一种考虑参数耦合关系的汽车质量和道路坡度估计方法与流程

本发明属于智能交通领域，具体涉及一种考虑参数耦合关系的汽车质量和道路坡度估计方法。

背景技术

车辆动力学模型参数的实时估计是车辆控制的基础，而汽车质量和道路坡度是车辆动力学模型中的重要参数，准确实时的估计汽车质量和道路坡度可以有效提高车辆动力性和经济性。根据汽车质量在线调整换挡控制策略不仅能够使自动换挡过程中车辆运行更加顺畅,而且还能够得到更为经济的换挡控制策略。基于道路坡度、速度和加速度等信息可以计算出车辆功率系数，由此估计克服空气阻力和滚动阻力所需的发动机功率，从而实现排放控制。但汽车质量和道路坡度在汽车行驶过程中的动力学模型中存在强耦合关系，这严重影响实际驾驶过程中对汽车质量和道路坡度的感知精度。因此，探索一种考虑参数耦合关系的汽车质量和道路坡度的联合估计方法对于提高汽车动力性和燃油经济性具有重要意义。

目前对于汽车质量和道路坡度的获取方法可以分为两类，一类是基于传感器的方法，一类是基于车辆纵向动力学模型的方法。基于传感器的方法是通过在车辆上加装额外的传感器，例如单摆式角位移传感器、惯性导航仪等来直接测出坡度角,再进一步计算车重。例如收集通过加装加速度传感器或者gps全球定位系统等获取的坡度信号，先计算得到道路的坡道角，然后再基于车辆纵向动力学得到车辆的质量。这种方法比较适用于静态条件下如车辆起步时的坡度检测，在常规车辆行驶过程中，受车身纵向加速度、悬架变形和路面颠簸的影响,传感器不能得到路面坡度的正确值，且这些方法对gps信号的品质要求比较高，在使用低成本的gps的情况下难以达到很好的效果。基于车辆纵向动力学或者运动学的识别方法利用车辆的纵向动力学模型加上从汽车can总线上获取的数据(例如发动机扭矩百分比、发动机转速、车速、挡位等信号)来估算未知的系统参数。虽然这方面的方法有很多，但是一个共同的难题在于车辆自身参数(重量等)和外部阻力(坡度)变化的解耦，此外，道路的时变性也增加了估算过程的复杂性。

技术实现要素：

有鉴于此，为了解决上述问题，本发明提供一种考虑参数耦合关系的汽车质量和道路坡度估计方法，该方法对慢变的汽车质量进行最小二乘估计，对快变的的道路坡度进行卡尔曼滤波估计，并通过设计合理步长将两者实现嵌套循环，并考虑汽车质量和道路坡度的参数特性对异常估计值进行滤波处理，从而提高汽车质量和道路坡度的估计精度。

本发明的目的是通过以下技术方案来实现的：本发明提供的一种考虑参数耦合关系的汽车质量和道路坡度估计方法，该方法包括以下步骤：

步骤一、获取车辆状态数据和车辆固有参数并计算获得第k时刻的加速度a以及变速器传动比ig；

步骤二、建立汽车质量模型与道路坡度模型；

步骤三、分别基于汽车质量模型与道路坡度模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型；

步骤四、采用嵌套循环迭代进行汽车质量和道路坡度联合估计。

优选地，该方法还包括步骤五、采用k-means聚类法和中值滤波法进行异常数据处理。

优选地，在所述步骤一中，所述的车辆状态数据至少包括转矩t、汽车行驶速度v和发动机转速n；所述的车辆固有参数至少包括轮胎滚动半径r、主减速器传动比i0、道路滚动阻力系数fr、传动系机械效率η、车辆空气阻力系数cd和车辆正向迎风面积a。

优选地，在所述步骤二中，汽车质量模型为

其中，m为汽车质量、ρ是空气密度、g为重力加速度，i为道路坡度，σ是汽车旋转质量换算系数。

优选地，在所述步骤二中，道路坡度模型为

其中，m为汽车质量，ρ是空气密度，g为重力加速度，i为道路坡度，σ是汽车旋转质量换算系数。

优选地，在所述步骤三中，所述的最小二乘质量估计模型通过以下方法获得：

将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型。

优选地，在所述步骤三中，所述的卡尔曼滤波坡度估计模型通过以下方法获得：

将汽车纵向动力学模型离散化，改写为状态空间方程，基于状态空间方程建立卡尔曼滤波坡度估计模型。

优选地，在所述步骤四中，所述采用嵌套循环迭代进行汽车质量和道路坡度联合估计具体为：

首先以k时刻的汽车质量估计值作为真实质量代入到扩展卡尔曼滤波坡度估计模型中，得到k+1时刻的坡度估计值，然后再基于k+1时刻的坡度估计值通过最小二乘法估计出汽车质量，如此循环往复递推进行估计。

优选地，在所述步骤五中，采用基于滑动窗口的k-means数据异常检测方法对异常的质量估计值进行处理，采取中值滤波法对坡度估计过程中的坡度估计值进行滤波。

由于采用了上述技术方案，本发明具有如下的优点：

本发明能够利用车辆驾驶状态数据，结合最小二乘和卡尔曼滤波各自的优点，对慢变的汽车质量进行最小二乘估计，对快变的道路坡度进行卡尔曼滤波估计，通过嵌套循环迭代的方式实现质量坡度的实时联合估计，并通过k-means聚类法和中值滤波法实现了对联合估计过程中的异常估计结果的筛选处理，提升了汽车质量和道路坡度联合估计的适应性和精度。从而为汽车智能系统提供实时的道路坡度信息和汽车负载情况，为自动驾驶辅助决策、绿色驾驶、及自动变速器换挡控制提供重要的依据，从而实现安全、经济、舒适驾驶。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1是本发明一种考虑参数耦合关系的汽车质量和道路坡度估计方法；

图2是本发明采用的汽车质量和道路坡度嵌套循环联合估计流程图；

图3是本发明采用的消除异常估计值影响的联合估计方案图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明通过ford公司提供的openxc设备采集车辆can总线数据获取汽车行驶状态，运用带滤波处理的最小二乘与卡尔曼滤波结合的嵌套循环估计方法实现汽车质量和道路坡度的联合估计。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。

如图1所示，本实施例提供一种考虑参数耦合关系的汽车质量和道路坡度估计方法，具体包括四个步骤：

下面对四个步骤进行详细的说明：

步骤一：通过汽车can总线数据采集装置获取车辆状态数据，结合车辆状态数据和车辆固有参数，计算模型的其他相关参数。

本实施例采用目前各大汽车厂商采用的can总线数据采集设备，该设备可以连接车内部所具有的控制器、执行器以及传感器，并将数据统一传输到obd-ii接口。于本实施例中，采用美国福特汽车公司提供的openxc插入到obd-ii接口，然后开发基于数据采集软件app，通过蓝牙设备接收实时的车辆状态数据(发动机转矩t、汽车行驶速度v、发动机转速n、油门开度th、刹车信号br、方向盘转角steer、档位信息ge)，存于手机移动终端。

车辆固有参数至少包括轮胎滚动半径r、主减速器传动比i0、道路滚动阻力系数fr、传动系机械效率η、车辆空气阻力系数cd、车辆正向迎风面积a，空气密度ρ。

加速度a可由速度v对时间差分获得，第k时刻的加速度可表示为：

其中,δt为数据采集软件模块的采样周期，v(k)表示第k时刻的车速。

变速器传动比ig的可按照如下计算方式得到，i0为主减速器传动比：

步骤二：建立汽车质量模型与道路坡度模型。

根据汽车理论，汽车纵向动力学模型如下：

σma＝ft-ff-fi-fa

其中，ft为车辆驱动力，ff为滚动阻力，fi为坡度阻力，fa为空气阻力，m为汽车质量。

驱动力对应的关系式为

滚动阻力的计算公式是

fr＝mgfrcosi

由道路设计规范标准可以知道，道路坡度设计中一般不超过10度，因此为了模型简化，可以将cosi近似等于1。坡度阻力的跟重力和坡度大小相关，关系式为

fi＝mgsini

同理可将sini近似为1。空气阻力的计算公式为

由以上式子，即可得到汽车质量和道路坡度与汽车行驶状态数据的关系模型：

经过转换，可以得到汽车质量模型为：

同样，可以得到道路坡度模型为：

步骤三：分别基于汽车质量模型与道路坡度模型，构建最小二乘质量估计模型和卡尔曼滤波坡度估计模型。

1、将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型；

此时将坡度看作已知参数，单独对汽车质量进行最小二乘辨识，根据汽车动力学模型，将车辆纵向动力学模型转化成如下最小二乘形式：

1)建立带遗忘因子的最小二乘辨识模型

在车辆启动后，车辆质量m几乎不变，是一个慢变量，但由于其所处动力学系统是一个时变的系统，旧的数据会带来数据饱和影响辨识结果，需要引入遗忘因子,以突出新的数据，从而加强最小二乘辨识的跟踪能力。

设系统的输入输出关系可以描述成如下的最小二乘形式：

z(k)＝h^t(k)θ+n(k)

其中，z(k)是系统的输出，h(k)是可观测数据向量，n(k)为白噪声，θ为待估计参数，定义准则函数为：

其中，λ(i)为加权函数，λ分别为模型待估参数θ对应的遗忘因子，表示第k时刻的参数估计值，z(i)表示第i时刻的观测值，h(i)表示第i时刻的观测矩阵，λ^k-i表示第i时刻的遗忘因子。

利用序列{z(k)}和{h(k)}，极小化准则函数，即对θ求导，可求得参数θ的最小二乘估计值第k时刻的参数估计值可以表示为：

为了保证车辆质量估计系统能够实时更新估计结果，需将上述估计结果转化为递推形式，得到带多遗忘因子的最小二乘递推估计模型如下：

其中：

i表示单位矩阵，p(k-1)表示第k-1时刻的增益矩阵，λ(k)表示第k时刻的权值。

2)建立带遗忘因子的最小二乘递推质量估计模型

将1)中车辆纵向动力学模型最小二乘形式应用于2)中的最小二乘递推估计模型，则有：

t表示发动机转矩，fr表示滚动阻力系数，i(k)表示第k时刻的道路坡度，将上式带入最小二乘可得带多遗忘因子的最小二乘质量估计模型的递推形式为：

其中，λ分别为两个待估计参数m对应的遗忘因子，取值范围为[0,1)，默认情况下λ取为0.95；

3)将汽车纵向动力学模型离散化，改写为状态空间方程形式，基于状态空间方程建立卡尔曼滤波坡度估计模型。

常规下状态空间描述的表达式为

其中,是指状态变量，u∈r是系统输入，y∈r^m是系统输出，而a∈r^n×n,b∈rⁿ,c∈r^m×n表示系统参数矩阵。假设道路坡度没有发生突变，则状态方程可以描述为

其中,表示速度微分即加速度，i表示道路坡度，表示道路坡度微分。

为了实现道路坡度的实时递推估计，将状态方程离散化

其中v(k+1)表示第k+1时刻的行驶速度，v(k)表示第k时刻的行驶速度，θ(k)表示第k时刻的道路坡度，t(k)表示第k时刻的发动机转矩。

以上是车辆最后实现离散状态空间描述:

其中，s(k)表示第k时刻的位移，v(k)表示第k时刻的行驶速度，i(k)表示第k时刻的道路坡度，δt表示采样时间。

在以上式子中，w(k)和v(k)分别为测量噪声和状态噪声，其相对应的噪声协方差分别为r(k)和q(k)，σ(k)表示第k时刻的汽车旋转质量换算系数。

步骤四：采用嵌套循环迭代进行汽车质量和道路坡度联合估计

质量估计对坡度的变化很敏感，如果在一步内坡度估计不能收敛到正确的值，质量估计就会出错，从而使得整个联合估计不收敛。

在k+1时刻的联合估计中，首先以k时刻的汽车质量估计值作为真实质量代入到扩展卡尔曼滤波坡度估计中，得到k+1时刻的坡度估计值，然后再基于此通过带遗忘因子的最小二乘法估计出汽车质量，如此循环往复递推估计下去。如果每采集到一组数据就可以估计出一个道路坡度，若立即把这个坡度带入到质量估计中，就是估计步长为1的情况，但是由于外部噪声的影响，坡度估计不可避免存在误差，但考虑到坡度变化的连续性，上一时刻估计的坡度值与下一时刻的坡度估计值应该不会出现剧烈的差异，所以本研究考虑在一个预设汽车质量下，通过采集到的t组汽车行驶状态数据，坡度估计会在内循环中单独估计t次，得到一组坡度估计值[i1,i2,...,it]。接下来，基于这t组汽车行驶状态数据，并将[i1,i2,...,it]作为质量最小二乘估计的输入，可以得到一组质量估计值[m1,m2,...,mt]并取得平均值m^*，将其作为下一次外循环坡度估计中新的预设质量，如此循环迭代下去，动态估计出汽车质量和道路坡度，实验表明t＝50时联合估计性能较优。

步骤五：采用k-means聚类法和中值滤波法进行异常数据处理

基于滑动窗口的k-means异常数据检测的算法流程如下，设定数据流的窗口大小为w，基于窗口内的n个数据集，首先随机设定k个初始聚类中心，并基于k-means算法获取k个数据类。其次对于每个聚类进行异常检测，其检测方法包括：

①统计每一簇内的数据xij(i＝1,2,...,k,j＝1,2...,w)的个数，若小于该窗口内数据集的总数n的α倍(α根据经验值事先设定)，则认为该类是异常点集。其公式如下:

w＜αn

②计算每个簇类中的聚类中心点之间的距离，当前类到其他类的平均距离与类和类之间的距离中位数d之比大于β(β为实现设定的常数参数)，则认为该类为异常点集，如下式所示

其中，d(sj,sl)表示第j个聚类中心到第l个聚类中心的距离。

对于检测到的异常质量数据不能作为道路坡度估计模型的数据输入，则需要将异常数据剔除，数据剔除后会带来数据的丢失。由此，必须对异常点修正补偿，本文采用移动加权平均的方法对当前时刻的数据进行数据补偿。

基于移动加权平均方法的基本思想是：基于当前的数据缺失值，取所采集的m个历史数据值，按照时间顺序将历史观测值赋予相应的权重，计算出观测值的加权算术平均数，进而将其填补异常数据点。

式中,xn表示n时刻的状态值，λi是对于m个历史数据的权重，每个权重系数的大小与历史数据对该数据点的价值有关，即数据越新，其对当前数据作用越大，权重值也更大。与此同属。λi满足

坡度估计值中值滤波的基本原理是把坡度估计序列中某一时刻的值用该时刻的一个邻域中各时刻值的中值代替。

对于坡度估计序列[i1,i2,...,it]，取窗口长度为m(m为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数，if-v，…，if-1，…，i1，…，if+1，…，if+v，其中f为窗口的中心位置，再将这m个点按其数值大小排列，取其序号为正中间的那作为输出。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。