[发明专利]行驶状态变量的确定

说明书

用于确定机动车(105)的行驶状态变量的方法(100)包括：对影响机动车(105)的行驶状态的信号的输入矢量(u)进行采样的步骤；对描述机动车(105)的行驶状态的变量的第一输出矢量(y)进行采样的步骤；基于输入矢量(u)来确定加权矢量(r)和状态矢量(X^)、描述机动车(105)的行驶状态的变量的第二输出矢量()的步骤；并且基于两个输出矢量(y、)的差来调整加权矢量(r)的步骤。在此，观察器(110)包括卡尔曼滤波器。

技术领域

本发明涉及机动车的行驶状态变量的确定。本发明尤其涉及对机动车建模用来确定行驶状态变量。

背景技术

为了了解、检查机动车的动态或者能够实现对机动车的预测或控制，需要对描述机动车的运动的状态变量进行确定。例如，可以借助一个车轮上的转速传感器来确定机动车在地面上的速度。可以借助多个车轮上的更多个转速传感器来执行经改进的确定。然而，例如当在更多个车轮上的滑移率超过了被预先确定的极限值时，该确定也可能是错误的。还存在有根本无法直接确定或者在没有相当大的努力的情况下就无法确定的状态变量，例如侧滑角(Schwimmwinkel)。

发明内容

本发明的任务是：说明一种能够实现对机动车的行驶状态变量进行更好的确定的技术。本发明借助独立权利要求的主题来解决该任务。从属权利要求反映了优选的实施方式。

提出的是，使用基于卡尔曼滤波器的观察器，以便尽可能准确地实现从机动车的动态的输入变量的输入矢量到输出矢量的映射。从大量的不同的卡尔曼滤波器的变型方案中介绍了一种特别更适用于使针对当前问题的良好状态估计与可接受的处理耗费相协调。此外，说明一种物理车辆模型，其是卡尔曼滤波器的基础，并且能够以高质量来确定或预测当前问题的状态变量。将卡尔曼滤波器和物理车辆模型的优选的实施方式组合可以提供令人信服的结果，这些结果例如可以是对机动车的控制的基础。通常，机动车包括四个车轮(前左、前右、后左和后右)，但也可以支持其他的车辆模型，例如是具有两个车轮的单轨迹的机动车或者是具有多于两个车桥的两轨迹的机动车。

用于确定机动车的行驶状态变量的方法包括：对确定机动车的行驶状态的输入变量的矢量进行采样的步骤；对描述机动车的行驶状态的变量的第一输出矢量进行采样的步骤；基于输入矢量来确定状态矢量和加权矢量、描述机动车的行驶状态的变量的第二输出矢量的步骤；并且基于两个输出矢量的差来调整加权矢量的步骤。这样表达的观察器在此通过卡尔曼滤波器来实现。

观察器通过将输入矢量经由物理车辆模型匹配地转换成输出矢量的方式来描述机动车的行为。关于观察器所确定的输出矢量与由机动车确定的输出矢量之间的差别被反馈到观察器中用以对映射加权。因此，真实的机动车的行为可以通过观察器来映射，其中，尽可能将输出矢量之间的差别最小化。

观察器的基础在于将在下面更详细地描述的物理车辆模型。物理车辆模型优选以如下方式设计，即，可以确定多个描述机动车的动态的行为的行驶状态变量，而无需为每个行驶状态变量设置专用的传感器。这些行驶状态变量可以被归入在状态矢量中。可以减少用于确定行驶状态变量的传感器的数量。此外，可以使测量误差变小。每个特定的行驶状态量都可以潜在地基于输入矢量u的和输出矢量y的所有测量值来确定，从而可以使确定精度、确定可靠性或确定速度最佳。可以借助观察器来更好地预测或估计以常规方式难以确定的行驶状态量，例如侧滑角。

优选的是，观察器包括“无迹卡尔曼滤波器(Unscented Kalman Filter)”(UKF)。UKF可以实现对所期望的行驶状态变量的良好确定，并且因此需要可接受的处理能力。尤其是受噪声干扰的测量只会略微影响UKF的性能。借助UKF可以更好地例如在机动车上执行实时处理。尤其优选的是，UKF包括“平方根无迹卡尔曼滤波器(Square Root UnscentedKalman Filter)”(SR-UKF)。SR-UKF可以比UKF又明显更快地进行处理；在某些的条件下，与UKF相比，其所需的计算时间减少了约20％的范围。在其他实施方式中，也可以使用其他非线性观察器算法。