一种车辆状态参数确定方法、装置及汽车与流程

本发明涉及汽车技术领域，特别是指一种车辆状态参数确定方法、装置及汽车。

背景技术：

随着经济水平的提高，越来越多的人购买汽车作为代步工具。因此，汽车已成为人们生活中重要的部分。其中，为促进汽车的智能化，实现基于车辆状态参数对车辆的主动控制，往往需要提前获知一些车辆状态参数。但是，由于某些车辆状态参数传感器价格昂贵或者受技术制约，无法在车辆上批量使用，所以，通过低成本信号传感器，基于相关算法对某些重要的车辆状态参数(如质心侧偏角，横摆角速度，纵向车速等信息)进行估计成为了研究的重点方向之一。

现有的车辆状态参数估计多采用扩展卡尔曼滤波实现，通过对非线性函数在最佳估计点附近进行泰勒级数展开，舍弃高阶分量，将非线性系统模型转化为线性模型，然后再采用经典卡尔曼滤波算法框架进行迭代运算。但是，这种线性化的过程中省略了泰勒展开的高阶项，会引入误差，降低了估计结果的准确性。

技术实现要素：

本发明的目的是提供一种车辆状态参数确定方法、装置及汽车，解决了现有车辆状态参数估计因引入误差准确性低的问题。

为达到上述目的，本发明的实施例提供一种车辆状态参数确定方法，包括：

获取车辆当前的检测参数；

根据预设的车辆模型和所述检测参数，构建车辆状态模型；

根据所述车辆状态模型，调用自适应无迹卡尔曼滤波确定车辆状态参数。

本发明实施例的车辆状态参数确定方法，首先获取车辆当前的检测参数，然后结合预设的车辆模型和所获取的检测参数，构建车辆状态模型，以通过该车辆状态模型了解车辆状态参数和检测参数之间的关系，最终，根据所构建的车辆状态模型，调用自适应无迹卡尔曼滤波，快速精确地确定出车辆状态参数，实现车辆的主动控制。

其中，所述预设的车辆模型为三自由度车辆模型；

所述根据预设的车辆模型和所述检测参数，构建车辆状态模型的步骤，包括：

将所述检测参数代入所述三自由度车辆模型，获得对应所述车辆状态参数的车辆状态模型，所述车辆状态模型包括三自由度整车状态方程及测量方程。

其中，所述检测参数包括：方向盘转角δ、纵向加速度ax和横向加速度ay；所述车辆状态参数包括：横摆角速度γ、质心侧偏角β和纵向速度vx；

所述三自由度整车状态方程包括第一状态方程第二状态方程和第三状态方程vx'＝γβvx+ax，所述三自由度整车测量方程为

γ'为γ的导数，β'为β的导数，vx'为vx的导数，δ为前轮转角，k1和k2为三自由度车辆模型的常数，a为质心到前轮的距离，b为质心到后轮的距离，iz为车辆绕z轴的转动惯量，m为车辆质量。

其中，所述根据所述车辆状态模型，调用自适应无迹卡尔曼滤波确定车辆状态参数的步骤，包括：

在自适应无迹卡尔曼滤波的循环过程中，根据当前采样点组，计算下一循环的预测采样点组和实际采样点组，所述当前采样点组中的每一组采样点中均包括本次循环在所述车辆状态模型中采样获得的初始车辆状态参数；

计算系统残差和卡尔曼增益矩阵；

根据所述系统残差和卡尔曼增益矩阵，更新本次循环的状态估计和协方差矩阵；

将循环结束后，最新获得的状态估计作为所述车辆状态参数。

其中，所述根据当前采样点组，计算下一循环的预测采样点组和实际采样点组的步骤，包括：

根据公式x⁽ⁱ⁾(k+1|n)＝f([k,x⁽ⁱ⁾(k|n)])，得到第k次循环中预测采样点组x⁽ⁱ⁾(k+1|n)，x⁽ⁱ⁾(k|n)]为第k次循环的当前采样点组，n为预设的循环次数，i∈(0，2n)，n为所述车辆状态参数的类型数量，f([k,x⁽ⁱ⁾(k|n)])为三自由度整车状态方程；

根据无迹变换，得到下一循环的实际采样点组x'⁽ⁱ⁾(k+1|n)。

其中，所述计算系统残差和卡尔曼增益矩阵的步骤，包括：

通过公式得到第k次循环中的系统残差sk+1，其中，为第一权值，且λ为缩放比例系数，λ＝a²(n+κ)-n，当i＞3时，κ＝0，当i≤3时，κ＝3-n；rk+1为第k次循环中的预测噪声协方差，

，rk为第k次循环中测量的噪声协方差，为测量变量实际值，y⁽ⁱ⁾k+1|n为测量变量预测值，y⁽ⁱ⁾k+1|n＝h(x'⁽ⁱ⁾k+1|n)，h(x'⁽ⁱ⁾k+1|n)为三自由度整车测量方程，b为遗忘因子，b∈(0.9，1)；

通过公式得到第k次循环中的卡尔曼增益矩阵kk+1，为第k次循环中的状态估计值，

其中，所述根据所述系统残差和卡尔曼增益矩阵，更新所述预测采样点组的状态估计和协方差矩阵的步骤，包括：

通过公式得到更新的状态估计值

通过公式pk+1|n+1＝pk+1|n+kk+1sk+1kk+1^t，得到更新的协方差矩阵pk+1|n+1；

其中，

为第二权值，q为过程噪声协方差矩阵。

为达到上述目的，本发明还提供了一种车辆状态参数确定装置，包括：

获取模块，用于获取车辆当前的检测参数；

模型构建模块，用于根据预设的车辆模型和所述检测参数，构建车辆状态模型；

确定模块，用于根据所述车辆状态模型，调用自适应无迹卡尔曼滤波确定车辆状态参数。

本发明实施例的车辆状态参数确定装置，首先获取车辆当前的检测参数，然后结合预设的车辆模型和所获取的检测参数，构建车辆状态模型，以通过该车辆状态模型了解车辆状态参数和检测参数之间的关系，最终，根据所构建的车辆状态模型，调用自适应无迹卡尔曼滤波，快速精确地确定出车辆状态参数，实现车辆的主动控制。

其中，所述预设的车辆模型为三自由度车辆模型；

所述模型构建模块进一步用于将所述检测参数代入所述三自由度车辆模型，获得对应所述车辆状态参数的车辆状态模型，所述车辆状态模型包括三自由度整车状态方程及测量方程。

其中，所述检测参数包括：方向盘转角δ、纵向加速度ax和横向加速度ay；所述车辆状态参数包括：横摆角速度γ、质心侧偏角β和纵向速度vx；

所述三自由度整车状态方程包括第一状态方程第二状态方程和第三状态方程vx'＝γβvx+ax，所述三自由度整车测量方程为

γ'为γ的导数，β'为β的导数，vx'为vx的导数，δ为前轮转角，k1和k2为三自由度车辆模型的常数，a为质心到前轮的距离，b为质心到后轮的距离，iz为车辆绕z轴的转动惯量，m为车辆质量。

其中，所述确定模块包括：

第一处理子模块，用于在自适应无迹卡尔曼滤波的循环过程中，根据当前采样点组，计算下一循环的预测采样点组和实际采样点组，所述当前采样点组中的每一组采样点中均包括本次循环在所述车辆状态模型中采样获得的初始车辆状态参数；

第二处理子模块，用于计算系统残差和卡尔曼增益矩阵；

更新子模块，用于根据所述系统残差和卡尔曼增益矩阵，更新本次循环的状态估计和协方差矩阵；

第三处理子模块，用于将循环结束后，最新获得的状态估计作为所述车辆状态参数。

其中，所述第一处理子模块包括：

第一处理单元，用于根据公式x⁽ⁱ⁾(k+1|n)＝f([k,x⁽ⁱ⁾(k|n)])，得到第k次循环中预测采样点组x⁽ⁱ⁾(k+1|n)，x⁽ⁱ⁾(k|n)]为第k次循环的当前采样点组，n为预设的循环次数，i∈(0，2n)，n为所述车辆状态参数的类型数量，f([k,x⁽ⁱ⁾(k|n)])为三自由度整车状态方程；

第二处理单元，用于根据无迹变换，得到下一循环的实际采样点组x'⁽ⁱ⁾(k+1|n)。

其中，所述第二处理子模块包括：

第三处理单元，用于通过公式得到第k次循环中的系统残差sk+1，其中，为第一权值，且λ为缩放比例系数，λ＝a²(n+κ)-n，当i＞3时，κ＝0，当i≤3时，κ＝3-n；rk+1为第k次循环中的预测噪声协方差，

，rk为第k次循环中测量的噪声协方差，为测量变量实际值，y⁽ⁱ⁾k+1|n为测量变量预测值，y⁽ⁱ⁾k+1|n＝h(x'⁽ⁱ⁾k+1|n)，h(x'⁽ⁱ⁾k+1|n)为三自由度整车测量方程，b为遗忘因子，b∈(0.9，1)；

第四处理单元，用于通过公式得到第k次循环中的卡尔曼增益矩阵kk+1，为第k次循环中的状态估计值，

其中，所述更新子模块包括：

第五处理单元，用于通过公式得到更新的状态估计值

第六处理单元，用于通过公式pk+1|n+1＝pk+1|n+kk+1sk+1kk+1^t，得到更新的协方差矩阵pk+1|n+1；

其中，其中，

为第二权值，q为过程噪声协方差矩阵。

为达到上述目的，本发明的实施例还提供了一种汽车，包括如上所述的车辆状态参数确定装置。

为达到上述目的，本发明的实施例还提供了一种车辆状态参数确定系统，包括：收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如上所述的车辆状态参数确定方法的步骤。

为达到上述目的，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的车辆状态参数确定方法的步骤。

附图说明

图1为本发明实施例的车辆状态参数确定方法的流程示意图之一；

图2为本发明实施例的车辆状态参数确定方法的流程示意图之二；

图3为本发明实施例的车辆状态参数确定装置的结构示意图；

图4为本发明实施例的车辆状态参数确定系统的结构示意图。

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。

本发明针对现有的车辆状态参数估计采用扩展卡尔曼滤波实现，会引入误差，降低了估计结果的准确性的问题，提供了一种车辆状态参数确定方法，调用自适应无迹卡尔曼滤波进行估计，得到更为准确的估计结果。

如图1所示，本发明实施例的一种车辆状态参数确定方法，包括：

步骤101，获取车辆当前的检测参数；

步骤102，根据预设的车辆模型和所述检测参数，构建车辆状态模型；

步骤103，根据所述车辆状态模型，调用自适应无迹卡尔曼滤波确定车辆状态参数。

通过上述步骤，本发明实施例的车辆状态参数确定方法，首先获取车辆当前的检测参数，然后结合预设的车辆模型和所获取的检测参数，构建车辆状态模型，以通过该车辆状态模型了解车辆状态参数和检测参数之间的关系，最终，根据所构建的车辆状态模型，调用自适应无迹卡尔曼滤波，快速精确地确定出车辆状态参数，实现车辆的主动控制。

本发明实施例中，考虑到处理的实时性，优选的，所述预设的车辆模型为三自由度车辆模型；

步骤102，包括：

将所述检测参数代入所述三自由度车辆模型，获得对应所述车辆状态参数的车辆状态模型，所述车辆状态模型包括三自由度整车状态方程及测量方程。

这里，三自由度车辆模型是指包括车体的纵向位移、横向位移和横摆位移的三自由度分布式驱动电动车辆模型，以便更佳地获取到车辆状态参数和检测参数之间的关系。而在将步骤101获取到的检测参数待如该三自由度车辆模型后，构建出对应车辆状态参数的车辆状态模型：三自由度整车状态方程及测量方程。

具体的，所述检测参数包括：方向盘转角δ、纵向加速度ax和横向加速度ay；所述车辆状态参数包括：横摆角速度γ、质心侧偏角β和纵向速度vx；

所述三自由度整车状态方程包括第一状态方程第二状态方程和第三状态方程vx'＝γβvx+ax，所述三自由度整车测量方程为

γ'为γ的导数，β'为β的导数，vx'为vx的导数，δ为前轮转角，k1和k2为三自由度车辆模型的常数，a为质心到前轮的距离，b为质心到后轮的距离，iz为车辆绕z轴的转动惯量，m为车辆质量。

这里，会将车辆难以检测到的横摆角速度γ、质心侧偏角β和纵向速度vx作为待确定的车辆状态参数，并结合车辆自身设置的检测器件如转向角度传感器、纵向加速度传感器和横向加速度传感器，将便于检测到的方向盘转角δ、纵向加速度ax和横向加速度ay作为检测参数完成车辆状态模型的构建。因此，在构建的车辆状态模型中，则包括有二输入变量、三状态变量和一测量变量。其中，二输入变量使用二维输入向量u表示：u＝[δ，ax]^t；三状态变量使用三维状态向量x表示：x＝[γ，β，vx]^t；测量变量使用一维测量向量z表示：z＝ay。而得到的三自由度整车状态方程包括第一状态方程第二状态方程和第三状态方程vx'＝γβvx+ax，三自由度整车测量方程为

应该知道的是，该实施例中构建的车辆状态模型是基于车辆三自由度动力学平衡方程所得，该车辆三自由度动力学平衡方程包括：

(fxfl+fxfr)cosδ-(fyfl+fyfr)sinδ+fxrl+fxrr＝max(1)

(fxfl+fxfr)sinδ-(fyfl+fyfr)cosδ+fyrl+fyrr＝may(2)

其中，iz为车辆绕z轴的转动惯量，fxfl表示前左车轮纵向力，fxfr表示前右车轮纵向力，fxrl表示后左车轮纵向力，fxrr表示后右车轮纵向力，fyfl表示前左车轮横向力，fyfr表示前右车轮横向力，fyrl表示后左车轮横向力，fyrr表示后右车轮横向力，tf表示前轮轴距，tr表示后轮轴距。通过上述的车辆三自由度动力学平衡方程(1)、(2)和(3)，变换后即可计算得到上述的三自由度整车状态方程及测量方程。

之后，结合自适应无迹卡尔曼滤波的处理过程，如图2所示，步骤103包括：

步骤1031，在自适应无迹卡尔曼滤波的循环过程中，根据当前采样点组，计算下一循环的预测采样点组和实际采样点组，所述当前采样点组中的每一组采样点中均包括本次循环在所述车辆状态模型中采样获得的初始车辆状态参数；

步骤1032，计算系统残差和卡尔曼增益矩阵；

步骤1033，根据所述系统残差和卡尔曼增益矩阵，更新本次循环的状态估计和协方差矩阵；

步骤1034，将循环结束后，最新获得的状态估计作为所述车辆状态参数。

这样，按照上述步骤1031和步骤1034，在经步骤102构建出车辆状态模型后，就能够在自适应无迹卡尔曼滤波的循环过程中，根据当前采样点组，先计算下一循环的预测采样点组和实际采样点组，然后计算得到系统残差和卡尔曼增益矩阵，之后再根据所得的系统残差和卡尔曼增益矩阵更新该预测采样点组的状态估计和协方差矩阵，最终，在循环结束后，即可将最新获得的状态估计作为该车辆状态参数。

还应该知道的是，自适应无迹卡尔曼滤波往往通过如下变换得到2n+1个采样点组(n为车辆状态参数的类型数量，在该实施例中，因车辆状态模型的三状态变量，优选的n＝3)：

式中，xsigma⁽ⁱ⁾表示本次循环的当前第i个采样点，在该实施例中因车辆状态参数包括：横摆角速度γ、质心侧偏角β和纵向速度vx，将包括7个采样点组，每组采样点中包括γ、β和vx3个数据，则xsigma⁽ⁱ⁾即可表示第i个横摆角速度采样点γsigma⁽ⁱ⁾、第i个质心侧偏角采样点βsigma⁽ⁱ⁾和第i个纵向速度采样点vxsigma⁽ⁱ⁾。表示对应当前车辆状态参数的类型的采样点均值，p表示对应当前车辆状态参数的类型的采样点协方差，λ为缩放比例系数。

对应的采样点的第一权值可通过公式计算获得，而第二权值可通过公式计算获得。这里，第一权值对应均值，第二权值对应协方差，α的取值可以控制采样点的分布状态，参数κ自主选择，选择时需要注意通常应确保矩阵(n+λ)p为半正定阵；当i＞3时，κ＝0，当i≤3时，κ＝3-n；η取值大于等于0，能够合并方程高阶项动差，在扩展卡尔曼滤波中被忽略的高阶项在此可以被包括在内，根据大量的经验，在正态分布时取η＝2效果较好。因此，第k次循环中当前采样点组取值可由如下公式(7)表示：

而对应当前采样点组，具体的，步骤1031包括：

根据公式x⁽ⁱ⁾(k+1|n)＝f([k,x⁽ⁱ⁾(k|n)])，得到第k次循环中预测采样点组x⁽ⁱ⁾(k+1|n)，x⁽ⁱ⁾(k|n)]为第k次循环的当前采样点组，n为预设的循环次数，i∈(0，2n)，n为所述车辆状态参数的类型数量，f([k,x⁽ⁱ⁾(k|n)])为三自由度整车状态方程；

根据无迹变换，得到下一循环的实际采样点组x'⁽ⁱ⁾(k+1|n)。

按照上述步骤，在经公示(7)得到第k次循环的当前采样点组后，即可由公式x⁽ⁱ⁾(k+1|n)＝f([k,x⁽ⁱ⁾(k|n)])，得到第k次循环中预测采样点组x⁽ⁱ⁾(k+1|n)。这里，结合上述内容，f([k,x⁽ⁱ⁾(k|n)])作为三自由度整车状态方程，在针对不同状态变量计算时，可分别对应第一状态方程、第二状态方程、第三状态方程。而经公示(7)执行k+1次循环，则得到对应第k次循环的当前采样点组的下一循环的实际采样点组x'⁽ⁱ⁾(k+1|n)。

假设在第k次循环中，针对当前采样点组中的横摆角速度采样点组γ⁽ⁱ⁾(k|n)，对应的预测采样点为x⁽ⁱ⁾(k+1|n)＝γ⁽ⁱ⁾(k+1|n)，对应的下一循环的实际采样点组为x'⁽ⁱ⁾k+1|n＝γ'⁽ⁱ⁾(k+1|n)。

进一步具体的，步骤1032包括：

通过公式得到第k次循环中的系统残差sk+1，其中，为第一权值，且λ为缩放比例系数，λ＝a²(n+κ)-n，当i＞3时，κ＝0，当i≤3时，κ＝3-n；rk+1为第k次循环中的预测噪声协方差，

，rk为第k次循环中测量的噪声协方差，为测量变量实际值，y⁽ⁱ⁾k+1|n为测量变量预测值，y⁽ⁱ⁾k+1|n＝h(x'⁽ⁱ⁾k+1|n)，h(x'⁽ⁱ⁾k+1|n)为三自由度整车测量方程，b为遗忘因子，b∈(0.9，1)；

通过公式得到第k次循环中的卡尔曼增益矩阵kk+1，为第k次循环中的状态估计值，

这里，将根据公式计算第k次循环中的sk+1，并根据公式进一步得到kk+1。通过系统测量噪声估计器即公式能够对系统残差进行修正，从而得到更精确的卡尔曼增益矩阵。

其中，y⁽ⁱ⁾k+1|n为测量变量预测值，可由公式y⁽ⁱ⁾k+1|n＝h(x'⁽ⁱ⁾k+1|n)得到，而h(x'⁽ⁱ⁾k+1|n)为三自由度整车测量方程。即在第k次循环中再一次运用无迹变换经公式(7)得到新的采样点组x'⁽ⁱ⁾k+1|n后，将每组采样点代入三自由度整车测量方程中，就能够计算出新的采样点的测量变量预测值y⁽ⁱ⁾k+1|n也就是ay⁽ⁱ⁾k+1|n。但是，由上述内容已知，横向加速度ay将能够通过车辆上的传感器检测到即测量变量实际值也就是所以，就能够依据实测和预测之间的差距进行修正处理。

下一步，步骤1033包括：

通过公式得到更新的状态估计值

通过公式pk+1|n+1＝pk+1|n+kk+1sk+1kk+1^t，得到更新的协方差矩阵pk+1|n+1；

其中，

为第二权值，q为过程噪声协方差矩阵。

可见，在获取到更为精确的卡尔曼增益矩阵后，就能够按照公式更新状态估计值，以及用于下一循环中的协方差矩阵。进而在循环结束时，就能够以最新更新的状态估计值作为车辆状态参数的取值。

综上所述，本发明实施例的车辆状态参数确定方法，首先获取车辆当前的检测参数，然后结合预设的车辆模型和所获取的检测参数，构建车辆状态模型，以通过该车辆状态模型了解车辆状态参数和检测参数之间的关系，最终，根据所构建的车辆状态模型，调用自适应无迹卡尔曼滤波，快速精确地确定出车辆状态参数，实现车辆的主动控制。

如图3所示，本发明的实施例还提供了一种车辆状态参数确定装置，包括：

获取模块301，用于获取车辆当前的检测参数；

模型构建模块302，用于根据预设的车辆模型和所述检测参数，构建车辆状态模型；

确定模块303，用于根据所述车辆状态模型，调用自适应无迹卡尔曼滤波确定车辆状态参数。

其中，所述预设的车辆模型为三自由度车辆模型；

所述模型构建模块进一步用于将所述检测参数代入所述三自由度车辆模型，获得对应所述车辆状态参数的车辆状态模型，所述车辆状态模型包括三自由度整车状态方程及测量方程。

其中，所述检测参数包括：方向盘转角δ、纵向加速度ax和横向加速度ay；所述车辆状态参数包括：横摆角速度γ、质心侧偏角β和纵向速度vx；

所述三自由度整车状态方程包括第一状态方程第二状态方程和第三状态方程vx'＝γβvx+ax，所述三自由度整车测量方程为

γ'为γ的导数，β'为β的导数，vx'为vx的导数，δ为前轮转角，k1和k2为三自由度车辆模型的常数，a为质心到前轮的距离，b为质心到后轮的距离，iz为车辆绕z轴的转动惯量，m为车辆质量。

其中，所述确定模块包括：

第一处理子模块，用于在自适应无迹卡尔曼滤波的循环过程中，根据当前采样点组，计算下一循环的预测采样点组和实际采样点组，所述当前采样点组中的每一组采样点中均包括本次循环在所述车辆状态模型中采样获得的初始车辆状态参数；

第二处理子模块，用于计算系统残差和卡尔曼增益矩阵；

更新子模块，用于根据所述系统残差和卡尔曼增益矩阵，更新本次循环的状态估计和协方差矩阵；

第三处理子模块，用于将循环结束后，最新获得的状态估计作为所述车辆状态参数。

其中，所述第一处理子模块包括：

第一处理单元，用于根据公式x⁽ⁱ⁾(k+1|n)＝f([k,x⁽ⁱ⁾(k|n)])，得到第k次循环中预测采样点组x⁽ⁱ⁾(k+1|n)，x⁽ⁱ⁾(k|n)]为第k次循环的当前采样点组，n为预设的循环次数，i∈(0，2n)，n为所述车辆状态参数的类型数量，f([k,x⁽ⁱ⁾(k|n)])为三自由度整车状态方程；

第二处理单元，用于根据无迹变换，得到下一循环的实际采样点组x'⁽ⁱ⁾(k+1|n)。

其中，所述第二处理子模块包括：

第三处理单元，用于通过公式得到第k次循环中的系统残差sk+1，其中，为第一权值，且λ为缩放比例系数，λ＝a²(n+κ)-n，当i＞3时，κ＝0，当i≤3时，κ＝3-n；rk+1为第k次循环中的预测噪声协方差，

，rk为第k次循环中测量的噪声协方差，为测量变量实际值，y⁽ⁱ⁾k+1|n为测量变量预测值，y⁽ⁱ⁾k+1|n＝h(x'⁽ⁱ⁾k+1|n)，h(x'⁽ⁱ⁾k+1|n)为三自由度整车测量方程，b为遗忘因子，b∈(0.9，1)；

第四处理单元，用于通过公式得到第k次循环中的卡尔曼增益矩阵kk+1，为第k次循环中的状态估计值，

其中，所述更新子模块包括：

第五处理单元，用于通过公式得到更新的状态估计值

第六处理单元，用于通过公式pk+1|n+1＝pk+1|n+kk+1sk+1kk+1^t，得到更新的协方差矩阵pk+1|n+1；

其中，其中，

为第二权值，q为过程噪声协方差矩阵。

可见，本发明实施例的车辆状态参数确定装置，首先获取车辆当前的检测参数，然后结合预设的车辆模型和所获取的检测参数，构建车辆状态模型，以通过该车辆状态模型了解车辆状态参数和检测参数之间的关系，最终，根据所构建的车辆状态模型，调用自适应无迹卡尔曼滤波，快速精确地确定出车辆状态参数，实现车辆的主动控制。

需要说明的是，该装置是应用了上述车辆状态参数确定方法的装置，上述车辆状态参数确定方法的实施例的实现方式是适用于该装置，也能达到相同的技术效果。

本发明的实施例还提供了一种汽车，包括如上所述的车辆状态参数确定装置。

需要说明的是，该汽车是应用了上述车辆状态参数确定装置的汽车，上述车辆状态参数确定装置的实施例的实现方式是适用于该汽车，也能达到相同的技术效果。

如图4所示，本发明的实施例还提供了一种车辆状态参数确定系统，包括：收发器410、存储器420、处理器430及存储在所述存储器420上并可在所述处理器430上运行的计算机程序；所述处理器430执行所述计算机程序时实现上述车辆状态参数确定方法的认证方法。

本发明的另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的车辆状态参数确定方法的步骤。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

进一步需要说明的是，此说明书中所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。

本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。

实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。

在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(vlsi)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。

上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。

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。