[发明专利]一种用于车轮力传感器的交互式多模型滤波方法

摘要

本发明公开一种用于车轮力传感器的交互式多模型滤波方法，包括如下步骤：1、根据车轮力信号随机性强的特点和车轮力传感器直接输出与真实车轮力之间的数学关系，建立基于Singer模型的车轮力通用动态模型；2、根据上述建立的车轮力通用动态模型，通过选取不同的模型参数，分别建立车轮力高动态模型和车轮力低动态模型；3、根据上述建立的车轮力高动态模型和车轮力低动态模型，采用交互式多模型方法，实现对于全动态范围车轮力信号的建模，并采用卡尔曼滤波器对车轮力信号进行实时滤波。本发明能够涵盖各种动态范围的车轮力，解决随机车轮力信号难以建模的问题，从而实现基于卡尔曼滤波器的车轮力信号实时滤波。

主权项

1.一种用于车轮力传感器的交互式多模型滤波方法，其特征在于，包括如下步骤：步骤一：根据车轮力信号随机性强的特点和车轮力传感器直接输出与真实车轮力之间的数学关系，建立基于Singer模型的车轮力通用动态模型；步骤二：根据步骤一中所建立的车轮力通用动态模型，通过选取不同的模型参数，分别建立车轮力高动态模型和车轮力低动态模型；步骤三：根据步骤二中建立的车轮力高动态模型和车轮力低动态模型，采用交互式多模型方法，实现对于全动态范围车轮力信号的建模，并采用卡尔曼滤波器对车轮力信号进行实时滤波；所述步骤一中建立车轮力通用动态模型的具体步骤如下：步骤1.1：定义k时刻的模型状态量为：其中和分别为k时刻车轮纵向力、纵向力微分以及二次微分；和分别为k时刻车轮正压力、正压力微分以及二次微分；θ_k、和分别为k时刻车轮旋转角度、旋转角度微分以及二次微分；步骤1.2：根据步骤1.1中定义的参数构建车轮力通用动态模型为：X_S，k＝f_S(T，α)X_S，k‑1+w_S，k‑1其中f_S(T，α)＝diag[f_S(T，α_Fxw)f_S(T，α_Fzw)f_S(T，α_θ)]，T为采样时间，F_x^w为牵引力和F_z^w为正压力，α_Fxw、α_Fzw和α_θ分别为F_x^w、F_z^w和θ的变化率，w_S，k‑1为系统噪声；其中f_S(T，α_Fxw)、f_S(T，α_Fzw)和f_S(T，α_θ)的具体表达式为：其中α＝1/τ表示变量的变化率，它是机动时间τ的倒数，θ为偏转角度；所述步骤二中建立车轮力高动态模型和车轮力地动态模型的具体步骤如下：选择α_Fxw＝1/10，α_Fzw＝1/10，α_θ＝1/10，建立车轮力高动态模型；选择α_Fxw＝1/40，α_Fzw＝1/40，α_θ＝1/30，建立车轮力低动态模型；所述步骤三中建立全动态范围车轮力信号模型，并进行实时滤波的具体步骤如下：根据步骤二中所建立的车轮力高动态模型和车轮力低动态模型，分别对牵引力F_x^w和正压力F_z^w进行卡尔曼滤波，采用交互式多模型方法，实时计算上述两个模型权重，利用经过归一化权重求取两个模型滤波结果的加权和，并将该值作为轮力滤波的最终输出。