一种基于信息融合的汽车道路坡度估计方法

1.本发明涉及一种汽车用道路坡度识别方法，特别涉及一种运动学与动力学多方法融合的道路坡度实时估计方法。


背景技术：

2.坡度作为车辆行驶状态参数重要组成部分之一，对车辆稳定性以及经济性控制十分重要。在实际驾驶过程中，道路坡度直接影响车辆的行驶状态以及驾驶员的行为操作，而精度较高的坡度估计结果可以为车辆控制提供保障。
3.目前坡道识别的研究主要采用传感器直接采集相关的数据，再经过数学算法得到道路坡度估计结果。但是在实际应用中，传感器精度容易受到环境影响而出现误差，进而导致估计结果错误。同时，部分高精度传感器价格高昂故不适合量产使用，所以利用车辆标准配置的传感器信息估计出汽车坡度是当前的主要问题。
4.近年来，为应对车辆实际控制需求，国内学者对车辆坡度估计进行了一系列研究。如中国专利公布号为cn113978473a，公布日为2022-01-28，公开了一种车辆质量与道路坡度估计方法，该方法融合整车质量与道路坡度的纵向动力学模型和关于道路坡度的纵向运动学模型，在预测整车质量估计值和道路坡度估计值的时候能够同时综合两者情况进行估计。中国专利公布号cn111391857b，公布日为2021-08-06，公开了一种分布式驱动电动汽车坡度估计方法及系统。该系统采用卡尔曼滤波算法对车辆的纵向加速度进行滤波，根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。然而，现有专利的主流方法中，采用多传感器的复杂方法安装成本较高，标定量较多，实际应用困难；采用常规传感器的方法容易忽略原始信号处理部分，同时没有将车辆总线上的信号充分利用起来，导致估计精度较低。针对车辆坡度估计目前存在的问题，制定相应的高实时性、高精度、低成本且具有很好工况适应性的坡度估计方法，对车辆稳定性以及经济性控制有十分重要的意义。


技术实现要素：

5.本发明旨在解决现有汽车坡度估计方法无法同时兼顾成本低、标定难度低、精度高、和实时性强的问题，提出了一种基于信息融合的汽车道路坡度估计方法。
6.为解决上述技术问题，本发明是采用如下技术方案实现的：包括下列步骤：
7.第一步，从车辆总线获取必要信号
8.首先确定坡度估计所需信号：由惯性传感器所获得的车辆x，y，z三个方向的加速度ax
sensor
,ay
sensor
,az
sensor
；车辆速度v；车辆当前挡位信息；发动机输出扭矩t
tq
；车辆此时总质量m；车辆车轮总制动力f
brk
。
9.第二步，对第一步获取的信号进行处理
10.对于来自传感器采集得到的原始信号，由于车辆换挡及加减速等行为，存在尖点以及毛刺等不正确的信息，需要对其进行初步处理，去除部分失真信息以及错误信息。
11.利用来自总线的信号进行计算，获得无法直接观测的所需数据，包括：重力加速度
g；车辆变速箱传动比ig；传动系统传动效率η；滚动阻力系数f；车辆加速度a。
12.其中，重力加速度g的数值在车辆行驶过程中与地理位置相关，因此在使用重力加速度g前需要重新对其进行计算，其具体计算公式为：
[0013][0014]
车辆变速箱传动比ig与传动系统传动效率η通过查表进行求解，滚动阻力系数f使用轮胎滚动阻力系数经验公式计算；车辆加速度a由车速v求导计算。
[0015]
第三步，建立车辆纵向动力学模型和纵向运动学模型
[0016]
根据第一步以及第二步的参数建立整车的纵向动力学模型和关于道路坡度的纵向运动学模型。
[0017]
其中，纵向动力学模型具体为：
[0018][0019]
式中，r——车轮半径
[0020]
α——车辆此时所处的道路坡度
[0021]cd
——空气阻力系数
[0022]
a——车辆迎风面积
[0023]
δ——车辆旋转质量换算系数
[0024]
其中，纵向运动学模型具体为：
[0025]
ax
sensor
＝a+gsinα
ꢀꢀ
(3)
[0026]
第四步，分别基于纵向动力学模型与纵向运动学模型对道路坡度进行估计
[0027]
根据第三步的纵向动力学模型，利用非线性观测器求解，获得基于动力学的坡度估计值α1；根据第三步的纵向运动学模型，利用带遗忘因子的递归最小二乘法求解，获得基于运动学的坡度估计值α2。
[0028]
第五步，融合两种坡度信息
[0029]
设置随速度变化而发生改变的权值，融合两类坡度信息α1和α2，得到最终道路坡度估计值作为最终的坡度估计值输出。
[0030]
本发明第二步中，对于获取信号进行处理是指：
[0031]
针对存在较多尖点以及不稳定的传感器原始信号，需要进行如下处理：原始信号低通滤波处理；信号数值限制；信号变化率限制。
[0032]
低通滤波公式为：
[0033]
x(k)＝(1-alpha)
·
a(k)+alpha
·
x(k-1)
ꢀꢀ
(4)
[0034]
式中，x(k)——第k次低通滤波器输出
[0035]
alpha——低通滤波系数
[0036]
数值限制公式为：
[0037][0038]
式中，x——待处理信号
[0039]
x
max
——数值限制最大值
[0040]
x
min
——数值限制最小值
[0041]
变化率限制公式为：
[0042][0043]
式中，k——待处理信号变化率
[0044]kmax
——变化率限制最大值
[0045]kmin
——变化率限制最小值
[0046]
本发明第四步中，非线性观测器求解是指：
[0047]
考虑到车辆纵向动力学方程的非线性，故选择非线性观测器观测坡度值；根据车辆纵向动力学模型，选取车辆纵向速度的测量值与纵向速度的估计值的差值作为校正项，列出其非线性全维状态观测器为：
[0048][0049][0050]
式中，——车速估计值
[0051]
k——观测器增益系数
[0052]
本发明第四步中，带遗忘因子的递归最小二乘法是指：
[0053]
将公式(3)移向变为为如下形式：
[0054]
gsinα＝ax
sensor-a
ꢀꢀ
(8)
[0055]
因此可将坡度估计值作为系统辨识问题求解，其中坡度正弦值sinα作为系统待辨识参数θ，g项作为观测输入ax
sensor-a项作为输出y。
[0056]
利用带遗忘因子的递推最小二乘法进行坡度，利用递推公式进行求解：
[0057][0058]
式中，kn——n时刻增益系数
[0059]
pn——n时刻协方差
[0060]
λ——遗忘因子
[0061]
最终求得基于运动学的坡度估计值α2；
[0062]
本发明第五步中，信息融合是指：
[0063]
依据车辆行驶速度设置比例系数，完成动力学与运动学之间的信息融合工作，其公式如下：
[0064][0065]
式中，k1——α1的融合权值系数
[0066]
k2——α2的融合权值系数
[0067]
k1，k2具体求解过程如下：
[0068][0069]
k2＝1-k1ꢀꢀ
(10)
[0070]
式中，a，b——k1多项式系数，需保证时k1＝m
[0071]vre
f——参考门限车速，可根据实际车辆间的差异进行标定
[0072]
m——k1取值范围最大值，可根据实际车辆间的差异进行标定
[0073]
通过该方法，可以保证随车速变化两种估计方法所占比例变化，得到的最终结果更加可靠。
[0074]
与现有技术相比本发明的有益效果是：
[0075]
1.本发明所述的一种基于信息融合的汽车道路坡度估计方法是建立在运动学与动力学多信息融合的估计方法，无需使用成本高昂的高精度传感器，且能够保证坡度估计在实际工作中的实时性以及精度需求；
[0076]
2.本发明所述的一种基于信息融合的汽车道路坡度估计方法可以根据车速调节动力学估计结果以及运动学估计结果的权值，提升了坡度估计方法的工况适应性，因此基于两种信息融合的坡度信息更加可靠；
[0077]
3.本发明所述的一种基于信息融合的汽车道路坡度估计方法采用非线性观测器与带遗忘因子的最小二乘法分别估计基于动力学与运动学的坡度，相比传统方法标定量更少，且能够满足实时性要求，有利于实际应用；
[0078]
4.本发明所述的一种基于信息融合的汽车道路坡度估计方法对传感器原始信号进行处理，有效减弱换挡以及急加速急减速的结果精度影响；
[0079]
5.本发明所述的一种基于信息融合的汽车道路坡度估计方法充分利用总线信号，在保证了坡度估计方法快速性的同时提升了估计结果的准确性。
附图说明
[0080]
下面结合附图对本发明作进一步的说明：
[0081]
图1为本发明所述基于道路信息融合的道路坡度估计方法逻辑图；
[0082]
图2为本发明所述非线性状态观测器求解动力学坡度估计值时的方法示意图；
[0083]
图3为本发明所述带遗忘因子的递推最小二乘法求解示意图。
[0084]
图4为本发明所述权值系数随速度变化的示意图。
具体实施方式
[0085]
下面结合附图对本发明作详细的描述：
[0086]
本发明公开了一种基于信息融合的汽车道路坡度估计方法。通过从总线获取对应可用信号，并对原始信号进行滤波等处理，再根据非线性观测器和带遗忘因子的最小二乘法分别求解车辆纵向动力学模型与车辆纵向运动学模型的坡度，之后根据车速信息融合两种方法，得到最终坡度估计结果。该方法的基本原理是通过考虑历史数据中的模型信息，降低了估计模型对建模精度的依赖，同时采用纵向动力学与纵向运动学两种方式，通过车速
实时调整二者之间的权值以增强方法的工况适用性。它的核心包括非线性状态观测器与带遗忘因子的递推最小二乘法。该方法可以在兼顾成本低、标定难度低、精度高、和实时性强等情况下进行车辆的坡度估计，有效改善汽车控制中稳定性与经济性。接下来就具体说明实现基于信息融合的汽车道路坡度估计方法的设计和估计思路。
[0087]
参阅图1，本发明所述的一种基于信息融合的汽车道路坡度估计方法包括信号获取、信号处理、模型建立、具体求解以及信息融合五部分。下面分步具体叙述基于信息融合的汽车道路坡度估计方法。
[0088]
包括下列步骤：
[0089]
第一步，从车辆总线获取必要信号(图1中1.所示位置)
[0090]
首先确定坡度估计所需信号：由惯性传感器所获得的绕车辆x，y，z三个方向的加速度ax
sensor
,ay
sensor
,az
sensor
；车辆速度v；车辆当前挡位信息；发动机输出扭矩t
tq
；车辆此时总质量m；车辆车轮总制动力f
brk
。
[0091]
第二步，对第一步获取的信号进行处理(图1中2.所示位置)
[0092]
对于来自传感器采集得到的原始信号，由于车辆换挡及加减速等行为，存在尖点以及毛刺等不正确的信息，需要对其进行初步处理，去除部分失真信息以及错误信息。
[0093]
利用来自总线的信号进行计算，获得无法直接观测的所需数据，包括：重力加速度g；车辆变速箱传动比ig；传动系统传动效率η；滚动阻力系数f；车辆加速度a。
[0094]
其中，重力加速度g的数值在车辆行驶过程中与地理位置相关，因此在使用重力加速度g前需要重新对其进行计算，其具体计算公式为：
[0095][0096]
车辆变速箱传动比ig与传动系统传动效率η通过查表进行求解，滚动阻力系数f使用轮胎滚动阻力系数经验公式计算；车辆加速度a由车速v求导计算。
[0097]
第三步，建立车辆纵向动力学模型和纵向运动学模型(图1中3.所示位置)
[0098]
根据第一步以及第二步的参数建立整车的纵向动力学模型和关于道路坡度的纵向运动学模型。
[0099]
其中，纵向动力学模型具体为：
[0100][0101]
式中，r——车轮半径
[0102]
α——车辆此时所处的道路坡度
[0103]cd
——空气阻力系数
[0104]
a——车辆迎风面积
[0105]
δ——车辆旋转质量换算系数
[0106]
其中，纵向运动学模型具体为：
[0107]
ax
sensor
＝a+gsinα
ꢀꢀ
(3)
[0108]
第四步，分别基于纵向动力学模型与纵向运动学模型对道路坡度进行估计(图1中4.所示位置)
[0109]
根据第三步的纵向动力学模型，利用非线性观测器求解，获得基于动力学的坡度
估计值α1；根据第三步的纵向运动学模型，利用带遗忘因子的递归最小二乘法求解，获得基于运动学的坡度估计值α2。
[0110]
第五步，融合两种坡度信息(图1中5.所示位置)
[0111]
设置随速度变化而发生改变的权值，融合两类坡度信息α1和α2，得到最终道路坡度估计值作为最终的坡度估计值输出。
[0112]
本发明第二步中，对于获取信号进行处理是指：
[0113]
针对存在较多尖点以及不稳定的传感器原始信号，需要进行如下处理：原始信号低通滤波处理；信号数值限制；信号变化率限制。
[0114]
低通滤波公式为：
[0115]
x(k)＝(1-alpha)
·
a(k)+alpha
·
x(k-1)
ꢀꢀ
(4)
[0116]
式中，x(k)——第k次低通滤波器输出
[0117]
alpha——低通滤波系数
[0118]
数值限制公式为：
[0119][0120]
式中，x——待处理信号
[0121]
x
max
——数值限制最大值
[0122]
x
min
——数值限制最小值
[0123]
变化率限制公式为：
[0124][0125]
式中，k——待处理信号变化率
[0126]kmax
——变化率限制最大值
[0127]kmin
——变化率限制最小值
[0128]
参阅图2，为非线性状态观测器示意图。本发明第四步中，非线性状态观测器求解是指：
[0129]
考虑到车辆纵向动力学方程的非线性，故选择非线性观测器观测坡度值；根据车辆纵向动力学模型，选取车辆纵向速度的测量值与纵向速度的估计值的差值作为校正项，列出其非线性全维状态观测器为：
[0130][0131][0132]
式中，——车速估计值
[0133]
k——观测器增益系数
[0134]
参阅图3，为带遗忘因子的递推最小二乘法迭代过程。本发明第四步中，带遗忘因
子的递归最小二乘法是指：
[0135]
将公式(3)移向变为为如下形式：
[0136]
gsinα＝ax
sensor-a
ꢀꢀ
(8)
[0137]
因此可将坡度估计值作为系统辨识问题求解，其中坡度正弦值sinα作为系统待辨识参数θ，g项作为观测输入ax
sensor-a项作为输出y。
[0138]
利用带遗忘因子的递推最小二乘法进行坡度，利用递推公式进行求解：
[0139][0140]
式中，kn——n时刻增益系数
[0141]
pn——n时刻协方差
[0142]
λ——遗忘因子
[0143]
最终求得基于运动学的坡度估计值α2；
[0144]
本发明第五步中，信息融合是指：
[0145]
依据车辆行驶速度设置比例系数，完成动力学与运动学之间的信息融合工作，其公式如下：
[0146][0147]
式中，k1——α1的融合权值系数
[0148]
k2——α2的融合权值系数
[0149]
k1，k2具体求解过程如下：
[0150][0151]
k2＝1-k1ꢀꢀ
(10)
[0152]
式中，a，b——k1多项式系数，需保证时k1＝m
[0153]vref
——参考门限车速，可根据实际车辆间的差异进行标定
[0154]
m——k1取值范围最大值，可根据实际车辆间的差异进行标定
[0155]
参阅图4，为信息融合过程中权值与车速的关系。通过该方法，可以保证随车速变化两种估计方法所占比例变化，得到的最终结果更加可靠。