融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法

摘要

本发明涉及一种融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法，其包括以下步骤：1)设置一个质心侧偏角观测系统，包括车速传感器、纵向加速度传感器、横向加速度传感器、横摆角速度传感器及控制器，分别得到原始信号：纵向加速度、横向加速度、横摆角速度；2)对、、分别进行卡尔曼滤波处理，得到处理后的估计值：纵向加速度、横向加速度、横摆角速度；3)分别采用基于卡尔曼滤波和基于信号积分的方式进行质心侧偏角观测：4)对步骤3)两种方法的结果进行加权处理，得到质心侧偏角观测值。基于卡尔曼滤波和加速度积分两种方法进行加权处理，对质心侧偏角进行观测。不仅具有较广的适用范围，而且能够在较低成本下得到较准确的质心侧偏角观测结果。

主权项

1.一种融合卡尔曼滤波和加速度积分的车轮质心侧偏角观测方法，其特征在于包括以下步骤：1)设置一个质心侧偏角观测系统，包括车速传感器、纵向加速度传感器、横向加速度传感器、横摆角速度传感器及控制器，分别得到原始信号：纵向加速度、横向加速度、横摆角速度；2)对纵向加速度、横向加速度、横摆角速度信号分别进行卡尔曼滤波处理，具体方法如下：假设需要做滤波处理的原始信号为，实际信号为x，处理后的估计值为，x(k)表示第k时刻x的瞬时值，ΔT是采样时间间隔，将该信号在时间域上第k时刻进行泰勒展开得到：忽略二阶以上的高阶项，选取x(k)及其一阶导数x′(k)为状态变量[x(k) x′(k)]^T，则式(1)写成如下所示的状态方程：其中，w＝x″(k)，视为随机白噪声误差，假设传感器测量信号为，其中n_sm是真实信号所叠加的噪声，视为随机白噪声误差，则有：式(2)、(3)构成了完整的卡尔曼滤波器的空间方程结构：X(k)＝A·X(k-1)+W(k)(4)其中，，，，H＝[1 0]，N(k)＝n_sm；若假设Q、R分别为W(k)、N(k)的协方差矩阵，构建的卡尔曼滤波器为： P(k)＝(1-Kg(k)·H)·(A·P(k-1)·A^T+Q)通过式(5)，得到处理后的估计值：纵向加速度、横向加速度、横摆角速度；3)分别采用基于卡尔曼滤波和基于信号积分的方式进行质心侧偏角观测，具体方法如下：①基于卡尔曼滤波的质心侧偏角观测质心侧偏角β的定义式为：其中，v_x，v_y分别为纵向车速和横向车速，对式(6)微分得到：同时，根据车辆运动学，质心侧偏角和横摆角速度之间具有如下关系：对式(7)、(8)离散化后得到质心侧偏角扩展卡尔曼滤波器空间方程结构如下：其中，N_β(k)为真实信号β(k)所叠加的噪声，则将(9)式改为扩展卡尔曼滤波器空间方程结构的标准形式如下：X_β(k)＝A_β·X_β(k-1)+W_β(k)(10)其中，X_β(k)＝β(k)，，，H_β＝1，；此处，W_β(k)为随机白噪声误差，若假设Q_β、R_β分别为W_β(k)、N_β(k)的协方差矩阵，构建的卡尔曼滤波器为：P_β(k)＝(1-Kg_β(k)·H_β)·(A_β·P_β(k-1)·A_β^T+Q_β)根据式(11)得出质心侧偏角的观测值；②基于信号积分的质心侧偏角观测当式(9)的观测方程中出现v_x(k)·γ(k)＝0的情况时，卡尔曼滤波器将不再适用，对应的工况是车辆纯侧偏，此时，式(7)变化为如下形式：将式(12)进行离散化，得到基于信号积分的观测结果如下：4)对步骤3)两种方法的结果进行加权处理，得到质心侧偏角观测值，具体方法如下：设利用扩展的卡尔曼滤波方式得到的观测结果为，利用信号积分方式得到的观测结果为，质心侧偏角观测器的最终观测结果为，则有如下关系式：当时，认为未出现明显的横摆，此时K＝1，完全采取信号积分的观测方式，即；当时，认为此时出现明显的横摆，此时K＝0，将由扩展的卡尔曼滤波观测方式，即；当时，将两种质心侧偏角观测结果进行加权融合，得到质心侧偏角观测器的最终观测结果。