CN105151047A - 一种汽车质心侧偏角测量方法 - Google Patents

Abstract

本发明公开了一种汽车质心侧偏角测量方法，包括如下步骤：步骤一、使用传感器测量汽车行驶过程中的侧向加速度a_y、横摆角速度ω_r、纵向速度V_x、γ、以及δ；步骤二、采用线性二自由度模型进行动力学参数估计，得到汽车第一质心侧偏角β_L；步骤三、采用非线性三自由度车辆模型的滤波算法相融合估计汽车的第二质心侧偏角β_N；步骤四、采用如下公式计算汽车的质心侧偏角β：β＝(1-ζ)β_L+ζβ_N。本发明所提供的汽车质心侧偏角测量方法，仅需使用传感器测量汽车行驶过程中的侧向加速度、横摆角速度和纵向速度这三个参数，在较小的计算量的同时保证了计算的准确性。

Description

一种汽车质心侧偏角测量方法

技术领域

本发明属于汽车行驶参数测试技术领域，特别涉及一种汽车稳定性控制***中对车辆质心侧偏角的测量方法。

背景技术

汽车数量逐年增加，车辆行驶的安全问题引起了广泛的关注。相关研究表明，车辆在高速行驶过程中发生的交通事故，大约45％的车辆事故是车辆失去操纵稳定性造成的。因此汽车稳定控制***的装车率逐年增加，欧美国家甚至立法强制车辆安装电子稳定***。

车辆电子稳定***的主要功能包括车辆横摆控制、转弯制动控制等。要确定汽车稳定性控制***的控制目标，必须准确的获得当前汽车的运行状态，机汽车行驶过程中车辆的状态参数。该***的主要的控制变量为质心侧偏角。

目前市场上销售的大多数电子稳定***产品也将车辆质心侧偏角大小作为车辆是否稳定的判断依据，但质心侧偏角无法直接测量，现有的质心侧偏角观测方法主要有根据车辆轮距、轴距、车轮半径等固定参数以及各轮轮速信号进行观测的方法，以及利用非接触光学传感器间接获得数据的方法，由于此类光学传感器价格昂贵，且容易在复杂恶劣的工况受到干扰，影响正常使用，从成本角度考虑也不适合大范围推广应用。因此国外公司的电子稳定***产品采用软测量的方法，利用其它传感器的数据信息对质心侧偏角进行估计。在车辆电子稳定***销售市场里国外的产品处于垄断地位，国内暂无成熟的车辆电子稳定***产品，其中国内科研机构对于质心侧偏角测量的研究尚未有成熟测量算法应用于电子稳定***产品中。

发明内容

本发明所解决的技术问题是提供一种汽车质心侧偏角测量方法，能够在相对较小的计算量和较低的成本下，准确的得到质心偏侧角的测量结果。

本发明提供的技术方案为：

一种汽车质心侧偏角测量方法，包括以下步骤：

步骤一、使用传感器测量汽车行驶过程中的纵向加速度a_x、侧向加速度a_y、横摆角速度ω_r、纵向速度V_x、以及方向盘转角δ；

步骤二、采用线性二自由度模型进行动力学参数估计，得到汽车第一质心侧偏角β_L；

步骤三、采用非线性三自由度车辆模型的滤波算法相融合估计汽车的第二质心侧偏角β_N；

步骤四、采用如下公式计算汽车的质心侧偏角β：

其中，

为参数，a₁和a₂为侧向加速度a_y的第一取值点和第二取值点。

优选的是，步骤二中，包括以下步骤：

第一质心侧偏角微分值与侧向加速度a_y、横摆角速度ω_r和纵向速度V_x三者之间的关系满足如下公式：

${\stackrel{\·}{\mathrm{\β}}}_L=\frac{a_y}{V_x}-{\mathrm{\ω}}_r$

对第一质心侧偏角微分值进行积分，从而得到第一质心侧偏角的值β_L。

优选的是，采用带遗忘因子的最小二乘法进行参数估计，得到第一质心侧偏角微分值的值后进行积分得到第一质心侧偏角的值β_L。

优选的是，并采用带遗忘因子的最小二乘法进行估计后得到第一质心侧偏角的微分值使用如下公式得到车辆实时的第一质心侧偏角

${\mathrm{\β}}_L=\mathrm{\Σ}(\frac{a_y}{V_x}-{\mathrm{\ω}}_r)*\mathrm{\Δ}t,$

其中，Δt是积分采样周期。

优选的是，步骤三中，三自由度车辆的运动方程为：

$\left\{\begin{array}{c}{\stackrel{\·}{\mathrm{\ω}}}_r=\frac{a^2{K}_f+b^2{K}_r}{I_z{V}_x}{\mathrm{\ω}}_r+\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{I_z}{\mathrm{\β}}_N-\frac{{\mathrm{aK}}_r}{I_z}\mathrm{\δ}\\ {\stackrel{\·}{\mathrm{\β}}}_N=(a\frac{{\mathrm{\αK}}_f-{\mathrm{bK}}_r}{{{\mathrm{mV}}_x}^2}-1){\mathrm{\ω}}_r+\frac{K_f+K_r}{{\mathrm{mV}}_x}{\mathrm{\β}}_N-\frac{K_f}{{\mathrm{mV}}_x}\mathrm{\δ}\\ {\stackrel{\·}{V}}_x={\mathrm{\ω}}_r{\mathrm{\β}}_N{V}_x+a_x\end{array}\right.$

$a_y=\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{{\mathrm{mV}}_x}{\mathrm{\ω}}_r+\frac{K_f+K_r}{m}{\mathrm{\β}}_N-\frac{K_f}{m}\mathrm{\δ}$

式中，K_r和K_f分别为车辆的后轮侧偏刚度和前轮侧偏刚度；a和b则分别是前轴和后轴到质心的距离；m为车辆质量；I_z为绕z轴的转动惯量、V_x车辆纵向车速；

并使用容积卡尔曼滤波算法，经初始化、预报步和滤波步迭代计算出第二质心侧偏角的估计值β_N。

优选的是，步骤一中，通过加速度传感器测量所述侧向加速度a_y，通过横摆角速度传感器测量所述横摆角速度ω_r，所述加速度传感器和横摆角速度传感器设置于同一电路板上。

优选的是，步骤一中，所述纵向速度V_x通过GPS模块测量得到。

优选的是，步骤一中，通过使用安装在汽车上的加速度传感器测量得到汽车的纵向加速度，再经过积分后得到所述纵向速度V_x。

优选的是，步骤一中，通过轮速传感器测量得到轮速信号，再采用卡尔曼滤波方式估算出汽车的纵向速度V_x。

本发明的有益效果是：

本发明所提供的汽车质心侧偏角测量方法，仅需使用传感器测量汽车行驶过程中的侧向加速度、横摆角速度和纵向速度等参数，测量成本较低。本发明构建的质心侧偏角计算模型经过简化，在较小的计算量的同时保证了计算的准确性。

附图说明

图1为本发明所述的质心侧偏角测量方法流程图。

图2为本发明所述的汽车二自由度线性模型的动力学模型示意图。

图3为本发明所述的三自由度车辆模型示意图。

图4为本发明所述的测量装置连接结构图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种汽车质心侧偏角测量技术，是将基于二自由度线性模型的动力学参数估计和非线性三自由度车辆模型的滤波算法相融合估计车辆质心侧偏角的方法。

本发明的质心侧偏角估计方法是基于ESC***所用的常规传感器如车辆的测速模块、加速度传感器(该传感器可以测量车辆的侧向加速度和纵向加速度)、横摆角速度传感器、方向盘转角传感器等设计的。

本发明的质心侧偏角估计方法如图1所示：

步骤一S110：首先，测量汽车实施过程中的侧向加速度a_y、横摆角速度ω_r、纵向速度V_x、以及方向盘转角δ。

步骤二S120根据汽车侧向加速度传感器的测量值，在侧向加速度小于第一加速度a₁时，采用线性二自由度模型进行动力学参数估计方法，第一加速度的值可能因不同的车型而变化。作为一种优选的，a₁＝0.4g，g为重力加速度，值为9.8m/s²，此时汽车第一质心侧偏角β_L的定义公式：

${\mathrm{\β}}_L={\tan }^{-1}\frac{V_y}{V_x},$

其中，V_y为车辆横向速度，V_x为车辆纵向速度。由于β_L很小，根据三角函数关系可将第一汽车质心侧偏角β_L简化为

${\mathrm{\β}}_L={\tan }^{-1}\frac{V_y}{V_x}\≈\frac{V_y}{V_x},$

车辆在行驶的过程中，车辆纵向速度V_x在短时间内，例如在100毫秒之内，可以将V_x看成是常数，因此对上式中的质心侧偏角进行微分可得到

${\stackrel{\·}{\mathrm{\β}}}_L=\frac{d}{dt}\left(\frac{V_y}{V_x}\right)\≈\frac{{\stackrel{\·}{V}}_y}{V_x}$

如图2所示，将车辆行驶的模型简化为一个质点在坐标系下的运动，X轴和Y轴为车辆坐标系的横轴和纵轴。车辆速度在t时刻在横轴X下的分量为V_x，在纵轴Y下的分量为V_y。车辆在转向行驶时伴有平移和转动，在经过Δt时刻后，车辆的速度大小和方向均发生了变化，且车辆坐标系下的X轴和Y轴方向也发生了变化，且车辆坐标系下的X轴和Y轴方向也发生了变化，其中，速度沿Y轴的变化V_d为：

V_d＝(V_x+ΔV_x)·sinΔθ+(V_y+ΔV_y)·cosΔθ-V_y

＝V_xsinΔθ+ΔV_xsinΔθ+V_ycosΔθ+ΔV_ycosΔθ-V_y

其中，ΔV_x为汽车纵向速度增量，ΔV_y为汽车横向速度增量，Δθ为汽车转过角度。

由于Δθ在短时间内很小并且可以忽略其二阶微量，因此有以下简化：

sinΔθ＝Δθ

ΔV_x＝0

cosΔθ＝1

所以，可将V_d简化为

V_d＝V_xΔθ+ΔV_y

将上式除以Δt，应取当Δt趋于0时的极限，便得到了车辆质心加速度在Y轴上的分量，即为车辆行驶过程中的侧向加速度

$a_y=\underset{t\→0}{\lim }\frac{V_x\mathrm{\Δ}\mathrm{\θ}+{\mathrm{\ΔV}}_y}{\mathrm{\Δ}t}=V_x\·{\mathrm{\ω}}_r+{\stackrel{\·}{V}}_y$

因此，可得出

${\stackrel{\·}{V}}_y=a_y-V_x\·{\mathrm{\ω}}_r$

其中，ω_r为横摆角速度。

将得到的带入到的表达式中，得到第一质心侧偏角的微分值

${\stackrel{\·}{\mathrm{\β}}}_L=\frac{a_y}{V_x}-{\mathrm{\ω}}_r$

对上式进行最小二乘法估计，能够较准确得到第一质心侧偏角的微分值

作为一种优选的，本发明采用一种带遗忘因子的最小二乘法对上式进行估计，首先将上式整理成为最小二乘法参数估计的标准形式：

式中，Y(t)为测量值输出，Y(t)＝a_y-ω_r·V_x，

采用带遗忘因子的最小二乘法对公式6中的θ(t)进行估计，算法如下：

$\widehat{\mathrm{\θ}}\left(t\right)=\widehat{\mathrm{\θ}}(t-1)+K\left(t\right)*\mathrm{\ϵ}\left(t\right|\widehat{\mathrm{\θ}}\left(t-1\right))$

算法中I是单位矩阵；ε(t)是先验误差；K(t)是卡尔曼增益；P(t)是协方差矩阵；λ是遗忘因子，λ的值越小，历史数据在新的参数估计周期中的权值就越低。

通过使用带遗忘因子的最小二乘法进行参数估计，可得到第一质心侧偏角的微分值再通过使用微处理器对求积分，即可得到车辆实时的第一质心侧偏角的值，即：

${\mathrm{\β}}_L=\mathrm{\Σ}(\frac{a_y}{V_x}-{\mathrm{\ω}}_r)*\mathrm{\Δ}t$

Δt是控制器的采样周期，一般采用5ms或者5ms的倍数。

由上式可知，在使用传感器测量得到汽车行驶过程中的侧向加速度a_y、横摆角速度ω_r和纵向速度V_x这三个参数后，就可以直接得到第一质心侧偏角的微分值再将进行积分后就得出了第一质心侧偏角β_L。

步骤三S130：汽车在行驶过程中，当车辆侧向加速度大于第二加速度a₂时，采用基于三自由度非线性汽车模型滤波算法进行第二质心侧偏角估计。第二加速度的值可能因不同的车型而变化。作为一种优选的，a₂＝0.45g。

三自由度车辆模型如图3所示，车辆的运动方程为：

$\left\{\begin{array}{c}{\stackrel{\·}{\mathrm{\ω}}}_r=\frac{a^2{K}_f+b^2{K}_r}{I_z{V}_x}{\mathrm{\ω}}_r+\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{I_z}{\mathrm{\β}}_N-\frac{{\mathrm{aK}}_r}{I_z}\mathrm{\δ}\\ {\stackrel{\·}{\mathrm{\β}}}_N=(\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{{{\mathrm{mV}}_x}^2}-1){\mathrm{\ω}}_r+\frac{K_f+K_r}{{\mathrm{mV}}_x}{\mathrm{\β}}_N-\frac{K_f}{{\mathrm{mV}}_x}\mathrm{\δ}\\ {\stackrel{\·}{V}}_x={\mathrm{\ω}}_r{\mathrm{\β}}_N{V}_x+a_x\end{array}\right.$

$a_y=\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{{\mathrm{mV}}_x}{\mathrm{\ω}}_r+\frac{K_f+K_r}{m}{\mathrm{\β}}_N-\frac{K_f}{m}\mathrm{\δ}$

公式中，K_r和K_f分别为车辆的后轮侧偏刚度和前轮侧偏刚度；a和b则分别是前轴和后轴到质心的距离；m为车辆质量；I_z为绕z轴的转动惯量、ω_r为横摆角速度、β_N质心侧偏角、δ前轮转角(由方向盘转角传感器测量得到方向盘转角，再将方向盘转角值代入传动比公式求得前轮转角。)、V_x车辆纵向车速、a_x和a_y分别为汽车纵向加速度和车辆侧向加速度，可由车辆加速度传感器测得。

采用非线性滤波算法能够估计出第二质心侧偏角的值，通常可采用容积卡尔曼滤波算法、容积卡尔曼滤波算法。

作为一种优选的，本发明采用容积卡尔曼滤波算法，对第二质心侧偏角进行估计。

整理为均方根嵌入式容积卡尔曼滤波器方程结构的标准形式：

x(t)＝f(x(t),u(t),w(t))

z(t)＝h(x(t),u(t),v(t))

式中状态向量为x(t)＝[ω_r,β,V_x]^T；量测向量为z(t)＝[a_y]；控制向量为u(t)＝[δ,a_x]^T；w(t)为过程噪声；v(t)为量测噪声；w(t)和v(t)满足均值为0，误差方差阵分别为Q和R的正态分布。

容积卡尔曼滤波算法分成三部分，分别是初始化、预报步和滤波步。根据三自由度车辆模型中的状态方程，利用k时刻的状态量估计值和控制量u_k，计算状态量预报值即预报步；利用和k+1时刻的控制量u_k+1通过量测方程计算量测量预报值并对进行滤波并得到k+1时刻估计值即滤波步。

初始化：在车辆行驶过程中，ω_r和V_x可由加速度传感器中的侧向加速度测量模块和测速模块测量得到初值，而第二质心侧偏角β_N则设置为0，则运行周期k＝1时刻车辆模型的状态向量初值确定为此时将车辆状态估计的误差方差初值设置为P_1|1＝diag(10^-1010^-1010^-10)

预报：

(1)由k-1时刻估计结果得到k时刻车辆状态量的估计值和估计误差方差阵P_k|k。由于使用的是容积卡尔曼滤波估计算法，所以需要生成车辆行驶状态量的Cubature点，因此对P_k|k进行Cholesky分解，即可得到在k时刻估计误差方差阵的平方根矩阵

(2)根据球面-径向规则对车辆状态量估计值生成一组等权值的Cubature点，即在车辆状态量估计值周围以估计误差方差阵的平方根矩阵形成一组均匀分布的点。根据球面-径向规则生成的Cubature点的个数是状态维数的二倍，三自由度车辆模型的状态变量个数为3，则每个状态量的Cubature点个数为6，即i＝1,2,…6，式中X_i，k|k是在k时刻状态量的第i个Cubature点；ξ_i为矩阵 $\sqrt{n}\left[\begin{array}{cccccc}1& 0& 0& -1& 0& 0\\ 0& 1& 0& 0& -1& 0\\ 0& 0& 1& 0& 0& -1\end{array}\right]$ 的第i列，n为状态量维数。

(3)利用离散化的车辆动态方程对车辆状态量的每一个Cubature点进行变换，得到车辆状态量所有的Cubature点的预报值：式中u_k＝[δa_x]^T；F为离散化形式的车辆模型的动态方程。

(4)根据球面-径向规则求状态量的预报值。对所有的车辆状态向量Cubature点的与报纸进行加权求和。每个Cubature点的权值均为1/m，m＝2n，则Cubature点权值为1/6。车辆状态向量预报值为

(5)得到车辆状态向量的预报值后，还需要计算预报误差协方差阵P_k+1|k：即 $P_{k+1|k}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{X}_{i,k+1|k}^{*}{X}_{i,k+1|k}^{*T}-{\hat{x}}_{k+1|k}{\hat{x}}_{i,k+1|k}^T+Q_k$

式中：Q_k为k时刻车辆状态向量预报误差方差阵。

滤波：

(1)得到车辆模型状态向量的预报值和预报误差方差阵后，就需要利用量测量对状态量预报值进行滤波，进而得到车辆状态量的估计值。该过程需要利用量测方程对车辆状态向量的预报值进行变换，进而得到状态估计量量测的预报值，并计算量测量的预报误差方差阵。因此，对状态量预报误差协方差阵P_k+1|k进行Cholesky分解，得到状态量预报误差方差阵的平方根矩阵S_k+1|k，即 $S_{k+1|k}=\sqrt{P_{k+1|k}}.$

(2)利用球面-径向规则在车辆状态量的预报值周围按照状态量预报误差方差平方根矩阵生成一组等权值的点，即Cubature点X_i，k+1|k： $X_{i,k+1|k}=S_{k+1|k}{\mathrm{\ξ}}_i+{\hat{x}}_{k+1|k}$

(3)通过动态状态估计模型中的量测方程对每个状态量预报值Cubature点进行变换，得到量测量z(t)＝[ay]预报值的Cubature点Z_i，k+1|k：Z_i，k+1|k＝H(X_i，k+1|k，u_k)，式中H为量测方程。

(4)对所有量测量预报值的Cubature点进行加权求和，进而得到量测量预报值。根据球面-径向规则，每个Cubature点的权值为1/6，则量测量的预报值 ${\hat{Z}}_{k+1|k}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{Z}_{i,k+1|k}$ 式中m＝6；

(5)计算量测量的预报误差方差阵P_zz，k+1|k：

$P_{zz,k+1|k}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{Z}_{i,k+1|k}{Z}_{i,k+1|k}^T-{\hat{z}}_{k+1|k}{\hat{z}}_{i,k+1|k}^T+P_{k+1}$ 式中R_k+1为k+1时刻量测误差方差阵。

(6)计算车辆状态量预报值和量测量预报值之间的互协方差矩阵P_xz，k+1|k： $P_{xz,k+1|k}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{X}_{i,k+1|k}{Z}_{i,k+1|k}^T-{\hat{x}}_{k+1|k}{\hat{z}}_{i,k+1|k}^T$

(7)计算卡尔曼滤波增益 $W_{k+1}:W_{k+1}=P_{xz,k+1|k}{P}_{zz,k+1|k}^{-1}$

(8)利用k+1时刻量测量的量测值与量测量预报值之间的偏差，即新息，通过卡尔曼滤波增益对车辆状态量预报值进行滤波，最终得到k+1时刻状态量估计值 ${\hat{x}}_{k+1|k+1}={\hat{x}}_{k+1|k}+W_{k+1}(z_{k+1}-{\hat{z}}_{k+1|k})$ 式中z_k+1为k+1时刻的量测向量。

(9)计算车辆模型状态量估计误差方差阵P_k+1|k+1：

$P_{k+1|k+1}=P_{k+1|k}-W_{k+1}{P}_{zz,k+1|k}{W}_{k+1}^T$ 得到k+1时刻状态量估计值和估计误差方差阵P_k+1|k+1后，令k＝k+1，并返回时间更新部分，进行下一次迭代。每一次迭代算法都能估计当前时刻状态向量的估计值，在状态向量估计值中有第二质心侧偏角的估计值β_N。

步骤四S140：当计算得到第一质心侧偏角β_L和第二质心侧偏角β_N后，采用如下公式得到汽车的质心侧偏角β：

其中，为参数，当车辆侧向加速度小于0.4g时，此时β＝β_L,车辆模型采用基于二自由度线性模型动力学参数估计方法进行质心侧偏角估计；当侧向加速度大于0.45g时，此时β＝β_N，采用基于三自由度非线性模型容积卡尔曼滤波估计质心侧偏角。当侧向加速度在0.4g和0.45g之间时，同时采用两种方法进行估计然后采用加权融合的方式得到质心侧偏角最终估计结果，即当0.4≤a_y≤0.45时，

如图4所示，本发明的测量装置包括微控制器1、加速度传感器2、横摆角速度传感器3和测速模块4。微控制器1、加速度传感器2、横摆角速度传感器3和测速模块4均焊接在双层印制电路板上。微控制器1分别与加速度传感器2、横摆角速度传感器3和测速模块4相连接，微控制器1用于采集加速度传感器2、横摆角速度传感器3和测速模块4的测量的侧向加速度a_y、横摆角速度ω_r和纵向速度V_x数据。

微控制器1采用16位单片机XC2365A芯片。

加速度传感器2采用ADXL203芯片。ADXL203是完整的高精度、低功耗、单轴/双轴加速度计，提供经过信号调理的电压输出，所有功能均集成于一个单芯片IC中。这些器件的满量程加速度测量范围为±1.7g，既可以测量动态加速度，例如振动，也可以测量静态加速度，例如重力。采用ADXL203芯片能够精确的测量出纵向加速度a_x和侧向加速度a_y值。

横摆角速度传感器3采用ADXRS61X芯片。ADXRS61X芯片采用集成微电子机械***专利工艺和BIMOS工艺的角速度传感器，内部同时集成有角速率传感器和信号处理电路。与任何同类功能的传感器相比，ADXRS61X具有尺寸小、功耗低、抗冲击和振动性好的优点，能够精确测量出汽车的横摆角速度ω_r。

所述测速模块4为GPS测速模块，通过接收和发射GPS信号，来测量出汽车的纵向速度V_x。

方向盘转角传感器通过汽车的CAN网络将方向盘转角信息发送至XC2365A单片机中。

在另一实施例中，测速模块4采用轮速传感器，微控制器1可以根据轮速传感器测量的轮速信号，采用卡尔曼滤波或其他估计方式估计出来车辆的纵向速度V_x。

在另一实施例中，测速模块4与加速度传感器2共用ADXL203芯片。由于ADXL203是双轴加速度传感器，可以同时测量车辆的纵向加速度和侧向加速度，可以用微控制器1对ADXL203测量所得的纵向加速度值进行积分，得到汽车的纵向速度V_x。

加速度传感器2测量车辆的侧向加速度信号以模拟量电信号的形式输入至微控制器1的模拟/数字量转换接口。横摆角速度传感器3测量车辆的横摆角速度，并将信号以模拟量电信号的形式输入至微控制器1的模拟/数字量转换接口。测速模块4负责测量车辆的纵向速度，并将实时车辆速度通过电信号传输至微控制器1。

微控制器1根据车辆实时的侧向加速度a_y、横摆角速度ω_r以及纵向车速V_x，采用设定好的公式进行处理和计算，得出车辆的质心侧偏角微分量再进行积分后即可得到质心侧偏角β。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种汽车质心侧偏角测量方法，其特征在于，包括以下步骤：

步骤一、使用传感器测量汽车行驶过程中的纵向加速度a_x、侧向加速度a_y、横摆角速度ω_r、纵向速度V_x、以及方向盘转角δ；

步骤二、采用线性二自由度模型进行动力学参数估计，得到汽车第一质心侧偏角β_L；

步骤三、采用非线性三自由度车辆模型的滤波算法相融合估计汽车的第二质心侧偏角β_N；

步骤四、采用如下公式计算汽车的质心侧偏角β：

其中，

为参数，a₁和a₂为侧向加速度a_y的第一取值点和第二取值点。

2.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤二中，包括以下步骤：

第一质心侧偏角微分值与侧向加速度a_y、横摆角速度ω_r和纵向速度V_x三者之间的关系满足如下公式：

${\stackrel{\·}{\mathrm{\β}}}_L=\frac{a_y}{V_x}-{\mathrm{\ω}}_r$

对第一质心侧偏角微分值进行积分，从而得到第一质心侧偏角的值β_L。

3.根据权利要求2所述的汽车质心侧偏角测量方法，其特征在于，采用带遗忘因子的最小二乘法进行参数估计，得到第一质心侧偏角微分值的值后进行积分得到第一质心侧偏角的值β_L。

4.根据权利要求3所述的汽车质心侧偏角测量方法，其特征在于，

并采用带遗忘因子的最小二乘法进行估计后得到第一质心侧偏角的微分值使用如下公式得到车辆实时的第一质心侧偏角

${\mathrm{\β}}_L=\mathrm{\Σ}(\frac{a_y}{v_x}-{\mathrm{\ω}}_r)*\mathrm{\Δ}t,$

其中，Δt是积分采样周期。

5.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤三中，三自由度车辆的运动方程为：

$\left\{\begin{array}{c}{\stackrel{\·}{\mathrm{\ω}}}_r=\frac{a^2{K}_f+b^2{K}_r}{I_z{V}_x}{\mathrm{\ω}}_r+\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{I_z}{\mathrm{\β}}_N-\frac{{\mathrm{aK}}_r}{I_z}\mathrm{\δ}\\ {\stackrel{\·}{\mathrm{\β}}}_N=(\frac{{\mathrm{\αK}}_f-{\mathrm{bK}}_r}{{{\mathrm{mV}}_x}^2}-1){\mathrm{\ω}}_r+\frac{K_f+K_r}{{\mathrm{mV}}_x}{\mathrm{\β}}_N-\frac{K_f}{{\mathrm{mV}}_x}\mathrm{\δ}\\ {\stackrel{\·}{V}}_x={\mathrm{\ω}}_r{\mathrm{\β}}_N{V}_x+a_x\end{array}\right.$

$a_y=\frac{{\mathrm{aK}}_f-{\mathrm{bK}}_r}{{\mathrm{mV}}_x}{\mathrm{\ω}}_r+\frac{K_f+K_r}{m}{\mathrm{\β}}_N-\frac{K_f}{m}\mathrm{\δ}$

式中，K_r和K_f分别为车辆的后轮侧偏刚度和前轮侧偏刚度；a和b则分别是前轴和后轴到质心的距离；m为车辆质量；I_z为绕z轴的转动惯量、V_x车辆纵向车速；

并使用容积卡尔曼滤波算法，经初始化、预报步和滤波步迭代计算出第二质心侧偏角的估计值β_N。

6.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤一中，通过加速度传感器测量所述侧向加速度a_y，通过横摆角速度传感器测量所述横摆角速度ω_r，所述加速度传感器和横摆角速度传感器设置于同一电路板上。

7.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤一中，所述纵向速度V_x通过GPS模块测量得到。

8.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤一中，通过使用安装在汽车上的加速度传感器测量得到汽车的纵向加速度，再经过积分后得到所述纵向速度V_x。

9.根据权利要求1所述的汽车质心侧偏角测量方法，其特征在于，步骤一中，通过轮速传感器测量得到轮速信号，再采用卡尔曼滤波方式估算出汽车的纵向速度V_x。