一种汽车运动状态的纵/横向多模型估计方法技术

本发明专利技术公开了一种汽车运动状态的纵/横向多模型估计方法。本方法针对汽车运行过程纵、横向运动状态耦合的特点，根据汽车典型行驶工况的运动学特征，将汽车运行状态解耦为3个纵向运动学模型和2个横向运动学模型，形成5个扩展卡尔曼滤波系统状态模型，以北斗卫星定位系统、电子罗盘等车载传感器结合增强型电子地图等获取的信息作为观测量，利用交互多模型算法，准确判别当前汽车的行驶工况，进而实时、准确、可靠的获取汽车位置、速度、航向角等运动状态信息，具有精度高、可靠性好、实时性好、适应性好的优点。性好的优点。性好的优点。

【技术实现步骤摘要】
一种汽车运动状态的纵/横向多模型估计方法


[0001]本专利技术属于汽车主动安全测量及控制领域。本专利技术具体涉及一种汽车运动状态的纵/横向多模型估计方法。

技术介绍

[0002]随着社会经济的发展，伴随着车辆保有量的迅速增长，道路交通安全问题日益突出，并已成为全球性难题。全世界每年因交通事故都会造成大量的人员伤亡和财产损失，世界各国都在努力降低交通事故的发生。以车辆碰撞预警/避免系统，车道偏离预警为代表的车辆主动安全系统能够防患于未然，主动避免事故的发生，已成为现代汽车最主要的发展方向之一。这些预警系统的有效工作依赖于对车辆位置、速度、航向角等汽车运行状态信息以至于道路曲率等信息的准确获取，对这些信息进行实时、准确的测量或估计，是汽车主动安全系统发挥作用的重要前提与基础。
[0003]通常这些运动状态信息可通过车载传感器获取，道路曲率等信息可通过增强型电子地图获取，但车载传感器信息往往包含较大噪声，直接使用会导致较大误差，因此，通过建立车辆运动学模型，采用传感器信息作为观测值，进而利用车辆状态估计技术来获取这些信息成为当前最常用的方式。本专利技术中，汽车与车辆为同一涵义，可替换使用。
[0004]车辆运动学模型一般包括匀速运动模型、匀加速运动模型、匀速转向模型等，这些模型往往只能描述某一种车辆运行工况，且或者仅针对纵向运动，或者仅针对横向运动。车辆实际运行中，往往纵向运动和横向运动状态相互耦合，如车辆超车过程中，既有纵向加速运动，又有横向运动，已有模型难以准确描述车辆真实运行状态，导致汽车运动状态估计结果误差较大，限制了在主动安全系统中的应用。车辆状态估计常用的方法包括卡尔曼滤波、粒子滤波等滤波方法等，但这些方法同样只采用单个汽车运动学模型，当汽车运动状态不符合真实运行状态，滤波估计误差较大。

技术实现思路

[0005]本专利技术目的在于实现汽车运行过程中对于汽车位置、速度、航向角等运动状态信息的实时估计，这些估计值可用于汽车主动安全控制与导航服务。
[0006]为实现不同车辆运行工况下对汽车运动状态的准确、可靠估计，本专利技术提出了一种汽车运动状态的纵/横向多模型估计方法。本专利技术提出的方法将车辆运行过程分解为3个纵向运动学模型和2个横向运动学模型，实现了车辆运行状态的解耦，并通过交互多模型方法，利用模型概率实现这些模型的切换，并考虑了涵盖了两种以上模型的复杂工况，通过模型概率的组合适应各类复杂的汽车运行工况，以实时确定车辆的实际运动状态，获取准确的汽车运动状态估计值，即使存在部分传感器失效，依然能通过准确的状态模型获取高精度的汽车运行状态信息，具有精度高、成本低、实时性好、全面自适应等特点。
[0007]具体地，本专利技术实施例提供一种汽车运动状态的纵/横向多模型估计方法，所述方法针对车辆运行过程纵、横向运动状态耦合的特点，根据汽车典型行驶工况的运动学特征，
将车辆运行状态解耦为3个纵向运动学模型和2个横向运动学模型，形成5个扩展卡尔曼滤波系统状态模型，以北斗卫星定位系统、电子罗盘等车载传感器结合增强型电子地图等获取的信息作为观测量，利用交互多模型算法，准确判别当前车辆的行驶工况，进而实时、准确、可靠的获取车辆位置、速度、航向角等运动状态信息。具体步骤包括：
[0008]1)建立汽车纵横向运动的模型集
[0009]针对汽车典型行驶工况的运动学特征，建立3个纵向运动学模型和2个横向运动学模型，这5个模型具有相同的状态模型形式，其区别仅仅在于系统状态函数的不同，其状态方程可统一表示，第j(j＝1,2,3,4,5)个模型离散化后的扩展卡尔曼滤波(Extended Kalman Filter，EKF)的状态方程的矩阵形式表示为：
[0010]X
j
(k)＝f
j
(X
j
(k
‑
1),W
j
(k
‑
1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0011]这5个模型有相同的状态向量，该状态向量X
j
＝[x
1 x
2 x
3 x
4 x
5 x
6 x
7 x8]′
，且x1＝x，x2＝y，x3＝φ，x4＝v，x5＝ω，x6＝a，x7＝c0，x8＝c1，即X
j
＝[x y φ v ω a c
0 c1]′
，本专利技术中上角标'表示对矩阵转置，k表示离散化时刻；x，y分别表示车辆的东向和北向位置，φ表示车辆航向角(即车辆速度与车辆行进方向的夹角)，v表示车体坐标系下车辆的速度，ω表示车体坐标系下车辆的横摆角速度，a表示车体坐标系下车辆的纵向加速度，c0和c1分别表示利用单回旋模型表示的道路曲率参数，其中，c0为车辆当前所在点的道路曲率，c1为道路曲率的变化系数；W
j
表示零均值的系统高斯白噪声向量且W
j
＝[w
1 w
2 w
3 w
4 w
5 w
6 w
7 w8]′
，其中w1、w2、w3、w4、w5、w6、w7及w8分别表示八个系统高斯白噪声分量，其对应的系统噪声协方差阵Q
j
为：
[0012]其中其中分别表示系统高斯白噪声w1、w2、w3、w4、w5、w6、w7及w8对应的方差；f
j
表示系统状态函数，这5个模型具有不同的系统状态函数向量，其具体设置如下：
[0013]工况1：纵向模型1，汽车加/减速行驶；
[0014]工况2：纵向模型2，汽车匀速行驶；
[0015]工况3：纵向模型3，汽车静止；
[0016]工况4：横向模型1，汽车变道；
[0017]工况5：横向模型2，汽车保持车道。
[0018]这5种典型工况其所对应的非线性系统状态函数f
j
(j＝1,2,3,4,5)分别为：
[0019][0020]其中，
[0021][0022][0023]f
13
(X1(k
‑
1),W1(k
‑
1))＝φ(k
‑
1)+ω(k
‑
1)T，
[0024]f
14
(X1(k
‑
1),W1(k
‑
1))＝v(k
‑
1)+a(k
‑
1)T，
[0025]f
15
(X1(k
‑
1),W1(k
‑
1))＝ω(k
‑
1)，f
16
(X1(k
‑
1),W1(k
‑
1))＝a(k
‑
1)，
[0026]f
17
(X1(k
‑
1),W1(k
‑
1))＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车运动状态的纵/横向多模型估计方法，其特征在于：本方法针对汽车运行过程纵、横向运动状态耦合的特点，根据汽车典型行驶工况的运动学特征，将汽车运行状态解耦为3个纵向运动学模型和2个横向运动学模型，形成5个扩展卡尔曼滤波系统状态模型，以北斗卫星定位系统、电子罗盘等车载传感器结合增强型电子地图等获取的信息作为观测量，利用交互多模型算法，准确判别当前汽车的行驶工况，进而实时、准确、可靠的获取汽车位置、速度、航向角等运动状态信息；具体步骤包括：1)建立汽车纵横向运动的模型集针对汽车典型行驶工况的运动学特征，建立3个纵向运动学模型和2个横向运动学模型，这5个模型具有相同的状态模型形式，其区别仅仅在于系统状态函数的不同，其状态方程可统一表示，第j(j＝1,2,3,4,5)个模型离散化后的扩展卡尔曼滤波(Extended Kalman Filter，EKF)的状态方程的矩阵形式表示为：X
j
(k)＝f
j
(X
j
(k
‑
1),W
j
(k
‑
1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)这5个模型有相同的状态向量，该状态向量X
j
＝[x
1 x
2 x
3 x
4 x
5 x
6 x
7 x8]
′
，且x1＝x，x2＝y，x3＝φ，x4＝v，x5＝ω，x6＝a，x7＝c0，x8＝c1，即X
j
＝[x y φ v ω a c
0 c1]
′
，本发明中上角标'表示对矩阵转置，k表示离散化时刻；x，y分别表示车辆的东向和北向位置，φ表示车辆航向角(即车辆速度与车辆行进方向的夹角)，v表示车体坐标系下车辆的速度，ω表示车体坐标系下车辆的横摆角速度，a表示车体坐标系下车辆的纵向加速度，c0和c1分别表示利用单回旋模型表示的道路曲率参数，其中，c0为车辆当前所在点的道路曲率，c1为道路曲率的变化系数；W
j
表示零均值的系统高斯白噪声向量且W
j
＝[w
1 w
2 w
3 w
4 w
5 w
6 w
7 w8]
′
，其中w1、w2、w3、w4、w5、w6、w7及w8分别表示八个系统高斯白噪声分量，其对应的系统噪声协方差阵Q
j
为：其中其中分别表示系统高斯白噪声w1、w2、w3、w4、w5、w6、w7及w8对应的方差；f
j
表示系统状态函数，这5个模型具有不同的系统状态函数向量，其具体设置如下：工况1：纵向模型1，汽车加/减速行驶；工况2：纵向模型2，汽车匀速行驶；工况3：纵向模型3，汽车静止；工况4：横向模型1，汽车变道；工况5：横向模型2，汽车保持车道；这5种典型工况其所对应的非线性系统状态函数f
j
(j＝1,2,3,4,5)分别为：
其中，其中，f
13
(X1(k
‑
1),W1(k
‑
1))＝φ(k
‑
1)+ω(k
‑
1)T，f
14
(X1(k
‑
1),W1(k
‑
1))＝v(k
‑
1)+a(k
‑
1)T，f
15
(X1(k
‑
1),W1(k
‑
1))＝ω(k
‑
1)，f
16
(X1(k
‑
1),W1(k
‑
1))＝a(k
‑
1)，f
17
(X1(k
‑
1),W1(k
‑
1))＝0，f
18
(X1(k
‑
1),W1(k
‑
1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；1))＝0；
T表示离散的周期，在本发明中，根据测量传感器特性，T的典型值可取为50毫秒、100毫秒、200毫秒等；2)建立扩展卡尔曼滤波模型的观测方程第j(j＝1,2,3,4,5)个滤波器的观测方程为：Z
j
(k)＝H
j
(k)X
j
(k)+V
j
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中，Z
j
为观测向量，H
j
为观测阵，V
j
表示与W
j
互不相关的零均值观测白噪声向量，且其中，x
m
(k)，y
m
(k)分别表示由北斗卫星定位系统获取的车辆东向和北向位置，φ
m
(k)表示由电子罗盘获取的车辆航向角，v
m
(k)表示由里程计获取的车辆纵向车速，ω
m
(k)表示由...

【专利技术属性】
技术研发人员：宋翔，蒋慧琳，张磊，汪静，陆玉正，赵婷，
申请(专利权)人：南京晓庄学院，
类型：发明
国别省市：