[发明专利]一种基于平行结构的车辆行驶参数和状态参数联合估计方法

说明书

本发明涉及一种基于平行结构的车辆行驶参数和状态参数联合估计方法，在自适应Sage‑Husge算法中引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法的自适应性能进行改进；针对车辆建模误差和车辆受环境影响时估计过程中噪声表现出的强时变性，也能保证估计精度和估计的实时性。结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法的跟踪性能进行改进，构建强跟踪最小偏度采样卡尔曼滤波算法；能够解决最小偏度采样卡尔曼滤波算法无法满足车辆行驶过程中紧急情况如急刹车、急转弯等导致的车辆状态突然发生变化时对估计实时性要求的技术问题。基于平行结构的车辆行驶状态参数联合估计，有效的提高了状态参数信息利用度，解决了独立估计过程中信息不能共享反馈的问题。

技术领域

本发明涉及车辆行驶状态评估领域，特别涉及一种车辆行驶参数和状态参数联合估计领域。

背景技术

对于轮毂电机驱动车辆而言，在行驶过程中车辆行驶状态参数受车辆行驶环境、传感器精度等因素的影响表现出很强的非线性特征，且车辆系统的过程噪声和测量噪声具有很强的时变性特点。而且在遇到紧急工况如急刹车、急转弯时车辆状态的估计算法需要具有很强的跟踪特性。

最小偏度采样卡尔曼滤波算法(ASMSS-UKF)虽然比无损卡尔曼滤波(UKF)虽然具有更高的估计效率、采样精度等优点，但是始终受到卡尔曼滤波算法的制约。当车辆突然改变行驶状态使车辆系统呈强非线性时，无法及时调整增益矩阵，且随着时间的积累问题愈发严重。

最小偏度采样卡尔曼滤波算法(ASMSS-UKF)要求先验噪声精确已知，当车辆系统受环境影响时就无法精确的获知系统的先验噪声；在突然改变车辆行驶状态时最小偏度采样卡尔曼滤波算法(ASMSS-UKF)无法随残差的变化对协方差和增益矩阵及时做出调整。

上述缺点在车辆状态估计过程中都严重的影响着估计的实时性和准确性。因此，有必要提高最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性和强跟踪性，以适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力以及遭遇紧急工况时仍能保证估计实时性和准确性的能力。

此外，车辆的行驶状态和路面附着系数等车辆行驶参数有着密切的关系，但是在现有的状态参数估计过程中，车辆行驶状态信息和车辆行驶参数信息往往不能彼此间实现实时修正、反馈而影响估计精度。

发明内容

针对上述现有技术的不足，本发明提出一种基于平行结构的车辆行驶参数和状态参数联合估计方法。本发明具有如下优点：

1、本发明在自适应Sage-Husge算法中引入非线性系统虚拟噪声，对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性能进行改进，构建自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；针对车辆建模误差和车辆受环境影响时估计过程中噪声表现出的强时变性，也能保证估计精度和估计的实时性。

2、结合强跟踪非线性算法，引入渐消因子对最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的跟踪性能进行改进，构建强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；能够解决最小偏度采样卡尔曼滤波算法(ASMSS-UKF)无法满足车辆行驶过程中紧急情况如急刹车、急转弯等导致的车辆状态突然发生变化时对估计实时性要求的技术问题。

3、结合自适应最小偏度采样卡尔曼滤波算法(ASMSS-UKF)与强跟踪最小偏度采样卡尔曼滤波算法(ASMSS-UKF)，提出了改进后的具有自适应性和强跟踪性改进最小偏度采样卡尔曼滤波算法(ASMSS-UKF)；自适应强跟踪性最小偏度采样卡尔曼滤波算法(ASMSS-UKF)提高最小偏度采样卡尔曼滤波算法(ASMSS-UKF)的自适应性和强跟踪性，能够适应车辆行驶状态中呈现出的非线性特征和噪声的强时变性的能力，且遭遇紧急工况时仍能保证估计实时性和准确性。