CN111845775A - 一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法 - Google Patents

Abstract

本发明涉及一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，在建立分布式驱动电动汽车动力学***模型过程中，考虑车辆质量、车辆横摆转动惯量等车辆惯性参数及几何参数变化车对车辆动力学估计***的影响，采用时滞的非线性动态Dugoff轮胎模型来描述来瞬态侧偏力。利用分布式驱动电动汽车四轮驱/制动转矩、四轮转速和四轮转角能够准确获得的多信息源优势，以及纵/侧向加速度、横摆角速度、方向盘转角等低成本传感器，利用了容积积分数值计算能高效计算多维函数积分效率的特点，对高维非线性车辆动力学估计***有更强的适应性，具有低成本、强实时性、精度高、可靠性强等优点。

Description

一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法

技术领域

本发明属于分布式驱动电动汽车主动安全控制领域，具体涉及一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法。

背景技术

与传统内燃机汽车或集中式驱动式电动汽车相比，分布式驱动电动汽车使用轮毂电机直接驱动四个车轮，以线控***取代传统的机械传动链接，在大幅简化底盘结构、提高传动效率的同时，可实现各车轮转矩的独立控制与快速响应，为车辆动力学主动安全***例如电子稳定程序(ESP)、侧倾稳定性控制***(RSC)等的控制提供了独特的优势，将极大地改善车辆操纵舒适性和紧急工况下车辆平顺性。然而，准确而实时地获得电动汽车行驶过程中的状态参数信息是实现车辆底盘动力学主动安全控制的前提。由于测量车辆状态参数信息的传感器价格比较昂贵，且信号的可靠性等技术问题尚未完全解决，车辆运行的关键状态(如，车辆质心侧偏角等)只能被观测或估计。从成本节约和工程实际应用来看，如何利用现有的车载传感器测量信息，准确获得不易直接测量的状态参数，是电动汽车成本控制所面临的急迫问题。

目前国内外学者对车辆动力学***状态估计研究多侧重于车辆速度、车辆质心侧偏角等车辆状态估计，但对车辆惯性参数估计关注相对较少，实际上，分布式驱动电动汽车舍弃了传统内燃机、传统的变速箱等复杂的传动机构以及轮毂电机与电池等的安装，导致分布式驱动电动汽车的簧载质量发生了较大的变化，其惯性参数(车辆质量、车辆横摆转动惯量)的变化对电动汽车左右车轮上垂直载荷的重新分配影响着轮胎与路面之间相互作用的轮胎侧向力等侧偏特性及侧倾状态，进而决定着电动汽车的操纵稳定性、平顺性等。因此，对电动汽车行驶过程中车辆惯性参数及车辆侧倾、瞬态侧偏力等状态的准确联合估计也成为电动汽车动力学安全控制亟待解决的问题。

另外，车辆动力学***本质上是一个高维的非线性***，尤其当车辆运行于极限操纵工况下，车辆动力学呈现出高维强非线性特征，虽然扩展式卡尔曼滤波(EKF)在车辆工程估计领域使用较多，但EKF运用Tayfor级数对车辆非线性***进行一阶泰勒近似带来的线性化高阶截断估计误差明显，如何适应车辆高维非线性动力学的状态参数实时估计也是应该考虑的重要问题。

发明内容

本发明的目的是针对已有技术的不足，提供一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，基于建立的受惯性参数影响的车辆非线性侧倾动力学估计模型，利用分布式驱动电动汽车提供的车载信息测量量，设计并联双容积卡尔曼滤波算法，对电动汽车行驶过程中车辆侧倾、瞬态侧偏力等状态以及整车质量、横摆转动惯量等车辆惯性参数进行联合估计，具有强实时性、精度高、可靠性强等优点。

本发明采用以下技术方案：

一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，采用双容积卡尔曼滤波算法，具体包括如下步骤：

(1)构建考虑车辆惯性参数变化的侧倾动力学估计模型：

构建考虑车辆质量、车辆横摆转动惯量等惯性参数变化的八自由度车辆非线性侧倾动力学模型，建立能反映车辆质心侧倾角、轮胎侧向力以及整车质量、横摆转动惯量变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内整车动力学估计模型；

(2)建立时滞的非线性动态Dugoff轮胎模型：

利用分布式驱动电动汽车驱动力矩可直接测量，可计算车辆在行驶过程中的纵向力；而轮胎侧偏力则采用时滞的非线性动态Dugoff轮胎模型来描述，其具有动态反应瞬态侧偏力的特点；

(3)设计双容积卡尔曼滤波器的状态和惯性参数估计***：

根据构建的受惯性参数影响的八自由度车辆动力学模型和轮胎模型，设计双容积卡尔曼滤波器的状态和惯性参数估计***；

(4)确定双容积卡尔曼滤波观测器具体步骤：

用双容积卡尔曼滤波实现对车辆质心侧倾角

、轮胎侧偏力F_yij、车辆纵向速度V_x、车辆侧向速度V_y以及整车质量M、横摆转动惯量I_zz的联合估计。

进一步，所述步骤(1)的所建立的考虑惯性参数变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内的分布式驱动电动汽车整车动力学方程如下：

上述方程中:

上述式中，V_x、V_y分别为车辆质心的纵向和侧向速度；ω_z为车辆质心的横摆角速度；β、

分别为车辆质心侧偏角和侧倾角；M_s、M分别表示车辆簧载质量和总质量；F_xij、F_yij分别是车辆第i、j轮胎的纵向、侧向力，其中i＝f、r，j＝l、r，且fl、fr、rl、rr分别表示左前、右前、左后、右后轮胎；F_w、F_f分别是车辆空气阻力与地面轮胎滚动阻力；C为空气阻力系数；ρ为空气密度；A为汽车正面迎风面积；a_x、a_y分别为车辆纵向与侧向加速度；μ为已知路面附着系数；δ_fl、δ_fr分别为前轮左右轮的转向角；L_f、L_r分别为质心到车辆前后轴的水平距离；B_l、B_r分别为质心到左右车轮中心的水平距离；h_s是簧载质量质心到侧倾轴垂直距离，K_φf,K_φr是前后侧倾刚度，K_φf,K_φr是前后侧倾阻尼系数。

当电动汽车货物或乘客被加载,车辆的质心发生改变，假加载的质量质心位置相对于原始坐标系坐标矢量为：

当载荷质量M_p被加载，车辆的侧倾转动惯量改变为

式中，I_xxo为车辆未加载时的侧倾转动惯量；

车辆的横摆与侧倾运动的协转动惯量改变为

I_xz＝x_p(z_p+h_s)M_p

车辆的横摆转动惯量改变为

式中，I_zzo为车辆未加载时的横摆转动惯量。

同时，在考虑载荷参数变化的情况下，车辆动力学模型的质心也相应发生改变，位于原来坐标系下的新的质心位置坐标为：

式中x_p、y_p、z_p分别为载荷在原车辆坐标系下的纵向、横向、垂向坐标值；x_n、y_n、z_n为车辆加载时的质心纵向、横向、垂向坐标。

当车辆载荷参数发生变化后,其新的车辆几何坐标位置参数计算如下式：

式中,h_c为侧倾轴到地面的高度；L、B为车辆前后轴的水平距离和车辆左右车轮的水平距离；L_f、L_r分别为未加载时车辆前后轴到质心的水平距离；B_f、B_r分别为车辆未加载时左右轮到质心的水平距离。

分布式驱动电动汽车每个车轮上的电机给各车轮提供驱动力矩，当车辆行驶时，车轮旋转动力学方程为：

其中，ω_ij为各车轮旋转角速度，I_ωij为各车轮转动惯量,T_dij为各车轮驱动力矩，R_ij为车轮滚动半径。

进一步，所述步骤(2)的轮胎力模型建立，利用分布式驱动电动汽车驱动力矩可直接测量，根据车轮旋转动力学可计算车辆在行驶过程中的纵向力；而轮胎侧向力则采用非线性瞬态Dugoff轮胎模型来计算。

当车辆载荷改变时，电动汽车轮胎与路面之间相互作用的轮胎侧向力瞬态侧偏特征可采用非线性瞬态Dugoff轮胎描述为：

其中

为非线性Dugoff轮胎的准静态侧向力，σ_ij为表示轮胎力学时滞的“松弛长度”。

非线性Dugoff轮胎的准静态侧向力为

其中，

上式中，C_xij,C_yij分别为轮胎纵向、侧向刚度，λ_ij、α_ij分别为轮胎滑移率侧偏角；

当车辆载荷发生变化，车辆的车轮垂直载荷F_zij变化表示为：

上述式，m_usf、m_usr为车辆前后非簧载质量；h_uf、h_ur为前、后轴侧倾中心离地高度；

车轮轮胎侧偏角α_ij计算为：

进一步，所述步骤(3)双容积卡尔曼滤波器的状态估计***的状态方程和观测方程,离散化后可表示为如下形式：

上式中

其中，

上式是中T_s采样时间。

上述式中，

x_p(k)＝[M,I_zz]^T分别为车辆非线性动力学观测器***的状态矢量和参数矢量，u(k)＝[δ_f,w_ij,T_ij]^T和y(k)＝[ω_z,a_x]^T分别为车辆非线性动力学观测器***的输入矢量和量测矢量，q_s、r_s分别为***的过程噪音和量测噪音，两者为***互不相关且均值为零的高斯白噪声。

进一步，惯性参数估计***可以进一步被构造:

在上述参数估计***中，q_p、r_p分别为***的过程噪音和量测噪音，d(k)＝[ω_z,a_x]^T为量测矢量。

其中：

同时

所述步骤(4)的双容积卡尔曼滤波观测器具体包括以下步骤：

1)初始化：需要初始化的值分别为：

2)参数变量的时间更新：

2-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_pj(t-1)；

2-2)计算容积点

2-3)计算参数变量预测值

2-4)计算协方差预测值P_p(t|t-1)；

3)状态变量的时间更新：

3-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_sj(t-1)；

3-2)计算容积点

3-3)计算参数变量预测值

3-4)计算协方差预测值P_s(t|t-1)；

4)参数变量的量测更新：

4-1)误差协方差矩阵P_p(t|t-1)进行奇异值分解，并得到x_pj(t|t-1)；

4-2)计算容积点d_pj(t|t-1)；

4-3)计算均值

4-4)计算新息协方差预测值P_pdd(t|t-1)；

4-5)计算互协方差P_pxd(t|t-1)；

4-6)计算增益矩阵K_pt；

4-7)计算参数变量

4-8)计算误差协方差矩阵P_p(t)；

5)状态变量的量测更新：

5-1)误差协方差矩阵P_s(t|t-1)进行奇异值分解，并得到x_sj(t|t-1)；

5-2)计算容积点y_sj(t|t-1)；

5-3)计算均值

5-4)计算新息协方差预测值P_syy(t|t-1)；

5-5)计算互协方差P_sxy(t|t-1)；

5-6)计算增益矩阵K_st；

5-7)计算参数变量

5-8)计算误差协方差矩阵P_s(t)。

所述步骤(4)的Carsim与Matlab/Simulink联合仿真是由Carsim提供实车运行过程中的仿真模型数据，传送给Simulink，其中在Simulink中搭建分布式驱动***，以给电动汽车提供动力源。

与现有技术相比，本发明具有如下显而易见的突出性实质性特点和显著的进步：

1.本发明在建立分布式驱动电动汽车动力学联合估计***模型过程中，考虑车辆质量、车辆横摆转动惯量等车辆惯性参数及几何参数变化车对车辆动力学模型及轮胎模型的影响，发展了受惯性参数与几何参数变化影响的车辆非线性侧倾动力学估计模型；

2.在对分布式驱动电动汽车行使状态与惯性参数联合估计过程中，本发明引入贝叶斯非线性滤波框架下三阶球面-相径容积准则求解贝叶斯滤波中的“非线性函数×高斯密度”数值积分的容积卡尔曼滤波算法，采用三阶球面-相径容积准则对高斯加权积分进行近似，充分利用了容积积分数值计算能高效计算多维函数积分效率的特点，与其他滤波相比，对高维非线性车辆动力学估计***有更强的适应性；

3.本发明利用分布式驱动电动汽车提供的车载信息测量量，设计并联双容积卡尔曼滤波算法，对电动汽车行驶过程中车辆侧倾、瞬态侧偏力等状态以及整车质量、横摆转动惯量等车辆惯性参数进行联合估计，在车辆行驶状态估计的过程中考虑自身到惯性参数的变化使两者相互校正，能够用于分布式驱动电动汽车主动安全控制对车辆行驶过程中状态与惯性参数的测量与估计需要，具有低成本、强实时性、精度高、可靠性强等优点。

附图说明

图1为本发明能分布式驱动电动汽车行驶状态与惯性参数联合估计方法流程图。

图2为本发明分布式驱动电动汽车行驶状态与惯性参数联合估计方法的原理图。

图3为本发明的受惯性参数影响的非线性车辆动力学侧倾模型。

图4为本发明的车轮动力学模型。

图5为本发明的双容积卡尔曼滤波算法流程图。

具体实施方式

下面将结合附图对本发明的优选实施例作详细说明。

实施例一：

在本实施例中，参加图1，一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，所述方法包括以下过程：

步骤S1、构建考虑车辆惯性参数变化的侧倾动力学估计模型：

构建考虑车辆质量、车辆横摆转动惯量的惯性参数变化的八自由度车辆非线性侧倾动力学模型，建立能反映车辆质心侧倾角、轮胎侧向力以及整车质量、横摆转动惯量变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内整车动力学估计模型；

步骤S2、建立时滞的非线性动态Dugoff轮胎模型：

利用分布式驱动电动汽车驱动力矩进行直接测量，计算车辆在行驶过程中的纵向力；而轮胎侧偏力则采用时滞的非线性动态Dugoff轮胎模型来描述，其具有动态反应瞬态侧偏力的特点；

步骤S3、设计双容积卡尔曼滤波器的状态和惯性参数估计***：

根据构建的受惯性参数影响的八自由度车辆动力学模型和轮胎模型，设计双容积卡尔曼滤波器的状态和惯性参数估计***；

步骤S4、确定双容积卡尔曼滤波观测器具体步骤：

用双容积卡尔曼滤波实现对车辆质心侧倾角

轮胎侧偏力F_yij、车辆纵向速度V_x、车辆侧向速度V_y以及整车质量M、横摆转动惯量I_zz的联合估计。

实施例二：

本实施例与实施例一基本相同，特别之处在于：

在本实施例中，参加图1和图2，一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，步骤如下：

1.建立八自由度受惯性参数影响的非线性车辆动力学侧倾模型：

分布式驱动电动汽车动力学模型及车轮动力学模型如图3、图4所示，定义车辆坐标系的原点位于整车质心(CG)处，建立的考虑惯性参数变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内的八自由度整车动力学方程如下：

纵向运动：

侧向运动：

横摆运动：

侧倾运动：

上述方程中:

F_w＝CρAV_x ²/2，F_f＝μMg

上述式中，V_x、V_y分别为车辆质心的纵向和侧向速度；ω_z为车辆质心的横摆角速度；β、

分别为车辆质心侧偏角和侧倾角；M_s、M分别表示车辆簧载质量和总质量；F_xij、F_yij分别是车辆第i、j轮胎的纵向、侧向力，其中i＝f、r，j＝l、r，且fl、fr、rl、rr分别表示左前、右前、左后、右后轮胎；I_zz、I_xx为分别为车辆的横摆转动惯量和侧倾转动惯量；I_xz为车辆的横摆与侧倾运动的协转动惯量；F_w、F_f分别是车辆空气阻力与地面轮胎滚动阻力；C为空气阻力系数；ρ为空气密度；A为汽车正面迎风面积；a_x、a_y分别为车辆纵向与侧向加速度；μ为已知路面附着系数；δ_fl、δ_fr分别为前轮左右轮的转向角；L_f、L_r分别为质心到车辆前后轴的水平距离；B_l、B_r分别为质心到左右车轮中心的水平距离；h_s是簧载质量质心到侧倾轴垂直距离，K_φf,K_φr是前后侧倾刚度，K_φf,K_φr是前后侧倾阻尼系数。

当电动汽车货物或乘客被加载,车辆的质心发生改变，假加载的质量质心位置相对于原始坐标系坐标矢量为：

当载荷质量M_p被加载，利用并行轴原理，车辆的侧倾转动惯量改变为：

式中，I_xxo为车辆未加载时的侧倾转动惯量；

同理，车辆的横摆与侧倾运动的协转动惯量改变为：

I_xz＝x_p(z_p+h_s)M_p

同理，车辆的横摆转动惯量改变为：

式中，I_zzo为车辆未加载时的横摆转动惯量。同时，在考虑载荷参数变化的情况下，车辆动力学模型的质心也相应发生改变，利用杠杆原理，位于原来坐标系下的新的质心位置坐标为：

式中x_p、y_p、z_p分别为载荷在原车辆坐标系下的纵向、横向、垂向坐标值；x_n、y_n、z_n为车辆加载时的质心纵向、横向、垂向坐标。

当得车辆载荷参数发生变化后,其新的车辆几何坐标位置参数计算如下式：

式中,h_c为侧倾轴到地面的高度；L、B为车辆前后轴的水平距离和车辆左右车轮的水平距离；L_f、L_r分别为未加载时车辆前后轴到质心的水平距离；B_f、B_r分别为车辆未加载时左右轮到质心的水平距离。

分布式驱动电动汽车每个车轮上的电机给各车轮提供驱动力矩，当车辆行驶时，根据力矩平衡原理可得车轮旋转动力学方程为：

其中，ω_ij为各车轮旋转角速度，I_ωij为各车轮转动惯量,T_dij为各车轮驱动力矩，R_ij为车轮滚动半径。

2.构建时滞的非线性动态Dugoff轮胎模型：

利用分布式驱动电动汽车驱动力矩可直接测量，根据车轮旋转动力学可计算车辆在行驶过程中的纵向力；而轮胎侧向力则采用Dugoff轮胎模型来计算。

当车辆载荷改变时，为刻画电动汽车左右车轮上垂直载荷的重新分配影响轮胎与路面之间相互作用的轮胎侧向力瞬态侧偏特征，利用半物理半经验方法引入时滞的“松弛长度(Relaxation Length)”对Dugoff稳态轮胎模型进行修正来反映轮胎的动态特性，非线性瞬态Dugoff轮胎侧向力描述为：

其中

为非线性Dugoff轮胎的准静态侧向力。

非线性Dugoff轮胎的准静态侧向力如下

其中，

上式中，C_xij,C_yij分别为轮胎纵向、侧向刚度，λ_ij、α_ij分别为轮胎滑移率侧偏角；

当车辆载荷发生变化，汽车非簧载质量侧倾也会产生载荷转移，因此车辆的车轮垂直载荷变化表示为：

上述式，m_usf、m_usr为车辆前后非簧载质量；h_uf、h_ur为前、后轴侧倾中心离地高度；

车轮轮胎侧偏角α_ij计算如下：

3.设计双容积卡尔曼滤波器的状态和惯性参数估计***：

1)对建立的受惯性参数影响到车辆动力学估计模型，得离散化后的状态估计***状态方程和观测方程：

具体为：

其中，

上式是中T_s采样时间。

离散化后的参数估计***为：

具体为：

4.设计双容积卡尔曼滤波观测器，算法过程如图5所示，具体步骤如下：

1)初始化：

这里需初始化的值分别为：

2)参数变量的时间更新

2-1)误差协方差矩阵P_p(t-1)进行奇异值分解

其中，A_p(t-1)的列为误差协方差P_p(t-1)的单位正交特征向量，Λ_p(t-1)为对角矩阵，且

S_pi为误差协方差矩阵P_p(t-1)的特征值。

式中，容积点

表示容积点集中的第j个元素，m_p为容积点总数，采用三阶容积原则时，m_p＝2n_p,i＝1,2,…,n_p,j＝1,2,…,m_p,n_p为参数维数。本例中参数维数为2，则容积点集为：

2-2)计算容积点

2-3)计算参数变量预测值

2-4)计算协方差预测值P_p(t|t-1)

其中，Q_p为过程噪声协方差矩阵。

3)状态变量的时间更新

3-1)误差协方差矩阵P_s(t-1)进行奇异值分解

其中，A_s(t-1)的列为误差协方差P_s(t-1)的单位正交特征向量，Λ_s(t-1)为对角矩阵，且

S_si为误差协方差矩阵P_s(t-1)的特征值。

式中，容积点

表示容积点集中的第j个元素，m_s为容积点总数，采用三阶容积原则时，m_s＝2n_s,i＝1,2,…,n_s,j＝1,2,…,m_s,n_s为状态维数。本例中状态维数为11，则容积点集为：

3-2)计算容积点

3-3)计算参数变量预测值

3-4)计算协方差预测值P_s(t|t-1)

其中，Q_s为过程噪声协方差矩阵。

4)计算参数变量的量测更新

4-1)误差协方差矩阵P_p(t|t-1)进行奇异值分解

4-2)计算容积点d_pj(t|t-1)

4-3)计算均值

4-4)计算新息协方差预测值P_pdd(t|t-1)

其中，R_p为测量噪声协方差矩阵。

4-5)计算互协方差P_pxd(t|t-1)

4-6)计算增益矩阵K_pt

4-7)计算参数变量

4-8)误差协方差矩阵P_p(t)

5)状态变量的量测更新

5-1)误差协方差矩阵P_s(t|t-1)进行奇异值分解

5-2)计算容积点y_sj(t|t-1)

5-3)计算均值

5-4)计算新息协方差预测值P_syy(t|t-1)

其中，R_s为测量噪声协方差矩阵。

5-5)计算互协方差P_sxy(t|t-1)

5-6)计算增益矩阵K_st

5-7)计算状态变量

5-8)误差协方差矩阵P_s(t)

5.为验证双容积卡尔曼滤波的状态估计算法的有效性，采用Carsim与Matlab/Simulink联合仿真的平台进行试验。由Carsim提供实车运行过程中的仿真模型数据，传送给Simulink，其中在Simulink中搭建分布式驱动***，以给电动汽车提供动力源。

综合上述实施例可知，本发明涉及一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，在建立分布式驱动电动汽车动力学***模型过程中，考虑车辆质量、车辆横摆转动惯量等车辆惯性参数及几何参数变化车对车辆动力学估计***的影响，发展了受惯性参数等变化影响的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内的车辆非线性侧倾动力学估计模型，采用时滞的非线性动态Dugoff轮胎模型来描述来瞬态侧偏力。利用分布式驱动电动汽车四轮驱/制动转矩、四轮转速和四轮转角能够准确获得的多信息源优势，以及纵/侧向加速度、横摆角速度、方向盘转角等低成本传感器，应用动力学理论和信息融合技术，基于贝叶斯非线性滤波框架下三阶球面-相径容积准则求解贝叶斯滤波中的“非线性函数×高斯密度”数值积分的双容积卡尔曼滤波理论设计车辆行驶状态与惯性参数联合估计算法，充分利用了容积积分数值计算能高效计算多维函数积分效率的特点，对高维非线性车辆动力学估计***有更强的适应性，具有低成本、强实时性、精度高、可靠性强等优点。

上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (6)

1.一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，所述方法包括以下过程：

步骤S1、构建考虑车辆惯性参数变化的侧倾动力学估计模型：

构建考虑车辆质量、车辆横摆转动惯量的惯性参数变化的八自由度车辆非线性侧倾动力学模型，建立能反映车辆质心侧倾角、轮胎侧向力以及整车质量、横摆转动惯量变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内整车动力学估计模型；

步骤S2、建立时滞的非线性动态Dugoff轮胎模型：

利用分布式驱动电动汽车驱动力矩进行直接测量，计算车辆在行驶过程中的纵向力；而轮胎侧偏力则采用时滞的非线性动态Dugoff轮胎模型来描述，其具有动态反应瞬态侧偏力的特点；

步骤S3、设计双容积卡尔曼滤波器的状态和惯性参数估计***：

根据构建的受惯性参数影响的八自由度车辆动力学模型和轮胎模型，设计双容积卡尔曼滤波器的状态和惯性参数估计***；

步骤S4、确定双容积卡尔曼滤波观测器具体步骤：

用双容积卡尔曼滤波实现对车辆质心侧倾角

轮胎侧偏力F_yij、车辆纵向速度V_x、车辆侧向速度V_y以及整车质量M、横摆转动惯量I_zz的联合估计。

2.根据权利要求1所述分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S1中，非线性车辆动力学模型的方程为：

上述方程中：

F_f＝μMg

∑M_zi＝(F_yflsinδ_fl-F_xflcosδ_fl)B_ln+(F_xflsinδ_fl+F_yflcosδ_fl)L_fn+(F_xfrcosδ_fr-F_yfrsinδ_fr)B_rn+(F_xfrsinδ_fr+F_yfrcosδ_fr)L_fn+(F_xrrB_rn-F_xrlB_ln)-(F_yrr+F_yrl)L_rn

上述式中，V_x、V_y分别为车辆质心的纵向和侧向速度；ω_z为车辆质心的横摆角速度；β、

分别为车辆质心侧偏角和侧倾角；M_s、M分别表示车辆簧载质量和总质量；F_xij、F_yij分别是车辆第i、j轮胎的纵向、侧向力，其中i＝f、r，j＝l、r，且fl、fr、rl、rr分别表示左前、右前、左后、右后轮胎；F_w、F_f分别是车辆空气阻力与地面轮胎滚动阻力；C为空气阻力系数；ρ为空气密度；A为汽车正面迎风面积；a_x、a_y分别为车辆纵向与侧向加速度；μ为已知路面附着系数；δ_fl、δ_fr分别为前轮左右轮的转向角；L_f、L_r分别为质心到车辆前后轴的水平距离；B_l、B_r分别为质心到左右车轮中心的水平距离；h_s是簧载质量质心到侧倾轴垂直距离，K_φf,K_φr是前后侧倾刚度，K_φf,K_φr是前后侧倾阻尼系数。

3.根据权利要求1所述分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S1中，在非线性车辆动力学模型的方程中，当电动汽车货物或乘客被加载,车辆的质心发生改变，假加载的质量质心位置相对于原始坐标系坐标矢量为：

当载荷质量M_p被加载，车辆的侧倾转动惯量改变为

式中，I_xxo为车辆未加载时的侧倾转动惯量；

车辆的横摆与侧倾运动的协转动惯量改变为

I_xz＝x_p(z_p+h_s)M_p

车辆的横摆转动惯量改变为

式中，I_zzo为车辆未加载时的横摆转动惯量；

同时，在考虑载荷参数变化的情况下，车辆动力学模型的质心也相应发生改变，位于原来坐标系下的新的质心位置坐标为：

式中x_p、y_p、z_p分别为载荷在原车辆坐标系下的纵向、横向、垂向坐标值；x_n、y_n、z_n为车辆加载时的质心纵向、横向、垂向坐标；

当车辆载荷参数发生变化后,其新的车辆几何坐标位置参数计算如下式：

式中,h_c为侧倾轴到地面的高度；L、B为车辆前后轴的水平距离和车辆左右车轮的水平距离；L_f、L_r分别为未加载时车辆前后轴到质心的水平距离；B_f、B_r分别为车辆未加载时左右轮到质心的水平距离；

分布式驱动电动汽车每个车轮上的电机给各车轮提供驱动力矩，当车辆行驶时，车轮旋转动力学方程为：

其中，ω_ij为各车轮旋转角速度，I_ωij为各车轮转动惯量,T_dij为各车轮驱动力矩，R_ij为车轮滚动半径。

4.根据权利要求1所述分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S2中，进行轮胎力模型建立时，利用分布式驱动电动汽车驱动力矩进行直接测量，根据车轮旋转动力学计算车辆在行驶过程中的纵向力；而轮胎侧向力则采用非线性瞬态Dugoff轮胎模型来计算；

当车辆载荷改变时，对于电动汽车轮胎与路面之间相互作用的轮胎侧向力瞬态侧偏特征，采用非线性瞬态Dugoff轮胎描述为：

其中

为非线性Dugoff轮胎的准静态侧向力，σ_ij为表示轮胎力学时滞的“松弛长度”；

非线性Dugoff轮胎的准静态侧向力为

其中，

上式中，C_xij,C_yij分别为轮胎纵向、侧向刚度，λ_ij、α_ij分别为轮胎滑移率侧偏角；

当车辆载荷发生变化，车辆的车轮垂直载荷F_zij变化表示为：

上述式，m_usf、m_usr为车辆前后非簧载质量；h_uf、h_ur为前、后轴侧倾中心离地高度；

车轮轮胎侧偏角α_ij计算为：

5.根据权利要求1所述分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S3中，双容积卡尔曼滤波器的状态估计***的状态方程和观测方程，离散化后表示为如下：

上式中

其中，

∑F_yij(t-1)＝F_yfl(t-1)cos(δ_fl(t-1))+F_yfr(t-1)cos(δ_fr(t-1))+(F_yrl(t-1)+F_yrr(t-1))+F_xfl(t-1)sin(δ_fl(t-1))+F_xfr(t-1)sin(δ_fr(t-1))

∑M_zi(t-1)＝[F_yfl(t-1)sinδ_fl-F_xfl(t-1)cosδ_fl]B_ln+[F_xfl(t-1)sinδ_fl+F_yfl(t-1)cosδ_fl]L_fn+[F_xfr(t-1)cosδ_fr-F_yfr(t-1)sinδ_fr]B_rn+[F_xfr(t-1)sinδ_fr+F_yfr(t-1)cosδ_fr]L_fn+F_xrr(t-1)B_rn-F_xrl(t-1)B_ln-[F_yrr(t-1)+F_yrl(t-1)]L_rn

上式是中T_s采样时间；

上述式中，

x_p(k)＝[M,I_zz]^T分别为车辆非线性动力学观测器***的状态矢量和参数矢量，u(k)＝[δ_f,w_ij,T_ij]^T和y(k)＝[ω_z,a_x]^T分别为车辆非线性动力学观测器***的输入矢量和量测矢量，q_s、r_s分别为***的过程噪音和量测噪音，两者为***互不相关且均值为零的高斯白噪声；

惯性参数估计***被构造如下:

在上述参数估计***中，q_p、r_p分别为***的过程噪音和量测噪音，d(k)＝[ω_z,a_x]^T为量测矢量；

其中：

同时

∑F_xij(t-1)＝F_xfl(t-1)cosδ_fl-F_yfl(t-1)sinδ_fl+F_xfr(t-1)cosδ_fr-F_yfr(t-1)sinδ_fr+F_xrl(t-1)+F_xrr(t-1)

6.根据权利要求1所述的一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S4中，所述双容积卡尔曼滤波观测器具体包括以下步骤：

1)初始化；需要初始化的值分别为：

P_s(0),

P_p(0),Q_s,R_s,Q_p,R_p；

2)参数变量的时间更新：

2-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_pj(t-1)；

2-2)计算容积点

2-3)计算参数变量预测值

2-4)计算协方差预测值P_p(t|t-1)；

3)状态变量的时间更新：

3-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_sj(t-1)；

3-2)计算容积点

3-3)计算参数变量预测值

3-4)计算协方差预测值P_s(t|t-1)；

4)参数变量的量测更新：

4-1)误差协方差矩阵P_p(t|t-1)进行奇异值分解，并得到x_pj(t|t-1)；

4-2)计算容积点d_pj(t|t-1)；

4-3)计算均值

4-4)计算新息协方差预测值P_pdd(t|t-1)；

4-5)计算互协方差P_pxd(t|t-1)；

4-6)计算增益矩阵K_pt；

4-7)计算参数变量

4-8)计算误差协方差矩阵P_p(t)；

5)状态变量的量测更新：

5-1)误差协方差矩阵P_s(t|t-1)进行奇异值分解，并得到x_sj(t|t-1)；

5-2)计算容积点y_sj(t|t-1)；

5-3)计算均值

5-4)计算新息协方差预测值P_syy(t|t-1)；

5-5)计算互协方差P_sxy(t|t-1)；

5-6)计算增益矩阵K_st；

5-7)计算参数变量

5-8)计算误差协方差矩阵P_s(t)。

Images