道路坡度自适应融合估计方法、装置、车辆及存储介质制造方法及图纸

本申请涉及参数估计技术领域，特别涉及一种道路坡度自适应融合估计方法、装置、车辆及存储介质，其中，方法包括：识别车辆的定位信息得到速度矢量和俯仰角，分别根据速度矢量和俯仰角构建卡尔曼滤波器，设计相应的噪声计算方法，实现车辆所在道路第一坡度和第二坡度的自适应估计；基于预设动力学方程/运动学方程和车辆状态信息，以车辆俯仰角速度作为坡度变化率，建立坡度状态方程，并对噪声进行了合理的建模，实现车辆所在道路第三坡度和第四坡度的自适应估计；计算最优融合权重融合第一坡度至第四坡度中多个坡度，得到车辆当前所在道路最终坡度。由此，解决了相关技术在复杂路况，坡度变化较为频繁时难以实现准确快速的坡度估计的问题。的问题。的问题。

【技术实现步骤摘要】
道路坡度自适应融合估计方法、装置、车辆及存储介质


[0001]本申请涉及参数估计
，特别涉及一种道路坡度自适应融合估计方法、装置、车辆及存储介质。

技术介绍

[0002]道路坡度是道路的基本信息之一，对于车辆的准确安全控制和道路系统的构建具有重要意义。对于车辆而言，道路坡度是构建高精度车辆动力学模型所必须的信息，也是现代汽车坡道辅助系统、起步换挡控制等众多安全系统的关键信息，尤其在复杂多变的道路工况下，对于道路坡度的快速准确估计可以提升车辆控制的稳定性，改善燃油经济性和驾驶舒适性等。
[0003]近年来随着智能电动汽车的发展，一些传统车辆上不具备的新型传感器系统给坡度估计带来了新的方案，典型代表为全球定位系统(Global Positioning System，GPS)。GPS独立于车辆系统之外，不受车辆固有特性影响，可实现较高精度的估计。但是GPS信号易受环境干扰，在一些场景如隧道、城市高楼间等地方信号质量下降甚至中断。因此，仅仅依赖GPS也是不可取的。此外，相关技术通常是基于动力学和运动学的方法实现道路坡度的快速估计，然而这两类方法均存在一定局限性，基于动力学的方法需要足够的激励，在车速较低或静止的工况下难以实现准确的坡度估计，基于运动学的方法对加速度信号依赖较大，易产生累计误差，并且这两类方法大多假设道路坡度是定值，并没有考虑道路坡度的变化率，在坡度变化较为频繁的工况下难以实现准确快速的坡度估计。

技术实现思路

[0004]本申请提供一种道路坡度自适应融合估计方法、装置、车辆及存储介质，以解决相关技术在坡度变化较为频繁的工况下难以实现准确快速的坡度估计，存在精度低、鲁棒性差等问题。
[0005]本申请第一方面实施例提供一种道路坡度自适应融合估计方法，包括以下步骤：
[0006]获取车辆的车辆状态信息和定位系统的定位信息；识别定位信息得到速度矢量和俯仰角，分别根据速度矢量和俯仰角构建第一和第二卡尔曼滤波器，设计相应的噪声计算方法，实现车辆当前所在道路第一坡度和第二坡度的自适应估计；
[0007]基于预设动力学方程和车辆状态信息，以车辆俯仰角速度作为坡度变化率，建立坡度状态方程，进而构建第三卡尔曼滤波器，并考虑车速、轮速和转向的影响对噪声进行建模，同时对低速工况进行处理，实现车辆当前所在道路第三坡度的自适应估计；
[0008]基于预设运动学方程和车辆状态信息，以车辆俯仰角速度作为坡度变化率，建立坡度状态方程，进而构建第四卡尔曼滤波器，并考虑弯道工况对噪声进行建模，实现车辆当前所在道路第四坡度的自适应估计；
[0009]根据定位系统的信号强度和第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差等，计算线性最小方差意义下的最优融合权重，融合第一坡度至第四坡度中的多
个坡度，得到车辆当前所在道路最终坡度。
[0010]可选地，在本申请的一个实施例中，所述根据定位系统的信号强度和第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差等，计算线性最小方差意义下的最优融合权重，融合第一坡度至第四坡度中的多个坡度，得到所述车辆当前所在道路最终坡度，包括：若所述信号强度大于预设强度，则根据根据定位系统的信号强度和第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差等，计算线性最小方差意义下的最优融合权重，根据所述第一坡度至第四坡度和各自权重进行最优加权融合，得到所述最终坡度；若所述信号强度小于或等于所述预设强度，则根据定位系统的信号强度和第三坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差等，计算线性最小方差意义下的最优融合权重，根据所述第三坡度、所述第四坡度和各自权重进行加权融合，得到所述最终坡度。
[0011]可选地，在本申请的一个实施例中，所述最终坡度的计算公式为：
[0012][0013]其中，θ
Fus
为最终坡度，λ
i
为第i坡度的权重，为第i坡度；
[0014]所述第i坡度的权重λ
i
的计算公式为：
[0015]λ＝[λ1，λ2，λ3，λ4]＝Λ
‑1e(e
T
Λ
‑1e)
‑1[0016]其中，e＝[I
n
，...，I
n
]T
为4n
×
n的矩阵，n为估计的状态量的个数，Λ由下式计算：
[0017][0018]可选地，在本申请的一个实施例中，所述分别根据所述速度矢量和所述俯仰角计算所述车辆当前所在道路的第一坡度和第二坡度，包括：分别根据速度矢量和俯仰角构建第一和第二卡尔曼滤波器，设计相应的噪声计算方法，实现车辆当前所在道路第一坡度和第二坡度的自适应估计。
[0019]可选地，在本申请的一个实施例中，所述第三坡度的计算公式为：
[0020][0021]其中，g为重力加速度，F
x
为轮胎所受的地面纵向力，m为整车质量，V
x
为纵向车速，V
y
为侧向车速，ψ为横摆角，F
roll
为滚动阻力，F
air
为空气阻力。
[0022]所述以车辆俯仰角速度作为坡度变化率，建立坡度状态方程为：
[0023][0024]其中，为车辆俯仰角速度，k为采样时刻，x3为第三坡度，dT为采样间隔，w3为随机噪声。
[0025]所述低速处理方法为：
[0026]θ3＝θ3*tanh(|V
x
|)
[0027]所述噪声计算方法为：
[0028][0029]其中，R
Dyn
是第三坡度卡尔曼滤波器的测量噪声，C1，C2，C3，C4为标定常数，δ为方向盘转角，W
ij
，i∈{F，R}，j∈{L，R}是轮速，ε3是与随机噪声相关的常数。
[0030]可选地，在本申请的一个实施例中，所述第四坡度的计算公式为：
[0031][0032]其中，a
x
为整车纵向加速度的量测值，ξ1为噪声。
[0033]所述噪声计算方法为：
[0034]R
Knt
＝P2*tanh(P1*(|δ|+ξ2))+ε4[0035]其中，R
Knt
为第四坡度卡尔曼滤波器的测量噪声，δ为方向盘转角，P1，P2为标定常数，ξ2和ε4是为保证计算稳定而设置的常数。
[0036]所述以车辆俯仰角速度作为坡度变化率，建立坡度状态方程为：
[0037][0038]其中，x4为第四坡度，w4为随机噪声。
[0039]本申请第二方面实施例提供一种道路坡度自适应融合估计装置，包括：获取模块，用于获取车辆的车辆状态信息和定位系统的定位信息；识别模块，识别定位信息得到速度矢量和俯仰角，分别根据速度矢量和俯仰角构建第一和第二卡尔曼滤波器，设计相应的噪声计算方法，实现车辆当前所在道路第一坡度和第二坡度的自适应估计；计算模块，基于预设动力学方程和车辆状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路坡度自适应融合估计方法，其特征在于，包括以下步骤：获取车辆的车辆状态信息和定位系统的定位信息；识别所述定位信息得到速度矢量和俯仰角，分别根据所述速度矢量和所述俯仰角构建卡第一和第二卡尔曼滤波器，设计相应的噪声计算方法，实现车辆当前所在道路第一坡度和第二坡度的自适应估计；基于预设动力学方程和所述车辆的状态信息，以所述车辆俯仰角速度作为坡度变化率，建立坡度状态方程，进而构建第三卡尔曼滤波器，并考虑车速、轮速和转向的影响对噪声进行建模，同时对低速工况进行处理，实现车辆当前所在道路第三坡度的自适应估计；基于预设运动学方程和所述车辆的状态信息，以所述车辆俯仰角速度作为坡度变化率，建立坡度状态方程，进而构建第四卡尔曼滤波器，并考虑弯道工况对噪声进行建模，实现车辆当前所在道路第四坡度的自适应估计；根据所述定位系统的信号强度和第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差，计算线性最小方差意义下的最优融合权重，融合所述第一坡度至第四坡度中的多个坡度，得到所述车辆当前所在道路最终坡度。2.根据权利要求1所述的方法，其特征在于，所述根据所述定位系统的信号强度和第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差，计算线性最小方差意义下的最优融合权重，融合所述第一坡度至第四坡度中的多个坡度，得到所述车辆当前所在道路最终坡度，包括：若所述信号强度大于预设强度，则根据所述定位系统的信号强度和所述第一坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差，计算线性最小方差意义下的最优融合权重，根据所述第一坡度至第四坡度和各自权重进行最优加权融合，得到所述最终坡度；若所述信号强度小于或等于所述预设强度，则根据所述定位系统的信号强度和第三坡度至第四坡度卡尔曼滤波器的卡尔曼增益、误差协方差，计算线性最小方差意义下的最优融合权重，根据所述第三坡度、所述第四坡度和各自权重进行加权融合，得到所述最终坡度。3.根据权利要求2所述的方法，其特征在于，一种线性最小方差意义下的多传感器最优融合，所述最终坡度的计算公式为：其中，θ
Fus
为最终坡度，λ
i
为第i坡度的权重，为第i坡度；所述第i坡度的权重λ
i
的计算公式为：λ＝[λ1,λ2，λ3，λ4]＝Λ
‑1e(e
T
Λ
‑1e)
‑1其中，e＝[I
n
,
…
,I
n
]
T
为4n
×
n的矩阵，n为估计的状态量的个数，Λ由下式计算：4.根据权利要求1所述的方法，其特征在于，所述分别根据所述速度矢量和所述俯仰角构建第一和第二卡尔曼滤波器，设计相应的噪声计算方法，实现车辆当前所在道路第一坡
度和第二坡度的自适应估计，包括：获取多个方向的速度矢量和总的空间矢量；根据所述多个方向的速度矢量合成水平速度矢量，根据所述水平速度矢量和所述总的空间矢量计算所述第一坡度，并将所述俯仰角作为所述第二坡度；所述噪声计算方法为将噪声σ近似为地向速度噪声σ
D
与水平速度的比值：其中，V
N
,V
E
分别为北向速度和东向速度，ε2为一较小常数，σ为标准差。5.根据权利要求1所述的方法，其特征在于，所述第三坡度的计算公式为：其中，g为重力加速度，F
x
为轮胎所受的地面纵向力，m为整车质量，V
x<...

【专利技术属性】
技术研发人员：张友朋，黄悦峰，王翔宇，李亮，王轶睿，薛仲瑾，邓凯，
申请(专利权)人：清华大学，
类型：发明
国别省市：