基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统技术方案

本发明专利技术公开了一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统，该方法包括建立与质心侧偏角相关的三自由度车辆动力学模型，并根据此模型确定无迹卡尔曼滤波器的状态方程和观测方程，确定输入量、状态量、观测量；输入量包括前轮转角和纵向加速度；状态量包括质心侧偏角、横摆角速度和纵向车速；观测量包括侧向加速度和横摆角速度；采用M估计器算法计算权重因子；结合权重因子、当前时刻状态量、状态方程、观测方程，采用无迹卡尔曼滤波算法对下一时刻的质心侧偏角估计。本发明专利技术通过将M估计器算法与无迹卡尔曼滤波算法相结合，抑制离群点带来的影响，提高无迹卡尔曼滤波算法对观测信号中离群点的鲁棒性，提高车辆质心侧偏角的估计准确度。

Estimation method and system of centroid side slip angle based on robust unscented Calman filter

The invention discloses a method and system for estimating the sideslip angle of centroid based on robust unscented Kalman filter, which includes establishing a three-degree-of-freedom vehicle dynamic model related to the sideslip angle of centroid, determining the state equation and observation equation of the unscented Kalman filter according to the model, and determining the input quantity, state quantity and observation quantity. Measurement; Input includes front wheel angle and longitudinal acceleration; State variables include center-of-mass sideslip angle, yaw angular velocity and longitudinal vehicle speed; Observation variables include lateral acceleration and yaw angular velocity; Weight factor is calculated by M-estimator algorithm; Weight factor, current moment state variable, state equation and observation equation are combined to adopt. The unscented Calman filter algorithm is used to estimate the centroid side slip angle at the next moment. The method combines the M estimator algorithm with the unscented Kalman filter algorithm to suppress the influence of outliers, improves the robustness of the unscented Kalman filter algorithm to outliers in the observed signals, and improves the estimation accuracy of vehicle sideslip angle.

【技术实现步骤摘要】
基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
本专利技术涉及车辆质心侧偏角估计
，特别是涉及一种基于鲁棒无迹卡尔曼滤波算法的质心侧偏角估计方法及系统。
技术介绍
车辆质心侧偏角是表征车辆稳定性的重要参数，因此在进行稳定性控制时必须获取车辆质心侧偏角。然而车辆质心侧偏角传感器价格昂贵，不适用于量产车，因此需要采用参数估计方法对车辆质心侧偏角进行估计。在构建车辆模型时，2自由度线性模型的精度较差，因此常常采用非线性模型对质心侧偏角进行估计，以期得到更准确的估计结果。卡尔曼滤波(KalmanFilter，简称KF)方法仅适用于线性系统的参数估计。扩展卡尔曼滤波(ExtendedKalmanFilter，简称EKF)方法采用了泰勒级数展开方法对状态量进行线性化。当系统非线性特性较强时，泰勒级数展开的截断误差较大。无迹卡尔曼滤波(UnscentedKalmanFilter，简称UKF)方法更加适用于强非线性系统的参数估计，采用无迹变换的形式产生一系列与状态量的均值和协方差相同的sigma点，通过对这些sigma点进行计算并加权求和，来实现卡尔曼滤波算法。因此，UKF方法适用于车辆质心侧偏角估计。然而，UKF方法与KF方法的机理一脉相承，均是递归最小二乘法的延伸，因此当观测信号中包含离群点时，车辆质心侧偏角估计结果会受到较大影响，即为：UKF方法对观测信号中的离群点具有弱鲁棒性。在进行车辆质心侧偏角估计时，观测信号往往来源于车辆传感器，而传感器信号经常存在离群点，因此严重影响了UKF方法对质心侧偏角估计结果的准确程度。
技术实现思路
本专利技术的目的是提拱了一种基于鲁棒无迹卡尔曼滤波算法的质心侧偏角估计方法及系统，将M估计器算法与无迹卡尔曼滤波算法相结合，能够抑制离群点带来的影响，提高无迹卡尔曼滤波算法对观测信号中离群点的鲁棒性，进而提高车辆质心侧偏角的估计准确度。为实现上述目的，本专利技术提供了如下方案：一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法包括：建立三自由度车辆动力学模型；所述三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；根据所述三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定所述无迹卡尔曼滤波器的输入量、状态量以及观测量；所述输入量包括前轮转角以及纵向加速度；所述状态量包括质心侧偏角、横摆角速度和纵向车速；所述观测量包括侧向加速度和横摆角速度；采用M估计器算法，计算权重因子；所述权重因子为协方差的权重因子所述协方差包括所述观测量的协方差以及所述状态量和所述观测量之间的协方差；结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。可选的，在结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计之前，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法还包括：对当前时刻的所述状态量进行无迹变换，得到多个sigma点，并计算每个所述sigma点的权值。可选的，所述建立三自由度车辆动力学模型，具体包括：根据以下公式建立三自由度车辆动力学模型；所述公式为：其中，为质心侧偏角的导数；为横摆角速度的导数；为纵向加速度的导数；k1，k2分别为前、后轮胎的侧偏刚度；m为整车质量；vx为纵向速度；β为质心侧偏角；a，b分别为质心到前、后轴的距离；γ为横摆角速度；δ为前轮转角；Iz为绕z轴转动惯量；ax为纵向加速度。可选的，所述无迹卡尔曼滤波器的状态方程为：xk+1＝f(xk,u)+wk；其中，下标k表示第k时刻，下标k+1表示第k+1时刻，xk表示k时刻的状态量，xk+1表示k+1时刻的状态量，wk～(0，Q)为零均值、协方差为Q的白噪声，表示预测误差；u表示输入量[δ，ax]T；所述无迹卡尔曼滤波器的观测方程为：zk＝h(xk,u)+vk；其中，zk表示k时刻的观测量，vk～(0，R)为零均值、协方差为R的白噪声，表示观测误差。可选的，所述采用M估计器算法，计算权重因子，具体包括：根据以下公式计算权重因子；所述公式为：其中，w为权重因子；e＝vk，e在无迹卡尔曼滤波算法中被称为新息；表示估计规模；ξ为阈值，用来界定观测信号中是否出现离群点；θ表示影响方程；当时，表示观测信号中没有离群点，影响方程为当时，表示观测信号中出现离群点，影响方程变为本专利技术还提供了一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计系统，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计系统包括：建立模块，用于建立三自由度车辆动力学模型；所述三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；方程确定模块，用于根据所述三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定所述无迹卡尔曼滤波器的输入量、状态量以及观测量；所述输入量包括前轮转角以及纵向加速度；所述状态量包括质心侧偏角、横摆角速度和纵向车速；所述观测量包括侧向加速度和横摆角速度；权重因子计算模块，用于采用M估计器算法，计算权重因子；所述权重因子为协方差的权重因子所述协方差包括所述观测量的协方差以及所述状态量和所述观测量之间的协方差；估计模块，用于结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。可选的，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计系统还包括：无迹变换模块，用于对当前时刻的所述状态量进行无迹变换，得到多个sigma点，并计算每个所述sigma点的权值。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供了一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统，该方法包括：建立三自由度车辆动力学模型；三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；根据三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定无迹卡尔曼滤波器的输入量、状态量以及观测量；输入量包括前轮转角以及纵向加速度；状态量包括质心侧偏角；观测量包括侧向加速度和横摆角速度；采用M估计器算法计算权重因子；权重因子为观测量、状态量与观测量的协方差的权重因子；结合权重因子、当前时刻的状态量、无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。本专利技术通过将M估计器算法与无迹卡尔曼滤波算法相结合，能够抑制离群点带来的影响，提高无迹卡尔曼滤波算法对观测信号中离群点的鲁棒性，进而提高车辆质心侧偏角的估计准确度。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法的流程示意图；图2为本专利技术权重因子变化示意图；图3为本专利技术影响方程变化示意图；图4为本专利技术鲁棒无迹卡尔曼循环滤波过程示意图；图5为本专利技术实施例基于鲁棒无迹卡尔曼滤波的质心侧偏角估计系统的流程示意图。具体实施本文档来自技高网...

【技术保护点】
1.一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，其特征在于，所述质心侧偏角估计方法包括：建立三自由度车辆动力学模型；所述三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；根据所述三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定所述无迹卡尔曼滤波器的输入量、状态量以及观测量；所述输入量包括前轮转角以及纵向加速度；所述状态量包括质心侧偏角、横摆角速度和纵向车速；所述观测量包括侧向加速度和横摆角速度；采用M估计器算法，计算权重因子；所述权重因子为协方差的权重因子所述协方差包括所述观测量的协方差以及所述状态量和所述观测量之间的协方差；结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。

【技术特征摘要】
1.一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，其特征在于，所述质心侧偏角估计方法包括：建立三自由度车辆动力学模型；所述三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；根据所述三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定所述无迹卡尔曼滤波器的输入量、状态量以及观测量；所述输入量包括前轮转角以及纵向加速度；所述状态量包括质心侧偏角、横摆角速度和纵向车速；所述观测量包括侧向加速度和横摆角速度；采用M估计器算法，计算权重因子；所述权重因子为协方差的权重因子所述协方差包括所述观测量的协方差以及所述状态量和所述观测量之间的协方差；结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。2.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，其特征在于，在结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计之前，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法还包括：对当前时刻的所述状态量进行无迹变换，得到多个sigma点，并计算每个所述sigma点的权值。3.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，其特征在于，所述建立三自由度车辆动力学模型，具体包括：根据以下公式建立三自由度车辆动力学模型；所述公式为：其中，为质心侧偏角的导数；为横摆角速度的导数；为纵向加速度的导数；k1，k2分别为前、后轮胎的侧偏刚度；m为整车质量；vx为纵向速度；β为质心侧偏角；a，b分别为质心到前、后轴的距离；γ为横摆角速度；δ为前轮转角；Iz为绕z轴转动惯量；ax为纵向加速度。4.根据权利要求3所述的基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，其特征在于，所述无迹卡尔曼滤波器的状态方程为：xk+1＝f(xk,u)+wk；其中，下标k表示第k时刻，下标k+1表示第k+1时刻，xk表示k时...

【专利技术属性】
技术研发人员：王震坡，吴建洋，张雷，丁晓林，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11