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%.      

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动，侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而，侧向坡度与车身侧倾之间存在耦合，且侧向力估计困难，准确的侧向坡度估计难度较大。为此，提出了一种基于加速度传感器的可拓融合侧向坡度估计算法：首先，提出加速度传感器模型和车辆侧倾模型，采用弯道自适应强跟踪卡尔曼滤波算法（CASTKF）对侧向坡度进行估计；然后，提出基于侧向加速度传感器的直接估计方法，防止CASTKF算法在失去可观性后的错误估计；再后，利用可拓算法对两种模式的估计值进行数据融合；最后，采用硬件在环测试（HIL）验证所提算法的有效性。结果表明，智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。     

基于双层结构的商用车质量辨识算法

针对山区路面商用车整车质量辨识问题,设计了一种汽车质量辨识算法.基于车辆纵向动力学模型提出了基于双层结构的商用车质量辨识算法：上层为基于倾角传感器的路面坡度估计算法;下层为基于带时变遗忘因子的递归最小二乘法的整车质量辨识算法.使用TruckSim软件平台分析了汽车悬架对上层算法的影响,并进行了实车试验.试验结果表明,所提出的质量辨识算法能够有效地估计路面坡度和整车质量,估计准确,收敛速度快,修正后的整车质量均方根误差平均值从209.97 kg减小到117.43 kg.     

基于双自适应无迹卡尔曼滤波的半挂车状态估计

针对半挂车辆状态估计过程中测量噪声不确定、累计误差影响严重、初值敏感等问题,提出一种适用于半挂车铰接角、车速等多个状态量估计的双自适应无迹卡尔曼滤波算法(FFUKF).基于搭建的半挂汽车12自由度非线性动力学模型和轮胎模型,通过测量的轮速与车辆加速度等信息,首先利用模糊控制自适应调整滑移率容差,综合判断每个车轮的稳定状态,通过轮速估算出一种车速;与此同时,模糊控制自适应调整测量噪声,利用无迹卡尔曼算法,依据动力学估计出铰接角和另一种车速;然后通过卡尔曼滤波算法融合两种方法估计的结果,实现车辆的纵向、侧向速度、横摆角速度和挂车与牵引车铰接角的实时估计.最后在Simulink/TruckSim联合仿真环境下进行多工况仿真试验,验证所提出的双自适应无迹卡尔曼估计算法(FFUKF)有较强的适应性、稳定性和鲁棒性,相比普通模糊自适应无迹卡尔曼(FUKF)有更高的估计精度,能有效克服累计误差,即便在估计初始值不准和有ABS控制输入的情况,仍可以较精确地对车速和铰接角进行实时估计.     

基于改进粒子滤波算法的车速估计

针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。     

电驱动车辆的整车质量与路面坡度估计

针对现有整车质量观测方法受路面坡度影响较大、待标定量较多、需传感设备较多、估计实时性较差等问题,利用电驱动车辆纵向驱动力准确的特点,将质量与坡度解耦,提取了驱动力信号和纵向行驶加速度信号的高频部分,用递归最小二乘法得到了整车质量。在获得比较准确的质量估计结果后,采用了运动学和动力学方法对路面坡度进行了多方法联合观测,通过运动学方法和动力学方法的协调互补,解决了坡度估计严重依赖于车辆模型精度、受加速度传感器静态误差影响较大的缺点。该方法在多种工况下能够对坡度作出迅速有效估计。动力学方法考虑了坡度的时变特性,利用带有遗忘因子的递推最小二乘法对坡度进行估计;运动学方法则利用了坡度与传感器静态偏差强相关的特点,直接得到当前坡度。实车实验结果表明:所提出的整车质量与路面坡度估计方法鲁棒性好,收敛速度快,估计准确。     

采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计

针对车辆主动安全控制中的车速和路面附着系数这一关键信息,提出了一种实时估计该信息的滤波算法,同时建立了将包含时变噪声统计特性的七自由度非线性车辆动力学模型作为滤波算法的标称模型,以及一种自适应无迹卡尔曼滤波算法。该算法采用传统的无迹卡尔曼滤波器来估计车速和路面附着系数,同时利用次优Sage-Husa噪声估计器对系统的噪声统计特性进行实时更新,其中采用遗忘因子限制噪声估计器的记忆长度,使新近数据发挥重要作用,使陈旧数据逐渐被遗忘,从而解决了因系统标称模型误差、外界扰动等因素引起的噪声时变的问题。在不同路面条件下进行了多种工况的实验验证,并与无迹卡尔曼滤波器的估计结果进行对比分析,结果表明,该算法具有良好的鲁棒性,其估计精度高于无迹卡尔曼滤波器,且满足车辆主动安全控制系统的要求。     

基于轮胎侧偏刚度变化率的车辆质心侧偏角融合估计算法

针对车辆在高速紧急避让工况下质心侧偏角难以直接测量的问题,提出一种基于轮胎侧偏刚度变化率的质心侧偏角融合估计算法。在车辆二自由度动力学模型的基础上,提出一种轮胎侧偏刚度估计方法,构建基于改进扩展卡尔曼滤波的质心侧偏角估计算法。根据质心侧偏角和车辆纵向、侧向加速度的关系,构建基于积分法的质心侧偏角估计算法;结合两种估计算法的特点,采用轮胎侧偏刚度的一阶微分表征车辆的非线性程度,设计了一种适用于不同车辆动态特性及路面条件的融合估计算法。Carsim/Simulink联合仿真结果表明,该融合估计算法在不同的车辆动态特性和不同路面条件下具有良好的估计精度和实时性,对传感器信号的噪声、误差鲁棒性强。     

基于多信息融合的路面坡度识别研究

为了提高路面坡度角的识别精度,该文提出1种基于多信息融合的识别算法。分析纵向加速度对车身姿态的影响,并在Simulink中建立路面坡度识别模型。通过仿真分析得到车身纵向倾角与加速度的关系。利用拟合得到的修正系数对倾角传感器信号进行修正,然后与用坡度测量仪测得的真实角度进行对比分析。实车实验表明,该算法具有较强的抗干扰能力,能够准确识别当前路面坡度角,且波动范围小于±1.5°。     

一种考虑加速度需求的车速自适应控制方法

针对智能车辆纵向控制要同时满足期望车速和期望加速度的需求,同时考虑到道路阻力变化对纵向控制的影响,提出一种考虑加速度需求的车速自适应控制方法。利用车辆纵向动力学模型,通过自适应遗忘因子递归最小二乘法对道路阻力进行估计。在此基础上基于条件积分方法设计耦合的车速和加速度控制律,通过积分自动调节和切换策略,保证了车速控制和加速度控制的平滑切换,并且通过建立李雅普诺夫函数,证明了车速跟踪误差的全局渐进稳定。最后,通过仿真试验和实车试验验证了控制方法的有效性。     

基于分段递推最小二乘估计的汽车质量辨识试验

基于电动轮驱动电动汽车平台道路试验,对一种新的汽车质量辨识算法进行了研究.该方法根据加速度传感器能够测量沿测量轴的重力分量的特点,排除了坡度对质量辨识的影响;根据加速度分段方法,分别利用两段递推最小二乘算法得到行驶阻力及质量的估计值.在电动轮驱动电动汽车平台上分别进行了沥青、塑胶及碎石路面上以及坡道上的试验,分析了行驶阻力与质量辨识的误差与收敛情况,并针对几种特殊工况对算法进行适应性改进.试验结果显示,不同质量及道路状态下的估计误差均在2.5%以下,表明所设计的辨识算法具有很高的估计精度,具有良好的工程应用价值.     

基于蚁群算法寻优的电动轮汽车牵引力PID控制

提出了一种基于蚁群算法优化PID参数的控制策略,并应用于电动轮汽车的牵引力控制.文中提出了一种易于工程应用的方法来实时估计车辆的状态参数,设计模糊控制器计算出最佳滑转率,将ACO应用到牵引力PID控制器中从而实现对车轮转矩的调节,并在搭建的电动轮汽车中进行实车测试.结果表明,所制定的控制策略可以满足要求,抑制了车轮的过度滑转.     

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.     

基于快速终端滑模状态观测器 的车轮滑移率跟踪控制

针对自动驾驶电动汽车对车轮滑移率跟踪控制的需求,提出一种基于快速终端滑模状态观测器的全状态反馈车轮滑移率跟踪控制器.首先,以车轮制动力矩导数为控制输入,建立车轮滑移率跟踪控制模型,避免车轮滑移率跟踪控制器设计过程中引入不连续项对系统稳定性和控制性能的影响.随后,利用有限时间稳定和快速终端滑模控制理论设计具有有限时间收敛特性的快速终端滑模状态观测器,实时观测未知的系统状态信息.以此为基础,采用模块化思想独立设计快速终端滑模跟踪控制律,实现车轮滑移率的连续、快速的跟踪控制.最后,结合车辆动力学仿真软件建立模型在环测试系统,仿真验证本文提出的车轮滑移率跟踪控制器的可行性和有效性.     

4WD电动车滑转率识别及防滑控制研究

实时地根据路面附着状况选择最优的滑转率控制目标是电动车驱动防滑控制策略的关键。针对双转子电机四轮驱动电动车的特点,本文首先采用自适应Kalman滤波估计车速信息和轮胎驱动力信息并利用该信息实时计算出附着率－滑转率曲线的斜率k,以对路面附着状况进行准确评估。以估计的路面信息和踏板输入信息为模糊控制器输入,利用带速度修正因子的模糊控制方法对驱动电机输出转矩进行控制以提高电动车在各种道路条件下最大地利用附着系数的能力,获得最佳的驱动防滑控制效果。     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.