[发明专利]一种面向ACC测评的加减速度变化率精准估计方法

权利要求书

1.一种面向ACC测评的加减速度变化率精准估计方法，其特征在于：利用高精度车载组合导航系统从测试车辆上获取行驶中的基础参数数据，采用一种基于交互多模型的自适应滤波方法，实现测试车辆加/减速度变化率的准确估计；具体步骤包括：

步骤一：基础参数采集

为测试车辆安装组合导航系统，按照ACC测评标准流程进行测试，采集的基础参数信息包括：ACC测试过程中车辆的位置、速度、加/减速度信息；

步骤二：基于交互多模型的自适应滤波处理

子步骤1：建立车辆运动学模型

采用CS-Jerk模型，建立被测车辆的运动学模型，用位置、速度、加/减速度以及加/减速度变化率四个状态量构成状态空间，定义状态向量为：

其中，x为车辆的位置；为车辆的速度；车辆的加/减速度；为车辆的加/减速度变化率；

在实际的测评场景中，车辆的加/减速度变化率是非零均值的时间相关随机过程，用下式描述：

其中，表示加/减速度变化率均值，t为时间，J(t)为零均值的指数相关过程的随机加速的变化率，其相关函数为：

其中，为加/减速度变化率的方差；τ为时间延时；α为机动频率，不同的α值描述不同的机动模式，在实际应用中α值通常根据经验人为给定，起着调节模型阶数的作用；

车辆的加/减速度变化率满足：

其中白噪声ω(t)的方差为

ACC场景下CS-Jerk模型的离散状态方程为：

其中，F、U分别为状态转移矩阵、输入控制矩阵，W为离散的过程噪声，且

其中，T为采样周期；

s＝e^-αT；

过程噪声W的协方差矩阵为

其中，

对应的观测方程为：

Z(k)＝H(k-1)X(k-1)+V(k-1)

其中，Z(k)为组合导航系统测量的车辆位置、速度、加/减速度信息，为观测矩阵，观测噪声V是均值为零，方差为R的高斯白噪声序列；

子步骤2：基于交互多模型的加/减速度变化率估计

考虑到进行ACC测试时，车辆加/减速度变化率会急剧变化，从而导致系统过程噪声协方差增大，因此采用交互式多模型IMM算法进行自适应融合，引入三个子滤波器来适配加速、匀速和减速不同运动过程中的噪声协方差；在参数估计过程中利用加/减速度变化率与方差的关系来自适应调整过程噪声协方差矩阵Q；不同子滤波器具有不同的过程协方差矩阵Q₁、Q₂、Q₃，三个Q阵之间为倍数关系，该倍数关系需要通过试差的方式确定；建立基于IMM的CS-Jerk模型，具体步骤如下：

(1)输入交互

将三个子滤波器的估计值X_i(k-1)，i＝1，2，3，与预测模型概率μ_i(k-1)、马尔科夫转移概率π_ji进行混合，其中，马尔科夫转移概率π_ji为第i个模型转移到第j个模型的概率，混合后的模型概率为：

其中

混合后的状态估计为：

混合后的误差协方差为：

(2)滤波计算

子滤波器的具有不同的过程协方差矩阵Q_i，i＝1，2，3，第i个子滤波器的滤波过程如下：

X_i(k)＝X_i(k，k-1)+K_i(k)[Z(k)-H(k-1)X_i(k，k-1)]

P_i(k)＝[I-K_i(k)H(k-1)]P_i(k，k-1)

(3)模型概率更新

计算第i个模型与车辆运动状态的相似度，得到最适合参数估计模型所占的权重，k时刻与第i个模型最匹配的极大似然函数为：

其中

s_i(k)＝H(k-1)P_i(k，k-1)H′(k-1)+R

v_i(k)＝Z(k)-H(k-1)X_i(k，k-1)

更新后的模型概率表示为：

(4)输出交互

最终的加权输出为：

所得到的X(k)即为输出交互融合后k时刻的状态估计值，序列即为准确的加/减速度变化率。