[发明专利]一种车辆行驶状态估计方法及装置

说明书

技术领域

本发明属于车辆控制技术领域，尤其涉及一种车辆行驶状态估计方法及装置。

背景技术

近年来由于汽车主动安全控制系统的需要，应用低成本传感器，基于相关理论进行车辆行驶状态的估计已成为汽车主动安全控制的研究热点。目前针对车辆行驶状态的估计主要采用的是扩展卡尔曼滤波、无轨迹卡尔曼滤波、粒子滤波算法及其它们的改进方法。文献^[1]建立了采用了HSRI轮胎模型的四自由度汽车模型，基于扩展卡尔曼滤波理论对汽车状态进行估计。文献^[2]建立了三自由度线性车辆模型，应用扩展卡尔曼滤波理论对车辆行驶状态进行估计。文献^[3]建立了采用Dugoff轮胎模型非线性七自由度车辆模型，基于UKF滤波理论，实现对车辆纵向车速和侧向速度的估计。文献^[4]建立了采用Fiala轮胎模型的二自由度汽车模型，基于粒子滤波算法对汽车的行驶状态进行估计。文献^[5]英国的Laura R.Ray提出了基于八自由度车辆模型，应用扩展“卡尔曼-高斯滤波”对车辆状态和轮胎力进行估计。文献[6]英国拉夫堡大学Matthew C Best等人基于扩展卡尔曼滤波算法，实现对车辆状态的估计。

容积卡尔曼滤波(CKF)是09年加拿大学者提出的一种新型非线性高斯滤波方法^[7-8]，经严格的数学证明其逼近非线性变换后的概率分布精度优于UKF^[9]。由于计算舍入等误差容易导致CKF算法误差协方差矩阵失去正定性，而基于奇异值分解(SVD)代替Cholesky分解可以解决误差协方差矩阵的非正定性问题^[10-11]。

扩展卡尔曼滤波(EKF)估计算法通过一阶泰勒展开对非线系统进行线性化，然后再对线性化后的系统采用卡尔曼滤波估计算法，但是当系统具有较强非线性或者初始估计误差较大时，难以取得理想的估计效果，有些系统甚至会出现雅克比矩阵无解析解的情况。无迹卡尔曼滤波(UKF)估计算法工作量和EKF相当，性能上优于EKF，且无需计算雅可比矩阵，但在进行迭代滤波过程中需要矩阵分解和求逆运算，UKF状态估计协方差矩阵难以保持正定性。UKF滤波过程中如使用权值为负的sigma点来更新矩阵，同样无法保证矩阵正定。近年来提出的粒子滤波(PF)估计算法不必对非线性函数进行近似以及对噪声概率密度进行高斯假设，在处理非线性、非高斯系统的滤波问题方面有着独特的优势，但是粒子滤波存在着粒子样本枯竭和计算实时性差等问题仍需要进一步解决。为了更好地满足非线性滤波的要求，有必要研究精度更高且易于工程实现的估计算法，其中容积卡尔曼滤波(CKF)相对于EKF、UKF数值计算精度高、滤波稳定性强，但存在对误差协方差矩阵容易失去正定性问题。

发明内容

本发明的目的在于提供一种车辆行驶状态估计方法及装置，旨在解决上述背景技术中的不足。

本发明是这样实现的，一种车辆行驶状态估计方法，包括以下步骤：

在线性二自由度车辆模型基础上引入一个纵向自由度，即建立包括纵向、侧向、横摆的非线性三自由度车辆模型；

基于奇异值分解的容积卡尔曼滤波理论建立车辆行驶状态估计算法；

通过估计算法对纵向加速度、侧向加速度和转向盘转角传感器信号的信息融合完成对车辆行驶状态估计。

本发明进一步提供了一种车辆行驶状态估计装置，包括：

模型建立模块，用于在线性二自由度车辆模型基础上引入一个纵向自由度，即建立包括纵向、侧向、横摆的非线性三自由度车辆模型；

算法建立模块，用于基于奇异值分解的容积卡尔曼滤波理论建立车辆行驶状态估计算法；

状态估计模块，用于通过估计算法对纵向加速度、侧向加速度和转向盘转角传感器信号的信息融合完成对车辆行驶状态估计。

本发明克服现有技术的不足，提供一种车辆行驶状态估计方法及装置，本发明基于奇异值分解的容积卡尔曼滤波的理论设计了车辆行驶状态估计算法，建立了非线性三自由度车辆模型，利用纵向加速度、侧向加速度和转向盘转角低成本传感器信号的信息融合，实现对汽车的纵向车速、质心侧偏角和侧向车速的准确估计，并通过实车实验对估计算法的有效性进行验证。结果表明，基于奇异值分解的容积卡尔曼滤波的估计算法能够较准确地、稳定地对车辆行驶状态进行估计。

附图说明

图1是本发明车辆行驶状态估计方法的步骤流程图；

图2是非线性三自由度车辆模型；

图3是实车实验原理图；