基于强跟踪容积卡尔曼滤波的车辆行驶状态估计

针对车辆行驶过程中的状态估计问题,提出了基于强跟踪容积卡尔曼滤波的车辆行驶状态估计算法。建立了采用Dugoff轮胎模型非线性3自由度车辆估算模型,通过对纵向加速度、侧向加速度、横摆角速度、转向盘转角和车轮轮速低成本传感器信号的信息融合以实现对车辆行驶状态的准确估计。应用驾驶员模拟器进行在环试验结果表明,基于强跟踪容积卡尔曼滤波的估计算法能够较准确地对车辆行驶状态进行估计。     

基于智能轮胎系统的实时路面辨识技术

在复杂和极限工况下,路面附着系数是进行轮胎受力分析和车辆动力学控制的重要状态参数。相对于模型估计的方法,智能轮胎技术能够将轮胎与路面的交互信息反馈给车辆控制系统。本文提出了一种将智能轮胎系统和机器学习相结合的车辆路面附着系数获取方法。首先,考虑行驶工况环境进行传感器选型,开发基于MEMS三轴加速度传感器的智能轮胎硬件采集系统,并采用简化硬件结构的无线传输模式。其次,通过采集不同路面上的实车实验数据进行车辆实验收集机器学习训练的数据集,并分析轮地关系及信号特征。最后,将CNN与LSTM两者的优势相结合实现了对加速度时序信号的特征学习。通过与其它神经网络模型训练结果的比较,验证了所提CNN-LSTM双通道融合神经网络模型的有效性和准确性。本文提出的路面辨识方案实现了实时道路识别的目标,硬件与软件架构和神经网络模型更适合车辆系统搭载,为车辆运动控制提供了实时准确的路面信息。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

基于轮边驱动电动汽车轮胎力估计的路面附着系数估算

为了能够实时准确的获得当前车轮的轮胎力及路面附着系数以提高汽车主动安全性能,提出一种轮边驱动电动汽车状态估计与路面附着系数估计相结合的估计方法。根据车载传感器及七自由度非线性车辆动力学模型,采用扩展卡尔曼滤波算法(EKF)进行车辆状态及轮胎力的估计。结合EKF估算结果和轮胎模型,采用递归最小二乘法(RLS)实时估计不同路面的附着系数。仿真结果表明:该方法可以在较为复杂工况下估计出不同的路面附着系数,估计精度较高,实时性较好。     

分布式驱动电动汽车状态参数估计综述

由于汽车的状态参数在行驶过程中不断变化,从而影响车辆行驶状态的准确估计,针对这一问题,论文对分布式驱动电动汽车状态参数估计进行了综述,列举了常用的两种估计算法,分别从扩展卡尔曼滤波和容积卡尔曼滤波两个方面进行了论述,对比分析了两种算法之间的应用场景与估计效果。总结出通过信息融合技术的多滤波器融合成为车辆状态参数估计的主流方向。     

四轮轮毂电机电动汽车行驶状态估计

针对四轮轮毂电机电动汽车行驶过程中的状态估计和在数据测量过程中由于偶然因素使观测序列中存在野值的问题,本文中提出了一种基于抗野值鲁棒容积卡尔曼滤波的车辆行驶状态估计算法。首先利用四轮轮毂电机电动汽车的每个车轮的电机驱动力矩容易测得的优势计算轮胎的纵向力,采用Dugoff轮胎模型计算轮胎的侧向力,建立了汽车非线性3自由度车辆模型。接着通过对简单易测低成本传感器信号的信息融合实现电动汽车在行驶过程中的纵向速度、侧向速度和质心侧偏角的准确估计。最后应用Car Sim和Matlab/Simulink联合仿真对估计算法进行验证。结果表明,基于抗野值鲁棒容积卡尔曼滤波的估计算法比扩展卡尔曼滤波估计算法更能较准确地对车辆行驶状态进行估计,且具有较好的实时性。     

基于自适应无迹卡尔曼滤波的汽车状态参数估计

针对车辆状态参数估计过程中过程噪声和测量噪声的不确定性,提出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.建立包括纵向、横向和横摆3个自由度的车辆动力学模型,基于无迹卡尔曼滤波理论建立自适应无迹卡尔曼滤波估计模型,最后搭建MATLAB/Simu-link-Carsim联合仿真平台对提出的算法进行仿真验证.结果表明...     

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。     

基于最小模型误差估计的智能汽车路径跟踪控制

为提高分布式驱动电动智能汽车在自主循迹过程中关键参数的估计精度并降低模型不确定性对控制系统鲁棒性的影响,本文中提出了一种基于观测器的自适应滑模路径跟踪控制策略。首先,针对难以直接精确测量的车辆纵、侧向速度,建立了5输入3输出3状态的状态估计系统,并采用最小模型误差准则以降低估计过程轮胎的非线性特性带来的观测模型误差。接着,基于运动学模型,计算出了路径跟踪期望横摆角速度响应,并采用自适应滑模算法实现主动转向控制。考虑线控转向系统的潜在失效风险,引入径向基神经网络对系统不确定性进行在线估计。同时,设计了直接横摆稳定控制器并采用最优转矩分配策略,进一步提高车辆的稳定性。最后,对车辆状态估计和路径跟踪进行了Carsim/Matlab联合仿真,结果表明:基于最小模型误差准则的观测器能取得较可靠的估计结果,路径跟踪控制器能保证车辆具有较好的跟踪精度和鲁棒性。     

车辆侧倾状态估计的研究

针对复杂行驶工况下车辆侧倾状态无法准确测取,因而对车辆侧倾无法有效控制的问题,本文中利用车辆耦合动力学与模糊T-S理论,设计了基于模型的T-S状态观测器算法,实现了复杂工况下车辆侧倾状态的实时有效观测。首先,构建了不同路面激励与转向盘转角工况下的车辆垂向与横向运动学模型;接着,在考虑轮胎受力具有强非线性特点的基础上,提出了基于T-S理论的轮胎T-S模型,并采用"魔术公式"对其进行了仿真验证;然后,基于轮胎T-S模型与整车动力学模型,利用贝叶斯理论,设计整车T-S观测器算法;最后,利用Car Sim软件对标准A/C级路面激励工况下整车T-S观测器实时估计的车辆侧倾角与侧倾率进行仿真验证。结果表明,所设计T-S观测器可有效估计车辆侧倾状态,最大标准偏差不超过12%。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。     

基于轮胎合力计算与分配的车辆横向稳定性控制研究

鉴于轮胎合力计算与分配算法只适用于四轮独立制动/驱动和四轮独立转向车辆,以及路面附着系数对轮胎纵向合力和横摆力矩可实现范围的限制,提出一种对轮胎纵向合力和横摆力矩进行实时计算调整和动态分配的车辆横向稳定性控制策略。针对线性反馈计算的误差,采用离线数值优化和非线性规划方法实时确定轮胎纵向合力和横摆力矩的可实现范围,将计算的合力和力矩调整至可实现范围内并进行动态分配。设计滑移率和前轮侧偏角控制器使轮胎摩擦力跟踪各分力,在保证精度的同时避免对车辆后轮侧向力的估计。最后进行了仿真分析与基于LabVIEW PXI和veDYNA的驾驶员在环试验验证。结果表明,基于合力计算与分配的车辆横向稳定性控制可有效地提高车辆轨迹保持能力,改善低附着路面上车辆的稳定性,控制效果优于滑模变结构控制。     

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。     

基于轮胎回正力矩的路面附着系数估计方法

路面附着系数的识别对汽车稳定性控制起着至关重要的作用。轮胎回正力矩能够反映整车及轮胎的运动、受力状况以及路面环境信息,且利用回正力矩能比使用侧向力更早地估计轮-地接触状况。为此,本文设计一种基于轮胎回正力矩的路面附着系数估计方法。首先,基于二自由度车辆模型设计轮胎侧偏角反馈观测器,对轮胎侧偏角进行实时估计;其次,基于轮胎侧偏角和轮胎回正力矩信息设计路面附着系数估计器,构建路面附着系数评估函数;最后,搭建Carsim与Simulink联合仿真平台,仿真结果表明设计的估计算法能够有效地对路面附着系数进行估计。     

基于先验知识的高速公路逃费车辆跟踪算法研究

由于目前部分货车在采用记重收费的高速公路收费站前无序倒车,对高速公路收费站秩序造成较大影响,如何对此类现象进行采证,从而便于处罚和管理,成为一个突出问题.在分析车辆先验知识的基础上,对车辆模型进行了参数化提取,设计了一种基于先验知识的车辆跟踪算法,该算法通过一定的先验知识对车辆目标进行建模,然后在实时的图像序列中通过模型匹配的方法来对车辆进行跟踪,并实时对模型进行连续不断的更新去实现对车辆的匹配跟踪.本文也给出了算法的实现过程,而且对算法进行了实际验证.通过实际试验结果表明,该算法很好的解决了环境中的干扰问题,对收费站前无序行驶车辆的取证提供了良好的技术解决方案,而且本算法对于车辆的遮挡问题也有一定的适应性.     

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题，基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响，建立轮胎侧偏角约束与不同路面附着系数的函数关系；采用遗传算法（GA）优化BP神经网络模型设计路面附着系数估计器，将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中；最后在MPC控制器中建立系统控制量约束、控制增量约束，以及考虑路面附着系数的变侧偏角约束，将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题，实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明，考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性，GA-BP神经网络路面系数估计方法具有很高的估计精度。     

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。     

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。