基于交互式多模型和容积卡尔曼滤波的汽车状态估计

基于UniTire轮胎模型建立了包含时变噪声统计特性的汽车动力学7自由度整车模型。针对系统状态噪声和观测噪声统计特性未知的问题,提出了一种基于交互式多模型和容积卡尔曼滤波(IMM-CKF)车辆状态估计算法。该算法采用包含不同系统状态噪声和观测噪声统计特性的汽车动力学模型作为交互式多模型算法的模型集,用容积卡尔曼滤波器对每个子模型的车辆状态进行估计,并使融合输出结果始终保持跟踪估计误差小的子模型输出。最后利用实车场地环境下多种驾驶工况的测试数据对IMM-CKF算法进行离线验证,并与容积卡尔曼滤波器的估计结果进行对比,结果表明其估计性能优于容积卡尔曼滤波器。     

基于强跟踪的卡尔曼滤波算法道路坡度估计分析

在上下坡路段行驶的过程中,道路的坡度角对车辆的纵向受力分析非常重要。道路坡度角过大时会影响驾驶员驾驶的安全性,因此在道路建设中,上下坡路段的研究是有重要意义的。为了更加精确地对汽车在各种路段下的行驶状况进行研究,道路坡度是重要的研究指标。据此,提出了强跟踪滤波优化卡尔曼滤波算法,并利用MATLAB/Simulink仿真,验证了优化后的卡尔曼滤波算法具有很强的跟踪性和准确性。     

基于无迹卡尔曼滤波与遗传算法相结合的车辆状态估计

针对汽车状态估计中过程噪声和量测噪声统计特性不确定的状况,通过UKF算法与遗传算法相结合,提出一种新的自适应滤波算法,以降低噪声对估计结果的干扰。为达到较高的精度,建立了7自由度非线性车辆动力学模型,结合"魔术公式"轮胎模型对汽车行驶过程中的纵、侧向速度、轮胎力和质心侧偏角分别进行了估计。在利用UKF对汽车状态参数进行估计的同时,引入遗传算法,根据适应度函数对过程噪声和量测噪声进行寻优,实现了噪声的自适应作用,估计精度大幅提高。仿真和道路模拟试验的结果表明,UKF结合遗传算法的方法,能提高估计精度且具有很好的抗干扰性。     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计

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。     

基于卡尔曼滤波算法的车辆振动状态估计与最优控制研究

在建立2自由度1/4车辆悬架振动模型基础上,提出了利用卡尔曼滤波算法估计车辆行驶振动状态的方法。通过设计卡尔曼滤波算法,对在不平路面上行驶车辆的车身垂向位移、垂向速度和车轮垂向位移、垂向速度状态进行估计,并通过Matlab/Simulink对估计效果进行验证。验证结果表明,该方法能够在不同路面、不同车速下准确估计车辆的相关参数,为汽车主动悬架的最优控制提供了基础。     

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。     

基于卡尔曼滤波的半挂汽车列车状态估计

准确获取车辆的状态信息是汽车主动安全控制研究的关键。文中主要研究半挂汽车列车稳定性控制中的状态估计问题,研究了基于线性四自由度(4-DOF)半挂汽车列车模型,利用卡尔曼滤波(KF)算法估计半挂汽车列车的横摆角速度与质心侧偏角;基于商用车动力学仿真标准软件TruckSim,通过标准双移线仿真工况进行验证,结果表明,在非高速急转向工况下,所提出的估计方案能较准确地跟踪汽车列车的状态信息,为半挂汽车列车主动安全控制奠定基础。     

基于车辆行驶轨迹的信号交叉口排队长度估计

为了研究如何结合移动检测数据来确定交叉口排队长度,并以此来衡量交通拥堵程度的问题,利用车辆行驶轨迹,分析了通过交叉口车辆的排队特点。根据车辆在队列中的不同排队位置,分车辆通过交叉口时所存在的A,B,C这3种位置,建立了面向延误最小的排队长度估计模型。其中,通过虚拟线圈检测器后开始减速停止在停车线前的A位置车辆排队估计模型基于基本延误模型;减速进入虚拟线圈检测区域停车的B位置车辆排队估计模型基于简化车辆跟驰模型,对可获得车辆行驶轨迹的网联车减速过程进行了重建;减速停止在虚拟线圈检测器前的C位置车辆排队估计模型基于LWR消散模型以及交通流理论算法,并利用网联车车辆行驶轨迹数据进行了加速过程的重建。在此基础上,根据不同位置车辆与队尾网联车的距离不同,对其到达率赋予不同的权重,计算总的排队长度。最后,通过图新地球地图软件投影并筛选车辆在案例交叉口的车辆行驶轨迹,利用微观交通仿真软件VISSIM对本研究的模型进行仿真验证。结果表明,排队长度估计模型与真值的最大误差为12.4%,最小为2.2%,平均误差为8.75%,方差为12.595%~2,绝对与相对误差均保持在可接受范围以内,说明基于车辆行驶轨迹的信号交叉口排队长度估计模型能够较为有效地估计城市道路交叉口的排队长度。     

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。     

基于稳态卡尔曼滤波的车辆质量与道路坡度估计

针对车辆自动变速器控制系统难以实时测得车辆质量与道路坡度这一问题,搭建了车辆的纵向运动学和动力学模型,在理论模型的基础上使用离散卡尔曼滤波器对车辆质量和道路坡度进行估算,并利用Carsim与Maltab/Simulink联合仿真采用合适的加速度传感器和稳态卡尔曼滤波器的实车试验,验证了用此方法估算车辆质量和道路坡度比惯性导航仪得到的数据有更好的实时性和准确性。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈,推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题,提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据,在线辨识模型参数并实时更新,实时反映电池内部参数的变化过程,对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题,提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变,通过引入随机加权因子,自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测,抑制系统噪声对状态估计的干扰,避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题,提出基于奇异值分解的容积点计算方法,克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题,并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力,最大电压估计误差不超过40 mV,SOC估计误差不超过1%。     

基于自适应卡尔曼算法的重型半挂车状态估计研究

在建立三轴重型半挂车简化动力学模型的基础上,提出了用于估计重型半挂车运动状态的自适应卡尔曼滤波估计算法。利用动力学软件Trucksim对该估计算法进行了验证,验证结果表明,所提出的自适应卡尔曼滤波算法能够在车速为30 km/h与60 km/h的两种扫频工况下,准确估计重型半挂车横摆角速度和铰接角,为重型半挂车的稳定性控制奠定了基础。     

An Extended Adaptive Kalman Filter for Real-time State Estimation of Vehicle Handling Dynamics

This paper considers a method for estimating vehicle handling dynamic states in real-time, using a reduced sensor set; the information is essential for vehicle handling stability control and is also valuable in chassis design evaluation. An extended (nonlinear) Kalman filter is designed to estimate the rapidly varying handling state vector. This employs a low order (4 DOF) handling model which is augmented to include adaptive states (cornering stiffnesses) to compensate for tyre force nonlinearities. The adaptation is driven by steer-induced variations in the longitudinal vehicle acceleration. The observer is compared with an equivalent linear, model-invariant Kalman filter. Both filters are designed and tested against data from a high order source model which simulates six degrees of freedom for the vehicle body, and employs a combined-slip Pacejka tyre model. A performance comparison is presented, which shows promising results for the extended filter, given a sensor set comprising three accelerometers only. The study also presents an insight into the effect of correlated error sources in this application, and it concludes with a discussion of the new observer's practical viability.     

基于中心差分卡尔曼滤波的车速估计研究

针对车辆行驶过程中车速估计问题,论文基于中心差分卡尔曼滤波理论设计了车速的估计算法。建立了非线性三自由度车辆估算模型,根据纵向加速度、侧向加速度和方向盘转角低成本传感器信号的信息融合,实现对车速的准确估计,应用CarSim与Matl ab/Simulink联合仿真实验对算法进行验证。结果表明:估计算法能够准确估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。     

Estimation of Road Bank Angle and Vehicle Side Slip Angle Using Bayesian Tracking and Kalman Filter Approach

A lateral acceleration is considered to be a significant sensor signal for an estimation of a side slip angle. Due to the fact that a characteristic of a lateral G sensor, the sensor has a technical issue when a road bank angle has presented. In order to resolve the issue, this paper describes a novel method for the real time estimation of a vehicle side slip angle and a road bank angle simultaneously. A Bayesian tracking approach is used to estimate the road bank angle by comparing a measured lateral acceleration with the calculated one in the case of various angle. A Kalman Filter has been implemented through bicycle model using vehicle roll angle, road bank angle and angular velocity of side slip angle. The performance of the proposed estimation method has been evaluated via vehicle tests on a real road.     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.     

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.     

基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究

本文中提出一种基于动力电池能量状态估计和车辆能耗预测的续驶里程估计模型。电池能量状态估计采用电池状态模型估计电池剩余的可用能量,分析了不同因素的影响。利用纯电动车测试数据,基于递推最小二乘算法辨识车辆能耗参数,结合行驶工况预测汽车能耗,进而计算续驶里程。与传统的续驶里程估计方法相比,基于电池能量状态估计和整车能耗预测的续驶里程估计模型的精度有较大提高。     

基于扩展卡尔曼滤波的汽车质心侧偏角估计

基于二自由度汽车动力学模型和轮胎模型,运用扩展卡尔曼滤波方法建立了汽车质心侧偏角估计器.利用汽车动力学仿真平台,通过仿真对比了线性轮胎模型和非线性轮胎模型的质心侧偏角估计结果.仿真结果表明,轮胎模型对于质心侧偏角估计精度至关重要,而采用非线性轮胎模型能显著提高质心侧偏角估计精度,估计结果能满足ESC控制的要求.     

Vehicle Dynamics Estimation Using Kalman Filters

This paper deals with the application of stochastic state estimators in vehicle dynamics control. It is often unrealistic to assume that all vehicle states and the disturbances acting on it can be measured. System states that cannot be measured directly, can be estimated by a Kalman Filter. The idea of the Kalman filter is to implement a model of the real system in an on-board computer in parallel with the system itself. This paper will give 3 examples of this principle applied to automotive systems.