[发明专利]考虑环境因素的车辆质量和道路坡度联合自适应估计方法

说明书

本发明通过构建车辆运动学和纵向动力学模型，将连续系统离散化后，基于递推卡尔曼滤波实时估计道路坡度，并基于扩展卡尔曼滤波实时估计轮胎滚动阻力系数和空气阻力系数。利用上述参数估计值实时修正车辆纵向动力学模型，进而基于带遗忘因子的递推最小二乘法对车辆质量进行实时估计。相比于直接采用上述参数的标定值来估计车辆质量，该方法中构建的车辆动力学模型中的敏感参数能根据道路环境的变化做出自适应修正，降低模型中敏感参数设定值与实际值的误差，有效提高坡度和车辆质量估计算法的准确性和稳定性，适用条件较广，为车辆控制系统提供了较为可靠的道路坡度和车辆质量估计结果。

技术领域

本发明涉及车辆质量和坡度计算技术领域，尤其涉及一种新能源汽车的电子控制中，考虑环境因素的车辆质量和道路坡度联合自适应估计方法。

背景技术

随着电动汽车的发展，底盘结构更加精简，线控技术更加深入，但控制系统对道路坡度和车辆质量的变化较为敏感，对系统的动态性能提出了挑战。在准确获知道路坡度和车辆质量的前提下，可以更好地进行电动车能耗计算以及能量管理，且坡道缓降和主动制动等智能驾驶辅助系统也能够被更好地开发和应用。因此，准确获知当前状态下的道路坡度值和车辆质量值，有利于提高车辆控制系统的稳定性，也是智能辅助驾驶的开发基础。然而受成本和技术的限制，量产汽车上一般不会配备相应的信号传感器，因此必须采用状态估计的方式获取车辆当前工况下敏感参数和名义值的偏差，从而提高车辆控制器模型的精确度，保证控制器准确性和稳定性。

目前对于车辆质量的估计方法，一般是考虑直线工况，将汽车纵向动力学模型转换为符合最小二乘法的形式，把车辆质量视为待估计参数，把轮胎滚动阻力系数、空气阻力系数和道路坡度等参数视为常量，有的方法中还对滚动阻力系数做了忽略处理，进而对车辆质量进行估计。但在实际应用中，最小二乘法的系数误差会对参数辨识结果的精度造成明显影响，当道路环境发生变化，敏感参数的标定值与实际值存在较大误差，且数据存在一定的扰动，基于最小二乘法的车辆质量估计结果准确度明显降低。例如：专利CN107247824A中公开了一种考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，该专利中存在将滚阻系数、风阻系数都视为已知的确定值，坡度的估计的卡尔曼滤波方法中，状态量只有坡度和车速，没有引入加速度传感器进一步提高坡度估计精度，整车质量进行估计时视坡度为已知等不足之处。

发明内容

本发明目的在于针对现有技术的缺陷，提供一种具有自适应能力的实时道路坡度和车辆质量估计算法，能够根据道路环境的变化对敏感参数的标定值进行修正，降低与实际值的误差，提高算法在不同道路环境下的准确度和稳定性。

为解决上述技术问题，本发明提供技术方案如下：

一种考虑环境因素的车辆质量和道路坡度联合自适应估计方法，其特征在于：包括如下步骤：

步骤10：构建车辆运动学模型和纵向动力学模型；

步骤20：基于所述步骤10中的车辆运动学模型，搭建递推卡尔曼滤波道路坡度估计算法；

步骤30：基于所述步骤10中的车辆纵向动力学模型，搭建扩展卡尔曼滤波轮胎滚动阻力系数和空气阻力系数估计算法；

步骤40：基于步骤所述10中的车辆纵向动力学模型，搭建带遗忘因子的递推最小二乘法车辆质量估计算法；

步骤50：利用所述步骤20和30中得到的道路坡度、轮胎滚动阻力系数和空气阻力系数的实时估计值，对所述步骤40中车辆质量估计算法模型中参数的设定值进行自适应修正，并基于修正后的模型进行车辆质量估计。

进一步的，所述步骤10中构建的车辆运动学模型为：

式中，a_senx表示由纵向加速度传感器获得的纵向加速度信号，g为重力加速度，表示速度对时间进行求导后得到的纵向速度的变化率，θ表示道路坡度角。