四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

路面附着系数对车辆动力学控制性能有重要影响,为准确实时估计路面附着系数,提高算法在不同路面及工况下的估计精度与收敛速度,本文针对分布式四轮驱动车辆,结合7自由度车辆动力学模型和Dugoff轮胎模型,提出了一种基于交互式多模型的自适应无迹卡尔曼滤波（IMM-AUKF）路面附着系数估计方法,首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波（UKF）算法中,构建了自适应无迹卡尔曼滤波（AUKF）观测器,以对测量噪声进行实时更新并保证其协方差矩阵的正定性,同时提高新观测数据的权重,并增强算法的实时跟踪精度和稳定性;然后通过选择不同的观测变量,分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器,并利用交互式多模型（IMM）算法进行观测器模型的切换,进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明,所提出的IMM-AUKF算法相比于传统的UKF算法,具有更高的估计精度与更快的收敛速度,能够适应不同工况下路面附着系数的实时准确估计。     

考虑噪声变化的路面附着系数估计

为提高车辆在不同噪声条件下的路面附着系数估计精度;文章提出了基于鲸鱼优化的无迹卡尔曼滤波（UKF）算法;对噪声协方差矩阵进行实时寻优。采用最优噪声协方差矩阵和 UKF;利用车辆动力学方程进行路面附着系数估计。仿真结果表明;文章所提出的基于鲸鱼优化的 UKF 算法;能够有效提升估计器的鲁棒性和最终路面附着系数估计结果的精度。     

线控转向汽车状态和路面附着系数的联合估计算法

线控转向( SBW)系统采用电子元件代替了转向盘到转向车轮之间的机械连接,其车轮回正力矩较传统汽车更容易获得.本文中通过建立SBW系统动力学模型和利用车轮回正力矩信息,采用双扩展卡尔曼滤波(DEKF)算法对汽车状态和路面附着系数进行联合估计.通过DEKF估算与CarSim仿真结果的对比,验证了联合估计算法的有效性.     

面向汽车纵向安全辅助系统的路面附着系数估计方法

文中通过仿真研究探索了一种基于车轮滑移率的路面附着系数识别方法.首先讨论了有效估计驱动轮滑移率和利用附着系数的途径,然后在此基础上,提出了基于贝叶斯原理的路面附着系数估计迭代算法,并利用车辆动力学软件veDYNA对该算法进行仿真分析.结果表明,在滑移率大于代表不同路面的最小滑移率阈值的工况下,该方法能够快速、准确地捕获路面特征,满足汽车纵向安全辅助系统调整安全策略的需要.     

基于PSO-RF的路面附着系数估计

在利用随机森林算法（RF）进行路面附着系数估计时,存在模型构建过程中特征选择不够优化以及决策树集成的多样性不足等问题。为此,提出一种基于粒子群优化算法（PSO）对RF进行改进的方法,并给出算法流程。建立路面附着系数估计RF模型,使用PSO算法用于优化RF的参数配置,包括每棵树的特征数量、树的数量等关键因素,以增强模型的多样性和泛化能力。最后,在MATLAB/Simulink平台上搭建了联合仿真模型进行试验,对比试验结果表明：基于PSO-RF的随机森林路面附着系数估计方法能够克服传统RF方法中存在的局限性,其估计精度和稳定性均得到显著提升。     

车速和路面附着系数的滚动时域估计

基于Dugoff轮胎模型建立了车辆的非线性动力学方程,并给出了路面附着系数的约束条件.针对车速和路面附着系数约束的非线性估计,提出了一种基于滚动优化原理的滚动时域估计法(MHE),并给出了MHE法的具体步骤.在不同路面上对MHE法进行了多种工况的实验验证,并在同样条件下与扩展Kalman滤波法进行了比较.实验结果表明,MHE法的估计性能优于扩展Kalman滤波法.     

基于四轮轮边驱动电动车的路面附着系数估算方法

路面附着系数是影响车辆行驶安全性的重要因素,利用轮边驱动电动汽车驱动力矩可以对路面利用附着系数进行观测。当观测到μ-λ曲线接近于峰值点时,将该时刻的轮胎利用附着系数作为路面峰值附着系数,并根据识别的路面峰值附着系数进行驱动防滑控制。该方法能够有效防止轮胎滑转,提高车辆行驶稳定性。     

基于Kalman滤波的路面附着系数估计算法综述

实时、准确地获取车辆行驶时的路面附着系数信息对车辆主动安全控制具有重大影响,尤其智能汽车控制策略的设计对获取路面附着系数信息的精准度和实时性提出更高要求.本文基于Kalman滤波原理,针对国内外学者采用此算法的研究现状进行了梳理,总结了路面附着系数估计算法的未来发展趋势,为车辆主动安全控制系统研究提供理论参考.     

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。     

Sideslip estimation for articulated heavy vehicles at the limits of adhesion*

Various active safety systems proposed for articulated heavy goods vehicles (HGVs) require an accurate estimate of vehicle sideslip angle. However in contrast to passenger cars, there has been minimal published research on sideslip estimation for articulated HGVs. State-of-the-art observers, which rely on linear vehicle models, perform poorly when manoeuvring near the limits of tyre adhesion. This paper investigates three nonlinear Kalman filters (KFs) for estimating the tractor sideslip angle of a tractor–semitrailer. These are compared to the current state-of-the-art, through computer simulations and vehicle test data. An unscented KF using a 5 degrees-of-freedom single-track vehicle model with linear adaptive tyres is found to substantially outperform the state-of-the-art linear KF across a range of test manoeuvres on different surfaces, both at constant speed and during emergency braking. Robustness of the observer to parameter uncertainty is also demonstrated.     

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。     

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LO-EKF算法的分布驱动电动汽车状态估计的研究

本文中对分布式驱动电动汽车的状态估计进行研究。首先利用龙伯格状态观测器实时观测对车辆的状态估计影响较大的路面坡度,接着,提出了采用扩展卡尔曼滤波算法,以车辆ESP传感器所获取的数据信息作为观测值,对分布式驱动电动汽车的动力学状态变量进行估计。最后进行Carsim和MATLAB联合仿真。结果表明,基于扩展卡尔曼滤波和龙伯格观测器的车辆状态估计算法能较好的估算出车辆的相关动力学状态值,算法可行,收敛速度较快。     

车速鉴定中轮胎-路面附着系数估算方法研究

在交通事故鉴定中,车辆行驶速度是事故处理和诉讼的重要依据。其中,路面附着系数是事故车速鉴定的重要参数。本文在大量实验数据基础上,拟合出车辆制动过程的特性曲线,并简化出相应的车速估算模型。利用此模型对不同车型、路面类型、湿滑状况和不同车速情况下的路面附着系数e进行了估算研究。经估算实例验证,文中的估算方法对不同状况下的路面附着系数具有较好的估算能力。     

概率匹配和状态预测的不连续空间车辆识别跟踪算法

为了解决交通路段不连续监控区域车辆目标的自动识别跟踪问题,提出了一种不连续空间车辆识别跟踪算法.该算法分为识别阶段和跟踪阶段,识别阶段利用高斯概率密度估计的方法建立前一场景中某个车辆目标的概率函数,再通过概率函数计算出出现在下一场景中的所有车辆的匹配概率,用概率阈值确定是否有车辆与前一场景的车辆目标匹配,匹配的车辆在下一场景中将被标记识别.而在跟踪阶段中车辆的跟踪基于无迹卡尔曼滤波(UKF),通过状态预测同时跟踪不同的车辆目标.该算法可以解决在不同路段的监控视频中自动识别并跟踪肇事潜逃车辆等实际问题.通过试验测试表明,该算法在车辆目标的识别上具有一定的精准性,且能够实现对车辆目标的实时跟踪.     

Effective assessment of tyre–road friction coefficient using a hybrid estimator

Vehicle stability and active safety control depend heavily on tyre forces available on each wheel of a vehicle. Since tyre forces are strongly affected by the tyre–road friction coefficient, it is crucial to optimise the use of the adhesion limits of the tyres. This study presents a hybrid method to identify the road friction limitation; it contributes significantly to active vehicle safety. A hybrid estimator is developed based on the three degrees-of-freedom vehicle model, which considers longitudinal, lateral and yaw motions. The proposed hybrid estimator includes two sub-estimators: one is the vehicle state information estimator using the unscented Kalman filter and another is the integrated road friction estimator. By connecting two sub-estimators simultaneously, the proposed algorithm can effectively estimate the road friction coefficient. The performance of the proposed estimation algorithm is validated in CarSim/Matlab co-simulation environment under three different road conditions (high-μ, low-μ and mixed-μ). Simulation results show that the proposed estimator can assess vehicle states and road friction coefficient with good accuracy.