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。     

基于自适应扩展卡尔曼滤波算法的道路纵向坡度估计

车辆在长下坡路段行驶过程中,道路纵向坡度对汽车纵向受力分析时尤为重要,当道路坡度过大会时会影响汽车的行驶安全性。然而道路纵向坡度很难通过传感器直接测量获得,实时获取道路纵向坡度可以为优化车辆长大下坡提供依据,文章提出基于自适应扩展卡尔曼滤波算法实时估计道路纵向坡度,并进行仿真试验,结果表明,此方法有很强的准确性和实时性。     

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。     

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.     

自动驾驶汽车状态估计的矩阵加权自适应扩展卡尔曼滤波方法

针对自动驾驶汽车状态和故障估计问题,基于自适应扩展卡尔曼滤波（AEKF）理论提出了一种矩阵加权多传感器信息融合估计方法。首先,将自动驾驶汽车运动学模型进行离散化处理;然后,以极小化多传感器量测估计误差向量均方和为目标,采用拉格朗日极值求解方法设计了矩阵加权多传感器信息融合方法;最后,在低精度传感器、高精度传感器、融合估计3种条件下仿真验证该方法的正确性。结果表明,与单个传感器情形相比较,所提出的方法能较好地估计自动驾驶汽车的位置、航向角、速度信息以及执行机构故障信息,为自动避障、自动泊车等精准测控任务提供参考。     

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。     

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.     

一种基于车辆运动状态估计的商用车侧翻预警方法

以商用车侧翻预警系统的开发为目标,提供一种实用的侧翻预警方法,提高车辆安全性。分析具备应用条件的车辆传感器,通过侧翻特性和侧翻相关车辆状态响应特性的分析,提出基于车速和转向的侧向运动状态估计方法,并设计基于转向盘转角和侧向加速度的侧翻预警融合算法,用于侧翻预警系统开发。     

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。     

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。     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数,进一步提高观测路面附着系数算法的精度和收敛速度,结合非线性车辆动力学模型和轮胎力修正模型,搭建分布式驱动电动汽车联合仿真平台,提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器,应用协方差匹配判据对观测器发散趋势进行判别,设计自适应加权系数修正预测协方差,以增强新近观测数据的利用率;同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计,抑制观测器的记忆存储长度,调整过程噪声和测量噪声的均值与协方差,提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验,并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下,所设计的算法估计误差可控制在0.64%以内;低附着路面条件下,所设计的算法估计误差可控制在1.03%以内;对开路面条件下估计误差可控制在1.26%以内;自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快,具有更高的估计精度和较强的自适应能力,估计结果整体上维持稳定,能够适应各种不同路面的估计。     

基于模糊逻辑的车辆侧偏角估计方法

提出了一种基于模糊逻辑的汽车侧偏角估计方法。它利用模糊逻辑和汽车运动学模型,将汽车转向盘转角、车轮转速、汽车加速度和横摆角速度信息相融合,进行车辆侧偏角估计。试验结果显示,该方法的鲁棒性和精确性较好,而且响应频率较高,可以满足ESP的控制需要。     

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。     

基于混合神经网络的汽车运动状态估计

针对现有车辆运动状态估计算法严重依赖动力学模型精度且在大的质心侧偏角工况下准确性难以保障的问题,本文提出了一种基于混合神经网络的车辆运动状态估计算法。通过分析车辆本身的动力学基本特性,设计了适合于车辆运动状态估计的HNN混合神经网络架构,实现了车辆运动状态的深度学习估计。基于多个标准工况组成的数据集与典型实车测试工况进行了网络训练与测试验证。结果表明,相比于传统算法,本算法基于神经网络实现了精准的无动力学模型的汽车运动状态估计,提高了估计精度,且对路面附着系数变化具有鲁棒性。     

基于模糊自适应PID的智能车辆路径跟踪控制

选取车辆当前位姿和参考位姿来构造车辆的动态位姿误差,建立车辆路径跟踪闭环控制系统的Simulink仿真模型,并设计了模糊自适应PID控制器,利用模糊推理的方法,对PID控制器的参数进行自动调整。利用常规PID和模糊自适应PID控制算法分别进行仿真实验。仿真结果表明,模糊自适应PID改善了控制器的动态性能且具有较好的自适应能力。