一种智能电动汽车路面附着系数估计方法技术

本发明专利技术提供一种智能电动汽车路面附着系数估计方法，该方法先构建纵向

【技术实现步骤摘要】
一种智能电动汽车路面附着系数估计方法


[0001]本专利技术涉及电动汽车
，特别是涉及一种智能电动汽车路面附着系数估计方法
。

技术介绍

[0002]随着信息和人工智能技术的进步和发展，智能电动汽车越来越受到人们的关注，智能电动汽车具有节能环保
、
高安全性等优点，是目前实现汽车能源转型的重要手段
。
其中汽车行驶过程中的主动安全控制是核心问题之一，主动安全控制的首要前提是准确获得汽车当前的状态等重要参数
。
[0003]主动安全控制的首要前提是获得汽车行驶过程中的路面附着系数，然而路面附着系数无法通过传感器直接测量，因此，如何根据现有的传感器来准确的估计难以测量的路面附着系数，是本领域技术人员需要解决的技术问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种智能电动汽车路面附着系数估计方法，以实现路面附着系数的有效实时估计
。
[0005]一种智能电动汽车路面附着系数估计方法，包括以下步骤：步骤1，根据智能电动汽车的运动特性，构建纵向
、
横向
、
横摆非线性三自由度车辆动力学模型；步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建
Dugoff
轮胎模型，通过
Dugoff
轮胎模型计算出轮胎力，并对
Dugoff
轮胎模型计算的轮胎力进行归一化处理；步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中；步骤4，基于步骤3中构建的广义高阶容积卡尔曼滤波器，引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计
。
[0006]根据本专利技术提供的智能电动汽车路面附着系数估计方法，具有以下有益效果：
1、
本专利技术综合考虑电动汽车的纵向
、
横向
、
横摆运动，建立三自由度车辆动力学模型和
Dugoff
模型，并对
Dugoff
模型计算的横纵向轮胎力进行归一化处理，并通过最大相关熵广义高阶容积卡尔曼滤波器，能够对智能电动汽车的路面附着系数进行实时估计；
2、
不同于一般的广义高阶容积卡尔曼滤波算法，本专利技术采用最大相关熵广义高阶容积卡尔曼滤波器，根据建立的汽车动力学系统模型与轮胎模型对路面附着系数进行实时估计，考虑多工况下行驶的智能电动汽车动力学模型是一个非线性的系统，传统的广义高阶容积卡尔曼滤波算法抵抗非高斯噪声能力差，估计精度不高，因此，本专利技术在广义高阶容积卡尔曼滤波的基础上，引入最大相关熵准则，增强滤波器抵抗非高斯噪声的能力，能够有效提高估计精度，具有较广的适用性和良好的鲁棒性
。
附图说明
[0007]图1为本专利技术的实施例提供的智能电动汽车路面附着系数估计方法的流程图；图2为本专利技术所提出的方法对左前轮的估计与传统广义高阶容积卡尔曼算法
、
真实值的对比图；图3为本专利技术所提出的方法对右后轮的估计与传统广义高阶容积卡尔曼算法
、
真实值的对比图
。
具体实施方式
[0008]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0009]请参阅图1，本专利技术的实施例提供一种智能电动汽车路面附着系数估计方法，本实施例中，该方法包括步骤
1~
步骤4：步骤1，根据智能电动汽车的运动特性，构建纵向
、
横向
、
横摆非线性三自由度车辆动力学模型
。
[0010]其中，步骤1中，构建的纵向
、
横向
、
横摆非线性三自由度车辆动力学模型的表达式如下：；；；其中，
m
为车辆总质量；
r
为横摆角速度；为前轮转角；
、、、
分别表示左前轮
、
右前轮
、
左后轮
、
右后轮的纵向力；
、、、
分别表示左前轮
、
右前轮
、
左后轮
、
右后轮的横向力；为车辆质心绕
z
轴的转动惯量；和分别为前轮距和后轮距；和分别为质心距离前轴和质心距离后轴的距离；为纵向加速度；为侧向加速度
。
[0011]步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建
Dugoff
轮胎模型，通过
Dugoff
轮胎模型计算出轮胎力，并对
Dugoff
轮胎模型计算的轮胎力进行归一化处理
。
[0012]步骤2具体包括：采用
Dugoff
轮胎模型计算轮胎纵向力与横向力，计算公式为：；；；
；其中，表示车轮的纵向力，表示车轮的横向力，表示车轮的轮胎垂向力，表示车轮的路面附着系数，表示归一化的车轮的纵向力，表示归一化的车轮的横向力，表示车轮的滑移率，表示车轮的侧偏角，
qj=fl
表示左前轮，
qj=fr
表示右前轮，
qj=rl
表示左后轮，
qj=rr
表示右后轮；是车轮的纵向刚度；是车轮的横向刚度；表示过程变量函数；表示过程变量参数；表示速度影响因子，仅与轮胎参数有关；为车辆纵向车速
。
[0013]步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中
。
[0014]步骤3中，搭建广义高阶容积卡尔曼滤波器具体包括：结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中归一化的轮胎力，设定非线性系统的状态方程和测量方程为：其中，表示
k
时刻的状态变量，，
T
表示转置；表示
k
‑1时刻的状态变量；表示
k
‑1时刻的控制变量；表示
k
时刻的控制变量，；表示
k
时刻的观测变量，；
f
表示状态函数；
h
表示测量函数；和分别表示过程噪声和测量噪声；将状态方程和测量方程引入广义高阶容积卡尔曼滤波器中，进行预测和更新；1）预测；；；；其中，表示预测阶段的状态协方差的平方根；表示
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能电动汽车路面附着系数估计方法，其特征在于，包括以下步骤：步骤1，根据智能电动汽车的运动特性，构建纵向
、
横向
、
横摆非线性三自由度车辆动力学模型；步骤2，基于步骤1中构建的三自由度车辆动力学模型，构建
Dugoff
轮胎模型，通过
Dugoff
轮胎模型计算出轮胎力，并对
Dugoff
轮胎模型计算的轮胎力进行归一化处理；步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建广义高阶容积卡尔曼滤波器，并将步骤2中归一化后的轮胎力输入到广义高阶容积卡尔曼滤波器中；步骤4，基于步骤3中构建的广义高阶容积卡尔曼滤波器，引入最大相关熵准则，对测量阶段的噪声协方差和误差协方差进行迭代更新，搭建最大相关熵广义高阶容积卡尔曼滤波器，通过最大相关熵广义高阶容积卡尔曼滤波器对路面附着系数进行实时估计
。2.
根据权利要求1所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤1中，构建的纵向
、
横向
、
横摆非线性三自由度车辆动力学模型的表达式如下：；；；其中，
m
为车辆总质量；
r
为横摆角速度；为前轮转角；
、、、
分别表示左前轮
、
右前轮
、
左后轮
、
右后轮的纵向力；
、、、
分别表示左前轮
、
右前轮
、
左后轮
、
右后轮的横向力；为车辆质心绕
z
轴的转动惯量；和分别为前轮距和后轮距；和分别为质心距离前轴和质心距离后轴的距离；为纵向加速度；为侧向加速度
。3.
根据权利要求2所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤2具体包括：采用
Dugoff
轮胎模型计算轮胎纵向力与横向力，计算公式为：；；；；其中，表示车轮的纵向力，表示车轮的横向力，表示车轮的轮胎垂向力，表示车轮的路面附着系数，表示归一化的车轮的纵向力，表示归一化的车轮的横向
力，表示车轮的滑移率，表示车轮的侧偏角，
qj=fl
表示左前轮，
qj=fr
表示右前轮，
qj=rl
表示左后轮，
qj=rr
表示右后轮；是车轮的纵向刚度；是车轮的横向刚度；表示过程变量函数；表示过程变量参数；表示速度影响因子；为车辆纵向车速
。4.
根据权利要求3所述的智能电动汽车路面附着系数估计方法，其特征在于，步骤3中，搭建广义高阶容积卡尔曼滤波器具体包括：结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中归一化的轮胎力，设定非线性系统的状态方程和测量方程为：其中，表示
k
时刻的状态变量，，
T
表示转置；表示
k
‑1时刻的状态变量；表示
k
‑1...

【专利技术属性】
技术研发人员：陈齐平，于炳浩，庞宏宇，江志强，舒强，傅王梁，钟颖强，朱祖伟，胡一明，曾德全，
申请(专利权)人：江西交通职业技术学院宜春同驭汽车科技有限公司，
类型：发明
国别省市：