車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法
【專利摘要】本發(fā)明專利涉及一種輪胎關(guān)鍵參數(shù)和車輛行駛狀態(tài)的辨識方法，屬于信息科學(xué)領(lǐng)域。該方法包括：建立多自由度車輛動力學(xué)方程，將輪胎魔術(shù)公式中確定的側(cè)向力代入其中，利用龍格—庫塔方法將車輛動力學(xué)方程轉(zhuǎn)化為馬爾科夫鏈形式，通過粒子濾波實現(xiàn)車輛行駛狀態(tài)和魔術(shù)公式參數(shù)的聯(lián)合估計，引入輔助變量，通過二次加權(quán)操作使得粒子權(quán)值的變化更為穩(wěn)定，粒子重采樣通過多項式采樣法進(jìn)行，重采樣過程中引入隨機(jī)攝動方法，改善粒子退化的同時增加粒子的多樣性，實現(xiàn)輪胎魔術(shù)公式參數(shù)和車輛行駛狀態(tài)的同時估計，可以獲得較好的估計結(jié)果，更進(jìn)一步可以通過估計出來的參數(shù)計算路面附著系數(shù)，確定路面特征，為未來的智能車輛行駛操縱提供依據(jù)。
【專利說明】車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信息技術(shù)中的系統(tǒng)狀態(tài)和關(guān)鍵參數(shù)估計領(lǐng)域，特別涉及一種車輛行駛 狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法。

【背景技術(shù)】
[0002] 汽車行駛過程中的狀態(tài)估計，是汽車動力學(xué)中的重要問題，其目的在于確定汽車 行駛狀態(tài)下縱向車速、橫擺角速度、質(zhì)心側(cè)偏角、橫擺角位移等重要的狀態(tài)變量，是實現(xiàn)汽 車底盤主動控制的關(guān)鍵技術(shù)之一。汽車的縱向動力學(xué)控制，依賴于對縱向車速的準(zhǔn)確估計； 汽車的側(cè)向動力學(xué)控制依賴于對橫擺角速度或質(zhì)心側(cè)偏角的準(zhǔn)確估計。這些待估計的狀態(tài) 變量，雖然均可用傳感器直接測量，但必須依賴價格昂貴的特殊試驗設(shè)備，且需要特定的安 裝固定方式，不適于配置在量產(chǎn)車上，只適合于開發(fā)試驗階段。因此，從節(jié)約成本和實際應(yīng) 用的角度來看，必須根據(jù)量產(chǎn)車上的傳感器配置，通過車輛狀態(tài)估計技術(shù)，準(zhǔn)確計算得到其 他所需、但不可測的狀態(tài)信息。
[0003] 另一方面，在汽車產(chǎn)品中新型結(jié)構(gòu)、新的控制系統(tǒng)的研發(fā)階段，用于描述汽車操縱 動力學(xué)行為的數(shù)學(xué)模型中存在不確定因素。模型中主要的不確定因素來自于由輪胎與地面 之前非線性的、由質(zhì)心側(cè)偏角、鉛垂載荷等參數(shù)共同確定的側(cè)向力。旨在確定輪胎側(cè)向力等 車輛動力學(xué)行為的操縱動力學(xué)分析主要應(yīng)用到的輪胎模型是Pacejka教授提出的魔術(shù)公 式模型：
[0004] Fta = DAsin (CAarctan (Ba a A-EA (Ba a A-arctan (Ba a A))))
[0005] Ftp = DPsin (CParctan (Bp a p-EP (Bp a p-arctan (Bp a p))))
[0006] 上式中FTA、FTP表示前、后輪的側(cè)向力，aA、％表示前、后輪的側(cè)傾角，〇 4、(；、84、￡4分別表示前輪的峰值因子、形狀因子、斜度因子、曲率因子；DP、CP、BP、E p分別表示后輪的峰 值因子、形狀因子、斜度因子、曲率因子；上述八個參數(shù)是計算輪胎側(cè)向力的關(guān)鍵參數(shù)。
[0007] 這是基于試驗數(shù)據(jù)的半經(jīng)驗輪胎模型，模型的建立依賴于廣泛的數(shù)據(jù)而不是輪胎 結(jié)構(gòu)本身，因此需要大量的試驗數(shù)據(jù)來不斷的修正魔術(shù)公式中的各個參數(shù)，并最終確定這 些參數(shù)，才能夠確定車輛的動力學(xué)行為，這就大大的增加了確定這些參數(shù)的成本。
[0008] 目前較為常用的估計算法有卡爾曼濾波算法、龍貝格觀測器、魯棒觀測器、滑模觀 測器、模糊觀測器以及基于利亞普諾夫理論推導(dǎo)的非線性觀測器。
[0009] 普通Kalman濾波只能夠?qū)€性汽車動力學(xué)模型進(jìn)行狀態(tài)估計。擴(kuò)展Kalman濾波 (EKF)及其改進(jìn)算法，可以對包含非線性因素的汽車操縱動力學(xué)模型進(jìn)行狀態(tài)估計，但是 要以犧牲精度為前提；龍貝格觀測器是通過系統(tǒng)的極點(diǎn)配置來達(dá)到狀態(tài)估計目的的一種方 法，對反饋矩陣提出了較高的要求；魯棒觀測器和滑膜觀測器的估計效果不夠理想，因此尋 找一種突破系統(tǒng)高斯、線性束縛，同時能夠保證較高精度的算法就顯得非常有必要。
[0010] 粒子濾波算法是通過尋找一組在狀態(tài)空間中傳播的隨機(jī)樣本來近似的表示概率 密度函數(shù)，用樣本均值代替積分運(yùn)算，從而獲得系統(tǒng)狀態(tài)的最小方差估計的過程，對非線 性、非高斯系統(tǒng)的狀態(tài)估計有較好的效果。
[0011] 國內(nèi)在車輛狀態(tài)估計問題方面的研究處于起步階段。研究的重點(diǎn)在于通過卡爾曼 濾波器及其改進(jìn)算法來估計車輛的橫擺角速度、車速等，且大多停留在仿真研究階段，由于 Kalman濾波自身的局限性，估計的精度和穩(wěn)定性也較差；而關(guān)于車輛關(guān)鍵參數(shù)尤其是輪胎 的關(guān)鍵參數(shù)的辨識問題的研究，目前的研究也較少，而車輛輪胎參數(shù)和車輛行駛狀態(tài)的聯(lián) 合估計的研究對于未來的智能駕駛技術(shù)又尤其重要。


【發(fā)明內(nèi)容】

[0012] 本發(fā)明是針對目前的實用需求，減少確定魔術(shù)公式的各個參數(shù)所需的試驗數(shù)量 和數(shù)據(jù)，提出一種車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，該方法包括下述步 驟：
[0013] 步驟1，建立多自由度車輛動力學(xué)方程，通過龍格-庫塔方法，實現(xiàn)方程降階，將方 程轉(zhuǎn)化成馬爾科夫鏈的形式；
[0014] 步驟2,根據(jù)需要估計的物理量、先驗信息對粒子進(jìn)行初始化，完成粒子權(quán)重計 算；
[0015] 步驟3,通過輔助粒子濾波技術(shù)，通過二次加權(quán)，使粒子分布更為合理；
[0016] 步驟4,在重采樣過程中采用了隨機(jī)攝動技術(shù)，對權(quán)值最大的粒子迭加隨機(jī)攝動， 在解決粒子退化的同時，增加粒子多樣性；
[0017] 步驟5,實現(xiàn)了車輛行駛狀態(tài)和魔術(shù)公式中峰值因子D、曲率因子E、形狀因子C、斜 度因子B的估計，并通過估計得到的魔術(shù)公式參數(shù)，進(jìn)一步實現(xiàn)了車輛行駛狀態(tài)的估計。
[0018] 本發(fā)明的優(yōu)點(diǎn)效果如下：
[0019] 利用較低成本的傳感器獲取容易測得的試驗數(shù)據(jù)，利用這些數(shù)據(jù)，可以同時實現(xiàn) 針對于行駛車輛中描述輪胎動力學(xué)行為的魔術(shù)公式的多個關(guān)鍵參數(shù)的估計，進(jìn)而實現(xiàn)車輛 行駛狀態(tài)的估計和輪胎側(cè)向力的間接估計，并通過輪胎側(cè)向力的變化，實時掌握路面情況， 為未來智能駕駛系統(tǒng)的進(jìn)一步操作提供參考。

【專利附圖】

【附圖說明】
[0020] 圖1為本發(fā)明方法的流程框圖。
[0021] 圖2為本發(fā)明方法的粒子濾波計算流程框圖。

【具體實施方式】
[0022] 本發(fā)明方法，結(jié)合附圖詳細(xì)說明如下：
[0023] 1)建立多自由度車輛動力學(xué)方程，通過龍格-庫塔方法，實現(xiàn)方程降階，將方程轉(zhuǎn) 化成馬爾科夫鏈的形式；
[0024] 2)根據(jù)需要估計的物理量、先驗信息對粒子進(jìn)行初始化，完成粒子權(quán)重計算；
[0025] 3)通過輔助粒子濾波技術(shù)，通過二次加權(quán)，使粒子分布更為合理；
[0026] 4)在重采樣過程中采用了隨機(jī)攝動技術(shù)，對權(quán)值最大的粒子迭加隨機(jī)攝動，在解 決粒子退化的同時，增加粒子多樣性。
[0027] 5)實現(xiàn)了車輛行駛狀態(tài)和魔術(shù)公式中峰值因子D、曲率因子E、形狀因子C、斜度因 子B的估計，并通過估計得到的魔術(shù)公式參數(shù)，進(jìn)一步實現(xiàn)了車輛行駛狀態(tài)的估計。
[0028] 6)建立車輛動力學(xué)方程，確定需要估算的行駛狀態(tài)變量和關(guān)鍵參數(shù)。
[0029] 7)計算系數(shù) Ic1 = f (tn, yn)

【權(quán)利要求】
1. 一種車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，其特征在于包括下述步 驟： 1) 建立多自由度車輛動力學(xué)方程，通過龍格-庫塔方法，實現(xiàn)方程降階，將方程轉(zhuǎn)化成 馬爾科夫鏈的形式； 2) 根據(jù)需要估計的物理量、先驗信息對粒子進(jìn)行初始化，完成粒子權(quán)重計算； 3) 通過輔助粒子濾波技術(shù)，通過二次加權(quán)，使粒子分布更為合理；、 4) 在重采樣過程中采用了隨機(jī)攝動技術(shù)，對權(quán)值最大的粒子迭加隨機(jī)攝動，在解決粒 子退化的同時，增加粒子多樣性； 5) 實現(xiàn)了車輛行駛狀態(tài)和魔術(shù)公式中峰值因子D、曲率因子E、形狀因子C、斜度因子B 的估計，并通過估計得到的魔術(shù)公式參數(shù)，進(jìn)一步實現(xiàn)了車輛行駛狀態(tài)的估計。
2. 根據(jù)權(quán)利要求1所述的車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，其特征 在于所述的步驟1中，建立動力學(xué)方程，并利用龍格庫塔方法將方程轉(zhuǎn)化成迭代形式，具體 方法如下： 1) 建立車輛動力學(xué)方程，確定需要估算的行駛狀態(tài)變量和輪胎參數(shù)； 2) 計算系數(shù)h=f(tn,yn)
5) 計算系數(shù)k4 =f(tn+h,yn+hk3) 6) 并利用龍格庫塔方法將方程轉(zhuǎn)化成如下迭代形式：
其中h表示算法的時間間隔，采用定步長算法，即h確定，將狀態(tài)方程轉(zhuǎn)換成迭代形式。
3. 根據(jù)權(quán)利要求1所述的車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，其特征 在于所述的步驟2中，確定要實現(xiàn)估計的物理量，對各個參數(shù)根據(jù)其實際的物理意義對粒 子初始化后，具體方法如下： 1) 確定過程噪聲和初始誤差協(xié)方差； 2) 確定粒子數(shù)目，對粒子進(jìn)行初始化； 3) 確定粒子初始分布； 4) 確定魔術(shù)公式中前、后輪峰值因子D的約束條件； 5) 確定魔術(shù)公式中前、后輪曲率因子E的約束條件； 6) 確定魔術(shù)公式中前、后輪形狀因子C的約束條件； 7) 確定魔術(shù)公式中前、后輪斜度因子B的約束條件； 8) 利用測量數(shù)據(jù)計算權(quán)重； 9) 歸一化權(quán)重值； 10) 利用多項式重采樣方法實現(xiàn)重采樣，避免粒子退化； 11) 將估計出的輪胎參數(shù)再次帶入到狀態(tài)方程中，利用龍格-庫塔方法實現(xiàn)車輛行駛 中質(zhì)心側(cè)偏角、橫擺角速度的估計； 12)利用已經(jīng)估計得到的輪胎魔術(shù)公式參數(shù)和質(zhì)心側(cè)偏角、橫擺角速度等數(shù)據(jù)實現(xiàn)前 輪側(cè)向力、后輪側(cè)向力的估計。
4. 根據(jù)權(quán)利要求1中所述的車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，其特 征在于所述的步驟3中，通過二次加權(quán)操作，使權(quán)重的分配更為合理，具體的方法如下： 1) 由Uk(i)?pUk/xj^ (i))計算iik(i)，其中i= 1，2, 3*"num,num代表粒子數(shù)目，k 表示所在時刻，通過Uk(i)的引入，通過二次加權(quán)操作，使權(quán)重的分配更為合理； 2) 通過先驗條件概率抽樣xk(i)?p(xk); 3) 利用公另
，計算權(quán)值，同時進(jìn)行歸一化。
5. 根據(jù)權(quán)利要求1所述的車輛行駛狀態(tài)和輪胎魔術(shù)公式參數(shù)聯(lián)合估計的方法，其特征 在于所述的步驟4中，具體方法如下： 1) 判斷Nrff <N/3,Nrff為有效粒子數(shù)，N為粒子總數(shù)； 2) 將粒子按照權(quán)重wi實現(xiàn)降序排列； 3) 保持有效粒子總體數(shù)目不變； 4) 對失效粒子進(jìn)行隨機(jī)攝動再采樣；
5) 對再采樣后的粒子集中的粒子重新賦予權(quán)值
【文檔編號】G06F17/50GK104408265SQ201410764137
【公開日】2015年3月11日 申請日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】包瑞新, 石成江, 栗佳, 張濤, 于會龍 申請人:遼寧石油化工大學(xué)