一种基于换挡过程的道路坡度估计方法及系统与流程

所属的技术人员能够理解，基于换挡过程的道路坡度估计方法各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

背景技术：

1、智能汽车在当前得到了广泛的发展，也被用户所认可。随着智能驾驶技术的发展以及对智能汽车可靠性的提高，智能汽车中的智能驾驶算法所需要数据的精度要求也越来越高，尤其是道路坡度，无法轻易根据车辆自带传感器直接测出，而又是很多算法重要的需要已知的参数之一。

2、现有技术对坡度的计算，如现有文件一种基于自适应扩展卡尔曼滤波的道路坡度估计方法，该文件通过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参数：然后基于坡度与车辆状态数据的关系模型，构建扩展卡尔曼滤波估计模型；最后将卡尔曼滤波估计模型改进为自适应扩展卡尔曼滤波算法模型。本发明提供的方法利用了能快速收敛和实时估计的自适应扩展卡尔曼滤波算法，通过车辆驾驶状态数据动态、实时估计道路坡度。

3、该文件虽然实现了道路坡度估计，但是未考虑车辆行驶过程中换挡时刻，动力中断对车辆动力学模型的影响，会造成估算精度下降，进而增加坡度估计的误差，造成坡度估计不准确，无法匹配智能驾驶技术。

技术实现思路

1、本发明提供一种基于换挡过程的道路坡度估计方法，可以考虑车辆行驶过程中换挡时刻，保证坡度估计精度，满足智能驾驶技术的使用。

2、方法包括：

3、步骤1：通过带遗忘因子的递归最小二乘方法估算车重；

4、步骤2：将车重和车速作为估算观测值，并进行离散化处理，再分别计算预设时刻更新的误差协方差矩阵和卡尔曼增益，更新预测状态；

5、步骤3：在获取到车辆换挡信号时，使用最小二乘算法估计预设时刻的坡度值。

6、进一步需要说明的是，步骤1还包括：建立如下车重估计动力学模型，

7、

8、

9、其中，为驱动力，为滚动阻力，为空气阻力，为上坡阻力，为加速阻力，为发动机扭矩，为车速，为加速度，为坡度，为车重，为车轮转动惯量，为车旋转质量换算系数，为变速箱传动比，为主减速比，为传动机械效率，为飞轮转动惯量，为滚动轮胎半径，为重力加速度，为滚动阻力系数，为空气阻力系数，为车辆迎风面积，为空气密度。

10、进一步需要说明的是，步骤1还包括：建立如下车重估计递推公式

11、

12、使用带遗忘因子的递归最小二乘方法估计车重

13、。

14、进一步需要说明的是，步骤2还包括：根据车辆纵向动力学模型建立如下状态方程

15、

16、

17、

18、其中：v(t)为t时刻的车速，为t时刻发动机的输出转矩，为当前挡位的变速器传动比，为主减速器传动比，r为滚动半径，为车重，为t时刻坡度，g为重力加速度，a,b,c为整体阻力公式的经验系数，r为等效转动质量系数。

19、进一步需要说明的是，步骤2中，使用前向欧拉法对所述状态方程进行离散化处理，并建立如下测量方程，

20、

21、其中，为此时刻模型的测量值，h为观测矩阵。

22、进一步需要说明的是，通过如下公式计算离散处理后状态方程的雅各比矩阵；

23、其中，，对离散后的状态方程求解雅各比矩阵f为：

24、。

25、进一步需要说明的是，步骤2中，通过如下方式计算预设时刻更新的误差协方差矩阵，

26、

27、其中，为k时刻的误差协方差矩阵的先验，为上一个时刻的误差协方差矩阵，为k时刻误差协方差矩阵的后验值，为每个时刻的过程噪声；

28、通过如下方式计算卡尔曼增益，

29、

30、其中，为各个时刻测量噪声，为此时刻的卡尔曼增益。

31、更新预测状态为

32、

33、

34、其中，为车速传感器的速度和递归最小二乘预估的车重矩阵，为该时刻的估计结果，为误差协方差矩阵的后验值。

35、进一步需要说明的是，步骤3还包括：收集车辆换挡信号，如果处于换挡状态，则使用最小二乘方法修正道路坡度；

36、其中，设换挡时间经验值为tg，连续换挡的判断采用计数的方式，计数器初始化后，每当收到换挡信号，计数器加1，当计数器数值大于等于3时，判断为连续换挡，坡度输出的方式为利用最小二乘法估算的坡度；

37、计数器在2个tg后未变化则初始化为0，计数器值为2以下时，基于不换挡状态下，进行坡度估算。

38、进一步需要说明的是，步骤3中使用最小二乘算法估计预设时刻坡度值的方式为：

39、设置时间窗口为a*t*ts，ts为采样时间，t为采样周期，a为采样步长个数；这里的*为乘号。

40、设（）为k时刻前第i个采样步长内坡度平均值，即,则依据最小二乘法求得a个采样步长内的坡度斜率为：

41、

42、

43、其中，为使用最小二乘算法估计的k时刻的坡度值。

44、a是时间步长的计数，表示取了a个t*ts，a为可变参数，a为根据精度需求选取。ts是时间间隔，也就是步长。t和a均是为了计算平均值而取得计数值。

45、需要说明的是，i取0时，a-1是基于选取a个t*ts时间内的数据来计算s，其中，i不能大于a，所以从第一个到第a个数据，可以用i=0到i=a-1来表示。

46、时间窗口是指用这一个时间窗口内的数据，其中，采样时间ts由传感器和系统决定，a根据控制精度决定（可变），t则是为了计算平均值取得数值（可根据实际需求来选取）。本发明把一个时间窗口平分为a段时间，再把每个a段时间平分为t段时间，在i=0——a-1的每段时间里计算每段的坡度平均值slopei，这个平均值slopei就用j=0——t-1的坡度算。

47、本发明还提供一种基于换挡过程的道路坡度估计系统，系统包括：车重估算模块、离散处理及计算模块以及坡度值估计模块；

48、车重估算模块基于预设控制指令，或预设条件通过带遗忘因子的递归最小二乘方法估算车重；

49、离散处理及计算模块用于将车重和车速作为估算观测值，并进行离散化处理，再分别计算预设时刻更新的误差协方差矩阵和卡尔曼增益，更新预测状态；

50、计算模块以及坡度值估计模块用于在获取到车辆换挡信号时，使用最小二乘算法估计预设时刻的坡度值。

51、从以上技术方案可以看出，本发明具有以下优点：

52、本发明能够对车辆行驶过程中的驱动力，滚动阻力，空气阻力，上坡阻力加速阻力，发动机扭矩，车速，加速度，坡度，车重，车轮转动惯量等相关数据进行汇总，为后续的道路坡度估计提供了数据支持，有效的提升道路坡度估计精度和准度。还可以基于换挡状态实现道路坡度修正，满足道路坡度估计的要求，结合换挡时坡度变化估计策略，减小换挡时坡度估计的误差，同时减小换挡完成后扩展卡尔曼滤波算法收敛时间，提高坡度估计效率。解决了未考虑车辆行驶过程中换挡时刻，动力中断对车辆动力学模型的影响的问题，避免造成估算精度下降，进而增加坡度估计的误差的弊端，本方法可以匹配智能驾驶技术。