一种考虑质量失配的轮胎路面附着系数多模型融合估计方法技术

本发明专利技术公开了一种车载传感器测量数据异常情况下的汽车状态估计方法，具体包括以下步骤：采集车辆纵向加速度、横向加速度、横摆角速度和前轮转角信号，与非线性车辆模型结合，利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息，基于车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数；车辆轴向力信息包括车辆前轴的纵向力和侧向力以及车辆后轴的纵向力和侧向力。通过交互与混合、预测以及融合，给出了一种可以结合多个模型的优势实现在复杂驾驶工况下轮胎路面附着系数的精确估计，然后对后验状态和它的协方差矩阵P

【技术实现步骤摘要】
一种考虑质量失配的轮胎路面附着系数多模型融合估计方法


[0001]本专利技术涉及车辆控制领域，具体涉及一种考虑质量失配的轮胎路面附着系数多模型融合估计方法。

技术介绍

[0002]为了提高汽车的安全性，许多主动安全技术被开发出来以减少交通事故，如主动避撞系统、车身稳定系统。这些系统的有效实施直接受轮胎路面附着系数等关键信息的影响。然而，轮胎路面附着系数无法通过车载传感器直接测量。因此，一些基于状态观测器的估计方法被用来解决该问题。但传统估计方法中一个基本前提是车辆模型中质量参数精确已知且驾驶操纵相对简单。
[0003]但是，它忽略了一些实际的工作条件，车辆空载满载时质量差异明显，一些复杂驾驶操纵也较为常见，这种情况导致现有的轮胎路面附着系数估计方法可能由于估计偏差过大并不能应用到实际中。

技术实现思路

[0004]本专利技术要解决的技术问题：本专利技术的目的是为了解决现有技术中的不足，提供一种种考虑质量失配的轮胎路面附着系数多模型融合估计方法。
[0005]本专利技术的技术方案：车载传感器测量数据异常情况下的汽车状态估计方法，具体包括以下步骤：采集车辆纵向加速度、横向加速度、横摆角速度和前轮转角信号，与非线性车辆模型结合，利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息，基于所述车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数；
[0006]所述车辆轴向力信息包括车辆前轴的纵向力和侧向力以及车辆后轴的纵向力和侧向力；
[0007]进一步的，利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息，具体步骤如下：
[0008]建立非线性车身模型，
[0009][0010][0011][0012]其中r为横摆角速度、为横摆角速度r的导数、F
yf
为前轴侧向力，F
yr
为后轴侧向力，F
xr
为后轴纵向力，F
xf
为前轴纵向力，m为汽车总质量、L
f
为前轴到质心的距离、L
r
为后轴到质心的距离、δ为前轮转角、a
x
为纵向加速度、a
y
为侧向加速度、I
z
为绕z轴的转动惯量；
[0013]根据公式(1)～(3)建立车辆轴向力状态方程与量测方程如下：
[0014][0015]状态变量为：
[0016]x
η
＝[F
xf,η
,F
xr,η
,F
yf,η
,F
yr,η
]T
[0017]量测变量为：
[0018]z
η
＝[r
η
,a
x,η
,a
y,η
]T
[0019]输入变量为：
[0020]u＝[δ]T
[0021]其中z为测量向量；x为状态向量；下标η表示第η个采样步长；Xo表示状态向量的初值、u输入向量；f(
·
)为状态转移函数；h(
·
)输出函数；v过程噪声；w是测量噪声；
[0022]依据所建立的方程(4)利用强跟踪估计轴向力步骤如下：
[0023]初始化：
[0024]其中，Po表示状态估计误差协方差的初值、E表示求数学期望、(
·
)
T
表示矩阵转置；
[0025]时间更新：协方差对应的权重均值对应的权重和sigma采样点计算如下：
[0026][0027][0028]其中n是x的维度，λ,β,和α是待定参数；
[0029]Sigma点一步传播计算如下
[0030][0031]通过交互与混合、预测以及融合，给出了一种可以结合多个模型的优势实现在复杂驾驶工况下轮胎路面附着系数的精确估计，提高了本专利技术的估计精度和适用范围更新如下：
[0032][0033][0034]其中Q是过程噪声协方差矩阵
[0035]测量更新：新生成Sigma点计算如下：
[0036][0037]新Sigma点一步传播计算如下：
[0038][0039]的估计输出和它的协方差矩阵P
z,η
更新如下：
[0040][0041][0042]其中，R是测量噪声的协方差矩阵；
[0043]与的互协方差计算如下：
[0044][0045]卡尔曼滤波增益w
η
，后验状态和它的协方差矩阵P
η
更新如下：
[0046][0047][0048][0049]一个渐消因子σ
η
被用来动态更新先验状态协方差来应对质量参数失配的影响：
[0050][0051]其中
[0052][0053][0054][0055][0056][0057][0058]其中，Υ
t
为根据系统状态先验信息确定的常数，r表示矩阵求迹、B
η
A
η
表述公式4对x求偏导得到的矩阵，Q
η
是过程噪声的协方差矩阵，Vn中的z
η
是传感器的实时测量量组成的矩阵；ρ∈[0,1]就是遗忘因子、d
η
为待定参数。
[0059]进一步的，所述轮胎路面附着系数估计具体步骤如下：
[0060]选择后轴纵向力和侧向力分别建立纵向和侧向两个方向上的状态和测量方程，利用交互多模型无迹卡尔曼滤波对两个方向上的轮胎路面附着系数进行融合估计，具体步骤
如下：
[0061]两个方向路面附着系数估计状态空间模型如下：
[0062][0063][0064][0065][0066]其中J
η
是过程噪声、θ
η
是测量噪声、Γ表示待估计的附着系数，上标1表是是基于纵向力模型估算的，上标2表是基于侧向动力学模型估算的；
[0067]F
x
是后轴名义纵向力，F
y
是后轴名义侧向力，具体根据如下准静态轮胎模型计算
[0068][0069][0070]式中，函数
[0071]变量
[0072]其中v
x
为纵向速度，λ为后轮平均滑移率，μ为路面附着系数，C
x
轮胎纵向刚度，C
y
轮胎侧偏刚度，ε速度影响因子，F
zr
后轴总的垂向力，α为后轮平均侧偏角。
[0073]进一步的，为了实现不同纵向模型和侧向模型估计融合，设定和是基于纵向或横向动力学模型在采样η
‑
1时刻的估计附着系数的平均值和协方差；
[0074]ξ
η
‑1是不同估计模型在同一时刻的权重系数向量；
[0075]和是两个模型交互和混合后估计结果的均值和协方差；是交互和混合后的权重系数向量；
[0076]和为不同模型基于无迹卡尔曼方法估计的均值和协方差；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑质量失配的轮胎路面附着系数多模型融合估计方法，其特征在于：采集车辆纵向加速度、横向加速度、横摆角速度和前轮转角信号，与非线性车辆模型结合，利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息，基于所述车辆轴向力信息利用交互多模型无迹卡尔曼估计轮胎路面附着系数；所述车辆轴向力信息包括车辆前轴的纵向力和侧向力以及车辆后轴的纵向力和侧向力；2.根据权利要求1所述一种考虑质量失配的轮胎路面附着系数多模型融合估计方法，其特征在于：利用强跟踪无迹卡尔曼滤波估计车辆轴向力信息，具体步骤如下：建立非线性车身模型，建立非线性车身模型，建立非线性车身模型，其中r为横摆角速度、为横摆角速度r的导数、F
yf
为前轴侧向力，F
yr
为后轴侧向力，F
xr
为后轴纵向力，F
xf
为前轴纵向力，m为汽车总质量、L
f
为前轴到质心的距离、L
r
为后轴到质心的距离、δ为前轮转角、a
x
为纵向加速度、a
y
为侧向加速度、I
z
为绕z轴的转动惯量；根据公式(1)～(3)建立车辆轴向力状态方程与量测方程如下：状态变量为：x
η
＝[F
xf,η
,F
xr,η
,F
yf,η
,F
yr,η
]
T
量测变量为：z
η
＝[r
η
,a
x,η
,a
y,η
]
T
输入变量为：u＝[δ]
T
其中z为测量向量；x为状态向量；下标η表示第η个采样步长；、u输入向量；f(
·
)为状态转移函数；h(
·
)输出函数；v过程噪声；w是测量噪声；依据所建立的方程(4)利用强跟踪估计轴向力步骤如下：初始化：其中，Xo表示状态向量的初值、Po表示状态估计误差协方差的初值、E表示求数学期望、(
·
)
T
表示矩阵转置；时间更新：协方差对应的权重均值对应的权重和sigma采样点计算如下：
其中n是x的维度，λ,β,和α是待定参数；Sigma点一步传播计算如下先验状态和相应的状态协方差P
η/η
‑1更新如下：更新如下：其中Q是过程噪声协方差矩阵测量更新：新生成Sigma点计算如下：新Sigma点一步传播计算如下：新Sigma点一步传播计算如下：的估计输出和它的协方差矩阵P
z,η
更新如下：更新如下：其中，R是测量噪声的协方差矩阵；与的互协方差计算如下：卡尔曼滤波增益w
η
，后验状态和它的协方差矩阵P
η
更新如下：更新如下：更新如下：一个渐消因子σ
η
被用来动态更新先验状态协方差来应对质量参数失配的影响：其中
其中，Υ
t
为根据系统状态先验信息确定的常数，r表示矩阵求迹、B
η
A
η
表述...

【专利技术属性】
技术研发人员：殷国栋，汪，严永俊，胡敬宇，柏硕，徐利伟，王金湘，卢彦博，庄伟超，
申请(专利权)人：东南大学，
类型：发明
国别省市：