CN111428905B - 一种全工况纵向车速预测方法和*** - Google Patents
一种全工况纵向车速预测方法和*** Download PDFInfo
- Publication number
- CN111428905B CN111428905B CN202010086665.4A CN202010086665A CN111428905B CN 111428905 B CN111428905 B CN 111428905B CN 202010086665 A CN202010086665 A CN 202010086665A CN 111428905 B CN111428905 B CN 111428905B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle speed
- speed
- track
- longitudinal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims description 64
- 238000005096 rolling process Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 description 12
- 238000001914 filtration Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 230000010354 integration Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种全工况纵向车速预测方法和***。所述方法包括:获取信号采集模块采集的车辆信息;根据所述车辆信息生成车辆的车速航迹;根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。本发明提供的全工况纵向车速预测方法和***,能够在准确实时的确定车辆的纵向车速的同时,解决现有技术中存在的工况适应性差的问题。
Description
技术领域
本发明涉及车速预测领域,特别是涉及一种全工况纵向车速预测方法和***。
背景技术
单纯地利用轮速或者加速度信息进行车速估计均存在一定不足。其中,利用轮速信息进行车速估计无需积分运算,避免了信号噪声或零点飘移造成的累计误差,但轮速传感器误差、车轮滚动半径变化、车轮滑动率等因素均会对车速估计精度产生不利影响。基于加速度积分的车速估计方法对惯性测量单元(Inertial measurement unit,简称IMU)的误差和测量噪声非常敏感,但是基于加速度积分的车速估计方法也不能准确、实时的估计得到车辆的纵向速度。
图1为已有专利中预测车辆纵向速度的一种方法,如图1所示,该方法的核心是,将车辆的纵向加速度表示为纵向加速度测量值a与纵向车速估计反馈修正值u,然后利用运动学中加速度积分得到纵向速度。虽然该方法利用轮速信息进行车速估计,无需积分运算,避免了积分运算带来的累计误差,但其运算过程中的轮速传感器误差、车轮滑转与滑移等因素均会对车速估计产生不利影响。
为了克服上述轮速估计法和加速度积分法的不足,现有技术中提出了另一种基于轮速和加速度积分融合的车速估计方法。该方法的基本思想是,先根据当前车辆行驶状态评估轮速信号和加速度信号的可靠性,然后通过对分别基于轮速和加速度积分得到的车速进行加权平均,获得纵向车速。但是该方法中,车轮轮速信号受驾驶工况的影响,当出现滑转或滑移时轮速信号失效。加速度信号受到车身姿态角影响,在车辆上下坡时加速度信号会产生较大误差,使速度积分信号出现较大误差,因此该方法的工况适应性较差。
而为了克服上述轮速估计法和加速度积分法的不足,现有技术中还提出了一种基于卡尔曼滤波预测车辆纵向速度的方法,该方法主要是利用轮速信息、IMU信息、电机的反馈的转矩值,通过传感器融合方法实现了对车速的估计,其基本结构如图2所示。但是,该方法存在与上述的基于轮速和加速度积分融合的车速估计方法基本相同的缺陷,即,由于只有加速度传感器和轮速信号引入,该方法工况适应性较差,且基于规则的传感器融合方法难以获得满意的纵向车速估计精度。
因此,提供一种能够在准确、实时预测车辆纵向速度的同时解决工况适应性差的问题的方法,是本领域亟待解决的一个技术难题。
发明内容
本发明的目的是提供一种全工况纵向车速预测方法和***,能够在准确实时的确定车辆的纵向车速的同时,解决现有技术中存在的工况适应性差的问题。
为实现上述目的,本发明提供了如下方案:
一种全工况纵向车速预测方法,包括:
获取信号采集模块采集的车辆信息;所述车辆信息包括:GPS-BD速度传感单元采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号;
根据所述车辆信息生成车辆的车速航迹;
根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;
根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
可选的,所述根据所述车辆信息生成车辆的车速航迹,具体包括:
根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹;
根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹;
根据所述车辆的纵向加速度信号生成第三车速航迹。
可选的,所述根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速,具体包括:
根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速;
根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速;
根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
可选的,所述根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹,具体包括:
获取所述车辆的水平速度信号的更新频率和所述车辆的纵向加速度信号的更新频率;
获取所述第一车速航迹的第一预设更新频率;
根据所述车辆的水平速度信号的更新频率、所述车辆的纵向加速度信号的更新频率和所述第一车速航迹的第一预设更新频率,根据公式生成所述第一车速航迹Track_v1;其中,i′为更新周期,i′=0,1,2,...N,k为时刻序号,T为车辆的水平速度信号的更新频率,τ1为设定的所述第一车速航迹的第一预设更新频率,为tk时刻的GPS-BD纵向速度,为车辆在tk+i′τ1时刻的纵向加速度。
可选的,所述根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹,具体包括:
根据所述车辆的轮速信号和所述车轮的转矩信号确定车轮的滚动半径;
可选的,所述根据所述车辆的纵向加速度信号生成第三车速航迹,具体包括:
获取所述第三车速航迹的第三预设更新频率;
根据所述车辆的纵向加速度信号、所述车辆全工况下的纵向车速和所述第三车速航迹的第三预设更新频率,根据公式生成所述第三车速航迹Track_v3;其中,为车辆全工况下的纵向车速,ar为车辆的纵向加速度信号,τ3为第三车速航迹的第三预设更新频率。
一种全工况纵向车速预测***,包括:
车辆信息获取模块,用于获取信号采集模块采集的车辆信息;所述车辆信息包括:GPS-BD速度传感单元采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号;
车速航迹确定模块,用于根据所述车辆信息生成车辆的车速航迹;
误差方差和纵向预测车速确定模块,用于根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;
全工况纵向车速确定模块,用于根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
可选的,所述车速航迹确定模块具体包括:
第一车速航迹生成单元,用于根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹;
第二车速航迹生成单元,用于根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹;
第三车速航迹生成单元,用于根据所述车辆的纵向加速度信号生成第三车速航迹。
可选的,所述误差方差和纵向预测车速确定模块具体包括:
第一误差和预测车速确定单元,用于根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速;
第二误差和预测车速确定单元,用于根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速;
第三误差和预测车速确定单元,用于根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的全工况纵向车速预测方法和***,先获取信号采集模块采集的车辆信息,再根据车辆信息生成车辆的车速航迹,然后根据车速航迹确定车速航迹的误差方差和车辆的纵向预测车速,最后根据车速航迹的误差方差和车辆的纵向预测车速准确、实时的确定车辆全工况下的纵向车速,以解决现有技术中存在的工况适应性差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为已有专利中预测车辆纵向速度的一种方法的原理图;
图2为现有技术中一种基于卡尔曼滤波预测车辆纵向速度方法的的原理图;
图3为本发明实施例提供的全工况纵向车速预测方法的流程图;
图4为本发明实施例中多传感器融合全工况纵向车速估计架构的工作原理图;
图5为本发明实施例中tk时刻传感器更新的时间轴的原理图;
图6为本发明实施例提供的全工况纵向车速预测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种全工况纵向车速预测方法和***,能够在准确实时的确定车辆的纵向车速的同时,解决现有技术中存在的工况适应性差的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图3为本发明实施例提供的全工况纵向车速预测方法的流程图,如图3所示,一种全工况纵向车速预测方法,包括:
S100、获取信号采集模块采集的车辆信息。
所述车辆信息包括:GPS-BD速度传感单元(GPS与北斗双模定位传感器)采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号。其中,GPS-BD速度传感单元中含有全球定位***(Global Positioning System,简称GPS)和北斗卫星导航***(BeiDou NavigationSatellite System,BDS)。GPS-BD所采集的车辆的水平速度信号是指车辆在运行过程中所映射到水平面上的速度信号。
S101、根据所述车辆信息生成车辆的车速航迹。
在S101中具体是依据不同的车辆信息对应生成不同的车速轨迹,该生成不同的车速轨迹的过程为:
根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹,具体包括:
获取所述车辆的水平速度信号的更新频率和所述车辆的纵向加速度信号的更新频率;
获取所述第一车速航迹的第一预设更新频率;
根据所述车辆的水平速度信号的更新频率、所述车辆的纵向加速度信号的更新频率和所述第一车速航迹的第一预设更新频率,根据公式生成所述第一车速航迹Track_v1;其中,i′为更新周期,i′=0,1,2,...N,k为时刻序号,T为车辆的水平速度信号的更新频率,τ1为设定的所述第一车速航迹的第一预设更新频率,为tk时刻的GPS-BD纵向速度,为车辆在tk+i′τ1时刻的纵向加速度。
根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹,具体包括:
根据所述车辆的轮速信号和所述车轮的转矩信号确定车轮的滚动半径;
根据所述车辆的纵向加速度信号生成第三车速航迹,具体包括:
获取所述第三车速航迹的第三预设更新频率;
根据所述车辆的纵向加速度信号、所述车辆全工况下的纵向车速和所述第三车速航迹的第三预设更新频率,根据公式生成所述第三车速航迹Track_v3;其中,为车辆全工况下的纵向车速,ar为车辆的纵向加速度信号,τ3为第三车速航迹的第三预设更新频率。
S102、根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;具体包括:
根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速;
根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速;
根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
S103、根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
作为本发明的另一实施例,采用如图4所示的多传感器融合全工况纵向车速估计架构具体实施本发明所提供的上述全工况纵向车速预测方法,以验证该方法的有效性。
如图4所示,该多传感器融合全工况纵向车速估计架构包括:传感器信号输入、虚拟传感器、卡尔曼滤波和传感器融合。
其中,传感器信号输入部分主要包括GPS-BD速度传感单元采集的车辆的水平速度信号,IMU采集的车辆的纵向加速度信号和车辆的侧向加速度信号,轮毂电机输出的轮速与转矩(或轮速、扭矩传感器输出的轮速与电机反馈转矩),方向盘转角传感器输出的方向盘转角信号,整车提供的车辆状态信号(主要指制动标志位)。
虚拟传感器部分是由输入的传感器信号组合而成,输出为车速航迹,即三条参考纵向车速。
卡尔曼滤波将三条车速航迹进行滤波,得到三条航迹的误差方差和参考纵向车速。
传感器融合部分对三条车航迹的误差方差和参考车速进行标量融合。
下面介绍多传感器融合的全工况纵向车速估计的详细流程。
(1)传感器信号介绍
GPS-BD接收器信号更新频率为10Hz(100ms),输出水平方向速度;IMU传感器输出纵向加速度,其更新频率为50Hz(20ms);轮速信号与转矩信号更新频率为100Hz(10ms);方向盘转角传感器输出方向盘转角信号,更新频率为100Hz(10ms);整车状态信号(制动标志位)更新频率为100Hz(10ms)。
(2)采用虚拟传感器根据所采集的车辆信息确定车速航迹
虚拟传感器目的是生成车速航迹(参考车速),并确定卡尔曼滤波观测量噪声。其包括3个虚拟传感器。
其中,第一虚拟传感器利用GPS-BD模块输出的纵向车速信号与IMU输出的纵向加速度信号来生成第一车速航迹,由于GPS-BD的更新频率为10Hz,IMU更新频率为50Hz,而第一车速航迹的更新频率为100Hz(整车控制周期为100Hz),因此,需要将三者进行同步化处理。同步化处理的基本原理如下:
设GPS-BD的速度更新频率为Tms(1/THz),航迹的更新频率为τms(1/τHz),如图5所示,为将航迹与GPS-BD更新频率进行同步化示意图,利用IMU纵向加速度ar和GPS-BD信号vGPS,引入线性差值方法实现同步化。在时间[tk,tk+1]之间第一车速航迹的更新如下所示:
其中,i′为更新周期,N为GPS-BD周期与航迹更新周期的倍速减1(如GPS-BD更新周期为100ms,航迹更新周期为10ms,N为100÷10-1=9),是GPS-BD在tk时刻的速度,由于GPS-BD接受其在tk+i′τ1时刻不更新速度,因此等效于 是在tk+i′τ1时刻的纵向加速度。
第一车速航迹Track_v1的观测噪声由GPS-BD输出速度与IMU输出的加速度决定,可以表示为:
观测噪声越大,说明卡尔曼滤波对实际测量值的可信度越低,滤波完以后的航迹噪声协方差越大,在传感器融合中该条航迹所占比重就越小。
采用生命信号表征GPS-BD模块输出的第一车速航迹Track_v1是否有效,当出现建筑物遮蔽或者硬件损坏时,GPS-BD模块的信号会丢失,即该模块的输出值无效。生命信号可以定义为:
第二车速航迹Track_v2由电机控制器或轮速传感器反馈的轮速信号得到,具体为:
其中nw是轮速或电机转速信号,Re是车轮滚动半径。
第二车速航迹Track_v2的观测噪声主要受轴轮胎滑转/滑移率影响,因此第二车速航迹Track_v2可进一步表示为:
若将滑转/滑移率ε看成是测量噪声Nε,则第二车速航迹Track_v2的参考车速可进一步表示为:
第二车速航迹Track_v2的观测噪声与轮毂电机输出转矩或者轮胎纵向力之间的关系如下所示,其对应关系可以根据实际使用进行标定:
R2∝|Fx|
第二车速航迹Track_v2的生命信号由车轮运动状态决定,当车轮出现滑转/抱死时,轮速信号失效,因此定义车轮线加速度和车身纵向加速度的差值作为衡量生命信号的指标。生命信号定义如下:
其中ξ为阈值。
其中τ3为第三车速航迹的更新周期。
而第三车速航迹的观测噪声可表示为:
在此架构下,第三车速航迹无生命信号。
(3)对每条航迹进行卡尔曼滤波:
上述三个虚拟传感器为离散时变***,可得:
其中,x(t)∈Rn,其表示状态变量;yi(t)∈Rmi表示观测量;u(t)∈Rp,表示控制输入;w(t)∈Rr,vi(t)∈Rmi,均表示高斯白噪声;A(t)表示状态转移矩阵,B(t)表示控制矩阵,Γ(t)表示过程噪声矩阵,Hi(t)表示观测矩阵。
分别利用卡尔曼滤波对三个虚拟传感器产生三条车速航迹进行噪声滤波,其中矩阵A(t)为[1,T;0,1],T为航迹更新周期,B(t)为0矩阵,Γ(t)的方差为Q=[0.01,0;0,0.01],Hi(t)为矩阵[1,0]。
第i个传感器的卡尔曼滤波为(其中i表示第i个虚拟传感器):
xi(t)=xi(t|t-1)+Ki(t)(Zi(t)-yi(t))
其中,Zi(t)是第i个传感器的测量值,Ki(t)第i个传感器的卡尔曼滤波增益,对应的计算公式如下:
其中,Pi(t|t)代表滤波后误差方差,Pi(t|t-1)代表第一步预测的误差方差。
第i个传感器与第j个传感器的协方差的计算公式如下:
其中,I为[1;1]的单位矩阵,Pij(t|t)为第i个传感器与第j个传感器的协方差。
(4)基于虚拟传感器之间的协方差Pij(t|t),各车速航迹之间的最优融合估计为:
其中I=[1,1,…1]T,最优融合估计值得到的方差为:
tr为一个参数,其代表矩阵的迹。
综上,能够进一步得到,本发明所提供的全工况纵向车速预测方法具有以下优点:
1、本发明在对纵向车速进行估计的过程中,融合了车载GPS-BD速度信号、车轮轮速信号与组合传感器(InertiaMeasurementUnit,IMU)的纵向加速度信号,使得估计得到的纵向车速精度高。
2、本发明所提供的方法可以使车辆在滑转、抱死或者GPS信号丢失等恶劣工况下,通过各虚拟传感器的生命信号调整,准确获得纵向车速,提高车速估计方法的鲁棒性。
针对于上述所提供的全工况纵向车速预测方法,本发明还提供了一种全工况纵向车速预测***,如图6所示,该***包括:车辆信息获取模块1、车速航迹确定模块2、误差方差和纵向预测车速确定模块3和全工况纵向车速确定模块4。
其中,车辆信息获取模块1用于获取信号采集模块采集的车辆信息;所述车辆信息包括:GPS-BD速度传感单元采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号。
车速航迹确定模块2用于根据所述车辆信息生成车辆的车速航迹;
误差方差和纵向预测车速确定模块3用于根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速。
全工况纵向车速确定模块4用于根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
所述车速航迹确定模块2还可以具体包括:第一车速航迹生成单元、第二车速航迹生成单元和第三车速航迹生成单元。
第一车速航迹生成单元用于根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹。
第二车速航迹生成单元用于根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹。
第三车速航迹生成单元用于根据所述车辆的纵向加速度信号生成第三车速航迹。
所述误差方差和纵向预测车速确定模块3可以具体包括:第一误差和预测车速确定单元、第二误差和预测车速确定单元和第三误差和预测车速确定单元。
第一误差和预测车速确定单元用于根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速。
第二误差和预测车速确定单元用于根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速。
第三误差和预测车速确定单元用于根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种全工况纵向车速预测方法,其特征在于,包括:
获取信号采集模块采集的车辆信息;所述车辆信息包括:GPS-BD速度传感单元采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号;
根据所述车辆信息生成车辆的车速航迹,具体包括:
根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹,具体包括:
获取所述车辆的水平速度信号的更新频率和所述车辆的纵向加速度信号的更新频率;
获取所述第一车速航迹的第一预设更新频率;
根据所述车辆的水平速度信号的更新频率、所述车辆的纵向加速度信号的更新频率和所述第一车速航迹的第一预设更新频率,根据公式生成所述第一车速航迹Track_v1;其中,i′为更新周期,i′=0,1,2,...N,k为时刻序号,T为车辆的水平速度信号的更新频率,τ1为设定的所述第一车速航迹的第一预设更新频率,为tk时刻的GPS-BD纵向速度,为车辆在tk+i′τ1时刻的纵向加速度;
根据所述车辆的轮速信号和所述车轮的转矩信号生成第二车速航迹,具体包括:
根据所述车辆的轮速信号和所述车轮的转矩信号确定车轮的滚动半径;
根据所述车辆的纵向加速度信号生成第三车速航迹,具体包括:
获取所述第三车速航迹的第三预设更新频率;
根据所述车辆的纵向加速度信号、车速值和所述第三车速航迹的第三预设更新频率,根据公式生成所述第三车速航迹Track_v3;其中,为融合中心反馈的车速值,ar为车辆的纵向加速度信号,τ3为第三车速航迹的第三预设更新频率;
根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;
根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
2.根据权利要求1所述的一种全工况纵向车速预测方法,其特征在于,所述根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速,具体包括:
根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速;
根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速;
根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
3.一种全工况纵向车速预测***,其特征在于,包括:
车辆信息获取模块,用于获取信号采集模块采集的车辆信息;所述车辆信息包括:GPS-BD速度传感单元采集的车辆的水平速度信号,惯性测量单元采集的车辆的纵向加速度信号,以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号;
车速航迹确定模块,用于根据所述车辆信息生成车辆的车速航迹;所述车速航迹确定模块具体包括:
第一车速航迹生成单元,用于根据所述车辆的水平速度信号和所述车辆的纵向加速度信号生成第一车速航迹;根据公式生成所述第一车速航迹Track_v1;其中,i′为更新周期,i′=0,1,2,...N,k为时刻序号,T为车辆的水平速度信号的更新频率,τ1为设定的所述第一车速航迹的第一预设更新频率,为tk时刻的GPS-BD纵向速度,为车辆在tk+i′τ1时刻的纵向加速度;
第三车速航迹生成单元,用于根据所述车辆的纵向加速度信号生成第三车速航迹;根据公式生成所述第三车速航迹Track_v3;其中,为融合中心反馈的车速值,ar为车辆的纵向加速度信号,τ3为第三车速航迹的第三预设更新频率;
误差方差和纵向预测车速确定模块,用于根据所述车速航迹确定所述车速航迹的误差方差和车辆的纵向预测车速;
全工况纵向车速确定模块,用于根据所述车速航迹的误差方差和所述车辆的纵向预测车速确定车辆全工况下的纵向车速。
4.根据权利要求3所述的一种全工况纵向车速预测***,其特征在于,所述误差方差和纵向预测车速确定模块具体包括:
第一误差和预测车速确定单元,用于根据所述第一车速航迹确定所述第一车速航迹的第一误差方差和车辆的第一纵向预测车速;
第二误差和预测车速确定单元,用于根据所述第二车速航迹确定所述第二车速航迹的第二误差方差和车辆的第二纵向预测车速;
第三误差和预测车速确定单元,用于根据所述第三车速航迹确定所述第三车速航迹的第三误差方差和车辆的第三纵向预测车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086665.4A CN111428905B (zh) | 2020-02-11 | 2020-02-11 | 一种全工况纵向车速预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086665.4A CN111428905B (zh) | 2020-02-11 | 2020-02-11 | 一种全工况纵向车速预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428905A CN111428905A (zh) | 2020-07-17 |
CN111428905B true CN111428905B (zh) | 2020-12-08 |
Family
ID=71547186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086665.4A Active CN111428905B (zh) | 2020-02-11 | 2020-02-11 | 一种全工况纵向车速预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428905B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102009654A (zh) * | 2010-11-12 | 2011-04-13 | 清华大学 | 一种全轮电驱动车辆的纵向车速估计方法 |
CN110040146A (zh) * | 2019-04-18 | 2019-07-23 | 北京理工大学 | 一种考虑路面参数变化的车辆侧翻预警方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5893953B2 (ja) * | 2012-02-22 | 2016-03-23 | 日立建機株式会社 | 車両運行管理システム |
JP2013248925A (ja) * | 2012-05-30 | 2013-12-12 | Hitachi Automotive Systems Ltd | 車両制御装置 |
CN109872415B (zh) * | 2018-12-28 | 2021-02-02 | 北京理工大学 | 一种基于神经网络的车速估计方法及*** |
CN109795339B (zh) * | 2018-12-29 | 2021-10-01 | 奇瑞新能源汽车股份有限公司 | 一种纯电动汽车驱动防滑***及控制方法 |
CN110532636B (zh) * | 2019-08-05 | 2023-03-28 | 东南大学 | 一种面向多场景的智能驾驶自主车道保持性能检测方法 |
CN110515041B (zh) * | 2019-08-30 | 2023-12-01 | 的卢技术有限公司 | 一种基于Kalman滤波技术的车辆距离测量控制方法及*** |
-
2020
- 2020-02-11 CN CN202010086665.4A patent/CN111428905B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102009654A (zh) * | 2010-11-12 | 2011-04-13 | 清华大学 | 一种全轮电驱动车辆的纵向车速估计方法 |
CN110040146A (zh) * | 2019-04-18 | 2019-07-23 | 北京理工大学 | 一种考虑路面参数变化的车辆侧翻预警方法及*** |
Non-Patent Citations (1)
Title |
---|
Advanced Vehicle State Monitoring:Evaluating Moving Horizon Estimators and Unsented Kalman Filter;Wenliang Zhang et al.;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20190409;第68卷(第6期);第5430-5442页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428905A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8510044B2 (en) | Position sensing device and method | |
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
US9127947B2 (en) | State estimator for rejecting noise and tracking and updating bias in inertial sensors and associated methods | |
CN104061934B (zh) | 基于惯性传感器的行人室内位置跟踪方法 | |
US7096116B2 (en) | Vehicle behavior detector, in-vehicle processing system, detection information calibrator, and in-vehicle processor | |
US7957897B2 (en) | GPS-based in-vehicle sensor calibration algorithm | |
US9183463B2 (en) | Orientation model for a sensor system | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
US20100007550A1 (en) | Positioning apparatus for a mobile object | |
EP1530024A1 (en) | Motion estimation method and system for mobile body | |
US20020022924A1 (en) | Propagation of position with multiaxis accelerometer | |
WO2007143806A2 (en) | Vehicular navigation and positioning system | |
CN113029139B (zh) | 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法 | |
CN112046487A (zh) | 基于车辆行驶状态的路面坡度估算方法及*** | |
US20230182790A1 (en) | Method for calculating an instantaneous velocity vector of a rail vehicle and corresponding system | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
Mazl et al. | Sensor data fusion for inertial navigation of trains in GPS-dark areas | |
CN111428905B (zh) | 一种全工况纵向车速预测方法和*** | |
JP4786559B2 (ja) | 移動局の速度計測装置 | |
JP3095189B2 (ja) | ナビゲーション装置 | |
US20240201221A1 (en) | Method for estimating a longitudinal acceleration of at least one railway vehicle | |
CN111735478B (zh) | 基于lstm的行人实时导航零速检测方法 | |
Cho et al. | A position and velocity estimation using multifarious and multiple sensor fusion | |
CN113985466A (zh) | 一种基于模式识别的组合导航方法及*** | |
US20230324431A1 (en) | Real-time speed estimation method of moving object |
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 |