CN113253615B - 基于分布式电动底盘的运动状态观测方法及*** - Google Patents
基于分布式电动底盘的运动状态观测方法及*** Download PDFInfo
- Publication number
- CN113253615B CN113253615B CN202110694684.XA CN202110694684A CN113253615B CN 113253615 B CN113253615 B CN 113253615B CN 202110694684 A CN202110694684 A CN 202110694684A CN 113253615 B CN113253615 B CN 113253615B
- Authority
- CN
- China
- Prior art keywords
- complete machine
- driving
- state
- observation layer
- observation
- 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 58
- 238000005562 fading Methods 0.000 claims abstract description 103
- 239000011159 matrix material Substances 0.000 claims description 307
- 239000013598 vector Substances 0.000 claims description 70
- 238000012937 correction Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 26
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000003313 weakening effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 108010046685 Rho Factor Proteins 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及信息处理技术领域,公开了一种基于分布式电动底盘的运动状态观测方法及***,针对驱动故障下分布式电动底盘的运动状态观测,设计了一种双结构多重渐消因子强跟踪运动状态观测器,通过基于多重渐消因子强跟踪滤波器分别对驱动状态观测层及整机运动状态观测层进行设计,针对每个驱动状态及整机运动状态分别引入不同的时变渐消因子,并结合对两个观测层状态的强跟踪以及两个观测层之间的数据交互,实现在驱动故障下对不同运动状态快速、准确的跟踪。为避免由于引入多重渐消因子所导致的正定性破坏对运动状态观测精度的影响,对两个观测层分别引入正定参数对其进行改进,以进一步确保了在驱动故障下运动状态观测的准确性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于分布式电动底盘的运动状态观测方法及***。
背景技术
分布式电动底盘具有四轮独立驱动、制动及转向功能,通过合理的控制手段可以实现更加灵活、舒适的动力学和运动学控制(其中,基于轮毂电机驱动的分布式电动底盘更是被广泛应用于各行各业中,例如分布式电动汽车、分布式电动轮椅等),这也为相关产品的智能化及便捷化提供了理想载体。准确获取底盘运动状态信息是实现其智能化及动力学控制的重要技术基础,然而直接通过硬件传感器难以获得准确的运动状态信号,需要建立运动状态观测器。采用传统方法设计的分布式电动底盘运动状态观测器对模型不确定性的鲁棒性较差,并且对进入稳态后由于轮毂电机故障或其他原因导致的整机运动状态缓慢变化或突变后的观测能力差,此外,针对不同的分布式电动底盘整机运动状态设定相同的观测性能,限制了对不同运动状态的观测能力。因此,如何解决现有基于分布式电动底盘的运动状态观测器无法在驱动故障时针对不同运动状态进行快速准确地观测,成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于分布式电动底盘的运动状态观测方法及***,旨在解决现有基于分布式电动底盘的运动状态观测器无法在驱动故障时针对不同运动状态进行快速准确地观测的技术问题。
为实现上述目的,本发明提供了一种基于分布式电动底盘的运动状态观测方法,所述方法包括以下步骤:
分别构建基于分布式电动底盘的运动状态观测器中整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测。
可选地,所述分别构建基于分布式电动底盘的运动状态观测器中整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型的步骤,具体包括:
根据分布式电动底盘的结构特征分别建立整机动力学模型、轮胎侧偏模型以及车轮动力模型;
根据所述整机动力学模型、所述轮胎侧偏模型以及所述车轮动力模型获取预设观测向量,并根据所述预设观测向量通过下式生成整机运动状态观测层对应的整机观测模型,所述预设观测向量包括整机运动状态向量、驱动状态变量、联合状态输入向量以及联合状态量测向量,
式中,xvic(k+1)为当前时刻的整机运动状态观测层的整机运动状态向量,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Fvic(k)为前一时刻的整机观测模型线性化后对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的整机观测模型线性化后对应的量测雅克比矩阵,uDMFSTF(k)为前一时刻的运动状态观测器的输入向量,Uvic为整机运动状态观测层的输入向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差;
根据所述整机运动状态观测层与驱动状态观测层的关系通过下式对所述整机观测模型进行转换处理,以获得驱动状态观测层对应的驱动观测模型,
式中,xdiv(k+1)为当前时刻的驱动状态观测层的驱动状态向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵。
可选地,所述根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值的步骤,具体包括:
根据所述整机观测模型通过下式计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,
式中,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Fvic(k)为前一时刻的整机观测模型线性化后的***状态雅克比矩阵,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Uvic为整机运动状态观测层的输入向量,uDMFSTF(k)为前一时刻的运动状态观测器的输入量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动观测模型通过下式计算当前时刻的所述驱动状态观测层对应的驱动先验估计值,
可选地,所述分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵的步骤,具体包括:
通过下式计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵,
式中,λvic为整机运动状态观测层对应的整机多重时变渐消因子矩阵,λvic_1、λvic_2……λvic_n为针对整机运动状态观测层中不同整机运动状态的多重时变渐消因子,xvic(1)、xvic(1)……xvic(n)为整机运动状态观测层的不同的整机运动状态向量,λvic_i(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子,ηvic_i(k+1)为当前时刻的整机运动状态观测层的预设多重参数;
通过下式计算所述驱动状态观测层对应的驱动多重时变渐消因子矩阵,
式中,λdiv为驱动状态观测层对应的驱动多重时变渐消因子矩阵,λdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重时变渐消因子,T_lf为左前轮的轮毂电机驱动力矩,T_rf为右前轮的轮毂电机驱动力矩,T_lr为左后轮的轮毂电机驱动力矩,T_rr为右后轮的轮毂电机驱动力矩,λdiv_i(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子,ηdiv_i(k+1)为当前时刻的驱动状态观测层的预设多重参数。
可选地,所述当前时刻的整机运动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηvic为整机运动状态观测层的预设多重参数矩阵,ηvic_1、ηvic_2……ηvic_n为整机运动状态观测层的不同的多重参数矩阵,ηvic(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,βvic为整机运动状态观测层的多重弱化因子,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,γvic为整机运动状态观测层的残差,V0_vic(k+1)为当前时刻的整机运动状态观测层的残差协方差矩阵,V0_vic(k)为前一时刻的整机运动状态观测层的残差协方差矩阵,ρvic为整机运动状态观测层的多重遗忘因子,γvic(k+1)为当前时刻的整机运动状态观测层的残差;
相应地,所述当前时刻的驱动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηdiv为驱动状态观测层的预设多重参数矩阵,ηdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,V0_div(k)为前一时刻的驱动状态观测层的残差协方差矩阵,V0_div(k+1)为前一时刻的驱动状态观测层的残差协方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,βdiv为驱动状态观测层的多重弱化因子,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,γdiv为驱动状态观测层的残差,ρdiv为驱动状态观测层的多重遗忘因子,γdiv(k+1)为当前时刻的驱动状态观测层的残差。
可选地,所述根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵的步骤,具体包括:
根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵通过下式计算所述整机运动状态观测层对应的整机先验预报方差矩阵,
式中,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵通过下式计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵,
式中,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差。
可选地,所述根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益的步骤,具体包括:
根据所述整机先验预报方差矩阵通过下式计算所述整机运动状态观测层对应的整机状态修正增益,
式中,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Rvic(k)为前一时刻的整机运动状态观测层的量测噪声的协方差;
根据所述驱动先验预报方差矩阵通过下式计算所述驱动状态观测层对应的驱动状态修正增益,
式中,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵。
可选地,所述根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值的步骤,具体包括:
根据所述整机状态修正增益通过下式对所述整机先验估计值进行修正,以获得整机最优估计值,
式中,(k+1)为当前时刻的整机运动状态观测层对应的整机最优估计值,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的***状态雅克比矩阵;
根据所述驱动状态修正增益通过下式对所述驱动先验估计值进行修正,以获得驱动最优估计值,
式中,(k+1)为当前时刻的驱动状态观测层对应的驱动最优估计值,(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验估计值预测的当前时刻的驱动状态观测层对应的驱动先验估计值,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵。
可选地,在获得所述整机运动状态观测层对应的整机先验预报方差矩阵后,还包括:
通过下式对所述整机运动状态观测层对应的整机先验预报方差矩阵进行修正,以获得所述整机运动状态观测层对应的整机最优方差矩阵,
式中,Pvic(k+1)为当前时刻的整机运动状态观测层对应的整机最优方差矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差, vic_1、 vic_2、…… vic_n为整机运动状态观测层的不同的正定参数,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵;
相应地,通过下式对所述驱动运动状态观测层对应的驱动先验预报方差矩阵进行修正,以获得所述驱动状态观测层对应的驱动最优方差矩阵,
式中,Pdiv(k+1)为当前时刻的驱动状态观测层对应的驱动最优方差矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差, div_lf为驱动状态观测层中左前轮对应的正定参数、 div_rf为驱动状态观测层中右前轮对应的正定参数、 div_lr为驱动状态观测层中左后轮对应的正定参数、 div_rr为驱动状态观测层中右后轮对应的正定参数,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵。
此外,为实现上述目的,本发明还提出一种基于分布式电动底盘的运动状态观测***,所述基于分布式电动底盘的运动状态观测***包括:
模型构建模块,用于分别构建基于分布式电动底盘的运动状态观测器的整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
先验值计算模块,用于根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
因子计算模块,用于分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
方差计算模块,用于根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
修正模块,用于根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
最优值计算模块,用于根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
递归观测模块,用于基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测。
本发明中,针对驱动故障下分布式电动底盘的运动状态观测,设计了一种双结构多重渐消因子强跟踪运动状态观测器,通过基于多重渐消因子强跟踪滤波器分别对驱动状态观测层及整机运动状态观测层进行设计,针对每个驱动状态及整机运动状态分别引入不同的时变渐消因子,从而满足不同运动状态观测需求,并结合对两个观测层状态的强跟踪以及两个观测层之间的数据交互,实现在驱动故障下的对不同分布式电动底盘的运动状态快速、准确的跟踪。进一步地,为避免由于引入多重渐消因子所导致的正定性破坏对分布式电动底盘整机的状态观测精度的影响,对驱动状态观测层及整机运动状态观测层分别引入正定参数对其进行改进,进一步确保了在驱动故障下运动状态观测的准确性。
附图说明
图1为本发明基于分布式电动底盘的运动状态观测方法第一实施例的流程示意图;
图2为本发明基于分布式电动底盘的运动状态观测***第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于分布式电动底盘的运动状态观测方法,参照图1,图1为本发明基于分布式电动底盘的运动状态观测方法第一实施例的流程示意图。
本实施例中,所述基于分布式电动底盘的运动状态观测方法包括以下步骤:
步骤S10:分别构建基于分布式电动底盘的运动状态观测器中整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
需要说明的是,在建立基于分布式电动底盘的运动状态观测器中整机(vehicle)运动状态观测层对应的整机观测模型和驱动(drive)状态观测层对应的驱动观测模型之前,还可根据分布式电动底盘的结构特征分别建立整机动力学模型、轮胎侧偏模型以及车轮动力模型。为了降低模型复杂度,提高运动状态观测速度,所述整机动力学模型可为忽略俯仰、侧倾及垂向整机运动,基于牛顿第二定律建立的三自由度动力学模型;所述轮胎侧偏模型为忽略车轮侧倾对轮胎力的影响,基于公路安全研究所(Highway Safety ResearchInstitute,HSRI)轮胎模型建立的用于表示轮胎的侧偏角与侧偏力的关系的模型,当分布式电动底盘整机速度超过一定阈值时,由于轮胎材质特性,车轮不再是一个刚性物体,由于轮胎形状发生扭曲,其接地处并不会立即随着轮胎其他部分发生转动,这种扭曲会使车轮行驶方向与轮胎平面轴线形成一个夹角,即为侧偏角,而在侧偏角产生的同时,地面对轮胎产生一个侧向反作用力,即为侧偏力;本实施例中分布式电动底盘四个车轮均采用轮毂电机作为驱动***,由于轮毂电机响应迅速,忽略其瞬态响应的过程,可将轮毂电机和与其相对应的控制器视为一个整体并独立的子驱动***,则其输出力矩和控制输入信号成正比关系,而基于力矩平衡原理,以及输出力矩和控制输入信号的关系所建立的模型,即为车轮动力模型。整机动力学模型、轮胎侧偏模型以及车轮动力模型的具体建模方式均可根据实际需求进行设置,以能快速准确获取本实施例所需的整机运动状态向量、驱动状态变量、联合状态输入向量以及联合状态量测向量为准,本实施例对此不加以限制。
其中,所述整机运动状态向量包括但不限于由分布式电动底盘的整机纵向加速度、整机侧向加速度、整机横摆角速度、整机横摆角加速度、整机纵向车速和侧向车速组成的向量;所述驱动状态变量包括但不限于由分布式电动底盘对应的四轮(左前轮、左后轮、右前轮、右后轮)的驱动力矩组成的向量;本实施所涉及的运动状态观测器可理解为基于双多重渐消因子强跟踪滤波器(Double Multiple Fading factor Strong TrackingFilter,DMFSTF)生成的双结构多重渐消因子强跟踪运动状态观测器,其基本思想是采用两层多重渐消因子强跟踪滤波方法分别对整机运动状态及驱动***不同状态进行辨识,其中,在考虑分布式电动底盘驱动故障的同时,针对每一个驱动状态及整机运动状态设定了不同的时变渐消因子,从而满足运动控制对不同状态的多种观测需求,并通过引入正定参数对引入多重时变渐消因子所导致的分布式电动底盘运动状态信息发散问题进行了改进;结合对两个观测层突变状态的强跟踪及观测层之间的数据交互,实现分布式电动底盘不同运动状态的自适应精确辨识,可理解为一种联合状态观测器,其底层执行器的状态变量即为整机观测器的输入,因此执行器的输入可认为是联合状态观测器的整体输入,基于此,所述联合状态输入向量包括但不限于四轮转角、车轮转速及转速加速度,所述联合状态量测向量包括但不限于分布式电动底盘的整机纵向加速度、整机侧向加速度及整机横摆角速度。
在具体实现中,根据所述整机动力学模型、所述轮胎侧偏模型以及所述车轮动力模型获取预设观测向量,并根据所述预设观测向量可通过下式生成整机运动状态观测层对应的整机观测模型,所述预设观测向量包括整机运动状态向量、驱动状态变量、联合状态输入向量以及联合状态量测向量,
式中,xvic(k+1)为当前时刻的整机运动状态观测层的整机运动状态向量,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Fvic(k)为前一时刻的整机观测模型线性化后对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的整机观测模型线性化后对应的量测雅克比矩阵,uDMFSTF(k)为前一时刻的运动状态观测器的输入向量,Uvic为整机运动状态观测层的输入向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差;
根据所述整机运动状态观测层与驱动状态观测层的关系通过下式对所述整机观测模型进行转换处理,以获得驱动状态观测层对应的驱动观测模型,
式中,xdiv(k+1)为当前时刻的驱动状态观测层的驱动状态向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差。
步骤S20:根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
在具体实现中,根据所述整机观测模型可通过下式计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,
式中,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Fvic(k)为前一时刻的整机观测模型线性化后的***状态雅克比矩阵,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Uvic为整机运动状态观测层的输入向量,uDMFSTF(k)为前一时刻的运动状态观测器的输入量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动观测模型可通过下式计算当前时刻的所述驱动状态观测层对应的驱动先验估计值,
步骤S30:分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
在具体实现中,可通过下式计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵,
式中,λvic为整机运动状态观测层对应的整机多重时变渐消因子矩阵,λvic_1、λvic_2……λvic_n为针对整机运动状态观测层中不同整机运动状态的多重时变渐消因子,xvic(1)、xvic(1)……xvic(n)为整机运动状态观测层的不同的整机运动状态向量,λvic_i(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子,ηvic_i(k+1)为当前时刻的整机运动状态观测层的预设多重参数;
通过下式计算所述驱动状态观测层对应的驱动多重时变渐消因子矩阵,
式中,λdiv为驱动状态观测层对应的驱动多重时变渐消因子矩阵,λdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重时变渐消因子,T_lf为左前轮的轮毂电机驱动力矩,T_rf为右前轮的轮毂电机驱动力矩,T_lr为左后轮的轮毂电机驱动力矩,T_rr为右后轮的轮毂电机驱动力矩,λdiv_i(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子,ηdiv_i(k+1)为当前时刻的驱动状态观测层的预设多重参数。
其中,所述当前时刻的整机运动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηvic为整机运动状态观测层的预设多重参数矩阵,ηvic_1、ηvic_2……ηvic_n为整机运动状态观测层的不同的多重参数矩阵,ηvic(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,βvic为整机运动状态观测层的多重弱化因子,βvic_1、βvic_2……βvic_n为整机运动状态观测层的不同的多重弱化因子,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,γvic为整机运动状态观测层的残差,V0_vic(k+1)为当前时刻的整机运动状态观测层的残差协方差矩阵,V0_vic(k)为前一时刻的整机运动状态观测层的残差协方差矩阵,ρvic为整机运动状态观测层的多重遗忘因子,ρvic_1、ρvic_2……ρvic_n为整机运动状态观测层的不同的多重遗忘因子,γvic(k+1)为当前时刻的整机运动状态观测层的残差;
相应地,所述当前时刻的驱动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηdiv为驱动状态观测层的预设多重参数矩阵,ηdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,V0_div(k)为前一时刻的驱动状态观测层的残差协方差矩阵,V0_div(k+1)为前一时刻的驱动状态观测层的残差协方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,βdiv为驱动状态观测层的多重弱化因子,βdiv_lf为驱动状态观测层中左前轮对应的多重弱化因子,βdiv_rf为驱动状态观测层中右前轮对应的多重弱化因子,βdiv_lr为驱动状态观测层中左后轮对应的多重弱化因子,βdiv_rr为驱动状态观测层中右后轮对应的多重弱化因子,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,γdiv为驱动状态观测层的残差,ρdiv为驱动状态观测层的多重遗忘因子,ρdiv_lf为驱动状态观测层中左前轮对应的多重遗忘因子,ρdiv_rf为驱动状态观测层中右前轮对应的多重遗忘因子,ρdiv_lr为驱动状态观测层中左后轮对应的多重遗忘因子,ρdiv_rr为驱动状态观测层中右后轮对应的多重遗忘因子,γdiv(k+1)为当前时刻的驱动状态观测层的残差。
其中,k可理解为前一时刻,k+1可理解为当前时刻(此处并不限定,仅表示时间上的先后关系,也可理解为k为当前时刻,k+1为下一时刻);n为整机运动状态观测量的数量,可理解为整机运动状态向量的维度。整机运动状态观测层和驱动状态观测层的多重弱化因子的矩阵元素取值范围可为0~20,不同取值可以获得不同曲线平滑度;整机运动状态观测层和驱动状态观测层的多重弱化因子的矩阵元素取值范围可为0.5~1,不同取值可在不同程度上削弱前一时刻数据对当前时刻数据观测的影响。
步骤S40:根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
在具体实现中,根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵可通过下式计算所述整机运动状态观测层对应的整机先验预报方差矩阵,
式中,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵可通过下式计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵,
式中,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差。
步骤S50:根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
在具体实现中,根据所述整机先验预报方差矩阵可通过下式计算所述整机运动状态观测层对应的整机状态修正增益,
式中,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Rvic(k)为前一时刻的整机运动状态观测层的量测噪声的协方差;
根据所述驱动先验预报方差矩阵可通过下式计算所述驱动状态观测层对应的驱动状态修正增益,
式中,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵,Rvic(k)为前一时刻的整机运动状态观测层的量测噪声的协方差。
步骤S60:根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
在具体实现中,根据所述整机状态修正增益可通过下式对所述整机先验估计值进行修正,以获得整机最优估计值,
式中,(k+1)为当前时刻的整机运动状态观测层对应的整机最优估计值,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的***状态雅克比矩阵;
根据所述驱动状态修正增益可通过下式对所述驱动先验估计值进行修正,以获得驱动最优估计值,
式中,(k+1)为当前时刻的驱动状态观测层对应的驱动最优估计值,(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验估计值预测的当前时刻的驱动状态观测层对应的驱动先验估计值,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵。
步骤S70:基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测。
在具体实现中,在获得所述整机运动状态观测层对应的整机先验预报方差矩阵后,还包括:
通过下式对所述整机运动状态观测层对应的整机先验预报方差矩阵进行修正,以获得所述整机运动状态观测层对应的整机最优方差矩阵,
式中,Pvic(k+1)为当前时刻的整机运动状态观测层对应的整机最优方差矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差, vic_1、 vic_2、…… vic_n为整机运动状态观测层的不同的正定参数,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵;
相应地,通过下式对所述驱动运动状态观测层对应的驱动先验预报方差矩阵进行修正,以获得所述驱动状态观测层对应的驱动最优方差矩阵,
式中,Pdiv(k+1)为当前时刻的驱动状态观测层对应的驱动最优方差矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差, div_lf为驱动状态观测层中左前轮对应的正定参数、 div_rf为驱动状态观测层中右前轮对应的正定参数、 div_lr为驱动状态观测层中左后轮对应的正定参数、 div_rr为驱动状态观测层中右后轮对应的正定参数,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵。
进一步地,则可基于通过对所述整机先验预报方差矩阵进行修正获得的整机最优方差矩阵、通过对所述驱动先验预报方差矩阵进行修正获得的驱动最优方差矩阵、所述整机最优估计值以及所述驱动最优估计值进行下一时刻的运动状态观测,以确保在驱动故障下整机运动状态观测的准确性。
易于理解的是,通过对每一个驱动状态及整机运动状态设定不同的时变渐消因子,以满足运动控制对不同状态的多种观测需求,并通过引入正定参数对引入多重时变渐消因子所导致的分布式电动底盘运动状态信息发散问题进行了改进,进一步地,结合对两个观测层突变状态的强跟踪及观测层之间的数据交互,实现分布式电动底盘不同运动状态的自适应精确辨识。
本实施例中,针对驱动故障下分布式电动底盘的运动状态观测,设计了一种双结构多重渐消因子强跟踪运动状态观测器,通过基于多重渐消因子强跟踪滤波器分别对驱动状态观测层及整机运动状态观测层进行设计,针对每个驱动状态及整机运动状态分别引入不同的时变渐消因子,从而满足不同运动状态观测需求,并结合对两个观测层状态的强跟踪以及两个观测层之间的数据交互,实现在驱动故障下的对不同分布式电动底盘的运动状态快速、准确的跟踪。进一步地,为避免由于引入多重渐消因子所导致的正定性破坏对分布式电动底盘整机运动状态观测精度的影响,对驱动状态观测层及整机运动状态观测层分别引入正定参数对其进行改进,进一步确保了在驱动故障下运动状态观测的准确性。
参照图2,图2为本发明基于分布式电动底盘的运动状态观测***第一实施例的结构框图。
如图2所示,本发明实施例提出的基于分布式电动底盘的运动状态观测***包括:
模型构建模块10,用于分别构建基于分布式电动底盘的运动状态观测器的整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
先验值计算模块20,用于根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
因子计算模块30,用于分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
方差计算模块40,用于根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
修正模块50,用于根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
最优值计算模块60,用于根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
递归观测模块70,用于基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测。
本实施例中,针对驱动故障下分布式电动底盘的运动状态观测,设计了一种双结构多重渐消因子强跟踪运动状态观测器,通过基于多重渐消因子强跟踪滤波器分别对驱动状态观测层及整机运动状态观测层进行设计,针对每个驱动状态及整机运动状态分别引入不同的时变渐消因子,从而满足不同运动状态观测需求,并结合对两个观测层状态的强跟踪以及两个观测层之间的数据交互,实现在驱动故障下的对不同分布式电动底盘的运动状态快速、准确的跟踪。进一步地,为避免由于引入多重渐消因子所导致的正定性破坏对分布式电动底盘整机运动状态观测精度的影响,对驱动状态观测层及整机运动状态观测层分别引入正定参数对其进行改进,进一步确保了在驱动故障下运动状态观测的准确性。
本发明基于分布式电动底盘的运动状态观测***的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种基于分布式电动底盘的运动状态观测方法,其特征在于,所述基于分布式电动底盘的运动状态观测方法包括以下步骤:
分别构建基于分布式电动底盘的运动状态观测器中整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测;
所述分别构建基于分布式电动底盘的运动状态观测器中整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型的步骤,具体包括:
根据分布式电动底盘的结构特征分别建立整机动力学模型、轮胎侧偏模型以及车轮动力模型;
根据所述整机动力学模型、所述轮胎侧偏模型以及所述车轮动力模型获取预设观测向量,并根据所述预设观测向量通过下式生成整机运动状态观测层对应的整机观测模型,所述预设观测向量包括整机运动状态向量、驱动状态变量、联合状态输入向量以及联合状态量测向量,
式中,xvic(k+1)为当前时刻的整机运动状态观测层的整机运动状态向量,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Fvic(k)为前一时刻的整机观测模型线性化后对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的整机观测模型线性化后对应的量测雅克比矩阵,uDMFSTF(k)为前一时刻的运动状态观测器的输入向量,Uvic为整机运动状态观测层的输入向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差;
根据所述整机运动状态观测层与驱动状态观测层的关系通过下式对所述整机观测模型进行转换处理,以获得驱动状态观测层对应的驱动观测模型,
式中,xdiv(k+1)为当前时刻的驱动状态观测层的驱动状态向量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵;
所述根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值的步骤,具体包括:
根据所述整机观测模型通过下式计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,
式中,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Fvic(k)为前一时刻的整机观测模型线性化后的***状态雅克比矩阵,xvic(k)为前一时刻的整机运动状态观测层的整机运动状态向量,Uvic为整机运动状态观测层的输入向量,uDMFSTF(k)为前一时刻的运动状态观测器的输入量,xdiv(k)为前一时刻的驱动状态观测层的驱动状态向量,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动观测模型通过下式计算当前时刻的所述驱动状态观测层对应的驱动先验估计值,
所述分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵的步骤,具体包括:
通过下式计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵,
式中,λvic为整机运动状态观测层对应的整机多重时变渐消因子矩阵,λvic_1、λvic_2……λvic_n为对应整机运动状态观测层中不同整机运动状态的多重时变渐消因子,xvic(1)、xvic(1)……xvic(n)为整机运动状态观测层的不同的整机运动状态向量,λvic_i(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子,ηvic_i(k+1)为当前时刻的整机运动状态观测层的预设多重参数矩阵;
通过下式计算所述驱动状态观测层对应的驱动多重时变渐消因子矩阵,
式中,λdiv为驱动状态观测层对应的驱动多重时变渐消因子矩阵,λdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重时变渐消因子,λdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重时变渐消因子,T_lf为左前轮的轮毂电机驱动力矩,T_rf为右前轮的轮毂电机驱动力矩,T_lr为左后轮的轮毂电机驱动力矩,T_rr为右后轮的轮毂电机驱动力矩,λdiv_i(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子,ηdiv_i(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵;
所述当前时刻的整机运动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηvic为整机运动状态观测层的预设多重参数矩阵,ηvic_1、ηvic_2……ηvic_n为整机运动状态观测层的不同的多重参数矩阵,ηvic(k+1)为当前时刻的整机运动状态观测层的预设多重参数矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差,βvic为整机运动状态观测层的多重弱化因子,Rvic(k+1)为当前时刻的整机运动状态观测层的量测噪声的协方差,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,γvic为整机运动状态观测层的残差,V0_vic(k+1)为当前时刻的整机运动状态观测层的残差协方差矩阵,V0_vic(k)为前一时刻的整机运动状态观测层的残差协方差矩阵,ρvic为整机运动状态观测层的多重遗忘因子,γvic(k+1)为当前时刻的整机运动状态观测层的残差;
相应地,所述当前时刻的驱动状态观测层的预设多重参数矩阵通过下式获得,
式中,ηdiv为驱动状态观测层的预设多重参数矩阵,ηdiv_T_lf为左前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rf为右前轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_lr为左后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv_T_rr为右后轮的轮毂电机驱动力矩对应的多重参数矩阵,ηdiv(k+1)为当前时刻的驱动状态观测层的预设多重参数矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,V0_div(k)为前一时刻的驱动状态观测层的残差协方差矩阵,V0_div(k+1)为前一时刻的驱动状态观测层的残差协方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差,βdiv为驱动状态观测层的多重弱化因子,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,γdiv为驱动状态观测层的残差,ρdiv为驱动状态观测层的多重遗忘因子,γdiv(k+1)为当前时刻的驱动状态观测层的残差;
所述根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵的步骤,具体包括:
根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵通过下式计算所述整机运动状态观测层对应的整机先验预报方差矩阵,
式中,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Pvic(k)为前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差;
根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵通过下式计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵,
式中,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Pdiv(k)为前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差;
所述根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益的步骤,具体包括:
根据所述整机先验预报方差矩阵通过下式计算所述整机运动状态观测层对应的整机状态修正增益,
式中,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,Rvic(k)为前一时刻的整机运动状态观测层的量测噪声的协方差;
根据所述驱动先验预报方差矩阵通过下式计算所述驱动状态观测层对应的驱动状态修正增益,
式中,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵;
所述根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值的步骤,具体包括:
根据所述整机状态修正增益通过下式对所述整机先验估计值进行修正,以获得整机最优估计值,
式中,(k+1)为当前时刻的整机运动状态观测层对应的整机最优估计值,(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验估计值预测的当前时刻的整机运动状态观测层对应的整机先验估计值,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,yDMFSTF(k+1)为当前时刻的运动状态观测器的量测向量,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的***状态雅克比矩阵;
根据所述驱动状态修正增益通过下式对所述驱动先验估计值进行修正,以获得驱动最优估计值,
式中,(k+1)为当前时刻的驱动状态观测层对应的驱动最优估计值,(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验估计值预测的当前时刻的驱动状态观测层对应的驱动先验估计值,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Hdiv(k+1)为当前时刻的驱动观测模型的量测雅克比矩阵;
在获得所述整机运动状态观测层对应的整机先验预报方差矩阵后,还包括:
通过下式对所述整机运动状态观测层对应的整机先验预报方差矩阵进行修正,以获得所述整机运动状态观测层对应的整机最优方差矩阵,
式中,Pvic(k+1)为当前时刻的整机运动状态观测层对应的整机最优方差矩阵,Fvic(k)为前一时刻的线性化后的整机观测模型对应的***状态雅克比矩阵,Pvic(k+1|k)为根据前一时刻的整机运动状态观测层对应的整机先验预报方差矩阵预测的当前时刻的整机运动状态观测层对应的整机先验预报方差矩阵,Qvic(k)为前一时刻的整机运动状态观测层的过程噪声的协方差, vic_1、 vic_2、…… vic_n为整机运动状态观测层的不同的正定参数,Kvic(k+1)为整机运动状态观测层对应的整机状态修正增益,Hvic(k+1)为当前时刻的线性化后的整机观测模型对应的量测雅克比矩阵,λvic(k+1)为当前时刻的整机运动状态观测层对应的整机多重时变渐消因子矩阵;
相应地,通过下式对所述驱动运动状态观测层对应的驱动先验预报方差矩阵进行修正,以获得所述驱动状态观测层对应的驱动最优方差矩阵,
式中,Pdiv(k+1)为当前时刻的驱动状态观测层对应的驱动最优方差矩阵,Fdiv(k)为前一时刻的驱动观测模型对应的***状态雅克比矩阵,Pdiv(k+1|k)为根据前一时刻的驱动状态观测层对应的驱动先验预报方差矩阵预测的当前时刻的驱动状态观测层对应的驱动先验预报方差矩阵,Qdiv(k)为前一时刻的驱动状态观测层的过程噪声的协方差, div_lf为驱动状态观测层中左前轮对应的正定参数、 div_rf为驱动状态观测层中右前轮对应的正定参数、 div_lr为驱动状态观测层中左后轮对应的正定参数、 div_rr为驱动状态观测层中右后轮对应的正定参数,Kdiv(k+1)为驱动状态观测层对应的驱动状态修正增益,Hdiv(k+1)为当前时刻的驱动观测模型对应的量测雅克比矩阵,λdiv(k+1)为当前时刻的驱动状态观测层对应的驱动多重时变渐消因子矩阵。
2.一种基于分布式电动底盘的运动状态观测***,其特征在于,所述基于分布式电动底盘的运动状态观测***用于执行如权利要求1所述的基于分布式电动底盘的运动状态观测方法,所述基于分布式电动底盘的运动状态观测***包括:
模型构建模块,用于分别构建基于分布式电动底盘的运动状态观测器的整机运动状态观测层对应的整机观测模型和驱动状态观测层对应的驱动观测模型;
先验值计算模块,用于根据所述整机观测模型计算当前时刻的所述整机运动状态观测层对应的整机先验估计值,并根据所述驱动观测模型计算当前时刻的所述驱动状态观测层对应的驱动先验估计值;
因子计算模块,用于分别计算所述整机运动状态观测层对应的整机多重时变渐消因子矩阵和所述驱动状态观测层对应的驱动多重时变渐消因子矩阵;
方差计算模块,用于根据所述整机多重时变渐消因子矩阵和改进后的整机协方差矩阵计算所述整机运动状态观测层对应的整机先验预报方差矩阵,并根据所述驱动多重时变渐消因子矩阵和改进后的驱动协方差矩阵计算所述驱动运动状态观测层对应的驱动先验预报方差矩阵;
修正模块,用于根据所述整机先验预报方差矩阵计算所述整机运动状态观测层对应的整机状态修正增益,并根据所述驱动先验预报方差矩阵计算所述驱动状态观测层对应的驱动状态修正增益;
最优值计算模块,用于根据所述整机状态修正增益对所述整机先验估计值进行修正,以获得整机最优估计值,并根据所述驱动状态修正增益对所述驱动先验估计值进行修正,以获得驱动最优估计值;
递归观测模块,用于基于所述整机最优估计值、所述驱动最优估计值、所述整机先验预报方差矩阵以及所述驱动先验预报方差矩阵进行下一时刻的运动状态观测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694684.XA CN113253615B (zh) | 2021-06-22 | 2021-06-22 | 基于分布式电动底盘的运动状态观测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694684.XA CN113253615B (zh) | 2021-06-22 | 2021-06-22 | 基于分布式电动底盘的运动状态观测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113253615A CN113253615A (zh) | 2021-08-13 |
CN113253615B true CN113253615B (zh) | 2021-10-22 |
Family
ID=77189170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694684.XA Active CN113253615B (zh) | 2021-06-22 | 2021-06-22 | 基于分布式电动底盘的运动状态观测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113253615B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3475152B2 (ja) * | 2000-06-23 | 2003-12-08 | 日野自動車株式会社 | 車両のサスペンション装置 |
CN107561503B (zh) * | 2017-08-28 | 2020-08-14 | 哈尔滨工业大学 | 一种基于多重渐消因子的自适应目标跟踪滤波方法 |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
CN112287289A (zh) * | 2020-10-14 | 2021-01-29 | 南京航空航天大学 | 一种面向云控智能底盘的车辆非线性状态融合估计方法 |
CN112270039A (zh) * | 2020-10-19 | 2021-01-26 | 南京航空航天大学 | 基于分布式异步融合的线控底盘车辆非线性状态估计方法 |
CN112881029B (zh) * | 2021-01-11 | 2022-04-05 | 深圳市康士柏实业有限公司 | 车辆底盘检测方法及*** |
-
2021
- 2021-06-22 CN CN202110694684.XA patent/CN113253615B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113253615A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210269018A1 (en) | Vehicle stability control method and device | |
Zhang et al. | Active front steering-based electronic stability control for steer-by-wire vehicles via terminal sliding mode and extreme learning machine | |
CN101417654B (zh) | 用于估计车辆状态以便避免倾翻的*** | |
US7845218B2 (en) | Tire state estimator and tire state estimation method | |
CN113753080B (zh) | 一种自动驾驶汽车横向运动自适应参数控制方法 | |
Xu et al. | Model predictive control for lane keeping system in autonomous vehicle | |
Kaiser et al. | Torque vectoring for an electric vehicle using an LPV drive controller and a torque and slip limiter | |
CN107585207B (zh) | 一种车辆线控四轮转向***及其控制方法 | |
US11999426B2 (en) | Method and device for estimating a steering wheel torque for a mechanical feedback at a steering wheel of a steering system of a motor vehicle | |
CN109849898B (zh) | 基于遗传算法混合优化gpc的车辆横摆稳定性控制方法 | |
CN113581282B (zh) | 一种车辆转向控制方法、装置、设备及存储介质 | |
CN113253615B (zh) | 基于分布式电动底盘的运动状态观测方法及*** | |
CN108394413B (zh) | 一种四轮独立驱动与转向的电动汽车状态与参数校正方法 | |
JP6428497B2 (ja) | 車両制御装置 | |
CN115973191A (zh) | 智能汽车人机共驾控制方法 | |
Guo et al. | Lateral stability controller design for electrical vehicle based on active rear wheel steering | |
CN113386767A (zh) | 一种基于Koopman算子的四轮转向滚动时域控制方法 | |
Németh et al. | Analysis of vehicle actuators based on reachable sets | |
CN117807703B (zh) | 一种动静态参数互校正的滑板底盘车辆关键参数估计方法 | |
US20240182053A1 (en) | Driver command interpreter system determining achievable target vehicle state during steady-state and transient driving conditions | |
CN115257779A (zh) | 车辆侧偏刚度计算方法、装置、设备及可读存储介质 | |
CN117360486B (zh) | 一种用于多轴线控底盘的抗干扰直接横摆力矩控制方法 | |
CN114506388B (zh) | 一种车辆转向控制方法、装置、计算机设备和存储介质 | |
CN115042791A (zh) | 倒车控制方法、装置、设备与介质 | |
CN116729361B (zh) | 一种车辆横向控制方法及装置 |
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 |