行驶汽车中若干关键状态和参数估计研究

准确而实时的获取汽车行驶过程中的状态信息是汽车动态控制系统研究的关键问题，也是实现闭环反馈控制的前提和必要条件。本课题针对汽车的关键状态和参数的实时估计算法进行理论研究。将模糊卡尔曼滤波算法运用到汽车的侧偏角估计当中；将粒子滤波方法运用到汽车状态估计当中；提出一种新的双重扩展自适应卡尔曼滤波算法，并将其运用到汽车的状态和参数的并行估计之中；利用汽车动力学模型对路面附着系数进行实时在线估计；对轮胎瞬时等效侧偏刚度进行在线估计。该研究不仅可以为汽车动态控制系统中的关键状态变量的信息获取技术提供软件基础和理论指导，而且能够达到降低测试成本和实现测量通用灵活性的工程应用目的。

准确而实时的获取行驶过程中的状态信息是汽车稳定性控制系统研究的关键问题。本项目在充分调研国内外汽车状态估计领域最新研究现状的基础上，针对汽车的若干重要关键状态和参数的估计方法进行了深入系统的研究，主要工作如下：.（1）总结归纳了汽车质心侧偏角估计领域最新的国内外研究进展并提出了发展展望；.（2）分别采用Unscented卡尔曼滤波（UKF）算法、粒子滤波（PF）算法、非追踪粒子滤波（UPF）算法对汽车进行多个关键状态量估计，对各算法的计算效率和精度进行了比较分析。.（3）通过滑模观测器和卡尔曼滤波器相结合对汽车轮胎纵向力进行了估计，在此基础上通过带遗忘因子的递推最小二乘算法（RLS）和CUSUM变化检测算法对路面附着系数进行了估计。通过建立虚拟路面测试环境，验证了提出的方法对不同附着条件下的路面进行附着系数估计的可靠性和有效性。.（4）结合Pacejka89轮胎力学模型和UKF、UPF算法对轮胎纵向力和滑移率进行了估计，进而得到了不同附着系数路面条件下的Slip-slope（ 曲线斜率），建立了几种典型路面附着系数与Slip-slope之间的映射关系。.（5）提出将扩展卡尔曼滤波（EKF）与递推最小二乘（RLS）相结合的算法，并将其运用到汽车状态与参数并行估计当中。将EKF状态估计与RLS参数辨识联合运算，在参数辨识中设置合理的判断条件，可以实现初始不准确整车质量下的汽车状态的精确估计。该算法可以实现汽车状态估计与质量辨识同时收敛的目的。.（6）提出将S-修正AKF与模糊卡尔曼滤波相结合进行汽车关键状态估计。两种方法结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度。.（7）提出一种汽车双参数联合辨识方法。该方法基于两个串行的递推最小二乘法(RLS)，以汽车出厂初始参数为串行RLS辨识算法的初始值，结合蛇行试验辨识质心位置，以辨识所得的质心位置结合双移线试验辨识整车质量，以辨识所得质量序列方差作为门槛值，通过有限次的递推循环,可以使得汽车整车质量、质心至前轴距离两参数的相对误差收敛到3%以内。.（8）提出了一种新的双重非追踪粒子滤波（DUPF）算法。该算法采用并行的两个UPF滤波器，状态估计和参数估计相互更新。虚拟试验和实车试验结果显示该算法对于不准确模型参数具有较好的修正能力。

内容获取失败，请点击重试