基于GS-EKF滤波方法的车辆状态参数估计.pdf

收稿日期:基金项目:国家重点研发计划项目()汽车仿真与控制国家重点实验室开放基金资助项目()山西省基础研究计划(自由探索类)项目()山西省高等学校科技创新计划项目().作者简介:陈 龙()男山西朔州人太原理工大学讲师.第卷第期 年 月东北 大 学 学 报(自 然 科 学 版)().:./.基于 滤波方法的车辆状态参数估计陈 龙 刘巧斌 陶 磊(.太原理工大学 机械与运载工程学院 山西 太原 .吉林大学 汽车仿真与控制国家重点实验室 吉林 长春 .清华大学 车辆与运载学院 北京)摘 要:准确、高效的车辆状态估计是智能汽车实现精准控制的前提因此迫切需要开展又快又准的状态估计算法研究.为此提出一种分级串联型扩展卡尔曼滤波()车辆状态参数估计方法旨在保证估计精度的同时提升算法的计算效率和鲁棒性.首先基于分级串联思想将初级扩展卡尔曼滤波估计的结果作为次级状态估计的可量测控制输入信号实现分级串联状态估计然后建立 自由度非线性动力学车辆状态参数估计模型以方向盘转角及纵向、侧向加速度为输入变量和观测变量最后搭建联合仿真验证平台对比分析 种不同算法的精度、鲁棒性以及效率.结果表明所提出的算法在精度和鲁棒性方面可达到粒子滤波的效果而效率比粒子滤波提升了.关 键 词:智能汽车状态估计分级串联扩展卡尔曼鲁棒性中图分类号:文献标志码:文章编号:()(.:.):.()./.:汽车智能化在提高行驶安全性、减少交通事故、提升交通效率以及促进节能减排等方面都具有很大优势已成为全球汽车产业发展的热点方向.智能汽车运动行驶过程可分为:环境感 知、决策规划和运动控制其中环境感知是智能车辆决策规划和运动控制的基础环节主要包括车辆周围环境感知和车辆自身状态感知.因此车辆自身状态感知的准确性直接影响车辆智能决策规划的准确性以及运动控制稳定性开展车辆运行状态参数感知对提升车辆智能控制运行稳定性具有重要的意义.然而受限于传感测量技术和成本一些车辆关键状态变量无法通过现有传感器直接测量获取或者测量成本太高.为克服该问题采用低成本传感器测量易获取信息利用车辆模型结合状态估计算法来实现对车辆行驶状态的估计已成为车辆行驶状态参数获取的重要手段也是当前的研究热点.车辆行驶状态参数估计的优劣核心是估计算法的设计.针对车辆行驶状态参数估计算法的研究 国 内 外 学 者 目 前 主 要 集 中 在 卡 尔 曼()、扩展卡尔曼滤波()、容积卡尔曼滤波、无迹卡尔曼滤波()和粒子滤波()等算法的研究.文献采用 状态估计算法通过采集方向盘转角、纵向加速度、侧向加速度等信息实现车辆行驶状态最小方差估计但是估计精度以及抗噪鲁棒性较差.文献采用 算法对车辆行驶状态参数进行估计仿真与实车试验结果表明其性能优于传统 算法.文献提出采用 算法进行车辆状态估计仿真与实车试验结果表明该方法具有良好的估计精度但是 算法存在计算量较大的不足.文献 则是针对现有 算法的不足提出多种改进型 状态估计算法.文献针对状态估计过程噪声和量测噪声统计特性不确定的问题采用遗传优化算法对 算法进行优化从而提升状态估计性能.文献采用一种改进的粒子滤波算法 无味粒子滤波算法对轮毂电机电动汽车进行状态估计结果表明在高度非线性状态下无味粒子滤波算法性能优于 和 算法但是依然存在计算量大的问题.本文在现有研究基础上旨在不影响状态估计精度的前提下采用分级串联估计的思想提出了一 种 分 级 串 联 扩 展 卡 尔 曼()状态估计算法使其能够兼具 算法计算量少和 算法精度高、鲁棒性好的优点.建立了 自由度车辆非线性动力学模型和分级串联扩展卡尔曼状态估计算法利用/与 搭建了车辆行驶状态估计算法联合仿真试验验证平台并将本文所提算法与 和 状态估计算法进行了对比以验证所提算法的优越性.车辆动力学模型车辆动力学建模是汽车行驶状态估计的基础本文模型综合考虑了实际车辆纵向车速的变化对横摆、侧偏引入的非线性动力学特性以及车辆转向时横摆、侧偏也会向纵向运动引入的非线性特性建立包括车辆纵向、侧向以及横摆 个方向自由度的车辆非线性动力学模型如图 所示.图 车辆动力学模型 根据车辆动力学模型建立的动力学方程为 ()()().()式中:分别为前、后轴到质心距离分别为前、后轮等效侧偏刚度分别为车辆纵向和侧向车速度分别为车辆纵向和侧向加速度 为横摆角速度 为质心侧偏角 为整车质量为车辆绕 轴的转动惯量 为前轮转角(/为转向盘转角 为转向盘到转向轮的角传动比).根据车辆模型定义状态变量为 .()控制输入为 .()取易于通过车载传感器进行测量的侧向加速度为观测变量则 .()考虑系统的过程噪声和量测噪声系统状态方程可写为 .()第 期 陈 龙等:基于 滤波方法的车辆状态参数估计 式中:为过程噪声是零均值、方差为 的高斯白噪声 为观测噪声也是零均值、方差为 的高斯白噪声且过程噪声与观测噪声相互独立.由于计算机系统只能处理离散信号需要对连续系统方程进行离散化采用差分变换法车辆动力学离散化方程为 .()式中:是 的单位矩阵 为离散化时间步长.状态估计算法 扩展卡尔曼滤波算法扩展卡尔曼滤波算法是在经典卡尔曼滤波算法基础上为解决 仅适用于线性系统状态估计而提出的改进算法.的基本思想是将非线性系统动力学方程在参考点附近进行 展开舍弃二阶及其以上的高阶项保留非线性系统的近似线性项从而得到系统的线性化近似.利用一阶线性化近似的状态方程和测量方程进行状态估计具体步骤如下.)时间更新.状态一步预测方程为 .()状态均方误差一步预测:.()式中:为状态变量的先验估计值 为上一时刻状态变量的最优估计值 为上一时刻误差协方差为系统方程对状态矢量求偏导的雅克比矩阵其计算矩阵为 ().)量测更新.利用传感器实时采集到的 时刻真实测量值对上一步预测值进行修正.卡尔曼滤波增益矩阵为().()式中为系统方程对状态矢量求偏导的雅克比矩阵其计算矩阵为 .状态估计计算:().()状态均方误差估计:().()通过对式()式()进行循环迭代计算即可实时估计出车辆行驶过程中的状态信息.状态估计算法 算法相较于 和 状态估计算法而言具有计算量小的优点但是在状态估计精度和鲁棒性方面存在不足.本文在对 状态估计算法的动态性能及鲁棒性研究中发现在车辆行驶状态估计过程中不同的状态变量对噪声的敏感程度不同.在状态变量横摆角速度、质心侧偏角 和车辆纵向车速 中横摆角速度的估计结果准确性和鲁棒性最好传感器噪声对其估计精度影响较小而质心侧偏角和车辆纵向车速 的估计则不具备上述优点.基于此本文提出 状态估计算法其具体的实现步骤如图 所示.图 状态估计算法 东北大学学报(自然科学版)第 卷 基于分级串联估计策略利用状态变量横摆角速度 估计精度高、鲁棒性好的优点将初级 估计结果中的 作为次级 状态估计的可量测控制输入信号从而提高次级 状态估计的精度.而且次级 估计模型由原来 个状态变量减少为 个状态变量降低了次级 状态估计的计算量.次级 的状态变量变为 控制输入为 则其状态方程和观测方程增益矩阵变为 .对状态矢量求偏导的雅克比矩阵为 ().仿真验证 联合仿真模型搭建为验证本文所提出的 状态估计算法的应用效果及性能采用/与 联合仿真试验平台进行仿真试验研究其结构原理如图 所示.采用 建立高精度整车模型利用 搭建车辆行驶状态估计器车辆模型参数如表 所示.本文取 种比较典型的试验工况(双线移工况和蛇形工况)进行组合组合仿真工况所对应的方向盘转角及车速如图 所示对状态估计算法进行了仿真试验验证.图 状态估计算法对比仿真结构原理图 为定量评价状态估计算法间的性能差异分别采用状态估计结果与仿真实际值的峰值相对误差()、平均绝对误差()和均方根误差(表 车辆参数 状态变量数值整车质量/前轴到质心距离/后轴到质心距离/车辆绕 轴的转动惯量/()前轴等效侧倾刚度/()后轴等效侧倾刚度/()转向传动比 路面附着系数 图 组合工况方向盘转角和车速 )来表征算法的估计误差大小计算公式分别为 ()()第 期 陈 龙等:基于 滤波方法的车辆状态参数估计 ().()式中:为采样数为状态变量实际测量值为状态变量估计值.仿真结果分析状态估计算法参数选取 误差协方差矩阵初始值 ()过程噪声协方差矩阵初始值 ()测量噪声协方差矩阵初始值为 算法的粒子数量取.不考虑传感器噪声影响组合工况下 种状态估计算法仿真结果如图 所示.图 组合工况状态估计结果 ()横摆角速度()质心侧偏角()纵向车速.由图 可知不考虑传感器噪声干扰的情况下 种状态估计算法计算结果与真实值一致性较好但是在 仿真区间内此时车速为减速初期车速较高同时蛇形工况转向角增大导致横摆角速度 和质心侧偏角 估计结果峰值误差增大.需说明图 横摆角速度没有绘制 的状态估计曲线这是因为分级串联中初级 对横摆角速度的估计结果即为 的最终估计结果因而 对横摆角速度的估计结果与传统 结果一样本文没有单独绘制曲线.定量对比 种状态估计算法的误差结果如图 所示.图 组合工况状态估计误差 ()横摆角速度误差()质心侧偏角误差()纵向车速误差.由图 可知在不考虑传感器噪声的前提下 种状态估计算法的估计误差总体相差不大都非常接近实际值由图 质心侧偏角 的估计结果可知 算法的估计误差最小而由图 纵向车速 的估计结果可知 算法东北大学学报(自然科学版)第 卷 的估计误差优于 算法但是不如 算法和 算法.进一步分析状态估计算法的计算效率采用仿真耗时来表征算法的计算效率.本文仿真所使用的计算机 为 主频为 内存 模型仿真时长设置为 仿真步长为 .计算得到 种状态估计算法仿真耗时如图 所示.图 组合工况仿真耗时 由图 可知 算法相比传统 耗时增加 但是相比 和 算法仿真耗时分别缩短 和 计算效率分别提升 和 .基于对仿真精度产生较小影响前提下 算法有效提升了状态估计算法计算效率降低算法计算量有助于降低车辆控制芯片计算量.状态估计算法鲁棒性分析实际工程应用中传感器信号噪声干扰可造成算法的不稳定、不收敛.因此针对状态估计算法的鲁棒性开展研究具有重要的工程实际意义.本文对传感器量测信号叠加不同信噪比的高斯白噪声分别设定信噪比 为 和 来模拟传感器信号处于中等噪声干扰和强干扰状态并且在信号中添加野值来模拟实际数据中可能存在的野值信号干扰最终可获得本文鲁棒性分析的 组仿真如表 所示.表 仿真工况类型 序号工况类型序号工况类型第 组第 组 野值第 组第 组 野值 信噪比 计算公式为 .()由于篇幅限制本文仅给出 为 与野值叠加的仿真结果如图 所示.图 信噪比 野值仿真结果 ()横摆角速度()质心侧偏角()纵向车速.由图 可知传感器量测信息噪声的存在种算法的估计精度都存在一定程度下降其中对横摆角速度 估计准确性的影响较小而质心侧偏角 的估计则出现较为明显的噪声干扰波动尤其 算法受噪声的影响最为显著.同时传感器野值也对估计精度有影响分析质心侧偏角和纵向车速的估计结果在野值出现时刻 算法受野值影响估计结果发生异常 而 算法和 算法有效抑制了野值对估计结果的干扰说明其抗干扰的鲁棒性要优于 和 算法.进一步计算不同信噪比下的估计误差结果如表 所示.第 期 陈 龙等:基于 滤波方法的车辆状态参数估计 表 不同信噪比干扰下状态估计算法误差 状态量 由表 可知信噪比的减小对横摆角速度的估计精度影响很小而且 种状态估计算法间的估计误差相差不大进一步证明该状态稳定且不易受干扰可用来做次级 的量测输入.而质心侧偏角 和纵向车速 的估计误差受信噪比的影响较为明显.图 为不同信噪比下的状态估计误差对比图.由图 可知信噪比减小对横摆角速度 的估计影响较小而对质心侧偏角 和纵向车速 的估计误差影响较大尤其是对 算法其次为 算法本文所提出的 和 算法的抗噪声鲁棒性最优.随着信噪比的减小 种估计算法的估计误差都呈现增大趋势.不同信噪比下 算法对质心侧偏角 的估计误差最小 算法对纵向车速的估计误差最小.本文所提出的图 不同信噪比下的状态估计误差 ()横摆角速度()质心侧偏角()纵向车速误差.算法有效地克服了传统 算法估计精度和鲁棒性不足的缺点同时保持了其计算量小的优点.因此在综合考虑状态估计精度、计算效率以及抗量测信号噪声鲁棒性的条件下 算法具有优势.结 论)通过与 和 算法的仿真对比 状态估计精度和抗噪鲁棒性与 算法相当其中对质心侧偏角的估计精度优于其他算法且计算效率比 和 算法分别提升 和 .)本文提出的 算法在继承传统 算法的基础上有效地克服了传统 算法估计精度和抗噪鲁棒性不足的缺点.)算法兼具 算法计算量少和 算法精度高、鲁棒性好的优点因此该算法具有较好的实际工程应用前景.参考文献:.东北大学学报(自然科学版)第 卷:.()():.梁忠超张欢赵晶等.基于自适应 的无人驾驶车辆轨迹跟踪控制.东北大学学报(自然科学版)():.(.()():.)翟强程洪黄瑞等.智能汽车中人工智能算法应用及其安全综述.电子科技大学学报():.(.:.():.).:.():.张志达郑玲李以农等.基于鲁棒自适应 的智能汽车目标状态跟踪研究.机械工程学报():.(.:.)陈特徐兴蔡英凤等.基于状态估计的无人车前轮转角与横摆稳定协调控制 .北京理工大学学报():.(.():.)./.:.():.宗长富潘钊胡丹等.基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用.机械工程学报():.(.():.)王凡勋殷国栋沈童等.四轮驱动电动汽车质心侧偏角与轮胎侧向力非线性鲁棒融合估计.中国机械工程():.(.():.).():.():.宋义彤舒红宇陈仙宝等.分布式电动汽车状态与参数无迹卡尔曼滤波估计.机械工程学报():.(.():.)林棻赵又群徐朔南.基于粒子滤波算法的汽车状态估计技术.农业机械学报():.(.():.)汪魏民祥赵万忠等.基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计.中国机械工程():.(.():.).():.张志勇张淑芝黄彩霞等.基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计.机械工程学报():.(.():.)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.汽车工程():.(.():.).():.第 期 陈 龙等:基于 滤波方法的车辆状态参数估计