四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

doi:10.19562/j.chinasae.qcgc.2024.08.003

摘要/Abstract

摘要：

路面附着系数对车辆动力学控制性能有重要影响，为准确实时估计路面附着系数，提高算法在不同路面及工况下的估计精度与收敛速度，本文针对分布式四轮驱动车辆，结合7自由度车辆动力学模型和Dugoff轮胎模型，提出了一种基于交互式多模型的自适应无迹卡尔曼滤波（IMM-AUKF）路面附着系数估计方法，首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波（UKF）算法中，构建了自适应无迹卡尔曼滤波（AUKF）观测器，以对测量噪声进行实时更新并保证其协方差矩阵的正定性，同时提高新观测数据的权重，并增强算法的实时跟踪精度和稳定性；然后通过选择不同的观测变量，分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器，并利用交互式多模型（IMM）算法进行观测器模型的切换，进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明，所提出的IMM-AUKF算法相比于传统的UKF算法，具有更高的估计精度与更快的收敛速度，能够适应不同工况下路面附着系数的实时准确估计。

关键词: 分布式四轮驱动, 路面附着系数, 交互式多模型, 自适应无迹卡尔曼滤波

Abstract:

The road adhesion coefficient has an important impact on the vehicle dynamics control performance. In order to accurately obtain the road adhesion coefficient in real time and improve the estimation accuracy and convergence speed of the algorithm under different road surfaces and driving conditions， an interactive multiple model adaptive unscented Kalman filter （IMM-AUKF） based on the seven-degree-of-freedom vehicle dynamics model and Dugoff tire model is proposed in this paper for the distributed four-wheel-drive vehicles. The algorithm first introduces the improved Sage-Husa noise estimator into the UKF algorithm to construct the AUKF observer， which updates the measurement noise in real time and ensures the positive characterization of its covariance matrix， improves the weight of the new observation data， and enhances the real-time tracking accuracy and stability of the algorithm. Afterwards， the algorithm selects different observation variables to construct the longitudinal driving condition AUKF observer and the lateral-longitudinal coupling driving condition AUKF observer. And the IMM algorithm is also used to switch the observer model， so as to realize the algorithm's accurate estimation of the road adhesion coefficient under different driving conditions. The results of simulation tests on high/low attachment， joint and u-split roads and real vehicle road tests show that the proposed IMM-AUKF algorithm has higher estimation accuracy and faster convergence speed than the traditional UKF algorithm， and it can adapt to the real-time and accurate estimation of the road adhesion coefficient under different driving conditions.

Key words: distributed four-wheel drive, road adhesion coefficient, interactive multiple model, adaptive unscented Kalman filter

邓浩楠,赵治国,赵坤,李刚,于勤. 四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计[J]. 汽车工程, 2024, 46(8): 1357-1369.

Haonan Deng,Zhiguo Zhao,Kun Zhao,Gang Li,Qin Yu. Estimation of Road Adhesion Coefficient Using Interactive Multiple Model Adaptive Unscented Kalman Filter for 4WID Vehicles[J]. Automotive Engineering, 2024, 46(8): 1357-1369.

图/表 20

图1

图2

图3

图4

表1

车辆相关参数"

参数	数值
整车质量/kg	2 865
轴距/mm	3 018
前/后轮距/mm	1 696/1 675
质心到前/后轴距离/mm	1 544/1 474
质心离地高度/mm	550
轮胎滚动半径/mm	373
车辆绕z轴的转动惯量/ $(k g ? m 2)$	3 234
车轮绕车轴的转动惯量/ $(k g ? m 2)$	2

表1

图5

图6

表2

图7

表3

图8

表4

图9

表5

图10

图11

图12

图13

图14

图15

参考文献 22

1	TIAN C， LENG B， HOU X， et al. Robust identification of road surface condition based on ego-vehicle trajectory reckoning［J］. Automotive Innovation， 2022， 5（4）： 376-387.
2	ZHANG X， GÖHLICH D. Integrated traction control strategy for distributed drive electric vehicles with improvement of economy and longitudinal driving stability［J］. Energies， 2017， 10（1）： 126.
3	刘志强，刘广. 分布式驱动电动汽车稳定性控制仿真与试验［J］. 汽车工程， 2019， 41（7）： 792-799.
	LIU Zhiqiang， LIU Guang. Simulation and test of stability control for distributed drive electric vehicles［J］. Automotive Engineering， 2019， 41（7）： 792-799.
4	JIN B， SUN C， ZHANG X. Research on lateral stability of four hubmotor-in-wheels drive electric vehicle［J］. International Journal on Smart Sensing and Intelligent Systems， 2015， 8（3）： 1855.
5	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 Zhengpo， DING Xiaolin， ZHANG Lei. Overview on key technologies of acceleration slip regulation for four-wheelind-ependently-actuated electric vehicles ［J］. Journal of Mechanical Engineering， 2019，55（12）：99-120.
6	ŠABANOVIČ E， ŽURAULIS V， PRENTKOVSKIS O， et al. Identification of road-surface type using deep neural networks for friction coefficient estimation［J］. Sensors， 2020， 20（3）： 612.
7	张雷，关可人，丁晓林，等.基于图像识别与动力学融合的路面附着系数估计方法［J］.汽车工程，2023，45（7）：1222-1234，1262.
	ZHANG Lei， GUAN Keren， DING Xiaolin， et al. Tire-road friction estimation method based on image recognition and dynamics fusion［J］. Automotive Engineering， 2023， 45（7）： 1222-1234，1262.
8	SHAO L， JIN C， LEX C， et al. Robust road friction estimation during vehicle steering［J］. Vehicle System Dynamics， 2019， 57（4）： 493-519.
9	YIN Y， LI S E， TANG K， et al. Approximate optimal filter design for vehicle system through actor-critic reinforcement learning［J］. Automotive Innovation， 2022， 5（4）： 415-426.
10	XU Y， CHEN B， CHI C. Estimation of road friction coefficient and vehicle states by 3‐DOF dynamic model and HSRI model based on information fusion［J］. Asian Journal of Control， 2018， 20（3）： 1067-1076.
11	WIELITZKA M， ORTMAIER T. Credibility of state and friction coefficient estimation in vehicle dynamics using UKF［C］. 2019 IEEE 58th Conference on Decision and Control （CDC）. IEEE， 2019： 3922-3927.
12	HEIDFELD H， SCHÜNEMANN M， KASPER R. UKF-based state and tire slip estimation for a 4WD electric vehicle［J］. Vehicle System Dynamics， 2020， 58（10）： 1479-1496.
13	WANG C， SONG C， LI J. A federated filter design of electronic stability control for electric-wheel vehicle［C］. 2015 8th International Congress on Image and Signal Processing （CISP）. IEEE， 2015： 1105-1110.
14	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 Zhiguo， ZHU Qiang， ZHOU Liangjie， et al. Distributed drive HEV adaptive traceless Kalman vehicle speed estimation［J］. Science China： Technological Sciences， 2016，46（5）：481-492.
15	付翔，孙威，黄斌，等. 基于指数加权衰减记忆无迹卡尔曼滤波的路面附着系数估计［J］. 汽车技术， 2018 （1）： 31-37.
	FU Xiang， SUN Wei， HUANG Bin， et al. Estimation of road adhesion coefficient based on fading memory unscented Kalman filtering with exponential weighting［J］. Automotive Technology， 2018 （1）： 31-37.
16	刘志强，刘逸群. 路面附着系数的自适应衰减卡尔曼滤波估计［J］. 中国公路学报， 2020， 33（7）： 176-185.
	LIU Zhiqiang， LIU Yiqun. Estimation algorithm for road adhesion coefficient using adaptive fading unscented Kalman filter［J］. China Journal of Highway and Transport， 2020， 33（7）： 176-185.
17	平先尧，李亮，程硕，等.四轮独立驱动汽车多工况路面附着系数识别研究［J］.机械工程学报，2019，55（22）：80-92.
	PING Xianyao， LI Liang， CHEN Shuo， et al. Tire-road friction coefficient estimators for 4WID electric vehicles on diverse road conditions［J］. Journal of Mechanical Engineering， 2019，55（22）：80-92.
18	LUO Z， FU Z， XU Q. An adaptive multi-dimensional vehicle driving state observer based on modified Sage–Husa UKF algorithm［J］. Sensors， 2020， 20（23）： 6889.
19	章飞，周杏鹏，陈小惠.基于衰减记忆滤波的平方根UKF被动目标跟踪算法［J］.测控技术，2010，29（4）：22-26.
	ZHANG Fei， ZHOU Xinpeng， CHEN Xiaohui. Square root UKF passive target tracking algorithm based on attenuated memory filtering［J］. Measurement and Control Technology， 2010，29（4）：22-26.
20	张常云.自适应滤波方法研究［J］.航空学报，1998（S1）：97-100.
	ZHANG Changyun. Research on adaptive filtering methods［J］. Journal of Aeronautics， 1998（S1）：97-100.
21	ZHONG S， ZHAO Y， GE L， et al. Vehicle state and bias estimation based on unscented Kalman filter with vehicle hybrid kinematics and dynamics models［J］. Automotive Innovation， 2023， 6（4）： 571-585.
22	张家旭，李静.基于交互式多模型和容积卡尔曼滤波的汽车状态估计［J］.汽车工程，2017，39（9）：977-983.
	ZHANG Jiaxu， LI Jing. Vehicle state estimation based on interactive multiple model and cubature Kalman filter［J］. Automotive Engineering， 2017， 39（9）：977-983.

车轮	UKF	IMM-AUKF
前左轮	0.155 0	0.032 3
前右轮	0.154 8	0.032 3
后左轮	0.160 9	0.032 4
后右轮	0.161 0	0.032 3
平均值	0.157 9	0.032 3

车轮	UKF	IMM-AUKF
前左轮	0.026 6	0.002 9
前右轮	0.026 4	0.003 1
后左轮	0.017 3	0.002 8
后右轮	0.028 5	0.003 1
平均值	0.024 7	0.003 0

车轮	UKF	IMM-AUKF
前左轮	0.136 4	0.023 9
前右轮	0.136 4	0.023 9
后左轮	0.116 1	0.024 2
后右轮	0.116 1	0.024 2
平均值	0.126 3	0.024 1

车轮	UKF	IMM-AUKF
前左轮	0.150 9	0.024 7
前右轮	0.033 3	0.004 8
后左轮	0.049 1	0.024 7
后右轮	0.012 8	0.004 6
平均值	0.061 5	0.014 7

[1]	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.
[2]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[3]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[4]	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.
[5]	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.
[6]	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.