CN107600073A - 一种基于多源信息融合的车辆质心侧偏角估计***及方法 - Google Patents
一种基于多源信息融合的车辆质心侧偏角估计***及方法 Download PDFInfo
- Publication number
- CN107600073A CN107600073A CN201710680628.4A CN201710680628A CN107600073A CN 107600073 A CN107600073 A CN 107600073A CN 201710680628 A CN201710680628 A CN 201710680628A CN 107600073 A CN107600073 A CN 107600073A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mtd
- mover
- angle
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Navigation (AREA)
Abstract
本发明涉及一种基于多源信息融合的车辆质心侧偏角估计***及方法，该***包括：多源信息采集单元、车辆横摆角观测器和车辆质心侧偏角观测器；所述的多源信息采集单元分别连接车辆横摆角观测器和车辆质心侧偏角观测器，所述的车辆横摆角观测器和车辆质心侧偏角观测器互联；车辆横摆角观测器得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的信息输入，车辆质心侧偏角观测器得到车辆质心侧偏角并作为车辆横摆角观测器的输入信息，车辆横摆角观测器和车辆质心侧偏角观测器互联完成车辆质心侧偏角估计。与现有技术相比，本发明不依赖车辆动力学模型、估计精度高、计算量小、可广泛应用。
Description
技术领域
本发明涉及一种车辆质心侧偏角估计***及方法，尤其是涉及一种基于多源信息融合的车辆质心侧偏角估计***及方法。
背景技术
质心侧偏角是智能汽车运动跟踪控制的关键状态标量。质心侧偏角估计受到路面和轮胎非线性等不确定因素的影响，是车辆最难估计的状态变量之一，因此如何估计智能汽车质心侧偏角成为近年来研究重点、难点。
目前国内外质心侧偏角估计方法主要有：1、基于运动学模型的方法，鲁棒性好，估计结果几乎不受模型参数的影响，但是对传感器的信息精度要求较高。2、基于动力模型的观测器，对传感器的要求相对较低，但对模型参数的敏感度较高。随着汽车“智能化”的飞速发展，摄像头、雷达、GPS和IMU(惯性传感器)等传感器的装载为车辆状态信息的估计提供了更多的信息源。GPS可以提供关于车辆位置和速度等信息，误差范围可控，摄像头可以获取车辆与车道线之间的位置信息，IMU可获取横摆角速度、车辆纵向加速度以及车辆侧向加速度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源信息融合的车辆质心侧偏角估计***及方法。
本发明的目的可以通过以下技术方案来实现：
一种基于多源信息融合的车辆质心侧偏角估计***，该***包括：多源信息采集单元、车辆横摆角观测器和车辆质心侧偏角观测器；
所述的多源信息采集单元分别连接车辆横摆角观测器和车辆质心侧偏角观测器，所述的车辆横摆角观测器和车辆质心侧偏角观测器互联；
车辆横摆角观测器得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的信息输入，车辆质心侧偏角观测器得到车辆质心侧偏角并作为车辆横摆角观测器的输入信息，车辆横摆角观测器和车辆质心侧偏角观测器互联完成车辆质心侧偏角估计。
所述的多源信息采集单元包括：
GPS：用于提供车辆航向角以及获取车辆在东北天方向的纵侧向速度；
惯性传感器：用于获取车辆纵向加速度、侧向加速度和横摆角速度；
摄像头：用于获取车辆与车道线的横向距离。
所述的GPS安装在车辆质心正上方，所述的惯性传感器安装在车辆质心处。
所述的车辆横摆角观测器的状态方程为：
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角。
待估计的车辆横摆角ψ以及待估计的横摆角速度偏差rbias通过卡尔曼滤波方法估计得到。
车辆质心侧偏角观测器为：
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
一种基于多源信息融合的车辆质心侧偏角估计方法，该方法包括如下步骤：
(1)采集多源信息，包括车辆航向角、车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度、横摆角速度和车辆与车道线的横向距离；
(2)建立车辆横摆角观测器和车辆质心侧偏角观测器，将车辆航向角以及横摆角速度作为车辆横摆角观测器的输入信息，将车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度以及车辆与车道线的横向距离作为辆质心侧偏角观测器的输入信息，同时将车辆横摆角观测器和车辆质心侧偏角观测器进行互联；
(3)车辆横摆角观测器估计得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的输入信息，车辆质心侧偏角观测器估计得到车辆质心侧偏角作为车辆横摆角观测器的输入信息，进而完成车辆质心侧偏角估计。
步骤(1)中车辆航向角以及车辆在东北天方向的纵侧向速度通过安装在车辆质心正上方的GPS获取，车辆纵向加速度、侧向加速度以及横摆角速度通过安装在车辆质心处的惯性传感器获取，车辆与车道线的横向距离通过安装在车辆上的摄像头获取。
步骤(2)中车辆横摆角观测器的状态方程为：
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角；
进而，通过卡尔曼滤波方法估计得到待估计的车辆横摆角ψ以及待估计的横摆角速度偏差rbias。
步骤(2)中车辆质心侧偏角观测器为：
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
与现有技术相比，本发明具有如下优点：
(1)本发明利用摄像头、GPS和惯性传感器采集的多种信息进行融合，同时将车辆横摆角观测器和车辆质心侧偏角观测器互联完成车辆质心侧偏角的观测，不依赖车辆动力学模型，有效地提高了估计算法在实车使用过程中的鲁棒性和可靠性；
(2)本发明车辆质心侧偏角估计方法估计精度高、计算量小、可广泛应用。
附图说明
图1为本发明车辆质心侧偏角估计结构框图；
图2为卡尔曼滤波算法的计算流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于多源信息融合的车辆质心侧偏角估计***，该***包括：多源信息采集单元、车辆横摆角观测器和车辆质心侧偏角观测器；
多源信息采集单元分别连接车辆横摆角观测器和车辆质心侧偏角观测器，车辆横摆角观测器和车辆质心侧偏角观测器互联；
车辆横摆角观测器得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的信息输入，车辆质心侧偏角观测器得到车辆质心侧偏角并作为车辆横摆角观测器的输入信息，车辆横摆角观测器和车辆质心侧偏角观测器互联完成车辆质心侧偏角估计。
多源信息采集单元包括：GPS：用于提供车辆航向角以及获取车辆在东北天方向的纵侧向速度；惯性传感器(IMU)：用于获取车辆纵向加速度、侧向加速度和横摆角速度；摄像头：用于获取车辆与车道线的横向距离。其中GPS安装在车辆质心正上方，惯性传感器安装在车辆质心处。
上述车辆横摆角观测器和车辆质心侧偏角观测器的构建如下：
1)车辆横摆角观测器
为了避免直接采用横摆角速度传感器积分带来的测量偏差，采用GPS信号估计横摆角速度偏差值。车辆横摆角观测器的状态方程为：
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角。
将上述状态方程行离散化处理：
xk+1＝Φk+1,k·xk+H·uk+wk，
yk＝C·xk+vk，
式中， 和C＝[1 0]为离散***的***矩阵和输入矩阵，其中状态变量wk,vk分别为***噪声和测量噪声，互不相关且均值为0，即：
式中，E代表数学期望，Q和R为***噪声和测量噪声的协方差。
卡尔曼滤波器的递推方程可以表示如下：
Pk+1|k+1＝(I-Kk+1C)Pk+1|k，
滤波器初值： 表示k时刻状态变量x的先验值，表示表示k+1时刻状态变量x的预测值，表示k+1时刻状态变量x的修正值，Pk为表示k+1时刻误差协方差矩阵的先验值，Pk+1|k表示k+1时刻误差协方差矩阵的预测值，Pk+1|k+1表示k+1时刻误差协方差矩阵的修正值，Kk+1为k+1时刻卡尔曼反馈增益，I为单位阵。和C＝[1 0]。卡尔曼滤波算法的计算流程框图如图2所示。
2)车辆质心侧偏角观测器
假定惯性传感器IMU安装在车辆质心处，用于测量车辆纵向加速度axm、侧向加速度aym和横摆角速度rm，车辆纵向加速度axm和侧向加速度aym可以表示为：
上式中bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，vx为纵向车速，vy为侧向车速，为纵向车速导数，为侧向车速导数，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差。
设定车辆与车道线的横向距离为yf，它满足如下关系式：
yf＝yCOG+lcf sinψ，
yCOG表示车辆质心到车道线的距离，lcf表示摄像头预瞄点到车辆质心的距离yCOG可表示为：
由此可以得到：
上式中表示车辆与车道线的横向距离的导数，lcf表示摄像头预瞄点到车辆质心的距离。
假定不考虑车辆的侧倾和横摆运动，GPS位于车辆质心正上方用于测量车辆在东北天方向的速度和
从而可以构造如下的状态空间形式：
上式中令： x＝[yf vx vy]T。
因此，构建车辆质心侧偏角观测器如下：
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角， 为车辆横摆角速度估计值，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
图1中，为车辆横摆角观测器估计得到的车辆横摆角估计值，为车辆横摆角观测器估计得到的横摆角速度偏差估计值，为车辆横摆角速度估计值，进而将和作为输入信息输入至车辆质心侧偏角观测器，车辆质心侧偏角观测器中的ψ为车辆横摆角观测器估计得到的车辆横摆角，为车辆横摆角速度估计值，即车辆质心侧偏角观测器中的ψ用代替，车辆横摆角速度估计值用代替。
一种基于多源信息融合的车辆质心侧偏角估计方法，该方法包括如下步骤：
(1)采集多源信息，包括车辆航向角、车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度、横摆角速度和车辆与车道线的横向距离；
(2)建立车辆横摆角观测器和车辆质心侧偏角观测器，将车辆航向角以及横摆角速度作为车辆横摆角观测器的输入信息，将车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度以及车辆与车道线的横向距离作为辆质心侧偏角观测器的输入信息，同时将车辆横摆角观测器和车辆质心侧偏角观测器进行互联；
(3)车辆横摆角观测器估计得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的输入信息，车辆质心侧偏角观测器估计得到车辆质心侧偏角作为车辆横摆角观测器的输入信息，进而完成车辆质心侧偏角估计。
步骤(1)中车辆航向角以及车辆在东北天方向的纵侧向速度通过安装在车辆质心正上方的GPS获取，车辆纵向加速度、侧向加速度以及横摆角速度通过安装在车辆质心处的惯性传感器获取，车辆与车道线的横向距离通过安装在车辆上的摄像头获取。
步骤(2)中车辆横摆角观测器的状态方程为：
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角；
进而，通过卡尔曼滤波方法估计得到待估计的车辆横摆角ψ以及待估计的横摆角速度偏差rbias。
步骤(2)中车辆质心侧偏角观测器为：
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
Claims (10)
1.一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，该***包括：多源信息采集单元、车辆横摆角观测器和车辆质心侧偏角观测器；
所述的多源信息采集单元分别连接车辆横摆角观测器和车辆质心侧偏角观测器，所述的车辆横摆角观测器和车辆质心侧偏角观测器互联；
车辆横摆角观测器得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的信息输入，车辆质心侧偏角观测器得到车辆质心侧偏角并作为车辆横摆角观测器的输入信息，车辆横摆角观测器和车辆质心侧偏角观测器互联完成车辆质心侧偏角估计。
2.根据权利要求1所述的一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，所述的多源信息采集单元包括：
GPS：用于提供车辆航向角以及获取车辆在东北天方向的纵侧向速度；
惯性传感器：用于获取车辆纵向加速度、侧向加速度和横摆角速度；
摄像头：用于获取车辆与车道线的横向距离。
3.根据权利要求2所述的一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，所述的GPS安装在车辆质心正上方，所述的惯性传感器安装在车辆质心处。
4.根据权利要求1所述的一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，所述的车辆横摆角观测器的状态方程为：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mover>
<mi>&psi;</mi>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>a</mi>
<mi>s</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&psi;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>a</mi>
<mi>s</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
</mrow>
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角。
5.根据权利要求4所述的一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，待估计的车辆横摆角ψ以及待估计的横摆角速度偏差rbias通过卡尔曼滤波方法估计得到。
6.根据权利要求2所述的一种基于多源信息融合的车辆质心侧偏角估计***，其特征在于，车辆质心侧偏角观测器为：
<mrow>
<mover>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mi>u</mi>
<mo>+</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfrac>
<msub>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
<msub>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
7.一种基于多源信息融合的车辆质心侧偏角估计方法，其特征在于，该方法包括如下步骤：
(1)采集多源信息，包括车辆航向角、车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度、横摆角速度和车辆与车道线的横向距离；
(2)建立车辆横摆角观测器和车辆质心侧偏角观测器，将车辆航向角以及横摆角速度作为车辆横摆角观测器的输入信息，将车辆在东北天方向的纵侧向速度、车辆纵向加速度、侧向加速度以及车辆与车道线的横向距离作为辆质心侧偏角观测器的输入信息，同时将车辆横摆角观测器和车辆质心侧偏角观测器进行互联；
(3)车辆横摆角观测器估计得到车辆横摆角和横摆角速度偏差并作为车辆质心侧偏角观测器的输入信息，车辆质心侧偏角观测器估计得到车辆质心侧偏角作为车辆横摆角观测器的输入信息，进而完成车辆质心侧偏角估计。
8.根据权利要求7所述的一种基于多源信息融合的车辆质心侧偏角估计方法，其特征在于，步骤(1)中车辆航向角以及车辆在东北天方向的纵侧向速度通过安装在车辆质心正上方的GPS获取，车辆纵向加速度、侧向加速度以及横摆角速度通过安装在车辆质心处的惯性传感器获取，车辆与车道线的横向距离通过安装在车辆上的摄像头获取。
9.根据权利要求7所述的一种基于多源信息融合的车辆质心侧偏角估计方法，其特征在于，步骤(2)中车辆横摆角观测器的状态方程为：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mover>
<mi>&psi;</mi>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>a</mi>
<mi>s</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&psi;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>a</mi>
<mi>s</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
</mrow>
其中，ψ为待估计的车辆横摆角，rbias为待估计的横摆角速度偏差，为待估计的车辆横摆角的导数，为待估计的横摆角速度偏差的导数，rm为惯性传感器获取的横摆角速度测量值，为GPS提供的车辆航向角，β为多源信息采集单元估计的车辆质心侧偏角；
进而，通过卡尔曼滤波方法估计得到待估计的车辆横摆角ψ以及待估计的横摆角速度偏差rbias。
10.根据权利要求7所述的一种基于多源信息融合的车辆质心侧偏角估计方法，其特征在于，步骤(2)中车辆质心侧偏角观测器为：
<mrow>
<mover>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mi>u</mi>
<mo>+</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfrac>
<msub>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
<msub>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
表示的导数，表示y向量的估计值，表示车辆与车道线的横向距离的估计值，表示纵向车速估计值，表示侧向车速估计值，yf为摄像头获取的车辆与车道线的横向距离，和分别为GPS获取的车辆在东北天方向的纵向和侧向速度， K为反馈增益矩阵，ψ为车辆横摆角观测器估计得到的车辆横摆角，rm为惯性传感器获取的横摆角速度测量值，rbias为车辆横摆角观测器估计得到的横摆角速度偏差，lcf为摄像头预瞄点到车辆质心的距离，axm和aym分别为惯性传感器获取的车辆纵向加速度和侧向加速度，bx和by分别表示惯性传感器获取的纵向加速度和侧向加速度的测量偏差，β为待估计的车辆质心侧偏角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710680628.4A CN107600073B (zh) | 2017-08-10 | 2017-08-10 | 一种基于多源信息融合的车辆质心侧偏角估计***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710680628.4A CN107600073B (zh) | 2017-08-10 | 2017-08-10 | 一种基于多源信息融合的车辆质心侧偏角估计***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107600073A true CN107600073A (zh) | 2018-01-19 |
| CN107600073B CN107600073B (zh) | 2019-07-05 |
Family
ID=61064905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710680628.4A Active CN107600073B (zh) | 2017-08-10 | 2017-08-10 | 一种基于多源信息融合的车辆质心侧偏角估计***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107600073B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及*** |
| CN108801286A (zh) * | 2018-08-01 | 2018-11-13 | 奇瑞汽车股份有限公司 | 确定行驶轨迹的方法和装置 |
| CN108873043A (zh) * | 2018-05-09 | 2018-11-23 | 华南农业大学 | 车辆侧滑角度的计算方法及装置 |
| CN110244293A (zh) * | 2018-03-07 | 2019-09-17 | 德尔福技术有限公司 | 用于确定移动物体的指向角的方法和*** |
| CN112874529A (zh) * | 2021-02-05 | 2021-06-01 | 北京理工大学 | 基于事件触发状态估计的车辆质心侧偏角估计方法及*** |
| WO2022000127A1 (zh) * | 2020-06-28 | 2022-01-06 | 华为技术有限公司 | 一种目标跟踪方法及其装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008012354A1 (de) * | 2008-03-03 | 2009-09-10 | Robert Bosch Gmbh | Verfahren zur Schwimmwinkelbestimmung in einem Fahrzeug |
| CN102009653A (zh) * | 2010-11-10 | 2011-04-13 | 清华大学 | 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法 |
| CN104890674A (zh) * | 2015-06-10 | 2015-09-09 | 山东理工大学 | 一种汽车质心侧偏角测量装置及其计算方法 |
| CN104977933A (zh) * | 2015-07-01 | 2015-10-14 | 吉林大学 | 一种自主驾驶车辆的区域型路径跟踪控制方法 |
| CN105151047A (zh) * | 2015-09-08 | 2015-12-16 | 吉林大学 | 一种汽车质心侧偏角测量方法 |
| WO2016020834A1 (en) * | 2014-08-04 | 2016-02-11 | Modelway S.R.L. | A method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor |
-
2017
- 2017-08-10 CN CN201710680628.4A patent/CN107600073B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008012354A1 (de) * | 2008-03-03 | 2009-09-10 | Robert Bosch Gmbh | Verfahren zur Schwimmwinkelbestimmung in einem Fahrzeug |
| CN102009653A (zh) * | 2010-11-10 | 2011-04-13 | 清华大学 | 融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法 |
| WO2016020834A1 (en) * | 2014-08-04 | 2016-02-11 | Modelway S.R.L. | A method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor |
| CN104890674A (zh) * | 2015-06-10 | 2015-09-09 | 山东理工大学 | 一种汽车质心侧偏角测量装置及其计算方法 |
| CN104977933A (zh) * | 2015-07-01 | 2015-10-14 | 吉林大学 | 一种自主驾驶车辆的区域型路径跟踪控制方法 |
| CN105151047A (zh) * | 2015-09-08 | 2015-12-16 | 吉林大学 | 一种汽车质心侧偏角测量方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244293A (zh) * | 2018-03-07 | 2019-09-17 | 德尔福技术有限公司 | 用于确定移动物体的指向角的方法和*** |
| CN108545081A (zh) * | 2018-03-20 | 2018-09-18 | 北京理工大学 | 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及*** |
| CN108873043A (zh) * | 2018-05-09 | 2018-11-23 | 华南农业大学 | 车辆侧滑角度的计算方法及装置 |
| CN108873043B (zh) * | 2018-05-09 | 2021-01-15 | 华南农业大学 | 车辆侧滑角度的计算方法及装置 |
| CN108801286A (zh) * | 2018-08-01 | 2018-11-13 | 奇瑞汽车股份有限公司 | 确定行驶轨迹的方法和装置 |
| CN108801286B (zh) * | 2018-08-01 | 2021-11-30 | 奇瑞汽车股份有限公司 | 确定行驶轨迹的方法和装置 |
| WO2022000127A1 (zh) * | 2020-06-28 | 2022-01-06 | 华为技术有限公司 | 一种目标跟踪方法及其装置 |
| CN112874529A (zh) * | 2021-02-05 | 2021-06-01 | 北京理工大学 | 基于事件触发状态估计的车辆质心侧偏角估计方法及*** |
| CN112874529B (zh) * | 2021-02-05 | 2022-07-08 | 北京理工大学 | 基于事件触发状态估计的车辆质心侧偏角估计方法及*** |
| WO2022166046A1 (zh) * | 2021-02-05 | 2022-08-11 | 北京理工大学 | 基于事件触发状态估计的车辆质心侧偏角估计方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107600073B (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107600073A (zh) | 一种基于多源信息融合的车辆质心侧偏角估计***及方法 | |
| CN104061899B (zh) | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 | |
| CN102538781B (zh) | 基于机器视觉和惯导融合的移动机器人运动姿态估计方法 | |
| CN112083726B (zh) | 一种面向园区自动驾驶的双滤波器融合定位*** | |
| CN113819914B (zh) | 一种地图构建方法及装置 | |
| CN108731670A (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
| JP2022019642A (ja) | マルチセンサ融合に基づく測位方法及び装置 | |
| EP3306429B1 (en) | Position estimation device and position estimation method | |
| CN109946732A (zh) | 一种基于多传感器数据融合的无人车定位方法 | |
| CN103270543B (zh) | 驾驶辅助装置 | |
| KR101214143B1 (ko) | 이동체의 위치 및 방향 인식 장치 및 그 방법 | |
| CN110208842A (zh) | 一种车联网环境下车辆高精度定位方法 | |
| CN110146909A (zh) | 一种定位数据处理方法 | |
| CN112083725A (zh) | 一种面向自动驾驶车辆的结构共用多传感器融合定位*** | |
| CN105931275A (zh) | 基于移动端单目和imu融合的稳定运动跟踪方法和装置 | |
| US20150036885A1 (en) | Method and device for online calibration of vehicle cameras | |
| CN104180818A (zh) | 一种单目视觉里程计算装置 | |
| CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
| Zhang et al. | Lidar-IMU and wheel odometer based autonomous vehicle localization system | |
| CN105333869A (zh) | 一种基于自适应ekf的无人侦察机同步定位与构图方法 | |
| CN104655135A (zh) | 一种基于地标识别的飞行器视觉导航方法 | |
| US20230010175A1 (en) | Information processing device, control method, program and storage medium | |
| CN112433531A (zh) | 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 | |
| CN114889606B (zh) | 一种基于多传感融合的低成本高精定位方法 | |
| CN106197471A (zh) | 基于信息融合的道路检测车距离触发装置及触发方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Zhuoping Inventor after: Xiong Lu Inventor after: Liu Wei Inventor after: Xia Xin Inventor after: Lin Xuefeng Inventor before: Xiong Lu Inventor before: Liu Wei Inventor before: Xia Xin Inventor before: Lin Xuefeng Inventor before: Yu Zhuoping |