基于自适应模糊扩展卡尔曼滤波的车辆运动状态联合估计

为准确实时地获取车辆运动状态信息,满足车辆主动安全控制系统的需求,基于模糊控制器和扩展卡尔曼滤波（EKF）算法,采用非线性3自由度车辆动力学模型,提出一种基于自适应模糊扩展卡尔曼滤波（AFEKF）的车辆运动状态联合估计策略。首先利用EKF算法对待测量噪声的输入量联合估计得到所需的状态量,然后建立模糊控制器对其进行自适应调节,最后应用MATLAB/Simulink仿真平台建立14自由度车辆动力学模型对估计算法进行仿真和实车试验验证。结果表明：AFEKF算法能够准确有效地估计车辆的行驶状态,且与EKF算法相比,准确性和鲁棒性更好。     

基于扩展卡尔曼滤波与机器视觉融合的道路侧向坡度估计

为解决现有算法难以准确估计前方道路侧向坡度的问题,提出了一种基于扩展卡尔曼滤波（EKF）与机器视觉（VB）融合的道路侧向坡度估计方法。首先,建立含有侧向坡度的车辆2自由度模型,通过EKF估计出侧向坡度与车辆侧倾角的叠加态,由侧向加速度乘以适当增益解耦出车辆侧倾角,得到EKF道路侧向坡度估计值;其次,通过视觉成像原理分析二维图像中道路侧向坡度与图像中相关参数的几何关系,得到VB道路侧向坡度估计值;最后,通过数据融合得到最终的道路侧向坡度估计值,使估计结果冗余互补。仿真和实车试验结果表明,该融合算法能够适用于道路侧向坡度变化的坡道,并显著提高了估计精度。     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计EI北大核心CSCD

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

基于自适应卡尔曼滤波的商用车横向载荷转移率估计

为解决商用车由于质心高、轮距小而易发生侧翻事故的问题,建立了3自由度参考模型,提出了基于自适应卡尔曼滤波算法的状态估计器,并以估计器估计结果对车辆状态和横向载荷转移率进行计算.利用TruckSim仿真软件对自适应卡尔曼滤波估计算法进行了验证,验证工况为30 km/h和90 km/h双移线工况.通过估计结果与仿真数据对比,验证了此估计算法能够很好地估计计算车辆状态和车辆横向载荷转移率值.     

基于扩展卡尔曼滤波的轮毂电机驱动电动汽车状态估计

以非线性八自由度车辆模型为基础,利用轮毂电机驱动电动汽车四轮转矩容易获得的独特优势,将车轮转角、各个车轮驱动力矩、侧向加速度及横摆角速度作为算法输入,采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)理论设计了轮毂电机驱动电动汽车行驶中状态估计算法。CarSim和Matlab/Simulink联合仿真结果表明,该算法能有效估计轮毂电机驱动电动汽车行驶中的纵向车速、侧倾角、侧倾角速度等状态。     

改进粒子滤波算法在组合导航中的应用

为了提高组合导航定位系统的定位精度和可靠性,分别对扩展卡尔曼滤波(EKF)、粒子滤波(PF)和U卡尔曼滤波(UKF)3种算法进行了分析。通过分析3种算法各自的特点,将PF算法和UKF算法的优点相结合,提出了一种新的粒子滤波算法——U粒子滤波(UPF)算法,并将其应用于GPS/DR组合导航系统中。通过对UPF算法与PF算法在GPS/DR组合导航系统中的仿真研究比较,进一步证实了UPF算法的可行性及计算的精确性。     

基于ARWLS和AUKF的锂电池SOC估计

精确估计锂电池荷电状态（SOC）对纯电动汽车的安全稳定行驶有着深远影响,对锂电池SOC状态的估计主要有参数辨识算法和SOC估计算法两个热点问题。针对辨识过程中出现的“数据饱和”现象以及锂电池SOC状态估计时的滤波发散问题,文章提出了自适应遗忘因子递推最小二乘法（ARWLS）-自适应无迹卡尔曼滤波（AUKF）联合算法。首先建立了二阶R-C锂电池数学模型,并针对传统最小二乘法在参数辨识过程中出现的“数据饱和”现象,引入了自适应遗忘因子动态修正新旧数据权重,提升在线参数辨识的准确度以及效率。其次,针对无迹卡尔曼滤波存在的滤波失效问题,提出了自适应无迹卡尔曼滤波算法来自适应调整系统噪声和观测噪声,从而提高SOC估计时的适应性和鲁棒性。最后在混合动力脉冲能力特性（HPPC）工况下对扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和AUKF三种SOC估计算法进行仿真比较,仿真结果表明,AUKF算法估计的SOC曲线跟随SOC真实值曲线变化的性能最好,估计精度也优于其他两种算法,具有更小的估计误差,收敛性也最好。     

基于蚁狮算法的UKF车辆状态参数估计器

为了准确获取分布式驱动电动汽车状态参数信息,满足车辆稳定性控制系统的需求,提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器。针对无迹卡尔曼滤波（UKF）过程中噪声协方差矩阵的不确定性,采用蚁狮优化算法（ALO）对其进行寻优,并引入奇异值分解（SVD）的方法来维持噪声协方差矩阵的正定性,此外,基于指数加权最小二乘法对车辆侧偏刚度进行辨识并将其作为状态参数估计器输入。基于MATLAB/Simulink和CarSim联合仿真平台,建立分布式驱动电动汽车参数估计模型,分别进行双移线工况和正弦迟滞工况仿真,并基于A&D5435快速原型开发平台进行双移线工况实车试验。仿真与试验结果表明：相比于SVDUKF算法估计结果,双移线仿真工况下,基于ALO-SVDUKF算法估计得到的质心侧偏角和横摆角速度的均方根误差分别降低了55.7%、30.7%,正弦迟滞仿真工况下,均方根误差分别降低了58.1%、85.1%,且在车辆处于极限失稳状态时仍能维持较好的估计效果;双移线试验工况下,横摆角速度的估计值与实际测量值之间的均方根误差仅为0.938 4（°）·s^-1;提出的基于ALO-SVDUKF算法的分布式驱动电动汽车状态参数估计器能够有效提高质心侧偏角和横摆角速度的估计精度,可为车辆稳定性控制提供精确的状态信息。     

分布式驱动电动汽车行驶状态估计综述

针对分布式驱动电动汽车行驶状态估计的问题,论文对汽车行驶状态估计算法的研究现状进行了综述,列举了在车辆行驶状态估计中常用的估计算法,分别介绍了扩展卡尔曼滤波算法、容积卡尔曼滤波算法和联邦卡尔曼滤波算法在车辆行驶状态估计中的优缺点,结合各算法在实际应用中需要考虑的因素,对比分析不同的估计算法对车辆行驶状态参数估计效果的影响,指出基于联邦卡尔曼(FKF)滤波算法的多信息融合估计车辆行驶状态的方法是提高估计精度的有效手段。     

基于冗余信息融合的车辆质心侧偏角估计方法

车辆质心侧偏角是表征车辆横向稳定性的重要参数之一,相关的估计方法研究可为整车稳定控制提供重要支撑.为提高车辆质心侧偏角估计效果,提出了一种基于冗余信息融合的质心侧偏角估计方法.分别建立了车辆动力学模型和运动学模型,利用容积卡尔曼滤波算法分别设计了用于车辆行驶状态估计的动力学模型估计器和运动学模型估计器,同时,分析了动力...     

车辆系统垂向与横向耦合的侧倾状态估计

为有效解决复杂行驶工况下车辆耦合侧倾运动状态无法精确获取,进而对车辆系统操纵稳定性与乘坐舒适性兼顾优化无法提供准确输入的难题,本文中设计了基于车辆垂向与横向耦合动力学的双非线性状态观测器算法,以实现复杂行驶工况下车辆耦合侧倾运动状态的实时准确估计。首先,建立了路面激励模型与整车系统垂向与横向耦合动力学模型;接着,利用无迹卡尔曼滤波方法(UKF)与非线性模糊观测(T-S)理论,设计了非线性状态观测算法,以在不同路面激励工况下对车辆系统簧载质量与侧倾状态进行联合估计;最后,运用CarSim■动力学软件,对比分析了在标准A级与C级路面上进行J-turn试验工况下,采用联合状态观测器(UKF&T-S)实时估计车辆侧倾角与侧倾率的观测精度。结果表明,本文所设计的UKF&T-S观测器可有效估计车辆侧倾状态,且与CarSim■仿真数据相比识别状态标准偏差不超过10%。     

结合卡尔曼滤波器的车辆主动悬架轴距预瞄控制研究

利用轴距预瞄信息，即前后轮路面输入之关系，同时结合卡尔曼滤波器作为状态估计器，本文提出了一种算法用于车辆悬架控制律的设计，根据模拟结果，研究了算法的可行性，分析了卡尔曼滤波器对状态变量的估计精度，以及轴距预瞄控制对进一步改进车辆性能的潜力。     

Velocity and normal tyre force estimation for heavy trucks based on vehicle dynamic simulation considering the road slope angle

A precise estimation of vehicle velocities can be valuable for improving the performance of the vehicle dynamics control (VDC) system and this estimation relies heavily upon the accuracy of longitudinal and lateral tyre force calculation governed by the prediction of normal tyre forces. This paper presents a computational method based on the unscented Kalman filter (UKF) method to estimate both longitudinal and lateral velocities and develops a novel quasi-stationary method to predict normal tyre forces of heavy trucks on a sloping road. The vehicle dynamic model is constructed with a planar dynamic model combined with the Pacejka tyre model. The novel quasi-stationary method for predicting normal tyre forces is able to characterise the typical chassis configuration of the heavy trucks. The validation is conducted through comparing the predicted results with those simulated by the TruckSim and it has a good agreement between these results without compromising the convergence speed and stability.     

Unscented Kalman filter for vehicle state estimation

Vehicle dynamics control (VDC) systems require information about system variables, which cannot be directly measured, e.g. the wheel slip or the vehicle side-slip angle. This paper presents a new concept for the vehicle state estimation under the assumption that the vehicle is equipped with the standard VDC sensors. It is proposed to utilise an unscented Kalman filter for estimation purposes, since it is based on a numerically efficient nonlinear stochastic estimation technique. A planar two-track model is combined with the empiric Magic Formula in order to describe the vehicle and tyre behaviour. Moreover, an advanced vertical tyre load calculation method is developed that additionally considers the vertical tyre stiffness and increases the estimation accuracy. Experimental tests show good accuracy and robustness of the designed vehicle state estimation concept.     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

Effect of vehicle model on the estimation of lateral vehicle dynamics

A methodology is presented for estimating vehicle handling dynamics, which are important to control system design and safety measures. The methodology, which is based on an extended Kalman filter (EKF), makes it possible to estimate lateral vehicle states and tire forces on the basis of the results obtained from sinusoidal steering stroke tests that are widely used in the evaluation of vehicle and tire handling performances. This paper investigates the effect of vehicle-road system models on the estimation of lateral vehicle dynamics in the EKF. Various vehicle-road system models are considered in this study: vehicle models (2-DOF, 3-DOF, 4-DOF), tire models (linear, non-linear) and relaxation lengths. Handling tests are performed with a vehicle equipped with sensors that are widely used by vehicle and tire manufacturers for handling maneuvers. The test data are then used in the estimation of the EKF and identification of lateral tire model coefficients. The accuracy of the identified values is validated by comparing the RMS error between experimentally measured states and regenerated states simulated using the identified coefficients. The results show that the relaxation length of the tire model has a notable impact on the estimation of lateral vehicle dynamics.     

基于模型预测控制的半挂汽车主动防侧倾控制方法

提出了一种半挂汽车主动防侧倾控制方法。搭建了一个七自由度动力学模型和一个三自由度参考模型;用无迹Kalman滤波的方法,来估计车辆的横向载荷转移率;确定优化目标,运用模型预测控制(MPC)理论进行最优化求解,得到各车轴的主动防侧倾力矩;在Simulink/Trucksim联合仿真环境中,进行仿真对比与分析。结果表明:在本文的MPC控制器和PID控制器作用下,半挂汽车各状态量皆收敛,且横向载荷转移率保持在0.7以内;相比于PID控制,MPC控制所需的防侧倾力矩更小更均衡,各状态量变化也更加平稳。因此,本MPC控制器在提升半挂汽车侧倾稳定性的同时具有较好的鲁棒性。     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。