状态量推定装置、控制装置、及状态量推定方法与流程

1.本发明涉及状态量推定装置、控制装置、及状态量推定方法。


背景技术：

2.近年，机动车等车辆中采用了各种用来提高例如车辆驾驶安全性及舒适性的控制。为了恰当实施有关车辆驾驶的这些控制，要求高精度地掌握行驶中的车辆的质量(车重)。关于推定车重的技术，例如已知有一种用各种传感器来获取取决于车辆情况的状态量，并将之代入运动方程式，进而通过2个运动方程式的减算来抵消噪声，由此推定车重的技术。在各种传感器获取的状态量中，不适合用来推定状态量的数值通常会根据阈值来弃除(例如见专利文献1)。
3.(现有技术文献)
4.专利文献1：日本国专利申请公开“特开2013
‑
152170号公报”(2013年8月8日公开)


技术实现要素：

5.发明所要解决的问题
6.上述技术中，传感器获取的传感值中哪怕含有1个不适合用来推定状态量的数值，便可能将其它适合的数值也一并弃除。因此，车辆状态量的推定机会便减少，而不得不以少数机会来进行状态量的推定。因此，有时会导致状态量的推定精度不够，或需要花费较长时间来达到状态量的推定的平稳化。如此，从提高车辆状态量的推定精度及推定速度的观点看，上述技术仍有改善空间。
7.本发明的一个方面的目的在于实现一种以更高精度来迅速地推定车辆状态量的技术。
8.解决问题的技术方案
9.为解决上述问题，本发明一个方面的状态量推定装置具备：数据存储部，其对作用在车辆上的状态量、状态协方差、以及过程噪声协方差进行存储，其中，所述状态协方差为所述状态量的协方差，所述过程噪声协方差为运算噪声的协方差；预测量运算部，其根据所述状态量来进行预测状态量的运算，且根据所述状态协方差及所述过程噪声协方差来进行预测协方差的运算，其中，所述预测协方差为所述预测状态量的协方差；获取部，其获取车辆的传感值；卡尔曼增益运算部，其使用所述传感值及所述预测协方差来进行卡尔曼增益的运算；推定量运算部，其利用卡尔曼滤波器并根据所述卡尔曼增益、所述预测状态量及所述传感值来进行推定状态量的运算，且利用卡尔曼滤波器并根据所述卡尔曼增益、所述预测协方差及所述传感值来进行推定协方差的运算；过程噪声协方差修正部，其使用所述推定状态量来对所述过程噪声协方差进行修正，并且，该状态量推定装置中，将所述推定状态量作为所述状态量，且将所述推定协方差作为所述状态协方差，且将经修正后的过程噪声协方差作为所述过程噪声协方差，来存入所述数据存储部。
10.发明效果
11.根据本发明的一个方面，能实现一种以更高精度来迅速推定车辆状态量的技术。
附图说明
12.图1是本发明实施方式1的状态量推定装置的一例功能性方案的示意框图。
13.图2是实施方式1中对状态量进行推定的处理的一例流程图。
14.图3是实施方式1中对过程噪声协方差进行修正的处理的第1形态流程图。
15.图4是实施方式1中对过程噪声协方差进行修正的处理的第2形态流程图。
16.图5是实施方式1中对过程噪声协方差进行修正的处理的第3形态流程图。
17.图6是实施方式1中对过程噪声协方差进行修正的处理的第4形态流程图。
18.图7是实施方式1的状态量推定装置所适用的车辆的一例结构示意图。
具体实施方式
19.〔实施方式1〕
20.以下，详细说明本发明的一个实施方式。
21.(状态量推定的理论说明)
22.车辆上发生的动量可通过运动方程式f＝ma来表达。其中，f是从引擎输出功率中减去各种行驶阻力值后的量，m是车辆重量(车重)，a是车辆加速度。a可以按照车速v的时间微分值来得出，因此可用下式1来表达。式1中，f
x
代表源自引擎的功率，f
air
代表空气阻力成分，f
surface
代表路面阻力成分。
[0023][0024]
在此，源自引擎的功率fx可根据“车轮扭矩
÷
车轮半径”来求取，其
[0025]
由于受到与路面倾斜度对应的重力加速度的影响，因此可用下式2来表达。下式2中，τ代表车轮扭矩，r代表车轮半径，θ
r
代表路面倾斜角度。
[0026]
本说明书中所述的“车轮扭矩”是指行驶中的车辆的驱动源所带来的、沿车辆加减速方向作用于车轮的扭矩。例如，若是以内燃机为驱动源的车辆，则其车轮扭矩是指该车辆的车轮所受到的扭矩。内燃机带来的车轮扭矩按照以下方式来求取：先根据空燃比、外气温度及气门开放量等来推定由内燃机所产生的扭矩，然后将得出的推定值与每一车辆上设定的传动损失系数以及各减速机构所规定的减速比相乘。另外，若是车轮上独立具有作为驱动源的电动马达的车辆，则其车轮扭矩是指该车辆的各个车轮所受到的扭矩的合计。该车辆的车轮扭矩按照以下方式来求取：根据各个马达的功率因数及对该马达施加的电压来推定扭矩，并将推定的扭矩与每一车辆上设定的传动损失系数、以及各减速机构所规定的减速比相乘。另外，车辆若还具备电控差速齿轮等差动控制装置(lsd)，则也可进而参考此类装置的工作状况来计算上述车轮扭矩。
[0027]
空气阻力成分f
air
可以按照将该车辆特有的空气阻力系数与车速的二次方相乘来求取，因此可用下式3来表达。下式3中，cd代表该车辆的空气阻力系数，v代表车速。
[0028]
f
air
＝cdv2ꢀꢀꢀ
(式3)
[0029]
路面阻力成分f
surface
是与路面角度对应的重力加速度下的车重与路面摩擦系数的乘积，因此可用下式4来表达。下式4中，μ代表该车辆的路面阻力系数，m代表车重，θ
r
代表路面倾斜角度。
[0030]
f
surface
＝μmg cosθ
r
ꢀꢀꢀ
(式4)
[0031]
车辆上发生的动量的运动方程式f＝ma可以基于式1～式4，用下式5、下式6来表达。
[0032][0033][0034]
若是控制车辆的行驶状态，则一般会使用对车辆前后方向的加速度进行检测的前后加速度传感器。该前后加速度传感器的值g
sens
包含车速的时间微分值中的与车体俯仰角对应的微分成分、以及与路面角度和车体俯仰角之合计角度相对应的重力加速度成分，因此可用下式7、式8来表达。下式7、式8中，θ
p
代表车辆俯仰角度，θ
r
代表路面倾斜角度。
[0035]
根据式6及式8可导出式9，进而根据式9可导出式10。
[0036][0037][0038][0039][0040]
这里，设想θ
p
足够小而以θ
p
≈0来进行拟合，便可根据式10来导出下式11。
[0041][0042]
式11中，设等号左则部分为y，设g
sens
为g，设mgcosθ
r
(μ－sinθ
p
)为c，则可导出下式12。
[0043]
y＝mg+c
ꢀꢀꢀ
(式12)
[0044]
根据上述内容，式12中的y及g可参考传感器的值来得出。另外，m为车重，只要处在車载物重量无实质变化的理想期间，则m实质上为恒定，因此可将之视为常数。另外，关于式12中的c，以式11来看，由于前文说明了m为常数，且g为重力加速度，因此c也为常数。由于前文说明了θ
p
≈0，因此可将车体俯仰角sinθ
p
视为常数(0)。由此，本实施方式中，路面角度cos
θ
r
及路面阻力μ中的变动成分均可看作后述卡尔曼滤波器的噪声，因此这里可将路面角度cosθ
r
及路面阻力μ看作常数。因此，式12中的c可认为是常数。
[0045]
另一方面，下式13为卡尔曼滤波器的预测函数。式13中，t代表运算次数，xa
t－1
代表前一次运算所推定出的、作用在车辆上的状态量，xb
t
代表本次运算所要得出的、作用在车辆上的状态的预测量(预测状态量)。作用在车辆上的状态量是有关车辆的物理量，其例如包含与车辆重量(车重)及道路梯度对应的成分。
[0046]
xb
t
＝f(xa
t
‑1，0，0)
ꢀꢀꢀ
(式13)
[0047]
式14是根据式13将xb以矩阵方式表达的式子。由于前文中说明了m及c为常数，因此根据下式14，可认为式13不变。因此，前一次推定的状态量xa
t－1
与本次的预测状态量xb
t
相同，从而下式15成立。
[0048][0049]
xb
t
＝xa
t
‑1ꢀꢀꢀ
(式15)
[0050]
另外，预测状态量xb
t
的协方差(预测协方差)p
－t
可用下式16来表达。式16中，p
t－1
代表前一次运算所推定出的协方差(状态协方差)，q
t－1
代表前一次运算所推定出的过程噪声(process noise)协方差。状态协方差例如是以作用在车辆上的状态量、以及过程噪声协方差为双变量的协方差。过程噪声协方差例如是以如下两者为双变量的协方差：与车重m的推定处理相关的噪声、以及与涉及路面倾斜等的c的推定处理相关的噪声。
[0051][0052]
这里，将式12相应地换成下式17，来作为卡尔曼滤波器的观测方程式。
[0053]
h
t
＝mb
t
g
t
+cb
t
ꢀꢀꢀ
(式17)
[0054]
式17中，h
t
对应于y，mb对应于m，cb对应于c。
[0055]
式11的等号左侧部分可如上述那样通过传感器来观测，其也是式12中的y。若设其为传感值(也称“观测量”)z，则可导出下式18。
[0056][0057]
卡尔曼增益可根据下式19、20来求取。该卡尔曼增益是卡尔曼滤波器的增益值，其观测误差经过了修正(也称“最优化”)。
[0058][0059][0060]
按照下式21来实施卡尔曼滤波运算，可得到推定状态量xa
t
。另外，按照下式22来实施卡尔曼滤波运算，可得到推定协方差p
t
。
[0061]
xa
t
＝xb
t
+k
t
{z
t
‑
(h
t
xb
t
)}
ꢀꢀꢀ
(式21)
[0062]
[0063]
[功能性方案例]
[0064]
图1是本实施方式的状态量推定装置的一例功能性方案的示意框图。如图1所示，状态量推定装置100包含数据存储部101、预测量运算部102、卡尔曼增益运算部103、推定量运算部104、重量成分提取部105、过程噪声协方差修正部106、获取部107及传感器类108。
[0065]
数据存储部101用以存储状态量(xa)、状态协方差(p)及过程噪声协方差(q)的各个数据。
[0066]
预测量运算部102根据状态量xa来进行预测状态量(xb)的运算。另外，预测量运算部102根据状态协方差p及过程噪声协方差q来进行预测协方差(p－)的运算。
[0067]
获取部107用以获取车辆的传感值(z)。获取部107从车辆上配置的各种传感器类108来获取传感值z。传感器类108例如包括对表达车辆状态的物理量进行检测的各种传感器、以及根据传感器检测出的值来计算相应物理量的装置。
[0068]
卡尔曼增益运算部103使用传感值z及预测协方差p－来进行卡尔曼增益(k)的运算。
[0069]
推定量运算部104利用卡尔曼滤波器，根据卡尔曼增益k、预测状态量p－及传感值z来进行推定状态量xa的运算。推定状态量xa是根据预测状态量xb来推定的状态量推定值。另外，推定量运算部104还利用卡尔曼滤波器，根据卡尔曼增益k、预测协方差p
－
及传感值z来进行推定协方差p的运算。
[0070]
重量成分提取部105从推定状态量xa中提取车辆的重量成分(m)。
[0071]
过程噪声协方差修正部106使用重量成分提取部105提取出的重量成分来对过程噪声协方差q进行修正。
[0072]
另外，推定量运算部104将基于某个状态量xa的推定状态量xa，作为下一次的状态量xa来存储至数据存储部101。另外，推定量运算部104将基于某个状态量xa的推定协方差p，作为下一次的状态协方差p来存储至数据存储部101。再之，过程噪声协方差修正部106使用从某个推定状态量中提取出的重量成分m来对某个过程噪声协方差q进行修正，并将修正后的q作为下一次的过程噪声协方差q来存储至数据存储部101。如此，在状态量推定装置100中，本次运算出的推定状态量xa作为下一次运算时所需的状态量xa而存入数据存储部101，且本次运算出的推定协方差p作为下一次运算时所需的状态协方差p而存入数据存储部101。
[0073]
这里，状态量推定装置100也可以不包含重量成分提取部105，过程噪声协方差修正部106也可以不根据重量成分m，而是从推定量运算部104获取未经提取处理的数据、即推定状态量xa，并使用该推定状态量xa来对过程噪声协方差q进行修正。本发明中包括对过程噪声协方差进行修正的各种方案。以下，将说明有关状态量推定的处理，尤其会详述对过程噪声协方差进行修正的各种方案。
[0074]
[处理例]
[0075]
图2是本实施方式中对状态量进行推定的处理的一例流程图。
[0076]
数据存储部101中存储有状态量xa
t
、状态协方差p
t
及过程噪声协方差q
t
(步骤s201)。t为运算次数，存储的若是初始值，则t为0。
[0077]
步骤s202中，状态量推定装置100将运算次数t以每次增加一的方式进行更新。例如，若本次的运算次数为t，则前一个运算次数用t－1来表达，前前个运算次数用t－2来表
达，而后一个运算次数用t+1来表达。
[0078]
接着，预测量运算部102根据前一次运算时的状态量、或作为初始值的状态量，来进行预测状态量的运算。预测量运算部102还根据前一次运算时的状态协方差及过程噪声协方差、作为初始值的状态协方差及过程噪声协方差，来进行预测协方差(即，预测状态量的协方差)的运算。例如，预测量运算部102可连续地以规定的时间间隔来进行预测状态量和预测协方差的运算。
[0079]
即，在步骤s203中，预测量运算部102基于上述式13来进行预测状态量xb的运算，并将之作为求取与前一个运算次数对应的状态量xa
t－1
时所需的预测状态量xb
t
。
[0080]
另外，步骤s204中，预测量运算部102基于上述式16来进行预测协方差p
－
的运算，即，根据与前一个运算次数对应的状态协方差p
t－1
和过程噪声协方差q
t－1
之和，来得出预测协方差p
－t
。
[0081]
另一方面，获取部107从传感器类108获取就车辆状态所检测出的各种传感值(也称“观测量z”)。例如，获取部107可连续地以规定的时间间隔来获取传感值。观测量z可以是各个传感器的传感值本身，也可以是用该传感值所算出的、处于行驶状态下的车辆的取决于该车辆情况的物理量值。例如，步骤s205中，获取部107可以获取前后加速度传感器的传感值g
senst
、车速v
t
、及车辆中源自引擎的功率值fx
t
。在此，g
senst
相当于式20中的h
t
。
[0082]
步骤s206中，卡尔曼增益运算部103使用观测量z
t
及预测协方差p
－t
，基于上述式19来进行卡尔曼增益k
t
的运算。例如，卡尔曼增益运算部103可以连续地以规定的时间间隔来进行卡尔曼增益k的运算。
[0083]
步骤s207中，推定量运算部104利用卡尔曼滤波器，根据卡尔曼增益k
t
、预测状态量xb
t
及观测量z
t
(h
t
)，基于上述式21来进行推定状态量xa
t
的运算。
[0084]
另外，步骤s208中，推定量运算部104利用卡尔曼滤波器，根据卡尔曼增益k
t
、预测协方差p
－t
及观测量z
t
(h
t
)，基于上述式22来进行推定协方差p
t
的运算。例如，推定量运算部104可以连续地以规定的时间间隔来进行推定状态量和推定协方差的运算。
[0085]
步骤s209中，过程噪声协方差修正部106使用推定状态量xa
t
来对过程噪声协方差q
t－1
进行修正。例如，过程噪声协方差修正部106可以连续地以规定的时间间隔来对过程噪声协方差qt进行修正。将修正后的过程噪声协方差设为“q
t”。以下，说明对过程噪声协方差进行修正的各种方案。
[0086]
图3是本实施方式中对过程噪声协方差进行修正的处理的第1形态流程图。步骤s301中，过程噪声协方差修正部106基于推定量运算部104求出的推定状态量xa
t
、以及过程噪声协方差q
t－1
来对过程噪声协方差q
t－1
进行修正，以运算出修正后的过程噪声协方差q
t
。
[0087]
通常，用来对作用在车辆上的状态量进行推定的运算周期比该状态量在时间上的变化期短很多，因此一般而言，状态量xa有时能视为恒定。在该情况下，若本次的推定状态量xa
t
较前一次状态量xa
t－1
有所变化，那么可以认为这是噪声所引起的。可以按照每一车辆来预先作成由状态量xa与过程噪声协方差q对应地构成的映射表，通过参照该映射表，便能良好地对过程噪声协方差q
t－1
进行修正。
[0088]
这里，该第1形态中，状态量推定装置100也可不包含重量成分提取部105。作用在车辆上的状态量虽然包含车重，但根据状态量推定装置100，即使不具有重量成分提取部105，也能通过利用卡尔曼滤波器以及修正过程噪声协方差，来恰当且迅速地推定包含车重
在内的状态量。
[0089]
图4是本实施方式中对过程噪声协方差进行修正的处理的第2形态流程图。该第2形态中，状态量推定装置100包含重量成分提取部105。该第2形态中，过程噪声协方差修正部106使用重量成分提取部105提取出的重量成分m，来对过程噪声协方差q进行修正。
[0090]
步骤s401中，重量成分提取部105连续地例如以规定的时间间隔来从推定状态量xa
t
中提取车辆的重量成分m
t
。推定状态量xa可用由上述式12中的车辆重量成分m与常数c组成的矩阵来表达，因此重量成分m能够以该矩阵表达的值来决定。
[0091]
步骤s402中，过程噪声协方差修正部106基于重量成分提取部105提取出的重量成分m
t
、以及过程噪声协方差q
t－1
来对过程噪声协方差q
t－1
进行修正，以运算出修正后的过程噪声协方差q
t
。例如可以与上述同样地，按照每一车辆来预先作成由重量成分m与过程噪声协方差q对应地构成的映射表，通过参照映射表中的重量成分m
t
和过程噪声协方差q
t－1
，来求取修正后的过程噪声协方差q
t
。通过以上的修正处理，能进一步抑制因过程噪声协方差的意外变动而给车辆重量成分的推定带来的影响。
[0092]
图5是本实施方式中对过程噪声协方差进行修正的处理的第3形态流程图。该第3形态中，重量成分提取部105进行重量成分m的平均值m
ave
、以及重量成分m的标准差m
σ
的运算。过程噪声协方差修正部106使用重量成分提取部105运算出的标准差m
σ
来对过程噪声协方差q进行修正。
[0093]
若步骤s401中提取了重量成分m
t
，则在步骤s501中，重量成分提取部105按照规定的运算次数范围(例如，使用与前前个运算次数对应的重量成分m
t－2
)，进行所提取出的重量成分m
t
的平均值m
avet
和标准差m
σt
的运算。
[0094]
步骤s502中，过程噪声协方差修正部106基于该标准差m
σt
和过程噪声协方差q
t－1
来对过程噪声协方差q
t－1
进行修正，以运算出修正后的过程噪声协方差q
t
。该情况下，修正后的过程噪声协方差q
t
例如可按照以下方式来求取。
[0095]
过程噪声协方差q可由下式23所示的2
×
2矩阵来表达。下式中，q1代表与车重m的推定处理相关的噪声的方差，q2代表与路面梯度等其它状态量c的推定处理相关的噪声的方差。可以根据标准差m
σ
来适当地变更该q1及q2中的一者或两者，由此修正过程噪声协方差q。
[0096]
[数17]
[0097][0098]
更详细地，基于推定状态量xa
t
的重量成分m
t
的标准差m
σt
若较小，则可以说m的推定处理中的某个噪声方差q1同样也较小。因此，通过将q1修正得较小，或者将q2修正得较大来使q1变得相对较小，便能适当地对过程噪声协方差q进行修正。
[0099]
基于推定状态量xa
t
的重量成分m
t
的标准差m
σt
若较大，则可以说m的推定处理中的某个噪声方差q1同样也较大。因此，通过将q1修正得较大，或者将q2修正得较小来使q1变得相对较大，便能适当地对过程噪声协方差q进行修正。
[0100]
标准差m
σ
的大小可以根据多个阈值来判断，可按照相应的阈值来分阶段地如上述那样修正q1或q2。例如，可以从映射表中读取与m
σ
对应的q1或q2，从而决定与m
σ
相应的恰当q1或q2的值，并基于这些值来如上述那样修正q1或q2。通过该修正方法，能根据重量成分m的至
此动向来修正过程噪声协方差q，因此能实现更平稳的状态量的推定。
[0101]
图6是本实施方式中对过程噪声协方差进行修正的处理的第4形态流程图。该第4形态中，重量成分提取部105包含平稳特征位(flag)和重量决定部。在状态量的推定处理中，平稳特征位的初始状态为“关闭”。若是表达“开启”，则平稳特征位的输入值为1，若是表达“关闭”，则平稳特征位的输入值为0。重量决定部根据选自推定状态量xa的运算次数t、标准差m
σ
的值、平稳特征位的开/闭中的一者以上的描述信息，来决定重量成分m。
[0102]
步骤s401中，重量成分提取部105从推定状态量xa
t
中提取重量成分m
t
。
[0103]
步骤s601中，重量决定部判定运算次数t是否超过了规定次数(n)。步骤s601中若运算次数t超过了规定次数(n)，则重量成分提取部105在步骤s502中进行重量成分m
t
的平均值m
avet
和标准差m
σt
的运算。
[0104]
步骤s602中，重量决定部以10
－6
为规定的阈值，来判定标准差m
σt
是否低于该阈值。
[0105]
步骤s602中若标准差m
σt
低于该阈值，则重量决定部在步骤s603中将重量成分的平均值m
avet
定为所提取出的重量成分m
t
。并且，将平稳特征位设定成“开启”状态。
[0106]
另外，步骤s602中若标准差m
σt
低于该阈值，则重量决定部在步骤s604中判定平稳特征位是否为“开启”。
[0107]
步骤s604中若平稳特征位为“开启”，则重量决定部在步骤s605中将早于本次处理的所述平稳特征位为“开启”时的(例如与前一次运算对应的)重量成分m
t
(例如m
t－1
)，定为本次提取出的重量成分m
t
。
[0108]
步骤s604中若平稳特征位为“关闭”，重量决定部在步骤s606中将最新提取到的重量成分m
t
直接定为重量成分。另外，步骤s601中若运算次数t为规定次数(n)以下，则重量决定部前进至步骤s606来将最新提取到的重量成分m
t
直接定为重量成分。
[0109]
这里，若在步骤s603中定下了重量成分m
t
，则过程噪声协方差修正部106也可以在步骤s502中基于步骤s501所求出的重量成分的标准差m
σt
来对过程噪声协方差q
t－1
进行修正。
[0110]
若重量成分提取部105在步骤s603中根据标准差，或在步骤s606中定下了重量成分m
t
，则过程噪声协方差修正部106在步骤s402中使用该重量成分来对过程噪声协方差q
t－1
进行修正，以运算出修正后的过程噪声协方差q
t
。根据图6的流程，可以视情况来适当利用本次或早于本次的运算结果，因此从充分地以高精度来迅速推定车辆状态量的观点看，以上的状态量推定处理为佳选。
[0111]
另外，在图2流程的步骤s210中，推定量运算部104将推定状态量xa
t
及推定协方差p
t
存储于数据存储部101，过程噪声协方差修正部106将经修正后的过程噪声协方差q
t
存储于数据存储部101。如此，推定状态量xa
t
作为与运算次数t对应的状态量xa
t
，且推定协方差p
t
作为与运算次数t对应的状态协方差p
t
，且经修正后的过程噪声协方差q
t
作为与运算次数t对应的过程噪声协方差q
t
，被存入数据存储部101。通过这样，连续地例如以规定的时间间隔来将状态量、状态协方差及过程噪声协方差存入数据存储部101。当运算次数被更新时，存入数据存储部101的这些数据便会在新的运算中作为前一次运算结果，而如上述般地被用于新状态量的推定。
[0112]
上述一连串的处理也可以在车辆状态变得有可能引起所要推定的状态量出现变动的情况下结束。由于所述状态量包含车重成分，因此可以在车辆的车重状态变得有可能
变化的情况下，结束上述处理。关于车辆的车重有可能变化的情况，例如包括车辆停止时、车辆的车门开闭时、及车辆的燃料供应口开闭时等。
[0113]
本实施方式的状态量推定装置使用卡尔曼滤波器来推定包含车重在内的状态量。因为，无需按照推定条件来弃除观测量，实质上能够将获得的全部观测量用于运算，从而用于状态量的推定。因此，能迅速且充分地获取车辆状态量的推定值。
[0114]
另外，本实施方式的状态量推定装置会对过程噪声协方差进行修正。例如，若按照各种传感值来推定车辆的车重，则推定的车重有时会随车辆行驶状态而变化。而若就每一规定期间(例如，车辆开始行驶至停止的这段期间等)来推定车重，则车重实质上为恒定。本实施方式中，通过对过程噪声协方差进行修正，能实质上不去考虑因车辆行驶状态而引起车重变化的参数，从而能稳定实施车辆状态量的推定。因此，能充分地以高精度来迅速推定出车辆状态量。
[0115]
本实施方式的状态量推定装置会对包含车重在内的状态量进行推定。该状态量推定装置适用于车辆上所采用的利用车重推定值来进行控制的控制装置。该情况下，状态量推定装置还能进一部具备将包含重量成分在内的状态量输出给外部的输出部。
[0116]
该输出部可以在能够将包含车重在内的状态量输出给外部的前提范围下适当选用。若是将车重输出，则输出部优选是提取重量成分m的重量成分提取部。若是如此将上述状态量推定装置适用于基于车重来控制车辆的控制装置，则重量成分提取部105也可将提取出的重量成分m
t
作为车辆的当前重量来输出。从将车重推定结果用于车辆行驶状态的控制的观点看，此方案为佳。
[0117]
如上所述，本实施方式的状态量推定装置能在不将传感值弃除的情况下将该传感值用于车辆状态量的推定，且能通过过程噪声协方差的修正来实现该状态量的平稳推定。由此，状态量的推定值具有适度的鲁棒性，可在车辆开始行驶后的短期间内收敛至恰当值。采用该推定值来对车辆行驶状态进行控制，就能更良好地控制车辆行驶状态。
[0118]
以下，说明将本实施方式的状态量推定装置适用于对车辆悬架装置进行控制的控制装置中的方案。
[0119]
〔实施方式2〕
[0120]
以下说明本发明的其它实施方式。这里，为便于说明，对于与上述实施方式中说明过的部件具有同样功能的部件，赋予同一附图标记并不再赘述。
[0121]
该车辆不仅具备供车辆行驶的各种装置，还具备处理器、传感器类、及存储介质。该处理器包含上述的预测量运算部、获取部、卡尔曼增益运算部、推定量运算部及过程噪声协方差修正部。传感器类包括上述的前后加速度传感器、车轮轴扭矩传感器及车速传感器。存储介质相当于上述的数据存储部，其例如是磁盘。
[0122]
图7是具有上述状态量推定装置的车辆的一例结构示意图。如图7所示，车辆900具备悬架装置(悬架)150、车体200、车轮300、检测车速(v)的车速传感器450、引擎500及ecu(electronic control unit：电子控制单元)600。ecu600属于上述处理器。
[0123]
这里，附图标记中的字母a～e各自代表车辆900上的位置。a代表车辆900的左前位置，b代表车辆900的右前位置，c代表车辆900的左后位置，d代表车辆900的右后位置，e代表车辆900的后方。
[0124]
另外，车辆900具备：对车辆900在前后方向上的加速度(以下也称“前后加速度”)
进行检测的前后加速度传感器340(获取上述“gsens”)、以及对引擎500带来的扭矩(车轮扭矩(τ))进行推定的车轮扭矩传感器510。如上所述，所述车轮扭矩是车辆900的车轮所受到的扭矩，其属于车辆900的驱动力。
[0125]
此外，车辆900还具备：对未图示的燃料箱内的燃料(汽油)量进行检测的燃料传感器360、对车辆900各个门的开闭进行检测的门开闭传感器550、以及对车辆900的挂挡位置进行检测的档位传感器540。其中，门开闭传感器550e对车辆900的后备箱门(后盖)的开闭进行检测。
[0126]
各种传感器的输出值向ecu600的提供、以及ecu600向各个部的控制信号传递，都是经由can(controller area network：控制器局域网)370来进行的。各传感器也可全新设置来用于后述状态量的推定，但从成本方面考虑，优选是车辆900中现存的传感器。
[0127]
存储介质中存储有在推定状态量时所需的各种信息。该信息例如包括车轮半径、cd值(空气阻力系数)、状态量的初始值、状态协方差的初始值、状态量标准差的初始值、过程噪声协方差的初始值。初始值是事先经测试等而定下的适合用作初始值的数值。
[0128]
例如，若是推定作为车辆900状态量的车重，则该车重的初始值可以是车辆900的临时总重量。该临时总重量例如可以是车辆900的净重与车载物总重或车载物预估总重的和。另外，临时总重量例如也可以是车辆900的净重与燃料传感器360检测到的汽油残量相加后的值。另外，该临时总重量例如还可以是以下三者之和：车辆900的净重、门开闭传感器550检测到的开门数与人均体重的乘积、当门开闭传感器550检测到后盖开闭时所采用的规定重量。另外，该临时总重量还可以是进而参考车辆900中安全带是否系扣而得出的值。通过参考安全带的系扣情况，能更高精度地了解车辆900中的乘坐人数。高精度地了解了乘坐人数，便能将之有效地用于例如车辆900重量下限值的设定，从进一步提高上述临时总重量的可信性的观点看，该方案为优选。
[0129]
车辆900状态量的推定可按照实施方式1所述那样来实施。与车辆900有关的状态量的推定处理基本上是以规定的时间间隔来连续进行的。若状态量的推定值较平稳，则也可将状态量的推定处理的时间间隔设定得更长，并以其来间歇性地进行推定。ecu600推定出的状态量供车辆900中需要该状态量推定值的其它装置所用，以实现控制目的等。该其它装置既可以从推定量运算部接收推定状态量，也可以从数据存储部读取推定状态量。
[0130]
举例而言，车重一般取决于车辆重量及车载物总重量，而通常而言，车载物的重量在行驶过程中实质上是不变动的。因此，可以认为在自车辆开始行驶至停止的这段期间，车重实质上为恒定。本实施方式中，由于是通过上述状态量推定装置来推定包含车辆重量成分在内的状态量，因此当车辆开始了行驶时，能迅速地基于观测量来得出车重的推定值。只要尚未因车辆行驶的中断(达到交叉路口或目的地时的停车、停车时的车门开闭或燃料箱盖开闭等)而导致车重可能变化，那么实质上车重是恒定的。因此，这种在行驶时引起车重推定值出现变化的观测量及运算结果可以看成一种处理噪声。由此，通过本实施方式中的cpu，可迅速且简易地推定行驶状态下的车辆的车重，从而能平稳地实施车重的推定。
[0131]
本实施方式中，若算出的车重推定值并不适合作为行驶中的车辆的车重值，例如是算出的车重为空车重量(空载重量)以下的这种情况等，则也可弃除该推定结果。另外，如上所述，车辆车重的推定处理通常是连续进行的，但若已获得了足够可信的值，则也可弃除车重推定值或也可以间断性地(间歇性地)实施车重的推定。
[0132]
虽然在上述实施方式中，状态量推定装置中对各种值进行运算的上述运算部或修正部将其算出的值存入数据存储部，但本发明中，cpu也可进而包含存入处理部，以将这些值的数据各自存入数据存入部。
[0133]
对于上述状态量推定装置进行的状态量推定处理，可以视有可能引起该状态量变化的车辆状态来进行复位。例如，若是对车辆车重进行推定，则可以在车钥位置为关闭时，或在车门打开时，将推定状态量复位成初始值，以重新开始状态量的推定。
[0134]
这里，虽然上述实施方式中以四轮机动车为例进行了说明，但本发明涉及的车辆不限于此。车辆例如也可以是二轮机动车、或铁道车辆。
[0135]
本实施方式中，如上所述，能够在车辆开始行驶后的短时间内获得车重的平稳推定值。因此，在基于车重推定值来控制车辆行驶状态时，能更平稳地良好实施该控制。
[0136]
〔实施方式3〕
[0137]
本实施方式中，cpu进而包含上述的重量成分提取部。本实施方式中除此之外的部分，与上述实施方式2同样。
[0138]
本实施方式中，由重量成分提取部来提取车辆的重量成分。根据本实施方式，能更高精度且更迅速地实施采用车辆车重的推定值来进行的控制。车辆中需要车重推定值的其它装置也可以接收重量成分提取部决定了的重量成分，来用作车重推定值。重量成分提取部也可以将决定了的重量成分作为推定车重，来进而存入数据存储部。向数据存储部的存入处理也可通过存入处理部来实施。
[0139]
〔实施方式4〕
[0140]
本实施方式的状态量推定装置所推定出的车重能够用于悬架装置150的控制。车辆900中，悬架装置150的控制装置构成为：对作用在车辆900上的状态量进行推定，并根据该状态量来控制悬架装置150的阻尼力。本实施方式中，采用的是由本实施方式的状态量推定装置得出的状态量推定值或车重推定值，而除此以外的部分可通过公知的根据车重推定值来控制悬架装置150阻尼力的方法来实施。
[0141]
悬架装置150例如具备介于车辆的车体与车轮之间的减震器、以跟随减震器冲程进行伸缩的方式配置的弹簧。减震器具备压力缸、将压力缸内划分为两个腔室且能在压力缸内滑移的活塞、固定在活塞上的活塞杆、将两个腔室连通的连通管、能自由开闭连通管的电磁线圈式阀。由活塞划分出的每个腔室内均充满了工作油。弹簧以包围活塞杆外周的方式配置，并得到压力缸的端部及活塞杆的端部的支撑。ecu600根据车重推定量，以车重推定量越大则越增加悬架装置150的阻尼力的方式，对电磁线圈式阀的开阀度进行调整。
[0142]
这里，悬架装置150的构造并无限定。例如，悬架装置150中电磁线圈阀的位置并无限定。悬架装置150例如可以为活塞缩入型，也可以为外筒连结型。悬架装置150的种类也无特别限定，例如可以是支柱(strut)式，也可以是双叉臂(double wishbone)式。像这样，能采用各种构造或种类的悬架装置来作为悬架装置150。另外，悬架装置150的阻尼力的调整方法也无限定，可以是如上述那样调整减震器阻尼力的方法，也可以为采用应变率可变(预载自动可变)式弹簧的方法，此两种方法还可以并用。
[0143]
通过本实施方式，能在开始行驶后迅速得出车辆状态量的平稳推定值。由于是使用在早期阶段平稳地获得的包含车重在内的该状态量推定值来控制悬架装置，因此能更良好地实施与车辆行驶状态相应的悬架装置控制。
[0144]
〔基于程序软件的实现例〕
[0145]
状态量推定装置的控制模块(尤其是预测量运算部102～过程噪声协方差修正部106的这些处理部)既可通过集成电路(ic芯片)等中形成的逻辑电路(硬件)来实现，也可通过程序软件来实现。
[0146]
通过程序软件来实现时，状态量控制装置具备对实现各功能的程序软件命令加以执行的计算机。该计算机具备例如1个以上的处理器、以及存储有上述程序软件的能由计算机读取的记录介质。上述计算机中，由上述处理器从上述存储介质中读取上述程序软件并加以执行，即可达成本发明的目的。作为上述处理器，例如可采用cpu(central processing unit：中央处理器)。作为上述存储介质，可采用“非暂存式有形介质”，例如有rom(read only memory：只读存储器)等，还有存储带、存储盘、存储卡、半导体存储器、可编程逻辑电路等。另外，还可进而具备供展开上述程序软件的ram(random access memory：随机存取存储器)等。另外，上述程序软件也可通过能传输该程序软件的任意传输媒介(通信网络、广播波等)来提供给上述计算机。这里，即使上述程序软件的形态是通过电子式传输来体现的载置于载波中的数据信号，本发明的一个方面也能得以实现。
[0147]
〔总结〕
[0148]
根据以上说明可知，本发明实施方式的状态量推定装置(ecu600)具备：数据存储部(101)，其对作用在车辆(900)上的状态量、状态协方差、以及过程噪声协方差进行存储，其中，状态协方差为状态量的协方差，过程噪声协方差为运算噪声的协方差；预测量运算部(102)，其根据状态量来进行预测状态量的运算，且根据状态协方差及过程噪声协方差来进行预测协方差的运算，其中，预测协方差为预测状态量的协方差；获取部(107)，其获取车辆(900)的传感值；卡尔曼增益运算部(103)，其使用传感值及预测协方差来进行卡尔曼增益的运算；推定量运算部(104)，其利用卡尔曼滤波器并根据卡尔曼增益、预测状态量及传感值来进行推定状态量的运算，且利用卡尔曼滤波器并根据卡尔曼增益、预测协方差及传感值来进行推定协方差的运算；过程噪声协方差修正部(106)，其使用推定状态量来对过程噪声协方差进行修正。另外，将推定状态量作为状态量，且将推定协方差作为状态协方差，且将经修正后的过程噪声协方差作为过程噪声协方差，来存入数据存储部(101)。根据该方案，由于利用卡尔曼滤波器来进行运算，因此即使观测量中包含不合条件的成分，也无需弃除观测量。因此，能将从传感器类得出的观测量利用到运算中。另外，由于对过程噪声协方差进行修正，因此即使在各种不同的推定环境下，也能平稳地以高精度且迅速地推定出车辆状态量。
[0149]
上述状态量推定装置也可进而具备从推定状态量中提取车辆的重量成分的重量成分提取部(105)。通过该方案，能更精密地推定车重。
[0150]
另外，上述状态量推定装置中，重量成分提取部(105)也可进行重量成分的平均值、以及重量成分的标准差的运算。从以充分精度来简易推定车重的观点看，此方案更为有效。
[0151]
另外，上述状态量推定装置中，重量成分提取部(105)也可包含：平稳特征位，其可以表达初始状态的关闭；以及重量决定部，其根据选自推定状态量的运算次数、标准差的值、平稳特征位的开/闭之中的一者以上的描述信息，来决定重量成分。另外，重量决定部也可进行以下处理：若推定状态量的运算次数为规定次数以下，则将最新提取到的重量成分
定为提取出的重量成分；若推定状态量的运算次数超过规定次数，且标准差低于规定的阈值，则将平均值定为提取出的重量成分并将平稳特征位设定成开启状态；若平稳特征位为开启状态，且推定状态量的运算次数超过规定次数，且标准差为规定的阈值以上，则将早于本次处理的平稳特征位为开启时的、所提取到的重量成分，定为提取出的重量成分；若推定状态量的运算次数超过规定次数，且标准差为规定的阈值以上，且平稳特征位为关闭，则将最新提取到的重量成分定为提取出的重量成分。从以充分精度来简易且迅速推定车重的观点看，这些方案进而更为有效。
[0152]
另外，上述状态量推定装置中，过程噪声协方差修正部(106)也可以使用重量成分提取部(105)提取出的重量成分来对过程噪声协方差进行修正。此方案从以充分精度来简易推定车重的观点看，更为有效。
[0153]
另外，上述状态量推定装置中，过程噪声协方差修正部(106)也可使用重量成分提取部(105)运算出的标准差来对过程噪声协方差进行修正。此方案从以充分精度来简易且迅速推定车重的观点看，进而更为有效。
[0154]
另外，上述状态量推定装置中，重量成分提取部(105)也可以将提取出的重量成分作为车辆(900)的当前重量来输出。从将车重推定结果用于车辆行驶状态控制的观点看，此方案为佳。
[0155]
另外，本发明实施方式的控制装置对作用力在具有悬架装置(105)的车辆(900)上的状态量进行推定，并根据状态量来控制悬架装置(150)的阻尼力。该控制装置具备：数据存储部(101)，其对作用在车辆上的状态量、状态协方差、以及过程噪声协方差进行存储，其中，状态协方差为状态量的协方差，过程噪声协方差为运算噪声的协方差；预测量运算部(102)，其根据状态量来进行预测状态量的运算，且根据状态协方差及过程噪声协方差来进行预测协方差的运算，其中，预测协方差为预测状态量的协方差；获取部(107)，其获取车辆的传感值；卡尔曼增益运算部(103)，其使用传感值及预测协方差来进行卡尔曼增益的运算；推定量运算部(104)，其利用卡尔曼滤波器并根据卡尔曼增益、预测状态量及传感值来进行推定状态量的运算，且利用卡尔曼滤波器并根据卡尔曼增益、预测协方差及传感值来进行推定协方差的运算；过程噪声协方差修正部(106)，其使用推定状态量来对过程噪声协方差进行修正，并且，该控制装置中，将推定状态量作为状态量，且将推定协方差作为状态协方差，来存入数据存储部(101)。通过该方案，能以充分精度来迅速推定包含车重在内的状态量，因此能以实现车辆的更舒适行驶为目的来控制车辆的悬架装置。
[0156]
另外，本发明实施方式的状态量推定方法包括以下步骤：将作用在车辆(900)上的状态量、状态协方差、以及过程噪声协方差存储至数据存储部，其中，状态协方差为状态量的协方差，过程噪声协方差为运算噪声的协方差；根据状态量来进行预测状态量的运算，且根据状态协方差及过程噪声协方差来进行预测协方差的运算，其中，预测协方差为预测状态量的协方差；获取车辆(900)的传感值；使用传感值及预测协方差来进行卡尔曼增益的运算；利用卡尔曼滤波器并根据卡尔曼增益、预测状态量及传感值来进行推定状态量的运算；利用卡尔曼滤波器并根据卡尔曼增益、预测协方差及传感值来进行推定协方差的运算；使用推定状态量来对过程噪声协方差进行修正；将推定状态量作为状态量，且将推定协方差作为状态协方差，来存入数据存储部。通过该方案，能够如上述那样将从传感器类得出的观测量利用到运算中，并且，能够抑制实质上与想要求取的状态量无关的过程噪声协方差变
动在想要求取的此状态量的推定处理上带来实质影响。因此，能以高精度且迅速地推定出车辆状态量
[0157]
本发明并不限于上述各实施方式，可以在本发明所示的范围内进行各种变更，与能容易替代的已知技术手段、诸如无迹(unscented)卡尔曼滤波器进行适当组合而得到的实施方式也包含在本发明的技术范围内。
[0158]
附图标记说明
[0159]
100
ꢀꢀ
状态量推定装置
[0160]
101
ꢀꢀ
数据存储部
[0161]
102
ꢀꢀ
预测量运算部
[0162]
103
ꢀꢀ
卡尔曼增益运算部
[0163]
104
ꢀꢀ
推定量运算部
[0164]
105
ꢀꢀ
重量成分提取部
[0165]
106
ꢀꢀ
过程噪声协方差修正部
[0166]
107
ꢀꢀ
获取部
[0167]
108
ꢀꢀ
传感器类
[0168]
150
ꢀꢀ
悬架装置
[0169]
200
ꢀꢀ
车体
[0170]
300
ꢀꢀ
车轮
[0171]
340
ꢀꢀ
前后加速度传感器
[0172]
360
ꢀꢀ
燃料传感器
[0173]
450
ꢀꢀ
车速传感器
[0174]
500
ꢀꢀ
引擎
[0175]
510
ꢀꢀ
车轮扭矩传感器
[0176]
540
ꢀꢀ
档位传感器
[0177]
550
ꢀꢀ
门开闭传感器
[0178]
600
ꢀꢀ
ecu(车重推定装置)
[0179]
900
ꢀꢀ
车辆