一种车辆状态参数确定方法、装置及汽车制造方法及图纸

本发明专利技术提供一种车辆状态参数确定方法、装置及汽车，涉及汽车技术领域。该方法包括：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。本发明专利技术的方案，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。

Method, device and vehicle for determining vehicle state parameters

The invention provides a method for determining vehicle state parameters, a device and a vehicle, and relates to the technical field of automobiles. The method includes: obtaining the current detection parameters of the vehicle, building the vehicle state model according to the preset vehicle model and the detection parameters, and using the adaptive untracked Calman filter to determine the vehicle state parameters according to the vehicle state model. The scheme of the invention solves the problem that the existing vehicle state parameter estimation is low in accuracy due to the introduction of errors.

【技术实现步骤摘要】
一种车辆状态参数确定方法、装置及汽车
本专利技术涉及汽车
，特别是指一种车辆状态参数确定方法、装置及汽车。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。本专利技术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+1T，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，本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
1.一种车辆状态参数确定方法，其特征在于，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。

【技术特征摘要】
1.一种车辆状态参数确定方法，其特征在于，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。2.根据权利要求1所述的车辆状态参数确定方法，其特征在于，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。3.根据权利要求2所述的车辆状态参数确定方法，其特征在于，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。4.根据权利要求2所述的车辆状态参数确定方法，其特征在于，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。5.根据权利要求4所述的车辆状态参数确定方法，其特征在于，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)。6.根据权利要求5所述的车辆状态参数确定方法，其特征在于，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，7.根据权利要求6所述的车辆状态参数确定方法，其特征在于，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+1T，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。8.一种车辆状态参数确定装置，其特征在于，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。9.根...

【专利技术属性】
技术研发人员：薛雪，代康伟，梁海强，张蓝文，
申请(专利权)人：北京新能源汽车股份有限公司，
类型：发明
国别省市：北京,11