基于路面分级的悬架参数自适应状态估计

doi:10.19562/j.chinasae.qcgc.2025.09.009

摘要/Abstract

摘要：

准确地获取悬架相对速度信息对于提升车辆的行驶平顺性和舒适性至关重要。路面等级识别可以为悬架状态估计及控制提供先验信息，从而提高悬架状态的估计精度。因此，本文提出基于路面分级的悬架参数自适应卡尔曼滤波算法，根据路面分级结果调整模型参数和卡尔曼滤波器的协方差矩阵，获取准确的悬架相对速度估计信息。首先，基于车身惯性测量单元信号，利用长短期记忆神经网络设计路面等级分类器。其次，构建以路面不平度为输入的7自由度整车悬架模型，通过遗传算法分别辨识不同路面等级对应的弹簧刚度和减振器阻尼系数，获得悬架参数自适应模型，进一步确定不同参数下模型的过程噪声协方差矩阵。最终，在路面等级识别结果的基础上，采用相应的悬架参数和过程噪声协方差矩阵，通过卡尔曼滤波器估计整车悬架相对速度。MATLAB-ADMAS/Car联合仿真结果表明，相比自适应卡尔曼滤波方法，所提出的方法在ISO-A、ISO-B、ISO-C、ISO-D等级路面与实测路面激励下，悬架相对速度估计的均方根误差分别优化28.4%、22.8%、19.7%、7.3%和24.1%，悬架相对速度估计的相关系数分别优化11.8%、5.8%、2.8%、1.1%和7.2%，验证了方法的有效性和可行性。

关键词: 路面分级, 悬架参数自适应, 卡尔曼滤波, 状态估计

Abstract:

Accurate acquisition of relative suspension velocity information is crucial for improving vehicle ride comfort and stability. Road classification can provide prior information for suspension state estimation and control， thereby enhancing the accuracy of suspension state estimation. Therefore， in this paper an adaptive suspension parameters-based Kalman filter algorithm is proposed based on road classification. The algorithm adjusts the characteristics parameters of the suspension model and the covariance matrix of the Kalman filter according to the road classification results， so as to obtain accurate relative suspension velocity information. Firstly， a road classification method based on a Long Short-Term Memory neural network is designed using signals from the vehicle’s Inertial Measurement Unit. Next， a 7-degree-of-freedom vehicle suspension system model is constructed with road surface roughness as the input. A genetic algorithm is employed to identify the spring stiffness and damper coefficient for different road classes， resulting in an adaptive suspension parameter model and determining the process noise covariance matrix for each class. Finally， based on the road classification results， the corresponding suspension parameters and process noise covariance matrix are applied in the Kalman Filter to estimate the vehicle's relative suspension velocity. The MATLAB-ADAMS/Car co-simulation results show that compared with the Adaptive Kalman Filter （AKF） method， the proposed method improves the root mean square error of the estimated relative suspension velocities by 28.4%， 22.8%， 19.7%， 7.3%， and 24.1% for road classes ISO-A， ISO-B， ISO-C， ISO-D， and real-road conditions， respectively. The correlation coefficients of the estimated relative suspension velocities improve by 11.8%， 5.8%， 2.8%， 1.1%， and 7.2% for the same conditions， verifying the effectiveness and feasibility of the method.

Key words: road classification, adaptive suspension parameters, Kalman filtering, state estimation

时佳伟,陈浩,张志飞,徐中明,谭侃伦,杨励. 基于路面分级的悬架参数自适应状态估计[J]. 汽车工程, 2025, 47(9): 1731-1741.

Jiawei Shi,Hao Chen,Zhifei Zhang,Zhongming Xu,Kanlun Tan,Li Yang. Adaptive Suspension Parameters-Based State Estimation Using Road Classification[J]. Automotive Engineering, 2025, 47(9): 1731-1741.

图/表 19

图1

表1

图2

图3

表2

通用模型参数辨识结果"

参数	物理意义	数值
$m c$ /kg	簧载质量	1 308
$m t l f$ ， $m t r f$ /kg	左前悬、右前悬簧下质量	46
$m t l r$ ， $m t r r$ /kg	左后悬、右后悬簧下质量	40
$I f r$ /（kg?m²）	簧载质量俯仰转动惯量	2 440
$I l r$ /（kg?m²）	簧载质量侧倾转动惯量	602
$k t l f$ ， $k t r f$ /（N?m^-1）	左前、右前轮胎刚度	247 030
$k t l r$ ， $k t r r$ /（N?m^-1）	左后、右后轮胎刚度	247 030
$k s l f$ ， $k s r f$ /（N?m^-1）	左前悬、右前悬弹簧刚度	22 723
$k s l r$ ， $k s r r$ /（N?m^-1）	左后悬、右后悬弹簧刚度	27 451
$c s l f$ ， $c s r f$ /（N?s?m^-1）	左前悬、右前悬减振器阻尼系数	1 392
$c s l r$ ， $c s r r$ /（N?s?m^-1）	左后悬、右后悬减振器阻尼系数	1 538
$l l$ /m	质心到左轮距离	0.8
$l r$ /m	质心到右轮距离	0.74
$l a$ /m	质心到前轴距离	1.51
$l b$ /m	质心到后轴距离	1.21

表2

表3

参数自适应模型弹簧刚度和减振器阻尼系数"

参数	ISO-A	ISO-B	ISO-C	ISO-D
$k s l f$ ， $k s r f$ /（N?m^-1）	22 240	23 149	23 191	27 366
$k s l r$ ， $k s r r$ /（N?m^-1）	27 024	27 101	27 029	27 168
$c s l f$ ， $c s r f$ /（N?s?m^-1）	2 087	2 082	2 045	2 078
$c s l r$ ， $c s r r$ /（N?s?m^-1）	1 812	1 540	1 537	1 274

表3

图4

表4

观测量噪声方差"

参数	误差幅值	$R$
$x ¨ c$ /（m?s^-2）	0.005	2.5 $×$ 10^-5
$θ ˙$ /（rad?s^-1）	0.003	9.0 $×$ 10^-6
$φ ˙$ /（rad?s^-1）	0.003	9.0 $×$ 10^-6

表4

图5

图6

图7

图8

图9

图10

图11

表5

ISO-B路面悬架相对速度估计误差结果"

路面	参数	AKF-RMSE	APKF-RMSE	RMSE优化	AKF-R	APKF -R	R优化
B	$x ˙ s l f - x ˙ t l f$ /（m?s^-1）	0.050 8	0.032 8	35.4%	0.862 3	0.945 0	9.6%
	$x ˙ s r f - x ˙ t r f$ /（m?s^-1）	0.051 8	0.033 0	36.3%	0.855 2	0.944 1	10.4%
	$x ˙ s l r - x ˙ t l r$ /（m?s^-1）	0.044 2	0.039 5	10.6%	0.914 8	0.932 4	1.9%
	$x ˙ s r r - x ˙ t r r$ /（m?s^-1）	0.044 5	0.041 1	7.6%	0.915 0	0.928 1	1.4%
	平均			22.8%			5.8%

表5

表6

不同等级路面悬架相对速度估计误差结果"

路面	参数	AKF-RMSE	APKF -RMSE	RMSE优化	AKF-R	APKF -R	R优化
A	$x ˙ s l f - x ˙ t l f$ /（m?s^-1）	0.026 6	0.017 1	35.7%	0.809 4	0.925 7	14.4%
	$x ˙ s r f - x ˙ t r f$ /（m?s^-1）	0.026 9	0.016 4	39.0%	0.804 9	0.932 2	15.8%
	$x ˙ s l r - x ˙ t l r$ /（m?s^-1）	0.025 5	0.020 7	18.8%	0.816 4	0.883 0	8.2%
	$x ˙ s r r - x ˙ t r r$ /（m?s^-1）	0.026 2	0.020 9	20.2%	0.816 7	0.887 9	8.7%
	平均			28.4%			11.8%
C	$x ˙ s l f - x ˙ t l f$ /（m?s^-1）	0.094 1	0.064 6	31.3%	0.915 8	0.961 2	5.0%
	$x ˙ s r f - x ˙ t r f$ /（m?s^-1）	0.091 1	0.066 0	27.6%	0.920 5	0.959 1	4.2%
	$x ˙ s l r - x ˙ t l r$ /（m?s^-1）	0.083 5	0.076 6	8.3%	0.944 8	0.953 8	1.0%
	$x ˙ s r r - x ˙ t r r$ /（m?s^-1）	0.085 6	0.075 8	11.4%	0.945 5	0.957 5	1.3%
	平均			19.7%			2.8%
D	$x ˙ s l f - x ˙ t l f$ /（m?s^-1）	0.182 5	0.156 9	14.0%	0.916 8	0.939 2	2.4%
	$x ˙ s r f - x ˙ t r f$ /（m?s^-1）	0.176 9	0.153 1	13.5%	0.929 2	0.947 5	2.0%
	$x ˙ s l r - x ˙ t l r$ /（m?s^-1）	0.142 6	0.142 6	0.0%	0.957 9	0.957 9	0.0%
	$x ˙ s r r - x ˙ t r r$ /（m?s^-1）	0.148 0	0.145 4	1.8%	0.960 4	0.961 9	0.2%
	平均			7.3%			1.1%

表6

图12

表7

实测路面悬架相对速度估计误差结果"

路面	参数	AKF-RMSE	APKF -RMSE	RMSE优化	AKF-R	APKF -R	R优化
实测	$x ˙ s l f - x ˙ t l f$ /（m?s^-1）	0.030 7	0.019 8	35.5%	0.864 3	0.945 5	9.4%
	$x ˙ s r f - x ˙ t r f$ /（m?s^-1）	0.027 2	0.019 2	29.4%	0.873 7	0.939 3	7.5%
	$x ˙ s l r - x ˙ t l r$ /（m?s^-1）	0.030 9	0.025 9	16.2%	0.838 7	0.889 8	6.1%
	$x ˙ s r r - x ˙ t r r$ /（m?s^-1）	0.030 5	0.025 9	15.1%	0.833 7	0.882 8	5.9%
	平均			24.1%			7.2%

表7

参考文献 24

[1]	LIU C， CHEN L， YANG X， et al. General theory of skyhook control and its application to semi-active suspension control strategy design［J］. IEEE Access， 2019， 7： 101552-101560.
[2]	杨艺，陈龙，汪若尘，等. 车辆半主动悬架广义天棚理论控制研究［J］. 振动与冲击， 2021， 40（22）： 66-74.
	YANG Y， CHEN L， WANG R C， et al. Semi-active suspension control based on the general theory of skyhook control［J］. Journal of Vibration and Shock， 2021， 40（22）： 66-74.
[3]	SAVARESI S M， SILANI E， BITTANTI S. Acceleration-driven-damper （ADD）： an optimal control algorithm for comfort-oriented semiactive suspensions［J］. Journal of Dynamic Systems Measurement， and Control， 2005， 127（2）： 218-229.
[4]	林长波，王越，许恩永，等. 半主动悬架改进 ADD 控制策略研究［J］. 噪声与振动控制， 2023， 43（1）： 197.
	LIN C B， WANG Y， XU E Y， et al. Study on improved ADD control strategy for semi-active suspensions［J］. Noise and Vibration Control， 2023， 43（1）： 197.
[5]	NIE S， ZHUANG Y， LIU W， et al. A semi-active suspension control algorithm for vehicle comprehensive vertical dynamics performance［J］. Vehicle System Dynamics， 2017， 55（8）： 1099-1122.
[6]	SAVARESI S M， SPELTA C. Mixed sky-hook and ADD： approaching the filtering limits of a semi-active suspension［J］. Journal of Dynamic Systems， Measurement， and Control， 2006， 129（4）：382-392.
[7]	SAVARESI S M， SPELTA C. A single-sensor control strategy for semi-active suspensions［J］. IEEE Transactions on Control Systems Technology， 2008， 17（1）： 143-152.
[8]	李栋，赵亮亮，邓聚才，等. 半主动悬架改进单传感器控制策略研究［J］. 噪声与振动控制， 2023， 43（5）： 232.
	LI D， ZHAO L L， DENG J C， et al. Study on improved one-sensor control strategy for semi-active suspensions［J］. Noise and Vibration Control， 2023， 43（5）： 232.
[9]	LU Y， KHAJEPOUR A， HAJILOO R， et al. A new integrated skyhook-linear quadratic regulator coordinated control approach for semi-active vehicle suspension systems［J］. Journal of Dynamic Systems， Measurement， and Control， 2023， 145（3）： 034501.
[10]	FU Q， WU J， YU C， et al. Linear quadratic optimal control with the finite state for suspension system［J］. Machines， 2023， 11（2）： 127.
[11]	SUN X， WU M， YIN C， et al. Model predictive thrust force control for linear motor actuator used in active suspension［J］. IEEE Transactions on Energy Conversion， 2021， 36（4）： 3063-3072.
[12]	THEUNISSEN J， SORNIOTTI A， GRUBER P， et al. Regionless explicit model predictive control of active suspension systems with preview［J］. IEEE Transactions on Industrial Electronics， 2019， 67（6）： 4877-4888.
[13]	BOLANDHEMMAT H. Distributed sensing and observer design for vehicles state estimation ［D］. University of Waterloo （Canada）， 2009.
[14]	陈建华，徐中明，张志飞. 基于轴距预瞄的非匀速工况车辆悬架状态估计［J］. 汽车工程， 2023， 45（6）： 1040-1049.
	CHEN J H， XU Z M， ZHANG Z F， et al. Suspension state estimation based on wheelbase preview at variable speed［J］. Automotive Engineering， 2023， 45（6）： 1040-1049.
[15]	卢凡，陈思忠，刘畅，等. 基于 Kalman 滤波器的车辆振动速度估计［J］. 振动与冲击， 2014， 33（13）： 111-116.
	LU F， CHEN S Z， LIU C， et al. Vehicle vibration velocity estimation based on Kalman filter［J］. Journal of Vibration and Shock， 2014， 33（13）： 111-116.
[16]	WANG Z， DONG M， QIN Y， et al. Suspension system state estimation using adaptive Kalman filtering based on road classification［J］. Vehicle System Dynamics， 2017， 55（3）： 371-398.
[17]	吴骁，史文库，陈志勇. 基于交互式多模型卡尔曼滤波的主动悬架控制［J］. 汽车工程， 2023， 45（7）： 1200-1211.
	WU X， SHI W K， CHEN Z Y， et al. Active suspension control based on interacting multiple model Kalman filter［J］. Automotive Engineering， 2023， 45（7）： 1200-1211.
[18]	QIN Y， WEI C， TANG X， et al. A novel nonlinear road profile classification approach for controllable suspension system： simulation and experimental validation［J］. Mechanical Systems and Signal Processing， 2019， 125： 79-98.
[19]	IMINE H， DELANNE Y， M'SIRDI N K. Road profile input estimation in vehicle dynamics simulation［J］. Vehicle System Dynamics， 2006， 44（4）： 285-303.
[20]	ZHANG D， XU X， LIN H， et al. Automatic road-marking detection and measurement from laser-scanning 3D profile data［J］. Automation in Construction， 2019， 108： 102957.
[21]	QIN Y， DONG M， ZHAO F， et al. Road profile classification for vehicle semi-active suspension system based on adaptive neuro-fuzzy inference system［C］. 2015 54th IEEE Conference on Decision and Control （CDC）. IEEE， 2015： 1533-1538.
[22]	CHEN S， XUE J. Road roughness level identification based on bigru network［J］. IEEE Access， 2022， 10： 32696-32705.
[23]	李韶华，李健玮，冯桂珍. 基于GA-LSTM自适应卡尔曼滤波的路面不平度识别［J］. 振动与冲击， 2024，43（9）：121-130.
	LI S H， LI J W， FENG G Z， et al. Road roughness recognition based on GA-LSTM adaptive Kalman filtering［J］. Journal of Vibration and Shock，2024，43（9）：121-130.
[24]	VAN HOUDT G， MOSQUERA C， NAPOLES G. A review on the long short-term memory model［J］. Artificial Intelligence Review， 2020， 53（8）： 5929-5955.

参数	数值
输入层神经元数	9
LSTM层神经元数	12
LSTM层数	1
学习率	0.01
批次训练大小	20
学习率下降因子	0.1
迭代次数	1 000
全连接层神经元数	4