一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于ASTCKF和GA
‑
BP的路面附着系数估计方法


[0001]本专利技术涉及路面附着系数估计方法
，尤其涉及一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法
。

技术介绍

[0002]路面附着系数估计方法大体上分为基于路面特征的方法和基于轮胎效果的方法，基于路面特征的方法主要使用传感器，包括有光学
、
声学
、
微波等，测量影响路面附着系数的主要因素，通过经验模型估计附着系数，但对于伴随着雨雪的路况效果不佳，对于路面特征的估计结果会有较大影响，基于轮胎效果主要通过建立观测器分析附着系数，对车轮或车身运动响应进行估计，目前多数研究使用基于轮胎效果的方法
。
[0003]目前大多数基于轮胎效果的方法都是使用无迹卡尔曼滤波或扩展卡尔曼滤波进行估计，然而扩展卡尔曼滤波在非线性系统的效果不佳，无迹卡尔曼滤波则需要解复杂的雅克比矩阵，在观测高维非线性系统效果和精度均低于容积卡尔曼滤波，
CKF
算法虽然估计精度较高且实现方式简单，但缺少对突变目标的自适应跟踪能力，为了保持强跟踪滤波器的特性，将时变渐消因子引入到预测协方差矩阵中，以削减过去数据对当前滤波值的影响，且观测过程中的噪声并不是一个固定值，基于此，现有技术对路面附着系数的估计精度较低或所耗时间较长，且无法将车辆状态估计与路面附着估计的相互联系，使得路面附着系数的实际适应性进一步下降，不利于路面附着系数的估计指导现实创造更大的价值
。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法，包括以下步骤：步骤一，建立非线性三自由度车辆模型，通过整车通讯网络采集车载传感器，号，包括有车辆的纵向加速度
a
x
、
侧向加速度
a
y
、
横摆角速度
r、
前轮转角
δ
f
、
四轮转速
ω
ij
和四轮驱动力矩
T
ij
，步骤二，将四轮转速
ω
ij
和四轮驱动力矩
T
ij
代入建立的四轮驱动力计算模块，获得车轮的纵向力
F
xij
，步骤三，基于
Dugoff
轮胎模型，计算出车轮的侧向力
F
yij
；步骤四，基于非线性三自由度车辆模型，将车轮的纵向力
F
xij
、
车轮的侧向力
F
yij
、
前轮转角
δ
f
、
纵向加速度
a
x
和侧向加速度
a
y
作为输入，以纵向速度
v
x
、
侧向速度
v
y
、
横摆角速度
r
作为状态量，再以横摆角速度
r、
纵向加速度
a
x
和侧向加速度
a
y
为观测量，建立
ASTCKF
状态观测器，步骤五，将车轮的纵向力
F
xij
、
车轮的侧向力
F
yij
、
前轮转角
δ
f
、
纵向加速度
a
x
和侧向加速度
a
y
作为
ASTCKF
状态观测器的输入，采用
ASTCKF
算法计算出纵向速度侧向速度横摆角速度通过对横摆角速度
r
，纵向加速度
a
x
和侧向加速度
a
y
的更新，获得状态量的估计，最后将车辆的纵向速度
v
x
，侧向速度
v
y
，横摆角速度
r
作为
ASTCKF
状态观测器的输出，步骤六，建立四个
BP
神经网络模块，输
入层设置七个节点，输入分别是通过
ASTCKF
算法计算出纵向速度侧向速度横摆角速度以及通过传感器获得的前轮转角
δ
f
、
纵向加速度
a
x
、
侧向加速度
a
y
和四轮转速
ω
ij
，输出层设置一个输出节点，即路面附着系数
μ
ij
的值，步骤七，采用遗传算法对
BP
神经网络的权值进行优化，由神经网络估算出路面附着系数
μ
ij
的值，步骤八，将上一步估算出的路面附着系数
μ
ij
的值代入
Dugoff
轮胎模型更新轮胎侧向力
F
yij
，并代入
ASTCKF
观测器中实现噪声协方差矩阵
Q
k
和
R
k
自适应调整
。
[0007]优选地，所述第一步中的非线性三自由度车辆模型如下：
[0008][0009][0010][0011][0012]其中：
F
xij
为轮胎纵向力，
F
yij
为轮胎侧向力，
F
zij
为轮胎垂直载荷，其中
i
代表前轮或后轮，
j
代表左轮或右轮；
a
为质心到前轴的距离；
b
为质心到后轴的距离；
h
为质心高度；
l
为前轴到后轴的距离；
r
为横摆角速度；
m
为汽车质量；
a
x
为汽车纵向加速度；
a
y
为汽车侧向加速度；
α
fl,fr
为左前轮和右前轮的轮胎侧偏角；
α
rl,rr
为左后轮和右后轮的轮胎侧偏角；
v
fl,fr
为左前轮和右前轮的车轮中心速度；
v
rl,rr
为左后轮和右后轮的车轮中心速度；
v
x
为车辆纵；车速；
v
y
为车辆侧；车速；
β...

【技术保护点】

【技术特征摘要】
1.
一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法，其特征在于，包括以下步骤：
S1
：建立非线性三自由度车辆模型，通过整车通讯网络采集车载传感器信号，包括有车辆的纵向加速度
a
x
、
侧向加速度
a
y
、
横摆角速度
r、
前轮转角
δ
f
、
四轮转速
ω
ij
和四轮驱动力矩
T
ij
；
S2
：将四轮转速
ω
ij
和四轮驱动力矩
T
ij
代入建立的四轮驱动力计算模块，获得车轮的纵向力
F
xij
；
S3
：基于
Dugoff
轮胎模型，计算出车轮的侧向力
F
yij
；
S4
：基于非线性三自由度车辆模型，将车轮的纵向力
F
xij
、
车轮的侧向力
F
yij
、
前轮转角
δ
f
、
纵向加速度
a
x
和侧向加速度
a
y
作为输入，以纵向速度
v
x
、
侧向速度
v
y
、
横摆角速度
r
作为状态量，再以横摆角速度
r、
纵向加速度
a
x
和侧向加速度
a
y
为观测量，建立
ASTCKF
状态观测器；
S5
：将车轮的纵向力
F
xij
、
车轮的侧向力
F
yij
、
前轮转角
δ
f
、
纵向加速度
a
x
和侧向加速度
a
y
作为
ASTCKF
状态观测器的输入，采用
ASTCKF
算法计算出纵向速度侧向速度横摆角速度通过对横摆角速度
r
，纵向加速度
a
x
和侧向加速度
a
y
的更新，获得状态量的估计，最后将车辆的纵向速度
v
x
，侧向速度
v
y
，横摆角速度
r
作为
ASTCKF
状态观测器的输出；
S6
：建立四个
BP
神经网络模块，输入层设置七个节点，输入分别是通过
ASTCKF
算法计算出纵向速度侧向速度横摆角速度以及通过传感器获得的前轮转角
δ
f
、
纵向加速度
a
x
、
侧向加速度
a
y
和四轮转速
ω
ij
，输出层设置一个输出节点，即路面附着系数
μ
ij
的值；
S7
：采用遗传算法对
BP
神经网络的权值进行优化，由神经网络估算出路面附着系数
μ
ij
的值；
S8
：将上一步估算出的路面附着系数
μ
ij
的值代入
Dugoff
轮胎模型更新轮胎侧向力
F
yij
，并代入
ASTCKF
观测器中实现噪声协方差矩阵
Q
k
和
R
k
自适应调整
。2.
根据权利要求1所述的一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法，其特征在于，所述
S1
中的非线性三自由度车辆模型如下：
其中：
F
xij
为轮胎纵向力，
F
yij
为轮胎侧向力，
F
zij
为轮胎垂直载荷，其中
i
代表前轮或后轮，
j
代表左轮或右轮；
a
为质心到前轴的距离；
b
为质心到后轴的距离；
h
为质心高度；
l
为前轴到后轴的距离；
r
为横摆角速度；
m
为汽车质量；
a
x
为汽车纵向加速度；
a
y
为汽车侧向加速度；
α
fl,fr
为左前轮和右前轮的轮胎侧偏角；
α
rl,rr
为左后轮和右后轮的轮胎侧偏角；
v
fl,fr
为左前轮和右前轮的车轮中心速度；
v
rl,rr
为左后轮和右后轮的车轮中心速度；
v
x
为车辆纵向车；；
v
y
为车辆侧向车；；
β
为质心侧偏；；
I
z
为汽车绕
z
轴的转动惯量；
δ
f
为前轮转角；
t
w
为轮距，假设前轮与后轮轮距相同
。3.
根据权利要求1所述的一种基于
ASTCKF
和
GA
‑
BP
的路面附着系数估计方法，其特征在于，所述
S4
中建立的
ASTCKF
状态观测器中观测方程如下：建立系统的非线性系统模型：
x
k
＝
f(x
k
‑1)+w
k
‑1；
z
k
＝
h(x
k
)+v
k
；式中：
x
k
为
k
时刻的目标状态向量，
y
k
为
k
时刻的量测向量，其中
x
k
＝
[v<...

【专利技术属性】
技术研发人员：陈翔，贝泽群，赵万忠，王春燕，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：