CN102582626B - 重型半挂车状态估计方法 - Google Patents

Abstract

本发明公开了一种能够估计包括牵引车及半挂车侧倾角、牵引车及半挂车质心侧偏角、牵引车及半挂车横摆角速度等重型半挂车运动重要状态参数，为重型半挂车电控***提供准确的状态参数的***和方法。该状态估计方法的步骤为：由车轮处的轮速传感器测出牵引车及半挂车各车轮轮速；由方向盘处的转角传感器测出方向盘转角；由牵引车及半挂车质心处的纵/侧向加速度传感器测出牵引车及半挂车的纵/侧向加速度；根据车轮轮速和纵向加速度计算车辆纵向车速；基于五自由度重型半挂车动力学模型的UKF状态估计器进行基于模型的时间更新和基于UKF算法的测量更新，得到状态真值；将重型半挂车状态真值输出给重型半挂车状态存储器，为下一时刻的状态估计做准备。

Description

重型半挂车状态估计方法

技术领域

本发明涉及一种汽车状态估计方法，更具体地说，本发明涉及一种应用于重型半挂车辆状态估计方法。

背景技术

随着计算机技术及智能化信息处理技术的发展，越来越多的汽车电子技术应运而生，并不断应用于现代汽车底盘控制***中，对于减少驾驶员操作负担、提高汽车主动安全性能、降低汽车污染物排放等方面，起到了积极的促进作用。特别是对于公路运输的主体重型半挂车，这种作用尤为明显。这些重型半挂车电子控制***的实现，主要是依据重型半挂车的参数以及实际运动状态等信息来决策相应的控制逻辑和算法，于是获取准确的重型半挂车运动状态参数就成为了这些***实现控制目标的关键。

这些状态参数虽然均可用传感器直接测量，但必须依赖价格昂贵的特殊设备或传感器，且需要特定的安装固定方式，并不适于配置在实际产品中。因此，从节约成本和实际应用的角度看，必须在不增加车辆开发成本的前提下，使用汽车常用或者已装备的传感器提供的信息，为重型半挂车电控***提供准确的车辆状态参数。因此，汽车多传感器信息融合技术应运而生。目前，使用在车辆上的传感器信息融合技术可分为两类：

第一类是基于状态观测器技术而发展的汽车状态估计方法；

第二类是基于卡尔曼滤波技术汽车状态参数估计方法。

这其中，第二类方法在国外应用更为广泛，国内也有一定程度的研究。但是，这些研究和应用目前仅限于单车的状态估计，而对于***更为复杂的重型半挂车辆的运动状态，国内外尚无简便易行的估计方法。

发明内容

本发明所要解决的技术问题是，在不增加重型半挂车固有传感器、不提高车辆开发成本的前提下，提供一种能够估计包括牵引车及半挂车侧倾角、牵引车及半挂车质心侧偏角、牵引车及半挂车横摆角速度等重型半挂车运动重要状态参数，为重型半挂车电控***提供准确的状态参数的***和方法。

为解决上述技术问题，本发明使用用于测量车辆转向角的转向角信号的转向角传感器、用于测量各车轮轮速信号的轮速传感器、用于测量牵引车及半挂车纵向加速度的纵向加速度传感器、用于测量牵引车及半挂车侧向加速度的侧向加速度传感器。以上传感器均为汽车底盘电控***常用传感器。所述***包括：用于滤去传感器噪声、剔除传感器信号野点的传感器前置滤波模块；用于车速计算对轮速信号、纵向加速度信号作出响应的车速计算模块；用于估计重型半挂车状态参数真值的基于模型的无轨卡尔曼滤波(UKF)估计器；用于存储车辆状态估计值，并为下一时刻计算提供前一时刻状态值的重型半挂车状态存储器模块。其中，基于模型的UKF估计器包括两个组成部分：用于重型半挂车状态时间更新的重型半挂车动力学模型；用于状态测量更新的UKF算法模块。

本发明所述的方法是采用如下技术方案实现，所述的应用于重型半挂车的状态估计方法包括如下步骤：

1.由车轮处的轮速传感器测出牵引车及半挂车各个车轮轮速；

2.由方向盘处的转角传感器测出方向盘转角；

3.由牵引车及半挂车质心处的纵向加速度传感器测出牵引车及半挂车的纵向加速度；

4.由牵引车及半挂车质心处的侧向加速度传感器测出牵引车及半挂车的侧向加速度；

5.将所有传感器信息输入到传感器前置滤波模块中，对各传感器信息进行低通滤波与野点剔除；

6.根据牵引车及半挂车车轮轮速和牵引车及半挂车车体纵向加速度计算车辆纵向车速；

7.将车速信息、纵向加速度信息、方向盘转角信息传输给基于模型的UKF估计器；

8.车辆状态估计器将接收到的车速信息、纵向加速度信息、方向盘转角信息，以及由重型半挂车状态存储器输出的前一时刻车辆状态，输入给状态估计器内嵌的五自由度重型半挂车动力学模型，计算出重型半挂车当前状态，即进行时间更新；

9.将由动力学模型计算得到的状态参数传给状态估计器中的UKF算法模块，根据与传感器测量的侧向加速度值比较，对动力学模型计算得到的车辆状态值进行修正，得到重型半挂车状态真值，即进行测量更新。

10.将基于模型的UKF估计器得到的重型半挂车状态值输出给重型半挂车状态存储器，为下一时刻的状态估计作准备。

其中，以上技术方案中所述的基于模型的UKF状态估计器中重型半挂车动力学模型的时间更新过程包括如下步骤：

1.将由传感器前置滤波模块去噪与剔除野点后得到的传感器信息，如纵向加速度信息、方向盘转角信息、侧向加速度信息，和由车速计算模块计算得到的车速信息，传输给重型半挂车动力学模型的运动学解算模块；

2.运动学解算模块根据输入的传感器信息和计算得到的车速信息计算轮胎侧偏角，并将其传输给轮胎力查询模块；

3.同时，将车辆纵向加速度、侧向加速度信息传输给垂向力计算模块，计算重型半挂车各轮的垂直载荷变化情况，得到垂直载荷的实时值，并将其传输给轮胎力查询模块；

4.轮胎力查询模块根据当前的轮胎侧偏角，以及垂直载荷计算模块得到的各车轮实时载荷信息，查询预先标定的轮胎侧向力表，得到各车轮处受到的轮胎侧向力，并传输给车体动力学模块；

5.车体动力学模块根据当前车辆的受力情况，即由轮胎力查询模块得到的轮胎侧向力当前值，和由状态存储器输出的前一时刻的车辆运动状态，解算车辆动力学微分方程，得到车辆当前的运动状态(牵引车及半挂车侧倾角、牵引车及半挂车质心侧偏角、牵引车及半挂车横摆角速度等)。

附图说明

下面结合附图对本发明作进一步的说明：

图1是本发明所述的应用于重型半挂车状态估计方法中所涉及的***结构流程图；

图2是本发明所述的应用于重型半挂车状态估计方法中所涉及的重型半挂车模型结构图；

图3是本发明所述的应用于重型半挂车状态估计方法中所涉及的重型半挂车模型中的轮胎力查询模块3内预先保存的轮胎侧向力(F_y)随垂直载荷(F_z)和轮胎侧偏角(α)变化的关系曲线示意图；

图4是本发明所述的应用于重型半挂车状态估计方法中所涉及的重型半挂车模型横摆平面图；

图5是本发明所述的应用于重型半挂车状态估计方法中所涉及的重型半挂车模型侧倾平面图(以牵引车为例)。

具体实施方式

下面结合附图对本发明作详细的描述：

本发明涉及的是重型半挂车的状态估计方法。由于重型半挂车***本身更为复杂，半挂车与牵引车之间耦合运动强烈，因此掌握其状态信息的对于日益增多的汽车底盘电控***来说更为重要。本发明仅使用汽车底盘电控***常用传感器设备，对重型半挂车的轮速信息，纵向加速度信息、侧向加速度信息和方向盘转角信息进行测量，将由轮速信息和纵向加速度信息得到的车速估算值，以及其他传感器信息传递给基于模型的UKF状态估计器，进行状态参数的时间更新和状态更新，得到状态参数的估计值。

参阅图1，图1是表示本发明所述的重型半挂车状态估计方法的***结构流程图。该***包括以下几个组成部分：传感器前置滤波模块1，车速计算模块2，基于模型的UKF状态估计器3，以及重型半挂车状态存储器6。其中，基于UKF的状态估计器3包括两个组成部分，即重型半挂车动力学模型模块4和UKF算法模块5。

该***工作时，首先将轮速传感器测量的各车轮轮速信号、纵向加速度传感器测量的牵引车及半挂车纵向加速度信号、方向盘转角传感器测量的方向盘转角信号、以及侧向加速度传感器测量的侧向加速度信号，传输给传感器前置滤波模块1。该滤波模块内置低通滤波器，能够去除传感器信号中的高频噪声和野点，以保证输入给其他各计算模块的信息准确性。由于低通滤波器技术为本领域内技术人员所公知，所以这里不再进一步详细描述。在其他一些技术文件中，该模块还包含有移除惯性传感器中偏置的作用，常用方法有递推最小二乘法(RLS)等；由于本发明中所设计的基于模型的UKF状态估计器3具有滤去测量噪声和***噪声的作用，所以本发明重点传感器前置滤波模块1仅包含有去除高频噪声和野点作用的滤波器，移除测量噪声和***噪声的工作由基于UKF的状态估计器来完成。

由传感器前置滤波模块1输出的传感器信号输出给其他各模块：车轮轮速信号和纵向加速度信号传输给车速计算模块2；方向盘转角信号传输给基于模型的UKF状态估计器3中的重型半挂车动力学模型模块4；侧向加速度信号传输给基于模型的UKF状态估计器3中的UKF算法模块5。车速计算模块2根据输入的车轮轮速信号和纵向加速度信号，计算出牵引车和半挂车的当前车速，并将车速信息传递给重型半挂车动力学模型模块4。本发明中车速计算模块所使用的车速计算方法为常用的轮速估计与纵向加速度修正方法。该方法通过对轮速权重系数和加速度权重系数的调整，综合计算车速。该方法的计算公式为：

$v_k=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{k}_i{\mathrm{\ω}}_i{r}_w+k_a{a}_x{T}_s+v_{k-1}}{k_a+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{k}_i}---\left(1\right)$

其中，v_k表示估计出的车速；k表示轮速权重系数；ω表示车轮轮速；r_w表示车轮滚动半径；n表示重型半挂车所包含的车轮个数；k_a表示加速度权重系数；a_x表示牵引车或半挂车的纵向加速度；T_s表示采样时间；v_k-1表示前一时刻估计出的车速。

基于模型的UKF状态估计器3根据输入的车轮轮速信号、纵向加速度信号、计算出的当前车速和重型半挂车状态存储器6输出的前一时刻牵引车及半挂车状态量，使用重型半挂车动力学模型模块4进行状态参数的时间更新，并将由时间更新得到的状态变量值传给UKF算法模块5，UKF算法模块5通过最优估计算法，结合输入的侧向加速度信号，对状态参数进行测量更新，得到状态变量的真值。基于模型的UKF状态估计器3输出状态变量真值给重型半挂车状态存储器6，为下一时刻状态参数的估算作准备。

在无轨卡尔曼滤波器中所使用的方程式如下：

$\left\{\begin{array}{c}{x}_{k+1}=f(x_k,v_k,u_k)\\ y_k=h(x_k,n_k,u_k)\end{array}\right.---\left(2\right)$

${\hat{x}}_0=E\left[x_0\right]---\left(3\right)$

$P_0=E\left[(x_0-{\hat{x}}_0){(x_0-{\hat{x}}_0)}^T\right]---\left(4\right)$

${\hat{x}}_0^{\mathrm{\α}}=E\left[x^{\mathrm{\α}}\right]={\left[\begin{array}{ccc}{\hat{x}}_0^{\mathrm{\α}}& 0& 0\end{array}\right]}^T---\left(5\right)$

$P_0^{\mathrm{\α}}=E\left[(x_0^{\mathrm{\α}}-{\hat{x}}_0^{\mathrm{\α}}){(x_0^{\mathrm{\α}}-{\hat{x}}_0^{\mathrm{\α}})}^T\right]=\left[\begin{array}{ccc}{P}_0& 0& 0\\ 0& Q& 0\\ 0& 0& R\end{array}\right]---\left(6\right)$

$x_{k-1}^{\mathrm{\α}}=\left[\begin{array}{cc}{\hat{x}}_{k-1}^{\mathrm{\α}}& {\hat{x}}_{k-1}^{\mathrm{\α}}\end{array}\±\sqrt{(L_{\mathrm{\α}}+\mathrm{\λ})P_{k-1}^{\mathrm{\α}}}\right]---\left(7\right)$

${\mathrm{\χ}}_i^x\left(k\right|k-1)=f({\mathrm{\χ}}_i^x(k-1),{\mathrm{\χ}}_i^v(k-1),u(k-1))---\left(8\right)$

$\hat{x}\left(k\right|k-1)=\underset{i=0}{\overset{2n^{\mathrm{\α}}}{\mathrm{\Σ}}}{W}_i^{\left(m\right)}{\mathrm{\χ}}_i^x\left(k\right|k-1)---\left(9\right)$

$P\left(k\right|k-1)=\underset{i=0}{\overset{{2n}^{\mathrm{\α}}}{\mathrm{\Σ}}}{W}_i^{\left(c\right)}{({\mathrm{\χ}}_i^x\left(k\right|k-1)-\hat{x}\left(k\right|k-1))({\mathrm{\χ}}_i^x\left(k\right|k-1)-\hat{x}\left(k\right|k-1))}^T---\left(10\right)$

$y_i\left(k\right|k-1)=h({\mathrm{\χ}}_i^x(k-1),{\mathrm{\χ}}_i^n(k-1),u(k-1))---\left(11\right)$

$\hat{y}\left(k\right|k-1)=\underset{i=0}{\overset{2n^{\mathrm{\α}}}{\mathrm{\Σ}}}{W}_i^{\left(m\right)}{y}_i\left(k\right|k-1)---\left(12\right)$

$P_{y_k{y}_k}=\underset{i=0}{\overset{2n^{\mathrm{\α}}}{\mathrm{\Σ}}}{W}_i^{\left(c\right)}({\mathrm{\χ}}_i^x\left(k\right|k-1)-\hat{x}\left(k\right|k-1)){(y_i\left(k\right|k-1)-\hat{y}\left(k\right|k-1))}^T---\left(13\right)$

$K\left(k\right)=P_{x_k{y}_k}{P}_{y_k{y}_k}^{-1}---\left(14\right)$

$\hat{x}\left(k\right|k)=\hat{x}\left(k\right|k-1)+K\left(k\right)(y\left(k\right)-\hat{y}\left(k\right|k-1))---\left(15\right)$

$P\left(k\right|k)=P\left(k\right|k-1)-K\left(k\right)P_{y_k{y}_k}K{\left(k\right)}^T---\left(16\right)$

参阅图2，图2是表示本发明所述的重型半挂车状态估计方法的基于模型的UKF状态估计器3中，重型半挂车动力学模型模块4结构图。该动力学模型作为图1中基于模型的UKF状态估计器的组成模块，包括以下几个组成部分：运动学解算模块1、垂向力计算模块2、轮胎力查询模块3和车体动力学模块4。

运动学解算模块1使用图1中的车速计算模块计算得到的当前车速，和由重型半挂车状态存储器输出的前一时刻牵引车及半挂车质心侧偏角，计算得到各车轮的轮胎侧偏角，其计算公式为：

$\mathrm{\α}={\mathrm{\δ}}_w-\arctan \left(\frac{v_{\mathrm{yi}}+{\mathrm{lr}}_i}{v_{\mathrm{xi}}+{\mathrm{tr}}_i}\right)---\left(14\right)$

其中：α表示车轮的轮胎侧偏角；δ_w表示轮胎的转向角，对于非转向轴，该值为0；v_xi表示车轮的纵向车速；v_yi表示车轮的侧向车速；r_i表示牵引车或半挂车的横摆角速度；l表示车轮距离相应质心的距离，例如转向轴车轮距离牵引车质心的距离；t表示车轮所在轴的半轮距。

垂向力计算模块2使用经图1中传感器前置滤波模块滤波后得到的侧向加速度信号，计算各车轮的垂直载荷，即各车轮所受到的垂向力。这里忽略悬架和纵向俯仰运动对于垂直载荷的影响，得到垂向力变化量的计算公式为：

$\mathrm{\Δ}{F}_z={\mathrm{ma}}_y\frac{h}{2t}---\left(15\right)$

其中：ΔF_z表示垂向力变化量；m表示整车质量；a_y表示侧向加速度；h表示牵引车或半挂车质心高度；t表示车轴的半轮距。

参阅图3，该图表示了在不同垂直载荷条件下，轮胎侧向力随轮胎侧偏角变化的关系曲线。图2中的轮胎力查询模块3内预先保存了如图3所示的标定准确的轮胎侧向力随垂直载荷和轮胎侧偏角变化的关系曲线。在使用图2中重型半挂车动力学模型模块4进行状态参数计算时，轮胎力查询模块3根据输入的运动学解算模块1计算得到的轮胎侧偏角信息，和垂向力计算模块2计算得到的垂直载荷信息，从预先保存的关系曲线中查找相应的轮胎侧向力。使用查表表示的方法，一方面省去了使用轮胎模型计算侧向力所消耗的机器计算时间；另一方面，非线性的轮胎侧向力与侧偏角关系可以保证本发明所使用的状态估计方法，能够适应轮胎非线性的工况。

参阅图4、图5，图4是用于表示用于状态估计的五自由度重型半挂车动力学模型中所使用的变量的车辆的横摆平面图，图5是该重型半挂车/牵引车的侧倾平面图。这些图表示出了该重型半挂车动力学模型所包括的五个自由度，分别为：牵引车侧向自由度、牵引车横摆自由度、牵引车侧倾自由度，半挂车侧向自由度，以及牵引车与半挂车之间的铰接角自由度。并且，为简化模型的复杂程度、限定模型的工作范围，本发明对该动力学模型作出如下假设：

1.假设车辆在水平良好路面上行驶，忽略重型半挂车的俯仰运动和垂向运动。空气动力学输入(风扰)也不予考虑。忽略轮胎的回正力矩、外倾推力、侧倾转向以及滚动阻力的影响；

2.忽略驱动力对于侧向动力学的影响；

3.牵引车的转向轴和驱动轴均采用非独立悬架模型；

4.半挂车的集中质量车轴采用独立悬架模型；

5.悬架的弹簧和阻尼均为线性，且二者平行；

6.第五轮的侧倾挠性用线性的扭转弹簧来模拟，不传递横摆力矩；

7.忽略非簧载质量的转动惯量和侧倾运动。

基于该模型所描述的重型半挂车动力学关系的微分方程组，由下面的七个微分方程表示，这些微分方程分别描述：牵引车侧向运动、牵引车侧倾运动、牵引车横摆运动，半挂车侧向运动、半挂车侧倾运动、半挂车横摆运动。由于牵引车与半挂车的横摆运动之间，存在相互耦合的关系，需要对这种耦合关系进行约束，因此，最后一个微分方程描述牵引车与半挂车铰接点(第五轮)处的运动学约束。

$m({\stackrel{\·}{v}}_{y1}+v_{x1}{r}_1)-m_{s1}{h}_1{\stackrel{\·\·}{\mathrm{\φ}}}_1=(F_{y1}+F_{y2})\cos \mathrm{\δ}+F_{y3}+F_{\mathrm{ya}}---\left(16\right)$

$(I_{x1}+m_{s1}{h}_1^2){\stackrel{\·\·}{\mathrm{\φ}}}_1=(F_{z1}-F_{z2})\frac{T_f}{2}+(F_{z3}-F_{z4})\frac{T_r}{2}+m_{s1}{\mathrm{gh}}_1{\mathrm{\φ}}_1+m_{s1}({\stackrel{\·}{v}}_{y1}+v_{x1}{r}_1)h_1$

$-K_1{\mathrm{\φ}}_1-c_1{\stackrel{\·}{\mathrm{\φ}}}_1+K_{\mathrm{\φ}}({\mathrm{\φ}}_1-{\mathrm{\φ}}_2)+F_{\mathrm{ya}}(h_{r1}-h_a)---\left(17\right)$

$I_{z1}{\stackrel{\·}{r}}_1=(F_{y1}+F_{y2})\·\cos \mathrm{\δ}\·X_{11}-(F_{y3}+F_{y4})X_{12}$

$-(F_{y2}-F_{y1})\sin \mathrm{\δ}\frac{T_f}{2}-F_{\mathrm{ya}}{X}_{1a}---\left(18\right)$

$m({\stackrel{\·}{v}}_{y2}+v_{x2}{r}_2)-m_{s2}{h}_2{\stackrel{\·\·}{\mathrm{\φ}}}_2=F_{y5}+F_{y6}+F_{\mathrm{ya}}\cos \mathrm{\ψ}---\left(19\right)$

$(I_{x2}+m_{s2}{h}_2^2){\stackrel{\·\·}{\mathrm{\φ}}}_2=(F_{z5}-F_{z6})\frac{T_t}{2}+m_{s2}{\mathrm{gh}}_2{\mathrm{\φ}}_2+m_{s2}({\stackrel{\·}{v}}_{y2}+v_{x2}{r}_2)h_2$

$-K_2{\mathrm{\φ}}_2-c_2{\stackrel{\·}{\mathrm{\φ}}}_2+K_{\mathrm{\φ}}({\mathrm{\φ}}_2-{\mathrm{\φ}}_1)\cos \mathrm{\ψ}+F_{\mathrm{ya}}(h_{r2}-h_a)\cos \mathrm{\ψ}---\left(20\right)$

$I_{z2}{\stackrel{\·}{r}}_2=-(F_{y5}+F_{y6})X_{21}-F_{\mathrm{ya}}\·\cos \mathrm{\ψ}\·X_{2a}---\left(21\right)$

${\stackrel{\·}{\mathrm{\β}}}_1-{\stackrel{\·}{\mathrm{\β}}}_2+\frac{{\stackrel{\·}{v}}_x}{v_x}({\mathrm{\β}}_1-{\mathrm{\β}}_2)-\frac{(h_{r1}-h_a)}{v_x}{\stackrel{\·\·}{\mathrm{\φ}}}_1+\frac{(h_{r2}-h_a)}{v_x}{\stackrel{\·\·}{\mathrm{\φ}}}_2-\frac{X_{2a}}{v_x}{\stackrel{\·}{r}}_1-\frac{X_{1a}}{v_x}{\stackrel{\·}{r}}_2$

$+(r_1-r_2)+\frac{\stackrel{\·}{V}}{V}\mathrm{\ψ}=0---\left(22\right)$

其中，上述微分方程中的符号定义为：

c_i侧倾角阻尼(i＝1表示牵引车，i＝2表示半挂车)

h_i簧载质量质心距离侧倾轴线的高度(i＝1表示牵引车，i＝2表示半挂车)

h_a第五轮距离地面的高度

h_ri侧倾轴线距离地面的高度(i＝1表示牵引车，i＝2表示半挂车)

m整车质量

m_s簧载质量(i＝1表示牵引车，i＝2表示半挂车)

r_i横摆角速度(i＝1表示牵引车，i＝2表示半挂车)

v_xi纵向车速(i＝1表示牵引车，i＝2表示半挂车)

v_yi侧向车速(i＝1表示牵引车，i＝2表示半挂车)

F_ya第五轮处侧向力

F_yi轮胎侧向力(i＝1，2，…，6分别表示牵引车左前轮，牵引车右前轮，牵引车左后轮，牵引车右后轮，半挂车左轮，半挂车右轮)

F_zi轮胎垂向力(i＝1，2，…，6分别表示牵引车左前轮，牵引车右前轮，牵引车左后轮，牵引车右后轮，半挂车左轮，半挂车右轮)

I_xi簧载质量绕质心处x轴转动惯量(i＝1表示牵引车，i＝2表示半挂车)

I_zi簧载质量绕质心处z轴转动惯量(i＝1表示牵引车，i＝2表示半挂车)

K_i侧倾角刚度(i＝1表示牵引车，i＝2表示半挂车)

K_φ第五轮处侧倾角刚度

X₁₁牵引车转向轴距离牵引车簧载质量质心的距离

X₁₂牵引车驱动轴距离牵引车簧载质量质心的距离

X_1a牵引车第五轮距离牵引车簧载质量质心的距离

X₂₁半挂车车轴距离半挂车簧载质量质心的距离

X_2a半挂车第五轮距离半挂车簧载质量质心的距离

T_i轮距(i＝f，r，t分别代表牵引车转向轴，牵引车驱动轴，半挂车车轴)

δ前轮转向角

φ_i侧倾角(i＝1表示牵引车，i＝2表示半挂车)

ψ牵引车与半挂车铰接角

以上论述仅是本发明的优选实施例，是为了解释和说明，并非对本发明本身的限制。本发明并不局限于这里公开的特定实施例。另外，在前面的描述中的与特定的实施例有关的记载并不能解释为对本发明的范围或者权利要求中使用的术语的定义的限制。所公开实施例的各种其它不同的实施例和各种不同的变形对于本领域技术人员来说是显而易见的。但所有不背离本发明基本构思的这些实施例、改变和变形均在所附权利要求的范围中。

Claims (1)

1.一种应用于重型半挂车状态估计方法，所述的重型半挂车状态估计方法步骤为：

1)由车轮处的轮速传感器测出牵引车及半挂车各车轮轮速；

2)由方向盘处的转角传感器测出方向盘转角；

3)由牵引车及半挂车质心处的纵向加速度传感器测出牵引车及半挂车的纵向加速度；

4)由牵引车及半挂车质心处的侧向加速度传感器测出牵引车及半挂车的侧向加速度；

5)将所有传感器信息输入到传感器前置滤波模块中，对各传感器信息进行低通滤波与野点剔除；

6)根据牵引车及半挂车车轮轮速和牵引车及半挂车车体纵向加速度计算车辆纵向车速；

7)将车速信息、侧向加速度信息、方向盘转角信息传给基于模型的无轨卡尔曼滤波(UKF)状态估计器；

8)基于模型的无轨卡尔曼滤波(UKF)状态估计器将接收到的车速信息、方向盘转角信息，以及由重型半挂车状态存储器输出的前一时刻车辆状态，输入给基于模型的无轨卡尔曼滤波(UKF)状态估计器内嵌的五自由度重型半挂车动力学模型，计算出重型半挂车当前状态，即进行时间更新；

9)将由动力学模型计算得到的状态参数传给基于模型的无轨卡尔曼滤波(UKF)状态估计器中的无轨卡尔曼滤波(UKF)算法模块，与侧向加速度值比较，对动力学模型计算得到的车辆状态值进行修正，得到重型半挂车状态真值，即进行测量更新；

10)将基于模型的无轨卡尔曼滤波(UKF)状态估计器得到的重型半挂车状态值输出给重型半挂车状态存储器，为下一时刻的状态估计做准备；

其中，重型半挂车动力学模型包括运动学解算模块、垂向力计算模块、轮胎力查询模块和车体动力学模块；在进行时间更新的过程中，运动学解算模块计算出轮胎侧偏角并将其传送给轮胎力查询模块；垂向力计算模块计算重型半挂车各轮的垂直载荷变化情况，得到垂直载荷的实时值，并将其传给轮胎力查询模块；轮胎力查询模块根据当前的轮胎侧偏角，以及垂直载荷计算模块得到的各车轮实时载荷信息，查询预先标定的轮胎侧向力表，得到各车轮处受到的轮胎侧向力，并传给车体动力学模块；车体动力学模块根据当前车辆的受力情况，即由轮胎力查询模块得到的轮胎侧向力当前值，和由状态存储器输出的前一时刻的车辆状态，解算车辆动力学微分方程，得到车辆的当前状态；所述车辆的当前状态为牵引车及半挂车侧倾角、牵引车及半挂车质心侧偏角和牵引车及半挂车横摆角速度。