[发明专利]基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统

说明书

本发明公开了一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统，该方法包括建立与质心侧偏角相关的三自由度车辆动力学模型，并根据此模型确定无迹卡尔曼滤波器的状态方程和观测方程，确定输入量、状态量、观测量；输入量包括前轮转角和纵向加速度；状态量包括质心侧偏角、横摆角速度和纵向车速；观测量包括侧向加速度和横摆角速度；采用M估计器算法计算权重因子；结合权重因子、当前时刻状态量、状态方程、观测方程，采用无迹卡尔曼滤波算法对下一时刻的质心侧偏角估计。本发明通过将M估计器算法与无迹卡尔曼滤波算法相结合，抑制离群点带来的影响，提高无迹卡尔曼滤波算法对观测信号中离群点的鲁棒性，提高车辆质心侧偏角的估计准确度。

技术领域

本发明涉及车辆质心侧偏角估计技术领域，特别是涉及一种基于鲁棒无迹卡尔曼滤波算法的质心侧偏角估计方法及系统。

背景技术

车辆质心侧偏角是表征车辆稳定性的重要参数，因此在进行稳定性控制时必须获取车辆质心侧偏角。然而车辆质心侧偏角传感器价格昂贵，不适用于量产车，因此需要采用参数估计方法对车辆质心侧偏角进行估计。在构建车辆模型时，2自由度线性模型的精度较差，因此常常采用非线性模型对质心侧偏角进行估计，以期得到更准确的估计结果。

卡尔曼滤波(KalmanFilter，简称KF)方法仅适用于线性系统的参数估计。扩展卡尔曼滤波(ExtendedKalmanFilter，简称EKF)方法采用了泰勒级数展开方法对状态量进行线性化。当系统非线性特性较强时，泰勒级数展开的截断误差较大。无迹卡尔曼滤波(Unscented Kalman Filter，简称UKF)方法更加适用于强非线性系统的参数估计，采用无迹变换的形式产生一系列与状态量的均值和协方差相同的sigma点，通过对这些sigma点进行计算并加权求和，来实现卡尔曼滤波算法。因此，UKF方法适用于车辆质心侧偏角估计。

然而，UKF方法与KF方法的机理一脉相承，均是递归最小二乘法的延伸，因此当观测信号中包含离群点时，车辆质心侧偏角估计结果会受到较大影响，即为：UKF方法对观测信号中的离群点具有弱鲁棒性。在进行车辆质心侧偏角估计时，观测信号往往来源于车辆传感器，而传感器信号经常存在离群点，因此严重影响了UKF方法对质心侧偏角估计结果的准确程度。

发明内容

本发明的目的是提拱了一种基于鲁棒无迹卡尔曼滤波算法的质心侧偏角估计方法及系统，将M估计器算法与无迹卡尔曼滤波算法相结合，能够抑制离群点带来的影响，提高无迹卡尔曼滤波算法对观测信号中离群点的鲁棒性，进而提高车辆质心侧偏角的估计准确度。

为实现上述目的，本发明提供了如下方案：

一种基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法包括：

建立三自由度车辆动力学模型；所述三自由度车辆动力学模型为与质心侧偏角相关的动力学模型；

根据所述三自由度车辆动力学模型，确定无迹卡尔曼滤波器的状态方程和观测方程，并确定所述无迹卡尔曼滤波器的输入量、状态量以及观测量；所述输入量包括前轮转角以及纵向加速度；所述状态量包括质心侧偏角、横摆角速度和纵向车速；所述观测量包括侧向加速度和横摆角速度；

采用M估计器算法，计算权重因子；所述权重因子为协方差的权重因子所述协方差包括所述观测量的协方差以及所述状态量和所述观测量之间的协方差；

结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计。

可选的，在结合所述权重因子、当前时刻的所述状态量、所述无迹卡尔曼滤波器的状态方程和观测方程，采用无迹卡尔曼滤波算法，对下一时刻的质心侧偏角进行估计之前，所述基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法还包括：