【技术实现步骤摘要】
本专利技术涉及车辆工程，尤其涉及一种全工况路面坡度估算方法、装置及存储介质。
技术介绍
1、随着车辆智能化的推进，路面坡度信息能够为车辆控制提供参考数据，优化发动机燃油消耗以及车辆行驶的舒服性，并且能够预防车辆行驶过程中发生侧翻。传统路面坡度检测方法利用单摆式角位移传感器或单一车辆动力学模型来测量坡度数据。但是，单摆式角位移传感器测量过程受汽车高频瞬态运动特性及行驶工况的影响，导致量测信噪比低，测量坡度值不准确。车辆动力学模型依赖准确的模型参数，高频噪声扰动和车辆加速阻力导致模型计算精确度低。
2、综上，相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本专利技术实施例提供了一种全工况路面坡度估算方法、装置及存储介质，有效地提高了精确度。
2、一方面，本专利技术实施例提供了一种全工况路面坡度估算方法，包括以下步骤：
3、获取车辆测量数据、车辆纵向运动学模型和车辆纵向动力学模型；
4、根据所述车辆纵向运动学模型，构建运动学系统状态方程和运动学系统观测方程；
5、根据所述车辆纵向动力学模型，构建动力学系统状态方程和动力学系统观测方程；
6、利用箱型图法对所述车辆测量数据进行异常点检测处理，得到目标车辆数据；
7、根据所述目标车辆数据、所述运动学系统状态方程和所述运动学系统观测方程，利用卡尔曼滤波法计算所述车辆纵向运动学模型下的第一路面坡度值；
8、根据所述目标车辆数据、所述动力学系统
9、根据所述第一路面坡度值和所述第二路面坡度值，利用交互式多模型法进行数据融合，得到全工况路面坡度值，所述全工况路面坡度值用于调整车辆行驶参数。
10、在一些实施例中，所述根据所述车辆纵向运动学模型，构建运动学系统状态方程和运动学系统观测方程，包括：
11、根据所述车辆纵向运动学模型，构建运动学系统状态向量；
12、根据加速度传感器量测方程，构建坡度值方程；
13、根据所述运动学系统状态向量和所述坡度值方程，构建所述运动学系统状态方程；
14、对所述运动学系统状态方程进行矩阵转换，得到运动学矩阵状态方程；
15、根据所述运动学矩阵状态方程，构建所述运动学系统观测方程。
16、在一些实施例中，所述根据所述车辆纵向动力学模型，构建动力学系统状态方程和动力学系统观测方程，包括：
17、根据发动机当前输出扭矩、变速器的主减速比、变速器的传动比、涡轮到主动轮之间的传动效率和轮胎半径，计算车辆驱动力；
18、根据空气密度、空气阻力系数、汽车迎风面积和空气流动相对速度，计算空气阻力；
19、根据整车质量、滚动阻力系数、重力加速度和坡度角，计算滚动阻力；
20、根据所述整车质量、所述重力加速度和所述坡度角，计算坡度阻力；
21、根据所述整车质量、车辆加速度和旋转质量惯性力偶矩转化为平移质量惯性力的常系数，计算加速阻力；
22、根据所述车辆纵向动力学模型、所述车辆驱动力、所述空气阻力、所述滚动阻力、所述坡度阻力和所述加速阻力，构建车辆纵向动力学方程；
23、对所述车辆纵向动力学方程进行泰勒展开，得到车辆纵向动力学离散模型；
24、根据所述车辆纵向动力学离散模型、所述整车质量和所述坡度角，构建动力学系统状态向量；
25、根据等效坡度和所述动力学系统状态向量，构建动力学系统状态空间方程；
26、对所述动力学系统状态向量进行简化，得到动力学简化状态向量；
27、根据所述动力学系统状态空间方程和所述动力学简化状态向量，构建系统状态微分方程；
28、采用前向欧拉法对所述系统状态微分方程进行离散，得到离散化差分方程；
29、根据所述离散化差分方程，构建动力学离散卡尔曼滤波方程；
30、根据所述离散化差分方程和所述动力学离散卡尔曼滤波方程，构建离散状态方程；
31、根据所述离散状态方程，构建所述动力学系统状态方程；
32、根据所述离散状态方程和观测矩阵，构建所述动力学系统观测方程。
33、在一些实施例中，所述利用箱型图法对所述车辆测量数据进行异常点检测处理，得到目标车辆数据，包括：
34、构建箱型图，所述箱型图包括最小值、下四分位数、中位数、上四分位数和最大值；
35、根据所述车辆测量数据和所述箱型图，构建异常值检测方程；
36、对所述异常值检测方程进行微分处理，得到异常值检测微分方程；
37、对所述异常值检测微分方程进行简化，得到异常值检测简化方程；
38、对所述异常值检测简化方程进行转换，得到所述目标车辆数据。
39、在一些实施例中，所述根据所述目标车辆数据、所述运动学系统状态方程和所述运动学系统观测方程，利用卡尔曼滤波法计算所述车辆纵向运动学模型下的第一路面坡度值，包括：
40、根据所述运动学系统状态方程和所述运动学系统观测方程，构建运动学卡尔曼滤波方程；
41、根据所述目标车辆数据，计算预测状态量和预测误差协方差矩阵；
42、根据所述预测误差协方差矩阵，计算卡尔曼增益；
43、根据所述预测状态量和所述卡尔曼增益，计算目标估计状态量；
44、根据所述预测误差协方差矩阵和所述卡尔曼增益，计算目标估计误差协方差；
45、根据所述运动学卡尔曼滤波方程、所述目标估计状态量和所述目标估计误差协方差，计算所述第一路面坡度值。
46、在一些实施例中，所述根据所述目标车辆数据、所述动力学系统状态方程和所述动力学系统观测方程，利用递归最小二乘法计算所述车辆纵向动力学模型下的第二路面坡度值，包括：
47、对所述车辆纵向动力学方程进行最小二乘法转换，得到最小二乘法形式模型；
48、根据所述最小二乘法形式模型，构建代价函数；
49、对所述代价函数进行求解，得到代价函数值；
50、根据所述代价函数值，构建初始递归最小二乘法方程组；
51、根据遗忘因子和所述初始递归最小二乘法方程组，构建目标递归最小二乘法方程组；
52、根据所述车辆纵向动力学方程，构建递归最小二乘法质量估计模型；
53、根据所述目标递归最小二乘法方程组和所述递归最小二乘法质量估计模型，构建递归最小二乘法整车质量估计模型方程组；
54、根据所述目标车辆数据和所述递归最小二乘法整车质量估计模型方程组，计算整车质量估计值；
55、根据所述整车质量估计值、所述动力学系统状态方程和所述动力学系统观测方程，计算所述第二路面坡度值。
56、在一些实施例中，所述根据所述第一路面坡度值本文档来自技高网...
【技术保护点】
1.一种全工况路面坡度估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆纵向运动学模型，构建运动学系统状态方程和运动学系统观测方程，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆纵向动力学模型，构建动力学系统状态方程和动力学系统观测方程，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用箱型图法对所述车辆测量数据进行异常点检测处理，得到目标车辆数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆数据、所述运动学系统状态方程和所述运动学系统观测方程，利用卡尔曼滤波法计算所述车辆纵向运动学模型下的第一路面坡度值，包括：
6.根据权利要求3所述的方法，其特征在于，所述根据所述目标车辆数据、所述动力学系统状态方程和所述动力学系统观测方程，利用递归最小二乘法计算所述车辆纵向动力学模型下的第二路面坡度值，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一路面坡度值和所述第二路面坡度值，利用交互式多模型法进行数
8.一种全工况路面坡度估算装置，其特征在于，包括：
9.一种计算机装置，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种全工况路面坡度估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆纵向运动学模型，构建运动学系统状态方程和运动学系统观测方程，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆纵向动力学模型，构建动力学系统状态方程和动力学系统观测方程，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用箱型图法对所述车辆测量数据进行异常点检测处理，得到目标车辆数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆数据、所述运动学系统状态方程和所述运动学系统观测方程，利用卡尔曼滤波法计算所述车辆纵向运动学模型下的第一路面坡度...
【专利技术属性】
技术研发人员：贺宜，何润添，尹建华，张大庆，吴钪，易涵之，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。