CN113771857A - 一种用于车辆控制的纵向车速估计方法和*** - Google Patents
一种用于车辆控制的纵向车速估计方法和*** Download PDFInfo
- Publication number
- CN113771857A CN113771857A CN202111122175.6A CN202111122175A CN113771857A CN 113771857 A CN113771857 A CN 113771857A CN 202111122175 A CN202111122175 A CN 202111122175A CN 113771857 A CN113771857 A CN 113771857A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- longitudinal
- vehicle speed
- wheel
- signal
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
-
- 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
- B60W40/107—Longitudinal acceleration
-
- 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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Regulating Braking Force (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
一种用于车辆控制的纵向车速估计方法和***,该方法包括以下步骤:(1)实车测得车辆配置参数,通过CAN总线采集车辆状态参数;(2)设计卡尔曼滤波器、一阶低通滤波器,对采集的信号进行滤波处理、零点漂移修正和前轮转角修正;(3)利用轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,设计加权融合算法,对横摆角速度修正;(4)根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度实时判别车辆行驶状态;(5)计算基准车速,基于车辆行驶状态自适应选择基准车速,得到纵向车速估计值。该方法对车辆行驶工况、外部干扰不敏感,环境适应性好,能实时可靠的对纵向车速进行高精度估计。
Description
技术领域
本发明属于车辆运动控制领域,具体涉及一种用于车辆控制的纵向车速估计方法。
现有技术
纵向车速、轮胎力、路面附着系数等是车辆主动/被动控制的关键状态参数。这些状态参数虽然可以通过安装传感器直接获取,但是成本昂贵且易受环境影响。如何通过已有传感器的车辆状态测量信息,准确、可靠、低成本的获得这些关键状态参数是车辆主动/被动安全控制的一个重要研究方向。
纵向车速一直是车辆运动控制的重要参考依据,纵向车速的准确估计可以显著提高车辆主动/被动安全***的性能。但目前整车CAN总线上的车辆纵向速度一般是车轮的平均速度,此种估计方式易受环境影响。例如:在行驶过程中,当某个/多个车轮出现抱死或滑转时,车轮与地面在车辆前进方向发生滑动,此时若仍采用平均速度来表示,是不合理的。另外,在车辆转弯时,轮速信号和车速信号是不对等的,此时需要将转弯工况的因素考虑进去。
为了解决纵向车速估计时易受环境影响的难题,中国专利CN106394561A公开了《一种车辆的纵向车速的估计方法和装置》,该方法主要通过以下三步完成:1)基于整车现有的传感器,获取车辆的车轮线速度和纵向加速度信号;2)基于卡尔曼滤波,对所获取的整车信号进行滤波去噪;3)通过模糊控制器,动态调节扩展卡尔曼滤波器的参数,并基于设计的卡尔曼滤波器,估算车辆的纵向车速。该方法基于现有的车辆传感器信号估算车辆纵向速度,考虑滑移率来增加算法的自适应性,但其设计两层扩展卡尔曼滤波器,降低了算法的实时性,且没有考虑转弯工况对车速估计结果的影响。
中国专利CN102009654A公开了《一种全轮电驱动车辆的纵向车速估计方法》,该方法主要通过如下步骤完成:1)实时采集车轮转速、方向盘转角和纵向加速度信号;2)采用卡尔曼滤波对采集到的信号进行滤波处理;3)构建基于卡尔曼滤波器空间方程结构的车速估计和基于加速度积分的车速估计;4)基于计算得到的滑转/滑移率及其阈值大小,作为两种车速估计算法的切换判别。该方法基于模糊规则实现卡尔曼滤波车速估算器参数的动态调节,但是该方法没有针对横摆角速度信号修正,且两种车速估计算法切换逻辑单一。
中国专利CN104742888A公开了《全驱车辆参考车速实时检测方法》,该方法主要通过如下步骤完成:1)采集各轮速传感器信号,进行滤波处理,得到四个车轮轮速和轮加速度值;2)根据四个车轮的加速度平均值和纵向加速度信息判断驱动/制动工况;3)采用动态斜率更新法估计各车轮参考车速,并根据驱动/制动/转弯不同工况计算最终车速。该方法具有实行性高、通用性强的特点,但没有考虑横摆角速度及前轮转角等信号对车速信号值的影响。
中国专利CN111845755A公开了《一种车辆纵向车速估计方法》,该方法主要通过以下四步完成:1)计算各车轮的等效车轮转动角加速度、实际车轮转动角加速度;2)基于等效/实际车轮转动角加速度偏差、车轮滑转率,判断车轮失稳状态;3)基于失稳车轮数量和组合情况,计算纵向速度、坡度;4)根据道路坡度对纵向车速进行校正。该方法针对车辆不同失稳状态分别设计车速估计算法,虽然保证了估算的准确性,但逻辑复杂且算法切换会造成车速的不连续。
国内外论文也有很多关于车速估计的报道,例如:《Fuzzy estimation ofvehicle speed using an accelerometer and wheel sensors》,公开了一种基于滑移率选用加速度积分和平均轮速两种方法估计车速,但同样没有考虑横摆角速度对估计结果的影响。《Longitudinal Vehicle Speed Estimation for Four-Wheel-Independently-Actuated Electric Vehicles Based on Multi-Sensor Fusion》,公开了一种利用GPS、IMU、北斗导航多传感器信号融合的方式估计车速,虽然精度较高,但要额外使用GPS和北斗导航信息,成本较高。
综上可知,现有纵向车速估计方法在车速估计时很难综合考虑所有可能影响纵向车速的因素,如同时考虑到所有因素,则存在逻辑复杂,需要切换算法的问题。因此,设计一种实时运算、实用性广且精度较高的纵向车速估计方法具有重要的理论意义和实际应用价值。
发明内容
鉴于上述问题和缺陷,本发明的目的在于提供一种用于车辆控制的纵向车速估计方法,该方法基于卡尔曼滤波器、一阶低通滤波器对原始信号进行处理,考虑横摆角速度的精确修正和车辆行驶状态实时判别,从而实现车轮对应的基准车速自适应选择,得到纵向车速的最终估计值,该方法对车辆行驶工况、外部干扰不敏感,***的环境适应性好,能实时可靠的对纵向车速进行高精度估计。
为实现上述目的,本发明采用如下技术方案:
一种用于车辆控制的纵向车速估计方法,该方法包括以下步骤:
步骤S11、建立数据采集***:实车测量得到车辆配置参数,通过CAN总线采集车辆状态参数;其中,所述车辆配置参数包括整车轴距和轮距信号;所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
步骤S22、整车信号处理:针对轮速信号和纵向加速度信号,设计卡尔曼滤波器,对轮速信号和纵向加速度信号滤波处理;针对侧向加速度信号、横摆角速度信号和方向盘转角信号,设计一阶低通滤波器,对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;同时对所采集的信号进行零点漂移修正和前轮转角信号修正;
步骤S33、横摆角速度信号修正:利用轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
步骤S44、车辆行驶状态判别:根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
步骤S55、自适应纵向车速估计:通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速,基于车辆行驶状态自适应选择基准车速,得到纵向车速估计值。
作为本发明的优选,步骤S22设计的卡尔曼滤波器的状态方程为:
观测方程为:
且有:
式中:τ为采样时间;vwi、awi、jwi、ax分别是卡尔曼滤波后的轮速、轮加速度、轮加加速度和纵向加速度,且轮加速度为轮速的一次导数、轮加加速度为轮速的二次导数;vmi、axm为带有测量噪声的轮速和纵向加速度;分别是轮速、轮加速度、轮加加速度和纵向加速度的过程噪声;rwi、rx分别是轮速和纵向加速度的测量噪声;i=1,2,3,4分别表示左前轮、右前轮、左后轮、右后轮;Q为过程噪声协方差矩阵,R为观测噪声协方差矩阵,为保证算法的估算精度和模型对不同行驶工况下的适应性,需要动态调节卡尔曼滤波器参数Q和R:纵向加速度或车轮加速度绝对值越大,表明过程噪声越大,应该增大Q;反之,纵向加速度绝对值越小,表明过程噪声越小,应该减小Q;当车辆滑转/滑移率较大或者车辆纵向加速度或者车轮加速度绝对值较大时,应该增大R;反之,应该减小R。
作为本发明的优选,步骤S22设计的一阶低通滤波器的算法为:
Y(k)=λX(k)+(1-λ)Y(k-1)
式中:X(k)为本次采样值;Y(k-1)为上次滤波输出值;Y(k)为本次滤波输出值;λ为滤波系数。
作为本发明的优选,步骤S22所述零点漂移修正是指对信号采集过程中,输入信号为零的一段时间内,且输出信号不为零时所采集到的信号值进行修正,具体修正方式为:采用车辆静止状态下的采样平均值作为零点补偿,即车辆每经历一个静止状态,则以该静止状态下的采样平均值更新零点补偿值;所述前轮转角信号修正的具体方式为:通过实车试验标定得到方向盘转角和前轮转角曲线,通过方向盘转角和前轮转角曲线来修正前轮转角信号。
作为本发明的优选,步骤S33横摆角速度信号修正时,轮速、侧向加速度、前轮转角与横摆角速度的运动学关系表示如下:
其中,基于前轮轮速信息的横摆角速度观测器1的计算方式为:
ω1=(Vxfr-Vxfl)/B
基于后轮轮速信息的横摆角速度观测器2的计算方式为:
ω2=(Vxrr-Vxrl)/B
基于轮速和前轮转角信息的横摆角速度观测器3的计算方式为:
基于侧向加速度信息的横摆角速度观测器4的计算方式为:
ω4=ay/vx
基于特征车速信息的横摆角速度观测器5的计算方式为:
式中:ωi为基于横摆角速度观测器计算得到的车辆横摆角速度,i=1,2,3,4,5;Vxfl、Vxfr、Vxrl、Vxrr分别是经过滤波及修正后的车辆四个车轮的轮速;B是车辆轮距;Lf、Lr、L分别是质心到前轴的距离、质心到后轴的距离和轴距,且有L=Lf+Lr;delta为车辆的前轮转角;vx为从整车CAN总线获取的纵向车速;ay为经过滤波及修正后的车辆的侧向加速度;vch为车辆的特征车速,且有:
式中,K为稳定性因数,m为整车质量,Cf和Cr分别为前后轮胎侧偏刚度,在线性二自由度车辆模型中,这三个量都是一个常值。
作为本发明的优选,步骤S33根据建立的五个横摆角速度观测器模型,设计加权融合算法,计算最终横摆角速度;其中,所述加权融合算法的计算方式为:
式中:ω为加权融合后的最终横摆角速度值,ωsen是横摆角速度传感器测量值;ki(i=1,2,3,4,5)、ksen为五个横摆角速度观测器和横摆角速度传感器值的权重,且有横摆角速度观测器1成立条件为两前轮滑动率比较小;横摆角速度观测器2成立条件是两后轮滑动率比较小;横摆角速度观测器3成立条件是四个车轮滑动率比较小;横摆角速度观测器4成立条件是车身侧滑较小;横摆角速度观测器5成立条件为线性二自由度车辆模型的条件;五个横摆角速度观测器的有效性为当第i个横摆角速度观测器模型成立时,当第i个横摆角速度观测器模型不成立时,ki=0。
作为本发明的优选,步骤S44车辆行驶状态判别的具体过程为:设定驱动工况下的加速度阈值信号为a1,制动工况下的加速度阈值信号为a2,a2<0<a1;在速度-纵向加速度坐标系内产生驱动线、制动线,驱动线l1=a1-aw、制动线l2=a2-aw;其中,aw为空气阻力产生的减速度,计算方式为:
式中:AirResrFac是车辆风阻系数,vx为从整车CAN总线获取的纵向车速;
如果纵向加速度ax≥a1-aw,则当前纵向加速度在驱动线上部区域,此时判定为驱动工况,驱动系数md=1,制动系数mb=0;
如果纵向加速度ax≤a2-aw,则当前纵向加速度在制动线下部区域,此时判定为制动工况,驱动系数md=0,制动系数mb=1;
如果纵向加速度则当前纵向加速度位于驱动线和制动线之间,此时判定为广义匀速工况,分别计算当前纵向加速度与当前车速下对应驱动线的纵向加速度和当前车速下对应制动线的纵向加速度的距离,通过两者的占比,得到驱动系数md和制动系数mb,且有md+mb=1。
作为本发明的优选,步骤S55基准车速的计算方式如下:
式中:Vxfl、Vxfr、Vxrl、Vxrr分别是经过滤波及修正后的车辆四个车轮的轮速;ω为经过滤波及修正后的车辆横摆角速度;B为车辆轮距;L为车辆轴距;delta为经过滤波及修正后的车辆前轮转角。
作为本发明的优选,步骤S55在计算得到每个车轮对应的基准车速后,根据车辆的行驶状态自适应选择基准车速,计算纵向车速估计值,具体方式如下:
当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,这两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值。
作为本发明的优选,步骤S55根据基准车速确定纵向车速估计值后,根据纵向车速门限值和斜率限制修正纵向车速,具体方式为:当估计的纵向车速大于车辆允许最高车速时,最终的纵向车速估计值限定为最高车速;当估计的纵向车速小于零时,最终的纵向车速估计值限定为零,且最终所估计的纵向车速应满足如下公式:
其中,Vref(k)和Vref(k+1)分别为k时刻和k+1时刻的纵向车速最终估计值;vref(k+1)为k+1时刻为根据基准车速计算的纵向车速值;τ为采样时间;axdmax为车辆所能提供的最大加速度,是一个正值;axbmax为车辆所能提供的最大制动减速度,是一个负值。
本发明的第二个目的在于提供一种用于车辆控制的纵向车速估计***,该***包括:数据采集模块、卡尔曼滤波模块、一阶低通滤波模块、零点漂移修正模块、前轮转角修正模块、横摆角速度修正模块、行驶状态判别模块、基准车速计算模块、纵向车速估计模块、纵向车速修正模块;
其中,所述数据采集模块,用于输入车辆配置参数,同时通过CAN总线采集车辆状态参数;其中,所述车辆配置参数包括整车轴距和轮距信号,所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
所述卡尔曼滤波模块,用于对轮速信号和纵向加速度信号滤波处理,滤波处理时需要动态调节卡尔曼滤波***过程噪声协方差矩阵Q和观测噪声协方差矩阵R;
所述一阶低通滤波模块,用于对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;
所述零点漂移修正模块,用于对信号采集过程中,输入信号为零的一段时间内,且输出信号不为零时所采集到的信号值进行修正,采用车辆静止状态下的采样平均值作为零点补偿;
所述前轮转角修正模块,用于通过实车试验标定得到方向盘转角和前轮转角曲线来修正前轮转角信号;
所述横摆角速度修正模块,用于根据轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
所述行驶状态判别模块,用于根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
所述基准车速计算模块,用于通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速;
所述纵向车速估计模块,用于根据车辆行驶状态自适应选择基准车速;当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,这两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值;
纵向车速修正模块,用于根据纵向车速门限值和斜率限制修正纵向车速,得到最终的纵向车速估计值。
本发明的优点和技术效果是:
1、本发明提供的车速估计方法控制逻辑简单,容易实现,且考虑了影响车速估计的横摆角速度、前轮转角等信号,该方法对行驶工况、外部干扰不敏感,***的环境适应性好,能实时可靠的对纵向车速进行高精度估计。
2、本发明提供的车速估计方法设计卡尔曼滤波器和一阶低通滤波器对原始采集信号进行滤波处理,并进行零点漂移修正,其次基于运动学模型的加权融合算法实现横摆角速度信号的准确修正,降低了信号测量的误差,使最终估计的纵向车速更加准确。
3、本发明提供的车速估计方法,基于车辆当前纵向加速度与驱动/制动线的位置,计算驱动系数和制动系数,能够有效实时的表征车辆行驶状态。
4、本发明提供的车速估计方法,基于车轮轮速转换得到基准车速,结合车辆的行驶状态自适应选择车轮对应的基准车速,考虑车速限制的修正,得到纵向车速最终估计值。
5、经实车数据仿真分析表明,本发明提供的纵向车速估计方法能够准确的表征车辆当前速度,且在车轮抱死、打滑工况下相比原车CAN总线车速抖动更小,实现了实时可靠、高精度的车速估计。
附图说明
图1描述了本发明的总体流程图;
图2描述了本发明所述的整车信号处理流程图;
图3描述了本发明所述的横摆角速度修正算法流程图;
图4描述了本发明所述的车辆行驶状态判别示意图;
图5描述了本发明所述的自适应纵向车速估计流程图;
图6描述了本发明所述的基准车速计算示意图;
图7描述了本发明在车轮抱死时的车速估计结果;
图8描述了本发明在车轮打滑时的车速估计结果;
图9描述了本发明估计***的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其它方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
实施例1一种用于车辆控制的纵向车速估计方法
如图1所示,本发明提供的一种用于车辆控制的纵向车速估计方法,包括以下步骤:
步骤S11、建立数据采集***:实车测量得到整车轴距和轮距信号,通过CAN总线采集车辆状态参数;其中,所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
步骤S22、整车信号处理:针对轮速信号和纵向加速度信号,设计卡尔曼滤波器,对轮速信号和纵向加速度信号滤波处理;针对侧向加速度信号、横摆角速度信号和方向盘转角信号,设计一阶低通滤波器,对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;同时对所采集的信号进行零点漂移修正和前轮转角信号修正;
步骤S33、横摆角速度信号修正:利用轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
步骤S44、车辆行驶状态判别:根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
步骤S55、自适应纵向车速估计:通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速,基于车辆行驶状态自适应选择基准车速,得到纵向车速估计值。
为使本领域技术人员更加清楚的理解本发明上述各步骤的具体实施过程,下面分别对每个步骤进行详细介绍:
步骤S11、建立数据采集***
建立数据采集***,实时采集所需要的输入信号是本发明所述的车速估计方法的首要步骤。本发明车速估计方法的实现,需要的输入信号包括车辆状态参数和车辆配置参数;其中,所述车辆状态参数通过相应传感器获取,包括轮速、纵向加速度、侧向加速度、横摆角速度和方向盘转角;所述车辆配置参数通过实车测量得到,包括整车轴距和轮距的信号。
上述车辆状态参数的获取主要涉及以下传感器:轮速传感器、纵向加速度传感器、侧向加速度传感器、横摆角速度传感器和方向盘转角传感器;上述传感器都是现有车辆的标准配置,且传感器信号值都集成到车辆CAN总线上。因此,本发明不需要加装额外的传感器,通过整车CAN总线即能够获取所需的车辆状态参数。
此外,为了验证本发明所述的纵向车速估计结果的有效性,本发明还需要采集车辆CAN总线的纵向车速信号。
步骤S22、整车信号处理
由于采集的原始信号包含着传感器、路面等引起的噪声,这些噪声不仅不能满足使用要求,而且在进一步的计算中很可能引入累计误差,导致最终纵向车速的估计结果不准确。因此,在使用上述信号之前要进行滤波、零点漂移修正等处理。
为保证车速估计的实时性和精确性,所设计的滤波器主要要求为:可以滤去大部分噪声但不损失重要信息;滤波造成的延时要小;滤波器形式简单且计算量小。
图2描述了本发明所述的整车信号处理流程;如图2所示,整车信号处理流程如下:
步骤S221、针对轮速和纵向加速度信号,设计卡尔曼滤波器。
由于卡尔曼滤波是一种建立在时间序列理论基础上的最优滤波方法,是最小方差意义下的滤波或估计;因此,针对轮速和纵向加速度信号,本发明设计如下的卡尔曼滤波器:
状态方程:
观测方程:
式中:τ为采样时间;vwi、awi、jwi、ax分别是卡尔曼滤波后的轮速、轮加速度、轮加加速度和纵向加速度,且轮加速度为轮速的一次导数、轮加加速度为轮速的二次导数;vmi、axm为带有测量噪声的轮速和纵向加速度;分别是轮速、轮加速度、轮加加速度和纵向加速度的过程噪声;rwi、rx分别是轮速和纵向加速度的测量噪声;i=1,2,3,4分别表示左前轮、右前轮、左后轮、右后轮。
上述卡尔曼滤波器***过程噪声协方差矩阵Q和观测噪声协方差矩阵R分别是:
为了取得稳定的滤波效果,一般情况下滤波器参数Q和R矩阵取为定值,但是对于汽车这样需要对目标跟踪的动态***,有必要根据车辆状态实时调整滤波器参数Q和R。根据卡尔曼滤波器的工作原理,调节Q和R实际上是调节模型预测值与测量值的权重,当R确定时,Q越大,表示测量值的置信度越高,Q无穷大代表只相信测量值;相反,Q越小,表示模型预测值的置信度越高,Q为零代表只相信模型预测值。因此,为保证算法的估算精度和模型对不同行驶工况下的适应性,需要动态调节滤波器参数Q和R。
过程噪声协方差矩阵Q的调节:根据***状态方程可以看出,过程噪声取决于车辆纵向加速度(或者车轮加速度)绝对值的大小,纵向加速度绝对值越大,表明过程噪声越大,Q应该适当增大;反之,纵向加速度绝对值越小,表明过程噪声越小,Q应该适当减小。
观测噪声协方差矩阵R的调节:根据***输出方程可以看出,当车辆滑转/滑移率较大或者车辆纵向加速度(或者车轮加速度)绝对值较大时,观测噪声R应该适当增大;反之,观测噪声R应该适当减小。
步骤S222、针对侧向加速度、横摆角速度和方向盘转角信号,设计一阶低通滤波器。
由于一阶低通滤波器能够很好的抑制周期性的干扰,算法简单,本发明设计如下一阶低通滤波算法,对侧向加速度、横摆角速度和方向盘转角信号进行滤波处理。
Y(k)=λX(k)+(1-λ)Y(k-1)
式中:X(k)为本次采样值;Y(k-1)为上次滤波输出值;Y(k)为本次滤波输出值;λ为滤波系数,λ越大,算法越灵敏,但平顺性差,相反,λ越小,新采集的值占的权重越小,灵敏度差,但平顺性好。本发明根据传感器原始信号的抖动程度(比如方差信号)来选择合适的滤波系数,兼顾灵敏性和平顺性。
步骤S223、零点漂移修正,以静止状态采样平均值作为零点补偿值。
在信号采集过程中,触发信号未发生(输入信号为零)的一段时间内,输出信号不为零,本领域定义这段时间里采集到的信号值称之为零点漂移。由于制造误差、安装位置等,轮速、纵向加速度、侧向加速度、横摆角速度、方向盘转角信号存在零点漂移。因此,需要对这些传感器信号值进行零点漂移修正。
本发明零点漂移修正的方式为:当确认车辆处于静止状态后,将该阶段的传感器信号的采样平均值作为零点补偿。当车辆从一个静止状态到下一个静止状态时,零点补偿值为当前静止状态传感器信号的采样平均值。即车辆每经历一个静止状态,都会以该静止状态采样平均值更新零点补偿值。
步骤S224、前轮转角信号修正,通过实车试验标定得到方向盘转角和前轮转角曲线。
对于转向***固定传动比的车辆,方向盘转角信号直接除以传动比就可以得到前轮转角。但实际情况下,方向盘转角和前轮转角之间的传动比不是固定的,而是随着方向盘转角的变化而变化的。
本发明通过实车试验标定得到方向盘转角和前轮转角曲线,即得到二者之间的传动比,之后便可根据方向盘转角获得车轮转角值。正常情况下,左前轮和右前轮转角的差异非常小,为简化计算,本发明近似认为左前轮和右前轮的转角是一样的,并规定前轮转角和方向盘转角都是左转为正。
步骤S33、横摆角速度信号修正
本发明中横摆角速度为重要参数,需要对其信号进行详细的分析。图3描述了本发明所述的横摆角速度修正算法流程图,从图3可以看出,本发明主要是利用上一步(步骤S22)滤波及零点漂移处理后的轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法实现横摆角速度的准确修正,具体内容如下:
基于前轮轮速信息的横摆角速度观测器1的计算方式为:
ω1=(Vxfr-Vxfl)/B
基于后轮轮速信息的横摆角速度观测器2的计算方式为:
ω2=(Vxrr-Vxrl)/B
基于轮速和前轮转角(前轮为转向轮)信息的横摆角速度观测器3的计算方式为:
基于侧向加速度信息的横摆角速度观测器4的计算方式为:
ω4=ay/vx
基于特征车速信息的横摆角速度观测器5的计算方式为:
式中:ωi为基于横摆角速度观测器计算得到的车辆横摆角速度,i=1,2,3,4,5;Vxfl、Vxfr、Vxrl、Vxrr分别是经过滤波及修正后的车辆四个车轮的轮速;B是车辆轮距;Lf、Lr、L分别是质心到前轴的距离、质心到后轴的距离和轴距,且有L=Lf+Lr;delta为车辆的前轮转角;vx为从整车CAN总线获取的纵向车速;ay为经过滤波及修正后的车辆的侧向加速度;vch为车辆的特征车速,且有:
其中,K为稳定性因数,m为整车质量,Cf和Cr分别为前后轮胎侧偏刚度,在线性二自由度车辆模型中,这三个量都是一个常值。
上述五个横摆角速度观测器具有成立的条件,观测器1成立条件为两前轮滑动率比较小;观测器2成立条件是两后轮滑动率比较小;观测器3成立条件是四个车轮滑动率比较小;观测器4成立条件是车身侧滑较小;观测器5成立条件即为线性二自由度车辆模型的条件。设定上述五个横摆角速度观测器的有效性为当第i个观测器模型成立时,当第i个横摆角速度观测器模型不成立时,
其中,以左前轮为例,k+1时刻左前轮滑动率的计算公式如下:
其中,Vxfl(k+1)为k+1时刻经过滤波及修正后的左前轮轮速,Vref(k)为k时刻参考车速最终估计值。
在建立上述观测器模型后,设计如下加权融合算法,计算最终横摆角速度:
式中:ω为加权融合后的最终横摆角速度值,ωsen是横摆角速度传感器测量值;ki(i=1,2,3,4,5)、ksen为上述五个横摆角速度观测器和横摆角速度传感器值的权重,且有当第i个横摆角速度观测器模型不成立时,ki=0。
利用上述横摆角速度观测器和横摆角速度传感器的值,经过加权综合得到修正后的横摆角速度,规定横摆角速度向左转为正。
步骤S44、车辆行驶状态判别
目前的车速估计方法中,很多是选用车轮速度作为基准用于纵向车速的估计。然而,车辆在行驶过程中,由于外界环境的影响(如转弯、经过减速带、路面湿滑等),四个车轮的轮速存在差异。因此,需要对车辆行驶状态进行判别。
本发明利用四个轮速信号、纵向加速度信号、整车风阻系数判断车辆的运动状态。
汽车行驶过程中,空气阻力产生的减速度aw的计算公式为:
其中,AirResrFac是车辆风阻系数;
设定驱动工况下的加速度阈值信号为a1,制动工况下的加速度阈值信号为a2,其中a2<0<a1。在速度-纵向加速度坐标系内会产生形成两条线:驱动线l1=a1-aw、制动线l2=a2-aw;两条线将整个坐标平面分为三个区域:驱动线l1上部区域(包括l1)为驱动工况,制动线l2下部区域(包括l2)为制动工况,驱动线l1和制动线l2之间区域为广义匀速工况(如图4所示)。根据当前纵向加速度与驱动/制动线的位置,可以实时判别车辆的行驶状态,具体情况如下:
(1)如果纵向加速度ax≥a1-aw,即当前纵向加速度在驱动线上部区域,此时判定为驱动工况,此时驱动系数md=1,制动系数mb=0。
(2)如果纵向加速度ax≤a2-aw,即当前纵向加速度在制动线下部区域,此时判定为制动工况,此时驱动系数md=0,制动系数mb=1。
结合图4,具体描述驱动系数md和制动系数mb的计算过程。在图4中,车辆在当前车速下的纵向加速度为A点值aA,对应驱动线的纵向加速度为D点值aD,对应制动线的纵向加速度为B点值aB,且有aB<aA<aD,则md和mb的计算如下:
mb=1-md
步骤S55、自适应纵向车速估计
图5描述了本发明所述的自适应纵向车速估计流程图;如图5所示,本发明自适应纵向车速估计流程如下:
步骤S551、基准车速计算:通过横摆角速度、前轮转角以及四个轮速信号换算得到基于后轴中心的每个车轮对应的基准车速信号;图6描述了本发明所述的基准车速计算示意图,如图6所示,每个车轮对应的基准车速计算公式如下:
式中:Vxfl、Vxfr、Vxrl、Vxrr分别是经过滤波及修正后的车辆四个车轮的轮速;ω为经过滤波及修正后的车辆横摆角速度;B为车辆轮距;L为车辆轴距;delta为经过滤波及修正后的车辆前轮转角。
步骤S552、自适应基准车速选择:根据车辆不同行驶状态及驱动系数和制动系数,自适应的选择基准车速,得到纵向车速估计值。
本发明在计算得到每个车轮对应的基准车速后,根据车辆的行驶状态计算纵向车速估计值。在其他专利中,一般是针对不同的车辆行驶状态,分别设计不同的公式。本发明采用统一的算法,实现自适应车轮基准车速选择,主要内容如下:
(1)当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
(2)当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
(3)当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值。
步骤S553、纵向车速修正:设置纵向车速门限值限制和斜率限制,当估计值超出该限制时,修正纵向车速。
在车速估计时,要考虑到纵向车速门限值限制和斜率限制,即满足以下条件:
(1)估计的纵向车速不能超出车辆允许最高车速,且在正常前进行驶状态下估计的纵向车速最小值为零。即:当步骤S552估计的纵向车速大于车辆允许最高车速时,最终的纵向车速估计值限定为最高车速;当步骤S552估计的纵向车速小于零时,最终的纵向车速估计值限定为零。
(2)估计的纵向车速斜率即为纵向加速度,这是车辆驱动/制动***执行才产生的,不能超出车辆最大加速能力和制动能力,因此最终估计的纵向车速需满足下述公式:
式中,Vref(k)和Vref(k+1)分别为k时刻和k+1时刻的纵向车速最终估计值;vref(k+1)为k+1时刻步骤S552计算的纵向车速值;τ为采样时间;axdmax为车辆所能提供的最大加速度,是一个正值;axbmax为车辆所能提供的最大制动减速度,是一个负值。
基于本发明中所述的车速估计方法,结合实车试验采集的数据,验证其效果。
本发明挑选两组实车采集的数据进行仿真分析;其中,第一组数据为车轮抱死的工况,第二组数据为车轮打滑的工况。
第一组数据为车轮抱死的工况;如图7所示,第6秒开始两后轮已经抱死,两后轮轮速已大幅下降,原车CAN总线纵向车速为VehSpd(黑色双点划线),基于本发明所述的车速估计方法得到的纵向车速为Vref(黑色粗实线),通过对比VehSpd和Vref,可以发现本发明所述的车速估计方法得到的纵向车速能够更准确的表征当前速度,并且能够显著降低车轮抱死时车速的抖动。
第二组数据为车轮打滑工况;如图8所示,在0.4-1.0秒之间,此时车轮出现打滑,两前、后轮轮速已大幅变动,原车CAN总线纵向车速为VehSpd(黑色双点划线),基于本发明所述的车速估计方法得到的纵向车速为Vref(黑色粗实线),通过对比VehSpd和Vref,可以发现本发明所述的车速估计方法得到的纵向车速能够更准确的表征当前速度,并且能够显著降低车轮打滑时车速的抖动。
本发明图7和图8中的Vfl、Vfr、Vrl、Vrr分别是经过滤波及修正后的车辆四个车轮的轮速;VehSpd代表原车CAN总线上的车速,Vref代表通过本发明所述的车速估计算法得到的参考车速。
实施例2一种用于车辆控制的纵向车速估计***
如图9所示,本发明提供一种用于车辆控制的纵向车速估计***,该***包括:数据采集模块1、卡尔曼滤波模块2、一阶低通滤波模块3、零点漂移修正模块4、前轮转角修正模块5、横摆角速度修正模块6、行驶状态判别模块7、基准车速计算模块8、纵向车速估计模块9、纵向车速修正模块10;
其中,所述数据采集模块1,用于输入车辆配置参数,同时通过CAN总线采集车辆状态参数;其中,所述车辆配置参数包括整车轴距和轮距信号,所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
所述卡尔曼滤波模块2,用于对轮速信号和纵向加速度信号滤波处理,滤波处理时需要动态调节卡尔曼滤波***过程噪声协方差矩阵Q和观测噪声协方差矩阵R;
所述一阶低通滤波模块3,用于对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;
所述零点漂移修正模块4,用于对信号采集过程中,输入信号为零的一段时间内,且输出信号不为零时所采集到的信号值进行修正,采用车辆静止状态下的采样平均值作为零点补偿;
所述前轮转角修正模块5,用于通过实车试验标定得到方向盘转角和前轮转角曲线来修正前轮转角信号;
所述横摆角速度修正模块6,用于根据轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
所述行驶状态判别模块7,用于根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
所述基准车速计算模块8,用于通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速;
所述纵向车速估计模块9,用于根据车辆行驶状态自适应选择基准车速;当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,这两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值;
纵向车速修正模块10,用于根据纵向车速门限值和斜率限制修正纵向车速,得到最终的纵向车速估计值。
另外,本发明还提供一种电子设备,包括:一个或多个处理器、存储器;其中,所述存储器用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,一个或多个处理器实现实施例1所述的用于车辆控制的纵向车速估计方法。
本发明还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的用于车辆控制的纵向车速估计方法。
本领域技术人员可以理解,上述实施方式中各种方法/模块的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。
另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的***进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种用于车辆控制的纵向车速估计方法,其特征在于,该方法包括以下步骤:
步骤S11、建立数据采集***:实车测量得到车辆配置参数,通过CAN总线采集车辆状态参数;其中,所述车辆配置参数包括整车轴距和轮距信号;所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
步骤S22、整车信号处理:针对轮速信号和纵向加速度信号,设计卡尔曼滤波器,对轮速信号和纵向加速度信号滤波处理;针对侧向加速度信号、横摆角速度信号和方向盘转角信号,设计一阶低通滤波器,对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;同时对所采集的信号进行零点漂移修正和前轮转角信号修正;
步骤S33、横摆角速度信号修正:利用轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
步骤S44、车辆行驶状态判别:根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
步骤S55、自适应纵向车速估计:通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速,基于车辆行驶状态自适应选择基准车速,得到纵向车速估计值。
2.根据权利要求1所述的纵向车速估计方法,其特征在于,步骤S22设计的卡尔曼滤波器的状态方程为:
观测方程为:
且有:
式中:τ为采样时间;vwi、awi、jwi、ax分别是卡尔曼滤波后的轮速、轮加速度、轮加加速度和纵向加速度,且轮加速度为轮速的一次导数、轮加加速度为轮速的二次导数;vmi、axm为带有测量噪声的轮速和纵向加速度;分别是轮速、轮加速度、轮加加速度和纵向加速度的过程噪声;rwi、rx分别是轮速和纵向加速度的测量噪声;i=1,2,3,4分别表示左前轮、右前轮、左后轮、右后轮;Q为过程噪声协方差矩阵,R为观测噪声协方差矩阵,为保证算法的估算精度和模型对不同行驶工况下的适应性,需要动态调节卡尔曼滤波器参数Q和R:纵向加速度或车轮加速度绝对值越大,表明过程噪声越大,应该增大Q;反之,纵向加速度绝对值越小,表明过程噪声越小,应该减小Q;当车辆滑转/滑移率较大或者车辆纵向加速度或者车轮加速度绝对值较大时,应该增大R;反之,应该减小R;
步骤S22设计的一阶低通滤波器的算法为:
Y(k)=λX(k)+(1-λ)Y(k-1)
式中:X(k)为本次采样值;Y(k-1)为上次滤波输出值;Y(k)为本次滤波输出值;λ为滤波系数。
3.根据权利要求1所述的纵向车速估计方法,其特征在于,步骤S22所述零点漂移修正是指在信号采集过程中,输入信号为零的一段时间内,且输出信号不为零时所采集到的信号值进行修正,具体修正方式为:采用车辆静止状态下的采样平均值作为零点补偿,即车辆每经历一个静止状态,则以该静止状态下的采样平均值更新零点补偿值;所述前轮转角信号修正的具体方式为:通过实车试验标定得到方向盘转角和前轮转角曲线,通过方向盘转角和前轮转角曲线来修正前轮转角信号。
4.根据权利要求1所述的纵向车速估计方法,其特征在于,步骤S33横摆角速度信号修正时,轮速、侧向加速度、前轮转角与横摆角速度的运动学关系表示如下:
其中,基于前轮轮速信息的横摆角速度观测器1的计算方式为:
ω1=(Vxfr-Vxfl)/B
基于后轮轮速信息的横摆角速度观测器2的计算方式为:
ω2=(Vxrr-Vxrl)/B
基于轮速和前轮转角信息的横摆角速度观测器3的计算方式为:
基于侧向加速度信息的横摆角速度观测器4的计算方式为:
ω4=ay/vx
基于特征车速信息的横摆角速度观测器5的计算方式为:
式中:ωi为基于横摆角速度观测器计算得到的车辆横摆角速度,i=1,2,3,4,5;Vxfl、Vxfr、Vxrl、Vxrr分别是经过滤波及修正后的车辆四个车轮的轮速;B是车辆轮距;Lf、Lr、L分别是质心到前轴的距离、质心到后轴的距离和轴距,且有L=Lf+Lr;delta为车辆的前轮转角;vx为从整车CAN总线获取的纵向车速;ay为经过滤波及修正后的车辆的侧向加速度;vch为车辆的特征车速,且有:
式中,K为稳定性因数,m为整车质量,Cf和Cr分别为前后轮胎侧偏刚度。
5.根据权利要求4所述的纵向车速估计方法,其特征在于,步骤S33根据建立的五个横摆角速度观测器模型,设计加权融合算法,计算最终横摆角速度;其中,所述加权融合算法的计算方式为:
6.根据权利要求1所述的纵向车速估计方法,其特征在于,步骤S44车辆行驶状态判别的具体过程为:设定驱动工况下的加速度阈值信号为a1,制动工况下的加速度阈值信号为a2,a2<0<a1;在速度-纵向加速度坐标系内产生驱动线、制动线,驱动线l1=a1-aw、制动线l2=a2-aw;其中,aw为空气阻力产生的减速度,计算方式为:
式中:AirResrFac是车辆风阻系数,vx为从整车CAN总线获取的纵向车速;
如果纵向加速度ax≥a1-aw,则当前纵向加速度在驱动线上部区域,此时判定为驱动工况,驱动系数md=1,制动系数mb=0;
如果纵向加速度ax≤a2-aw,则当前纵向加速度在制动线下部区域,此时判定为制动工况,驱动系数md=0,制动系数mb=1;
8.根据权利要求7所述的纵向车速估计方法,其特征在于,步骤S55在计算得到每个车轮对应的基准车速后,根据车辆的行驶状态自适应选择基准车速,计算纵向车速估计值,具体方式如下:
当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;
当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,这两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值。
10.一种用于车辆控制的纵向车速估计***,该***包括:数据采集模块、卡尔曼滤波模块、一阶低通滤波模块、零点漂移修正模块、前轮转角修正模块、横摆角速度修正模块、行驶状态判别模块、基准车速计算模块、纵向车速估计模块、纵向车速修正模块;
其中,所述数据采集模块,用于输入车辆配置参数,同时通过CAN总线采集车辆状态参数;其中,所述车辆配置参数包括整车轴距和轮距信号,所述车辆状态参数包括四个轮速信号、纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号和纵向车速信号;
所述卡尔曼滤波模块,用于对轮速信号和纵向加速度信号滤波处理,滤波处理时需要动态调节卡尔曼滤波***过程噪声协方差矩阵Q和观测噪声协方差矩阵R;
所述一阶低通滤波模块,用于对侧向加速度信号、横摆角速度信号和方向盘转角信号滤波处理;
所述零点漂移修正模块,用于对信号采集过程中,输入信号为零的一段时间内,且输出信号不为零时所采集到的信号值进行修正,采用车辆静止状态下的采样平均值作为零点补偿;
所述前轮转角修正模块,用于通过实车试验标定得到方向盘转角和前轮转角曲线来修正前轮转角信号;
所述横摆角速度修正模块,用于根据轮速、侧向加速度、前轮转角与横摆角速度的运动学关系来进行横摆角速度观测,并设计加权融合算法,实现横摆角速度的准确修正;
所述行驶状态判别模块,用于根据行驶空气阻力及设定的加速度阈值,得到车辆驱动/制动线,基于本车纵向加速度与驱动/制动线的位置,计算车辆驱动系数和制动系数,从而实时判别车辆行驶状态;
所述基准车速计算模块,用于通过横摆角速度、前轮转角以及四个车轮轮速信号换算得到基于后轴中心的基准车速;
所述纵向车速估计模块,用于根据车辆行驶状态自适应选择基准车速;当车辆处于驱动工况时,从车速较小的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于制动工况时,从车速较大的两个车轮中选择和上一时刻最接近的车轮对应的基准车速作为纵向车速估计值;当车辆处于广义匀速工况时,把当前工况当作驱动工况选择出一个基准车速,再把当前工况当作制动工况选择出一个基准车速,这两个基准车速分别乘以驱动系数和制动系数再相加,结果即为纵向车速估计值;
纵向车速修正模块,用于根据纵向车速门限值和斜率限制修正纵向车速,得到最终的纵向车速估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122175.6A CN113771857B (zh) | 2021-09-24 | 2021-09-24 | 一种用于车辆控制的纵向车速估计方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122175.6A CN113771857B (zh) | 2021-09-24 | 2021-09-24 | 一种用于车辆控制的纵向车速估计方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113771857A true CN113771857A (zh) | 2021-12-10 |
CN113771857B CN113771857B (zh) | 2022-05-17 |
Family
ID=78853196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122175.6A Active CN113771857B (zh) | 2021-09-24 | 2021-09-24 | 一种用于车辆控制的纵向车速估计方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113771857B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567726A (zh) * | 2022-02-25 | 2022-05-31 | 苏州安智汽车零部件有限公司 | 一种类人眼自适应消抖前视摄像头 |
CN114740216A (zh) * | 2022-04-28 | 2022-07-12 | 中汽研汽车试验场股份有限公司 | 一种轿车轮胎纵向水漂试验方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816804B1 (en) * | 2003-06-04 | 2004-11-09 | Visteon Global Technologies, Inc. | System and method for estimating velocity using reliability indexed sensor fusion |
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 |
CN108284841A (zh) * | 2017-12-11 | 2018-07-17 | 江苏大学 | 一种分布式驱动电动汽车行驶状态自适应迭代估计方法 |
CN108819950A (zh) * | 2018-07-26 | 2018-11-16 | 清华大学苏州汽车研究院(吴江) | 汽车稳定性控制***的车速估计方法及*** |
CN110095635A (zh) * | 2019-05-08 | 2019-08-06 | 吉林大学 | 一种全轮驱动车辆的纵向车速估计方法 |
CN110562263A (zh) * | 2019-09-19 | 2019-12-13 | 中国人民解放军陆军装甲兵学院 | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 |
-
2021
- 2021-09-24 CN CN202111122175.6A patent/CN113771857B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816804B1 (en) * | 2003-06-04 | 2004-11-09 | Visteon Global Technologies, Inc. | System and method for estimating velocity using reliability indexed sensor fusion |
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 |
CN108284841A (zh) * | 2017-12-11 | 2018-07-17 | 江苏大学 | 一种分布式驱动电动汽车行驶状态自适应迭代估计方法 |
CN108819950A (zh) * | 2018-07-26 | 2018-11-16 | 清华大学苏州汽车研究院(吴江) | 汽车稳定性控制***的车速估计方法及*** |
CN110095635A (zh) * | 2019-05-08 | 2019-08-06 | 吉林大学 | 一种全轮驱动车辆的纵向车速估计方法 |
CN110562263A (zh) * | 2019-09-19 | 2019-12-13 | 中国人民解放军陆军装甲兵学院 | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567726A (zh) * | 2022-02-25 | 2022-05-31 | 苏州安智汽车零部件有限公司 | 一种类人眼自适应消抖前视摄像头 |
CN114740216A (zh) * | 2022-04-28 | 2022-07-12 | 中汽研汽车试验场股份有限公司 | 一种轿车轮胎纵向水漂试验方法 |
CN114740216B (zh) * | 2022-04-28 | 2024-05-14 | 中汽研汽车试验场股份有限公司 | 一种轿车轮胎纵向水漂试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113771857B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5173854B2 (ja) | センサドリフト量推定装置 | |
US7158866B2 (en) | Adaptive filter model for motor vehicle sensor signals | |
CN111879957B (zh) | 基于模糊逻辑和增强机器学习的车辆动力学测定 | |
CN113771857B (zh) | 一种用于车辆控制的纵向车速估计方法和*** | |
CN109606378B (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
US10040460B2 (en) | Corner-based longitudinal speed estimation | |
US10435028B2 (en) | Vehicle state estimation apparatus and method | |
CN110987470B (zh) | 一种基于模型迭代的汽车质量在线估计方法 | |
CN108819950B (zh) | 汽车稳定性控制***的车速估计方法及*** | |
CN110562263A (zh) | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 | |
EP3177499A1 (en) | A method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor | |
WO2018173340A1 (en) | System and method for calibrating tire of vehicle | |
US8255119B2 (en) | Vehicle body slip angle-estimating device and method and engine control unit | |
GB2574257A (en) | Vehicle dynamics estimation method and apparatus | |
CN115257782A (zh) | 车辆横摆角预测方法、装置及计算机可读存储介质 | |
Grip et al. | Estimation of road inclination and bank angle in automotive vehicles | |
CN112046491B (zh) | 车轮侧偏刚度的估算方法、装置、车辆及可读存储介质 | |
CN117719519A (zh) | 一种车辆行驶状态估计方法 | |
CN116409327A (zh) | 侧向工况下考虑轮胎瞬态特性的路面附着系数估计方法 | |
EP3583021B1 (en) | System for estimating the slope of a pedal-assisted bicycle | |
CN111703429B (zh) | 一种轮毂电机驱动车辆纵向速度估算方法 | |
CN114435371A (zh) | 一种道路坡度估计方法和装置 | |
CN111284496B (zh) | 用于自动驾驶车辆的车道追踪方法及*** | |
EP4197821A1 (en) | Tire stiffness estimation system and method | |
KR102403159B1 (ko) | 차량의 횡방향 최대마찰계수 추정방법 |
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 |