一种车辆的纵向车速的估计方法和装置与流程

本发明涉及一种车轮纵向车速估计技术，尤其是车辆的纵向车速的估计方法和装置。

背景技术：

电动汽车具有很好的排放性能，已经得到了广泛应用，电动轮独立驱动的电动车辆具有更高的行驶性能和总体布局优势，电动轮驱动车辆具有轮式车辆的快速行进优势，具备较强的越野能力，是目前各国努力发展的车型之一。通过对各个电动轮的动力输出特性的优化控制，能够实现包括车辆驱动防滑(TSR)、制动防抱死(ABS)和电子稳定控制系统(ESP)等性能。

为了能够实现对多电动轮的优化控制，必须对纵向车速信号进行获取。目前车速的获取主要有直接法和间接法。直接法利用传感器技术，直接测量车辆的行驶速度，如光学传感器、GPS技术等，方法直接、简单，但是成本较高，且受环境条件的影响大。

间接法利用车辆其他传感器获得的信息，建立它们与车速之间的动力学关系，从而估算得到车速。由于间接法成本低、实现方法多样，因此应用广泛。由于轮毂电机的转速可以快速精确地获得，因此间接法尤其适用于电动轮驱动车辆。

一些研究利用非驱动轮的轮速信号来近似估算车速信号，效果较好，但该方法不适用于全轮驱动的车辆；有的研究提出利用轮速信息或车身加速度信息或同时基于这两个信息，通过智能控制算法，来进行车速的估计，如卡尔曼滤波算法、滑模变结构算法、模糊规则算法、递推最小二乘算法等。这些方法从不同的角度采用不同的方法对车速进行估计，更多的在车速估计过程中考虑了非线性特性对车速估计精度的影响，能够得到较高的车速估计数值，但是由于牵涉到较多的非线性运算，实车应用的性能不是很好。

技术实现要素：

本发明要解决的技术问题是，提供一种车辆的纵向车速的估计方法和装置，能够提高车速的估算精度。

为解决上述技术问题，本发明的实施例提供一种车辆的纵向车速的估计方法，包括：

步骤一，获取车辆的带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm；

步骤二，利用第一扩展卡尔曼滤波器，对所述带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm进行滤波去噪处理，生成去噪后的最小或最大轮速值v_we及去噪后的轮胎线加速度值a_we、去噪后的车身加速度值a_xe；

步骤三，通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节，并利用所述第二扩展卡尔曼滤波器，根据所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe，输出当前时刻的车辆纵向速度值v_e。

所述步骤二根据以下公式实现：

其中，ts是采样时间，ξ_vw、ξ_aw和ξ_ax分别是轮胎线速度的系统噪声、轮胎线加速度的系统噪声和车身加速度的系统噪声，λ_vw和λ_ax分别是轮胎线速度的测量噪声和车身加速度的测量噪声。

所述步骤三根据以下公式实现：

v_e,n+1＝v_e,n+T_s(a_xe,n+ξ_vx,n)

v_we,n＝v_e,n+λ_vx,n

其中，ξ_vx是车辆纵向速度的系统噪声，λ_vx是车辆纵向速度的测量噪声。

所述通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节的步骤包括：

通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值。

所述通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值的步骤包括：

获取上一时刻的车辆纵向速度值v_e与去噪后的最小或最大轮速值v_we；

根据公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，计算车轮滑移率s_e：

根据所述车轮滑移率，按照模糊规则策略，调整所述去噪后的最小或最大 轮速值v_we和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值。

所述模糊规则策略为：

当所述车轮滑移率小于阈值时，增大所述去噪后的最小或最大轮速值v_we的权值，减小所述去噪后的车身加速度值a_xe的权值；

当所述车轮滑移率大于或者等于阈值时，增大所述去噪后的车身加速度值a_xe的权值，减小所述去噪后的最小或最大轮速值v_we的权值。

一种车辆的纵向车速的估计装置，包括：

获取单元，获取车辆的带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm；

第一生成单元，利用第一扩展卡尔曼滤波器，对所述带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm进行滤波去噪处理，生成去噪后的最小或最大轮速值v_we及去噪后的轮胎线加速度值a_we、去噪后的车身加速度值a_xe；

第二生成单元，通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节，并利用所述第二扩展卡尔曼滤波器，根据所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe，输出当前时刻的车辆纵向速度值v_e。

所述第二生成单元包括：

调整子单元，通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器算法中的权重值。

所述调整子单元包括：

获取模块，获取上一时刻的车辆纵向速度值v_e与去噪后的最小或最大轮速值v_we；

计算模块，根据所述公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，计算车轮滑移率s_e：

调整模块，根据所述车轮滑移率，按照模糊规则策略，调整所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器算法中的权重值。

所述模糊规则策略为：

当所述车轮滑移率小于阈值时，增大所述去噪后的最小或最大轮速值v_we的权值，减小所述去噪后的车身加速度值a_xe的权值；

当所述车轮滑移率大于或者等于阈值时，增大所述去噪后的车身加速度值a_xe的权值，减小所述去噪后的最小或最大轮速值v_we的权值。

本发明的上述技术方案的有益效果如下：本发明中，获取车辆的带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm；利用第一扩展卡尔曼滤波器，对所述带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm进行滤波去噪处理，生成去噪后的最小或最大轮速值v_we及去噪后的轮胎线加速度值a_we、去噪后的车身加速度值a_xe；通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节，并利用所述第二扩展卡尔曼滤波器，根据所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe，输出当前时刻的车辆纵向速度值v_e，能够提高车速的估算精度。

附图说明

图1是本发明所述的一种车辆的纵向车速的估计方法的流程示意图；

图2是本发明所述的一种车辆的纵向车速的估计装置的连接示意图；

图3是本发明的应用场景中全电动轮驱动车辆整车纵向速度的估算方法的示意图。

图4A和图4B是本发明的应用场景中车辆纵向动力学模型；

图5A和图5B是本发明的应用场景中输入变量的隶属度函数图；

图6A和图6B是本发明的应用场景中输出变量的隶属函数图

图7是本发明的应用场景中系统噪声Q₂的曲面观测图；

图8是本发明的应用场景中测量噪声R₂的曲面观测图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，为本发明所述的一种车辆的纵向车速的估计方法，包括：

步骤11，获取车辆的带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm；

步骤12，利用第一扩展卡尔曼滤波器，对所述带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm进行滤波去噪处理，生成去噪后的最小或最大轮速值v_we及去噪后的轮胎线加速度值a_we、去噪后的车身加速度值a_xe；

步骤13，通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节，并利用所述第二扩展卡尔曼滤波器，根据所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe，输出当前时刻的车辆纵向速度值v_e。

所述步骤12根据以下公式实现：

其中，t_s是采样时间，ξ_vw、ξ_aw和ξ_ax分别是轮胎线速度的系统噪声、轮胎线加速度的系统噪声和车身加速度的系统噪声，λ_vw和λ_ax分别是轮胎线速度的测量噪声和车身加速度的测量噪声。

所述步骤13根据以下公式实现：

v_e,n+1＝v_e,n+T_s(a_xe,n+ξ_vx,n)

v_we,n＝v_e,n+λ_vx,n

其中，ξ_vx是车辆纵向速度的系统噪声，λ_vx是车辆纵向速度的测量噪声。

所述通过模糊控制器，对第二扩展卡尔曼滤波器的估算参数进行实时动态地调节的步骤包括：

通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值。

所述通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值的步骤包括：

获取上一时刻的车辆纵向速度值v_e与去噪后的最小或最大轮速值v_we；

根据公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，计算车轮滑移率s_e：

根据所述车轮滑移率，按照模糊规则策略，调整所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器的算法中的权重值。

所述模糊规则策略为：

当所述车轮滑移率小于阈值时，增大所述去噪后的最小或最大轮速值v_we的权值，减小所述去噪后的车身加速度值a_xe的权值；

当所述车轮滑移率大于或者等于阈值时，增大所述去噪后的车身加速度值a_xe的权值，减小所述去噪后的最小或最大轮速值v_we的权值。

如图2所示，为本发明所述的一种车辆的纵向车速的估计装置，包括：

获取单元21，获取车辆的带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm；

第一生成单元22，利用第一扩展卡尔曼滤波器，对所述带测量噪声的车轮线速度v_wmi和带测量噪声的车速纵向加速度a_xm进行滤波去噪处理，生成去噪后的最小或最大轮速值v_we及去噪后的轮胎线加速度值a_we、去噪后的车身加速度值a_xe；

第二生成单元23，通过模糊控制器，对第二扩展卡尔曼滤波器的估算参 数进行实时动态地调节，并利用所述第二扩展卡尔曼滤波器，根据所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe，输出当前时刻的车辆纵向速度值v_e。

所述第二生成单元23包括：

调整子单元231，通过模糊控制器，调整所述去噪后的最小或最大轮速值v_ωe和去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器算法中的权重值。

所述调整子单元231包括：

获取模块2311，获取上一时刻的车辆纵向速度值v_e与去噪后的最小或最大轮速值v_we；

计算模块2312，根据所述公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，s_e计算车轮滑移率：

调整模块2313，根据所述车轮滑移率，按照模糊规则策略，调整所述去噪后的最小或最大轮速值v_we和所述去噪后的车身加速度值a_xe在第二扩展卡尔曼滤波器算法中的权重值。

所述模糊规则策略为：

当所述车轮滑移率小于阈值时，增大所述去噪后的最小或最大轮速值v_we的权值，减小所述去噪后的车身加速度值a_xe的权值；

当所述车轮滑移率大于或者等于阈值时，增大所述去噪后的车身加速度值a_xe的权值，减小所述去噪后的最小或最大轮速值v_we的权值。

以下描述本发明的应用场景。

本发明提供一种采用电动轮独立驱动电动汽车的纵向车速估算方法，包括了车轮轮速采集装置、车身加速度采集装置，基于车辆轮速信号和车身加速度信号的卡尔曼滤波算法进行电动轮独立驱动电动车辆的纵向速度估计。包括两个扩展卡尔曼滤波器，扩展卡尔曼滤波器1主要负责对车轮轮速采集装置和车身加速度采集装置测量信号进行滤波去噪处理，扩展卡尔曼滤波器2主要负责车辆纵向速度的估算，并通过模糊控制器，对扩展卡尔曼滤波器2的估算参数进行实时动态地调节，调整轮速信号和车身加速度信号在算法中的权重值，实现了估计算法的自适应性。该发明采用成熟传感器技术，实现了独立驱动车辆纵向车速的准确估计方法。

本应用场景为一种全电动轮驱动的车辆整车纵向速度的估算方法，即一种独立电动轮驱动的电动汽车的纵向速度的估计方法，以全电动轮驱动车辆为研究对象，利用车辆可采集的轮速信号和车身加速度信号，设计了基于模糊规则的扩展卡尔曼滤波器，实现对测量信号的滤波去噪处理和纵向车速的估算，通过模糊控制器动态调节滤波器的参数，实现了估计算法的自适应性。

本发明采用的车辆纵向速度的估计算法原理图如图3所示，v_wi、a_x分别是动力学模型输出的各车轮的旋转线速度和车身纵向加速度，分别叠加随机噪声noise_u和noise_a后得到v_wmi和a_xm，以模拟实车上轮速传感器和车辆加速度传感器得到的带有测量噪声的测量值。

基于模糊卡尔曼滤波的车速估计算法包含两个扩展卡尔曼滤波器和一个模糊控制器。

扩展卡尔曼滤波器1(第一扩展卡尔曼滤波器)：主要作用是对带有噪声干扰的测量信号v_wmi和a_xm(旋转线速度和车身纵向加速度)进行滤波处理，得到去噪后的最小或最大轮速值v_we及对应的线加速度值a_we、车身加速度值a_xe：若 a_xe≥0，即车辆在加速状态，则v_we取最小轮速值；反之取最大轮速值。

扩展卡尔曼滤波器2(第二扩展卡尔曼滤波器)：主要作用是根据去噪后的轮速值和车身加速度值，估计当前时刻的车辆纵向速度值v_xe。

在车身估计过程中，根据工况的变化，通过模糊控制器实时调整滤波器2的参数Q₂和R₂，使估算结果更加准确，实现算法的自适应性。

以下具体说明。本发明研究车辆的纵向车速的估计。假设车辆在平直的道路上直线行驶，车辆沿纵向轴线对称，仅考虑车辆的纵向运动，考虑车身俯仰运动，而不考虑车身和车轮的垂向直线运动，忽略空气助力和滚动助力。所建立的模型包含6个自由度：整车纵向速度v，车身俯仰角速度q，四个车轮绕其轮轴的旋转角速度ω_i(i＝1,2,3,4)。

图4A和图4B为车辆的纵向动力学模型，取车辆前进方向为x，车辆左侧为y，垂直xy平面向上为z，俯仰角速度q如图4B所示为正。动力学方程如下：

式中，i＝1,2,3,4，为车轮序号；m是整车质量；m_s是车身质量；I_ys是车身绕y轴的俯仰惯量；I_w是车轮转动惯量；v是车辆纵向速度；q是车身俯仰角 速度；θ是车身俯仰角；ω是车轮旋转角速度；F_x是地面对车轮的切向力；a、b分别是前后轴至质心的距离；h_s是车身质心高度；T_d、T_b分别是驱动力矩和制动力矩；R是车轮半径；F_sf是前轴对车身的作用力；F_sr是后轴对车身的作用力，都可以通过车辆受力情况分析得到。

以车辆静平衡为参考状态，该状态下，前后轴对车身的作用力分别为

车辆俯仰运动时，悬架在垂向有变形，产生附加动态的悬架力，如图4B，Ks和Cs是悬架的刚度和阻尼。前后轴悬架相对于静平衡位置的变形量分别为

Z_f＝a·sinθ；Z_r＝b·sinθ (5)

前后轴悬架附加的变形力分别为

因此，车辆在俯仰运动时，前后轴对车身的作用力分别为

F_sf＝ΔF_sf+F_sf0；F_sr＝ΔF_sr+F_sr0. (7)

各车轮的垂向力分别为

F_zw1＝F_zw2＝0.5·F_zsf+m_wg；F_zw3＝F_zw4＝0.5·F_zsr+m_wg (8)

m_w是轮胎质量。

以下描述扩展卡尔曼滤波器的设计。

假设离散对象的系统状态方程和测量方程分别为：

X_n+1＝A·X_n+B·(U_n+ξ_n) (9)

Y_n＝C·X_n+λ_n (10)

式中，A、B、C分别为系统矩阵、输入矩阵和测量矩阵；X_n、U_n、Y_n分别为n时刻的状态变量列矩阵、输入变量(或控制变量)列矩阵和输出变量(或测量变量)列矩阵；ξ_n和λ_n分别为系统噪声列矩阵和测量噪声列矩阵，假设它们为零均值、独立的高斯分布噪声，其协方差矩阵分别为Q和R。

n为当前采样时刻；n+1为当前采样时刻的下一时刻。

卡尔曼滤波算法基于系统的状态空间表达式(9)、(10)，进行如下时间更新和测量校正运算。时间更新是根据当前采样时刻的估计值X_n预测下一时刻的动态值X_n+1,n：

X_n+1,n＝A·X_n+B·U_n (11)

由于系统噪声ξ_n的存在，上式的结果与真实值存在误差，误差的协方差为：

P_n+1,n＝X_n+1-X_n+1,n＝A·P_n·A^T+Q_n (12)

因此，需要定义增益矩阵K，以校正时间更新中产生的误差：

K_n+1,n＝P_n+1,n·C^T·(C·P_n+1,n·C^T+R_n)^-1 (13)

测量校正是利用增益矩阵和测量变量对初步预测的动态值X_n+1,n进行修正，得到下一时刻估计值X_n+1：

X_n+1＝X_n+1,n+P_n+1,n

＝X_n+1,n+K_n+1(Y_n-C·X_n+1,n) (14)

最后，更新估计误差的协方差,用于下一采样时刻的迭代估算：

P_n+1＝(I-K_n+1·C)·P_n+1,n (15)

I是单位矩阵。

以下描述扩展卡尔曼滤波器的设计。

扩展卡尔曼滤波器1的主要作用是对带有噪声的测量信号u_wmi和a_xm进行滤波去噪处理，并根据车辆的加减速情况输出最小或最大轮速滤波值u_ωe、车轮线加速度值a_we和车身加速度滤波值a_xe。

为了取得稳定的滤波效果，系统噪声和测量噪声的协方差矩阵Q₁和R₁取为定值。对象的离散的状态方程和测量方程为：

扩展扩展卡尔曼滤波器2根据去噪后的最小或最大轮速值v_ωe和车身加速度值a_xe，估算出车辆的前进速度v_e，对应的离散状态方程和测量方程为：

v_e,n+1＝v_e,n+T_s·(a_xe,n+s_ux,n) (18)

v_we,n＝v_e,n+λ_ux,n (19)

其中，λ_ux是车辆纵向速度的测量噪声；s_ux是车辆纵向速度的系统噪声。

加速度a_xe可以认为是滤波器的输入(或控制)变量，轮速V_ωe是滤波器的测量变量。由式(9)～(19)便可以构建扩展扩展卡尔曼滤波器1和2，利用Matlab软件的函数编辑功能，可以方便地编写扩展卡尔曼滤波器的M文件。

以下描述模糊控制器的设计。

为了使算法在不同行驶工况下都具有良好的适应性和估算精度，本发明通过模糊控制器实时调整滤波器的参数Q₂和R₂，一方面进一步补偿滤波器1中的误差，另一方面实时改变轮速信号和加速度信号在估计算法中的权重程度。

如图3所示，模糊控制器的输入为上一时刻的轮速v_ωe、轮线加速度a_we、车身加速度a_xe和反馈的估计车速v_e。

令E_a＝|a_we-a_xe|，表示车身加速度与车轮线加速度之差的绝对值；S_e＝|(v_we-v_e)/max(v_we,v_e)|，表示根据测量的轮速与估算的车速得到的滑转率或滑移率，以它们作为车轮打滑或抱死程度的判定依据。

当车辆在附着系数良好的路面行驶时，车轮不发生打滑或抱死，这种情况下，应增大轮速v_ωe在估计算法中的权值，减小车身加速度a_xe的权值，以避免累积加速度的静态偏差；

当车辆在附着系数低的路面行驶时，车轮容易打滑或抱死，因此应增大车身加速度a_xe的权值，减小轮速v_ωe的权值，实现算法的适应性。

通过模糊控制器实时调整滤波器参数Q₂和R₂，需要进行理论分析和大量仿真试验，以积累足够的专家经验，从而制定模糊规则。模糊规则的输入为E_a和S_e，表1为控制Q₂和R₂的模糊规则表，其中VS、S、M、L分别表示很小、 小、中、大。

表1为模糊规则表。

利用Matlab/Simulink的模糊控制工具箱，可以方便地生成所需的模糊控制器。各输入输出的隶属度函数图如图3所示，图5A和图5B是本发明的应用场景中输入变量的隶属度函数图；图6A和图6B是本发明的应用场景中输出变量的隶属函数图；基于规则表1的输出量Q₂和R₂的曲面观测图如图7和图8所示，模糊控制器的解模糊化方法采用重心法。

本发明中，所建立的系统离散状态方程和测量方程能正确地描述输入输出关系；扩展卡尔曼滤波器1能较好地对带噪的测量信号进行滤波去噪处理，得到的信号平滑且不失真；扩展卡尔曼滤波器2能在模糊控制器的调节作用下，实时准确地估算不同路面条件和行驶工况下的车速。

另外，本发明中，以车身加速度和车轮线加速度的差值、和上一时刻所估算的车速与轮速的差值作为判断车轮滑移状态的依据，并以此作为模糊控制器的输入，所设计的模糊规则能根据车辆的滑移率改变轮速信号和车身加速度信 号在估计算法中的权重值，以实时调整滤波器的参数，使得估计算法具有较强的自适应性。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。