基于事件触发状态估计的车辆质心侧偏角估计方法及系统

技术领域

本发明涉及车辆质心侧偏角估计领域，特别是涉及一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。

背景技术

车辆质心侧偏角是表征车辆横摆稳定性的重要状态量，主要用于车辆的横摆稳定性判别及稳定性控制系统设计。现有技术中，通常基于多个传感器测得的车辆参数信号以及车辆动力学模型来确定车辆质心侧偏角，该类方法的精度依赖于动力学模型，对模型参数变化的鲁棒性较差。而且，现有技术中并没有基于事件触发状态估计的车辆质心侧偏角估计方法。

发明内容

本发明的目的是提供一种基于事件触发状态估计的车辆质心侧偏角估计方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于事件触发状态估计的车辆质心侧偏角估计方法，包括：

以

在所述迭代中：

当

当ε

当ε

可选的，所述根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的质心侧偏角，具体包括：

根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；

根据β＝ψ-γ

可选的，所述融合GPS的测量数据以及IMU的测量数据对车辆的质心侧偏角进行估计，具体包括：

基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；

基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；

采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；

根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。

可选的，所述基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，具体包括：

根据

可选的，所述方法还包括：对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。

本发明还提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，包括：

卡尔曼滤波模块，用于以

事件触发判别模块，用于在所述迭代中，当

数据融合模块，用于在ε

所述卡尔曼滤波模块还用于在ε

可选的，所述卡尔曼滤波模块中包括：

车辆横摆角计算单元，用于根据所述卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；

车辆质心侧偏角计算单元，用于根据β＝ψ-γ

可选的，所述数据融合模块中包括：

第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；

第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；

车辆速度融合单元，用于采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；

车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。

可选的，所述第二车辆速度确定单元，具体包括：

车辆速度确定子单元，用于根据

可选的，所述第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法及系统定义了事件ε

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的基于事件触发状态估计的车辆质心侧偏角估计方法的流程示意图；

图2为本发明实施例1中车辆航向角、横摆角与质心侧偏角的关系图；

图3为本发明实施例1中车辆侧倾动力学模型的示意图；

图4为本发明实施例1中车辆三自由度模型的示意图；

图5为本发明实施例2提供的基于事件触发状态估计的车辆质心侧偏角估计系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计方法，该方法包括：

以

在所述迭代中：

当

当ε

当ε

本发明定义了事件ε

车辆质心侧偏角的具体估计流程参见图1。质心侧偏角估计可根据事件触发卡尔曼滤波估计架构来实现，具体算法过程如下：

定义状态方程

其中x

预测值和真实值之间的误差协方差矩阵为

P

最优卡尔曼滤波估计为

其中卡尔曼增益为

估计值和真实值之间的误差协方差矩阵

P

事件触发状态估计中的事件定义：

其中τ

测量时间更新

测量值传递

事件触发，卡尔曼滤波估计结果为

其中事件未触发时，GPS输出的航向角等效为车辆的横摆角。事件触发项增益M

M

式中：η

其中：τ

参见图2，计算得到的质心侧偏角为

β

事件触发时，判断GPS航向角是否更新，若GPS航向角更新，则根据式(9)得到卡尔曼滤波估计结果，此时，式(9)中的ε

考虑当ε

其中

而

其中：Ω

其中：

根据引理

其中：

因此，当ε

事件触发增益为

M

以上公式(9)的收敛性证明完毕。

若事件触发时，GPS航向角未更新，根据GPS上一周期更新数据及运动学关系计算质心侧偏角β：基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角，具体算法如下：

由于GPS模块的的更新频率低，常为10-20Hz，而车辆控制周期高，一般为100Hz，甚至200Hz。因此单纯基于GPS模块的输出信号进行质心侧偏角估计满足不了整车控制的需求。提出基于车辆运动学方法，利用GPS与IMU的融合来提高质心侧偏角估计方法的更新频率。

基于图3进行传感器信号校正：由于IMU传感器并非安装在车辆质心，同时，IMU传感器收到车辆侧倾，横摆的综合影响，输出的侧向加速度a

其中：

基于图4所示的三自由度车辆模型，车辆的运动方程为

对上式进行离散化，得到

矩阵中T为系统计算周期，计算周期越小，预测模型精度越高，考虑到控制器运算性能，计算周期通常设为0.01s。

考虑单纯使用加速度积分来进行纵向和侧向速度速度，难以取得理想的预测精度，引入卡尔曼滤波估计器来提升系统精度。

定义状态方程

其中x

预测值和真实值之间的误差协方差矩阵为

P

最优卡尔曼滤波估计为

z

其中：v

卡尔曼增益为

估计值和真实值之间的误差协方差矩阵

P

则基于运动学方法得到的质心侧偏角为

上述算法中，基于运动学模型确定车辆的纵向速度和侧向速度，相较于现有技术中依赖动力学模型的算法，由于本发明无需用到很多车辆参数，因此提供了对模型参数变化的鲁棒性。

本发明提供的基于事件触发状态估计的车辆质心侧偏角估计方法具有以下优势：

(1)本发明基于事件触发状态估计架构对车辆质心侧偏角进行了估计，考虑整体构架的稳定性，相对于传统不考虑整体构架的基于条件的状态估，本发明更稳定。

(2)在GPS信号更新时，基于更新的GPS信号估计车辆质心侧偏角，在GPS信号未更新时，基于MU信号与上一周期更新的GPS信号进行多步车辆质心侧偏角的估计，相对传统基于动力学、运动学-动力学融合的方法，本发明对模型参数变化的鲁棒性更好，精度更高。

(3)使用高更新频率的IMU传感器与低更新频率的GPS模块进行传感器融合，得到高更新频率的质心侧偏角，满足了车辆稳定性控制需求。

实施例2

参见图5，本实施例提供了一种基于事件触发状态估计的车辆质心侧偏角估计系统，该系统包括：

卡尔曼滤波模块501，用于以

事件触发判别模块502，用于在迭代中，当

数据融合模块503，用于在ε

卡尔曼滤波模块501还用于在ε

其中，卡尔曼滤波模块501中包括：

车辆横摆角计算单元，用于根据卡尔曼滤波算法得到的横摆角速度计算车辆的横摆角；

车辆质心侧偏角计算单元，用于根据β＝ψ-γ

数据融合模块503中包括：

第一车辆速度确定单元，用于基于车辆的运动学模型以及IMU测得的横摆角速度、纵向加速度和侧向加速度，确定车辆的纵向速度和侧向速度，记为第一纵向速度和第一侧向速度；

第二车辆速度确定单元，用于基于GPS测得的车辆速度，确定车辆的纵向速度和侧向速度，记为第二纵向速度和第二侧向速度；

车辆速度融合单元，用于采用卡尔曼滤波算法对第一纵向速度和第二纵向速度进行融合，对第一侧向速度和第二侧向速度进行融合；

车辆质心侧偏角计算单元，用于根据融合后得到的纵向速度和侧向速度计算车辆的质心侧偏角。

其中，第二车辆速度确定单元，具体包括：

车辆速度确定子单元，用于根据

第一车辆速度确定单元中包括：IMU侧向加速度校正子单元，用于对IMU测得的侧向加速度进行校正；确定车辆的纵向速度和侧向速度时采用的侧向加速度为校正后的侧向加速度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。