一種車輛行駛狀態(tài)估計方法及裝置制造方法
【專利摘要】本發(fā)明提供了一種車輛行駛狀態(tài)估計方法及裝置，針對車輛行駛過程中的狀態(tài)估計問題，建立了非線性三自由度車輛估算模型，通過對縱向加速度、側(cè)向加速度、轉(zhuǎn)向盤轉(zhuǎn)角低成本傳感器信號的信息融合實現(xiàn)對車輛行駛狀態(tài)的準(zhǔn)確估計，并應(yīng)用實車實驗數(shù)據(jù)對算法進行了驗證。結(jié)果表明：基于奇異值分解的容積卡爾曼濾波的估計算法能夠較準(zhǔn)確地、穩(wěn)定地對車輛行駛狀態(tài)進行估計。
【專利說明】
一種車輛行駛狀態(tài)估計方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于車輛控制【技術(shù)領(lǐng)域】，尤其涉及一種車輛行駛狀態(tài)估計方法及裝置。
【背景技術(shù)】
[0002]近年來由于汽車主動安全控制系統(tǒng)的需要，應(yīng)用低成本傳感器，基于相關(guān)理論進行車輛行駛狀態(tài)的估計已成為汽車主動安全控制的研究熱點。目前針對車輛行駛狀態(tài)的估計主要采用的是擴展卡爾曼濾波、無軌跡卡爾曼濾波、粒子濾波算法及其它們的改進方法。文獻[1]建立了采用了 HSRI輪胎模型的四自由度汽車模型，基于擴展卡爾曼濾波理論對汽車狀態(tài)進行估計。文獻[2]建立了三自由度線性車輛模型，應(yīng)用擴展卡爾曼濾波理論對車輛行駛狀態(tài)進行估計。文獻[3]建立了采用DugofT輪胎模型非線性七自由度車輛模型，基于UKF濾波理論，實現(xiàn)對車輛縱向車速和側(cè)向速度的估計。文獻[4]建立了采用Fiala輪胎模型的二自由度汽車模型，基于粒子濾波算法對汽車的行駛狀態(tài)進行估計。文獻M英國的Laura R.Ray提出了基于八自由度車輛模型，應(yīng)用擴展“卡爾曼-高斯濾波”對車輛狀態(tài)和輪胎力進行估計。文獻[6]英國拉夫堡大學(xué)Matthew C Best等人基于擴展卡爾曼濾波算法，實現(xiàn)對車輛狀態(tài)的估計。
[0003]容積卡爾曼濾波(CKF)是09年加拿大學(xué)者提出的一種新型非線性高斯濾波方法[7_8]，經(jīng)嚴格的數(shù)學(xué)證明其逼近非線性變換后的概率分布精度優(yōu)于UKF[9]。由于計算舍入等誤差容易導(dǎo)致CKF算法誤差協(xié)方差矩陣失去正定性，而基于奇異值分解(SVD)代替Cholesky分解可以解決誤差協(xié)方差矩陣的非正定性問題[1°_11]。
[0004]擴展卡爾曼濾波(EKF)估計算法通過一階泰勒展開對非線系統(tǒng)進行線性化，然后再對線性化后的系統(tǒng)采用卡爾曼濾波估計算法，但是當(dāng)系統(tǒng)具有較強非線性或者初始估計誤差較大時，難以取得理想的估計效果，有些系統(tǒng)甚至?xí)霈F(xiàn)雅克比矩陣無解析解的情況。無跡卡爾曼濾波(UKF)估計算法工作量和EKF相當(dāng)，性能上優(yōu)于EKF，且無需計算雅可比矩陣，但在進行迭代濾波過程中需要矩陣分解和求逆運算，UKF狀態(tài)估計協(xié)方差矩陣難以保持正定性。UKF濾波過程中如使用權(quán)值為負的sigma點來更新矩陣，同樣無法保證矩陣正定。近年來提出的粒子濾波(PF)估計算法不必對非線性函數(shù)進行近似以及對噪聲概率密度進行高斯假設(shè)，在處理非線性、非高斯系統(tǒng)的濾波問題方面有著獨特的優(yōu)勢，但是粒子濾波存在著粒子樣本枯竭和計算實時性差等問題仍需要進一步解決。為了更好地滿足非線性濾波的要求，有必要研究精度更高且易于工程實現(xiàn)的估計算法，其中容積卡爾曼濾波(CKF)相對于EKF、UKF數(shù)值計算精度高、濾波穩(wěn)定性強，但存在對誤差協(xié)方差矩陣容易失去正定性問題。
【發(fā)明內(nèi)容】
[0005]本發(fā)明的目的在于提供一種車輛行駛狀態(tài)估計方法及裝置，旨在解決上述【背景技術(shù)】中的不足。
[0006]本發(fā)明是這樣實現(xiàn)的，一種車輛行駛狀態(tài)估計方法，包括以下步驟:
[0007]在線性二自由度車輛模型基礎(chǔ)上引入一個縱向自由度，即建立包括縱向、側(cè)向、橫擺的非線性三自由度車輛模型；
[0008]基于奇異值分解的容積卡爾曼濾波理論建立車輛行駛狀態(tài)估計算法；
[0009]通過估計算法對縱向加速度、側(cè)向加速度和轉(zhuǎn)向盤轉(zhuǎn)角傳感器信號的信息融合完成對車輛行駛狀態(tài)估計。
[0010]本發(fā)明進一步提供了一種車輛行駛狀態(tài)估計裝置，包括:
[0011]模型建立模塊，用于在線性二自由度車輛模型基礎(chǔ)上引入一個縱向自由度，即建立包括縱向、側(cè)向、橫擺的非線性三自由度車輛模型；
[0012]算法建立模塊，用于基于奇異值分解的容積卡爾曼濾波理論建立車輛行駛狀態(tài)估計算法；
[0013]狀態(tài)估計模塊，用于通過估計算法對縱向加速度、側(cè)向加速度和轉(zhuǎn)向盤轉(zhuǎn)角傳感器信號的信息融合完成對車輛行駛狀態(tài)估計。
[0014]本發(fā)明克服現(xiàn)有技術(shù)的不足，提供一種車輛行駛狀態(tài)估計方法及裝置，本發(fā)明基于奇異值分解的容積卡爾曼濾波的理論設(shè)計了車輛行駛狀態(tài)估計算法，建立了非線性三自由度車輛模型，利用縱向加速度、側(cè)向加速度和轉(zhuǎn)向盤轉(zhuǎn)角低成本傳感器信號的信息融合，實現(xiàn)對汽車的縱向車速、質(zhì)心側(cè)偏角和側(cè)向車速的準(zhǔn)確估計，并通過實車實驗對估計算法的有效性進行驗證。結(jié)果表明，基于奇異值分解的容積卡爾曼濾波的估計算法能夠較準(zhǔn)確地、穩(wěn)定地對車輛行駛狀態(tài)進行估計。
【專利附圖】
【附圖說明】
[0015]圖1是本發(fā)明車輛行駛狀態(tài)估計方法的步驟流程圖；
[0016]圖2是非線性三自由度車輛模型；
[0017]圖3是實車實驗原理圖；
[0018]圖4是實車實驗車輛的傳感器信號，其中，圖4(a)是縱向加速度傳感器信號，圖4(b)是側(cè)向加速度傳感器信號，圖4(c)是轉(zhuǎn)向盤轉(zhuǎn)角傳感器信號；
[0019]圖5是仿真輸出結(jié)果圖；其中，圖5(a)是縱向車速仿真輸出結(jié)果圖，圖5 (b)是質(zhì)心側(cè)偏角仿真輸出結(jié)果圖，圖5(c)是側(cè)向車速仿真輸出結(jié)果圖；
[0020]圖6是本發(fā)明車輛行駛狀態(tài)估計裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0021]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0022]一種車輛行駛狀態(tài)估計方法，如圖1所示，包括以下步驟:
[0023]S1、在線性二自由度車輛模型基礎(chǔ)上引入一個縱向自由度，即建立包括縱向、側(cè)向、橫擺的非線性三自由度車輛模型
[0024]在步驟SI中，在線性二自由度車輛模型[12]基礎(chǔ)上引入一個縱向自由度，即建立包括縱向，側(cè)向，橫擺的非線性三自由度車輛模型，如圖2所示。
[0025]圖2中，XOY為一固結(jié)于車輛質(zhì)心處的坐標(biāo)系，其中:
[0026]X軸與車輛的縱向?qū)ΨQ軸重合，規(guī)定向右為正；￥軸通過車輛質(zhì)心O點，規(guī)定向上為正。該模型的狀態(tài)空間描述(狀態(tài)方程與量測方程)如式(I)、(2)所示:
【權(quán)利要求】
1.一種車輛行駛狀態(tài)估計方法，其特征在于，包括以下步驟: 在線性二自由度車輛模型基礎(chǔ)上引入一個縱向自由度，即建立包括縱向、側(cè)向、橫擺的非線性三自由度車輛模型； 基于奇異值分解的容積卡爾曼濾波理論建立車輛行駛狀態(tài)估計算法； 通過估計算法對縱向加速度、側(cè)向加速度和轉(zhuǎn)向盤轉(zhuǎn)角傳感器信號的信息融合完成對車輛行駛狀態(tài)估計。
2.—種車輛行駛狀態(tài)估計裝置，其特征在于，包括: 模型建立模塊，用于在線性二自由度車輛模型基礎(chǔ)上引入一個縱向自由度，即建立包括縱向、側(cè)向、橫擺的非線性三自由度車輛模型； 算法建立模塊，用于基于奇異值分解的容積卡爾曼濾波理論建立車輛行駛狀態(tài)估計算法; 狀態(tài)估計模塊，用于通過估計算法對縱向加速度、側(cè)向加速度和轉(zhuǎn)向盤轉(zhuǎn)角傳感器信號的信息融合完成對車輛行駛狀態(tài)估計。
【文檔編號】B60W40/10GK104182991SQ201410404136
【公開日】2014年12月3日 申請日期:2014年8月15日 優(yōu)先權(quán)日:2014年8月15日
【發(fā)明者】李剛, 解瑞春, 李寧 申請人:遼寧工業(yè)大學(xué)