CN117719519A - 一种车辆行驶状态估计方法 - Google Patents
一种车辆行驶状态估计方法 Download PDFInfo
- Publication number
- CN117719519A CN117719519A CN202410126243.3A CN202410126243A CN117719519A CN 117719519 A CN117719519 A CN 117719519A CN 202410126243 A CN202410126243 A CN 202410126243A CN 117719519 A CN117719519 A CN 117719519A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state estimation
- neural network
- state
- running state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶状态估计方法，包括：通过传感器获取车辆运行数据；使用所述车辆运行数据和车辆静态参数，建立包括***方程和观测方程的车辆三自由度动力学模型；基于所述车辆三自由度动力学模型和传感器获取的车辆运行数据，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，其中，所述扩展卡尔曼滤波中计算卡尔曼增益的部分通过所述神经网络计算得到。本发明采用了扩展卡尔曼滤波与神经网络结合的方法进行车辆的行驶状态估计，获得了更好的非线性处理能力和更鲁棒的效果，增强了扩展卡尔曼滤波用于汽车行驶状态估计时的非线性处理能力和鲁棒性以及适应性，使其更好地适应实时变化的***动态和测量噪声。
Description
技术领域
本发明涉及车辆状态估计领域，特别是涉及一种车辆行驶状态估计方法。
背景技术
实时准确的获取汽车状态与参数信息是对汽车进行控制的必要条件，车辆的行驶状态量包括质心侧偏角，纵向、侧向和垂向车速，以及车辆三个方向的角速度等，这些状态参数可以通过安装不同的车载传感器获取，但存在传感器价格高、安装难的问题，所以通常采用设计状态观测器对车辆的行驶状态进行估计，目前主要有基于控制思想的Luenberger(龙伯格)观测器、滑膜观测器、鲁棒观测器、模糊观测器等，和基于贝叶斯方法的卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)，粒子滤波(PF)等、
目前，分布式驱动电动汽车的发展还处于初期，在对分布式驱动汽车的控制中，质心侧偏角和横摆角速度的估计尤为重要，故作为本发明主要的估计对象，目前的方法主要是KF、EKF和UKF以及他们的变体。
现有的滤波方法用于形式状态估计时，存在传感器数据易受噪声、漂移或误差的影响，并且应用传统的动力学模型在描述复杂的车辆运动模型时可能存在局限性，对车辆在快速变化的环境中行驶的适应性不足，导致估计精度下降，复杂的估计算法可能由于计算开销较大而影响估计的实时性能。
扩展卡尔曼滤波(EKF)方法，在高度非线性情况下可能会出现估计结果发散的问题，并且求解复杂雅可比矩阵会影响状态估计的实时性；无迹卡尔曼滤波(UKF)方法在强非线性的情况下表现更好，但存在计算量大、状态变量的后验概率不满足高斯分布会使精度降低等问题；粒子滤波(PF)方法需要使用大量的粒子数目和样本数才能对后验概率密度计算，估计算法的计算开销大。
发明内容
为了解决现有车辆行驶状态估计方法适应性不足、实时性能差的问题，本发明提出一种车辆行驶状态估计方法。
本发明的技术问题通过以下的技术方案予以解决：
一种车辆行驶状态估计方法，包括：通过传感器获取车辆运行数据；使用所述车辆运行数据和车辆静态参数，建立包括***方程和观测方程的车辆三自由度动力学模型；基于所述车辆三自由度动力学模型和传感器获取的车辆运行数据，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，其中，所述扩展卡尔曼滤波中计算卡尔曼增益的部分通过所述神经网络计算得到。
在一些实施例中，所述车辆运行数据包括车辆的侧向车速、车辆质心侧偏角、车辆横摆角速度、车辆前轮转角、车辆横摆转动惯量、车辆纵向加速度以及车辆侧向加速度；所述车辆静态参数包括车辆总质量、车辆前后轴的侧偏刚度以及车辆质心到前、后轴的距离。
在一些实施例中，所述通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，具体包括：(1)初始化扩展卡尔曼滤波的状态估计、协方差矩阵、过程噪声协方差和测量噪声协方差；(2)根据状态转移方程，预测***的下一个状态；(3)根据***模型和过程噪声，预测状态估计误差的协方差矩阵；(4)构建学习卡尔曼增益的神经网络，所述神经网络通过训练来逼近最优的卡尔曼增益；(5)更新状态变量，计算状态变量估计值；(6)更新状态估计误差的协方差矩阵；(7)重复预测和更新步骤，以连续估计***的状态。
在一些实施例中，步骤(2)中，根据如下公式预测***的下一个状态：
其中，为下一时刻状态变量的估计值，xk-1为前一时刻状态变量，uk为当前时刻输入变量，f为状态转移方程。
在一些实施例中，步骤(3)中，根据如下公式预测状态估计误差的协方差矩阵：
Φk＝I+TsF
其中，为状态估计误差的协方差矩阵，Φk为状态转移矩阵，Qk为过程噪声协方差矩阵，I为合适维数的单位矩阵；Ts为采样时间；F为状态转移函数的雅可比矩阵，通过求状态转移函数关于自变量的偏导数得到。
在一些实施例中，步骤(4)中，所述神经网络利用门控循环单元GRU隐式学习***的二阶统计矩，并采用经验MSE损失函数和随机梯度下降算法进行参数优化，以实现对卡尔曼增益的精确估计。
在一些实施例中，步骤(4)中，所述神经网络包括输入层、中间层和输出层；所述输入层是一个全连接层，将yk和的组合作为输入，并将其映射到更高的维度，其中生成的维度与原始输入维度呈线性比例，其中yk为当前时刻的观测值，/>为前一时刻的状态估计值；所述中间层由GRU实现，其为未知的二阶统计矩的隐式学习提供必要的能力，以实现对卡尔曼增益的显式学习；所述输出层是一个全连接层，其将输出重构到卡尔曼增益的维度。
在一些实施例中，步骤(4)中，所述神经网络利用带标签的数据离线训练，其中，将数据集整理成N条长度T的轨迹，记为其中：
其中，Yi表示第i条轨迹的观测数据序列，表示在第i条轨迹中第k时刻的观测值，Xi表示第i条轨迹的状态数据序列，/>表示在第i条轨迹中第k时刻的状态值。
在一些实施例中，步骤(4)中，对于每一次循环采用经验MSE损失函数：
其中，li(Θ)是第i条轨迹的损失函数，ΨΘ(·)是神经网络的输出，Θ是神经网络可训练的参数，γ是正则化系数；采用mini-batch随机梯度下降算法从N个训练数据中随机选择M个，计算总损失函数
本发明还提出了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现上述的车辆行驶状态估计方法。
本发明与现有技术对比的有益效果包括：
本发明采用了扩展卡尔曼滤波与神经网络结合的方法进行车辆的行驶状态估计，相较于传统的卡尔曼滤波算法和扩展卡尔曼滤波算法，在没有提高计算需求的情况下，获得了更好的非线性处理能力和更鲁棒的效果；相较于无迹卡尔曼滤波算法，本发明更易于使用，适用性广且计算效率更高；相比于粒子滤波，本发明有时间和空间复杂度低的优势，更适用于实时性要求高的车载行驶状态估计。本发明还通过神经网络计算扩展卡尔曼滤波中计算卡尔曼增益的部分，增强了扩展卡尔曼滤波用于汽车行驶状态估计时的非线性处理能力和鲁棒性以及适应性，使其更好地适应实时变化的***动态和测量噪声。针对分布式驱动汽车处在实时变化的动态环境中，***动态和测量噪声会实时变化，本发明可跟踪这些变化实时的调整扩展卡尔曼滤波的卡尔曼增益，以适应***动态和测量噪声的变化。在传感器故障或传感器提供不准确的测量数据的情况下，也可以通过本发明来更好地处理这些异常情况，提升***的鲁棒性。
优选方案中，通过神经网络利用门控循环单元GRU隐式学习***的二阶统计矩，并采用经验MSE损失函数和随机梯度下降算法进行参数优化，以实现对卡尔曼增益的精确估计。
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
图1是本发明实施例中车辆行驶状态估计方法的流程图。
图2是本发明实施例中车辆三自由度动力学模型示意图。
图3是本发明实施例中扩展卡尔曼滤波-神经网络算法结构图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。
为解决现有车辆行驶状态估计方法适应性不足、实时性能差的问题，本发明实施例提出了一种基于扩展卡尔曼滤波的分布式驱动汽车行驶状态估计方法，通过将神经网络嵌套在扩展卡尔曼滤波中来结合扩展卡尔曼滤波与神经网络，提出了扩展卡尔曼滤波-神经网络EKF-NN方法，通过该结合方式进行车辆的行驶状态估计，并通过神经网络计算得到扩展卡尔曼滤波中计算卡尔曼增益的部分，替代了原有的卡尔曼增益计算，使用数据驱动的方法获得卡尔曼增益。以此增强扩展卡尔曼滤波(EKF)用于汽车行驶状态估计时的鲁棒性和适应性，使其更好地适应实时变化的***动态和测量噪声。针对分布式驱动汽车处在实时变化的动态环境中，使得***动态和测量噪声会实时变化，本发明实施例提出的扩展卡尔曼滤波-神经网络EKF-NN方法可跟踪这些变化实时的优化调整扩展卡尔曼滤波(EKF)的卡尔曼增益，以适应***动态和测量噪声的变化。并在传感器故障或传感器提供不准确的测量数据的情况下，可以通过该扩展卡尔曼滤波-神经网络EKF-NN方法来更好地处理这些异常情况，提升***的鲁棒性。
本发明实施例提出的车辆行驶状态估计方法如图1所示，包括如下步骤：
1、通过传感器获取车辆运行数据，其中车辆运行数据包括车辆纵向加速度、车辆侧向加速度；
2、使用车辆运行数据和车辆静态参数，建立车辆三自由度动力学模型，其包括***方程和观测方程，该模型如图2所示，仅考虑纵向、横向和横摆运动，其中δ为车辆前轮转角，ax、ay分别为纵向、侧向加速度，协方差矩阵P、过程噪声协方差Q和测量噪声协方差R，vx为车辆的侧向车速。其中车辆运行数据包括车辆的侧向车速vx、车
辆质心侧偏角β、车辆横摆角速度车辆前轮转角δ、车辆横摆转动惯量Iz、车辆纵向加速度ax以及车辆侧向加速度ay；车辆静态参数包括车辆总质量m、车辆前后轴的侧偏刚度kf/kr以及车辆质心到前、后轴的距离a/b。
本步骤所建车辆三自由度动力学模型如下：
***方程：
为车辆的侧向加速度；/>为车辆质心侧偏角速度；/>为车辆横摆角加速度；
观测方程：
将上述公式转化成状态空间的形式：
为状态转移矩阵，观测器的状态变量为/>观测器输入变量为u＝[δ,ax]T，观测变量为y＝ay。
其中： vx为车辆的侧向车速，β为车辆质心侧偏角，为车辆横摆角速度，kf、kr分别为车辆前后轴的侧偏刚度，m为车辆总质量，δ为车辆前轮转角，Iz为车辆横摆转动惯量，ax、ay分别为车辆纵向、侧向加速度，a、b分别为车辆质心到前、后轴的距离。
3、基于所述车辆三自由度动力学模型和传感器获取的车辆运行数据，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，其中，所述扩展卡尔曼滤波中计算卡尔曼增益的部分通过所述神经网络计算得到。本发明实施例基于EKF-NN(扩展卡尔曼滤波-神经网络)方法建立车辆行驶状态估计算法；原理如下：
扩展卡尔曼滤波算法(EKF)是卡尔曼滤波的一种扩展，用于处理非线性***。与标准卡尔曼不同，扩展卡尔曼滤波算法(EKF)通过在每个时刻线性化***模型的非线性部分来处理非线性。基本步骤包括初始化、时间更新和量测更新。时间更新通过状态转移方程进行状态预测，然后计算预测协防差。量测更新利用观测方程计算预测测量值，根据测量更新公式调整状态估计和协方差，本发明实施例引入卡尔曼增益计算的专用紧凑神经网络来增强EKF的非线性能力和鲁棒性，如图3所示，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，具体的算法流程如下：
(1)初始化：
初始化扩展卡尔曼滤波算法(EKF)的状态估计协方差矩阵P、过程噪声协方差Q和测量噪声协方差R。
(2)状态预测：根据状态转移方程，预测***的下一个状态；具体根据下式预测***的下一个状态：
其中，为下一时刻状态变量的估计值，xk-1为前一时刻状态变量，uk为当前时刻输入变量，f为状态转移方程。
(3)误差协方差预测：根据***模型和过程噪声，预测状态估计误差的协方差矩阵；具体根据如下公式预测状态估计误差的协方差矩阵：
Φk＝I+TsF
式中，为状态估计误差的协方差矩阵，Φk为状态转移矩阵，Qk为过程噪声协方差矩阵，I为合适维数的单位矩阵；Ts为采样时间；F为状态转移函数的雅可比矩阵，通过求状态转移函数关于自变量的偏导数得到，即/>
(4)利用神经网络得到卡尔曼滤波增益Kk：具体通过构建学习卡尔曼增益的神经网络，所述神经网络通过训练来逼近最优的卡尔曼增益；更具体地，本发明实施例设计一个神经网络学习卡尔曼增益，尽管卡尔曼增益不是依赖于当前观测值yk，也不是前项估计值的函数，仍可以通过车辆三自由度动力学模型中的***方程和观测方程中得出yk和的组合，通过神经网络的训练后的部分可以作为卡尔曼增益。
在EKF中计算卡尔曼增益涉及二阶统计矩，所以神经网络采用具有内部记忆元素的门控循环单元(GRUs)，在本发明实施例中，神经网络利用门控循环单元GRU隐式学习***的二阶统计矩，并采用经验MSE损失函数和随机梯度下降算法进行参数优化，以实现对卡尔曼增益的精确估计。本发明实施例中的神经网络主要有3个主要层组成，分别是输入层、中间层和输出层。输入层是一个全连接层，将yk和的组合作为输入，并将其映射到更高的维度，其中生成的维度与原始输入维度呈线性比例，其中yk为当前时刻的观测值，/>为前一时刻的状态估计值。中间层由GRU(门控循环单元)实现，其为未知的二阶统计矩的隐式学习提供必要的能力，以实现对卡尔曼增益的显式学习。输出层也由一个全连接层实现，作用是将输出重构到卡尔曼增益的维度。
具体地，本发明实施例利用带标签的数据离线训练该神经网络，将数据集整理成N条长度T的轨迹，记为其中：
其中，Yi表示第i条轨迹的观测数据序列，表示在第i条轨迹中第k时刻的观测值，Xi表示第i条轨迹的状态数据序列，/>表示在第i条轨迹中第k时刻的状态值。
对于每一次循环本发明采用经验MSE(均方误差)损失函数：
其中，li(Θ)是第i条轨迹的损失函数，ΨΘ(·)是神经网络的输出，Θ是神经网络可训练的参数，γ是正则化系数。
采用mini-batch(小批量)随机梯度下降算法从N个训练数据中随机选择M个，计算总损失函数
(5)更新状态变量，即计算状态变量估计值：
h代表观测函数。
(6)更新状态估计误差协方差矩阵:
Hk代表观测函数的雅可比矩阵，是时刻k的预测值。
(7)重复预测和更新步骤，以连续估计***的状态。
本发明实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序由处理器执行时，实现上述的车辆行驶状态估计方法。
在本发明实施例中，采用了扩展卡尔曼滤波与神经网络结合的估计方法，相较于传统的卡尔曼滤波算法和扩展卡尔曼滤波算法，在没有提高计算需求的情况下，获得了更好的非线性处理能力和更鲁棒的效果；相较于无迹卡尔曼滤波算法，本发明实施例提出的车辆行驶状态估计方法更易于使用，适用性广且计算效率更高；相比于粒子滤波，本发明实施例提出的车辆行驶状态估计方法有时间和空间复杂度低的优势，更适用于实时性要求高的车载行驶状态估计。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (10)
1.一种车辆行驶状态估计方法，其特征在于，包括：
通过传感器获取车辆运行数据；
使用所述车辆运行数据和车辆静态参数，建立包括***方程和观测方程的车辆三自由度动力学模型；
基于所述车辆三自由度动力学模型和传感器获取的车辆运行数据，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，其中，所述扩展卡尔曼滤波中计算卡尔曼增益的部分通过所述神经网络计算得到。
2.如权利要求1所述的车辆行驶状态估计方法，其特征在于，所述车辆运行数据包括车辆的侧向车速、车辆质心侧偏角、车辆横摆角速度、车辆前轮转角、车辆横摆转动惯量、车辆纵向加速度以及车辆侧向加速度；所述车辆静态参数包括车辆总质量、车辆前后轴的侧偏刚度以及车辆质心到前、后轴的距离。
3.如权利要求1或2所述的车辆行驶状态估计方法，其特征在于，所述通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，具体包括：
(1)初始化扩展卡尔曼滤波的状态估计、协方差矩阵、过程噪声协方差和测量噪声协方差；
(2)根据状态转移方程，预测***的下一个状态；
(3)根据***模型和过程噪声，预测状态估计误差的协方差矩阵；
(4)构建学习卡尔曼增益的神经网络，所述神经网络通过训练来逼近最优的卡尔曼增益；
(5)更新状态变量，计算状态变量估计值；
(6)更新状态估计误差的协方差矩阵；
(7)重复预测和更新步骤，以连续估计***的状态。
4.如权利要求3所述的车辆行驶状态估计方法，其特征在于，步骤(2)中，根据如下公式预测***的下一个状态：
其中，为下一时刻状态变量的估计值，xk-1为前一时刻状态变量，uk为当前时刻输入变量，f为状态转移方程。
5.如权利要求3所述的车辆行驶状态估计方法，其特征在于，步骤(3)中，根据如下公式预测状态估计误差的协方差矩阵：
Φk＝I+TsF
其中，为状态估计误差的协方差矩阵，Φk为状态转移矩阵，Qk为过程噪声协方差矩阵，I为合适维数的单位矩阵；Ts为采样时间；F为状态转移函数的雅可比矩阵，通过求状态转移函数关于自变量的偏导数得到。
6.如权利要求3至5任一项所述的车辆行驶状态估计方法，其特征在于，步骤(4)中，所述神经网络利用门控循环单元GRU隐式学习***的二阶统计矩，并采用经验MSE损失函数和随机梯度下降算法进行参数优化，以实现对卡尔曼增益的精确估计。
7.如权利要求6所述的车辆行驶状态估计方法，其特征在于，步骤(4)中，所述神经网络包括输入层、中间层和输出层；所述输入层是一个全连接层，将yk和的组合作为输入，并将其映射到更高的维度，其中生成的维度与原始输入维度呈线性比例，其中yk为当前时刻的观测值，/>为前一时刻的状态估计值；所述中间层由GRU实现，其为未知的二阶统计矩的隐式学习提供必要的能力，以实现对卡尔曼增益的显式学习；所述输出层是一个全连接层，其将输出重构到卡尔曼增益的维度。
8.如权利要求3至7任一项所述的车辆行驶状态估计方法，其特征在于，步骤(4)中，所述神经网络利用带标签的数据离线训练，其中，将数据集整理成N条长度T的轨迹，记为其中：
其中，Yi表示第i条轨迹的观测数据序列，表示在第i条轨迹中第k时刻的观测值，Xi表示第i条轨迹的状态数据序列，/>表示在第i条轨迹中第k时刻的状态值。
9.如权利要求8所述的车辆行驶状态估计方法，其特征在于，步骤(4)中，对于每一次循环采用经验MSE损失函数：
其中，li(Θ)是第i条轨迹的损失函数，ΨΘ(·)是神经网络的输出，Θ是神经网络可训练的参数，γ是正则化系数；
采用mini-batch随机梯度下降算法从N个训练数据中随机选择M个，计算总损失函数
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现如权利要求1至9任一项所述的车辆行驶状态估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410126243.3A CN117719519A (zh) | 2024-01-29 | 2024-01-29 | 一种车辆行驶状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410126243.3A CN117719519A (zh) | 2024-01-29 | 2024-01-29 | 一种车辆行驶状态估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117719519A true CN117719519A (zh) | 2024-03-19 |
Family
ID=90203767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410126243.3A Pending CN117719519A (zh) | 2024-01-29 | 2024-01-29 | 一种车辆行驶状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117719519A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932234A (zh) * | 2024-03-25 | 2024-04-26 | 苏州观瑞汽车技术有限公司 | 一种用于制作刹车标定表的数据处理方法及*** |
-
2024
- 2024-01-29 CN CN202410126243.3A patent/CN117719519A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932234A (zh) * | 2024-03-25 | 2024-04-26 | 苏州观瑞汽车技术有限公司 | 一种用于制作刹车标定表的数据处理方法及*** |
| CN117932234B (zh) * | 2024-03-25 | 2024-06-07 | 苏州观瑞汽车技术有限公司 | 一种用于制作刹车标定表的数据处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
| Singh et al. | Literature review and fundamental approaches for vehicle and tire state estimation | |
| CN112758097B (zh) | 一种用于无人驾驶车辆的状态预测与估计方法 | |
| CN117719519A (zh) | 一种车辆行驶状态估计方法 | |
| CN109606378A (zh) | 面向非高斯噪声环境的车辆行驶状态估计方法 | |
| CN111159642B (zh) | 一种基于粒子滤波的在线轨迹预测方法 | |
| CN113002549A (zh) | 一种车辆状态估算方法、装置、设备及存储介质 | |
| CN113806861B (zh) | 一种两步结构的车辆质量和道路坡度的估算方法 | |
| CN108931233B (zh) | 一种道路侧向坡度值检测方法及装置 | |
| CN111959516B (zh) | 一种车辆状态与路面附着系数联合估计的方法 | |
| CN115406446A (zh) | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 | |
| CN112298354A (zh) | 一种无人驾驶汽车转向***方向盘与前轮转角的状态估计方法 | |
| CN113447021A (zh) | 基于lstm神经网络模型的mems惯性导航***定位增强方法 | |
| CN110687907A (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
| CN112270039A (zh) | 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 | |
| CN111942399A (zh) | 一种基于无迹卡尔曼滤波的车速估算方法及*** | |
| CN113771857A (zh) | 一种用于车辆控制的纵向车速估计方法和*** | |
| Sieberg et al. | Hybrid state estimation combining artificial neural network and physical model | |
| CN112287289A (zh) | 一种面向云控智能底盘的车辆非线性状态融合估计方法 | |
| CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
| CN114590264A (zh) | 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法 | |
| Yuhao | Estimation of Vehicle Status and Parameters Based on Nonlinear Kalman Filtering | |
| Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
| CN111703429A (zh) | 一种轮毂电机驱动车辆纵向速度估算方法 | |
| Gräber et al. | Application of Neural Networks to External Parameter Estimation for Nonlinear Vehicle Models |
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 |