[发明专利]分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法

说明书

本发明属于电动汽车状态估计与安全控制领域，公开了分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法，该方法基于交互多模型算法‑容积卡尔曼滤波对车辆质心侧偏角和轮胎侧向力进行实时估计，建立八自由度车辆模型，包括纵向运动、横向运动、横摆运动、侧倾运动以及四个轮胎的运动，非线性车辆模型考虑了车辆行驶过程中侧倾运动和载荷转移的影响；然后建立线性轮胎模型和非线性Dugoff轮胎模型作为交互多模型的模型集；最后对车辆质心侧偏角和轮胎侧向力进行估计；本发明针很大程度上降低由于非线性动力学模型建立不准确而导致的估计结果不准确问题，且容积卡尔曼滤波达到三阶近似，最终提高了车辆质心侧偏角和轮胎侧向力的估计精度。

技术领域

本发明涉及分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法，属于电动汽车状态估计与安全控制领域。

背景技术

与传统燃油式汽车相比，分布式驱动电动汽车作为当前汽车行业发展的主流方向之一，具有极大的优势，如底盘结构更为简化，底盘构件相对独立可优化设计；扭矩响应更为快速，无需冗杂的传动机构进行传动；控制执行更为精准，指令输入系统可以得到高效且极低误差的执行。另外，结构上的优化给车载传感器的配置与使用提供了便利，车辆行驶过程中的诸多车辆状态参数如纵向车速等都可以得到即时的测量与反馈。

在车辆稳定行驶与安全控制领域中，如车辆质心侧偏角等标准车载传感器无法直接测量的车辆状态参数也极为重要，受制于制造成本与车体架构等因素，利用标准车载传感器测量参数以及如整车质量等的车辆结构参数对上述车辆状态参数进行滤波计算与估计的方案可行性较高。

当前对车辆状态参数进行滤波计算与估计的方法大多基于卡尔曼滤波技术进行设计，其利用先验噪声的统计特性，对估计过程中的噪声进行一系列的处理从而能够有效应对测量误差，实现对选定量较为准确的估计。

基于卡尔曼滤波技术的车辆状态参数估计算法包括卡尔曼滤波算法、扩展卡尔曼滤波算法、无迹卡尔曼滤波算法等。然而，传统的一阶线性卡尔曼滤波算法对估计过程中的噪声的建模稳定性要求极高，并且无法应对车辆行驶过程中因轮胎状态变化(如打滑等)而引起的模型失配以至于滤波发散的问题，适用性不广。而基于非线性动力学方程的扩展卡尔曼滤波算法和无迹卡尔曼滤波算法对线性系统和非线性系统均具有一定的适用性，估计精度相对于传统的一阶线性卡尔曼滤波算法有所提高，但估计过程中用于计算的矩阵维数一般较高，对车载控制器的计算能力有极高要求，同时估计过程中的高阶截断误差也较为明显，滤波过程不稳定，因此该技术在工程上的应用也有一定阻碍。

发明内容

本发明面向分布式驱动电动汽车，提供了车辆质心侧偏角与轮胎侧向力的实时估计方法，估计结果对于电动汽车的主动安全控制系统具有很大的意义。

本发明解决其技术问题所采用的技术方案为：

分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法，包括以下步骤：

步骤一、考虑了车辆行驶工况的复杂性以及分布式驱动电动汽车具有更高的自由度，建立了八自由度车辆动力学方程，包括纵向运动、横向运动、横摆运动、侧倾运动以及四个轮胎的运动；

步骤二、选取线性轮胎模型和非线性Dugoff轮胎模型作为交互多模型算法的模型集；

步骤三、基于交互多模型算法-容积卡尔曼滤波对车辆质心侧偏角和轮胎侧向力进行估计，算法过程包括：输入交互、容积卡尔曼滤波、更新模型概率及输出交互。

(Ⅰ)上述步骤一中考虑复杂工况下车辆的纵向运动、横向运动、横摆运动、侧倾运动以及四个轮胎的运动，建立车辆动力学模型；

建立的八自由度车辆动力学方程如下：