基于RISF融合的车辆横摆角速度估计

doi:10.19562/j.chinasae.qcgc.2022.01.014

汽车工程 ›› 2022, Vol. 44 ›› Issue (1): 115-122.doi: 10.19562/j.chinasae.qcgc.2022.01.014

所属专题：底盘&动力学&整车性能专题2022年

基于RISF融合的车辆横摆角速度估计

廖尉华¹(),何智成²,蒋祖坚¹,余天龙¹,何逸波¹

^1.上汽通用五菱汽车股份有限公司，柳州　545007
^2.湖南大学，汽车车身先进设计制造国家重点实验室，长沙　410082

收稿日期:2021-09-07 修回日期:2021-10-02 出版日期:2022-01-25 发布日期:2022-01-21
通讯作者: 廖尉华 E-mail:hustlwh@163.com
基金资助:
国家自然科学基金联合基金(U20A20285)

Vehicle Yaw Rate Estimation Based on Reliability Indexed Sensor Fusion

Weihua Liao¹(),Zhicheng He²,Zujian Jiang¹,Tianlong Yu¹,Yibo He¹

^1.SAIC GM Wuling Automobile Co. ，Ltd. ，Liuzhou 　545007
^2.Hunan University，State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body，Changsha 　410082

Received:2021-09-07 Revised:2021-10-02 Online:2022-01-25 Published:2022-01-21
Contact: Weihua Liao E-mail:hustlwh@163.com

摘要/Abstract

摘要：

使用车载角速度传感器测量获得的横摆角速度，存在噪声干扰大、量测值滞后等问题。为了提高车辆横摆角速度估计的精确性，本文中设计了一种基于可靠指标传感器融合（reliability indexed sensor fusion，RISF）多源传感信息融合的估计算法。首先，使用自适应容积卡尔曼滤波算法对横摆角速度传感器量测值进行滤波；然后，建立考虑道路侧倾角的自行车模型，使用车载轮速、前轮转角和横向加速度传感器信号，建立动力学递推公式，并使用阿克曼定理的计算结果作为状态更新值，估计出横摆角速度；最后，设计基于RISF的自适应卡尔曼滤波框架融合传感器滤波值和模型估计值。实车道路测试结果表明：该方法可估计出道路侧倾角，RISF融合值比单一传感器滤波的估计效果更好。

关键词: 自适应容积卡尔曼滤波, 自行车模型, 阿克曼定理, RISF, 车辆横摆角速度估计

Abstract:

The yaw rate measured by on-board angular velocity sensor is inevitably contaminated by sensor noise， and is also with hysteresis. In order to improve the accuracy of yaw rate estimation， this paper presents an estimation algorithm based on Reliability Indexed Sensor Fusion （RISF） multi-source sensor information fusion . Firstly， the yaw rate sensor’s measured value is filtered by an algorithm of adaptive cubature Kalman filter（ACKF）. Secondly， the yaw rate is estimated using kinematics method by a single track model， which takes road bank angel into account. Through this model， recursive formulas are established using velocity， front wheel steering angel and lateral acceleration as input， and also using Ackermann steering geometry's output as update value. Lastly， an adaptive Kalman filter based on RISF （RISF-AKF） is applied to fuse the filtered value with the model estimation. A real vehicle road test shows that the RISF-AKF method can estimate road bank angel precisely， and the RISF fusion value has a better performance than the single sensor processed value.

Key words: adaptive cubature Kalman filter, single track model, Ackermann steering geometry, RISF, yaw rate estimation

廖尉华,何智成,蒋祖坚,余天龙,何逸波. 基于RISF融合的车辆横摆角速度估计[J]. 汽车工程, 2022, 44(1): 115-122.

Weihua Liao,Zhicheng He,Zujian Jiang,Tianlong Yu,Yibo He. Vehicle Yaw Rate Estimation Based on Reliability Indexed Sensor Fusion[J]. Automotive Engineering, 2022, 44(1): 115-122.

图/表 12

图1

图2

图3

图4

图5

表1

车身参数表"

$m$ /kg	$l f$ /m	$l r$ /m	$I z$ /（kg·m²）
1 523.5	1.488	1.572	2 143.9

表1

表2

轮胎参数表"

$C α f$ /（N·rad^-1）	$C α r$ /（N·rad^-1）
6 753.0	6 237.2

表2

图6

图7

表3

图8

图9

参考文献 20

1	International Standards Organization. Intelligent transport systems-adaptive cruise control systems-performance requirements and test procedures： ISO 15622：2010（E）［S］. 2010.
2	GAO Z H. Soft sensor application in vehicle yaw rate measurement based on kalman filter and vehicle dynamics［C］. 6th IEEE intelligent transportation systems conference， Shanghai， People’s Republic of China， 2003： 1352-1354.
3	PETERSEN I R， SAVKIN A V. Robust kalman filtering for signals and systems with large uncertainties［M］. Birkhauser， Boston， 1999.
4	RAMAN K. Mehra. Approaches to adaptive filtering［J］. Automatic Control IEEE Transactions on， 1972， 17（5）：693-698.
5	ZHU H， LIANG L， JIN M， et al. Real-time yaw rate prediction based on a non-linear model and feedback compensation for vehicle dynamics control［J］. Proceedings of the Institution of Mechanical Engineers Part D：Journal of Automobile Engineering， 2013， 227（10）：1431-1445.
6	余卓平，高晓杰. 车辆行驶过程中的状态估计问题综述［J］. 机械工程学报， 2009， 45（5）：20-33.
	YU Z P， GAO X J. Review of vehicle state estimation problem under driving situation［J］. Journal of Mechanical Engineering， 2009， 45（5）：20-33.
7	高振海，郑南宁，程洪. 基于车辆动力学和Kalman滤波的汽车状态软测量［J］. 系统仿真学报， 2004（1）：22-24.
	GAO Z H， ZHEN N N， CHENG H. Soft sensor of vehicle state based on vehicle dynamics and Kalman filter［J］. Journal of System Simulation， 2004（1）：22-24.
8	高越，高振海，李向瑜. 基于自适应Kalman滤波的汽车横摆角速度软测量算法［J］. 江苏大学学报（自然科学版）， 2005， 26（1）：24-27.
	GAO Y， GAO Z H， LI X Y. Soft measurement method for vehicle yaw rate based on adaptive kalman filter［J］. Journal of Jiangsu University （Natural Science Edition）， 2005， 26（1）：24-27.
9	周卫琪，齐翔. 基于多传感器信息融合的汽车行驶状态估计［J］. 汽车工程， 2019， 41（1）：11-17，24.
	ZHOU W Q， QI X. State estimation of vehicle based on multi-sensors information fusion［J］. Automobile Engineering， 2019， 41（1）：11-17，24.
10	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 angel estimation based on fusion of kinematic method and kinematic-geometry method［J］. Journal of Mechanical Engineering， 2020， 56（2）：121-129.
11	VAN ZANTEN A T. Control aspect of the BOSCH-VDC［C］. Proc. of AVEC Aachen University of Technology， 1996.
12	SÄRKKÄ Simo. Bayesian filtering and smoothing［M］. Cambridge University Press， 2013：1-16.
13	ARASARATNAM I， HAYKIN S. Cubature Kalman filters［J］. IEEE Transactions on Automatic Control， 2009， 54（6）：1254-1269.
14	HAN J， KIM D， SUNWOO M. State-of-charge estimation of lead-acid batteries using an adaptive extended Kalman filter［J］. Journal of Power Sources， 2009， 188（2）：606-612.
15	WANG J， STEWART M P， TSAKIRI M. Adaptive kalman filtering for integration of GPS with GLONASS and INS［J］. Geodesy Beyond 2000， 2000.
16	RAJAMANI R. Vehicle dynamics and control［M］. Springer Science， 2006.
17	TSENG H E. Dynamic estimation of road bank angle［J］. Vehicle System Dynamics， 2001， 36（4/5）：307-328.
18	RYU J， GERDES J C. Estimation of vehicle roll and road bank angle［J］. American Control Conference. IEEE， 2004，3：2110-2115.
19	LEE Hyeongcheol. Reliability indexed sensor fusion for vehicle longitudinal and lateral velocity estimation［J］. International Journal of Vehicle Design， 2003， 33（4）：351-364.
20	公路工程技术标准：JTG B01—2014［S］.2014.

指标项	KF	ACKF
MAE	5.9e-3	5.4e-3
RMSE	3.0e-3	2.7e-3

基于RISF融合的车辆横摆角速度估计

Vehicle Yaw Rate Estimation Based on Reliability Indexed Sensor Fusion

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 20

相关文章 0

Metrics

本文评价

推荐阅读 10