WO2022166046A1 - 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 - Google Patents
基于事件触发状态估计的车辆质心侧偏角估计方法及系统 Download PDFInfo
- Publication number
- WO2022166046A1 WO2022166046A1 PCT/CN2021/097607 CN2021097607W WO2022166046A1 WO 2022166046 A1 WO2022166046 A1 WO 2022166046A1 CN 2021097607 W CN2021097607 W CN 2021097607W WO 2022166046 A1 WO2022166046 A1 WO 2022166046A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- vehicle
- speed
- gps
- angle
- mass
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000001960 triggered effect Effects 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000002301 combined effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
-
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
- B60W2040/1315—Location of the centre of gravity
-
- 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
- B60W2050/0043—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
- B60W2520/12—Lateral 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
Definitions
- the vehicle center of mass slip angle is an important state quantity that characterizes the yaw stability of the vehicle, and is mainly used for the yaw stability judgment of the vehicle and the design of the stability control system.
- the vehicle center of mass slip angle is usually determined based on the vehicle parameter signals measured by multiple sensors and the vehicle dynamics model. The accuracy of this type of method depends on the dynamics model, and the robustness to changes in model parameters is poor. .
- the Kalman filter algorithm is used to fuse the first longitudinal velocity and the second longitudinal velocity, and the first lateral velocity and the second lateral velocity are fused;
- the center of mass slip angle of the vehicle is calculated from the longitudinal and lateral velocities obtained after fusion.
- the method further includes: correcting the lateral acceleration measured by the IMU; and the lateral acceleration used in determining the longitudinal speed and the lateral speed of the vehicle is the corrected lateral acceleration.
- the Kalman filter algorithm is used to iterate with the goal of estimating the yaw rate of the vehicle, where, is the yaw rate measured by the IMU, T is the sampling period, is the estimated state quantity obtained in the k-th iteration of the Kalman filter algorithm;
- the method and system for estimating the vehicle mass center sideslip angle based on event-triggered state estimation defines an event ⁇ k , and the meaning of event triggering is: when the change of the state quantity in adjacent loop iterations in the Kalman filter algorithm is greater than a preset threshold , the event is considered to be triggered.
- ⁇ k is 0, or when ⁇ k is 1 and the GPS heading angle is updated, according to The state quantity is estimated, and the center of mass sideslip angle of the vehicle is calculated according to the yaw rate obtained by using the Kalman filter algorithm.
- FIG. 1 is a schematic flowchart of a method for estimating a vehicle centroid sideslip angle based on event-triggered state estimation according to Embodiment 1 of the present invention
- the present embodiment provides a vehicle center of mass sideslip angle estimation system based on event-triggered state estimation, and the system includes:
- the data fusion module 503 includes:
- a vehicle speed fusion unit configured to use a Kalman filter algorithm to fuse the first longitudinal speed and the second longitudinal speed, and to fuse the first lateral speed and the second lateral speed.
Abstract
一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统，该方法包括：以为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代；在所述迭代中：当时，令ε k为1，否则，令ε k为0；在ε k为0时，或，在ε k为1且GPS航向角更新时，根据对状态量进行估计，并根据采用所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；在ε k为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。该估计方法及系统考虑了整体构架的稳定性，因此更加的稳定。
Description
本申请要求于2021年02月05日提交中国专利局、申请号为202110167355.X、发明名称为“基于事件触发状态估计的车辆质心侧偏角估计方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本发明涉及车辆质心侧偏角估计领域，特别是涉及一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。
车辆质心侧偏角是表征车辆横摆稳定性的重要状态量，主要用于车辆的横摆稳定性判别及稳定性控制系统设计。现有技术中，通常基于多个传感器测得的车辆参数信号以及车辆动力学模型来确定车辆质心侧偏角，该类方法的精度依赖于动力学模型，对模型参数变化的鲁棒性较差。而且，现有技术中并没有基于事件触发状态估计的车辆质心侧偏角估计方法。
发明内容
本发明的目的是提供一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于事件触发状态估计的车辆质心侧偏角估计方法，包括：
以
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
在所述迭代中：
当
时，令ε
k为1，否则，令ε
k为0，其中，δ为预设阈值；
当ε
k为0时，根据
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
γ
GPS为GPS测得的航向角，H为观测矩阵，P
k+1∣k＝AP
kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P
k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ
1为第一预定义参数，τ
2为第二预定义参数；
当ε
k为1时，判断GPS航向角是否更新；如果GPS航向角更新，则根据
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
可选地，所述根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，具体包括：
根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
根据β＝ψ-γ
GPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γ
GPS为GPS的航向角。
可选地，所述融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计，具体包括：
基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合；
根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
可选地，所述基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，具体包括：
根据
计算车辆的纵向速度v
x和侧向速度v
y，其中，v
GPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
可选地，所述方法还包括：对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
本发明还提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，包括：
卡尔曼滤波模块，用于以
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
事件触发判别模块，用于在所述迭代中，当
时，令ε
k为1，否则，令ε
k为0，其中，δ为预设阈值；
数据融合模块，用于在ε
k为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；
所述卡尔曼滤波模块还用于在ε
k为0时，或，在ε
k为1且GPS航向角更新时，根据
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其 中，
γ
GPS为GPS测得的航向角，H为观测矩阵，P
k+1∣k＝AP
kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P
k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ
1为第一预定义参数，τ
2为第二预定义参数。
可选地，所述卡尔曼滤波模块中包括：
车辆横摆角计算单元，用于根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；
车辆质心侧偏角计算单元，用于根据β＝ψ-γ
GPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γ
GPS为GPS的航向角。
可选地，所述数据融合模块中包括：
第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；
第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；
车辆速度融合单元，用于采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合；
车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
可选地，所述第二车辆速度确定单元，具体包括：
车辆速度确定子单元，用于根据
计算车辆的纵向速度v
x和侧向速度v
y，其中，v
GPS为GPS测得的车辆速度，β为车辆的质心侧偏角， k为迭代次数。
可选地，所述第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法及系统定义了事件ε
k，事件触发的含义为：卡尔曼滤波算法中相邻循环迭代中状态量的变化大于预设阈值时，认为事件触发。本发明在ε
k为0时，或，在ε
k为1且GPS航向角更新时，根据
对状态量进行估计，并根据采用所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角。本发明在ε
k为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。本发明提供的事件触发状态估计架构由于考虑了整体构架的稳定性，因此更加的稳定。
说明书附图
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于事件触发状态估计的车辆质心侧偏角估计方法的流程示意图；
图2为本发明实施例1中车辆航向角、横摆角与质心侧偏角的关系图；
图3为本发明实施例1中车辆侧倾动力学模型的示意图；
图4为本发明实施例1中车辆三自由度模型的示意图；
图5为本发明实施例2提供的基于事件触发状态估计的车辆质心侧偏角估计系统的结构示意图。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计方法，该方法包括：
以
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量。
在所述迭代中：
当
时，令ε
k为1，否则，令ε
k为0；其中，δ为预设阈值。
当ε
k为0时，根据
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
γ
GPS为GPS测得的航向角，H为观测矩阵，P
k+1∣k＝AP
kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P
k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ
1为第一预定义参数，τ
2为第二预定义参数。
当ε
k为1时，判断GPS航向角是否更新；如果GPS航向角更新，则根据
对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
本发明定义了事件ε
k，若事件未触发，则质心侧偏角β＝0；若事件触发，则判断GPS航向角是否更新，若GPS航向角更新，则质心侧偏角β＝ψ-γ；若GPS航向角未更新，则根据GPS上一周期更新数据及运动学关系计算质心侧偏角β。其中事件触发的含义为：卡尔曼滤波算法中相邻循环迭代中状态量的变化大于预设阈值时，认为事件触发。在本实施例中，当
时，认为事件触发，δ为预设阈值。
车辆质心侧偏角的具体估计流程参见图1。质心侧偏角估计可根据事件触发卡尔曼滤波估计架构来实现，具体算法过程如下：
定义状态方程
其中，x
k为状态变量，x
k＝[ψ；ω
z]；A为状态转移矩阵，A＝[1,T；0,1]，T为采样周期；B为输入矩阵；u
k为输入量；z
k+1为观测量，
H为观测矩阵，H＝[1,1；1,1]。
预测值和真实值之间的误差协方差矩阵为
P
k+1∣k＝AP
kA′+Q (2)
最优卡尔曼滤波估计为
其中，卡尔曼增益为
估计值和真实值之间的误差协方差矩阵
P
k+1＝(I-K
k+1H)P
k+1∣k (5)
事件触发状态估计中的事件定义：
其中，τ
k-1是上一次传感器信号传递的时间。
测量时间更新
测量值传递
事件触发，卡尔曼滤波估计结果为
其中，事件未触发时，GPS输出的航向角等效为车辆的横摆角。事件触发项增益M
k+1为
式中：η
1，η
2和η
3的定义为
其中：τ
1＝1，τ
2＝1。
参见图2，计算得到的质心侧偏角为
β
k＝ψ
k-γ
k (12)
事件触发时，判断GPS航向角是否更新，若GPS航向角更新，则根据式(9)得到卡尔曼滤波估计结果，此时，式(9)中的ε
k为1，观测量传递值为
并根据公式(12)计算质心偏转角。由于公式(9)具有收敛性，因此保障了本发明提供的车辆质心侧偏角估计方法的整体构架的稳定性。公式(9)的收敛性证明如下：
考虑当ε
k＝1时，公式(9)可表示为
其中
z
k+1＝Hx
k+1+v
而
其中：Ω
k+1＝I-M
k+1H,
其中：
根据引理
其中：
η
1＝1+σ
1
η
2＝1+σ
2
η
3＝1+σ
1
-1+σ
2
-1
因此，当ε
k＝1时的最优增益M
k+1可计算为
事件触发增益为
M
k+1＝η
1P
k+1∣k
TH
T(η
1HP
k+1∣kH
T+η
2R
k+1+η
3δI)
-1
以上公式(9)的收敛性证明完毕。
若事件触发时，GPS航向角未更新，根据GPS上一周期更新数据及运动学关系计算质心侧偏角β：基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合；根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角，具体算法如下：
由于GPS模块的的更新频率低，常为10-20Hz，而车辆控制周期高，一般为100Hz，甚至200Hz。因此单纯基于GPS模块的输出信号进行质心侧偏角估计满足不了整车控制的需求。提出基于车辆运动学方法，利用GPS与IMU 的融合来提高质心侧偏角估计方法的更新频率。
基于图3进行传感器信号校正：由于IMU传感器并非安装在车辆质心，同时，IMU传感器收到车辆侧倾，横摆的综合影响，输出的侧向加速度a
y,IMU并不能反应车辆真实的侧向加速度a
y，故对IMU输出的侧向加速度校正如下
其中：
为车辆侧倾角；
为横摆角加速度；
为横摆角速度，x
IMU为传感器安装位置到质心的纵向距离；y
IMU为传感器安装位置到质心的侧向距离；h
rc为质心到侧倾中心的距离；h
IMU为IMU安装位置到质心的距离。
基于图4所示的三自由度车辆模型，车辆的运动方程为
对上式进行离散化，得到
矩阵中T为系统计算周期，计算周期越小，预测模型精度越高，考虑到控制器运算性能，计算周期通常设为0.01s。
考虑单纯使用加速度积分来进行纵向和侧向速度速度，难以取得理想的预测精度，引入卡尔曼滤波估计器来提升系统精度。
定义状态方程
其中，x
k为状态变量，x
k＝[v
x；v
y]；A为状态转移矩阵，
1]，T为采样周期；B为输入矩阵,A＝[T；T]u
k为输入量；
为观测量，z
k+1＝[v
x；v
y]；H为观测矩阵，H＝[1,0；0,1]。
预测值和真实值之间的误差协方差矩阵为
P
k+1∣k＝AP
kA′+Q (17)
最优卡尔曼滤波估计为
z
k+1为传感器测量值，测量值为
其中：v
GPS为GPS模块输出的车辆速度。
卡尔曼增益为
估计值和真实值之间的误差协方差矩阵
P
k+1＝(I-K
k+1H)P
k+1∣k (21)
则基于运动学方法得到的质心侧偏角为
上述算法中，基于运动学模型确定车辆的纵向速度和侧向速度，相较于现有技术中依赖动力学模型的算法，由于本发明无需用到很多车辆参数，因此提供了对模型参数变化的鲁棒性。
本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法具有以下优势：
(1)本发明基于事件触发状态估计架构对车辆质心侧偏角进行了估计，考虑整体构架的稳定性，相对于传统不考虑整体构架的基于条件的状态估计，本发明更稳定。
(2)在GPS信号更新时，基于更新的GPS信号估计车辆质心侧偏角，在GPS信号未更新时，基于IMU信号与上一周期更新的GPS信号进行多部车辆质心侧偏角的估计，相对传统基于动力学、运动学-动力学融合的方法，本发明对模型参数变化的鲁棒性更好，精度更高。
(3)使用高更新频率的IMU传感器与低更新频率的GPS模块进行传感器融合，得到高更新频率的质心侧偏角，满足了车辆稳定性控制需求。
实施例2
参见图5，本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，该系统包括：
卡尔曼滤波模块501，用于以
为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量。
事件触发判别模块502，用于在迭代中，当
时，令ε
k为1，否则，令ε
k为0，其中，δ为预设阈值。
数据融合模块503，用于在ε
k为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
卡尔曼滤波模块501还用于在ε
k为0时，或，在ε
k为1且GPS航向角更新时，根据
对状态量进行估计，并根据卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
γ
GPS为GPS测得的航向角，H为观测矩阵，P
k+1∣k＝AP
kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P
k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ
1为第一预定义参数，τ
2为第二预定义参数。
其中，卡尔曼滤波模块501中包括：
车辆横摆角计算单元，用于根据卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角。
车辆质心侧偏角计算单元，用于根据β＝ψ-γ
GPS计算车辆的质心侧偏角， 其中，ψ为车辆的横摆角，γ
GPS为GPS的航向角。
数据融合模块503中包括：
第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度。
第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度。
车辆速度融合单元，用于采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合。
车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
其中，第二车辆速度确定单元，具体包括：
车辆速度确定子单元，用于根据
计算车辆的纵向速度v
x和侧向速度v
y，其中，v
GPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
- 一种基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，包括：以为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
在所述迭代中：当时，令ε k为1，否则，令ε k为0，其中，δ为预设阈值；
当ε k为0时，根据对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
M k+1＝η 1P k+1∣k TH T(η 1HP k+1∣kH T+η 2R k+1+η 3δI) -1，
γ GPS为GPS测得的航向角，H为观测矩阵，P k+1∣k＝AP kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ 1为第一预定义参数，τ 2为第二预定义参数；
当ε k为1时，判断GPS航向角是否更新；如果GPS航向角更新，则根据对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角；如果GPS航向角未更新，则停止所述迭代，并融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计。
- 根据权利要求1所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，具体包括：根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；根据β＝ψ-γ GPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γ GPS为GPS的航向角。
- 根据权利要求1所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计，具体包括：基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合；根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
- 根据权利要求3所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，具体包括：根据计算车辆的纵向速度v x和侧向速度v y，其中，v GPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
- 根据权利要求3所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述方法还包括：对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
- 一种基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，包括：卡尔曼滤波模块，用于以为观测量，采用卡尔曼滤波算法进行以估计车辆横摆角速度为目标的迭代，其中，
为IMU测量得到的横摆角速度，T为采样周期，
为卡尔曼滤波算法第k次迭代中得到的估计状态量；
事件触发判别模块，用于在所述迭代中，当时，令ε k为1，否则，令ε k为0，其中，δ为预设阈值；
数据融合模块，用于在ε k为1且GPS航向角未更新时，融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计；所述卡尔曼滤波模块还用于在ε k为0时，或，在ε k为1且GPS航向角更新时，根据对状态量进行估计，并根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，其中，
M k+1＝η 1P k+1∣k TH T(η 1HP k+1∣kH T+η 2R k+1+η 3δI) -1，
γ GPS为GPS测得的航向角，H为观测矩阵，P k+1∣k＝AP kA′+Q，A为状态转移矩阵，A′为状态转移矩阵的转秩，H′为观测矩阵的转秩，Q为系统噪声协方差，P k为误差协方差，R为观测噪声协方差，I为单位矩阵，τ 1为第一预定义参数，τ 2为第二预定义参数。
- 根据权利要求6所述的基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，所述卡尔曼滤波模块中包括：车辆横摆角计算单元，用于根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；车辆质心侧偏角计算单元，用于根据β＝ψ-γ GPS计算车辆的质心侧偏角，其中，ψ为车辆的横摆角，γ GPS为GPS的航向角。
- 根据权利要求6所述的基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，所述数据融合模块中包括：第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；车辆速度融合单元，用于采用卡尔曼滤波算法对所述第一纵向速度和所述第二纵向速度进行融合，对所述第一侧向速度和所述第二侧向速度进行融合；车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。
- 根据权利要求8所述的基于事件触发状态估计的车辆质心侧偏角估计系统，其特征在于，所述第二车辆速度确定单元，具体包括：车辆速度确定子单元，用于根据计算车辆的纵向速度v x和侧向速度v y，其中，v GPS为GPS测得的车辆速度，β为车辆的质心侧偏角，k为迭代次数。
- 根据权利要求8所述的基于事件触发状态估计的车辆质心侧偏角估计方法，其特征在于，所述第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US18/015,020 US20230264700A1 (en) | 2021-02-05 | 2021-06-01 | Method and system for vehicle sideslip angle estimation based on event-triggered state estimation |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110167355.XA CN112874529B (zh) | 2021-02-05 | 2021-02-05 | 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 |
| CN202110167355.X | 2021-02-05 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022166046A1 true WO2022166046A1 (zh) | 2022-08-11 |
Family
ID=76057530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2021/097607 WO2022166046A1 (zh) | 2021-02-05 | 2021-06-01 | 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230264700A1 (zh) |
| CN (1) | CN112874529B (zh) |
| WO (1) | WO2022166046A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115790615A (zh) * | 2023-01-30 | 2023-03-14 | 安徽蔚来智驾科技有限公司 | 基于自动驾驶的多传感器融合方法、装置、介质及车辆 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113115230B (zh) * | 2021-03-26 | 2023-08-18 | 北京工业大学 | 一种基于信息物理系统的车辆广播通信控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040128060A1 (en) * | 2002-12-27 | 2004-07-01 | Joon-Hong Park | Rollover control method and system thereof |
| KR100599567B1 (ko) * | 2004-08-17 | 2006-07-13 | 현대모비스 주식회사 | 지피에스를 이용한 차량의 횡미끌림각 추정 방법 |
| CN107074241A (zh) * | 2014-10-20 | 2017-08-18 | 米兰综合工科大学 | 估计车辆侧滑角度的方法、实施所述方法的计算机程序、装载有所述计算机程序的控制单元以及包括所述控制单元的车辆 |
| CN107600073A (zh) * | 2017-08-10 | 2018-01-19 | 同济大学 | 一种基于多源信息融合的车辆质心侧偏角估计系统及方法 |
| CN111152795A (zh) * | 2020-01-08 | 2020-05-15 | 东南大学 | 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006000733A1 (de) * | 2006-01-04 | 2007-07-12 | Conti Temic Microelectronic Gmbh | Verfahren und Vorrichtung zur Bestimmung einer Auslöseentscheidung für Rückhaltemittel eines Fahrzeugs |
| US9285485B2 (en) * | 2009-11-12 | 2016-03-15 | GM Global Technology Operations LLC | GPS-enhanced vehicle velocity estimation |
| CN102009653B (zh) * | 2010-11-10 | 2013-03-27 | 清华大学 | 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法 |
| CN102556075B (zh) * | 2011-12-15 | 2015-04-01 | 东南大学 | 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法 |
| CN106250591B (zh) * | 2016-07-21 | 2019-05-03 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
| CN108545081B (zh) * | 2018-03-20 | 2020-04-28 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统 |
| JP7206883B2 (ja) * | 2018-12-17 | 2023-01-18 | 株式会社豊田中央研究所 | ヨーレート補正装置 |
| CN110532590B (zh) * | 2019-07-12 | 2023-06-13 | 南京航空航天大学 | 一种基于自适应容积粒子滤波的车辆状态估计方法 |
| CN110864688A (zh) * | 2019-11-28 | 2020-03-06 | 湖南率为控制科技有限公司 | 一种用于车载方位开环水平姿态角闭环的航姿方法 |
| CN110884499B (zh) * | 2019-12-19 | 2021-03-19 | 北京理工大学 | 一种确定车辆质心侧偏角的方法和系统 |
| CN111055921B (zh) * | 2019-12-31 | 2021-06-29 | 吉林大学 | 一种基于数据驱动的四轮转向模型预测控制方法 |
| CN112092645B (zh) * | 2020-08-18 | 2021-09-10 | 江苏大学 | 一种分布式驱动电动汽车的经济型横向稳定性控制方法 |
-
2021
- 2021-02-05 CN CN202110167355.XA patent/CN112874529B/zh active Active
- 2021-06-01 US US18/015,020 patent/US20230264700A1/en active Pending
- 2021-06-01 WO PCT/CN2021/097607 patent/WO2022166046A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040128060A1 (en) * | 2002-12-27 | 2004-07-01 | Joon-Hong Park | Rollover control method and system thereof |
| KR100599567B1 (ko) * | 2004-08-17 | 2006-07-13 | 현대모비스 주식회사 | 지피에스를 이용한 차량의 횡미끌림각 추정 방법 |
| CN107074241A (zh) * | 2014-10-20 | 2017-08-18 | 米兰综合工科大学 | 估计车辆侧滑角度的方法、实施所述方法的计算机程序、装载有所述计算机程序的控制单元以及包括所述控制单元的车辆 |
| CN107600073A (zh) * | 2017-08-10 | 2018-01-19 | 同济大学 | 一种基于多源信息融合的车辆质心侧偏角估计系统及方法 |
| CN111152795A (zh) * | 2020-01-08 | 2020-05-15 | 东南大学 | 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115790615A (zh) * | 2023-01-30 | 2023-03-14 | 安徽蔚来智驾科技有限公司 | 基于自动驾驶的多传感器融合方法、装置、介质及车辆 |
| CN115790615B (zh) * | 2023-01-30 | 2023-05-05 | 安徽蔚来智驾科技有限公司 | 基于自动驾驶的多传感器融合方法、装置、介质及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112874529B (zh) | 2022-07-08 |
| US20230264700A1 (en) | 2023-08-24 |
| CN112874529A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022166046A1 (zh) | 基于事件触发状态估计的车辆质心侧偏角估计方法及系统 | |
| US8170726B2 (en) | System and method for road angle estimation | |
| US10370004B2 (en) | System and method for determining state of stiffness of tires of vehicle | |
| US10907969B2 (en) | Inertia-based navigation apparatus and inertia-based navigation method based on relative preintegration | |
| US8594920B2 (en) | Vehicle relative position estimation apparatus and vehicle relative position estimation method | |
| WO2018072394A1 (zh) | 融合空间和动力学特性的智能车辆安全驾驶包络重构方法 | |
| EP1489381A2 (en) | Method and apparatus for compensating for acceleration errors and inertial navigation system employing the same | |
| JP2020536014A (ja) | 車両を制御するシステム及び方法 | |
| CN110554396A (zh) | 一种室内场景下激光雷达建图方法、装置、设备及介质 | |
| TWI522258B (zh) | Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method | |
| CN104613965A (zh) | 一种基于双向滤波平滑技术的步进式行人导航方法 | |
| CN110572139A (zh) | 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆 | |
| WO2023116797A2 (zh) | 车载多传感器融合定位方法、计算机设备及存储介质 | |
| JP5164645B2 (ja) | カルマンフィルタ処理における繰り返し演算制御方法及び装置 | |
| WO2024041156A1 (zh) | 车辆定位校准方法、装置、计算机设备及存储介质 | |
| CN110637209B (zh) | 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质 | |
| Hrgetic et al. | Adaptive EKF-based estimator of sideslip angle using fusion of inertial sensors and GPS | |
| CN111189443B (zh) | 一种在线校准步长、修正运动偏差角和自适应能量管理的行人导航方法 | |
| KR20140098609A (ko) | 칼만필터를 기반으로 차량거동을 고려한 도로 정보 추출 시스템 및 이를 이용한 도로 정보 추출 방법 | |
| CN113932815B (zh) | 稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质 | |
| JP7028223B2 (ja) | 自己位置推定装置 | |
| KR102195364B1 (ko) | 차선 추정 장치 및 방법 | |
| CN115574818B (zh) | 基于改进联邦滤波的结构化道路车辆导航定位方法及系统 | |
| van Goor et al. | Constructive Equivariant Observer Design for Inertial Velocity-Aided Attitude | |
| CN110906941A (zh) | 用于长距离隧道的自动驾驶地图的构建方法及系统 |
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: 21924053 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 21924053 Country of ref document: EP Kind code of ref document: A1 |