车辆行驶状态无迹卡尔曼软测量

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼搭建了软测量算法,该算法充分考虑了电动汽车非线性的车辆运动状态估计,对于轮胎侧向力的估计采用非线性的魔术轮胎模型。最终,通过联合仿真实验方法验证了所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数。     

基于软测量技术的电动汽车行驶状态估计

为了实现对电动汽车运行信息的低成本估计,通过建立了以3自由度电动汽车动力学模型为基础的EKF软测量算法。利用低成本传感器测得的纵向、侧向加速度、横摆角速度和转向盘转角信号,实现了对电动汽车横、纵向车速和质心侧偏角运动状态信号进行精确估计;同时引入了HSRI(highway safety research institute)轮胎模型;在动态特性下轮胎的侧向力可得到有效的估计。最后通过Car Sim与Matlab/Simulink联合仿真对EKF算法进行了验证,从而验证了EKF软测量技术能够准确、实时地估计汽车行驶动态参数信息。     

基于无迹卡尔曼滤波软测量技术的汽车行驶状态估计

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼搭建了软测量算法;该算法充分考虑电动汽车动态行驶状况下非线性的影响因素,同时采用非线性的高速公路研究所动态轮胎模型对轮胎侧向力进行精确估计。通过与Car Sim动力学仿真软件进行联合仿真,对比分析验证所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数。     

基于UKF软测量技术的汽车行驶状态估计

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹Kalman搭建了软测量算法,该算法充分考虑电动汽车动态行驶状况下的非线性的影响因素,同时采用非线性的HSRI动态轮胎模型对轮胎侧向力进行精确估计。通过与CarSim动力学仿真软件进行联合仿真,对比分析验证所建立的软测量算法能够准确、实时的估计出电动汽车的运动参数。     

基于多传感器信息融合的车速估计方法

准确地测量计算车辆的纵横向速度是现代汽车控制系统的关键,在横摆角速度传感器、加速度计和车轮角速度传感器等多种汽车传感器所测得的信号基础上建立估计系统的状态方程和测量方程,通过汽车动力学模型计算出车辆的纵横向参考速度,最后用卡尔曼滤波技术对车速进行估计.并对参考车速误差的影响进行分析.仿真结果表明该方法估计效果好,误差小,具有可靠性和有效性.     

基于BP神经网络的汽车横摆角速度估计

为估计汽车横摆角速度并提高估计器精度, 采用BP(Back Propagation)神经网络的方法对汽车转向过程的横摆角速度进行估计。现实情况通常存在4 种路面: 干燥路面、沥青路面、积水路面和冰雪路面, 若单纯训练一个网络难以涵盖4 种不同的路面情况。为解决上述问题, 提高网络估计器的精度, 分别在4 种路面工况下训练4 个网络, 构成一个网络组, 再加入网络选择机制, 根据路面情况选择对应的网络的输出值作为横摆角速度的估计值。通过AMESim 与Matlab 联合仿真, 获得网络估计器残差并对估计情况进行分析和评价。该基于数据的方法与基于解析模型的估计方法相比, 不依赖精确的模型, 就能准确估计汽车横摆角速度。仿真结果表明, 基于BP 神经网络的方法对横摆角速度估计是可行的且偏差小, 成本低, 精度高。     

自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于云和高斯过程的网联车辆协同式道路参数估计

近年来智能网联汽车发展迅速,云端预先存储的道路参数信息对于提升网联汽车的悬架控制以及检测路面不规则度至关重要。目前关于道路参数估计的工作大多在单个车辆上完成,此类算法对于车辆模型不确定性以及测量误差较敏感。针对该问题,提出了一种新的协同式估计架构,该架构能够充分利用多个同质的网联汽车的测量信息以提高估计精度。首先,在云端利用前方行驶的全部车辆的数据对高斯过程模型进行训练以通过众包方式获取道路参数的估计结果。然后,该结果以未测量的方式发送到后方相邻车辆,后方单个车辆结合自车车载传感器（如加速度计、横摆角速度以及侧倾角速度）和由云端获取的基于众包高斯过程估计结果,使用卡尔曼滤波对该估计结果进一步优化。进而估计结果被发送到云端以更新高斯过程模型。大量的仿真实验结果表明,以该种方式使用云端估计的道路参数作为额外的未测量信息能够提高道路参数的估计精度,验证了该算法的有效性。     

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.     

基于改进LQR方法的汽车横摆稳定性控制研究

为提高极限工况下汽车行驶的横摆稳定性,提出了一种改进的LQR横摆稳定性控制方法,考虑了路面附着极限的影响。在轮胎特性处于线性区域时,以二自由度线性模型作为参考模型,其稳态横摆角速度及质心侧偏角作为理想状态,当轮胎特性处于非线性区域时,以由路面附着系数决定的横摆角速度作为理想状态。根据线性二次型调节器(LQR)理论计算出维持汽车稳定所需要施加的附加横摆力矩。最后利用所建立的七自由度非线性模型,在正弦转向输入以及单移线工况下对控制方法进行了仿真验证,结果表明所设计的算法能够合理地控制横摆角速度及质心侧偏角,提高行驶的横摆稳定性。     

基于多信息融合的汽车质心侧偏角估算

车辆稳定性控制系统因为其良好的主动安全性已经在汽车上广泛采用。对于汽车稳定性控制系统而言,横摆角速度和质心侧偏角是判断汽车运行情况的两个主要参考量。其中,车辆的横摆角速度可以通过横摆角速度传感器经过卡尔曼滤波直接得到,而质心侧偏角则必须通过估算得到。基于二自由度汽车动力学模型建立了一种车辆质心侧偏角估算器,该估算器包括基于车辆模型的卡尔曼滤波算法和动力学积分算法。在质心侧偏角较小的情况下,可认为轮胎的侧偏特性处于线性区域,故采用基于车辆模型的卡尔曼滤波算法,当质心侧偏角较大的情况下,切换为动力学积分算法。最后在Vedyna软件下搭建了该估算器的仿真平台,通过多工况的仿真,仿真结果表明该估算器可以准确估算车辆的质心侧偏角。     

半挂汽车TTR预警及防侧翻控制

为及时提醒驾驶员半挂汽车的侧翻危险状态并对车辆的侧翻危险状态进行控制,以TruckSim中的半挂汽车作为真实车辆,考虑汽车运行过程中的过程噪声以及量测噪声,利用Kalman滤波技术实时估计半挂汽车的运行状态。以车辆的横向载荷转移率为侧翻指标,建立了基于模型预测的TTR(time-to-rollover)侧翻预警算法,并结合最优控制算法,制定了基于TTR侧翻预警的防侧翻控制策略。通过仿真分析,此控制策略可以有效提醒驾驶员半挂汽车的侧翻危险状况,并有效控制半挂汽车的侧翻危险状态,防止侧翻危险的发生。     

车身侧偏角实用算法仿真

研究了车辆稳定性控制系统中车身侧偏角的算法,建立了15自由度整车模型,其中包括车身的6个自由度,4个车轮的旋转和垂直运动自由度以及前轮转动自由度.根据方向盘转角、整车侧向加速度、横摆角速度及其变化率求得前、后轴侧向力进而求得前、后轴中心处侧偏角;根据横摆角速度、前、后轴中心处侧偏角求取整车的车身侧偏角.仿真结果表明,该算法能够在不同附着路面上,在较大车身侧偏角范围内准确求得整车车身侧偏角.     

线控转向汽车横摆角速度增益优化设计

为了解决汽车线控转向系统(SBW)转向角传动比的设计问题,对SBW汽车横摆角速度增益值优化方法进行了研究。在建立整车动力学模型和驾驶员模型的基础上,从人-车闭环系统角度出发,采用汽车操纵稳定性综合评价体系中的轨迹跟踪误差评价指标、驾驶员操纵负担的评价指标、侧翻危险性评价指标和侧滑危险性评价指标并与遗传算法相结合,在典型车速下对汽车横摆角速度增益值进行了优化。试验结果表明,采用优化后横摆角速度增益值设计的SBW转向传动比可有效地提高汽车操纵性,减轻驾驶员负担。     

基于纵向滑移率均衡的车道偏离辅助控制研究

提出了一种无压力闭环的差动制动实现车道偏离辅助的控制方法.根据车辆和驾驶员参考模型确定纠正车道偏离所需的目标横摆角速度.采用滑模算法设计横摆角速度跟踪控制器,确定附加横摆力矩.基于纵向滑移率均衡设计车轮制动压力调节策略,限制车轮最大滑移率,以提高车辆横向稳定性.设计模糊控制器对压力建立过程进行伺服控制.在Carsim/Labview-RT联合仿真平台上对提出的方法进行硬件在环仿真试验,试验结果表明,所提出方法能有效避免车辆偏离车道,鲁棒性强,且车辆横向稳定性好.     

基于纵向力分配的轮边驱动电动汽车稳定性控制

采用层次化整车稳定性控制方法和加权二乘法优化分配算法,通过纵向力在约束范围内的合理分配形成直接横摆力矩,改善车辆的行驶姿态.实车试验结果显示,控制器根据各轮状态实现了四轮纵向力有效分配,车辆横摆角速度能够很好地跟踪参考横摆角速度;通过控制,降低了车辆横摆角速度与侧向加速度,提高了车辆的操纵稳定性.     

基于模型预测控制的电动轮车辆横摆控制

为提高电动轮驱动车辆对不同路面的适应能力,基于模型预测控制提出一种将驱动电机的饱和输出力矩作为控制输入约束、将质心侧偏角作为输出约束的汽车横摆控制方法。建立2自由度的车辆状态空间模型作为预测模型,在线计算出跟踪理想横摆角速度所需的附加横摆力矩,通过调节相应驱动轮的驱动力来完成高效、简易的直接横摆力矩分配。将本文算法应用于四轮驱动的8自由度整车模型进行控制仿真,结果表明,该方法能够保证车辆在良好路面及湿滑路面上紧急转向和换道的操作稳定性,并能改善车辆循迹能力。     

基于状态估计的无人车前轮转角与横摆稳定协调控制

针对无人车轨迹跟踪问题,提出了一种基于状态估计的无人车前轮转角和横摆稳定协调控制策略.建立了车辆轨迹跟踪模型,利用模型预测控制算法设计了轨迹跟踪控制器,得到实时跟踪参考轨迹所需的前轮转角.根据车辆模型设计了一种基于未知输入观测器的前轮转角估计方法,并将估计结果作为前轮转角跟踪控制的输入量.基于非奇异终端滑模控制设计了前轮转角跟踪方法,通过转向电机扭矩来控制车辆转向以实现轨迹跟踪.同时,设计了车辆横摆稳定控制器,通过控制横摆角速度跟踪误差确保车辆横摆稳定.建立了CarSim-Simulink联合仿真模型并进行仿真实测试.结果表明,未知输入观测器具有较好的前轮转角估计效果,从而为车辆协调控制提供可靠信息源,协调控制策略能够在保证车辆横摆稳定性的同时完成车辆轨迹跟踪.