一种四轮驱动轮毂电机汽车的纵向车速估计方法
1.本发明涉及轮毂电机驱动的电动汽车，具体涉及一种四轮驱动轮毂电机汽车纵向车速的估计方法，属于电动汽车主动安全控制领域。
背景技术：
2.随着电动汽车技术的快速发展，轮毂电机的应用成为主流，轮毂电机汽车的主动安全控制是轮毂电机汽车的关键技术。其中，汽车的纵向车速是车辆主动安全控制系统中的重要参数，对于传统燃油汽车而言，可以采用非驱动轮的轮速信息对纵向车速进行估计，但是对于四轮轮毂电机电动汽车而言，四个车轮都是驱动轮，不能再采用非驱动轮的轮速进行车速估计。目前常用于车辆纵向车速估计的算法主要包括卡尔曼滤波法、基于观测器法、基于雷达/gps测量法和基于车轮模型信息融合法。但当车辆的某个车轮出现滑转或抱死时，车轮速度会急剧增大或减小，此时车轮模型和状态观测器容易受到外界干扰，使得估计方法的稳定性得不到满足。
3.中国专利申请号为201910885710.x中提出了《一种基于多模型融合的轮毂电机驱动车辆车速估计方法》，该方法融合不同的传感器信号，采用卡尔曼滤波算法对数据进行滤波处理，通过采用加权融合方法实现车速估计。但该专利技术方案采用的是线性估计方法，忽略了复杂工况下车辆运动过程中的耦合性，该方案在车辆非线性运动系统中的适应性得不到满足。中国专利申请号2017100896997公开了《分布式驱动电动汽车路面自适应纵向车速估计系统及方法》，该发明根据纵向力估计器与路面峰值附着系数估计器互联在线估计纵向车速，该方法具有计算量小、通用性强的特点，但是该方法没有考虑到实际行驶过程中车辆动力特性对传感器采集数据的影响，当获得信号波动较大时易导致车速估计精准性降低。
4.容积卡尔曼滤波(cubature kalman filter,ckf)，是一种基于非线性系统的估计方法，该方法是一种基于容积数值积分准则的新型高斯滤波方法，其核心就是对多个等权值容积点的选取，并利用球径积分准则来实现非线性估计。由于容积卡尔曼滤波中采用的每个容积点的权值是相同的，因此能适应复杂的非线性强耦合系统。但在进行容积卡尔曼滤波过程中，其迭代信号容易受到外界干扰，尤其是车辆进入复杂工况时，滤波信号误差大，估计结果不准确。
5.因此针对四轮驱动轮毂电机汽车发生滑转或抱死的非线性复杂工况下，现有的纵向车速估计方法适应性、稳定性和精准性得不到满足的问题，设计一种适应性广、稳定性强、精度高的纵向车速估计方法具有重要的理论意义和实际价值。
技术实现要素：
6.针对上述问题，本发明的目的在于提供一种四轮独立驱动轮毂电机汽车的纵向车速估计方法，该方法首先通过采集车辆状态参数，使用扩展传感器数据方法，对容积卡尔曼滤波方法进行改进，增加平衡加权因子，通过加权融合得到纵向车速观测值；其次利用四个
驱动轮转速信号进行综合判别，实时识别车辆当前行驶状态，制定模糊逻辑规则得到每个驱动轮相似系数，通过融合积分得到纵向车速的估计值；最后根据纵向车速观测值和估计值进行综合分析，通过引入工况适应因子，加权融合得到最终的纵向车速。该方法在复杂非线性工况下的适应性好，稳定性强，能实时准确的实现纵向车速估计。
7.本发明是采用如下技术方案实现的：
8.步骤一：首先采集车辆状态参数，使用扩展传感器数据方法，然后对容积卡尔曼滤波方法进行改进，增加平衡加权因子，最后通过加权融合得到纵向车速的观测值：
9.(1)根据车载传感器测量得到车辆配置参数，通过数据总线采集车辆状态参数；其中，所述车辆配置参数包括整车质量、车身转动惯量、整车轴距和车轮轮距；所述车辆状态参数包括四个驱动轮转速、驱动轮转动角速度、纵向加速度、侧向加速度、横摆角速度和前轮转角；所述数据总线包括汽车can总线和flexray总线；
10.(2)使用扩展传感器数据方法时，将纵向加速度输出信号作为测量反馈；将驱动轮转动角速度信号和车轮行驶滚动半径结合，实现对车轮原始车速的预测；将侧向加速度信号积分得到车辆侧向运动速度；
11.(3)采用改进的容积卡尔曼滤波构建卡尔曼滤波器；其中，所述改进的容积卡尔曼滤波是基于实际卡尔曼滤波迭代过程中滤波方差快速更新、滤波增益快速收敛的特性，改进容积卡尔曼滤波算法，引入平衡加权因子进行数值融合，减小因信号波动而造成的估计误差；其中，所述卡尔曼滤波器是将车辆的纵向速度作为状态变量，将车辆的纵向加速度、车轮滚动半径、四轮转动角速度和横摆角速度作为量测变量，将前轮转角作为控制变量，状态方程如下：
[0012][0013]
式中，v(k+1)表示k+1时刻系统纵向车速状态变量，vk表示k时刻系统状态变量，гk表示系统转移矩阵，w(k)表示系统观测噪声，m为汽车总质量，vy为侧向车速，γ为横摆角速度，δ为前轮转角，iz为车身绕z轴的转动惯量，a为质心到前轴的距离，b为质心到后轴的距离，bf为前轴轮距，br为后轴轮距，f
x1
表示左前轮纵向力，f
x2
表示右前轮纵向力，f
x3
表示左后轮纵向力，f
x4
表示右后轮纵向力，f
y1
表示左前轮侧向力，f
y2
表示右前轮侧向力，f
y3
表示左后轮侧向力，f
y4
表示右后轮侧向力。
[0014]
(4)根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行时间更新。其中，所述时间更新包括容积点计算、状态预测和容积点更新；
[0015]
其中，容积点计算过程如下：
[0016]
在笛卡尔坐标系下，球面径向积分的积分表达式为：
[0017][0018]
式中，un为球体表面，r为球体半径，exp(-r2)为权值方程，σ为积分单元；
[0019]
利用gass－hermite(高斯-埃尔米特)准则和三阶球面-径向容积准则，得到容积点积分为：
[0020][0021]
式中，rn为积分区域，n为向量维数，ξi为容积点集。
[0022]
其中，状态预测过程如下：
[0023]
状态变量预测：
[0024][0025]
式中，гk为状态转移矩阵；
[0026]
预测误差协方差为：
[0027][0028]
式中，wq为外界干扰噪声，为零均值、独立的高斯分布随机信号。
[0029]
其中，容积点更新过程如下：
[0030]
根据状态变量的统计特性，新的容积点为：
[0031][0032]
式中，x
ik+1/k
表示第i个新的容积点，s
k+1/k
为容积点更新时标准差。
[0033]
(5)根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行量测更新。其中，所述量测更新包括量测变量更新、量测误差更新和滤波增益更新；
[0034]
其中，量测变量更新过程如下：
[0035]
将新的容积点代入量测方程进行非线性函数传递，得量测变量为：
[0036][0037]
式中，为更新后的量测变量。
[0038]
其中，量测误差更新过程如下：
[0039]
更新后的量测误差协方差为：
[0040][0041]
式中，wr为协方差矩阵，p
γk+1
为量测误差协方差；
[0042]
更新后的状态变量和量测变量的互协方差为：
[0043][0044]
式中，p
xγk+1
为更新后的互协方差；
[0045]
其中，更新后的滤波增益为：
[0046][0047]
式中，k
k+1
为量测更新后滤波增益。
[0048]
(6)在步骤一(5)所述的量测更新基础上，基于实际卡尔曼滤波迭代过程中滤波增益快速收敛的特性，改进容积卡尔曼滤波算法，引入平衡加权因子进行数值融合，减小因信号波动而造成的误差，并结合迭代后的滤波值，得到纵向车速的观测值：
[0049][0050]
式中，α为平衡加权因子，为纵向车速滤波值，为纵向车速观测值。
[0051]
步骤二：首先通过分析步骤一(1)中所述的驱动轮转速信号，根据不同的工况(紧急驱动、紧急制动、带挡滑行)，制定不同的模糊逻辑规则，然后计算四个驱动轮与对应工况的相似系数，自适应选择基准转速，最后通过融合积分得到纵向车速的估计值：
[0052]
(1)首先面向紧急驱动、紧急制动、带档滑行的车辆复杂非线性工况，制定模糊逻辑推理规则；其中，所述模糊逻辑推理规则是将当前工况与紧急驱动、紧急制动、带档滑行3种车辆复杂非线性工况的相似程度用xk表示，xk的模糊论域为[cs ss vs]，对应一般相似，相似，很相似，分别取值为0.3、0.8、1，其中k＝1，2，3分别代表紧急驱动工况、紧急制动工况、带档滑行工况；
[0053]
(2)进行工况识别判定，以紧急制动减速工况为例进行分析，当车辆处于紧急制动工况时，四个驱动轮都可能发生较大滑转或抱死，根据该工况下轮速的变化规律，在保证稳定性的前提下以相似程度的方式表征当前车辆加速度与工况的对应特性，将四个驱动轮分别进入判断状态，并输出对应的相似系数；
[0054]
(3)若当前车轮已经处于判断状态或处于判断状态时间超过时间阈值，则当前车轮跳出判断状态，并由下一优先级车轮进入判断状态；
[0055]
(4)若四个驱动轮均没有被进入判断状态，则表明当前车辆行使工况为正常工况，判断状态结束；
[0056]
(5)根据四个驱动轮判断后输出的相似系数，采用加权平均法得到当前工况下的基准车轮转速：
[0057][0058]
式中，w
opt
为当前工况下的基准转速，w
optk
为不同工况下的转速，uk为相似系数。
[0059]
(6)根据当前工况下的基准车速，进行积分融合，得到纵向车速估计值为：
[0060][0061]
式中，r为当前工况下车轮的滚动半径，v
x
′
为纵向车速估计值。
[0062]
步骤三：根据纵向车速观测值和估计值进行综合分析，结合工况因子，通过加权融合得到最终的纵向车速：
[0063]
(1)根据基于改进容积卡尔曼滤波的纵向车速观测值和基于模糊逻辑工况识别的
纵向车速估计值进行综合分析时，提出工况因子；其中，所述工况因子用ε表示，其值由车轮滑转状态决定，若车轮完全抱死时，ε＝0；若车轮较大滑转时，0《ε《1；若车轮未发生滑转时，ε＝1；
[0064]
(2)根据工况因子，将纵向速度的观测值和估计值加权融合得到最终纵向车速估计结果：
[0065][0066]
式中，为纵向车速观测值，v
x
′
为纵向车速估计值，ε为工况因子。
[0067]
与现有技术相比本发明的有益效果是：
[0068]
1.本发明提供的一种四轮驱动轮毂电机汽车纵向车速估计方法，提出一种改进的容积卡尔曼滤波法，增加了平衡加权因子，综合考虑了转动角速度、纵向加速度、侧向加速度、横摆角速度和前轮转角信号在实际测试过程中的波动对纵向车速估计的影响，因此在复杂的工况下，尤其是在复杂的非线性强耦合系统中，该方法适应性强，能稳定且准确的实现纵向车速的估计。
[0069]
2.本发明提供的一种四轮驱动轮毂电机汽车纵向车速估计方法，提出的行驶工况判断方法，经过完整的优选设定和模糊逻辑推理过程，保证了行驶工况识别的准确性，提高了纵向车速估计的精度。
[0070]
3.本发明提供的一种四轮驱动轮毂电机汽车纵向车速估计方法，通过引入工况因子，综合考虑不同工况对车辆状态的影响，尤其是针对容易受到外界干扰而不能准确得到纵向车速的工况，该方法具有良好的鲁棒性。
附图说明
[0071]
下面结合附图对本发明作进一步的说明：
[0072]
图1纵向车速估计总体方案流程图
[0073]
图2纵向车速观观测值计算流程图
[0074]
图3改进的容积卡尔曼滤波流程图
[0075]
图4纵向车速估计值计算流程图
[0076]
图5车辆行驶工况判断流程图
[0077]
图6纵向车速最终估计结果计算流程图
具体实施方式
[0078]
参考图1，本发明是采用如下技术方案实现的：
[0079]
步骤一：参考图2，首先采集车辆状态参数，使用扩展传感器数据方法，然后对容积卡尔曼滤波方法进行改进，增加平衡加权因子，最后通过加权融合得到纵向车速的观测值：
[0080]
(1)根据车载传感器测量得到整车质量、车身转动惯量、整车轴距和车轮轮距配置参数，通过汽车can总线和flexray总线采集四个驱动轮转速、转动角速度、纵向加速度、侧向加速度、横摆角速度和前轮转角状态参数；
[0081]
(2)使用扩展传感器数据方法时，将纵向加速度输出信号作为测量反馈；将驱动轮转动角速度信号和车轮行驶滚动半径结合，实现对车轮原始车速的预测；将侧向加速度信
号积分得到车辆侧向运动速度；
[0082]
(3)采用改进的容积卡尔曼滤波构建卡尔曼滤波器；其中，所述改进的容积卡尔曼滤波是基于实际卡尔曼滤波迭代过程中滤波方差快速更新、滤波增益快速收敛的特性，改进容积卡尔曼滤波算法，引入平衡加权因子进行数值融合，减小因信号波动而造成的估计误差；其中，所述卡尔曼滤波器是将车辆的纵向速度作为状态变量，将车辆的纵向加速度、车轮滚动半径、四轮转动角速度和横摆角速度作为量测变量，将前轮转角作为控制变量，状态方程如下：
[0083][0084]
式中，v(k+1)表示k+1时刻系统纵向车速状态变量，vk表示k时刻系统状态变量，гk表示系统转移矩阵，w(k)表示系统观测噪声，m为汽车总质量，vy为侧向车速，γ为横摆角速度，δ为前轮转角，iz为车身绕z轴的转动惯量，a为质心到前轴的距离，b为质心到后轴的距离，bf为前轴轮距，br为后轴轮距，f
x1
表示左前轮纵向力，f
x2
表示右前轮纵向力，f
x3
表示左后轮纵向力，f
x4
表示右后轮纵向力，f
y1
表示左前轮侧向力，f
y2
表示右前轮侧向力，f
y3
表示左后轮侧向力，f
y4
表示右后轮侧向力。
[0085]
(4)参考图3，根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行时间更新。其中，所述时间更新包括容积点计算、状态预测和容积点更新；
[0086]
其中，容积点计算过程如下：
[0087]
在笛卡尔坐标系下，球面径向积分的积分表达式为：
[0088][0089]
式中，un为球体表面，r为球体半径，exp(-r2)为权值方程，σ为积分单元；
[0090]
利用gass－hermite(高斯-埃尔米特)准则和三阶球面-径向容积准则，得到容积点积分为：
[0091][0092]
式中，rn为积分区域，n为向量维数，ξi为容积点集。
[0093]
其中，状态预测过程如下：
[0094]
状态变量预测：
[0095][0096]
式中，гk为状态转移矩阵；
[0097]
预测误差协方差为：
[0098][0099]
式中，wq为外界干扰噪声，为零均值、独立的高斯分布随机信号。
[0100]
其中，容积点更新过程如下：
[0101]
根据状态变量的统计特性，新的容积点为：
[0102][0103]
式中，x
ik+1/k
表示第i个新的容积点，s
k+1/k
为容积点更新时标准差。
[0104]
(5)参考图3，根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行量测更新。其中，所述量测更新包括量测变量更新、量测误差更新和滤波增益更新；
[0105]
其中，量测变量更新过程如下：
[0106]
将新的容积点代入量测方程进行非线性函数传递，得量测变量为：
[0107][0108]
式中，为更新后的量测变量。
[0109]
其中，量测误差更新过程如下：
[0110]
更新后的量测误差协方差为：
[0111][0112]
式中，wr为协方差矩阵，p
γk+1
为量测误差协方差；
[0113]
更新后的状态变量和量测变量的互协方差为：
[0114][0115]
式中，p
xγk+1
为更新后的互协方差；
[0116]
其中，更新后的滤波增益为：
[0117][0118]
式中，k
k+1
为量测更新后滤波增益。
[0119]
(6)在步骤一(5)所述的量测更新基础上，基于实际卡尔曼滤波迭代过程中滤波增益快速收敛的特性，改进容积卡尔曼滤波算法，引入平衡加权因子进行数值融合，减小因信号波动而造成的误差，并结合迭代后的滤波值，得到纵向车速的观测值：
[0120][0121]
式中，α为平衡加权因子，为纵向车速滤波值，为纵向车速观测值。
[0122]
步骤二：参考图4，首先通过分析步骤一(1)中所述的驱动轮转速信号，根据不同的工况(紧急驱动、紧急制动、带挡滑行)，制定不同的模糊逻辑规则，然后计算四个驱动轮与对应工况的相似系数，自适应选择基准转速，最后通过融合积分得到纵向车速的估计值：
[0123]
(1)首先面向紧急驱动、紧急制动、带档滑行的车辆复杂非线性工况，制定模糊逻辑推理规则；其中，所述模糊逻辑推理规则是将当前工况与紧急驱动、紧急制动、带档滑行3
种车辆复杂非线性工况的相似程度用xk表示，xk的模糊论域为[cs ss vs]，对应一般相似，相似，很相似，分别取值为0.3、0.8、1，其中k＝1，2，3分别代表紧急驱动工况、紧急制动工况、带档滑行工况；
[0124]
(2)参考图5，进行工况识别判定，以紧急制动减速工况为例进行分析，当车辆处于紧急制动工况时，四个驱动轮都可能发生较大滑转或抱死，根据该工况下轮速的变化规律，在保证稳定性的前提下以相似程度的方式表征当前车辆加速度与工况的对应特性，将四个驱动轮分别进入判断状态，并输出对应的相似系数；
[0125]
(3)若当前车轮已经处于判断状态或处于判断状态时间超过时间阈值，则当前车轮跳出判断状态，并由下一优先级车轮进入判断状态；
[0126]
(4)若四个驱动轮均没有被进入判断状态，则表明当前车辆行使工况为正常工况，判断状态结束；
[0127]
(5)根据四个驱动轮判断后输出的相似系数，采用加权平均法得到当前工况下的基准车轮转速：
[0128][0129]
式中，w
opt
为当前工况下的基准转速，w
optk
为不同工况下的转速，uk为相似系数。
[0130]
(6)根据当前工况下的基准车速，进行积分融合，得到纵向车速估计值为：
[0131][0132]
式中，r为当前工况下车轮的滚动半径，v
x
′
为纵向车速估计值。
[0133]
步骤三：参考图6，根据纵向车速观测值和估计值进行综合分析，结合工况因子，通过加权融合得到最终的纵向车速：
[0134]
(1)根据基于改进容积卡尔曼滤波的纵向车速观测值和基于模糊逻辑工况识别的纵向车速估计值进行综合分析时，提出工况因子；其中，所述工况因子用ε表示，其值由车轮滑转状态决定，若车轮完全抱死时，ε＝0；若车轮较大滑转时，0《ε《1；若车轮未发生滑转时，ε＝1；以车辆进入紧急制动工况为例进行分析，此时车轮发生较大滑转，工况因子ε的值为0《ε《1；
[0135]
(2)根据工况因子，将纵向速度的观测值和估计值加权融合得到最终纵向车速估计结果：
[0136][0137]
式中，为纵向车速观测值，v
x
′
为纵向车速估计值，ε为工况因子。
