[发明专利]一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法

摘要

本发明公开了一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，依托于选取的七自由度车辆运动模型，基于结合稀疏网格理论的求积卡尔曼滤波方法，选取多维积分点、进行时间更新与量测更新，估计车辆的纵向车速、侧向车速、质心侧偏角。本发明提出的车辆运动状态参数估计方法具有精度高的特点，在提高状态估计精度的同时，还可以有效地改善状态参数估计的实时性。 1

主权项

1.一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，包括以下步骤：

步骤(1)，建立七自由度车辆动力学模型；

步骤(2)，基于稀疏网格求积卡尔曼滤波理论，选取多维积分点、初始化、进行时间更新与量测更新，估计车辆的纵向车速、侧向车速、质心侧偏角。

2.根据权利要求1所述的一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，所述步骤(1)中，七自由度车辆动力学模型的建立：

假设路面条件变化缓慢，考虑车辆纵向运动、侧向运动、横摆运动及四个轮胎的回转运动，建立如下七自由度车辆模型：

其中，v_x为纵向车速，v_y为侧向车速，a_x为纵向加速度，a_y为侧向加速度，r为横摆角速度，a为质心距前轴的距离，b为质心距后轴的距离，δ为前轮转角，m为车辆的质量，l_F为前轮轮距，l_R为后轮轮距，F_x1、F_x2、F_x3、F_x4分别为左前、右前、左后、右后轮胎的纵向力，F_y1、F_y2、F_y3、F_y4分别为左前、右前、左后、右后轮胎的侧向力，I_z为车辆绕z轴的转动惯量，M_z为绕z轴的转矩。

3.根据权利要求1所述的一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，所述步骤(2)中，多维积分点的选取：

以纵向速度v_x、侧向速度v_y、横摆角速度r、纵向加速度a_x、侧向加速度a_y及车辆绕z轴转矩M_z为状态量x＝[v_x,v_y,r,a_x,a_y,M_z]^T，状态量维数n＝6，精度水平L＝2，则多维积分点ξ_i及其权重w_i具体如下所示：

4.根据权利要求1所述的一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，所述步骤(2)中，初始化过程：

以前轮转角、四轮轮速为输入u＝[δ,ω₁,ω₂,ω₃,ω₄,]^T，以纵向加速度a_x、侧向加速度a_y及横摆角速度r为观测量z＝[a_x,a_y,r]^T，纵向速度v_x、侧向速度v_y、横摆角速度r、纵向加速度a_x、侧向加速度a_y及车辆绕z轴转矩M_z为状态量x＝[v_x,v_y,r,a_x,a_y,M_z]^T；设系统的状态初值x₀＝[v_x0,0,0,0,0,0]^T，误差协方差矩阵初值为P₀。

5.根据权利要求3或4所述的一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，所述步骤(2)中，所述时间更新的过程为：

①对误差协方差矩阵分解P_k‑1|k‑1＝SS^T，其中S为正交分解矩阵，k为当前时刻；

②计算采样点其中ζ_i为本方法所采用的积分点，为当前时刻状态量矩阵；

③状态预测：轮胎力预测及状态量预测；

④状态预测误差协方差式中Q为系统噪声协方差矩阵，为状态更新矩阵。

6.根据权利要求5所述的一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法，其特征在于，所述状态预测的过程为：

a.轮胎力预测

F～f(O_k‑1|k‑1)

式中，分别表示矩阵γ_i的第一行第一列元素、第二行第一列元素、第三行第一列元素、第四行第一列元素、第五行第一列元素。

b.状态量预测

将所得采样点代入七自由度车辆模型得状态转移矩阵；

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江苏大学，未经江苏大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201711389922.6/，转载请声明来源钻瓜专利网。