本發(fā)明屬于分布式電驅(qū)動(dòng)汽車(chē)技術(shù)領(lǐng)域，具體涉及基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法。

背景技術(shù)：

分布式電驅(qū)動(dòng)汽車(chē)采用把電機(jī)直接安裝在四個(gè)車(chē)輪內(nèi)作為驅(qū)動(dòng)執(zhí)行器的動(dòng)力布置形式，與傳統(tǒng)內(nèi)燃機(jī)汽車(chē)相比，具有傳動(dòng)鏈短、傳動(dòng)高效和結(jié)構(gòu)緊湊等突出優(yōu)點(diǎn)，給汽車(chē)動(dòng)力學(xué)控制引入了一種全新的實(shí)現(xiàn)形式，同時(shí)也對(duì)車(chē)輛行駛狀態(tài)參數(shù)的估計(jì)精度和實(shí)時(shí)性提出了更高的要求。對(duì)分布式電驅(qū)動(dòng)汽車(chē)進(jìn)行動(dòng)力學(xué)控制，必須知道車(chē)輛行駛狀態(tài)參數(shù)，以資動(dòng)力學(xué)控制參考。因此，研究分布式電驅(qū)動(dòng)汽車(chē)的動(dòng)力學(xué)控制必須考慮對(duì)其行駛狀態(tài)參數(shù)估計(jì)。

中國(guó)專(zhuān)利CN102343912A公開(kāi)了一種汽車(chē)行駛過(guò)程中的狀態(tài)估計(jì)方法，該發(fā)明引入非完整性約束，進(jìn)而建立速度誤差估計(jì)方程，通過(guò)車(chē)速以及車(chē)輛的三個(gè)姿態(tài)角來(lái)估計(jì)車(chē)輛行駛中側(cè)向以及垂直方向的誤差，建立質(zhì)心側(cè)偏角估計(jì)方程，但該方法需要使用GPS等傳感器，受環(huán)境因素影響較大，成本較高，可靠性不高；中國(guó)專(zhuān)利CN105151047A公開(kāi)了一種汽車(chē)質(zhì)心側(cè)偏角測(cè)量方法，該發(fā)明分別用線性二、三自由度車(chē)輛動(dòng)力學(xué)模型分別估計(jì)得到一個(gè)質(zhì)心側(cè)偏角，然后根據(jù)量測(cè)橫向加速度信息分配兩個(gè)質(zhì)心側(cè)偏角的權(quán)重，最后得到質(zhì)心側(cè)偏角估計(jì)值，但是該方法直接把量測(cè)縱向加速度積分作為縱向車(chē)速，誤差較大；中國(guó)專(zhuān)利CN102556075A提出了一種基于改進(jìn)擴(kuò)展卡爾曼濾波的車(chē)輛運(yùn)行狀態(tài)估計(jì)方法，來(lái)實(shí)現(xiàn)質(zhì)心側(cè)偏角、橫擺角速度和縱向車(chē)速進(jìn)行估計(jì)，可改善汽車(chē)在較高機(jī)動(dòng)運(yùn)行狀態(tài)下?tīng)顟B(tài)的估計(jì)精度，但是引入了輪胎縱向力建模這一非線性較強(qiáng)的因素，而且在極限工況等非線性極強(qiáng)的工況下，該估計(jì)算法仍極有可能發(fā)散，因此可靠性不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法，受環(huán)境因素影響小、成本低、可靠性高，能有效克服上述現(xiàn)有技術(shù)的局限性。

本發(fā)明采用以下技術(shù)方案：

基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法，包括以下步驟：

S1，建立三自由度非線性車(chē)輛動(dòng)力學(xué)模型，三自由度包括縱向、橫向及橫擺；

S2，將三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化；

S3，基于S2中離散化的三自由度非線性車(chē)輛動(dòng)力學(xué)模型，用ICDKF對(duì)分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)進(jìn)行估計(jì)，行駛狀態(tài)參數(shù)包括橫擺角速度γ、質(zhì)心側(cè)偏角β和縱向車(chē)速v_x。

進(jìn)一步，所述非線性車(chē)輛動(dòng)力學(xué)模型的狀態(tài)方程、觀測(cè)方程分別為：

其中：a、b分別是前、后軸到車(chē)輛質(zhì)心的距離；k₁、k₂分別是前、后輪總側(cè)偏剛度；I_z是橫擺慣量；δ是前輪轉(zhuǎn)角，δ_sw是轉(zhuǎn)向盤(pán)轉(zhuǎn)角，i是轉(zhuǎn)向系統(tǒng)傳動(dòng)比；m是整車(chē)質(zhì)量，a_x、a_y分別是車(chē)輛傳感器測(cè)量縱、橫向加速度。

進(jìn)一步，狀態(tài)方程、觀測(cè)方程離散化分別為：

其中：k為迭代次數(shù)，Δt為采樣時(shí)間間隔。

進(jìn)一步，所述用ICDKF對(duì)分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)進(jìn)行估計(jì)的具體過(guò)程為：

S3.1，賦初始值：狀態(tài)變量x＝[γ β v_x]^T和誤差協(xié)方差矩陣P_x的初值分別為：和

S3.2，確定時(shí)間更新Sigma點(diǎn)集其中h為中心差分區(qū)間長(zhǎng)度；

S3.3，時(shí)間更新：將Sigma點(diǎn)通過(guò)三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化狀態(tài)方程F(·)進(jìn)行變換得到狀態(tài)量Sigma點(diǎn)集由變換后的狀態(tài)量Sigma點(diǎn)集計(jì)算狀態(tài)一步預(yù)測(cè)和方差P_k/k-1；

S3.4，測(cè)量更新：由S3.3中得到的狀態(tài)一步預(yù)測(cè)進(jìn)行迭代初始化，然后進(jìn)行迭代循環(huán)，得到估計(jì)狀態(tài)量和誤差協(xié)方差。

更進(jìn)一步，所述S3.4中迭代循環(huán)的具體過(guò)程為：

a)迭代循環(huán)開(kāi)始，構(gòu)造測(cè)量更新Sigma點(diǎn)集：j＝0，1，2…n；

b)將每個(gè)Sigma點(diǎn)通過(guò)三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化觀測(cè)方程H(·)進(jìn)行變換得到觀測(cè)量Sigma點(diǎn)集

c)由變換后的觀測(cè)量Sigma點(diǎn)集計(jì)算得一步預(yù)測(cè)和自協(xié)方差陣和互協(xié)方差陣

d)計(jì)算濾波增益

e)用標(biāo)準(zhǔn)卡爾曼濾波更新公式對(duì)下一時(shí)刻的狀態(tài)量和狀態(tài)量誤差協(xié)方差進(jìn)行更新；

f)得到估計(jì)狀態(tài)量和誤差協(xié)方差，迭代循環(huán)結(jié)束。

更進(jìn)一步，所述標(biāo)準(zhǔn)卡爾曼濾波更新公式為：

本發(fā)明的有益效果是：分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)是一個(gè)非線性濾波問(wèn)題，即從帶有噪聲的非線性觀測(cè)量中估計(jì)時(shí)變的狀態(tài)量。當(dāng)汽車(chē)在極限工況下工作時(shí)，系統(tǒng)的非線性嚴(yán)重、初值估計(jì)誤差較大，系統(tǒng)觀測(cè)性弱。本方法結(jié)合Gauss-Newton迭代方法，并改進(jìn)迭代過(guò)程產(chǎn)生的新息方差和協(xié)方差，通過(guò)重復(fù)利用觀測(cè)信息，有效提高估計(jì)精度；本方法耗費(fèi)計(jì)算量較少，實(shí)時(shí)性好。

附圖說(shuō)明

圖1為三自由度非線性車(chē)輛動(dòng)力學(xué)模型；

圖2為基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)流程圖；

圖3為基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法的實(shí)施示意圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但本發(fā)明的保護(hù)范圍并不限于此。

迭代中心差分卡爾曼濾波(Iterated Central Difference Kalman Filter，ICDKF)是在中心差分卡爾曼濾波的基礎(chǔ)上發(fā)展起來(lái)的一種非線性濾波方法，它結(jié)合Gauss-Newton迭代方法并改進(jìn)迭代過(guò)程產(chǎn)生的新息方差和協(xié)方差，通過(guò)重復(fù)利用觀測(cè)信息，使得狀態(tài)的觀測(cè)更新值代替預(yù)測(cè)值?；诘行牟罘挚柭鼮V波的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法，是基于前輪轉(zhuǎn)向的分布式電驅(qū)動(dòng)汽車(chē)，為滿足汽車(chē)動(dòng)力學(xué)控制中對(duì)車(chē)輛行駛狀態(tài)參數(shù)估計(jì)需要，建立三自由度非線性車(chē)輛動(dòng)力學(xué)模型并離散化，然后利用ICDKF對(duì)離散化的三自由度非線性車(chē)輛動(dòng)力學(xué)模型進(jìn)行濾波估計(jì)。本發(fā)明只需利用轉(zhuǎn)向盤(pán)傳感器、縱橫向加速度傳感器等低成本傳感器采集估計(jì)算法輸入信息，可有效提高估計(jì)精度和估計(jì)收斂速度。

如圖2所示，基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)流程圖(圖中ICDKF算法估計(jì)模塊用于估計(jì)狀態(tài)量及其誤差協(xié)方差)，包括步驟：

S1，建立三自由度非線性車(chē)輛動(dòng)力學(xué)模型，如圖1所示，三自由度包括縱向、橫向及橫擺；

狀態(tài)方程：

觀測(cè)方程：

其中：狀態(tài)變量γ、β、v_x分別是車(chē)輛橫擺角速度、質(zhì)心側(cè)偏角、縱向車(chē)速；a、b分別是前、后軸到車(chē)輛質(zhì)心的距離；k₁、k₂分別是前、后輪總側(cè)偏剛度；I_z是橫擺慣量；δ是前輪轉(zhuǎn)角，δ_sw是轉(zhuǎn)向盤(pán)轉(zhuǎn)角，i是轉(zhuǎn)向系統(tǒng)傳動(dòng)比；m是整車(chē)質(zhì)量，a_x、a_y分別是傳感器測(cè)量縱、橫向加速度。

S2，將三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化；

狀態(tài)方程(1)離散化：

觀測(cè)方程(2)離散化：

其中：k為迭代次數(shù)，Δt為采樣時(shí)間間隔。

S3，基于S2中離散化的三自由度非線性車(chē)輛動(dòng)力學(xué)模型，用ICDKF對(duì)分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)進(jìn)行估計(jì)，行駛狀態(tài)參數(shù)包括橫擺角速度γ、質(zhì)心側(cè)偏角β和縱向車(chē)速v_x。

(1)賦初始值：

狀態(tài)變量x＝[γ β v_x]^T和誤差協(xié)方差矩陣P_x的初值分別為：

(2)確定時(shí)間更新Sigma點(diǎn)集：

其中，h為中心差分區(qū)間長(zhǎng)度，對(duì)于高斯分布而言，其最優(yōu)值為

(3)時(shí)間更新：

將Sigma點(diǎn)通過(guò)三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化狀態(tài)方程F(·)進(jìn)行變換，得到狀態(tài)量Sigma點(diǎn)集

由變換后的狀態(tài)量Sigma點(diǎn)集計(jì)算得狀態(tài)一步預(yù)測(cè)和方差P_k/k-1為：

式中：

(4)測(cè)量更新：

迭代初始化：

迭代循環(huán)：for j＝0:N；

a)構(gòu)造量測(cè)更新Sigma點(diǎn)集：

其中，j＝0，1，2…n；

b)將每個(gè)Sigma點(diǎn)通過(guò)三自由度非線性車(chē)輛動(dòng)力學(xué)模型離散化觀測(cè)方程H(·)進(jìn)行變換，得到觀測(cè)量Sigma點(diǎn)集

c)由變換后的觀測(cè)量Sigma點(diǎn)集計(jì)算一步預(yù)測(cè)和自協(xié)方差陣和互協(xié)方差陣

d)計(jì)算得濾波增益為：

e)使用標(biāo)準(zhǔn)卡爾曼濾波更新公式對(duì)下一時(shí)刻的狀態(tài)和協(xié)方差更新：

j＝j(luò)+1 (19)

f)得到估計(jì)狀態(tài)量和誤差協(xié)方差，迭代循環(huán)結(jié)束。

其中，迭代次數(shù)N取3。

圖3所示為基于ICDKF的分布式電驅(qū)動(dòng)汽車(chē)行駛狀態(tài)參數(shù)估計(jì)算法的實(shí)施示意圖。

以上說(shuō)明僅僅為本發(fā)明的較佳實(shí)施例，本發(fā)明并不限于列舉上述實(shí)施例，應(yīng)當(dāng)說(shuō)明的是，任何熟悉本領(lǐng)域的技術(shù)人員在本說(shuō)明書(shū)的教導(dǎo)下，所做出的所有等同替代、明顯變形形式，均落在本說(shuō)明書(shū)的實(shí)質(zhì)范圍之內(nèi)，理應(yīng)受到本發(fā)明保護(hù)。