[发明专利]一种分布式驱动电动汽车行驶状态自适应迭代估计方法

说明书

本发明一种分布式驱动电动汽车行驶状态自适应迭代估计方法，包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计；步骤S3：车辆行驶状态自适应迭代估计方法设计，步骤S4：纵向力观测器和行驶状态自适应迭代估计方法实验验证。本发明基于非线性观测器和卡尔曼滤波器结合的方式重构未知输入并设计纵向力观测器，以低成本传感器信息为输入量实现纵向力估计。此外，基于纵向力估计信息，本发明中车辆行驶状态自适应迭代估计方法，设计车辆行驶状态前验估计器，结合前验估计结果，基于扩展卡尔曼滤波得到进一步更精确的后验估计，有助于提高估计器的估计精度、抗干扰能力以及自适应性。

技术领域

本发明属于电动汽车研究领域，具体涉及一种分布式驱动电动汽车行驶状态自适应迭代估计方法。

背景技术

分布式驱动电动汽车凭借其在整车动力学控制上的自由度以及良好的节能潜力，是目前公认的汽车未来发展的主要方向之一，从而得到了业内许多研究人员的关注，其中分布式驱动电动汽车行驶状态估计问题是一个重要的研究课题。车辆状态估计常用的算法包括Kalman滤波、滑模观测器、非线性观测器和鲁棒观测器等，其中Kalman滤波及其改进算法应用的最为广泛。随着研究的深入，研究者开始将卡尔曼滤波与其他估计理论进行结合，通过模型或观测器之间的相互迭代，利用已知信息的冗余度来提高估计精度。如果能结合分布式驱动电动汽车驱动特点与自身优势进行行驶状态估计的研究，同时考虑车辆实际行驶时一些复杂的环境因素带来的干扰，可以进一步提高估计的精度。此外，近年来，智能车辆和无人驾驶研究得到了许多国内学者的关注，其中交通环境感知和重要车辆状态估计也是车辆智能控制的重要一环。基于以上考虑，很有必要进行车辆行驶状态估计的研究。

发明内容

本发明的目的是针对上述问题提供一种分布式驱动电动汽车行驶状态自适应迭代估计方法。包括如下步骤：步骤S1：分布式驱动电动汽车车辆建模；步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计；步骤S3：车辆行驶状态自适应迭代估计方法设计；步骤S4：纵向力观测器和行驶状态自适应迭代估计方法实验验证。本发明基于非线性观测器和卡尔曼滤波器结合的方式重构未知输入并设计纵向力观测器，以低成本传感器信息为输入量实现纵向力估计。此外，基于纵向力估计信息，本发明设计了一种分布式驱动电动汽车行驶状态自适应迭代估计方法，有助于提高估计器的估计精度、抗干扰能力以及自适应性。

本发明的技术方案为：一种分布式驱动电动汽车行驶状态自适应迭代估计方法，包括如下步骤：

步骤S1：分布式驱动电动汽车车辆建模，包括整车非线性动力学建模、电驱动轮建模以及轮胎建模；

步骤S2：基于非线性观测器和扩展卡尔曼滤波的纵向力观测器设计，首先利用电驱动轮模型构造纵向力的状态估计方程，从而设计非线性观测器，通过选取合适的增益矩阵，使得观测器满足稳定性条件，此外，将非线性观测器和扩展卡尔曼滤波进行结合，降低噪声对估计的影响；

步骤S3：车辆行驶状态自适应迭代估计方法设计，首先分别针对车辆横摆角速度和侧向车速设计伦伯格观测器，得到横摆角速度和侧向车速的前验估计，该前验估计是在不需要车辆纵向加速度和横向加速度的情况下，所述前验估计利用所述步骤S2所估计的纵向力信息和由轮胎模型得到的侧向力计算得到的，因此相对来说估计结果容易受到影响且存在一定的误差；再根据整车非线性动力学模型，基于扩展卡尔曼滤波进行车辆行驶状态估计，得到车辆行驶状态的后验估计，即卡尔曼滤波估计，其中前验估计信息被用来作为扩展卡尔曼滤波的测量更新，得到的后验估计同时作为前验估计所设计的伦伯格观测器的伪传感器输入量，从而实现车辆状态信息的迭代估计，通过冗余信息的迭代补偿来提高估计精度和估计信息的抗干扰能力；此外，该步骤还设计了模糊规则，根据行驶时的车速和前轮转角动态地调节前验估计在扩展卡尔曼滤波测量更新中所占的权重，从而使得车辆状态估计的迭代过程有了基于车辆行驶工况的自适应性；

步骤四：纵向力观测器和行驶状态自适应迭代估计方法实验验证。