基于二分法的车辆状态参数融合估计

doi:10.19562/j.chinasae.qcgc.2022.12.012

摘要/Abstract

摘要：

为提高车辆状态参数估计的精度和可靠性，提出一种基于二分法的车辆状态参数融合估计方法。首先，设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后，为了进一步提高估计算法的可靠性和减小单一算法的估计误差，提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法，基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重，利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明，估计结果变化趋势与实际相符，所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。

关键词: 状态参数, 融合估计, 二分法, 扩展卡尔曼滤波算法, 径向基神经网络算法

Abstract:

In order to enhance the accuracy and reliability of vehicle state parameters estimation， a vehicle state fusion estimation method based on dichotomy is proposed. Firstly， an extended Kalman filtering （EKF） algorithm based on the vehicle 3-DOF dynamic model and the data-driven radial basis function （RBF） neural network estimation algorithm are designed. Then for further raising the reliability of the estimation algorithm and reducing the estimation error of single algorithm， a fusion estimation method is proposed with model-driven estimation algorithm and data-driven estimation algorithm compensating each other. The weights of the estimation results of EKF and RBF neural network are assigned based on dichotomy and the fusion of algorithms enhances the estimation accuracy. Finally， the co-simulation of MATLAB/Simulink and CarSim， and the real vehicle in-the-loop experiment are performed to verify the effectiveness of the fusion method. The results show that the change trend of the estimation result is consistent with the real one， and the estimation accuracy of fusion algorithm proposed is significantly enhanced， compared to RBFNN and single EKF algorithms.

Key words: state parameters, fusion estimation, dichotomy, EKF algorithm, RBF neural network algorithm

查云飞,吕小龙,刘鑫烨,马芳武. 基于二分法的车辆状态参数融合估计[J]. 汽车工程, 2022, 44(12): 1910-1918.

Yunfei Zha,Lü Xiaolong,Xinye Liu,Fangwu Ma. Fusion Estimation of Vehicle State Parameters Based on Dichotomy[J]. Automotive Engineering, 2022, 44(12): 1910-1918.

图/表 16

图1

图2

图3

表 1

图4

图5

表2

图6

图7

图8

表3

图9

图10

图11

图12

表4

参考文献 25

1	GAUTAM A， VERMA G， QAMAR S， et al. Vehicle pollution monitoring， control and challan system using MQ2 sensor based on internet of things［J］. Wireless Personal Communications， 2021， 116（2）： 1071-1085.
2	ZHANG T， ZHANG D， YAN H， et al. A new method of data missing estimation with FNN-based tensor heterogeneous ensemble learning for internet of vehicle［J］. Neurocomputing， 2021， 420： 98-110.
3	ZHA Y， QUAN X， MA F， et al. Stability control for a four-wheel-independent-drive electric vehicle based on model predictive control［J］. SAE International Journal of Vehicle Dynamics， Stability， and NVH， 2021， 5（2）： 191-204.
4	WEI H， HUANG Y， HU F， et al. Motion estimation using region-level segmentation and extended Kalman filter for autonomous driving［J］. Remote Sensing， 2021， 13 （9）： 1828.
5	LI L， JIA G， RAN X， et al. A variable structure extended Kalman filter for vehicle sideslip angle estimation on low friction road［J］. Vehicle System Dynamics， 2014， 52 （2）： 280-308.
6	张志勇，张淑芝，黄彩霞，等.基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计［J］.机械工程学报，2019，55 （6）： 156-165.
	ZHANG Z Y， ZHANG S Z， HUANG C X， et al. State estimation of distributed drive electric vehicle based on adaptive extended Kalman filter［J］. Journal of Mechanical Engineering， 2019，55（6）： 156-165.
7	XIONG L， XIA X， LU Y， et al. IMU-based automated vehicle body sideslip angle and attitude estimation aided by GNSS using parallel adaptive Kalman filters［J］. IEEE Transactions on Vehicular Technology， 2020， 69（10）： 10668-10680.
8	KIM D， MIN K， KIM H， et al. Vehicle sideslip angle estimation using deep ensemble-based adaptive Kalman filter［J］. Mechanical Systems and Signal Processing， 2020， 144： 106862.
9	RUGGABER J， BREMBECK J. A novel Kalman filter design and analysis method considering observability and dominance properties of measurands applied to vehicle state estimation［J］. Sensors， 2021， 21（14）： 4750.
10	李静，石求军，洪良，等. 基于车辆状态估计的商用车 ESC 神经网络滑模控制［J］. 吉林大学学报（工学版）， 2020， 50（5）： 1545-1555.
	LI J， SHI Q J， HONG L， et al. Commercial vehicle ESC neural network sliding mode control based on vehicle state estimation［J］. Journal of Jilin University （Engineering and Technology Edition）， 2020， 50（5）： 1545-1555.
11	LIU W， HE H， SUN F. Vehicle state estimation based on minimum model error criterion combining with extended Kalman filter［J］. Journal of the Franklin Institute， 2016， 353（4）： 834-856.
12	CHEN T， XU X， CHEN L， et al. Estimation of longitudinal force， lateral vehicle speed and yaw rate for four-wheel independent driven electric vehicles［J］. Mechanical Systems and Signal Processing， 2018， 101： 377-388.
13	NOVI T， CAPITANI R， ANNICCHIARICO C. An integrated artificial neural network–unscented Kalman filter vehicle sideslip angle estimation based on inertial measurement unit measurements ［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2019， 233（7）： 1864-1878.
14	SPIELBERG N A， BROWN M， KAPANIA N R， et al. Neural network vehicle models for high-performance automated driving［J］. Science Robotics， 2019， 4（28）： 1-13.
15	WANG Q， WU Z. Robust output feedback control for input-saturated systems based on a sliding mode observer［J］. Circuits， Systems， and Signal Processing， 2021， 40（5）： 2267-2281.
16	陈特，陈龙，蔡英凤，等.基于纵向力伪测量的分布式驱动电动汽车行驶状态估计［J］.机械工程学报，2019，55 （18）： 86-94.
	CHEN T， CHEN L， CAI Y F， et al. Estimation of driving states based on pseudo-measurements of longitudinal force for distributed drive electric vehicles［J］. Journal of Mechanical Engineering， 2019， 55（18）： 86-94.
17	刘刚，靳立强. 基于多模型交互的复杂工况下车辆状态估计［J］. 汽车工程， 2018， 40 （5）： 584-589.
	LIU G， JING L Q. Vehicle state parameter estimation in complicated conditions based on interacting multiple model algorithm［J］. Automotive Engineering， 2018， 40（5）： 584-589.
18	陈特，陈龙，蔡英凤，等.基于多模型迭代的车辆状态融合估计方法［J］.农业机械学报，2018，49（6）： 385-392.
	CHEN T， CHEN L， CAI Y F， et al. Vehicle state fusion estimation method based on multi-model iteration［J］. Journal of Mechanical Engineering， 2018，49（6）： 385-392.
19	高博麟，陈慧，谢书港，等.分布式电驱动车车速及路面附着系数融合估计［J］.汽车工程， 2016， 38（2）： 216-220.
	GAO B L， CHEN H， XIE S G， et al. Velocity and road friction coefficient fusion estimation of distributed electric drive vehicle［J］. Automotive Engineering， 2016， 38（2）： 216-220.
20	LI X， CHAN C， WANG Y. A reliable fusion methodology for simultaneous estimation of vehicle sideslip and yaw angles［J］. IEEE Transactions on Vehicular Technology， 2015， 65（6）： 4440-4458.
21	BOADA B L， BOADA M J L， DIAZ V. Vehicle sideslip angle measurement based on sensor data fusion using an integrated ANFIS and an unscented Kalman filter algorithm［J］. Mechanical Systems and Signal Processing， 2016， 72： 832-845.
22	宗长富，潘钊，胡丹，等. 基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用［J］. 机械工程学报， 2009， 45（10）： 272-277.
	ZONG C F， PAN Z， HU D， et al. Information fusion algorithm for vehicle state estimation based on extended Kalman filtering［J］. Journal of Mechanical Engineering， 2009， 45（10）： 272-277.
23	BOADA B L， BOADA M J L， VARGAS-MELENDEZ L， et al. A robust observer based on H_∞ filtering with parameter uncertainties combined with neural networks for estimation of vehicle roll angle ［J］. Mechanical Systems and Signal Processing， 2018， 99： 611-623.
24	CHENG S， LI L， CHEN J. Fusion algorithm design based on adaptive SCKF and integral correction for side-slip angle observation ［J］. IEEE Transactions on Industrial Electronics， 2017， 65（7）： 5754-5763.
25	SONG R， FANG Y. Vehicle state estimation for INS/GPS aided by sensors fusion and SCKF-based algorithm ［J］. Mechanical Systems and Signal Processing， 2021， 150： 107315.

驾驶工况	车速/（km·h^-1）
驾驶工况	匀加速	匀减速	变加速
直线驾驶	20-70	80-30	10-60
转向驾驶	20-70	80-30	10-60
蛇行驾驶	20-70	80-30	10-60

整车各部分参数	数值
整车质量m/kg	600
质心至前轴的距离a/m	1 .080
质心至后轴的距离b/m	1.320
转动惯量I_z /（kg·m²）	1 343.1
质心高度h/m	0.52

车辆状态参数	估计方法	e_RMS
横摆角速度	EKF	0.176 5
	RBF	0.009 5
	OPT	0.005 1
质心侧偏角	EKF	0.007 8
	RBF	0.013 0
	OPT	0.002 6
纵向车速	EKF	1.324 0
	RBF	0.498 0
	OPT	0.438 1

车辆状态参数	估计方法	e_RMS
横摆角速度	EKF	0.545 9
	RBF	0.425 7
	OPT	0.052 1
纵向车速	EKF	3.602 3
	RBF	0.816 1
	OPT	0.270 9

[1]	王春,唐滔,张永志. 考虑环境温度影响的超级电容SOC加权融合估计方法[J]. 汽车工程, 2023, 45(4): 627-636.
[2]	胡满江,牟斌杰,杨泽宇,边有钢,秦晓辉,徐彪. 基于DBSCAN与二分法的混合A*路径规划方法[J]. 汽车工程, 2023, 45(3): 341-349.
[3]	刘刚，靳立强. 基于多模型交互的复杂工况下车辆状态估计[J]. 汽车工程, 2018, 40(5): 584-589.