modelo que también es dependiente de dicha señal de
aceleración lateral y del error de desviación para dicha señal de
aceleración.
21. El método de la reivindicación 19, que
comprende adicionalmente los pasos de calcular y eliminar de la
señal de ritmo de guiñada calculado el ruido de medición.
22. El método de la reivindicación 19, en el que
dicho filtro de Kalman incorpora un modelo para la variación del
verdadero ritmo de guiñada del vehículo de ruedas.
\newpage
23. El método de la reivindicación 19, que
comprende adicionalmente los pasos de calcular errores de desviación
para dichas señales de velocidad angular de rueda y calcular la
diferencia relativa en radios de rueda entre ruedas izquierdas y
derechas dependiente de dichos errores de desviación para señales de
velocidad de rueda.
24. El método de la reivindicación 19, que
comprende adicionalmente calcular parámetros y señales de entrada de
filtro en un modelo de error mediante los pasos de:
- calcular una estimación de la inversa de radio
de curva a partir de las ruedas del eje delantero del vehículo de
ruedas;
- calcular una estimación de la inversa de radio
de curva a partir de las ruedas del eje trasero del vehículo de
ruedas;
- calcular una estimación de velocidad del
vehículo a partir de los sensores de velocidad angular de rueda;
- calcular estimaciones de ritmo de guiñada a
partir de las ruedas delanteras y traseras;
- calcular una función de propagación de error
para desviaciones de radio de rueda para un eje trasero del vehículo
de ruedas;
- calcular una función de propagación de error
para desviaciones de radio de rueda para un eje delantero del
vehículo de ruedas.
25. El método de la reivindicación 19, que
comprende adicionalmente el paso de proporcionar un ritmo de guiñada
rápido que es el ritmo medido actual de guiñada filtrado por paso
bajo menos la desviación estimada para uso en sistemas de control
críticos en cuanto al tiempo.
26. El método de la reivindicación 19, que
comprende adicionalmente el paso de proporcionar un ritmo de guiñada
filtrado que es la estimación actual de estado de ritmo de guiñada
del filtro de Kalman.
27. El método de la reivindicación 19, que
comprende adicionalmente el paso de proporcionar radios relativos de
rueda entre las ruedas izquierdas y derechas en los trenes de ruedas
trasero y delantero para ser usados en un sistema de estimación de
presión de neumático.
28. El método de la reivindicación 19, que
comprende adicionalmente el paso de proporcionar una estimación de
desviación de giroscopio de ritmo de guiñada para ser usada en una
función de diagnóstico.
29. El método de cualquiera de las
reivindicaciones 1-15, adaptado adicionalmente para
determinar el movimiento longitudinal de dicho vehículo de
ruedas;
- en el que dicha primera señal de sensor es una
señal de aceleración procedente de un acelerómetro montado en el
vehículo de ruedas,
- en el que dichas segundas señales de sensor
son señales de velocidad angular de rueda procedentes de sensores de
velocidad angular de rueda montados en el vehículo de ruedas para
percibir la velocidad angular de las respectivas ruedas,
- en el que dicho modelo es dependiente de dicha
señal de aceleración, dichas señales de velocidad angular de rueda,
el error de desviación para la señal de aceleración y los errores de
desviación para las señales de velocidad angular de rueda, y
- en el que dicha señal entregada de valor de
parámetro físico es una señal de velocidad longitudinal calculada y
una señal de aceleración longitudinal calculada.
30. El método de la reivindicación 29, en el que
el filtro adaptativo es un filtro extendido de Kalman.
31. El método de la reivindicación 29, en el que
dicha tercera señal de sensor es una señal de ritmo de guiñada para
el vehículo de ruedas y en el que dicho filtro adaptativo está
basado en un modelo que es dependiente también de dicha señal de
ritmo de guiñada y del error de desviación para dicha señal de ritmo
de guiñada.
32. El método de la reivindicación 29, que
comprende adicionalmente el cálculo de parámetros y señales de
entrada de filtro en un modelo de error mediante los pasos de:
- calcular una estimación de velocidad del
vehículo a partir de sensores de velocidad angular del vehículo;
- calcular los parámetros en el modelo de
error;
- calcular matrices actuales para un filtro
extendido de Kalman (F, G, H, Q).
33. El método de la reivindicación 29, que
comprende adicionalmente el paso de proporcionar una estimación de
velocidad para un sistema de control y una MMI (interfaz
hombre-máquina).
34. El método de la reivindicación 29, que
comprende adicionalmente el paso de proporcionar valores de
resbalamiento de rueda.
35. El método de la reivindicación 29, que
comprende adicionalmente el paso de proporcionar una estimación de
desviación de acelerómetro para uso en una función de
diagnóstico.
36. El método de cualquiera de las
reivindicaciones 1-15, que está adaptado
adicionalmente para determinar el nivel de combustible y el consumo
de combustible de dicho vehículo de ruedas;
- en el que dicha primera señal de sensor es una
señal de volumen de combustible procedente de un medidor de tanque
del vehículo de ruedas,
- en el que dicha segunda señal de sensor es una
señal de sensor de inyección de combustible procedente del motor del
vehículo de ruedas,
- en el que dicho modelo es dependiente de dicha
señal de volumen de combustible, dicha señal de inyección de
combustible, el error de desviación para la señal de volumen de
combustible y el error de desviación para la señal de inyección de
combustible, y
- en el que dicha señal entregada de valor de
parámetro físico es una señal de nivel de combustible calculado y
una señal de consumo de combustible calculado.
37. El método de la reivindicación 26, que
comprende adicionalmente el cálculo de parámetros y señales de
entrada de filtro en un modelo de error mediante los pasos de:
- calcular una estimación de nivel de
combustible a partir de la señal de sensor de nivel de
combustible;
- calcular el consumo de combustible a partir de
la señal de inyección de combustible.
38. El método de cualquiera de las
reivindicaciones anteriores, que comprende adicionalmente los pasos
de:
- examinar la calidad de datos de acuerdo con
las reglas predeterminadas;
- usar matrices estadísticas para la filtración
de Kalman dependientes de dichas reglas.
39. El método de la reivindicación 38, en el que
dichas reglas para examinar la calidad de datos son:
- si hay una carga alta en el motor, entonces
aumentar parte de los valores en la matriz R de covarianza de
medición de Kalman.
40. El método de la reivindicación 36, que
comprende adicionalmente el paso de proporcionar la estimación de
nivel de combustible para un sistema de MMI (interfaz
hombre-máquina).
41. El método de la reivindicación 36, que
comprende adicionalmente el paso de proporcionar una estimación de
consumo de combustible para un sistema de control y un sistema de
MMI (interfaz hombre-máquina).
42. El método de la reivindicación 1, que
comprende adicionalmente el paso de usar información externa en la
evaluación de la observabilidad.
43. El método de la reivindicación 1, que
comprende adicionalmente los pasos de:
- inicializar el sistema de filtro y sensor;
- recibir como entrada la siguiente medición o
muestra de dichas señales de sensor;
- comprobar la observabilidad de dicho parámetro
físico;
- si la observabilidad se cumple, entonces
actualizar las estimaciones de desviación;
- después de la actualización de las
estimaciones de desviación o si la observabilidad no se cumple,
entonces compensar la señal de sensor con la salida de desviación
procedente del filtro adaptativo.
44. El método de la reivindicación 1, en el que
se dispone redundancia analítica para el filtro adaptativo generando
un cierto número de ecuaciones a procesar en dicho filtro.
45. Un aparato para calcular un valor de
parámetro físico de un vehículo de ruedas, que comprende:
- medios de filtración que reciben como entrada
una primera señal (y_{1}) de sensor que es dependiente de una
primera clase de parámetro físico que afecta a una condición del
vehículo de ruedas y una segunda señal (y_{1}, y_{2}) de sensor
que es dependiente de una segunda clase de parámetro físico que
afecta a una condición del vehículo de ruedas, estando ideados los
medios de filtración para filtrar de manera recurrente dichas
señales primera y segunda (y_{1}, y_{2}) de sensor por medio de
un filtro adaptativo basado en un modelo predeterminado de la
condición del vehículo de ruedas, siendo dicho modelo dependiente de
dicha primera clase de parámetro físico, de dicha segunda clase de
parámetro físico y del error de desviación para dicha primera señal
de sensor;
- medios para estimar los valores de errores de
desviación de dichas señales primera y segunda de sensor por medio
de dicho filtro, siendo adicionalmente dicho modelo dependiente del
error (b_{2}) de desviación para dicha segunda señal de sensor y
siendo incorporada en el modelo la dependencia (c_{1}, c_{2}) de
dichos errores primero y segundo de desviación;
- medios para determinar en dicha filtración
información de primer tipo sobre dicho parámetro físico (x) por
medio de dichas señales primera y segunda (y_{1}, y_{2}) de
sensor y por medio de una pluralidad de relaciones predeterminadas
entre valores medidos (y_{1}(t), y_{2}(t)) de
dicho parámetro físico (x) a partir de dichas señales primera y
segunda de sensor, dicho valor (x(t)) de parámetro físico, y
dichos errores primero y segundo (c_{1}(t)b_{1},
c_{2}(t)b_{2}) de desviación de dichas señales
primera y segunda (y_{1}, y_{2}) de sensor;
- medios para determinar en dicha filtración
información de segundo tipo sobre dicho parámetro físico (x) por
medio de un cierto número de mediciones (y_{1}(t),
y_{2}(t)), dependientes del tiempo, de dicho parámetro
físico (x) representadas por dichas señales primera y segunda de
sensor y por medio de dichas relaciones predeterminadas;
- medios para calcular, dependiendo de dicha
información de primer tipo y dicha información de segundo tipo, una
señal (X) de valor de parámetro físico tal que dichos errores
primero y segundo de desviación se compensan y se eliminan.
46. El aparato de la reivindicación anterior,
que comprende adicionalmente una unidad (110, 112, 114, 116, 117) de
procesamiento ideada para realizar los pasos y funciones de
cualquiera de las reivindicaciones 1-44.
47. Un producto de programa de ordenador para
determinar el valor de parámetro físico del vehículo de ruedas por
medio de un sistema de procesamiento de datos, que comprende medios
para controlar el sistema de procesamiento de datos para:
- recibir una primera señal (y_{1}) de sensor
que es dependiente de una primera clase de parámetro físico que
afecta a una condición del vehículo de ruedas;
- recibir una segunda señal (y_{2}) de sensor
que es dependiente de una segunda clase de parámetro físico que
afecta a una condición del vehículo de ruedas;
- filtrar de manera recurrente dichas señales
primera y segunda (y_{1}, y_{2}) de sensor por medio de un
filtro adaptativo basado en un modelo predeterminado de la condición
del vehículo de ruedas, siendo dicho modelo dependiente de dicha
primera clase de parámetro físico, de dicha segunda clase de
parámetro físico y del error (b_{1}) de desviación para dicha
primera señal de sensor;
- estimar los valores de errores de desviación
de dichas señales primera y segunda de sensor por medio de dicho
filtro, siendo adicionalmente dicho modelo dependiente del error
(b_{2}) de desviación para dicha segunda señal de sensor y siendo
incorporada en el modelo la dependencia (c_{1}, c_{2}) de dichos
errores primero y segundo de desviación;
- determinar en dicha filtración información de
primer tipo sobre dicho parámetro físico (x) por medio de dichas
señales primera y segunda (y_{1}, y_{2}) de sensor y por medio
de una pluralidad de relaciones predeterminadas entre valores
medidos (y_{1}(t), y_{2}(t)) de dicho parámetro
físico (x) a partir de dichas señales primera y segunda de sensor,
dicho valor (x(t)) de parámetro físico, y dichos errores
primero y segundo (c_{1}(t)b_{1},
c_{2}(t)b_{2}) de desviación de dichas señales
primera y segunda (y_{1}, y_{2}) de sensor;
- determinar en dicha filtración información de
segundo tipo sobre dicho parámetro físico (x) por medio de un cierto
número de mediciones (y_{1}(t), y_{2}(t)),
dependientes del tiempo, de dicho parámetro físico (x) representadas
por dichas señales primera y segunda de sensor y por medio de dichas
relaciones predeterminadas;
- calcular, dependiendo de dicha información de
primer tipo y dicha información de segundo tipo, una señal (X) de
valor de parámetro físico tal que dichos errores primero y segundo
de desviación se compensan y se eliminan.
48. El producto de programa de ordenador de la
reivindicación anterior, que comprende adicionalmente medios para
controlar el sistema de procesamiento de datos para realizar los
pasos y funciones de cualquiera de las reivindicaciones
1-44.
\newpage
49. Un método para determinar un valor (x) de
parámetro físico de un vehículo de ruedas, que comprende los pasos
de:
- procesar una pluralidad de señales (y_{1},
y_{2}) de sensor que dependen de uno o más parámetros físicos que
afectan a una condición del vehículo de ruedas de acuerdo con un
modelo predeterminado de la condición del vehículo, en el que dicho
modelo es dependiente de cada uno de dichos parámetros físicos y del
error (b_{1}, b_{2}) de desviación para cada una de dichas
señales de sensor;
- estimar valores de dichos errores de
desviación por medio de una pluralidad de relaciones predeterminadas
entre valores medidos (y_{1}(t), y_{2}(t)) de
dicho parámetro físico (x) a partir de dicha pluralidad de señales
(y_{1}, y_{2}) de sensor, dicho valor (x(t)) de parámetro
físico y dichos errores (b_{1}, b_{2}) de desviación de dicha
pluralidad de señales (y_{1}, y_{2}) de sensor, y por medio de
un cierto número de mediciones (y_{1}(t),
y_{2}(t)), dependientes del tiempo, de dicho parámetro
físico (x) representadas por dichas señales primera y segunda de
sensor y por medio de dichas relaciones predeterminadas;
- calcular una o más señales (X) de valor de
parámetro físico a partir de las cuales se eliminan dichos valores
estimados de error de desviación.
50. El método de la reivindicación 49, que
comprende adicionalmente los pasos o funciones de cualquiera de las
reivindicaciones 1-44.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE0001353A SE0001353D0 (sv) | 2000-04-12 | 2000-04-12 | Sensor fusion system |
SE2000101353 | 2000-04-12 | ||
SE2000102212 | 2000-06-13 | ||
SE0002212A SE523023C2 (sv) | 2000-04-12 | 2000-06-13 | Metod och anordning för att med rekursiv filtrering bestämma en fysikalisk parameter hos ett hjulfordon |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2317897T3 true ES2317897T3 (es) | 2009-05-01 |
Family
ID=26655071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES01924048T Expired - Lifetime ES2317897T3 (es) | 2000-04-12 | 2001-04-12 | Modelo de filtro adaptativo para señales de sensor de vehiculo automovl. |
Country Status (8)
Country | Link |
---|---|
US (1) | US7158866B2 (es) |
EP (2) | EP1274613B1 (es) |
AT (2) | ATE474749T1 (es) |
AU (1) | AU2001250715A1 (es) |
DE (2) | DE60142656D1 (es) |
ES (1) | ES2317897T3 (es) |
SE (1) | SE523023C2 (es) |
WO (1) | WO2001076925A1 (es) |
Families Citing this family (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0004515D0 (sv) * | 2000-06-28 | 2000-12-06 | Nira Automotive Ab | Roll angle indicator |
US20050216106A1 (en) * | 2002-03-18 | 2005-09-29 | Sick Ag | Sensor-machine interface and method for operating the same |
FR2841006A1 (fr) * | 2002-06-13 | 2003-12-19 | Michelin Soc Tech | Methode d'asservissement, utilisable notamment pour maintenir le glissement d'un pneu a un niveau optimal pour qu'il fonctionne a un niveau de coefficient d'adherence maximal |
EP1372049A1 (fr) | 2002-06-13 | 2003-12-17 | Société de Technologie Michelin | Méthode d'asservissement, utilisable notamment pour maintenir le glissement d'un pneu à un niveau optimal pour qu'il fonctionne à un niveau de coefficient d'adhérence maximal |
JP4144789B2 (ja) * | 2002-12-06 | 2008-09-03 | 株式会社小糸製作所 | 車両用前照灯の照射方向制御装置 |
US7010409B2 (en) * | 2003-02-26 | 2006-03-07 | Ford Global Technologies, Llc | Reference signal generator for an integrated sensing system |
US20050027403A1 (en) * | 2003-05-06 | 2005-02-03 | Ikuya Nagai | Parameter identification-based filtering |
EP1642140B1 (en) * | 2003-07-07 | 2013-06-19 | Nira Dynamics AB | Method and system of determining the absolute velocity of a vehicle |
GB0316382D0 (en) * | 2003-07-12 | 2003-08-13 | Torotrak Dev Ltd | Continuously variable ratio transmission assembly and method of control of same |
US6941207B2 (en) * | 2003-10-10 | 2005-09-06 | Matsushita Electric Industrial Co., Ltd. | Steering angular velocity detecting device |
KR20050075717A (ko) | 2004-01-16 | 2005-07-21 | 소시에떼 드 테크놀로지 미쉐린 | 다른 매개 변수의 함수로써 편차의 평균 기울기를비교하는 알고리즘을 사용하여 차량의 안정성을 제어하기위한 시스템 |
KR20050075708A (ko) | 2004-01-16 | 2005-07-21 | 소시에떼 드 테크놀로지 미쉐린 | 소정 시간에 걸쳐 대표 매개변수의 편차를 분석한알고리즘을 사용하여 차량의 안정성을 제어하기 위한시스템 |
DE602005000242T2 (de) | 2004-01-16 | 2007-04-05 | Société de Technologie Michelin | System zur Stabilitätsregelung eines Fahrzeugs mit mehreren prädiktiven Algorithmen und einem Auswahlprozess |
DE102005003980B3 (de) * | 2005-01-28 | 2006-09-14 | Bayerische Motoren Werke Ag | Schlupfregelsystem für ein einspuriges Kraftfahrzeug |
US7860651B2 (en) * | 2005-08-30 | 2010-12-28 | Honeywell International Inc. | Enhanced inertial system performance |
DE102006061483B4 (de) * | 2006-02-22 | 2024-01-25 | Continental Automotive Technologies GmbH | Verfahren und Vorrichtung zur Bestimmung des Rollwinkels eines Kraftrades |
US7292925B1 (en) * | 2006-03-08 | 2007-11-06 | Yamaha Hatsudoki Kabushiki Kaisha | Acceleration estimation device and vehicle |
DE102006017824B4 (de) * | 2006-04-13 | 2018-10-11 | Dspace Digital Signal Processing And Control Engineering Gmbh | Methode zum Konstruieren einer Diagnosefunktion |
DE102006028411A1 (de) * | 2006-06-21 | 2007-12-27 | Robert Bosch Gmbh | Verfahren zur Reifenzustandserkennung |
SE531778C2 (sv) * | 2007-01-09 | 2009-08-04 | C2Sat Comm Ab | Förfarande för att driftkompensera ett positionsmätningsorgan |
US7848864B2 (en) * | 2007-05-07 | 2010-12-07 | Gm Global Technology Operations, Inc. | System for estimating vehicle states for rollover reduction |
US9965764B2 (en) * | 2007-05-23 | 2018-05-08 | Excalibur Ip, Llc | Methods of processing and segmenting web usage information |
US20090058633A1 (en) * | 2007-08-31 | 2009-03-05 | Matsushita Electric Industrial Co., Ltd. | Anc notch filter adaptation system and method for handling road noise peak shifts in a motor vehicle |
EP2048562B1 (en) * | 2007-10-12 | 2009-08-12 | Siemens Aktiengesellschaft | Method and device for providing at least one input sensor signal for a control and/or monitoring application and control device |
DE102008042433A1 (de) * | 2008-09-29 | 2010-04-01 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln eines Schwerpunktes eines Kraftfahrzeugs |
EP2374680B1 (en) * | 2009-01-08 | 2013-07-17 | Komatsu Ltd. | Vehicle speed estimator and traction control device |
US8386121B1 (en) | 2009-09-30 | 2013-02-26 | The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration | Optimized tuner selection for engine performance estimation |
DE102009059789A1 (de) * | 2009-12-21 | 2011-06-22 | Continental Automotive GmbH, 30165 | Radelektronik, Fahrzeugrad und Fahrzeug |
JP5393432B2 (ja) * | 2009-12-21 | 2014-01-22 | ヤマハ発動機株式会社 | ロール角推定装置および輸送機器 |
WO2011145374A1 (ja) * | 2010-05-17 | 2011-11-24 | 株式会社日立製作所 | 計算機システム、及び、規則生成方法 |
US9052202B2 (en) * | 2010-06-10 | 2015-06-09 | Qualcomm Incorporated | Use of inertial sensor data to improve mobile station positioning |
DE102010035060A1 (de) * | 2010-08-21 | 2012-02-23 | Robert Bosch Gmbh | Verfahren zum Vorgeben einer Drehzahl einer Antriebsmaschine eines Antriebssystems |
US9561905B2 (en) | 2010-12-15 | 2017-02-07 | Symbotic, LLC | Autonomous transport vehicle |
US8696010B2 (en) | 2010-12-15 | 2014-04-15 | Symbotic, LLC | Suspension system for autonomous transports |
US8965619B2 (en) | 2010-12-15 | 2015-02-24 | Symbotic, LLC | Bot having high speed stability |
US9499338B2 (en) | 2010-12-15 | 2016-11-22 | Symbotic, LLC | Automated bot transfer arm drive system |
CN102620943B (zh) * | 2011-01-30 | 2015-06-03 | 国际商业机器公司 | 在车轮检测中调整卡尔曼滤波器的参数的方法及装置 |
DE102012203209A1 (de) * | 2011-03-02 | 2012-09-06 | Continental Teves Ag & Co. Ohg | Intelligente Fahrzeugsensoreinrichtung |
US9096201B2 (en) * | 2011-03-18 | 2015-08-04 | Robert Bosch Gmbh | Yaw rate forecasting |
JP5725659B2 (ja) * | 2011-08-29 | 2015-05-27 | 本田技研工業株式会社 | 車両の瞬間燃費表示装置 |
DE102011082034A1 (de) * | 2011-09-02 | 2013-03-07 | Robert Bosch Gmbh | Temporäre Kompensation der ungewollten Verzögerung durch Bremseingriffe von ESP-Funktionen |
EP2771714B8 (de) * | 2011-10-24 | 2018-10-24 | Continental Teves AG & Co. OHG | Sensorsystem zur eigenständigen bewertung der integrität seiner daten |
US8688380B2 (en) * | 2012-04-23 | 2014-04-01 | Geotab Inc. | Even driven data acquisition switch |
DE102012222854A1 (de) * | 2012-12-12 | 2014-06-12 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Gesamtmassebestimmung eines elektrisch antreibbaren Fahrzeugs |
US8868290B2 (en) * | 2013-01-04 | 2014-10-21 | Infineon Technologies Ag | Wheel speed sensor with support for indirect tire pressure monitoring |
US20140288883A1 (en) * | 2013-03-25 | 2014-09-25 | Infineon Technologies Ag | Method for determining an angle of a magnetic pole of a rotating object |
CN108099878B (zh) * | 2013-06-03 | 2020-11-03 | E-Aam 传动系统公司 | 用于确定车速参数的方法 |
EP2886407A1 (de) * | 2013-12-18 | 2015-06-24 | x-log Elektronik GmbH | Schätzung des Wankwinkels eines einspurigen Fahrzeugs |
AU2014224076B2 (en) | 2014-02-17 | 2017-07-27 | Redarc Technologies Pty Ltd | Brake controller for towed vehicle braking system and method |
US9541024B2 (en) * | 2015-03-18 | 2017-01-10 | Ford Global Technologies, Llc | Fuel level indication noise monitor |
JP6636294B2 (ja) * | 2015-09-30 | 2020-01-29 | 川崎重工業株式会社 | 車両の対地速度検出装置 |
DE102015220067B3 (de) | 2015-10-15 | 2017-03-30 | Continental Automotive Gmbh | Verfahren zur Bestimmung einer Einbaulage eines Gyroskops in einem Kraftfahrzeug |
JP6511406B2 (ja) * | 2016-02-10 | 2019-05-15 | クラリオン株式会社 | キャリブレーションシステム、キャリブレーション装置 |
EP3415393B1 (en) * | 2016-04-06 | 2020-03-25 | Yamaha Hatsudoki Kabushiki Kaisha | Attitude estimation apparatus and transportation machine |
DE102016214064A1 (de) * | 2016-07-29 | 2018-02-01 | Zf Friedrichshafen Ag | Bestimmung von Fahrzustandsgrößen |
DE102016215241A1 (de) * | 2016-08-16 | 2018-02-22 | Continental Automotive Gmbh | Verfahren zum Ermitteln einer Fahrzeuggeschwindigkeit, Steuerungsmodul und Speichermedium |
US10502574B2 (en) | 2016-09-20 | 2019-12-10 | Waymo Llc | Devices and methods for a sensor platform of a vehicle |
US10277084B1 (en) | 2016-10-19 | 2019-04-30 | Waymo Llc | Planar rotary transformer |
US10757340B2 (en) | 2018-03-09 | 2020-08-25 | Pony Ai Inc. | Adaptive filter system for self-driving vehicle |
US11353872B2 (en) | 2018-07-30 | 2022-06-07 | Pony Ai Inc. | Systems and methods for selectively capturing and filtering sensor data of an autonomous vehicle |
DE102018213931A1 (de) * | 2018-08-17 | 2020-02-20 | Robert Bosch Gmbh | Fahrassistenzverfahren für ein Fahrzeug, Steuereinheit, Fahrassistenzsystem und Fahrzeug |
DE102018122054A1 (de) * | 2018-09-10 | 2020-03-12 | Wabco Gmbh | Querlenkverfahren und Querlenkvorrichtung für das Bewegen eines Fahrzeugs in eine Zielposition, und Fahrzeug dafür |
TWI686059B (zh) * | 2018-10-30 | 2020-02-21 | 林冠儀 | 雜訊濾除裝置 |
KR20200052186A (ko) * | 2018-11-06 | 2020-05-14 | 현대자동차주식회사 | 타이어 공진 주파수 추정 장치 및 방법 |
US11187719B2 (en) * | 2019-01-08 | 2021-11-30 | Qualcomm Incorporated | In-motion initialization of accelerometer for accurate vehicle positioning |
CN109857094B (zh) * | 2019-03-14 | 2020-06-02 | 杭州电子科技大学 | 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法 |
US20220194392A1 (en) * | 2019-04-23 | 2022-06-23 | Renault S.A.S. | Method for estimating and adjusting the speed and acceleration of a vehicle |
CN110667546A (zh) * | 2019-08-26 | 2020-01-10 | 武汉理工大学 | 一种无人驾驶目标车制动方法及系统 |
FR3107954B1 (fr) * | 2020-03-09 | 2022-01-28 | Vitesco Technologies | Compensation de la dérive en température d’un accéléromètre embarqué dans un véhicule automobile à deux-roues pour mesurer l’inclinaison du véhicule |
US11640577B2 (en) | 2020-06-16 | 2023-05-02 | Geotab Inc. | Data capture instructions for asset tracking |
US11550337B2 (en) | 2020-06-16 | 2023-01-10 | Geotab Inc. | Data capture trigger configuration for asset tracking |
US20220080991A1 (en) * | 2020-09-11 | 2022-03-17 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for reducing uncertainty in estimating autonomous vehicle dynamics |
CN113176448B (zh) * | 2021-03-22 | 2023-06-27 | 中国科学院计算技术研究所 | 一种基于双电导率传感器的电导率检测方法及系统 |
DE102021203686A1 (de) * | 2021-04-14 | 2022-10-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Ermittlung eines fahrdynamischen Zustands eines Fahrrads |
CN114634007B (zh) * | 2022-02-11 | 2024-03-22 | 国能黄骅港务有限责任公司 | 翻车机给料系统及其低料位检测方法、装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3418081A1 (de) * | 1984-05-16 | 1985-11-21 | Teldix Gmbh, 6900 Heidelberg | Ortungsverfahren fuer fahrzeuge, insbesondere fuer landfahrzeuge |
US5166882A (en) | 1989-03-31 | 1992-11-24 | The United States Of America As Represented By The Secretary Of The Navy | System for calibrating a gyro navigator |
GB8909074D0 (en) | 1989-04-21 | 1989-06-07 | Lotus Group Plc | Vehicle control system |
FI896219A0 (fi) | 1989-04-28 | 1989-12-22 | Antti Aarne Ilmari Lange | Anordning och foerfarande foer kalibrering av detektorsystem. |
US5668724A (en) | 1990-09-28 | 1997-09-16 | Robert Bosch Gmbh | Method for improving the controllabilty of motor vehicles |
DE4123053C2 (de) | 1991-07-12 | 2000-05-25 | Bosch Gmbh Robert | Verfahren zur Bestimmung wenigstens einer Bewegungsgröße eines Fahrzeugs |
FR2697338B1 (fr) | 1992-10-26 | 1995-01-20 | Renault | Procédé de détermination de la vitesse d'un véhicule routier et véhicule routier mettant en Óoeuvre ce procédé. |
US5878357A (en) | 1996-09-03 | 1999-03-02 | Ford Global Technologies, Inc. | Method and apparatus for vehicle yaw rate estimation |
DE19636443A1 (de) | 1996-09-07 | 1998-03-12 | Bosch Gmbh Robert | Vorrichtung und Verfahren zur Überwachung von Sensoren in einem Fahrzeug |
US5860480A (en) | 1997-04-08 | 1999-01-19 | Caterpillar Inc. | Method and apparatus for determining pitch and ground speed of an earth moving machines |
WO2000046087A1 (de) * | 1999-02-01 | 2000-08-10 | Continental Teves Ag & Co. Ohg | Verfahren und vorrichtung zur sensorüberwachung, insbesondere für ein esp-system für fahrzeuge |
US6459990B1 (en) * | 1999-09-23 | 2002-10-01 | American Gnc Corporation | Self-contained positioning method and system thereof for water and land vehicles |
-
2000
- 2000-06-13 SE SE0002212A patent/SE523023C2/sv not_active IP Right Cessation
-
2001
- 2001-04-12 ES ES01924048T patent/ES2317897T3/es not_active Expired - Lifetime
- 2001-04-12 WO PCT/SE2001/000797 patent/WO2001076925A1/en active Application Filing
- 2001-04-12 DE DE60142656T patent/DE60142656D1/de not_active Expired - Lifetime
- 2001-04-12 AT AT08169391T patent/ATE474749T1/de not_active IP Right Cessation
- 2001-04-12 US US10/257,596 patent/US7158866B2/en not_active Expired - Lifetime
- 2001-04-12 EP EP01924048A patent/EP1274613B1/en not_active Expired - Lifetime
- 2001-04-12 AU AU2001250715A patent/AU2001250715A1/en not_active Abandoned
- 2001-04-12 AT AT01924048T patent/ATE415324T1/de not_active IP Right Cessation
- 2001-04-12 EP EP08169391A patent/EP2030852B1/en not_active Expired - Lifetime
- 2001-04-12 DE DE60136697T patent/DE60136697D1/de not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
DE60136697D1 (de) | 2009-01-08 |
EP1274613B1 (en) | 2008-11-26 |
WO2001076925A1 (en) | 2001-10-18 |
EP1274613A1 (en) | 2003-01-15 |
US20040199300A1 (en) | 2004-10-07 |
AU2001250715A1 (en) | 2001-10-23 |
ATE474749T1 (de) | 2010-08-15 |
EP2030852B1 (en) | 2010-07-21 |
ATE415324T1 (de) | 2008-12-15 |
SE523023C2 (sv) | 2004-03-23 |
US7158866B2 (en) | 2007-01-02 |
DE60142656D1 (de) | 2010-09-02 |
EP2030852A1 (en) | 2009-03-04 |
SE0002212L (sv) | 2001-12-13 |
SE0002212D0 (sv) | 2000-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2317897T3 (es) | Modelo de filtro adaptativo para señales de sensor de vehiculo automovl. | |
US7463953B1 (en) | Method for determining a tilt angle of a vehicle | |
EP1722239B1 (en) | Apparatus and method for measuring speed of a moving object | |
CN102168977B (zh) | 使用全球定位系统的车轮定位诊断 | |
US10360476B2 (en) | Sensor system comprising a fusion filter for common signal processing | |
Ryu et al. | Vehicle sideslip and roll parameter estimation using GPS | |
CN103632062B (zh) | 一种车辆行驶上下坡状态判定的方法和装置 | |
ES2608605T3 (es) | Estimación de presión de neumático | |
CN104802826B (zh) | 用于估计轨道车辆的横向力的装置 | |
US20140260517A1 (en) | System and method for inertial sensor offset compensation | |
JP2003517151A (ja) | ほぼ水平な回転軸の周りに回転する対象体の絶対回転角度を決定する方法および装置 | |
ES2763450T3 (es) | Dispositivo de estimación del ángulo de balanceo de un vehículo | |
JP2001356131A (ja) | 横方向加速度の推定方法および装置並びにブレーキ操作の実施方法 | |
JP2008535725A (ja) | 車両用制御システム | |
US20110276262A1 (en) | Signal processing module, navigation device with the signal processing module, vehicle provided with a navigation device and method of providing navigation data | |
JP2021518529A (ja) | 車両に装備されたジャイロメータの較正方法 | |
KR950031763A (ko) | 8개의 센서를 구비한 휠 얼라이너 | |
EP3396323B1 (en) | Distance estimation device, distance estimation method, and program | |
US9791277B2 (en) | Apparatus and method for measuring velocity of moving object in a navigation system | |
EP1206683B1 (en) | Integrated inertial/vms navigation system | |
JP3169213B2 (ja) | 移動速度検出方法及び装置、車両のすべり角検出装置 | |
Oei et al. | Attitude estimation for ground vehicles using low-cost sensors with in-vehicle calibration | |
JPH1164008A (ja) | 車両横すべり角検出装置 | |
JPH11211745A (ja) | 速度距離計 | |
Schnee et al. | Auto-Calibration of Bias Compensated 2D-Mounting Orientation of an IMU on an Electric Bicycle Using Bike-Specific Motions |