[发明专利]一种面向云控智能底盘的车辆非线性状态融合估计方法

说明书

本发明公开了一种面向云控智能底盘的车辆非线性状态融合估计方法，包括：建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程；根据车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程；将车辆非线性状态方程和观测方程进行近似线性化处理得到车辆状态参数的状态方程和观测方程；将线性化后的运动状态参数迭代至局部强跟踪滤波器，获得车辆非线性状态的局部无偏估计值，并将得到的局部无偏估计值进行线性组合最优融合，得到车辆非线性状态融合估计值，实现对车辆底盘子系统的闭环控制。本发明在有效解决传统扩展卡尔曼滤波状态估计方法带来的滤波发散问题基础上，克服因个别传感器误差过大造成的估计误差偏大的问题。

技术领域

本发明属于智能驾驶环境感知领域，具体涉及一种面向云控智能底盘的车辆非线性状态融合估计方法。

背景技术

目前的车辆底盘控制系统正在朝功能多元化、系统集成化、体积微型化和通信网络化等方向发展，控制系统已变得愈来愈复杂。在车辆底盘主动控制系统中，表征车辆自身运行状态的横摆角速度、纵横向速度、车身侧偏角等关键状态变量，既是车辆底盘集成控制系统中的主要控制变量，也是实时辨识车辆行驶状态及制定底盘子系统协调控制规则的重要依据。这些状态变量通常通过陀螺仪、加速度传感器、车轮角速度传感器等车载传感器来直接测量，但由于汽车动力学控制过程的复杂性及车载传感器的测试水平和测试成本等多方面的影响，很多关键状态变量无法直接、准确或低成本的测量。

现有的汽车行驶状态估计方法(如授权公布号CN106250591B)主要是先建立汽车质心运动、横摆运动及侧倾运动等具有非线性特征的运动微分方程，再用扩展Kalman滤波进行间接的车辆状态参数估计。但在工程应用中，由于动态系统建模的不确定性及系统本身元器件的不稳定性因素的影响，给系统噪声和观测噪声统计特性的准确描述带来了很大的困难，因此，如果采用预先建立噪声模型的常规Kalman或扩展Kalman滤波器，将会出现状态估计不准，甚至发散等现象，导致无法实现中央控制系统对车辆底盘系统的精准控制。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种面向云控智能底盘的车辆非线性状态融合估计方法，本发明通过以车辆非线性动力学模型为基础，将强跟踪滤波器理论及多传感器信息融合技术引入到车辆非线性状态估计中，在有效解决传统扩展卡尔曼滤波状态估计方法带来的滤波发散问题基础上，进一步克服因个别传感器误差过大造成的估计误差偏大的问题，并改善车辆状态信息量测的不完全性，从而实现用于判断车辆行驶状态的关键变量乃至云控智能底盘主动控制关键变量的实时融合估计。在当前车辆非线性状态估计方法的基础上，进一步提升了车辆非线性状态估计的精准度。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种面向云控智能底盘的车辆非线性状态融合估计方法，步骤如下：

1)建立包含质心纵向、侧向、横摆及侧倾运动的车辆四自由度运动微分方程；

2)根据所述车辆四自由度运动微分方程建立车辆非线性状态方程和观测方程；

3)将所述车辆非线性状态方程和观测方程进行近似线性化处理得到关于车辆状态参数的状态方程和观测方程；

4)将所述线性化后的运动状态参数迭代至局部强跟踪滤波器，获得车辆非线性状态的局部无偏估计值，并将得到的局部无偏估计值进行线性组合最优融合，得到车辆非线性状态融合估计值，从而实现对车辆底盘子系统的闭环控制。

进一步地，所述步骤1)中的运动微分方程为：