一种非高斯噪声影响下的车辆横向状态估计方法技术

本发明专利技术公开了一种非高斯噪声影响下的车辆横向状态估计方法，根据七自由度整车动力学模型与魔术公式轮胎模型，利用

【技术实现步骤摘要】
一种非高斯噪声影响下的车辆横向状态估计方法


[0001]本专利技术涉及一种非高斯噪声影响下的车辆横向状态估计方法
。

技术介绍

[0002]车辆在行驶过程中容易受到各种外部非高斯噪声的影响，而原有的卡尔曼滤波及其变种对外部噪声使用的优化准则是著名的最小均方误差准则，该准则对重尾噪声敏感，可能导致性能不佳
。
[0003]虽然车辆状态估计系统当前已经较为成熟，但是在先前研究中，噪声大部分是以理想的高斯形式输入的
。
而车辆在实际转弯过程中，轮胎会发生较大的偏移，这容易产生非线性力和力矩，和导致轮胎摩擦力的变化，这些都会产生非高斯噪声
。
而非高斯噪声对传感器的估计精度会产生很大的影响
。
非高斯噪声一般有重尾噪声，脉冲噪声等
。
[0004]传统卡尔曼滤波及其变种在处理噪声时采用的优化准则为最小均方差准则，这使得滤波性能在面对较大异常值时会变得十分敏感，从而导致滤波器在非高斯环境中的精度变差
。
重尾噪声存在于许多实际应用中，如雷达测量系统和
GPS
测量系统
。
近年来，信息理论学习中的优化准则也受到了许多研究者的关注，该准则采用直接从数据中估计的信息理论量
。
相关熵作为一种信息理论量，它可以捕获高阶统计量
。
由于它是一种局部相似性方法，对异常值不敏，因此最近被学者们用作鲁棒成本，并在许多领域提供了显著的性能改进
。
其中，关于熵的优化准则在
ITL
中称为最大熵准则
(maximum correntropy criterion,MCC)。
它已广泛应用于抑制非高斯噪声的滤波器中
。
在最近的研究中，提出了一些基于
MCC
的线性卡尔曼滤波算法，并开发了一些基于相关系数的
UKFs
来解决非线性系统的问题
。
与
UKF
相比，
EKF
的主要优点是其概念和计算简单
。
因此，它也被广泛应用于实际工程领域，并且在近期被应用于非高斯噪声环境下的车辆状态估计，但是其使用的是自适应改进扩展卡尔曼滤波，由于其高阶截断的性质，这将导致估计精度有所下降
。
[0005]本专利技术设计了一种在非高斯噪声环境中基于最大相关熵平方根容积卡尔曼滤波下的汽车横向状态估计
。
其中最大相关熵准则能够提高估计算法在非高斯噪声环境中的估计精度，并且平方根容积卡尔曼滤波能够在满足精度的同时提高算法稳定性和速度
。

技术实现思路

[0006]本专利技术是为了解决上述现有技术存在的问题而提供一种非高斯噪声影响下的车辆横向状态估计方法
。
[0007]本专利技术所采用的技术方案有：
[0008]一种非高斯噪声影响下的车辆横向状态估计方法，包括以下步骤：
[0009]根据七自由度整车动力学模型与魔术公式轮胎模型，利用
simulink
构建非高斯噪声状态下车辆横向状态参数估计单元；
[0010]所述车辆横向状态参数估计单元基于最大熵准则与平方根容积卡尔曼滤波，搭建最大相关熵平方根容积卡尔曼滤波算法，对车辆横向状态进行估计，以此获得车辆状态的
最优估计；
[0011]将
Simulink
与
Carsim
车辆高仿真软件联合仿真，将仿真工况设定为高速低附着双移线和高速低附着鱼钩，对最大相关熵平方根容积卡尔曼滤波算法的估计结果进行仿真验证
。
[0012]进一步地，根据七自由度车辆动力学模型得到车辆的纵向加速度
a
x
以及侧向加速度
a
y
；
[0013]根据魔术公式轮胎模型到车辆轮胎的纵向力和侧向力
。
[0014]进一步地，通过最大熵准则求得非高斯噪声的代价函数，过程为：
[0015]给定两个随机变量
X∈R
，
Y∈R
，假设两随机变量的联合分布函数为
F
XY
(x
，
y)
，两随机变量的相关熵被定义为：
[0016]C(X
，
Y)
＝
E[
κ
(X
，
Y)]＝
∫
κ
(x
，
y)dF
XY
(x
，
y)
[0017]其中，
E[.]表示期望值，
κ
(x
，
y)
是满足
Mercer
定理的平移不变核；
[0018]选择高斯核作为熵的核函数，即：
[0019][0020]其中
e
＝
x
‑
y
，并且核宽度
σ
＞0；
[0021]通过使用样本均值估计器来估计两个随机变量之间的相关系数：
[0022][0023]其中
e(i)
＝
x(i)
‑
y(i)
，是从
F
XY
中随机抽取的
N
个样本；
[0024]使用泰勒级数展开高斯核得到：
[0025][0026]若非高斯噪声存在一个误差数据序列则代价函数可以表示为：
[0027][0028]进一步地，使用平方根容积卡尔曼滤波时，通过采用非线性系统状态方程
f(.)
和量测方程
h(.)
来描述车辆状态的非线性系统，非线性系统状态方程
f(.)
和量测方程
h(.)
如下：
[0029][0030]将车辆的纵向加速度
a
x
、
侧向加速度
a
y
以及横摆角速度
γ
设为车辆横向状态参数估计单元的观测变量
y
＝
(a
x
，
a
y
，
γ
)
T
，并且将车辆横向状态参数估计单元的状态变量设置为：
x
＝
(v
x
，
v
y
，
a
x
，
a
y
，
γ
)
T
，控制输入变量为前轮转角和每个车轮的角速度：
z
＝
(
δ
，
ω
fl
，
ω
fr
，
ω
rl
，
ω
rr
)
T
；
[0031]观测过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种非高斯噪声影响下的车辆横向状态估计方法，其特征在于：包括以下步骤：根据七自由度整车动力学模型与魔术公式轮胎模型，利用
simulink
构建非高斯噪声状态下车辆横向状态参数估计单元；所述车辆横向状态参数估计单元基于最大熵准则与平方根容积卡尔曼滤波，搭建最大相关熵平方根容积卡尔曼滤波算法，对车辆横向状态进行估计，以此获得车辆状态的最优估计；将
Simulink
与
Carsim
车辆高仿真软件联合仿真，将仿真工况设定为高速低附着双移线和高速低附着鱼钩，对最大相关熵平方根容积卡尔曼滤波算法的估计结果进行仿真验证
。2.
如权利要求1所述的非高斯噪声下车辆横向状态估计方法，其特征在于：根据七自由度车辆动力学模型得到车辆的纵向加速度
a
x
以及侧向加速度
a
y
；根据魔术公式轮胎模型到车辆轮胎的纵向力和侧向力
。3.
如权利要求2所述的非高斯噪声下车辆横向状态估计方法，其特征在于：通过最大熵准则求得非高斯噪声的代价函数，过程为：给定两个随机变量
X∈R,Y∈R
，假设两随机变量的联合分布函数为
F
XY
(x,y),
两随机变量的相关熵被定义为：其中，
E[.]
表示期望值，
κ
(x,y)
是满足
Mercer
定理的平移不变核；选择高斯核作为熵的核函数，即：其中
e
＝
x
‑
y
，并且核宽度
σ
>0
；通过使用样本均值估计器来估计两个随机变量之间的相关系数
:
其中
e(i)
＝
x(i)
‑
y(i)
，是从
F
XY
中随机抽取的
N
个样本；使用泰勒级数展开高斯核得到：若非高斯噪声存在一个误差数据序列则代价函数可以表示为：
4.
如权利要求2所述的非高斯噪声下车辆横向状态估计方法，其特征在于：使用平方根容积卡尔曼滤波时，通过采用非线性系统状态方程
f(.)
和量测方程
h(.)
来描述车辆状态的非线性系统，非线性系统状态方程
f(.)
和量测方程
h(.)
如下：将车辆的纵向加速度
a
x
、
侧向加速度
a
y
以及横摆角速度
γ
设为车辆横向状态参数估计
单元的观测变量
y
＝
(a
x
，
a
y
，
γ
)
T
，并且将车辆横向状态参数估计单元的状态变量设置为：
x
＝
(v
x
，
v
y
，
a
x
，

【专利技术属性】
技术研发人员：贝绍轶，汤浩然，李波，过锦飞，田涌君，易爱斌，戴炜烈，提艳，杨霖，恽航，王子寒，刘祎，孙越，胡梦丹，李昊文，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：