面向非高斯噪声环境的车辆行驶状态估计方法.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CN109606378A(43)申请公布日2019.04.12(21)申请号201811377505.4(22)申请日2018.11.19(71)申请人江苏大学地址212013江苏省镇江市京口区学府路301号(72)发明人陈建锋郭聪聪汤传业黄浩乾孙坚添曹杰孙晓东陈龙(51)Int.Cl.B60W40/10(2012.01)B60W40/105(2012.01)权利要求书2页说明书9页附图7页(54)发明名称面向非高斯噪声环境的车辆行驶状态估计方法(57)摘要本发明公开了面向非高斯噪声环境的车辆行驶状态估计方法，包括：设计轮胎力估计器，结合车辆动力学模型及普通车载传感器信号，基于卡尔曼滤波理论估计车辆四轮的纵向力和侧向力；设计非线性车辆状态估计器，结合七自由度车辆动力学模型，利用轮胎力估计器获取的信息及普通车载传感器信号，基于集员卡尔曼滤波理论在非高斯噪声环境下估计四轮驱动车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。该方法能够实时监测轮胎力状况和车辆状态信息，很好的解决了车辆状态估计过程中轮胎模型和噪声模型的误差问题，为汽车的主动安全控制提供基础。CN109606378ACN109606378A权利要求书1/2页1.面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，设计轮胎力估计器，通过结合车辆动力学模型及普通车载传感器采集的信号，基于卡尔曼滤波理论估计车辆四个车轮的纵向力和侧向力；设计非线性车辆状态估计器，通过结合七自由度车辆动力学模型，并利用轮胎力估计器获取的信息及普通车载传感器采集的信号，基于集员卡尔曼滤波理论估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。2.根据权利要求1所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，基于卡尔曼滤波理论的轮胎力估计器的设计过程为：结合七自由度车辆动力学模型，以四个车轮的纵向力、侧向力、转动角速度和车辆横摆T角速度为状态量，即x1＝[Fx1,Fx2,Fx3,Fx4,Fy1,Fy2,Fy3,Fy4,ω1,ω2,ω3,ω4,r]，状态方程式中A为状态转移矩阵，B为输入转移矩阵，w1为随机过程噪声；以车辆质心处纵向加速度、侧向加速度、横摆角速度和四个车轮的转速为观测量，即z1T＝[ax,ay,ω1,ω2,ω3,ω4,r]，量测方程z1k＝Hx1k+v1k，式中H为观测矩阵，v1为随机量测噪声；将状态方程和量测方程结合卡尔曼滤波理论，估计出四个车轮的纵向力和侧向力。3.根据权利要求2所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，所述卡尔曼滤波算法步骤如下：预测更新：1)状态预测：2)误差协方差预测：量测更新：1)计算卡尔曼增益：2)状态更新：3)误差协方差更新：其中Q1为随机过程噪声w1的协方差矩阵，R1为随机量测噪声v1的协方差矩阵，K为卡尔曼增益，P为误差协方差，I表示单位矩阵。4.根据权利要求1或2所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，基于集员卡尔曼滤波理论的车辆非线性状态估计器的设计过程为：结合七自由度车辆动力学模型，并利用轮胎力估计器获得的信息，以车辆纵向速度、侧向速度、横摆角速度、四轮转速、车辆质心处纵向加速度及侧向加速度为状态量，即x2＝[vx,Tvy,r,ω1,ω2,ω3,ω4,ax,ay]，状态方程式中u2为输入量，w2为随机过程噪声，a为未知分布但有界的噪声；以车辆质心处纵向加速度、侧向加速度、横摆角速度及四轮转速为观测量，即z2＝[ax,Tay,r,ω1,ω2,ω3,ω4]，量测方程z2k＝h(x2k,v2k,bk)，式中v2为随机量测噪声，b为未知分布但有界的噪声；将状态方程和量测方程结合集员卡尔曼滤波理论，估计出车辆的纵向速度及侧向速度，并由纵向速度和侧向速度得到质心侧偏角。2CN109606378A权利要求书2/2页5.根据权利要求4所述的面向非高斯噪声环境的车辆行驶状态估计方法，其特征在于，所述集员卡尔曼滤波算法步骤如下：预测更新：1)误差协方差矩阵计算：2)一步预测的状态椭球中心计算：3)一步预测的状态椭球形状矩阵计算：量测更新：1)给定一个权重因子η，计算最优卡尔曼增益Kk+1：2)更新状态估计值椭球集合的中心：3)更新误差协方差矩阵：4)更新状态估计值椭球集合的形状矩阵：5)更新最优参数：其中：Q2是随机过程噪声w2的协方差矩阵，R2是随机量测噪声v2的协方差矩阵，Fx和Hx分别为非线性状态方程f(·)和量测方程h(·)的雅克比矩阵，Fw表示随机过程噪声的噪声驱动矩阵，Fa,表示未知分布但有界噪声的噪声驱动矩阵，Hv表示随机量测噪声的噪声驱动矩阵，Hb表示未知分布但有界噪声的噪声驱动矩阵，P表示状态的误差协方差矩阵，S表示状态的