[发明专利]一种汽车运动状态的纵/横向多模型估计方法

说明书

本发明公开了一种汽车运动状态的纵/横向多模型估计方法。本方法针对汽车运行过程纵、横向运动状态耦合的特点，根据汽车典型行驶工况的运动学特征，将汽车运行状态解耦为3个纵向运动学模型和2个横向运动学模型，形成5个扩展卡尔曼滤波系统状态模型，以北斗卫星定位系统、电子罗盘等车载传感器结合增强型电子地图等获取的信息作为观测量，利用交互多模型算法，准确判别当前汽车的行驶工况，进而实时、准确、可靠的获取汽车位置、速度、航向角等运动状态信息，具有精度高、可靠性好、实时性好、适应性好的优点。

技术领域

本发明属于汽车主动安全测量及控制领域。本发明具体涉及一种汽车运动状态的纵/横向多模型估计方法。

背景技术

随着社会经济的发展，伴随着车辆保有量的迅速增长，道路交通安全问题日益突出，并已成为全球性难题。全世界每年因交通事故都会造成大量的人员伤亡和财产损失，世界各国都在努力降低交通事故的发生。以车辆碰撞预警/避免系统，车道偏离预警为代表的车辆主动安全系统能够防患于未然，主动避免事故的发生，已成为现代汽车最主要的发展方向之一。这些预警系统的有效工作依赖于对车辆位置、速度、航向角等汽车运行状态信息以至于道路曲率等信息的准确获取，对这些信息进行实时、准确的测量或估计，是汽车主动安全系统发挥作用的重要前提与基础。

通常这些运动状态信息可通过车载传感器获取，道路曲率等信息可通过增强型电子地图获取，但车载传感器信息往往包含较大噪声，直接使用会导致较大误差，因此，通过建立车辆运动学模型，采用传感器信息作为观测值，进而利用车辆状态估计技术来获取这些信息成为当前最常用的方式。本发明中，汽车与车辆为同一涵义，可替换使用。

车辆运动学模型一般包括匀速运动模型、匀加速运动模型、匀速转向模型等，这些模型往往只能描述某一种车辆运行工况，且或者仅针对纵向运动，或者仅针对横向运动。车辆实际运行中，往往纵向运动和横向运动状态相互耦合，如车辆超车过程中，既有纵向加速运动，又有横向运动，已有模型难以准确描述车辆真实运行状态，导致汽车运动状态估计结果误差较大，限制了在主动安全系统中的应用。车辆状态估计常用的方法包括卡尔曼滤波、粒子滤波等滤波方法等，但这些方法同样只采用单个汽车运动学模型，当汽车运动状态不符合真实运行状态，滤波估计误差较大。

发明内容

本发明目的在于实现汽车运行过程中对于汽车位置、速度、航向角等运动状态信息的实时估计，这些估计值可用于汽车主动安全控制与导航服务。

为实现不同车辆运行工况下对汽车运动状态的准确、可靠估计，本发明提出了一种汽车运动状态的纵/横向多模型估计方法。本发明提出的方法将车辆运行过程分解为3个纵向运动学模型和2个横向运动学模型，实现了车辆运行状态的解耦，并通过交互多模型方法，利用模型概率实现这些模型的切换，并考虑了涵盖了两种以上模型的复杂工况，通过模型概率的组合适应各类复杂的汽车运行工况，以实时确定车辆的实际运动状态，获取准确的汽车运动状态估计值，即使存在部分传感器失效，依然能通过准确的状态模型获取高精度的汽车运行状态信息，具有精度高、成本低、实时性好、全面自适应等特点。

具体地，本发明实施例提供一种汽车运动状态的纵/横向多模型估计方法，所述方法针对车辆运行过程纵、横向运动状态耦合的特点，根据汽车典型行驶工况的运动学特征，将车辆运行状态解耦为3个纵向运动学模型和2个横向运动学模型，形成5个扩展卡尔曼滤波系统状态模型，以北斗卫星定位系统、电子罗盘等车载传感器结合增强型电子地图等获取的信息作为观测量，利用交互多模型算法，准确判别当前车辆的行驶工况，进而实时、准确、可靠的获取车辆位置、速度、航向角等运动状态信息。具体步骤包括：

1)建立汽车纵横向运动的模型集

针对汽车典型行驶工况的运动学特征，建立3个纵向运动学模型和2个横向运动学模型，这5个模型具有相同的状态模型形式，其区别仅仅在于系统状态函数的不同，其状态方程可统一表示，第j(j＝1,2,3,4,5)个模型离散化后的扩展卡尔曼滤波(ExtendedKalman Filter，EKF)的状态方程的矩阵形式表示为：