基于多传感器信息的汽车低速车速估计方法

doi:10.19562/j.chinasae.qcgc.2023.07.014

摘要/Abstract

摘要：

为解决低速工况下轮速传感器测量精度低、更新周期长的问题，利用现有的底盘域传感器的信号，本文提出了一种基于多传感器信号的电驱动汽车低速车速估计方法。为准确估计车速，建立了基于多轮速脉冲信号的车速估算模型（模型I）和基于电机转速信号的车速估算模型（模型II）。在估算轮速时，模型I可以有效地避免噪声干扰，但在极低速的情况下，其更新周期较长；而模型II估算得到的轮速信息更新周期短、精度高，但其无法克服传动系统中由于齿隙所产生的冲击干扰。为充分发挥两种估算模型的优势，本文采用交互多模型融合算法对两个模型的输出结果进行加权融合，并通过实车对比测试，验证了所提出的低速车速估计算法在不同行驶路面下的准确性和可靠性。结果表明，相较于传统轮速估算方法，该方法在低速工况下具有更高的估计精度和实时性。

关键词: 低速轮速估计, 多传感器融合, 卡尔曼滤波, 交互多模型融合

Abstract:

To solve the problem of low measurement accuracy and long update period of wheel speed sensor under low-speed conditions， a method for estimating low-speed of an electric vehicle is proposed based on multiple sensor signals by using the existing sensors located at chassis. The speed estimation models based on multi-wheel speed pulse signal （model I） and motor speed signal （model II） is established respectively to accurately estimate the vehicle speed. When estimating the wheel speed， model I can effectively avoid noise interference， but its update period is longer at very low speed. In contrast model II estimates the wheel speed information with a short update period and high accuracy， but it can’t overcome the impact interference caused by backlash in the drive train. To take into full play of the advantages of the two estimation models， an interactive multi-model fusion algorithm is used in this paper to fuse the output of the two models. The accuracy and reliability of the proposed low-speed estimation algorithm under different roads are validated by actual vehicle comparison experiments. The results show that compared with the traditional algorithm， the proposed method in this paper has higher accuracy and better real-time performance at low-speed conditions.

Key words: wheel low-speed estimation, multi-sensor fusion, Kalman filter, interactive multi-model fusion

浦震峰, 唐亮, 上官文斌, 王伟玮, 蒋开洪. 基于多传感器信息的汽车低速车速估计方法[J]. 汽车工程, 2023, 45(7): 1235-1243.

Zhenfeng Pu, Liang Tang, Wenbin Shangguan, Weiwei Wang, Kaihong Jiang. Research on the Estimation of Vehicle Speed Under Low-Speed Conditions Based on Multi-sensor Information[J]. Automotive Engineering, 2023, 45(7): 1235-1243.

图/表 10

图1

图2

表 1

车辆结构参数"

内容	符号	数值	单位
轴距	l	3.11	m
质心至前轴距离	l_a	1.586 1	m
质心至后轴距离	l_b	1.523 9	m
轮距	S	1.69	m
转向传动比	K	16.26
车轮滚动半径	R₀	0.374 26	m
前轴主减速器减速比	$i 0 f ?$	10.136
后轴主减速器减速比	$i 0 r ?$	9.599

表 1

图3

图4

图5

图6

图7

图8

表 2

参考文献 23

1	SABET M T， DANIALI H R M， FATHI A R， et al. Experimental analysis of a low-cost dead reckoning navigation system for a land vehicle using a robust AHRS［J］. Robotics and Autonomous Systems， 2017， 95： 37-51.
2	LIU H， LUO S， LU J. Method for adaptive robust four-wheel localization and application in automatic parking systems［J］. IEEE Sensors Journal， 2019， 19（22）： 10644-10653.
3	SCHOLTE W J， MARCO V R， NIJMEIJER H. Experimental validation of vehicle velocity， attitude and IMU bias estimation［J］. IFAC-PapersOnLine， 2019， 52（8）： 118-123.
4	王震坡，丁晓林，张雷. 四轮轮毂电机驱动电动汽车驱动防滑控制关键技术综述［J］. 机械工程学报， 2019， 55（12）： 99-120.
	WANG Z P， DING X L， ZHANG L. Overview on key technologies of acceleration slip regulation for four-wheel-independently-actuated electric vehicles［J］. Journal of Mechanical Engineering， 2019， 55（12）： 99-120.
5	DING X， WANG Z， ZHANG L， et al. Longitudinal vehicle speed estimation for four-wheel-independently-actuated electric vehicles based on multi-sensor fusion［J］. IEEE Transactions on Vehicular Technology， 2020， 69（11）： 12797-12806.
6	郭洪艳，陈虹，赵海艳，等. 汽车行驶状态参数估计研究进展与展望［J］. 控制理论与应用， 2013， 30（6）： 661-672.
	GUO H Y， CHEN H， ZHAO H Y， et al. State and parameter estimation for running vehicle： recent developments and perspective［J］. Control Theory & Applications， 2013， 30（6）： 661-672.
7	RALLO G， FORMENTIN S， SAVARESI S M. On-line model-based wheel speed filtering for geometrical error compensation［J］. Mechatronics， 2018， 50： 189-195.
8	韩宗奇，王立强，王瑞林，等. 汽车高速行驶时轮速信号时频域变换处理方法［J］. 机械工程学报， 2014， 50（16）： 155-161.
	HAN Z Q， WANG L Q， WANG R L， et al. FFT / IFFT method for wheel speed sensor signal processing when car runs at high speed［J］. Journal of Mechanical Engineering， 2014， 50（16）： 155-161.
9	陈浩，袁良信，孙涛，等. 电动轮汽车车速与道路坡度估计［J］. 汽车工程， 2020， 42（2）： 199-205，256.
	CHEN H， YUAN L X， SUN T， et al. Estimation of in-wheel motor driven electric vehicle speed and road gradient［J］. Automotive Engineering， 2020， 42（2）： 199-205，256.
10	KARLSSON R， HENDEBY G. Speed estimation from vibrations using a deep learning cnn approach［J］. IEEE Sensors Letters， 2021， 5（3）： 1-4.
11	高振海，温文昊，唐明弘，等. 基于混合神经网络的汽车运动状态估计［J］. 汽车工程， 2022， 44（10）： 1527-1536.
	GAO Z H， WEN W H， TANG M H， et al. Estimation of vehicle motion state based on hybrid neural network［J］. Automotive Engineering， 2022， 44（10）： 1527-1536.
12	HASHEMI E， KASAIEZADEH A， KHOSRAVANI S， et al. Estimation of longitudinal speed robust to road conditions for ground vehicles［J］. Vehicle System Dynamics， 2016， 54（8）： 1120-1146.
13	ZHAO Z， CHEN H， YANG J， et al. Estimation of the vehicle speed in the driving mode for a hybrid electric car based on an unscented Kalman filter［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of automobile engineering， 2015， 229（4）： 437-456.
14	芦冰，解小华，蔡可天，等. UKF车速估计器的算法研究与仿真［J］. 吉林大学学报（信息科学版）， 2015， 33（1）： 7-11.
	LU B， XIE X H， CAI K， et al. Speed estimation research and simulation based on UKF algorithm［J］. Journal of Jilin University （Information Science Edition）， 2015， 33（1）： 7-11.
15	任彦君，殷国栋，沙文瀚，等. 基于运动学信息融合的四轮驱动汽车纵向车速自适应估计方法［J］. 机械工程学报， 2021， 57（8）： 184-194.
	REN Y J， YIN G D， SHA W H， et al. Longitudinal velocity adaptive estimation for four-wheel-drive vehicles via kinematic Information fusion［J］. Journal of Mechanical Engineering， 2021， 57（8）： 184-194.
16	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）： 7-13，20.
	ZHOU W Q， QI X. State estimation of vehicle based on multi-sensors information fusion［J］. Automotive Engineering， 2019， 41（1）： 7-13，20.
17	周卫琪，齐翔，陈龙，等. 基于无迹卡尔曼滤波与遗传算法相结合的车辆状态估计［J］. 汽车工程， 2019， 41（2）： 198-205.
	ZHOU W Q， QI X， CHEN L， et al. Vehicle state estimation based on the combination of unscented Kalman filtering and genetic algorithm［J］. Automotive Engineering， 2019， 41（2）： 198-205.
18	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.
19	赵治国，朱强，周良杰，等. 分布式驱动HEV自适应无迹卡尔曼车速估计［J］. 中国科学：技术科学， 2016， 46（5）： 481-492.
	ZHAO Z G， ZHU Q， ZHOU L J， et al. Vehicle speed estimation in driving case based on distributed self-adaptive unscented Kalman filter for 4WD hybrid electric car［J］. Sci Sin Tech， 2016， 46（5）： 481-492.
20	余卓平，夏新，熊璐，等. 分布式驱动电动汽车纵向车速非线性自适应估计［J］. 同济大学学报（自然科学版）， 2016， 44（5）： 779-786.
	YU Z P， XIA X， XIONG L， et al. Vehicle longitudinal velocity nonlinear adaptive estimation of distributed drive electric vehicle［J］. Journal of Tongji University （Natural Science）， 2016， 44（5）： 779-786.
21	DEL PINO I， MUNOZ-BANÓN M A， CONTRERAS M A， et al. Speed estimation for control of an unmanned ground vehicle using extremely low resolution sensors［C］. ICINCO （1）. 2018： 216-223.
22	PING X， CHENG S， YUE W， et al. Adaptive estimations of tyre-road friction coefficient and body’s sideslip angle based on strong tracking and interactive multiple model theories［J］. Proceedings of the Institution of Mechanical Engineers Part D： Journal of Automobile Engineering， 2020， 234（14）： 3224-3238.
23	LI L， SONG J， KONG L， et al. Vehicle velocity estimation for real-time dynamic stability control［J］. International Journal of Automotive Technology， 2009， 10（6）： 675-685.

测试场景	ESP	模型I	模型II	本文算法
平坦路面直行	0.114 5	0.100 1	0.094 3	0.084 8
平坦路面转弯	0.084 9	0.084 0	0.079 7	0.069 8
复杂路面直行	0.197 5	0.150 3	0.139 4	0.020 7
坡道直行	0.048 2	0.047 5	0.048 7	0.038 4

[1]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[2]	邓斌, 李维汉, 吴迪, 张冰战, 赵韩. 基于KFESO的四轮主动转向积分滑模控制[J]. 汽车工程, 2024, 46(1): 100-108.
[3]	李勇滔,孙晨旭,郑伟光,许恩永,李育方,王善超. 基于毫米波雷达与视觉融合的碰撞预警[J]. 汽车工程, 2023, 45(9): 1666-1676.
[4]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[5]	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.
[6]	孙晓强, 王玉麟, 胡伟伟, 蔡英凤, 陈龙, Wong Pak Kin. 基于轮胎分段仿射辨识模型的车辆行驶状态估计策略研究[J]. 汽车工程, 2023, 45(7): 1212-1221.
[7]	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.
[8]	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.
[9]	张新荣,王鑫,宫新乐,黄晋,黄丹,王鹏兴. 面向智能车辆的路面附着系数分段识别方法[J]. 汽车工程, 2023, 45(10): 1923-1932.
[10]	盛树轩,荆崇波,蒋朝阳. 视觉与单路侧单元辅助的车辆定位方法[J]. 汽车工程, 2022, 44(7): 1009-1017.
[11]	邓泽武,胡钊政,周哲,刘裕林,彭超. 融合激光雷达与双层地图模型的智能车定位[J]. 汽车工程, 2022, 44(7): 1018-1026.
[12]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[13]	孙金磊,邹鑫,顾浩天,崔凯,朱金大. 基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法[J]. 汽车工程, 2022, 44(4): 505-513.
[14]	蔡英凤,陆子恒,李祎承,陈龙,王海. 基于多传感器融合的紧耦合SLAM系统[J]. 汽车工程, 2022, 44(3): 350-361.
[15]	刘浪,张志飞,鲁红伟,徐中明. 基于增广卡尔曼滤波并考虑车辆加速度的路面不平度识别[J]. 汽车工程, 2022, 44(2): 247-255.