一种分布式驱动电动汽车行驶状态自适应迭代估计方法技术

本发明专利技术一种分布式驱动电动汽车行驶状态自适应迭代估计方法，包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计；步骤S3：车辆行驶状态自适应迭代估计方法设计，步骤S4：纵向力观测器和行驶状态自适应迭代估计方法实验验证。本发明专利技术基于非线性观测器和卡尔曼滤波器结合的方式重构未知输入并设计纵向力观测器，以低成本传感器信息为输入量实现纵向力估计。此外，基于纵向力估计信息，本发明专利技术中车辆行驶状态自适应迭代估计方法，设计车辆行驶状态前验估计器，结合前验估计结果，基于扩展卡尔曼滤波得到进一步更精确的后验估计，有助于提高估计器的估计精度、抗干扰能力以及自适应性。

【技术实现步骤摘要】
一种分布式驱动电动汽车行驶状态自适应迭代估计方法
本专利技术属于电动汽车研究领域，具体涉及一种分布式驱动电动汽车行驶状态自适应迭代估计方法。
技术介绍
分布式驱动电动汽车凭借其在整车动力学控制上的自由度以及良好的节能潜力，是目前公认的汽车未来发展的主要方向之一，从而得到了业内许多研究人员的关注，其中分布式驱动电动汽车行驶状态估计问题是一个重要的研究课题。车辆状态估计常用的算法包括Kalman滤波、滑模观测器、非线性观测器和鲁棒观测器等，其中Kalman滤波及其改进算法应用的最为广泛。随着研究的深入，研究者开始将卡尔曼滤波与其他估计理论进行结合，通过模型或观测器之间的相互迭代，利用已知信息的冗余度来提高估计精度。如果能结合分布式驱动电动汽车驱动特点与自身优势进行行驶状态估计的研究，同时考虑车辆实际行驶时一些复杂的环境因素带来的干扰，可以进一步提高估计的精度。此外，近年来，智能车辆和无人驾驶研究得到了许多国内学者的关注，其中交通环境感知和重要车辆状态估计也是车辆智能控制的重要一环。基于以上考虑，很有必要进行车辆行驶状态估计的研究。
技术实现思路
本专利技术的目的是针对上述问题提供一种分布式驱动电动汽车行驶状态自适应迭代估计方法。包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计；步骤S3：车辆行驶状态自适应迭代估计方法设计；步骤S4：纵向力观测器和行驶状态自适应迭代估计方法实验验证。本专利技术基于非线性观测器和卡尔曼滤波器结合的方式重构未知输入并设计纵向力观测器，以低成本传感器信息为输入量实现纵向力估计。此外，基于纵向力估计信息，本专利技术设计了一种分布式驱动电动汽车行驶状态自适应迭代估计方法，有助于提高估计器的估计精度、抗干扰能力以及自适应性。本专利技术的技术方案为：一种分布式驱动电动汽车行驶状态自适应迭代估计方法，包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模，包括整车非线性动力学建模、电驱动轮建模以及轮胎建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计，首先利用电驱动轮模型构造纵向力的状态估计方程，从而设计非线性观测器，通过选取合适的增益矩阵，使得观测器满足稳定性条件，此外，将非线性观测器和扩展卡尔曼滤波进行结合，降低噪声对估计的影响；步骤S3：车辆行驶状态自适应迭代估计方法设计，首先分别针对车辆横摆角速度和侧向车速设计伦伯格观测器，得到横摆角速度和侧向车速的前验估计，该前验估计是在不需要车辆纵向加速度和横向加速度的情况下，所述前验估计利用所述步骤S2所估计的纵向力信息和由轮胎模型得到的侧向力计算得到的，因此相对来说估计结果容易受到影响且存在一定的误差；再根据整车非线性动力学模型，基于扩展卡尔曼滤波进行车辆行驶状态估计，得到车辆行驶状态的后验估计，即卡尔曼滤波估计，其中前验估计信息被用来作为扩展卡尔曼滤波的测量更新，得到的后验估计同时作为前验估计所设计的伦伯格观测器的伪传感器输入量，从而实现车辆状态信息的迭代估计，通过冗余信息的迭代补偿来提高估计精度和估计信息的抗干扰能力；此外，该步骤还设计了模糊规则，根据行驶时的车速和前轮转角动态地调节前验估计在扩展卡尔曼滤波测量更新中所占的权重，从而使得车辆状态估计的迭代过程有了基于车辆行驶工况的自适应性；步骤四：纵向力观测器和行驶状态自适应迭代估计方法实验验证。上述方案中，所述步骤S1中整车非线性动力学模型的动力学方程为：其中，vy为侧向车速，γ为横摆角速度，β为车辆质心侧偏角，vx为纵向车速，为车辆质心速度且考虑到侧向车速较小，公式一c中将v等于vx，m为汽车质量，δ为前轮转角，Iz为绕z轴的转动惯量，lf为质心距前轴的距离，lr为质心距后轴的距离，bf为前轮距的1/2，br为后轮距的1/2，Fxj和Fyj(j＝1,2,3,4)分别为编号为j的轮胎所对应的纵向力和侧向力。上述方案中，所述步骤S1电驱动轮建模中单个车轮的旋转动力学方程为：式二中，ωj为纵向力Fxj所对应车轮的转速；J1为车轮转动惯量；r为车轮有效半径；TLj为安装于车轮内轮毂电机的负载力矩；轮毂电机输出轴上的转矩平衡方程为：轮毂电机等效电路的动态电压平衡方程为：式三、四中，J2为电机转子的转动惯量；b为阻尼系数；Kt为电机转矩常数；ij为线电流；uj为线电压；R为绕组等效线电阻；L为绕组等效电感；Ka为反电动势系数。上述方案中，所述步骤S1轮胎建模包括以下步骤：采用半经验魔术公式的轮胎模型对轮胎侧向力进行估计，公式为：Fy＝Dsin{Carctan[Bα-E(Bα-arctan(Bα))]}公式五式五中，B为刚度因子，C为曲线形状因子，D为峰值因子，E为曲线曲率因子，α为车轮侧偏角；轮胎模型参数B、C、D、E都与轮胎的垂直载荷相关，各轮胎的垂直载荷为：式六中，Fz1、Fz2、Fz3、Fz4、为对应轮胎的垂直载荷，h为质心高度，g为重力加速度。各轮胎侧偏角为：式七中，α1、α2、α3、α4为对应轮胎的侧偏角。上述方案中，所述步骤S2中所述电驱动轮模型构造出的纵向力状态估计方程可表示为：y＝Cx+Fv公式十四b其中，x，u，d，y，分别为系统状态量，已知输入，未知输入和测量值，w和v为互不相关的零均值白噪声序列，且有由于公式十四存在未知输入，通过构造未知输入状态方程，并设计非线性观测器进行纵向力估计：其中，为系统状态估计，为未知输入估计，Kp为纵向力观测器的增益矩阵，Ki为未知输入估计的积分矩阵；公式十五进一步转化为：定义状态估计误差得：从而推导出：其中，选取合理的增益矩阵Kp和Ki，使矩阵Ae极点配置到坐标系左半平面。上述方案中，所述步骤S3具体包括以下步骤：分别针对车辆横摆角速度和侧向车速设计伦伯格观测器1和伦伯格观测器2，γLO和vyLO分别为采用伦伯格观测器1和伦伯格观测器2估计所得的横摆角速度和侧向车速的先验估计，Kγ和Kvy分别为伦伯格观测器1和伦伯格观测器2设计过程中选取的合适的观测器增益，vyEKF，γEKF和βEKF分vyLO分为采用扩展卡尔曼滤波器所估计得到的侧向车速、横摆角速度以及质心侧偏角，其中vyEKF和γEKF视为后验估计值，λ为模糊控制器输出的模糊权重系数，vyM和γM为经过模糊加权后输入到扩展卡尔曼滤波器的伪量测输入，根据式一，整车非线性动力学模型表示为：利用整车非线性动力学模型设计卡尔曼滤波器，其输入向量为：其中，uv是整车模型的输入向量集，uv1-uv10分别为输入向量集各个子向量的编号；整车模型的状态量为：xv(t)＝[xv1xv2xv3]T＝[vyEKFγEKFβEKF]T公式二十一其中，xv是整车模型的状态向量集，xv1-xv3分别为状态向量集各个子向量的编号；整车模型的测量向量为：yv＝[vyMγM]T＝[yv1yv2]T公式二十二其中，yv是整车模型的测量向量集，yv1和yv2分别为测量向量集各个子向量的编号，vγM和γM视为侧向车速和横摆角速度的伪量测值，所述伪量测值是通过扩展卡尔曼滤波估计和伦伯格观测器估计加权融合而得，其中的模糊权重系数依据车辆行驶工况和车辆行驶的稳定程度动态调节伪量测值，从而基于整车模型的状态方程表示为：且测量方程为：其中，先验估计值vyM和γM在此处作为本文档来自技高网...

【技术保护点】
1.一种分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模，包括整车非线性动力学建模、电驱动轮建模以及轮胎建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计，首先利用电驱动轮模型构造纵向力的状态估计方程，从而设计非线性观测器，将非线性观测器和扩展卡尔曼滤波进行结合降低噪声对估计的影响；步骤S3：车辆行驶状态自适应迭代估计方法设计，首先分别针对车辆横摆角速度和侧向车速设计伦伯格观测器，得到横摆角速度和侧向车速的前验估计，所述前验估计利用所述步骤S2所估计的纵向力信息和由轮胎模型得到的侧向力计算得到的；再根据整车非线性动力学模型，基于扩展卡尔曼滤波进行车辆行驶状态估计，得到车辆行驶状态的后验估计，即卡尔曼滤波估计，其中前验估计信息被用来作为扩展卡尔曼滤波的测量更新，得到的后验估计同时作为前验估计所设计的伦伯格观测器的伪传感器输入量，从而实现车辆状态信息的迭代估计；还设计了模糊规则，根据行驶时的车速和前轮转角动态地调节前验估计在扩展卡尔曼滤波测量更新中所占的权重，从而使得车辆状态估计的迭代过程有了基于车辆行驶工况的自适应性；步骤四：纵向力观测器和行驶状态自适应迭代估计方法实验验证。...

【技术特征摘要】
1.一种分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模，包括整车非线性动力学建模、电驱动轮建模以及轮胎建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计，首先利用电驱动轮模型构造纵向力的状态估计方程，从而设计非线性观测器，将非线性观测器和扩展卡尔曼滤波进行结合降低噪声对估计的影响；步骤S3：车辆行驶状态自适应迭代估计方法设计，首先分别针对车辆横摆角速度和侧向车速设计伦伯格观测器，得到横摆角速度和侧向车速的前验估计，所述前验估计利用所述步骤S2所估计的纵向力信息和由轮胎模型得到的侧向力计算得到的；再根据整车非线性动力学模型，基于扩展卡尔曼滤波进行车辆行驶状态估计，得到车辆行驶状态的后验估计，即卡尔曼滤波估计，其中前验估计信息被用来作为扩展卡尔曼滤波的测量更新，得到的后验估计同时作为前验估计所设计的伦伯格观测器的伪传感器输入量，从而实现车辆状态信息的迭代估计；还设计了模糊规则，根据行驶时的车速和前轮转角动态地调节前验估计在扩展卡尔曼滤波测量更新中所占的权重，从而使得车辆状态估计的迭代过程有了基于车辆行驶工况的自适应性；步骤四：纵向力观测器和行驶状态自适应迭代估计方法实验验证。2.根据权利要求1所述的分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，所述步骤S1中整车非线性动力学模型的动力学方程为：其中，vy为侧向车速，γ为横摆角速度，β为车辆质心侧偏角，vx为纵向车速，为车辆质心速度且考虑到侧向车速较小，公式一c中将v等于vx，m为汽车质量，δ为前轮转角，Iz为绕z轴的转动惯量，lf为质心距前轴的距离，lr为质心距后轴的距离，bf为前轮距的1/2，br为后轮距的1/2，Fxj和Fyj(j＝1,2,3,4)分别为编号为j的轮胎所对应的纵向力和侧向力。3.根据权利要求2所述的分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，所述步骤S1电驱动轮建模中单个车轮的旋转动力学方程为：式二中，ωj为纵向力Fxj所对应车轮的转速；J1为车轮转动惯量；r为车轮有效半径；TLj为安装于车轮内轮毂电机的负载力矩；轮毂电机输出轴上的转矩平衡方程为：轮毂电机等效电路的动态电压平衡方程为：式三、四中，J2为电机转子的转动惯量；b为阻尼系数；Kt为电机转矩常数；ij为线电流；uj为线电压；R为绕组等效线电阻；L为绕组等效电感；Ka为反电动势系数。4.根据权利要求3所述的分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，所述步骤S1轮胎建模包括以下步骤：采用半经验魔术公式的轮胎模型对轮胎侧向力进行估计，公式为：Fy＝Dsin{Carctan[Bα-E(Bα-arctan(Bα))]}公式五式五中，B为刚度因子，C为曲线形状因子，D为峰值因子，E为曲线曲率因子，α为车轮侧偏角；轮胎模型参数B、C、D、E都与轮胎的垂直载荷相关，各轮胎的垂直载荷为：式六中，Fz1、Fz2、Fz3、Fz4、为对应轮胎的垂直载荷，h为质心高度，g为重力加速度；各轮胎侧偏角为：式七中，α1、α2、α3、α4为对应轮胎的侧偏角。5.根据权利要求4所述的分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，所述步骤S2中所述电驱动轮模型构造出的纵向力的状态估计方程表示为：y＝Cx+Fv公式十四b其中，x，u，d，y，分别为系统状态量，已知输入，未知输入和测量值，w和v为互不相关的零均值白噪声序列，且有由于公式十四存在未知输入，通过构造未知输入状态方程，并设计非线性观测器进行纵向力估计：其中，为系统状态估计，为未知输入估计，Kp为纵向力观测器的增益矩阵，Ki为未知输入估计的积分矩阵；公式十五进一步转化为：定义状态估计误差得：从而推导出：其中，选取合理的增益矩阵Kp和Ki，使矩阵Ae极点配置到坐标系左半平面。6.根据权利要求5所述的分布式驱动电动汽车行驶状态自适应迭代估计方法，其特征在于，...

【专利技术属性】
技术研发人员：陈特，陈龙，徐兴，江浩斌，蔡英凤，江昕炜，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32