[发明专利]一种车辆控制系统的状态估计模块

说明书

本发明公开了一种车辆控制系统的状态估计模块，包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响，用于估计系统的过程噪声Qk，大大提高了车辆控制系统状态变量的准确性。

技术领域

本发明属于车辆控制领域，尤其涉及一种车辆控制系统的状态估计模块。

背景技术

车辆控制系统包括数据采集单元、控制单元和执行机构。数据采集单元包括方向盘信息、制动踏板、油门踏板和挡位等信息，控制单元包括车辆转向系统控制单元、制动系统控制单元和驱动系统控制单元，执行机构包括自动变速箱、制动器和方向盘自主转向机构等。车辆状态估计模块是车辆驱动系统中一个重要模块，在车辆控制系统中，传感器数据的值存在噪声和随机波动导致数据不准确，而通过模型计算出的数据准确性很大依赖于模型的精确与否。获得准确的车辆状态信息是车辆取得良好控制效果的基础条件。基于自适应卡尔曼滤波算法的车辆状态信息估计模块，作为车辆控制系统中的一个重要组成部分，其对状态量的准确估计对车辆行驶的经济性和安全性都有重大影响。

卡尔曼滤波器被用于处理线性系统的状态估计，但实际系统大多具有非线性特征，以线性随机差分方程为基础的卡尔曼滤波不适用于实际系统。为了处理非线性问题，对非线性系统进行近似线性化处理的扩展卡尔曼（Extended Kalman filtering,EKF）滤波方法被提出来，由于忽略高阶项引入线性误差，存在滤波器发散问题。为了解决EKF存在线性误差问题，无迹卡尔曼滤波算法（Unscented Kalman Filter，UKF）被提出来。无迹卡尔曼滤波器没有对原非线性系统进行近似，而是通过无迹变换（Unscented transformation,UT）,对非线性系统的概率分布进行近似，减小了EKF对非线性函数进行近似的难度。无迹卡尔曼滤波算法的应用前提是假设系统过程噪声和测量噪声的统计特性是已知的，噪声服从高斯分布。在实际系统中，当系统发生内部扰动或外部环境扰动时，噪声统计特性是未知且时变的。若假设的噪声统计特性与实际的噪声统计特性偏差较大，容易导致滤波器发散。

为了提高非线性系统状态估计准确性，许多自适应卡尔曼滤波算法被提出来用于估计噪声。其中指数加权自适应卡尔曼滤波算法是比较经典的一种算法。指数衰减自适应卡尔曼滤波算法中，调制因子b的选择是决定状态估计准确性的因素之一。b越大对于历史数据的权重衰减越慢，b越小对于历史数据的权重衰减越快。一般指数衰减噪声估计其选取b为接近1的常数，这种情况下无论迭代多少次，对于历史数据的衰减总是按照一定的速度进行的。而在时变系统中，状态时变较快时希望更多考虑最新数据，状态时变较慢时希望综合考虑历史数据。为了克服一般指数衰减噪声估计器的缺点，提出一种加强自适应卡尔曼滤波噪声估计器，提高车辆控制系统状态变量估计的准确性。

发明内容

为解决上述问题，本发明公开了一种车辆控制系统的状态估计模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响，用于估计系统的过程噪声Q_k，大大提高了车辆控制系统中状态变量的准确性。

为实现上述目的，本发明的技术方案为：

一种车辆控制系统的状态估计模块，包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块；车辆控制系统的状态估计模块对车辆状态初始变量进行如下处理：

步骤一、将车辆状态变量输入初始变量输入模块的系统噪声未知的非线性系统模型，得到对应时刻的车辆状态向量；

步骤二、获得各时刻的车辆状态向量集合即状态变量x，无迹变换模块对状态变量x进行无迹变换，得到点集；

步骤三、一步预测模块根据无迹变换结果获得先验估计值和误差协方差矩阵；

步骤四、量测更新模块根据先验估计值以及误差协方差矩阵计算得到k时刻的状态更新值和状态变量x的误差协方差矩阵更新；输入无迹变换模块进行无迹变换得到新的点集；