[发明专利]车辆行驶状态估计方法

说明书

本发明涉及一种车辆行驶状态估计方法，包括以下步骤：获取车辆运行数据，所述车辆运行数据包括车辆纵向加速度、车辆侧向加速度、车辆横摆角速度及车辆车轮轮速；根据后向平滑容积卡尔曼滤波，获取校正后的当前时刻的车辆行驶状态；根据所述车辆行驶状态、所述车辆纵向加速度、所述车辆侧向加速度、所述车辆横摆角速度及所述车辆车轮轮速，获取车辆纵向速度、车辆侧向速度及车辆质心侧偏角；能对车辆行驶状态进行更精准地估计，从而使汽车安全控制系统能达到更好地控制效果。

技术领域

本发明涉及汽车技术领域，特别涉及一种车辆行驶状态估计方法。

背景技术

实时准确地获取汽车状态与参数信息对汽车主动安全控制系统的发展有着非常重要的意义，如量产车标配的制动防抱死系统(ABS)，以及汽车上装配的牵引力控制系统(TCS)都需要获得汽车车速等信息，通过调节车轮的运动，从而充分利用路面附着力。如果可以获得精确的汽车行驶状态信息，则汽车主动安全控制系统可以进一步细化控制模式，达到更好的控制效果，所以车辆行驶状态信息的准确获得是进行精确控制的前提条件。相应传感器和测试设备能够实现对汽车行驶状态的准确测量，但是成本高，不适用于汽车商品化生产；因此，采用低成本传感器、应用车辆动力学理论、通过信息融合技术进行车辆行驶状态的准确估计已成为汽车控制的研究热点。

车辆行驶状态估计可以理解为利用量产车上已有的传感器测量得到的信息，对一些测试设备昂贵或难以直接测量的信号，应用动力学理论和信息融合技术进行估算；车辆行驶状态估计，包括纵/侧向车速和质心侧偏角等状态变量。车辆行驶状态变量的准确获得是整车动力学控制的前提；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、粒子滤波方法及它们的改进方法。扩展卡尔曼滤波(EKF)方法，对于高度非线性滤波问题，可能使状态估计结果发散，并且计算非常复杂的雅可比矩阵(有时矩阵可能无解)会严重影响状态估计的实时性。无迹卡尔曼滤波(UKF)在强非线性系统下效果比较好，但是计算量大，并且状态变量的后验概率不满足高斯分布会影响滤波精度。粒子滤波(PF)方法的产生解决了上述滤波方法的缺点，但是PF方法需要用到大量的粒子数目和样本数量才可以对后验概率密度计算，大量的计算给系统带来负担。

发明内容

本发明实施例提供一种车辆行驶状态估计方法，能对车辆行驶状态进行更精准地估计。

第一方面，本发明实施例提供了一种车辆行驶状态估计方法，包括以下步骤：

获取车辆运行数据，所述车辆运行数据包括车辆纵向加速度、车辆侧向加速度、车辆横摆角速度及车辆车轮轮速；

根据后向平滑容积卡尔曼滤波，获取校正后的当前时刻的车辆行驶状态；

根据所述车辆行驶状态、所述车辆纵向加速度、所述车辆侧向加速度、所述车辆横摆角速度及所述车辆车轮轮速，获取车辆纵向速度、车辆侧向速度及车辆质心侧偏角。

根据第一方面，在第一方面的第一种可能的实现方式中，所述“获取车辆运行数据，所述车辆运行数据包括车辆纵向加速度、车辆侧向加速度、车辆横摆角速度及车辆车轮轮速”步骤，具体包括以下步骤：

获取车辆纵向加速度a_x如下：

获取车辆侧向加速度a_y如下：

获取车辆横摆角速度r如下：

其中，