一种基于自适应容积粒子滤波的车辆状态估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110532590A(43)申请公布日2019.12.03(21)申请号201910627592.2(22)申请日2019.07.12(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人魏民祥邢德鑫吴树凡任师通季桢杰(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人石嘉蓉(51)Int.Cl.G06F17/50(2006.01)G06F17/16(2006.01)G06F17/15(2006.01)G06F17/11(2006.01)权利要求书4页说明书11页附图6页(54)发明名称一种基于自适应容积粒子滤波的车辆状态估计方法(57)摘要本发明公开了一种基于自适应容积粒子滤波(ACPF)的车辆状态估计方法，包括：首先基于非稳态动态轮胎模型，构建高维度非线性八自由度车辆动力学模型；其次利用自适应容积卡尔曼滤波算法更新基本粒子滤波算法的重要性密度函数，以此完成自适应容积粒子滤波算法设计；利用车载传感器信息，运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。最后搭建Simulink-Carsim联合仿真平台进行了算法的验证，结果表明该算法状态估计精度高于传统无迹粒子滤波(UPF)算法，且算法运算效率高于UPF算法。CN110532590ACN110532590A权利要求书1/4页1.一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，包括下述步骤：步骤1根据待估计状态变量和通过车载传感器获得的信息建立车辆动力学模型，并转换成状态方程和量测方程的形式；步骤2算法初始化：根据球面径向准则确定容积点和对应的权值，从初始状态概率密度分布函数抽取粒子和协方差矩阵；步骤3采用ACKF设计粒子滤波重要性密度采样函数，导入传感器最新观测数据，产生预测粒子集合和对应的方差；步骤4重新产生粒子、计算重要性权值并权值归一化；步骤5根据权值归一化结果，对粒子集合进行重采样；步骤6计算当前时刻粒子滤波的状态估计值和误差协方差矩阵；步骤7判断状态估计是否结束，如果结束则输出估计结果并退出状态估计，否则输出估计结果，并将估计结果和最新观测数据输入到步骤3中，继续进行状态估计。2.根据权利要求书1所述的一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，所述车载传感器包括各车轮轮速传感器、纵向加速度传感器、侧向加速度传感器、侧倾角速度传感器和横摆角速度传感器、方向盘转角传感器。3.根据权利要求书2所述的一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，所述车辆系统模型的状态方程和量测方程形式为：其中，为待估计状态变量，u(t)＝[δ,wfl,wfr,wrl,wrr]′为输入变量，z(t)＝[ax,ay,p,wr]′为观测变量，观测变量和输入变量通过车载传感器采集得到，w(t)、v(t)分别为过程噪声和量测噪声；此外，状态方程f(x(t),u(t))为：量测方程h(x(t),u(t))为：式中，x1＝Vx，x2＝Vy，x3＝wr，x4＝p，2CN110532590A权利要求书2/4页∑Mz＝(Fxrr-Fxrl)dr/2-b(Fyrl+Fyrr)+a(Fxflsinδfl+Fxfrsinδfr+Fyflcosδfl+Fyfrcosδfr)+(Fxfrcosδfr-Fxflcosδfl+Fyflsinδfl-Fyfrsinδfr)df/2∑Fy＝Fxflsinδfl+Fxfrsinδfr+Fyflcosδfl+Fyfrcosδfr+Fyrl+Fyrr∑Fx＝Fxflcosδfl+Fxfrcosδfr-Fyflsinδfl-Fyfrsinδfr+Fxrl+Fxrr式中，m为车辆总质量，ms为车辆簧载质量，Vx为车辆质心纵向速度，Vy为车辆质心侧向速度，wr为质心横摆角速度，e为侧倾臂高度，为质心侧倾角，p为质心侧倾角速度，δ为方向盘转角，∑Fx为车辆轮胎纵向合力，∑Fy为车辆轮胎侧向合力，ax为车辆质心纵向加速度，ay为车辆质心侧向加速度；i＝f、r分别表示前轮和后轮，j＝l、r分别表示左轮和右轮，wij为车轮转速，δij为轮胎侧偏角，Fxij为轮胎纵向力，Fyij为轮胎侧向力，∑Mx为车辆侧倾力矩，∑Mz为车辆横摆力矩，Ixxs为车辆簧载质量绕x轴的转动惯量，Ixzs为车辆簧载质量绕x、z轴的转动惯量积，Izz为车辆横摆转动惯量，g为重力加速度，为车辆侧倾刚度，为车辆侧倾阻尼，a为车辆质心距前轴的距离，b为车辆质心距后轴的距离，df为车辆前轴轮距，dr为车辆后轴轮距。4.根据权利要求书3所述的一种基于自适应容积粒子滤波的车辆状态估计方法，其特征在于，所述步骤2中，算法初始化过程具体包括：输