融合CNN-BiLSTM与AUKF的车辆质心侧偏角估计

doi:10.19562/j.chinasae.qcgc.2026.ep.001

摘要/Abstract

摘要：

质心侧偏角是表征车辆运动稳定性的关键变量之一。现有估计方法多依赖高精度车辆动力学与轮胎模型，导致其在复杂非线性工况下的估计精度难以保证。为提升质心侧偏角估计的准确性与鲁棒性，本文提出一种基于卷积神经网络-双向长短时记忆网络（CNN-BiLSTM）与自适应噪声无迹卡尔曼滤波（AUKF）相融合的车辆质心侧偏角估计方法。首先，构建基于CNN-BiLSTM的分位数估计模型，结合车辆运动学模型与分位数回归损失函数，实现对质心侧偏角均值及分位区间的估计；其次，设计基于AUKF的动力学状态观测器，利用CNN-BiLSTM观测器的估计结果更新观测协方差矩阵，实现质心侧偏角的准确估计；最后，通过CarSim/Simulink联合仿真和实车试验对所提算法进行验证。结果表明，本文提出的CNN-BiLSTM与AUKF融合的车辆质心侧偏角估计算法，在不同工况与路面附着条件下估计结果准确，显著优于基于动力学模型的估计方法，具有较高估计精度和较强鲁棒性。

关键词: 质心侧偏角估计, 卷积神经网络, 双向长短时记忆神经网络, 自适应无迹卡尔曼滤波

Abstract:

The centroid sideslip angle is one of the key variables characterizing the stability of vehicle motion. Existing estimation methods mostly rely on high-precision vehicle dynamics and tire models， making it difficult to guarantee estimation accuracy under complex nonlinear operating conditions. To improve the accuracy and robustness of centroid side-slip angle estimation， this paper proposes a vehicle centroid side-slip angle estimation method that integrates the convolutional neural network-bidirectional long short-term memory network （CNN-BiLSTM） with the adaptive noise unscented Kalman filter （AUKF）. Firstly， a quantile estimation model based on CNN-BiLSTM is constructed， combining the vehicle kinematic model and the quantile regression loss function to estimate the mean and quantile intervals of the centroid sideslip angle. Secondly， a dynamic state observer based on AUKF is designed， using the estimation results of the CNN-BiLSTM observer to update the observation covariance matrix， achieving accurate estimation of the centroid sideslip angle. Finally， the proposed algorithm is verified through CarSim/Simulink co-simulation and real vehicle tests. The results show that the CNN-BiLSTM and AUKF integrated vehicle centroid side-slip angle estimation algorithm proposed in this paper has accurate estimation results under different operating conditions and road adhesion conditions， significantly outperforming the estimation methods based on dynamic models， with high estimation accuracy and strong robustness.

Key words: sideslip angle estimation, CNN, BiLSTM, adaptive unscented Kalman filter

金琪,赵治国,姜超,周宇星,赵坤,夏雪. 融合CNN-BiLSTM与AUKF的车辆质心侧偏角估计[J]. 汽车工程, 2026, 48(3): 638-650.

Qi Jin,Zhiguo Zhao,Chao Jiang,Yuxing Zhou,Kun Zhao,Xue Xia. Vehicle Sideslip Angle Estimation Based on CNN-BiLSTM and AUKF Fusion[J]. Automotive Engineering, 2026, 48(3): 638-650.

图/表 29

图1

表1

图2

图3

图4

图5

表2

网络的输入和输出"

类型	参数	单位
输入量	侧向加速度 $a y$	m/s²
输入量	质心侧偏角变化率 $β ˙$	（°）/s
输入量	前轮转角 $δ$	（°）
输入量	纵向车速 $V x$	m/s
输入量	横摆角速度 $ψ ˙$	rad/s
输出量	质心侧偏角 $β$	（°）
输出量	质心侧偏角［0.025，0.975］分位数	（°）
输出量	质心侧偏角［0.16，0.84］分位数	（°）

表2

表3

图6

表4

表5

图7

图8

图9

图10

表6

图11

图12

表7

高附着路面工况误差分析"

工况	指标	UKF	CNN-BiLSTM	AUKF
120 km/h 双移线工况	$? ? β m a x$ /（°）	0.361	0.313	0.125
120 km/h 双移线工况	$? ? β R M S E$ /（°）	0.111	0.059	0.028
80 km/h 蛇行工况	$? ? β m a x$ /（°）	0.364	0.757	0.197
80 km/h 蛇行工况	$? ? β R M S E$ /（°）	0.138	0.150	0.058

表7

图13

图14

表8

低附着路面工况误差分析"

工况	指标	UKF	CNN-BiLSTM	AUKF
48 km/h 双移线工况	$? ? β m a x$ /（°）	0.330	0.257	0.077
48 km/h 双移线工况	$? ? β R M S E$ /（°）	0.127	0.081	0.025
36 km/h 蛇行工况	$? ? β m a x$ /（°）	0.641	0.265	0.126
36 km/h 蛇行工况	$? ? β R M S E$ /（°）	0.188	0.098	0.031

表8

图15

图16

图17

图18

图19

图20

表9

实车工况误差分析"

工况	指标	UKF	CNN-BiLSTM	AUKF
淋湿沥青路面60 km/h 单移线工况	$? ? β m a x$ /（°）	0.973	1.289	0.434
淋湿沥青路面60 km/h 单移线工况	$? ? β R M S E$ /（°）	0.238	0.376	0.096
干燥沥青路面60 km/h 连续变道	$? ? β m a x$ /（°）	1.978	3.057	0.851
干燥沥青路面60 km/h 连续变道	$? ? β R M S E$ /（°）	0.382	0.575	0.287
玄武岩路面60 km/h 连续变道	$? ? β m a x$ /（°）	4.145	3.658	1.827
玄武岩路面60 km/h 连续变道	$? ? β R M S E$ /（°）	1.529	0.944	0.608

表9

参考文献 22

[1]	徐坤，骆媛媛，杨影，等. 分布式电驱动车辆状态感知与控制研究综述［J］. 机械工程学报， 2019， 55（22）： 60-79.
	XU K， LUO Y Y， YANG Y， et al. Review on state perception and control for distributed drive electric vehicles［J］. Journal of Mechanical Engineering， 2019， 55（22）： 60-79.
[2]	GUSTAFSSON F. Automotive safety systems［J］. IEEE Signal Processing Magazine， 2009， 26（4）： 32-47.
[3]	陈慧，高博麟，徐帆. 车辆质心侧偏角估计综述［J］. 机械工程学报， 2013， 49（24）： 76-94.
	CHEN H， GAO B L， XU F. Review of vehicle sideslip angle estimation at the center of gravity［J］. Journal of Mechanical Engineering， 2013， 49（24）： 76-94.
[4]	LI L， JIA G， RAN X， et al. A variable structure extended Kalman filter for vehicle sideslip angle estimation on a low friction road［J］. Vehicle System Dynamics， 2014， 52（2）： 280-308.
[5]	李小雨，许男，郭孔辉. 基于运动学方法和运动几何方法融合的质心侧偏角估计［J］. 机械工程学报， 2020， 56（2）： 121-129.
	LI X Y， XU N， GUO K H. Vehicle sideslip angle estimation based on fusion of kinematic method and kinematic-geometry method［J］. Journal of Mechanical Engineering， 2020， 56（2）： 121-129.
[6]	BERTIPAGLIA A， ALIREZAEI M， HAPPEE R， et al. An unscented Kalman filter-informed neural network for vehicle sideslip angle estimation［J］. IEEE Transactions on Vehicular Technology， 2024， 73（9）： 12731-12746.
[7]	XUE Z J， CHENG S， LI L， et al. A robust unscented M-estimation-based filter for vehicle state estimation with unknown input［J］. IEEE Transactions on Vehicular Technology， 2022， 71（6）： 6119-6130.
[8]	WAN W K， FENG J G， SONG B， et al. Vehicle state estimation using interacting multiple model based on square root cubature Kalman filter［J］. Applied Sciences， 2021， 11（22）： 10772.
[9]	ZHANG Y J， LI M， ZHANG Y， et al. An enhanced adaptive unscented Kalman filter for vehicle state estimation［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-12.
[10]	田彦涛，张宇，王晓玉，等. 基于平方根无迹卡尔曼滤波算法的电动汽车质心侧偏角估计［J］. 吉林大学学报（工学版）， 2018， 48（3）： 845-852.
	TIAN Y T， ZHANG Y， WANG X Y， et al. Estimation of side-slip angle of electric vehicle based on square-root unscented Kalman filter algorithm［J］. Journal of Jilin University （Engineering and Technology Edition）， 2018， 48（3）： 845-852.
[11]	ZIAUKAS Z， BUSCH A， WIELITZKA M. Estimation of vehicle side-slip angle at varying road friction coefficients using a recurrent artificial neural network［C］. 2021 IEEE Conference on Control Technology and Applications （CCTA）. IEEE， 2021： 986-991.
[12]	李琴，张博远，谢智航，等. 物理-数据混合驱动的车辆质心侧偏角估计［J］. 汽车工程， 2025， 47（4）： 714-723.
	LI Q， ZHANG B Y， XIE Z H， et al. Physics-data hybrid driven estimation of vehicle side slip angle［J］. Automotive Engineering， 2025， 47（4）： 714-723.
[13]	JUNQUEIRA B M， VICTORINO A C， BAÊTA J G C. A model-less approach for estimating vehicles sideslip angle by a neural network concept［C］. 2021 IEEE International Conference on Mechatronics （ICM）. IEEE， 2021： 1-6.
[14]	GHOSH J， TONOLI A， AMATI N. A deep learning based virtual sensor for vehicle sideslip angle estimation： experimental results［C］. SAE Technical Paper Series. SAE International， 2018： 10107-10114.
[15]	BERTIPAGLIA A， DE MOL D， ALIREZAEI M， et al. Model-based vs data-driven estimation of vehicle sideslip angle and benefits of tyre force measurements［J］. arXiv preprint arXiv：， 2022.
[16]	KIM D， KIM G， CHOI S， et al. An integrated deep ensemble-unscented Kalman filter for sideslip angle estimation with sensor filtering network［J］. IEEE Access， 2021， 9： 149681-149689.
[17]	GRÄBER T， LUPBERGER S， UNTERREINER M， et al. A hybrid approach to side-slip angle estimation with recurrent neural networks and kinematic vehicle models［J］. IEEE Transactions on Intelligent Vehicles， 2019， 4（1）： 39-47.
[18]	GONZÁLEZ L P， SÁNCHEZ S S， GARCIA-GUZMAN J， et al. Simultaneous estimation of vehicle roll and sideslip angles through a deep learning approach［J］. Sensors， 2020， 20（13）： 3679.
[19]	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.
[20]	NOVOTNY G， LIU Y Z， MORALES-ALVAREZ W， et al. Vehicle side-slip angle estimation under snowy conditions using machine learning［J］. Integrated Computer-Aided Engineering， 2024， 31（2）： 117-137.
[21]	ALAGAPPAN A V， RAO K V N， KUMAR R K. A comparison of various algorithms to extract Magic Formula tyre model coefficients for vehicle dynamics simulations［J］. Vehicle System Dynamics， 2015， 53（2）： 154-178.
[22]	张常云. 自适应滤波方法研究［J］. 航空学报， 1998， 19（增刊1）： 97-100.
	ZHANG C Y. Approach to adaptive filtering algorithm［J］. Acta Aeronautica et Astronautica Sinica， 1998， 19（S1）： 97-100.

参数	数值
整车质量/kg	2 100
轴距/mm	2 960
前/后轮距/mm	1 690/1 690
质心到前/后轴距离/mm	1 660/1 300
质心离地高度/mm	540
轮胎滚动半径/mm	360
车辆绕z轴的转动惯量/（kg?m²）	3 234
轮胎刚度因子B	8.10
轮胎形状因子C	2.21
轮胎峰值因子D	0.98
轮胎曲率因子E	－1.01

仿真工况	车速/（km·h^－1）	路面附着系数
正/反双移线工况1	20～120	0.85
正/反双移线工况2	20～80	0.3，0.5
正/反双蛇行绕桩工况1	20～100	0.85
正/反双蛇行绕桩工况2	20～80	0.3，0.5
±30°阶跃角输入	20～100	0.3，0.5，0.85
±60°阶跃角输入	20～100	0.3，0.5，0.85
正/反赛道工况		0.85

层名称	卷积核大小	卷积核个数	隐藏节点数	丢弃率
CNN	3×1	64
池化层	3×1
BiLSTM1			64	0.2
BiLSTM2			64	0.2
BiLSTM3			32	0.2
FC			5

序号	训练超参数	设置值
1	优化器	Adam
2	损失函数	Quantile Regression
3	训练轮数	50
4	初始学习率	0.001
5	批训练大小	64
6	权重衰减系数	0.001

工况	MAE/（°）	RMSE/（°）
高附96 km/h双移线工况	0.031	0.043
低附48 km/h双移线工况	0.033	0.045
高附80 km/h蛇行工况	0.067	0.093
低附36 km/h蛇行工况	0.052	0.073