WO2018019518A1 - BESTIMMUNG VON FAHRZUSTANDSGRÖßEN - Google Patents
BESTIMMUNG VON FAHRZUSTANDSGRÖßEN Download PDFInfo
- Publication number
- WO2018019518A1 WO2018019518A1 PCT/EP2017/066466 EP2017066466W WO2018019518A1 WO 2018019518 A1 WO2018019518 A1 WO 2018019518A1 EP 2017066466 W EP2017066466 W EP 2017066466W WO 2018019518 A1 WO2018019518 A1 WO 2018019518A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- motor vehicle
- vector
- observer
- driving state
- kalman filter
- Prior art date
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/103—Side slip angle of vehicle body
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/101—Side slip angle of tyre
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/109—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/114—Yaw movement
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/26—Wheel slip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/28—Wheel speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
Definitions
- the invention relates to the determination of driving state variables of a motor vehicle.
- the invention relates to the modeling of the motor vehicle for determining the driving state variables.
- state variables are to be determined, which describe the movement of the motor vehicle. For example, a speed of the motor vehicle over ground can be determined by means of a speed sensor on a wheel. An improved determination can be carried out by means of several speed sensors on several wheels. However, this determination may also be erroneous, for example when the slip on several wheels exceeds predetermined limits. There are also state variables that can not be determined directly at all or not without considerable effort, for example a slip angle.
- the invention is based on the object of specifying a technique which allows an improved determination of the driving state variables of a motor vehicle.
- the invention solves this problem by means of the subjects of the independent claims. Subclaims give preferred embodiments again.
- the motor vehicle comprises four wheels (front left, front right, rear left and rear right), but other vehicle models can be supported as well, for example for a single-track motor vehicle with two wheels or for a two-lane motor vehicle with more than two axles.
- a method for determining driving state variables of a motor vehicle comprises steps of scanning a vector of input variables that determine the driving state of the motor vehicle; sampling a first output vector of quantities describing the driving condition of the motor vehicle; determining, based on the input vector, a state vector and a weighting vector, a second output vector of quantities describing the driving condition of the motor vehicle; and adjusting the weighting vector based on a difference of the two output vectors.
- the thus formulated observer is realized here by a Kalman filter.
- the observer describes the behavior of the motor vehicle by suitable conversion of the input vector via a physical vehicle model into an output vector.
- the difference between the observer-determined output vector and the output vector determined by the motor vehicle is fed back to the observer for weighting the mapping.
- the behavior of the real motor vehicle can be imaged by the observer, in which the difference between the output vectors is minimized as far as possible.
- the observer is based on a physical vehicle model, which will be described in more detail below.
- the physical vehicle model is preferably designed such that a multiplicity of driving state variables describing the dynamic behavior of the motor vehicle can be determined without providing a dedicated sensor for each driving state variable. These driving state variables can be included in the state vector. A number of sensors for determining the driving state variables may be reduced. In addition, a measurement inaccuracy can be reduced. Any particular driving state quantity can potentially be determined on the basis of all the measured values of the input vector u and the output vector y, so that a determination accuracy, a determination reliability, or a determination speed can be optimized. Also, a size that is difficult to determine conventionally, such as a slip angle, can be predicted or improved by the observer.
- the observer can include an unscented Kalman Filter (UKF) .
- the UKF can provide a good determination of the desired size for stand sizes while requiring acceptable processing capacities, and particularly noisy measurements can have little effect on the performance of the UKF.
- processing in real time for example on board the motor vehicle, can be carried out in an improved manner,
- the UKF comprises a square root unscented Kalman filter (SR-UKF).
- SR-UKF square root unscented Kalman filter
- the SR-UKF can once again be processed much faster than the UKF; a reduction in the required computing time of around 20% compared to the UKF can be achieved under certain conditions.
- other nonlinear observer algorithms may also be used.
- the input vector comprises rotational speeds or alternatively angular velocities of the wheels of the motor vehicle and wheel steering angles of the wheels.
- the output vector preferably comprises accelerations of the motor vehicle in the longitudinal and transverse directions and a yaw rate.
- driving condition quantities can be determined which include at least one wheel force in the longitudinal, vertical or transverse direction; a wheel slip; a slip angle; a slip angle and a vehicle speed over ground in the longitudinal or transverse direction.
- Wheel-related driving state variables are preferably specified for each wheel of the motor vehicle.
- the second output vector is determined on the basis of a physical model that can be expressed, for example, by equations of motion.
- coefficients of adhesion between tires of the motor vehicle and a road surface or a subsoil are determined, and the physical model is adapted on the basis of the determined adhesion coefficients. Chem connection a movement of a tire to a movement of the motor vehicle relative to the roadway is.
- a measurement covariance matrix R n can be adapted as follows:
- the measurement covariance matrix is adapted by means of a linear slave Kalman filter.
- a computer program product comprises program code means for carrying out the described method when the computer program product runs on a processor or is stored on a computer-readable medium.
- a device for determining driving state variables of a motor vehicle implements a Kalman filter and is adapted to carry out the method described above.
- the device may in particular comprise a programmable microcomputer.
- a time-discrete processing can be carried out with a fixed time grid.
- the processing can be real-time capable, that is, certain processing times have a guaranteed maximum duration.
- a control of the motor vehicle may be performed on the basis of the determined driving state quantities.
- active chassis control, brake control, powertrain control or control of an active or passive safety system on board the motor vehicle may be based on one or more of the particular vehicle loads.
- Fig. 1 a method
- Fig. 2 shows a motor vehicle with different sizes.
- FIG. 1 shows a schematic representation of a method 100 for determining one or more driving state variables on a real motor vehicle 105 by means of an observer 1 10.
- the observer 110 can be regarded as a method and implemented, for example, by means of a programmable microcomputer. In this sense, the observer 1 10 can also be regarded as a device for determining the driving state variables.
- An input vector u includes measured variables on the motor vehicle 105, for example wheel speeds n, or alternatively wheel angular velocities ⁇ , and wheel steering angle 6i of the individual wheels. These measured variables can be sampled by means of assigned sensors. For example, a wheel angular velocity cd; be detected by means of a magnetic or optical encoder (encoder).
- a state of the motor vehicle 105 is a state vector which may include vehicle speeds or a yaw rate.
- Change x of the state vector x takes place on the basis of a current state vector x and the input vector ".
- This influencing can be used as a function which is generally not well known. From the influencing results by means of a function an output vector - the sizes as
- Vehicle accelerations or the yaw rate may include. This size
- the acceleration by means of an inertial sensor or the yaw rate can be determined by means of a yaw rate sensor.
- These sensors can be constructed micromechanically.
- the images of the input vector u by the real motor vehicle 105 are to be reproduced as accurately as possible by means of an observer 1 10.
- a determination algorithm for the driving state variables of the motor vehicle 105 is to be formed, which can be used for the determination or prediction of driving state variables on the motor vehicle 105.
- Quantities relating to the observer 110 rather than to the real motor vehicle 105 are hereafter generally indicated by a circumflex (eg, ä instead of a).
- a physical vehicle model 15 realizes a function the state vector of the observer 1 10 on the basis of the input vector and a correction vector on a change of the state vector of the observer 1 10. This change results from a function on
- a difference between the output vector y and the output vector y of the observer 1 10 is determined and converted into the vector by means of a so-called feedback matrix K.
- the error of the observer 1 10 is thus fed back so that it is minimized as possible.
- each element of the output vector y can be determined quickly and accurately based on all the elements of the input vector u and the output vector y.
- a very accurate determination of each element can be made, since potentially many measured values are taken into account, and on the other hand an element that is difficult to measure can also be determined.
- a slip angle which exists between the direction of movement of the motor vehicle 105 in the center of gravity CoG and the vehicle longitudinal axis, can be determined without requiring an optical measuring method or a measuring wheel.
- the particular elements usually include state variables of the motor vehicle and can be used, for example, to control the motor vehicle 105.
- the specific speed of the motor vehicle may be used to control an antilock braking system (ABS), or a speed assistant to control the speed to a predetermined value or through an electronic stability program (ESP).
- ABS antilock braking system
- ESP electronic stability program
- Further functions for controlling the movement or a comfort function of the motor vehicle 105 can likewise be based on driving state variables which were determined by means of the observer 110. Of course, driving condition other than speed can be used.
- FIG. 2 shows corresponding quantities on motor vehicle 105.
- the described physical vehicle model is adapted to existing adhesion conditions between tire and roadway via the adhesion coefficients described above. It should be noted that this adaptation can be used with any other nonlinear observer algorithm.
- the observer 110 can be implemented by means of different, non-linear Kalman filters, a "Standard Unscented Kalman Filter” (UKF) being particularly preferred.
- a "Standard Unscented Kalman Filter” (UKF) being particularly preferred.
- the measurement covariance matrix R n can be adapted as follows: where gj
- any non-linear Kalman filter its measurement covariance matrix R n can also be generally adapted by means of a linear slave Kalman filter, as described in "Adaptive Unscented Kalman Filter and Its Applications in Nonlinear Control", Jianda Han, Qi Song and Yuqine He, State Key Laboratory ry of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, PR China, Chapter 4.
- Kalman filters will be described in more detail. The description is taken from "The Square-Root Unscented Kalman Filter for State and Parameter Estimation", Rudolph van der Merwe, Eric A. Wan, Oregon graduate Institute of Science and Technology, 20000 NW Walker Road, Beaverton, Oregon 97006, The notations and designations used in the following statements should be familiar to a person skilled in the art.
- EKF Extended Kalman Filter
- the EKF applies the procedure of a linear standard Kalman filter to a linearization of a truly nonlinear system. This approach is often flawed and can lead to divergence. It is therefore preferred in the present application to apply a UKF. As a result, in particular an improved determination of driving state variables can be achieved.
- a state estimation of a time discrete nonlinear dynamic system shall be performed.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
Abstract
Ein Verfahren (100) zum Bestimmen von Fahrzustandsgrößen eines Kraftfahrzeugs (105) umfasst Schritte des Abtastens eines Eingangsvektors (u) von Signalen, die den Fahrzustand des Kraftfahrzeugs (105) beeinflussen; des Abtastens eines ersten Ausgangsvektors (y) von Größen, die den Fahrzustand des Kraftfahrzeugs (105) beschreiben; des Bestimmens, auf der Basis des Eingangsvektors (u), eines Gewichtungsvektors (r) und eines Zustand svektors ( Xˆ), eines zweiten Ausgangsvektors (ŷ ) von Größen, die den Fahrzustand des Kraftfahrzeugs (105) beschreiben; und des Anpassens des Gewichtungsvektors (r) auf der Basis einer Differenz der beiden Ausgangsvektoren (y, ŷ ). Dabei umfasst der Beobachter (110) einen Kaiman-Filter.
Description
Bestimmung von Fahrzustandsgroßen
Die Erfindung betrifft die Bestimmung von Fahrzustandsgroßen eines Kraftfahrzeugs. Insbesondere betrifft die Erfindung die Modellierung des Kraftfahrzeugs zur Bestimmung der Fahrzustandsgroßen.
Um die Dynamik eines Kraftfahrzeugs zu verstehen, zu überprüfen oder eine Vorhersage oder Steuerung des Kraftfahrzeugs zu ermöglichen, sind Zustandsgrößen zu bestimmen, die die Bewegung des Kraftfahrzeugs beschreiben. Beispielsweise kann eine Geschwindigkeit des Kraftfahrzeugs über Grund mittels eines Drehzahlsensors an einem Rad bestimmt werden. Eine verbesserte Bestimmung kann mittels mehrerer Drehzahlsensoren an mehreren Rädern durchgeführt werden. Doch auch diese Bestimmung kann fehlerhaft sein, beispielsweise wenn der Schlupf an mehreren Rädern vorbestimmte Grenzwerte übersteigt. Es gibt auch Zustandsgrößen, die unmittelbar gar nicht oder nicht ohne erheblichen Aufwand bestimmt werden können, beispielsweise ein Schwimmwinkel.
Der Erfindung liegt die Aufgabe zu Grunde, eine Technik anzugeben, die eine verbesserte Bestimmung der Fahrzustandsgroßen eines Kraftfahrzeugs erlaubt. Die Erfindung löst diese Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.
Es wird vorgeschlagen, einen Beobachter auf der Basis eines Kaiman-Filters zu verwenden, um die Abbildung eines Eingangsvektors von dynamischen Eingangsgrößen des Kraftfahrzeugs auf einen Ausgangsvektor möglichst genau zu erreichen. Aus den zahlreichen Varianten unterschiedlicher Kaiman-Filter wird ein besonders geeigneter vorgestellt, der eine gute Zustandsschätzung für das vorliegende Problem mit einem akzeptablen Verarbeitungsaufwand vereint. Ferner wird ein physikalisches Fahrzeugmodell angegeben, das dem Kaiman-Filter zu Grunde liegt und das Bestimmen bzw. Vorhersagen von Zustandsgrößen für das vorliegende Problem mit hoher Qualität ermöglichen kann. Die Kombination bevorzugter Ausführungsformen für den Kaiman-Filter und das physikalische Fahrzeugmodell können überzeugende Ergebnisse liefern, die beispielsweise einer Steuerung des Kraftfahrzeugs zu Grunde gelegt werden können. Üblicherweise umfasst das Kraftfahrzeug vier Räder (vorne
links, vorne rechts, hinten links und hinten rechts), es können jedoch auch andere Fahrzeugmodelle unterstützt werden, beispielsweise für ein einspuriges Kraftfahrzeug mit zwei Rädern oder für ein zweispuriges Kraftfahrzeug mit mehr als zwei Achsen.
Ein Verfahren zur Bestimmung von Fahrzustandsgrößen eines Kraftfahrzeugs um- fasst Schritte des Abtastens eines Vektors von Eingangsgrößen, die den Fahrzustand des Kraftfahrzeugs bestimmen; des Abtastens eines ersten Ausgangsvektors von Größen, die den Fahrzustand des Kraftfahrzeugs beschreiben; des Bestimmens, auf der Basis des Eingangsvektors, eines Zustandsvektors und eines Gewichtungsvektors, eines zweiten Ausgangsvektors von Größen, die den Fahrzustand des Kraftfahrzeugs beschreiben; und des Anpassens des Gewichtungsvektors auf der Basis einer Differenz der beiden Ausgangsvektoren. Der derart formulierte Beobachter wird hier durch einen Kaiman-Filter realisiert.
Der Beobachter beschreibt das Verhalten des Kraftfahrzeugs durch passende Umwandlung des Eingangsvektors über ein physikalisches Fahrzeugmodell in einen Ausgangsvektor. Der Unterschied zwischen dem bezüglich des Beobachters bestimmten Ausgangsvektor und dem durch das Kraftfahrzeug bestimmten Ausgangsvektor wird zur Gewichtung der Abbildung in den Beobachter rückgekoppelt. So kann das Verhalten des realen Kraftfahrzeugs durch den Beobachter abgebildet werden, in dem der Unterschied zwischen den Ausgangsvektoren möglichst minimiert wird.
Dem Beobachter liegt ein physikalisches Fahrzeugmodell zu Grunde, das unten noch genauer beschrieben wird. Das physikalische Fahrzeugmodell ist bevorzugt derart gestaltet, dass eine Vielzahl von Fahrzustandsgrößen, die das dynamische Verhalten des Kraftfahrzeugs beschreiben, bestimmt werden kann, ohne für jede Fahrzu- standsgröße einen dedizierten Sensor vorzusehen. Diese Fahrzustandsgrößen können im Zustandsvektor aufgenommen sein. Eine Zahl von Sensoren zur Bestimmung der Fahrzustandsgrößen kann verringert sein. Außerdem kann eine Messungenauig- keit verkleinert sein. Jede bestimmte Fahrzustandsgröße kann potentiell auf der Basis aller Messwerte des Eingangsvektors u und des Ausgangsvektors y bestimmt werden, sodass eine Bestimmungsgenauigkeit, eine Bestimmungssicherheit oder
eine Bestimmungsgeschwindigkeit optimiert sein kann. Auch eine Fa hrzu stand sgrö- ße, die auf konventionelle Weise nur schwer zu bestimmen ist, beispielsweise ein Schwimmwinkel, kann mittels des Beobachters verbessert vorhergesagt bzw. geschätzt werden.
Es ist bevorzugt, dass der Beobachter einen„Unscented Kaiman Filter" (UKF) um- fasst. Der UKF kann eine gute Bestimmung der gewünschten Fa hrzu Standsgrößen ermöglichen und dabei akzeptable Verarbeitungskapazitäten erfordern. Insbesondere verrauschte Messungen können die Leistungsfähigkeit des UKF nur wenig beeinflussen. Mittels des UKF kann eine Verarbeitung in Echtzeit, beispielsweise an Bord des Kraftfahrzeugs, verbessert durchgeführt werden. Insbesondere ist bevorzugt, dass der UKF einen„Square Root Unscented Kaiman Filter" (SR-UKF) umfasst. Der SR-UKF kann noch einmal deutlich schneller als der UKF verarbeitet werden; eine Reduzierung der erforderlichen Rechenzeit im Bereich von ca. 20% gegenüber dem UKF kann unter bestimmten Bedingungen erzielt werden. In anderen Ausführungsformen können auch andere nichtlineare Beobachter-Algorithmen verwendet werden.
Das vorgeschlagene physikalische Fahrzeugmodell ist unten genauer beschrieben. Allgemein ist bevorzugt, dass der Eingangsvektor Drehzahlen oder alternativ Winkelgeschwindigkeiten der Räder des Kraftfahrzeugs und Radeinschlagswinkel der Räder umfasst. Der Ausgangsvektor umfasst bevorzugt Beschleunigungen des Kraftfahrzeugs in Längs- und Querrichtung sowie eine Gierrate. Auf der Basis des Beobachters können Fahrzustandsgrößen bestimmt werden, die wenigstens eine Radkraft in longitudinaler, vertikaler oder transversaler Richtung; einem Radschlupf; einen Schräglaufwinkel; einen Schwimmwinkel und einer Fahrzeuggeschwindigkeit über Grund in Längs- oder Querrichtung umfasst. Rad bezogene Fahrzustandsgrößen werden bevorzugt für jedes Rad des Kraftfahrzeugs angegeben.
Es ist bevorzugt, dass der zweite Ausgangsvektor auf der Basis eines physikalischen Modells, das beispielsweise durch Bewegungsgleichungen ausgedrückt werden kann, bestimmt wird. In einer weiter bevorzugten Ausführungsform werden Kraft- schlussbeiwerte zwischen Reifen des Kraftfahrzeugs und einer Fahrbahn oder einem Untergrund bestimmt und das physikalische Modell wird auf der Basis der bestimmten Kraftschlussbeiwerte adaptiert So kann zusätzlich berücksichtigt werden, in wel-
chem Zusammenhang eine Bewegung eines Reifens zu einer Bewegung des Kraftfahrzeugs gegenüber der Fahrbahn steht.
Umfasst der Beobachter einen UKF, insbesondere einen Standard-UKF, so kann in einer ersten Variante eine Mess-Kovarianzmatrix Rn wie folgt adaptiert werden: wobei
darf beliebig gewählt werden kann. In einer anderen Variante, die mit einem beliebigen nichtlinearen Kaimanfilter als Beobachter verwendet werden kann, wird die Mess-Kovarianzmatrix mittels eines linearen Slave-Kalmanfilters adaptiert.
Ein Computerprogrammprodukt umfasst Programmcodemitteln zur Durchführung des beschriebenen Verfahrens, wenn das Computerprogrammprodukt auf einer Verarbeitungseinrichtung abläuft oder auf einem computerlesbaren Datenträger gespeichert ist.
Eine Vorrichtung zur Bestimmung von Fahrzustandsgrößen eines Kraftfahrzeugs implementiert einen Kaiman-Filter und ist dazu eingerichtet, das oben beschriebene Verfahren durchzuführen. Die Vorrichtung kann insbesondere einen programmierbaren Mikrocomputer umfassen. Dabei kann eine zeitdiskrete Verarbeitung mit einem festen Zeitraster durchgeführt werden. Die Verarbeitung kann echtzeitfähig erfolgen, das heißt, dass bestimmte Verarbeitungszeiten eine garantierte Maximaldauer aufweisen.
Eine Steuerung des Kraftfahrzeugs kann auf der Basis der bestimmten Fahrzustandsgrößen durchgeführt werden. Beispielsweise kann eine aktive Fahrwerksteuerung, eine Bremssteuerung, die Steuerung eines Antriebsstrangs oder die Steuerung eines aktiven oder passiven Sicherheitssystems an Bord des Kraftfahrzeugs auf einem oder mehreren der bestimmten Fa h rzu sta nd sg rö ße n basieren.
Die Erfindung wird nun mit Bezug auf die beigefügten Figuren genauer beschrieben, in denen:
Fig. 1 ein Verfahren; und
Fig. 2 ein Kraftfahrzeug mit verschiedenen Größen darstellt.
Figur 1 zeigt eine schematische Darstellung eines Verfahrens 100 zum Bestimmen einer oder mehrerer Fahrzustandsgrößen an einem realen Kraftfahrzeug 105 mittels eines Beobachters 1 10. Der Beobachter 1 10 kann als Verfahren angesehen werden und beispielsweise mittels eines programmierbaren Mikrocomputers realisiert werden. In diesem Sinn kann der Beobachter 1 10 auch als Vorrichtung zur Bestimmung der Fahrzustandsgrößen angesehen werden.
Ein Eingangsvektor u umfasst Messgrößen am Kraftfahrzeug 105, beispielsweise Raddrehzahlen n, oder alternativ Radwinkelgeschwindigkeiten ω, und Radeinschlagswinkel 6i der einzelnen Räder. Diese Messgrößen können mittels zugeordneter Sensoren abgetastete werden. Beispielsweise kann eine Radwinkelgeschwindigkeit cd; mittels eines magnetischen oder optischen Drehgebers (Encoders) erfasst werden.
Ein Zustand des Kraftfahrzeugs 105 ist durch einen Zustandsvektor
beschrieben, der Fahrzeuggeschwindigkeiten oder eine Gierrate umfassen kann. Dabei
Änderung x des Zustandsvektors x erfolgt auf der Basis eines aktuellen Zustandsvektors x und des Eingangsvektors " . Diese Beeinflussung kann als Funktion
verstanden werden, die im Allgemeinen nicht genau bekannt ist. Aus der Beeinflussung ergibt sich mittels einer Funktion ein Ausgangsvektor - der Größen wie
ßen können wieder mittels passender Sensoren gemessen werden. Beispielsweise kann die Beschleunigung mittels eines Intertialsensors oder die Gierrate mittels eines Gierratensensors bestimmt werden. Diese Sensoren können mikromechanisch aufgebaut sein.
Die Abbildungen des Eingangsvektors u durch das reale Kraftfahrzeug 105 sollen mittels eines Beobachters 1 10 möglichst genau nachgebildet werden. Dadurch soll ein Bestimmungsalgorithmus für die Fahrzustandsgrößen des Kraftfahrzeug 105 gebildet werden, der zur Bestimmung oder Vorhersage von Fahrzustandsgrößen am Kraftfahrzeug 105 verwendet werden kann. Größen, die sich auf den Beobachter 1 10 statt auf das reale Kraftfahrzeug 105 beziehen, sind im Folgenden allgemein mit einem Zirkumflex (z. B. ä statt a) gekennzeichnet.
Ein physikalisches Fahrzeugmodell 1 15 realisiert eine Funktion
die den Zu- standsvektor
des Beobachters 1 10 auf der Basis des Eingangsvektors
und eines Korrekturvektors
auf eine Änderung
des Zustandsvektors des Beobachters 1 10 abbildet. Aus dieser Änderung ergibt sich mittels einer Funktion
ein
beschreibt das Fahrverhalten des Kraftfahrzeugs 105 insbesondere auf der Basis physikalischer Zusammenhänge.
Eine Differenz zwischen dem Ausgangsvektor y und dem Ausgangsvektor y des Beobachters 1 10 wird bestimmt und mittels einer sog. Rückführmatrix K in den Vektor umgewandelt. Der Fehler des Beobachters 1 10 wird somit so rückgekoppelt, dass er möglichst minimiert wird.
Nach einigen Durchläufen der Rückkopplungsschleife ist der Beobachter 1 10 eingeschwungen. Dann entspricht der Ausgangsvektor y in guter Näherung dem Ausgangsvektor y des realen Kraftfahrzeugs 105. Somit kann jedes Element des Ausgangsvektors y auf der Basis aller Elemente des Eingangsvektors u und des Ausgangsvektors y rasch und genau bestimmt werden. Dadurch kann einerseits eine sehr zutreffende Bestimmung jedes Elements erfolgen, da potentiell viele Messwerte berücksichtigt werden, andererseits kann auch ein schwer zu messendes Element bestimmt werden. Beispielsweise kann ein Schwimmwinkel, der zwischen der Bewegungsrichtung des Kraftfahrzeugs 105 im Schwerpunkt CoG und der Fahrzeuglängsachse besteht, bestimmt werden, ohne ein optisches Messverfahren oder ein Messrad zu erfordern.
Die bestimmten Elemente umfassen üblicherweise Zustandsgrößen des Kraftfahrzeugs und können beispielsweise dazu verwendet werden, das Kraftfahrzeug 105 zu steuern. Beispielsweise kann die bestimmte Geschwindigkeit des Kraftfahrzeugs zur Steuerung eines Bremssystems mit Antiblockierfunktion (ABS), oder eines Geschwindigkeitsassistenten zur Steuerung der Geschwindigkeit auf einen vorbestimmten Wert oder durch ein elektronisches Stabilitätsprogramm (ESP) genutzt werden. Weitere Funktionen zur Steuerung der Bewegung oder einer Komfortfunktion des Kraftfahrzeugs 105 können ebenfalls auf Fahrzustandsgrößen basieren, die mittels des Beobachters 1 10 bestimmt wurden. Natürlich können auch andere Fahrzustandsgrößen als die Geschwindigkeit verwendet werden.
Die Vorgehensweise des Beobachters 1 10 soll nun mathematisch genauer erläutert werden. Figur 2 zeigt zugehörige Größen am Kraftfahrzeug 105.
Definitionen
Allgemein gelten folgende Bezeichnungen:
CoG Schwerpunkt (center of gravity), Ursprung des Fahrzeug-/Fahrwerk- Koordinatensystems m Fahrzeugmasse
vdiff Geschwindigkeitsdifferenz zwischen Radumfangsgeschwindigkeit und resultierender Radlängsgeschwindigkeit im Radaufstandspunkt
μ Kraftschlussbeiwert
factor Korrekturfaktor für Kraftschlussbeiwerte
kfs Korrekturfaktor für Radseitenkräfte
Geschwindigkeiten im Radaufstandspunkt
Berechnung der Schräglaufwinkel
Resultierende Radlängsqeschwindiqkeiten im Radaufstandspunkt
Adaption der Kraftschlussbeiwerte
In einer weiteren Ausführungsform wird das beschriebene physikalische Fahrzeugmodell über die oben beschriebenen Kraftschlussbeiwerte an bestehende Kraftschlussverhältnisse zwischen Reifen und Fahrbahn adaptiert. Es ist zu beachten, dass diese Adaption mit jedem beliebigen anderen nichtlinearen Beobachter- Algorithmus verwendbar sein kann.
Aus einer gemessenen Beschleunigung a und einer geschätzten bzw. beobachteten Beschleunigung « werden die jeweiligen Beträge bestimmt und diese werden voneinander subtrahiert. Die entstehende Differenz kann gefiltert werden, bevor sie einem zeitdiskreten Integrator
)zugeführt wird. Auf der Basis der Ausgabe des Integrators können dann Korrekturfaktoren und
nigungen für die einzelnen Kraftschlussbeiwerte bestimmt werden. Die zuvor bestimmten Kraftschlussbeiwerte ps und μι können dann mit diesen Korrekturfaktoren multipliziert werden, bevor eine weitere Verarbeitung stattfindet.
Resultierende Kraftschlussbeiwerte
Radseitenkräfte
In das Fahrzeug-/Fahrwerk-Koordinatensystem (auf den Schwerpunkt CoG bezogene) transformierte Kräfte:
Bewegungsgleichung f1
Die oben dargestellten Gleichungen charakterisieren das bevorzugte physikalische Fahrzeugmodell, das dem Beobachter 110 von Figur 1 zu Grunde liegt. Es ist zu beachten, dass das beschriebene physikalische Fahrzeugmodell mit jedem beliebigen nichtlinearen Beobachter-Algorithmus verwendbar ist. Umgekehrt kann der beschriebene Beobachter 1 10 auch mit einem anderen physikalischen Fahrzeugmodell arbeiten.
Der Beobachter 1 10 kann mittels unterschiedlicher, nichtlinearer Kaiman-Filter umgesetzt werden, wobei ein„Standard Unscented Kaiman Filter" (UKF) besonders bevorzugt ist.
Adaption der Mess-Kovarianzmatrix Alternative 1 :
Bei einem Standard UKF kann die Mess-Kovarianzmatrix Rn wie folgt adaptiert werden:
wobei gj|t und beliebig nach Bedarf gewählt werden kann.
Siehe hierzu„Covariance matching based adaptive unscented Kaiman filter for direct filtering in INS/GNSS Integration", Yang Meng (*), Shesheng Gao (*), Yongmin Zhong (**), Gaoge Hu (*), Aleksandar Subic (***). Dabei bedeuten: (*) School of Automatics, Northwestern Polytechnical University, Xi'an, China (**) School of Aerospace, Me- chanical and Manufacturing Engineering, RMIT University, Australia (***) Swinburne Research and Development, Swinburne University of Technology, Hawthorn, Australia.
Alternative 2:
Bei einem beliebigen, nichtlinearen Kaiman-Filter kann dessen Mess- Kovarianzmatrix Rn auch allgemein mittels eines linearen Slave-Kalman-Filters adaptiert werden, wie beschrieben in„Adaptive Unscented Kaiman Filter and its Applications in Nonlinear Control"; Jianda Han, Qi Song and Yuqine He, State Key Laborato-
ry of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, P.R. China, Kapitel 4.
Kaimanfilter
Im Folgenden sollen bevorzugte Kaiman-Filter genauer beschrieben werden. Die Beschreibung ist sinngemäß entnommen aus„The Square-Root Unscented Kaiman Filter for State and Parameter-Estimation"; Rudolph van der Merwe, Eric A. Wan; Oregon Graduate Institute of Science and Technology; 20000 NW Walker Road, Beaverton, Oregon 97006, USA. Die verwendeten Schreibweisen und Bezeichnungen der folgenden Ausführungen dürften einem Fachmann geläufig sein. Für weitere Details wird auf die genannte Veröffentlichung verwiesen.
In den vergangenen Jahren wurde der erweiterte Kaiman-Filter (Extended Kaiman Filter, EKF) der bevorzugte Algorithmus für viele nichtlinearen Schätzer und selbstlernenden Anwendungen. Der EKF wendet die Vorgehensweise eines linearen Standard Kaiman Filters auf eine Linearisierung eines tatsächlich nichtlinearen Systems an. Dieser Ansatz ist häufig fehlerhaft und kann zu Divergenz führen. Es ist daher im vorliegenden Anwendungsfall bevorzugt, einen UKF anzuwenden. Dadurch kann insbesondere eine verbesserte Bestimmung von Fahrzustandsgrößen erzielt werden.
Die Berechnungskomplexität ist bei einem Standard-UKF mit mit der des EKF vergleichbar.
Es soll eine Zustandsschätzung eines zeitdiskreten nichtlinearen dynamischen Systems durchgeführt werden.
wobei xk den beobachteten Zustandsvektor des Systems, uk einen bekannten Eingangsvektor und yk den beobachteten Ausgangsvektor bezeichnet.
Initialisierung:
Bestimmen von Sigma-Punkten:
Aktualisierung:
Gleichungen zur Aktualisierung der Messungen:
des Messrauschens repräsentiert.
Es ist bevorzugt, zur Zustandsbestimmung als weitere Verfeinerung ein„Square- Root UKF" zu verwenden. Die folgende Beschreibung dieser Variante eines Kaiman- Filters stammt ebenfalls aus„The Square-Root Unscented Kaiman Filter for State and Parameter-Estimation".
Bezuqszeichen
100 Verfahren
105 Kraftfahrzeug
1 10 Beobachter
1 15 physikalisches Fahrzeugmodell
Claims
1 . Verfahren (100) zum Bestimmen von Fahrzustandsgrößen eines Kraftfahrzeugs (105), wobei das Verfahren folgende Schritte umfasst: Abtasten eines Eingangsvektors (u) von Größen, die den Fahrzustand des Kraftfahrzeugs (105) bestimmen; Abtasten eines ersten Ausgangsvektors (y) von Größen, die den Fahrzustand des Kraftfahrzeugs (105) beschreiben; Bestimmen, auf der Basis des Eingangs vektors (u), eines Gewichtungsvektors (r) und eines Zustandsvektors ( x ), eines zweiten Ausgangsvektors ( y ) von Größen, die den Fahrzustand des
Kraftfahrzeugs (105) beschreiben; und Anpassen (K) des Gewichtungsvektors (r) auf der Basis einer Differenz der beiden Ausgangsvektoren (y, y ); wobei der Beobachter (1 10) einen Kaiman-Filter umfasst.
2. Verfahren (100) nach Anspruch 1 , wobei der Beobachter (110) einen Unscented Kaiman Filter umfasst.
3. Verfahren (100) nach Anspruch 2, wobei der Beobachter (1 10) einen Square
Root Kaiman Filter umfasst.
4. Verfahren (100) nach einem der vorangehenden Ansprüche, wobei der Eingangsvektor (u) Drehzahlen (n) oder Winkelgeschwindigkeiten (ω) der Räder (FL, FR, RL, RR) des Kraftfahrzeugs (105) und Radeinschlagswinkel (δ) der Räder (FL, FR, RL, RR) umfasst.
5. Verfahren (100) nach einem der vorangehenden Ansprüche, wobei der Ausgangsvektor (y, y ) Beschleunigungen (a) des Kraftfahrzeugs (105) in Längs- und
Querrichtung sowie eine Gierrate ( Ψ ) umfasst.
6. Verfahren (100) nach einem der vorangehenden Ansprüche, wobei auf der Basis des Beobachters (1 10) Fahrzustandsgrößen bestimmt werden, die wenigstens eines von einer Rad kraft (F) in longitudinaler, vertikaler oder transversaler Richtung; einem Radschlupf (S); einem Schräglaufwinkel (a); einem Schwimmwin-
kel (ß) und einer Fahrzeuggeschwindigkeit (V) über Grund in Längs- oder Querrichtung umfasst.
7. Verfahren (100) nach einem der vorangehenden Ansprüche, wobei der zweite Ausgangsvektor auf der Basis eines physikalischen Modells (f,h) bestimmt
und einer Fahrbahn bestimmt werden und wobei das physikalische Modell (f,h) auf der Basis der Kraftschlussbeiwerte (μ) adaptiert wird.
8. Verfahren (100) nach einem der Ansprüche 2 bis 7, wobei eine Mess-
9. Verfahren (100) nach einem der Ansprüche 2 bis 7, wobei eine Mess- Kovarianzmatrix (Rn) mittels eines linearen Slave-Kalmanfilters adaptiert wird.
10. Computerprogrammprodukt mit Programmcodemitteln zur Durchführung eines Verfahrens (100) nach einem der vorangehenden Ansprüche, wenn das Computerprogrammprodukt auf einer Verarbeitungseinrichtung (1 10) abläuft oder auf einem computerlesbaren Datenträger gespeichert ist.
1 1. Vorrichtung (1 10) zur Bestimmung von Fahrzustandsgrößen eines Kraftfahrzeugs (105), wobei die Vorrichtung einen Kaiman-Filter implementiert und dazu eingerichtet ist, ein Verfahren (100) nach einem der Ansprüche 1 bis 6 durchzuführen.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/321,266 US20190263421A1 (en) | 2016-07-29 | 2017-07-03 | Determining driving state variables |
JP2019504786A JP2019523176A (ja) | 2016-07-29 | 2017-07-03 | 走行状態変数を決定する方法 |
EP17735486.7A EP3490863A1 (de) | 2016-07-29 | 2017-07-03 | BESTIMMUNG VON FAHRZUSTANDSGRÖßEN |
CN201780046027.6A CN109476317A (zh) | 2016-07-29 | 2017-07-03 | 行驶状态变量的确定 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016214064.7A DE102016214064A1 (de) | 2016-07-29 | 2016-07-29 | Bestimmung von Fahrzustandsgrößen |
DE102016214064.7 | 2016-07-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018019518A1 true WO2018019518A1 (de) | 2018-02-01 |
Family
ID=59285195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/EP2017/066466 WO2018019518A1 (de) | 2016-07-29 | 2017-07-03 | BESTIMMUNG VON FAHRZUSTANDSGRÖßEN |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190263421A1 (de) |
EP (1) | EP3490863A1 (de) |
JP (1) | JP2019523176A (de) |
CN (1) | CN109476317A (de) |
DE (1) | DE102016214064A1 (de) |
WO (1) | WO2018019518A1 (de) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018123092A1 (de) * | 2018-09-20 | 2020-03-26 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Bestimmen einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung eines Kraftfahrzeugs |
DE102019101392A1 (de) | 2019-01-21 | 2020-07-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Traktionskontrolle eines einspurigen Kraftfahrzeugs unter Berücksichtigung des Schräglaufwinkels des Hinterrades |
DE102019127906A1 (de) * | 2019-10-16 | 2021-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung eines Wertes eines Fahrzeugparameters |
CN111301432B (zh) * | 2020-03-03 | 2022-02-11 | 北京百度网讯科技有限公司 | 用于自动驾驶车辆的停车方法和装置 |
CN111645699B (zh) * | 2020-06-10 | 2021-08-31 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
US11893896B2 (en) | 2020-08-21 | 2024-02-06 | Honeywell Aerospace Sas | Systems and methods for determining an angle and a shortest distance between longitudinal axes of a travel way line and a vehicle |
US20220058966A1 (en) * | 2020-08-21 | 2022-02-24 | Honeywell Aerospace Sas | Systems and methods using image processing to determine at least one kinematic state of a vehicle |
CN112269373B (zh) * | 2020-11-02 | 2021-08-31 | 湖南大学 | 一种车辆控制系统的状态估计模块 |
DE102021206880A1 (de) | 2021-06-30 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur optimalen Parametrisierung eines Fahrdynamikregelungssystems für Fahrzeuge |
CN113460056B (zh) * | 2021-08-03 | 2022-08-09 | 吉林大学 | 一种基于卡尔曼滤波和最小二乘法的车辆路面附着系数估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003076243A1 (de) * | 2002-03-13 | 2003-09-18 | Daimlerchrysler Ag | Verfahren und vorrichtung zur ermittlung von das fahrverhalten eines fahrzeuges charakterisierenden grössen |
US20040199300A1 (en) * | 2000-04-12 | 2004-10-07 | Fredrik Gustafsson | Adaptive filter model for motor veichle sensor signals |
DE102011121454A1 (de) * | 2011-12-16 | 2013-06-20 | Audi Ag | Steuervorrichtung für einen Kraftwagen, Kraftwagen sowie Verfahren zum Konfigurieren der Steuervorrichtung |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19812237C1 (de) * | 1998-03-20 | 1999-09-23 | Daimler Chrysler Ag | Verfahren zur Fahrdynamik-Regelung an einem Straßenfahrzeug |
CN101615794A (zh) * | 2009-08-05 | 2009-12-30 | 河海大学 | 基于无迹变换卡尔曼滤波的电力系统动态状态估计方法 |
DE102009029018A1 (de) * | 2009-08-31 | 2011-03-03 | Robert Bosch Gmbh | Verfahren zur Bestimmung der Fahrzeuglängsgeschwindigkeit in einem Fahrzeug |
DE102010050278A1 (de) * | 2010-11-02 | 2012-05-03 | Audi Ag | Verfahren zum Schätzen eines Schwimmwinkels |
CN103363993B (zh) * | 2013-07-06 | 2016-04-20 | 西北工业大学 | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 |
CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
-
2016
- 2016-07-29 DE DE102016214064.7A patent/DE102016214064A1/de active Pending
-
2017
- 2017-07-03 EP EP17735486.7A patent/EP3490863A1/de not_active Withdrawn
- 2017-07-03 WO PCT/EP2017/066466 patent/WO2018019518A1/de unknown
- 2017-07-03 CN CN201780046027.6A patent/CN109476317A/zh active Pending
- 2017-07-03 JP JP2019504786A patent/JP2019523176A/ja active Pending
- 2017-07-03 US US16/321,266 patent/US20190263421A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199300A1 (en) * | 2000-04-12 | 2004-10-07 | Fredrik Gustafsson | Adaptive filter model for motor veichle sensor signals |
WO2003076243A1 (de) * | 2002-03-13 | 2003-09-18 | Daimlerchrysler Ag | Verfahren und vorrichtung zur ermittlung von das fahrverhalten eines fahrzeuges charakterisierenden grössen |
DE102011121454A1 (de) * | 2011-12-16 | 2013-06-20 | Audi Ag | Steuervorrichtung für einen Kraftwagen, Kraftwagen sowie Verfahren zum Konfigurieren der Steuervorrichtung |
Non-Patent Citations (3)
Title |
---|
"Kalman Filter Recent Advances and Applications", 1 April 2009, INTECH, ISBN: 978-953-30-7000-1, article JIANDA HAN ET AL: "Adaptive Unscented Kalman Filter and Its Applications in Nonlinear Control", XP055414379, DOI: 10.5772/6799 * |
MENG YANG ET AL: "Covariance matching based adaptive unscented Kalman filter for direct filtering in INS/GNSS integration", ACTA ASTRONAUTICA, PERGAMON PRESS, ELMSFORD, GB, vol. 120, 24 December 2015 (2015-12-24), pages 171 - 181, XP029406752, ISSN: 0094-5765, DOI: 10.1016/J.ACTAASTRO.2015.12.014 * |
VAN DER MERWE R ET AL: "The square-root unscented Kalman filter for state and parameter-estimation", 2001 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING. PROCEEDINGS. (ICASSP). SALT LAKE CITY, UT, MAY 7 - 11, 2001; [IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING (ICASSP)], NEW YORK, NY : IEEE, US, vol. 6, 7 May 2001 (2001-05-07), pages 3461 - 3464, XP010803214, ISBN: 978-0-7803-7041-8, DOI: 10.1109/ICASSP.2001.940586 * |
Also Published As
Publication number | Publication date |
---|---|
JP2019523176A (ja) | 2019-08-22 |
EP3490863A1 (de) | 2019-06-05 |
US20190263421A1 (en) | 2019-08-29 |
DE102016214064A1 (de) | 2018-02-01 |
CN109476317A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018019518A1 (de) | BESTIMMUNG VON FAHRZUSTANDSGRÖßEN | |
DE102008021715B4 (de) | System zum Schätzen von Fahrzeugzuständen für eine Überschlagvermeidung | |
DE10306829B4 (de) | Ermittlung von Fahrzeug-Geschwindigkeiten mit Hilfe von lineare Parameter und Verstärkung variierenden Planungs-Theorien | |
EP0630786B1 (de) | Verfahren und Schaltungsanordnung zum Ermitteln des Reibwerts | |
EP2978643B1 (de) | Fahrzeugreferenzgeschwindigkeitsbestimmungsverfahren und fahrzeugsteuergerät mit einem solchen verfahren | |
DE102017108692A1 (de) | Steuerung einer elektrischen Servolenkung unter Verwendung von Systemzustandsvorhersagen | |
EP0495030B1 (de) | Verfahren zur schätzung der geschwindigkeit | |
DE102007039176B4 (de) | Verfahren zur Ermittlung des Reibwertes eines Fahrzeugreifens gegenüber dem Untergrund | |
DE102008026370A1 (de) | GPS-unterstützte Fahrzeug-Längsgeschwindigkeitsbesimmung | |
DE10337086A1 (de) | Vorrichtung und Verfahren zur Berechnung eines Rückstellmoment-Referenzwertes, und Vorrichtung und Verfahren zur Abschätzung des Reibungszustandes einer Straßenoberfläche | |
DE102016219379A1 (de) | Verfahren zur Ermittlung einer Orientierung eines Fahrzeugs | |
DE102016102004A1 (de) | Drehmomentsteuerung für Fahrzeuge mit unabhängigen Front- und Heckantriebssystemen | |
DE112009004766T5 (de) | Spezifikationsinformationen-Bestimmungsvorrichtung und Fahrzeug | |
DE102019112637A1 (de) | Verfahren und Vorrichtung zum Schätzen der Reifennormalkraft auf Basis eines Beschleunigungssensors | |
EP2473384B1 (de) | Verfahren zur bestimmung der fahrzeuglängsgeschwindigkeit in einem fahrzeug | |
EP1564097B1 (de) | Vorrichtung und Verfahren zur Abschätzung des Zustandes eines Kraftfahrzeuges | |
DE112019007748T5 (de) | Zustandsgrößen-Berechnungsvorrichtung, Steuervorrichtung und Fahrzeug | |
DE112019007814T5 (de) | Lenkungshalte-Bestimmungsvorrichtung, Lenksteuervorrichtung und Lenkvorrichtung | |
DE102006055550A1 (de) | Verfahren zur Schätzung zumindest einer Fahrzustandsgröße eines Fahrzeugs | |
DE102014018717A1 (de) | Verfahren zum Ermitteln eines Schwerpunktes eines Fahrzeuges und Fahrzeug-Regelsystem | |
CN116749982A (zh) | 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法 | |
EP1597123B1 (de) | Verfahren und vorrichtung zur computergestützten berechnung der achslasten eines fahrzeugs | |
DE102018123092A1 (de) | Verfahren zum Bestimmen einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung eines Kraftfahrzeugs | |
Louis et al. | Nonlinear state estimation of tire-road contact forces using a 14 DoF vehicle model | |
DE112019007822T5 (de) | Lenkungshalte-Bestimmungsvorrichtung, Lenksteuervorrichtung und Lenkvorrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17735486 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2019504786 Country of ref document: JP Kind code of ref document: A |
|
ENP | Entry into the national phase |
Ref document number: 2017735486 Country of ref document: EP Effective date: 20190228 |