本發(fā)明涉及一種基于最小二乘和卡爾曼濾波的汽車質(zhì)量和道路坡度的聯(lián)合估計方法，其考慮了實車駕駛過程中剎車和轉(zhuǎn)彎的影響，實現(xiàn)了汽車質(zhì)量和道路坡度的實時動態(tài)聯(lián)合估計。

背景技術(shù)：

車輛動力學模型參數(shù)的實時估計是車輛控制的基礎(chǔ)，而汽車質(zhì)量和道路坡度是車輛動力學模型中的重要參數(shù)，準確實時的估計汽車質(zhì)量和道路坡度可以有效提高車輛動力性和經(jīng)濟性。根據(jù)汽車質(zhì)量在線調(diào)整換擋控制策略不僅能夠使自動換擋過程中車輛運行更加順暢,而且還能夠得到更為經(jīng)濟的換擋控制策略?；诘缆菲露取⑺俣群图铀俣鹊刃畔⒖梢杂嬎愠鲕囕v功率系數(shù)，由此估計克服空氣阻力和滾動阻力所需的發(fā)動機功率，從而實現(xiàn)排放控制。但車輛在實際駕駛過程中會經(jīng)常出現(xiàn)剎車和轉(zhuǎn)彎操作，嚴重影響實際駕駛過程中對汽車質(zhì)量和道路坡度的感知精度。因此，探索一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量和道路坡度的聯(lián)合估計方法對于提高汽車動力性和燃油經(jīng)濟性具有重要意義。

目前對于汽車質(zhì)量和道路坡度的獲取方法可以分為兩類，一類是基于傳感器的方法，一類是基于車輛縱向動力學模型的方法。基于傳感器的方法是通過在車輛上加裝額外的傳感器，例如單擺式角位移傳感器、慣性導航儀等來直接測出坡度角,再進一步計算車重。例如收集通過加裝加速度傳感器或者gps全球定位系統(tǒng)等獲取的坡度信號，先計算得到道路的坡道角，然后再基于車輛縱向動力學得到車輛的質(zhì)量。這種方法比較適用于靜態(tài)條件下如車輛起步時的坡度檢測，在常規(guī)車輛行駛過程中，受車身縱向加速度、懸架變形和路面顛簸的影響,傳感器不能得到路面坡度的正確值，且這些方法對gps信號的品質(zhì)要求比較高，在使用低成本的gps的情況下難以達到很好的效果?；谲囕v縱向動力學或者運動學的識別方法利用車輛的縱向動力學模型加上從汽車can總線上獲取的數(shù)據(jù)(例如發(fā)動機扭矩百分比、發(fā)動機轉(zhuǎn)速、車速、擋位等信號)來估算未知的系統(tǒng)參數(shù)。雖然這方面的方法有很多，但是一個共同的難題在于車輛自身參數(shù)(重量等)和外部阻力(坡度)變化的解耦，此外，道路的時變性也增加了估算過程的復雜性。實際駕駛過程中剎車和轉(zhuǎn)彎帶來的制動力和橫向動力會影響汽車縱向動力學模型，而現(xiàn)有方法沒有考慮實際駕駛過程中剎車和轉(zhuǎn)彎對參數(shù)估計的影響，這在實際應用中會大大降低汽車質(zhì)量和道路坡度的估計精度。

技術(shù)實現(xiàn)要素：

有鑒于此，為了解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于提供一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計方法，其考慮了實車駕駛過程中剎車和轉(zhuǎn)彎的影響，實現(xiàn)了汽車質(zhì)量和道路坡度的實時動態(tài)聯(lián)合估計。

為達到上述目的，本發(fā)明提供如下技術(shù)方案：

一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計方法，包括如下步驟：

步驟1：采集數(shù)據(jù)

步驟11：利用數(shù)據(jù)采集裝置獲取車輛行駛狀態(tài)數(shù)據(jù)；

步驟12：結(jié)合車輛行駛狀態(tài)數(shù)據(jù)和車輛固有參數(shù)，計算模型所需相關(guān)參數(shù)；

步驟2：基于車輛動力學模型建立汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型；

步驟3：分別基于汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型，構(gòu)建最小二乘質(zhì)量估計模型和卡爾曼濾波坡度估計模型；

步驟4：采用嵌套循環(huán)迭代進行汽車質(zhì)量和道路坡度聯(lián)合估計；

步驟5：采用狀態(tài)保持的方式消除剎車和轉(zhuǎn)彎的影響。

進一步，所述步驟11中，車輛行駛狀態(tài)數(shù)據(jù)包括轉(zhuǎn)矩t、車速v、發(fā)動機轉(zhuǎn)速n；

所述步驟12中，車輛固有參數(shù)包括輪胎滾動半徑r、主減速器傳動比i0、道路滾動阻力系數(shù)f、傳動系機械效率η、車輛空氣阻力系數(shù)cd、車輛正向迎風面積a；

模型所需相關(guān)參數(shù)包括加速度a和變速器傳動比ig；

其中，加速度a可由速度v對時間差分獲得，第k時刻的加速度表示為：

δt為數(shù)據(jù)采集裝置的采樣周期；

變速器傳動比ig的計算方法為：

進一步，車輛縱向動力學模型為：

得到汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型；

其中，ft為車輛驅(qū)動力，ff為滾動阻力，fi為坡度阻力，fv為空氣阻力；m為汽車質(zhì)量、io為變速器傳動比，ig是傳速器傳動比，η為機械效率，fr為滾動阻力，ρ是空氣密度、cd是空氣阻力系數(shù)；i為道路坡度；σ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

進一步，所述步驟3包括如下步驟：

步驟31：將汽車縱向動力學模型轉(zhuǎn)化成最小二乘辨識形式，得到汽車質(zhì)量的最小二乘辨識模型；

步驟32：將汽車縱向動力學模型離散化，改寫為狀態(tài)空間方程形式，基于狀態(tài)空間方程建立卡爾曼濾波坡度估計模型。

進一步，所述步驟31中，將坡度看作已知參數(shù)，單獨對汽車質(zhì)量進行最小二乘辨識，根據(jù)汽車動力學模型，將車輛縱向動力學模型轉(zhuǎn)化成如下最小二乘形式：

步驟31-a：建立帶遺忘因子的最小二乘辨識模型

設(shè)系統(tǒng)的輸入輸出關(guān)系可以描述成如下的最小二乘形式：

z(k)＝h^t(k)θ+n(k)

其中，z(k)是系統(tǒng)的輸出，h(k)是可觀測數(shù)據(jù)向量，n(k)為白噪聲，θ為待估計參數(shù)，定義準則函數(shù)為：

其中λ(i)為加權(quán)函數(shù)，λ分別為模型待估參數(shù)θ對應的遺忘因子；

利用序列{z(k)}和{h(k)}，極小化準則函數(shù)，即對θ求導，可求得參數(shù)θ的最小二乘估計值第k時刻的參數(shù)估計值可以表示為：

將上述估計結(jié)果轉(zhuǎn)化為遞推形式，得到帶多遺忘因子的最小二乘遞推估計模型如下：

其中：

步驟31-b：建立帶遺忘因子的最小二乘遞推質(zhì)量估計模型

將車輛縱向動力學模型最小二乘形式應用于最小二乘遞推估計模型，則有：

將上式帶入最小二乘遞推質(zhì)量估計模型可得帶多遺忘因子的最小二乘質(zhì)量估計模型的遞推形式為：

其中，λ分別為兩個待估計參數(shù)m對應的遺忘因子，取值范圍為[0,1)。

進一步，所述步驟32中，常規(guī)下狀態(tài)空間描述的表達式為：

其中是指狀態(tài)變量，u∈r是系統(tǒng)輸入，y∈r^m是系統(tǒng)輸出，而a∈r^n×n,b∈rⁿ,c∈r^m×n表示系統(tǒng)參數(shù)矩陣；

假設(shè)道路坡度沒有發(fā)生突變，則狀態(tài)方程可以描述為：

為了實現(xiàn)道路坡度的實時遞推估計，將狀態(tài)方程離散化，則：

得到車輛最后實現(xiàn)離散狀態(tài)空間描述

其中，

h(k)＝[10]

在以上式子中，w(k)和v(k)分別為測量噪聲和狀態(tài)噪聲，其相對應的噪聲協(xié)方差分別為r(k)和q(k)。r(k)為系統(tǒng)測量噪聲協(xié)方差、q(k)為系統(tǒng)狀態(tài)噪聲協(xié)方差、s(k)為k時刻汽車行駛距離。

進一步，所述步驟4中，選取合理的估計步長，保證坡度估計在每一步內(nèi)的收斂性，從而保證聯(lián)合估計的收斂性；再采用中值濾波法對當前步的坡度估計結(jié)果進行濾波處理，將濾波后的坡度估計結(jié)果帶入最小二乘質(zhì)量估計模型中，估計出當前步的質(zhì)量，將其作為下一步坡度估計的輸入，如此往復循環(huán)。

進一步，對實車數(shù)據(jù)進行質(zhì)量-坡度聯(lián)合估計時，若k時刻數(shù)據(jù)表示剎車或者方向盤轉(zhuǎn)角超出設(shè)定范圍，k時刻的聯(lián)合估計停止，輸出保持為第k-1時刻的估計值，若k時刻數(shù)據(jù)表示沒剎車且方向盤轉(zhuǎn)角在設(shè)定范圍內(nèi)時，進行正常的質(zhì)量坡度循環(huán)遞推估計。

本發(fā)明的有益效果在于：

本發(fā)明考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計方法，通過最小二乘與卡爾曼濾波嵌套循環(huán)估計的方式實現(xiàn)了對慢變的汽車質(zhì)量和快變的道路坡度這兩個相互耦合的參數(shù)的實時動態(tài)估計，同時還通過引入狀態(tài)保持器克服了剎車和轉(zhuǎn)彎對汽車質(zhì)量和道路坡度聯(lián)合估計的影響，進而提高了實車駕駛過程中復雜駕駛環(huán)境下汽車質(zhì)量和道路坡度估計的精度和適用范圍。從而為汽車智能系統(tǒng)提供實時的道路坡度信息和汽車負載情況，為自動駕駛輔助決策、綠色駕駛、及自動變速器換擋控制提供重要的依據(jù)，從而實現(xiàn)安全、經(jīng)濟、舒適駕駛。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明：

圖1為本發(fā)明采用的基于obd-ii接口的數(shù)據(jù)采集框架圖；

圖2為本發(fā)明采用的汽車質(zhì)量和道路坡度嵌套循環(huán)聯(lián)合估計流程圖；

圖3為本發(fā)明采用的消除剎車和轉(zhuǎn)彎對聯(lián)合估計影響的狀態(tài)保持方案圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明作進一步說明，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實施，但所舉實施例不作為對本發(fā)明的限定。

本實施例考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計方法，包括如下步驟：

步驟1：采集數(shù)據(jù)

步驟11：利用數(shù)據(jù)采集裝置獲取車輛行駛狀態(tài)數(shù)據(jù)

如圖1所示，本實施例采用美國福特汽車公司提供的openxc插入到obd-ii接口，然后開發(fā)基于數(shù)據(jù)采集軟件app，通過藍牙設(shè)備接收實時的車輛行駛狀態(tài)數(shù)據(jù)存于手機移動終端，具體的，車輛行駛狀態(tài)數(shù)據(jù)包括轉(zhuǎn)矩t、車速v、發(fā)動機轉(zhuǎn)速n、油門開度th、剎車信號br、方向盤轉(zhuǎn)角steer、檔位信息ge。

步驟12：結(jié)合車輛行駛狀態(tài)數(shù)據(jù)和車輛固有參數(shù)，計算模型所需相關(guān)參數(shù)

車輛固有參數(shù)包括輪胎滾動半徑r、主減速器傳動比i0、道路滾動阻力系數(shù)f、傳動系機械效率η、車輛空氣阻力系數(shù)cd、車輛正向迎風面積a。

模型所需相關(guān)參數(shù)包括加速度a和變速器傳動比ig；

其中，加速度a可由速度v對時間差分獲得，第k時刻的加速度表示為：

δt為數(shù)據(jù)采集裝置的采樣周期；

變速器傳動比ig的計算方法為：

步驟2：基于車輛動力學模型建立汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型

汽車縱向動力學模型如下：

σma＝ft-ff-fi-fa

其中，ft為車輛驅(qū)動力，且

ff為滾動阻力，且fr＝mgfrcosi；

fi為坡度阻力，且fi＝mgsini；

fa為空氣阻力，且

由道路設(shè)計規(guī)范標準可以知道，道路坡度設(shè)計中一般不超過10度，因此為了模型簡化，可以將cosi近似等于1，將sini近似為sini≈i?？傻茫?/p>

其中m為汽車質(zhì)量、ig為變速器傳動比、io是傳速器傳動比，η為機械效率，f為滾動阻力系數(shù)，ρ是空氣密度、cd是空氣阻力系數(shù)，i為道路坡度；σ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

步驟3：分別基于汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型，構(gòu)建最小二乘質(zhì)量估計模型和卡爾曼濾波坡度估計模型

步驟31：將汽車縱向動力學模型轉(zhuǎn)化成最小二乘辨識形式，得到汽車質(zhì)量的最小二乘辨識模型

此時將坡度看作已知參數(shù)，單獨對汽車質(zhì)量進行最小二乘辨識，根據(jù)汽車動力學模型，將車輛縱向動力學模型轉(zhuǎn)化成如下最小二乘形式：

步驟31-a：建立帶遺忘因子的最小二乘辨識模型

在車輛啟動后，車輛質(zhì)量m幾乎不變，是一個慢變量，但由于其所處動力學系統(tǒng)是一個時變的系統(tǒng)，舊的數(shù)據(jù)會帶來數(shù)據(jù)飽和影響辨識結(jié)果，需要引入遺忘因子,以突出新的數(shù)據(jù)，從而加強最小二乘辨識的跟蹤能力。

設(shè)系統(tǒng)的輸入輸出關(guān)系可以描述成如下的最小二乘形式：

z(k)＝h^t(k)θ+n(k)

其中，z(k)是系統(tǒng)的輸出，h(k)是可觀測數(shù)據(jù)向量，n(k)為白噪聲，θ為待估計參數(shù)，定義準則函數(shù)為：

其中λ(i)為加權(quán)函數(shù)，λ分別為模型待估參數(shù)θ對應的遺忘因子；

利用序列{z(k)}和{h(k)}，極小化準則函數(shù)，即對θ求導，可求得參數(shù)θ的最小二乘估計值第k時刻的參數(shù)估計值可以表示為：

為了保證車輛質(zhì)量估計系統(tǒng)能夠?qū)崟r更新估計結(jié)果，將上述估計結(jié)果轉(zhuǎn)化為遞推形式，得到帶多遺忘因子的最小二乘遞推估計模型如下：

其中：

步驟31-b：建立帶遺忘因子的最小二乘遞推質(zhì)量估計模型

將車輛縱向動力學模型最小二乘形式應用于最小二乘遞推估計模型，則有：

將上式帶入最小二乘遞推質(zhì)量估計模型可得帶多遺忘因子的最小二乘質(zhì)量估計模型的遞推形式為：

其中，λ分別為兩個待估計參數(shù)m對應的遺忘因子，取值范圍為[0,1)，默認情況下λ1取為0.95。

步驟32：將汽車縱向動力學模型離散化，改寫為狀態(tài)空間方程形式，基于狀態(tài)空間方程建立卡爾曼濾波坡度估計模型

常規(guī)下狀態(tài)空間描述的表達式為：

其中是指狀態(tài)變量，u∈r是系統(tǒng)輸入，y∈r^m是系統(tǒng)輸出，而a∈r^n×n,b∈rⁿ,c∈r^m×n表示系統(tǒng)參數(shù)矩陣；

假設(shè)道路坡度沒有發(fā)生突變，則狀態(tài)方程可以描述為：

為了實現(xiàn)道路坡度的實時遞推估計，將狀態(tài)方程離散化，則：

得到車輛最后實現(xiàn)離散狀態(tài)空間描述

其中，

h(k)＝[10]

在以上式子中，w(k)和v(k)分別為測量噪聲和狀態(tài)噪聲，其相對應的噪聲協(xié)方差分別為r(k)和q(k)。r(k)為系統(tǒng)測量噪聲協(xié)方差、q(k)為系統(tǒng)狀態(tài)噪聲協(xié)方差、s(k)為k時刻汽車行駛距離。

步驟4：采用嵌套循環(huán)迭代進行汽車質(zhì)量和道路坡度聯(lián)合估計

質(zhì)量估計對坡度的變化很敏感，如果在一步內(nèi)坡度估計不能收斂到正確的值，質(zhì)量估計就會出錯，從而使得整個聯(lián)合估計不收斂。通過選取合理的估計步長，本實施例默認選取估計步長為5s，保證坡度估計在每一步內(nèi)的收斂性，從而保證聯(lián)合估計的收斂性。再采用中值濾波法對當前步的坡度估計結(jié)果進行濾波處理，將濾波后的坡度估計結(jié)果帶入最小二乘質(zhì)量估計中，估計出當前步的質(zhì)量，將其作為下一步坡度估計的輸入，如此往復循環(huán)估。

步驟5：采用狀態(tài)保持的方式消除剎車和轉(zhuǎn)彎的影響。

對實車數(shù)據(jù)進行質(zhì)量-坡度聯(lián)合估計時，若k時刻數(shù)據(jù)表示剎車或者方向盤轉(zhuǎn)角超出設(shè)定范圍，k時刻的聯(lián)合估計停止，輸出保持為第k-1時刻的估計值，若k時刻數(shù)據(jù)表示沒剎車且方向盤轉(zhuǎn)角在設(shè)定范圍內(nèi)時，進行正常的質(zhì)量坡度循環(huán)遞推估計。本實施例的設(shè)定范圍為(-10°，10°)。

具體的，本實施例第一階段，對100s內(nèi)的實車數(shù)據(jù)進行考慮剎車和方向盤轉(zhuǎn)角的質(zhì)量-坡度聯(lián)合估計。若該段數(shù)據(jù)的剎車和轉(zhuǎn)角超出(-10°，10°)的次數(shù)小于數(shù)據(jù)總采集次數(shù)的20％，本次聯(lián)合估計有效，將質(zhì)量估計的收斂值最作為該次行程的汽車和乘客的總質(zhì)量；反之，本次聯(lián)合估計無效，并對下一個100s的數(shù)據(jù)進行前兩步操作；若本次聯(lián)合估計有效，進入第二階段，將聯(lián)合估計得到的質(zhì)量作為輸入，進行考慮剎車和方向盤轉(zhuǎn)角的坡度實時估計。

本實施例考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計方法，通過最小二乘與卡爾曼濾波嵌套循環(huán)估計的方式實現(xiàn)了對慢變的汽車質(zhì)量和快變的道路坡度這兩個相互耦合的參數(shù)的實時動態(tài)估計，同時還通過引入狀態(tài)保持器克服了剎車和轉(zhuǎn)彎對汽車質(zhì)量和道路坡度聯(lián)合估計的影響，進而提高了實車駕駛過程中復雜駕駛環(huán)境下汽車質(zhì)量和道路坡度估計的精度和適用范圍。從而為汽車智能系統(tǒng)提供實時的道路坡度信息和汽車負載情況，為自動駕駛輔助決策、綠色駕駛、及自動變速器換擋控制提供重要的依據(jù)，從而實現(xiàn)安全、經(jīng)濟、舒適駕駛。

以上所述實施例僅是為充分說明本發(fā)明而所舉的較佳的實施例，本發(fā)明的保護范圍不限于此。本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明基礎(chǔ)上所作的等同替代或變換，均在本發(fā)明的保護范圍之內(nèi)。本發(fā)明的保護范圍以權(quán)利要求書為準。