一種考慮側傾影響的汽車行駛狀態估計方法與流程

2023-06-14 03:14:11

本發明涉及汽車系統動力學操縱穩定性控制領域，特別涉及一種汽車在行駛過程中考慮側傾運動影響的質心側偏角與橫擺角速度的精確估計方法。
背景技術：
：在汽車的操縱穩定性控制研究中，汽車的橫擺運動與側向運動是關注的重點。而汽車的質心側偏角與橫擺角速度是操縱穩定性控制最重要的兩個運動參量，通過這兩個參量可以間接得到汽車的側向運動特徵，而汽車的側向運動特徵在實際中是不能通過傳感器等直接測量得到的。雖然汽車的橫擺角速度可以通過方向盤轉角位置傳感器測量所獲得，但測量中存在大量測量誤差，精度很難滿足要求。因此，對汽車質心側偏角與橫擺角速度進行準確地估計是十分必要的。目前對於汽車質心側偏角與橫擺角速度的估計主要是基於簡化的兩輪摩託車二自由度模型而進行的，忽略了由於側傾運動所導致的左右車輪輪胎載荷的變化而引起的輪胎特性的變化以及輪胎回正力矩的影響等因素。或者是在兩輪摩託車二自由度模型基礎上建立了反映汽車側向加速度的三自由度運動微分方程，但仍沒有考慮側傾運動因素的影響，基於上述模型的估計值必然會存在較大偏差，因此，以汽車質心側偏角與橫擺角速度的估計結果為控制參量的相關控制策略，其控制精度就難以得到保證。技術實現要素：本發明設計開發了一種考慮側傾影響的汽車行駛狀態估計方法，考慮側傾運動影響，建立汽車質心運動、橫擺運動及側傾運動具有非線性特徵的運動微分方程，設計汽車質心側偏角與橫擺角速度擴展卡爾曼濾波估計器，得到的估計值更接近實際值。本發明提供的技術方案為：一種考慮側傾影響的汽車行駛狀態估計方法，其特徵在於，包括：建立包含汽車質心偏向、橫擺運動及側傾運動具有非線性特徵的三自由度運動微分方程；將非線性三自由度微分方程進行線性化；建立關於質心偏向角和橫擺角速度的狀態方程與量測方程，將所述線性化後的質心側偏角與橫擺角速度迭代至擴展卡爾曼濾波器，獲得質心偏向角和橫擺角速度的最優估計值。優選的是，所述運動微分方程為：MV(β+ωr)-Mshφ=Wββ+Wrωr+Wφφ+Wδδ]]>Izωr-Ixzφ=Qββ+Qrωr+QPφ+Qφφ+Qδδ]]>Ixφ-MsVh(β+ωr)-Ixzωr=Lpφ+Lφφ]]>其中，Wβ＝2(kf+kr),Wδ＝-2kfQβ=2kflf-krlr+(kfhf+krhr)∂X∂Z+12(Uf+Ur);]]>Qr=2Vkflf2+krlr2+(kflfhf-krlrhr)∂X∂Z+12(Uflf-Urlr);]]>QP=(Cφf+Cφr)∂X∂Z;]]>Qφ=2(-kfEfhf-krErhr+12(Kφf+Kφr)+∂Yfy∂φhf)∂X∂Z+2(krErlr-kfEflf+∂Yfy∂φlf-12(UfEf+UrEr))]]>Qδ=2(-kflf-12Uf-kfhf∂X∂Z);]]>Lp＝-(Cφf+Cφr)，Lφ＝Msgh-(Kφf+Kφr)V為汽車行駛車速，M為整車質量，Ms為懸架質量，ωr為橫擺角速度，β為質心側偏角，h為輪軸中心距離地面的高度，hf為前軸中心距離地面的高度，hr為後軸中心距離地面的高度，φ為懸架的側傾角，Fyf為前輪等效側向力，Fyr為後輪等效側向力，為左前輪側向力，為右前輪側向力，為左後輪側向力，為右後輪側向力，δ為前輪轉向角，φ為懸架的側傾角，kf為前輪輪胎的側偏剛度，kr為後輪胎的側偏剛度，為前輪外傾側傾剛度係數；βf為前輪輪胎的側偏角，βr分別為後輪輪胎的側偏角αf為前輪的側傾轉向角，αr為後輪的側傾轉向，Ef為前軸側傾轉向係數，Er分別為後軸側傾轉向係數；優選的是，所述卡爾曼濾波器的狀態方程為：xk＝xk-1+[M]-1[K]xk-1·Δk+[M]-1[N]δk-1Δk+[M]-1wk-1·Δk其中，xk為實際的狀態變量；wk為過程噪聲,Iz為整車繞z軸的轉動慣量，Ixz為懸架質量繞x、z兩軸的慣性積，Δk為採樣時間。優選的是，所述卡爾曼濾波器的量測方程為：yk＝Cxk-1+Iνk-1yk為觀測變量，vk為觀測噪聲，wk和vk二者為相互獨立且具有正態分布的高斯白噪聲序列,I為單位矩陣，C＝I4×4。優選的是，還包括狀態預測方程：x^k-==Akx^k-1+Bkuk-1]]>其中，Ak為k時刻的狀態轉移矩陣，uk-1為控制變量，Ak＝[M]-1[K]，Bk＝[M]-1[N]；誤差協方差預測方程：Pk-=AkPk-1AkT+Qk]]>其中，Qk為k時刻過程噪聲的協方差矩陣。優選的是，還包括誤差校正過程：增益矩陣：由觀測變量更新估計：誤差協方差更新方程：本發明的有益效果1、本發明提供一種考慮側傾運動影響的汽車行駛狀態估計方法，建立汽車質心運動、橫擺運動及側傾運動具有非線性特徵的運動微分方程，設計汽車質心側偏角與橫擺角速度擴展卡爾曼濾波估計器，得到的估計值更接近實際值，克服測量噪聲的影響。2、本發明提供的一種考慮側傾影響的汽車行駛狀態估計方法，質心偏向角和橫擺角速度輸入擴展卡爾曼濾波器，可實現質心側偏角與橫擺角速度的準確估計。本發明得到的橫擺角速度估計值可代替實測值進行彎道曲率估計，可用於汽車主動避撞或ACC巡航系統關鍵目標的準確識別。附圖說明圖1為本發明所述的三自由度汽車模型簡圖。圖2為本發明所述的考慮側傾運動的非線性三自由度汽車操縱穩定性模型圖。圖3為本發明所述的橫擺角速度結果對比圖。圖4為本發明所述的質心偏向角結果對比圖。具體實施方式下面結合附圖對本發明做進一步的詳細說明，以令本領域技術人員參照說明書文字能夠據以實施。本發明提供的一種考慮側傾影響的汽車行駛狀態估計方法，包括以下步驟：如圖1、2所示，考慮側傾運動所導致的左右車輪輪胎載荷的變化而引起的輪胎特性的變化以及輪胎回正力矩的影響等因素，在二自由度簡化的兩輪摩託車二自由度模型基礎上，基於非線性三自由度汽車模型，推導包含汽車質心運動、橫擺運動及側傾運動的微分方程如下：Y方向的受力平衡方程：MV(β+ωr)-Mshφ=2Fyf+2Fyr]]>其中，V為汽車行駛車速，M為整車質量，Ms為懸架質量，ωr為橫擺角速度，β為質心側偏角，h為輪軸距離地面的高度，hf為前軸中心距離地面的高度，hr為後軸中心距離地面的高度，φ為懸架的側傾角，Fyf為前輪等效側向力，Fyr為後輪等效側向力，。假定左右輪胎側偏角相等，則有：Fyf=Fyfl=Fyfr=kfβf+(∂Yfy/∂φ)φ,Fyr=Fyrl=Fyrr=krβr,]]>Fyfcosδ≈Fyf，Fyrcosδ≈Fyr，其中，為左前輪側向力，為右前輪側向力，為左後輪側向力，為右後輪側向力，δ為前輪轉向角，φ為懸架的側傾角，kf為前輪輪胎的側偏剛度，kr為後輪胎的側偏剛度，為前輪外傾側傾剛度係數；假定前後輪的側傾轉向角與車身側傾角成正比βf=β+lfVωr-δ-αf,βr=β-lfVωr-αr,]]>其中，βf為前輪輪胎的側偏角，βr分別為後輪輪胎的側偏角αf為前輪的側傾轉向角，αr為後輪的側傾轉向角，計算公式如下：αf=(∂αf/∂φ)φ=Efφ,αr=(∂αr/∂φ)φ=Erφ,]]>其中，Ef為前軸側傾轉向係數，Er分別為後軸側傾轉向係數；繞Z軸的力矩方程：Izωr-Ixzφ=2Fyflf-2Fyrlr+Mf+Mr+(dfΔZf+drΔZr)∂X∂Z]]>Iz為整車繞z軸的轉動慣量，Ixz為懸架質量繞x、z兩軸的慣性積，lf為前軸至質心的距離，lr為後軸至質心的距離，df為兩前輪之間的輪距，dr為兩後輪之間的輪距，為車輪的滾動阻力係數；式中的Mf、Mr由下式計算：Mf=(∂Mf/∂βf)βf=Ufβf,Mr=(∂Mr/∂βr)βr=Urβr]]>ΔZf=1df(Fyfhf+Kφfφ+Cφfφ),ΔZr=1dr(Fyrhr+Kφrφ+Cφrφ)]]>Uf為前回正力矩剛度係數、Ur為後回正力矩剛度係數，Cφf、Cφr分別為前、後懸架側傾角阻尼，Kφf、Kφr分別為前、後懸架側傾角剛度；繞X軸的力矩方程：Ixc為懸架質量繞車身重心縱軸的轉動慣量，g為重力加速度，Ixc+Msh2＝Ix，Ix為懸架質量繞X軸的轉動慣量。整理上述公式得到如下運動微分方程：ω(β+ωr)-Mshφ=Wββ+Wrωr+Wφφ+Wδδ]]>其中，Wβ＝2(kf+kr),Wδ＝-2kf；Izωr-Ixzφ=Qββ+Qrωr+QPφ+Qφφ+Qδδ]]>其中，Qr=2Vkflf2+krlr2+(kflfhf-krlrhr)∂X∂Z+12(Uflf-Urlr)]]>QP=(Cφf+Cφr)∂X∂Z]]>Qφ=2(-kfEfhf-krErhr+12(Kφf+Kφr)+∂Yfy∂φhf)∂X∂Z+2(krErlr-kfEflf+∂Yfy∂φlf-12(UfEf+UrEr))]]>Qδ=2(-kflf-12Uf-kfhf∂X∂Z);]]>Ixφ-MsVh(β+ωr)-Ixzωr=Lpφ+Lφφ]]>其中，Lp＝-(Cφf+Cφr)，Lφ＝Msgh-(Kφf+Kφr)。為便於進行擴展卡爾曼濾波處理，需要將上述運動微分方程整理成狀態方程的形式，如下所示。M{X}=K{X}+N{δ}+I{w}]]>式中：M=0MV-Msh0Iz0-Ixz0-Ixz-MsVh-Ix00001,K=Wr-MVWβ0WφQrQβQpQφMsVh0LpLφ0010,N=WδQδ00]]>X=(ωr,β,φ,φ)T,X=(ωr,β,φ,φ)T]]>進一步整理得到：{X}=M-1K{X}+M-1N{δ}+M-1I{w}]]>整理成狀態方程形式{X}=A{X}+B{δ}+E{w}]]>{Y}＝[C]{X}+[D]{v}其中，[A]＝[M]-1[K]，[B]＝[M]-1[N]，[C]＝I4×4，[D]＝I4×1，[E]＝[M]-1I，δ為前輪轉角矩陣；根據估計對象建立狀態方程與量測方程，對非線性模型進行線性化並賦初值進行遞推估計，主要包括預測過程與校正過程，其具體過程如下：步驟一、建立狀態方程與量測方程：xk＝xk-1+[M]-1[K]xk-1·Δk+[M]-1[N]δk-1Δk+[M]-1wk-1·Δkyk＝Cxk-1+Iνk-1式中，xk為實際的狀態變量，yk為觀測變量；wk為過程噪聲，vk為觀測噪聲，wk和vk二者為相互獨立且具有正態分布的高斯白噪聲序列，Δk為採樣時間步驟二、假定過程噪聲wk和觀測噪聲vk為零，從而估計狀態向量和觀測向量，得到：x~k=f(x^k-1,uk-1,0)]]>y~k=g(x^k-1,0)]]>其中，是狀態相對於前一時刻的後驗估計。步驟三、非線性三自由度微分方程進行線性化，得到新的控制方程：xk=x~k+F(xk-1-x^k-1)+Wwk-1]]>Zk=Z~k+Hk(xk-1-x^k-1)+Vvk]]>其中，H(i,j)=∂g1∂x1...∂g1∂xm......∂gm∂x1...∂gm∂xmV(i,j)=∂g1∂v1...∂g1∂vm......∂gm∂v1...∂gm∂vm]]>式中，F、W、H、V分別表示非線性函數f(xk,uk,wk)與g(xk,uk)對狀態變量求偏導的雅可比矩陣；步驟四、預估計，即狀態預測方程為：x^k-=f(x^k-1,uk-1,0)=Akx^k-1+Bkuk-1]]>其中，為k時刻狀態變量的估計值，為k+1時刻狀態變量的預估計值，Ak為狀態轉移矩陣。步驟五、求解狀態轉移矩陣：Ak＝eF(k)*Δk≈I+F(k)*Δk其中，Δk為採樣時間，I為單位矩陣。步驟六、計算預測誤差:eXk=xk-x~k=Ak(xk-1-x^k-1)+k]]>觀測變量的殘差為：e~zk=yk-y~k=Hke~xk+ηk]]>其中，εk和ηk分別為具有零均值，協方差矩陣為WQWT和VRVT的獨立所及變量，Q為過程噪聲協方差矩陣，R為觀測噪聲協方差矩陣。將估計結果記為獲得後驗狀態估計，即令估計值為零，得到e^k=Kke~zk]]>x^k=x~k+Kke~zk=x~k+Kk(yk-y~k)]]>其中，Kk為卡爾曼增益。步驟七、預測誤差時間更新方程為：誤差協方差預測方程：其中，Qk為k時刻過程噪聲的協方差矩陣；步驟八、校正過程，測量更新方程為：增益矩陣：由觀測變量更新估計：誤差協方差更新方程：其中，Hk和Vk是k時刻測量的雅可比矩陣，Rk為k時刻觀測噪聲的協方差矩陣。鑑於此，本發明考慮車輛實際行駛過程側傾運動的影響，建立非線性三自由度汽車模型，設計了汽車質心側偏角與橫擺角速度的擴展卡爾曼濾波器模型並建立了Simulink仿真模塊，利用Carsim導入方向盤轉角信號(如：雙移線輸入)的實際輸入數據至非線性三自由度微分方程，得到了汽車質心側偏角、橫擺角速度及懸架的側傾角等結果，將得到的結果輸入至擴展卡爾曼濾波模型，即可實現質心側偏角與橫擺角速度的準確估計。該發明得到的汽車橫擺角速度的估計值可代替實測值，實現彎道曲率估計，可用於汽車主動避撞或ACC巡航系統關鍵目標的準確識別領域，該模型可為從事該領域研究的科研人員提供參考與借鑑。結果分析如圖3、4所示，利用雙移線輸入驗證了車速為80km/h的汽車橫擺角速度與質心側偏角估計，得到橫擺角速度和質心側偏角的估計值(EKFvalue)與實際值(Actualvalue)對比結果。從圖中的對比結果可以看出，利用擴展卡爾曼濾波估計的車輛橫擺角速度和質心側偏角與實際值基本是吻合的，可以獲得理想的估計效果。這表明：考慮側傾運動的非線性三自由度汽車模型而建立的汽車行駛狀態擴展卡爾曼濾波估計器，可以有效地實現汽車行駛過程中橫擺角速度和質心側偏角的實時估計，該研究方法和結論對於汽車智能巡航控制或避撞控制系統關鍵目標識別中彎道道路曲率估計具有重要參考價值。儘管本發明的實施方案已公開如上，但其並不僅僅限於說明書和實施方式中所列運用，它完全可以被適用於各種適合本發明的領域，對於熟悉本領域的人員而言，可容易地實現另外的修改，因此在不背離權利要求及等同範圍所限定的一般概念下，本發明並不限於特定的細節和這裡示出與描述的圖例。當前第1頁1&nbsp2&nbsp3&nbsp