[发明专利]一种针对车辆运动状态及道路坡度的联合估计方法

说明书

本发明公开了一种针对车辆运动状态及道路坡度的联合估计方法，构造坡道行车平台，运用平方根变分贝叶斯自适应容积卡尔曼滤波算法，估计车辆运动状态，形成车辆运动状态估计模块；搭建道路坡度单元，基于岭回归算法，求解道路坡度值，形成道路坡度估计模块；两个模块之间采用交互迭代的方式，实现车辆运动状态及道路坡度的联合估计。本发明的平方根变分贝叶斯自适应容积卡尔曼滤波算法能够对状态协方差及量测噪声协方差的平方根进行自适应，相比于同类噪声自适应算法具有计算量小，实时性好，精度高的特点；车辆运动状态及道路坡度的联合估计，考虑了两者之间的联系，能够提高估计结果的准确性。

技术领域

本发明属于车辆运动状态估计领域，尤其涉及一种针对车辆运动状态及道路坡度的联合估计方法。

背景技术

自20世纪以来，世界汽车保有量持续增长，与此同时，与汽车相关的交通事故数量也逐年增多。在汽车上配置主动安全系统，能够提升汽车的行车稳定性，减少交通事故的发生。汽车主动安全系统通过搜集车辆运动状态信息及环境信息做出决策控制，提升汽车行驶的安全性。可以说，实时且准确的估计出车辆运动状态信息及环境信息是汽车主动安全系统能够及时响应的关键因素。

目前，针对行驶于水平路面上的车辆运动状态估计问题已取得一定成果。而针对行驶于坡道(上坡或下坡)的车辆运动状态估计问题，研究较少。实际行车道路大部分具有一定坡度，且在不同路段坡度会发生变化。现有估计道路坡度的方法，通常考虑道路坡度为定值，不符合实际情况，应用价值不高。道路坡度的变化会降低车辆行车稳定性，进而导致估计车辆运动状态时，过程噪声和量测噪声的变化加剧。为解决这一问题，现有技术提出了一种变分贝叶斯自适应容积卡尔曼滤波算法，但该算法在每一次估计状态时，都需要完成数次迭代自适应计算，大大增加了算法的计算量，导致实时性变差，无法满足实际需求。此外，道路坡度信息也是车辆运动状态估计的基础；而准确的车辆运动状态信息同样能够提高道路坡度估计的精度。因此，研究针对车辆运动状态及道路坡度的联合估计策略具有重要意义。

发明内容

针对现有技术中存在的问题，本发明提供了一种针对车辆运动状态及道路坡度的联合估计方法，以同时估计车辆运动状态和道路坡度的值。

本发明是通过以下技术方案实现上述技术目的的。

一种针对车辆运动状态及道路坡度的联合估计方法，构造坡道行车平台，运用平方根变分贝叶斯自适应容积卡尔曼滤波(Square-root Variational Bayesian AdaptiveCubature Kalman Filter，SVBACKF)算法估计车辆运动状态，建立车辆运动状态估计模块；搭建道路坡度单元，利用岭回归算法求解道路坡度值，建立道路坡度估计模块；两个模块之间交互迭代，实现车辆运动状态及道路坡度的联合估计。

进一步，所述坡道行车平台为：

其中，v_x为车辆纵向车速，v_y为车辆侧向车速，θ为道路坡度，g为重力加速度，φ、分别为车辆的侧倾角、侧倾角速度、侧倾角加速度，r、分别为车辆的横摆角速度、横摆角加速度，F_x、F_y分别为轮胎的纵向力、侧向力，下标1、2、3、4分别表示左前轮、右前轮、左后轮、右后轮，δ为前轮转角，I_z为车辆绕z轴的转动惯量，l_F、l_R分别为质心到前轴、后轴的距离，b_F为前轴宽度，b_R为后轴宽度，I_sx为簧上质量部分绕x轴的转动惯量，h_s为簧上质量部分的质心距侧倾中心的高度，a_y为侧向加速度，κ_φ为侧倾刚度，β_φ为侧倾阻尼，m为车辆质量，m_s为车辆簧上质量。

进一步，所述平方根变分贝叶斯自适应容积卡尔曼滤波算法包括初始预估和变分迭代，所述变分迭代，具体为：