[发明专利]一种基于观测器信息迭代的车辆状态融合估计方法

说明书

本发明提供一种基于观测器信息迭代的车辆状态融合估计方法，包括：车辆模型建立；基于信息融合滤波算法的车辆状态估计；基于岭估计法的车辆状态估计；车辆状态加权迭代融合估计；车辆状态估计方法仿真和实验验证。本方法基于三自由度车辆动力学模型设计了车辆状态信息融合滤波估计算法；同时，根据四轮轮速耦合关系，考虑到数据扰动和病态矩阵现象的影响，设计了车辆状态的岭估计算法。为进一步提高估计系统的可靠性，提出了动力学模型观测器与运动学模型观测器补偿与迭代的估计方式，设计了模糊控制器，根据实时的质心侧偏角和滑移率的伪量测值，判断信息融合滤波估计器和岭估计器估计结果所占权重，利用闭环估计系统的迭代与融合提高估计性能。

技术领域

本发明属于汽车研究领域，具体涉及一种基于观测器信息迭代的车辆状态融合估计方法。

背景技术

近年来，包括电子稳定系统ESP、制动防抱死系统ABS、牵引力控制系统TCS、驱动防滑系统ASR在内的主动安全系统在车辆上应用越来越广泛。良好的车辆系统闭环控制需要精确可靠的车辆状态测量值，然而包括质心侧偏角在内的一些车辆状态难以采用车载传感器直接测量得到，或者考虑到传感器成本过高的因素，人们越来越倾向于设计可行的观测器对部分车辆状态进行准确估计，从而为车辆控制系统提供依据。目前关于车辆行驶状态估计已有许多研究成果，其中车辆质心侧偏角估计是重要的研究方向之一。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，利用同一车辆状态的不同观测器估计结果之间的误差进行相互迭代，基于车辆状态信息的冗余度来提高估计精度。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基于观测器信息迭代的车辆状态融合估计方法，包括如下步骤：车辆模型建立；基于信息融合滤波算法的车辆状态估计；基于岭估计法的车辆状态估计；车辆状态加权迭代融合估计；车辆状态估计方法仿真和实验验证。本方法基于三自由度车辆动力学模型设计了车辆状态信息融合滤波估计算法；同时，根据四轮轮速耦合关系，考虑到数据扰动和病态矩阵现象的影响，设计了车辆状态的岭估计算法。为进一步提高估计系统的可靠性，提出了动力学模型观测器与运动学模型观测器补偿与迭代的估计方式，设计了模糊控制器，根据实时的质心侧偏角和滑移率的伪量测值，判断信息融合滤波估计器和岭估计器估计结果所占权重，利用闭环估计系统的迭代与融合提高估计性能。

本发明的技术方案为：一种基于多模型观测器误差信息补偿与迭代的车辆状态融合估计方法，包括如下步骤：

车辆模型建立，包括建立三自由度车辆动力学模型、轮胎模型以及车辆运动学模型；

步骤S2：基于信息融合滤波算法的车辆状态估计。根据三自由度车辆动力学模型，建立车辆系统的离散时间随机动态系统方程。扩展卡尔曼滤波通过对状态协方差矩阵进行分解，来提高实时跟踪能力与数值计算的稳定性，但矩阵分解加大了计算量，估计的实时性受到了一定的限制。考虑到这一因素，基于该离散时间随机动态系统方程设计最优序贯融合滤波算法进行纵向车速、侧向车速以及横摆角速度估计，估计结果记为v_xIFF，v_yIFF，γ_IFF；

基于岭估计法的车辆状态估计。根据车辆四轮轮速的耦合关系，建立轮速耦合系统的观测方程。考虑到由于参数扰动所带来的病态矩阵问题会对车辆状态估计带来影响，计算病态矩阵的敏感程度并通过求取范数得知，同时增大病态矩阵的特征值有利于提高估计结果的鲁棒性。因此利用岭估计法来抑制病态矩阵对估计的影响，也即设计一种改进的最小二乘算法，通过对病态矩阵的特征值增添一个自适应增量，然后利用含遗忘因子的递推最小二乘算法进行车辆状态估计，从而得到另外一种纵向车速、侧向车速以及横摆角速度的估计值，记为v_xR，v_yR，γR；