分布式驅(qū)動(dòng)電動(dòng)汽車狀態(tài)參數(shù)估計(jì)綜述＊

樊東升，李剛

（遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001）

1 前言

汽車在行駛過程中，很難直接獲取準(zhǔn)確的車輛狀態(tài)參數(shù)，而獲取這些參數(shù)的傳感器價(jià)格又非常的昂貴，無法大量使用在量產(chǎn)車上。隨著科技技術(shù)的發(fā)展，一些低成本的傳感器（縱向加速度、側(cè)向加速度、橫擺角速度）逐漸被研究出來，其精度也相對(duì)較高，因此開始逐漸運(yùn)用在汽車上，通過這些傳感器實(shí)現(xiàn)對(duì)車輛狀態(tài)參數(shù)的估計(jì)，從而解決了無法直接測(cè)得準(zhǔn)確的車輛狀態(tài)的難題。目前汽車的主動(dòng)安全系統(tǒng)響應(yīng)速度與響應(yīng)效果很大程度上取決于車輛在運(yùn)動(dòng)狀態(tài)中自身關(guān)鍵參數(shù)的估計(jì)精度。當(dāng)前應(yīng)用的主流系統(tǒng)，一個(gè)普遍的問題是車輛模型的參數(shù)缺乏適應(yīng)性，這些參數(shù)通常情況下被視為隨時(shí)間恒定不變的，盡管它們不是完全已知的或者受到時(shí)間變化以及運(yùn)動(dòng)的影響。導(dǎo)致的直接結(jié)果就是，由于駕駛條件的不斷變化，采用固定不變的參數(shù)值使控制系統(tǒng)的性能降低[1]。

2 車輛狀態(tài)參數(shù)估計(jì)算法研究現(xiàn)狀

汽車的狀態(tài)參數(shù)包括汽車自身質(zhì)量、質(zhì)心位置、質(zhì)心側(cè)偏角等關(guān)鍵參數(shù)，由于這些參數(shù)關(guān)系到控制系統(tǒng)的控制效果，進(jìn)而影響車輛的行駛平順性。近幾年逐漸引起國內(nèi)外學(xué)者的關(guān)注。下面就關(guān)于車輛狀態(tài)參數(shù)估計(jì)的研究進(jìn)行了以下綜述。

2.1 基于擴(kuò)展卡爾曼濾波（EKF）算法的車輛狀態(tài)參數(shù)估計(jì)研究現(xiàn)狀

文獻(xiàn)[2]提出了一種基于非線性模型的觀測(cè)器，用于車輛運(yùn)動(dòng)中狀態(tài)參數(shù)和輪胎轉(zhuǎn)彎剛度的組合估計(jì)。它基于常見的車載傳感器，即橫向加速度和橫擺角速度傳感器，并且在正常的車輛操縱中運(yùn)行。識(shí)別框架依賴于增強(qiáng)的擴(kuò)展卡爾曼濾波器來處理模型參數(shù)可變性和噪聲測(cè)量輸入。通過仿真驗(yàn)證評(píng)估所提出方法的性能和靈敏度，結(jié)果表明與標(biāo)準(zhǔn)方法相比可以提高一個(gè)數(shù)量級(jí)的估計(jì)精度。文獻(xiàn)[3]設(shè)計(jì)了一種運(yùn)用擴(kuò)展卡爾曼濾波，通過模糊控制理論對(duì)其進(jìn)行優(yōu)化處理，進(jìn)行車輛狀態(tài)參數(shù)估計(jì)的方法。通過運(yùn)用模糊控制理論，根據(jù)殘差與實(shí)際殘差之間的差值，自適應(yīng)調(diào)整測(cè)量噪聲誤差協(xié)方差矩陣R。運(yùn)用這種方法最直接的目的是可以實(shí)現(xiàn)更精確、更有效的算法估計(jì)。此外該方法沒有對(duì)過程噪聲矩陣Q 進(jìn)行估算，從而讓算法結(jié)構(gòu)更簡單，降低對(duì)估算結(jié)果的影響。文獻(xiàn)[4]提出了一種自適應(yīng)擴(kuò)展卡爾曼濾波的方法估算車輛狀態(tài)，通過手動(dòng)調(diào)整滑動(dòng)窗口的長度，來改變新息理論誤差矩陣的值，通過比較新息誤差矩陣實(shí)際值與理論值的大小，自適應(yīng)改變測(cè)量噪聲誤差協(xié)方差矩陣R 的值，通過這種自適應(yīng)策略可以有效提高車輛狀態(tài)參數(shù)的估計(jì)精度。

由此可以看出，單純采用擴(kuò)展卡爾曼濾波的方法，實(shí)現(xiàn)對(duì)車輛參數(shù)的估計(jì)是無法達(dá)到高精度、高穩(wěn)定性的要求。通常加入模糊控制理論、增強(qiáng)擴(kuò)展卡爾曼濾波算法和自適應(yīng)調(diào)節(jié)測(cè)量噪聲誤差協(xié)方差矩陣的值來提高估計(jì)的精度。

2.2 基于容積卡爾曼濾波（CKF）算法的車輛狀態(tài)參數(shù)估計(jì)研究現(xiàn)狀

文獻(xiàn)[5]提出了一種基于雙容積卡爾曼濾波的車輛狀態(tài)估計(jì)算法。其中一重濾波器為估計(jì)車輛縱向車速、側(cè)向車速和質(zhì)心側(cè)偏角，二重容積卡爾曼濾波為估計(jì)輪胎與地面之間的路面附著系數(shù)。通過串聯(lián)的方式把兩重容積卡爾曼濾波器連接在一起，其中前一個(gè)濾波器的輸出作為后一個(gè)濾波器的輸入，同時(shí)后一個(gè)濾波器的輸出又作為前一個(gè)濾波器的輸入，兩個(gè)濾波器形成一個(gè)閉環(huán)系統(tǒng)，從而提高對(duì)車輛狀態(tài)參數(shù)估計(jì)的準(zhǔn)確度。文獻(xiàn)[6]提出了一種基于三重容積卡爾曼濾波，設(shè)計(jì)了車輛狀態(tài)與參數(shù)估計(jì)器，搭建相應(yīng)的車輛模型，運(yùn)用相應(yīng)的動(dòng)力學(xué)理論，達(dá)到對(duì)汽車的縱向車速、側(cè)向車速、橫擺角速度、路面附著系數(shù)、汽車自身質(zhì)量、質(zhì)心位置和質(zhì)心側(cè)偏角的準(zhǔn)確估算。其中一重卡爾曼濾波器為對(duì)縱向車速、側(cè)向車速和橫擺角速度的估算；二重卡爾曼濾波器為對(duì)路面附著系數(shù)的估計(jì)；三重卡爾曼濾波器為對(duì)汽車自身質(zhì)量、質(zhì)心位置和質(zhì)心側(cè)偏角的估計(jì)。通過信息融合的方法，將三個(gè)卡爾曼濾波器融合在一起，彼此之間信息傳遞，互為各自的輸入和輸出，形成閉環(huán)系統(tǒng)，提高系統(tǒng)估計(jì)的準(zhǔn)確性。

由此可以總結(jié)出，單純對(duì)車輛行駛狀態(tài)的估計(jì)已經(jīng)不能滿足估計(jì)精度的要求，因此將車輛狀態(tài)參數(shù)考慮在內(nèi)，并對(duì)它們進(jìn)行實(shí)時(shí)估計(jì)并實(shí)時(shí)修正。同時(shí)加入多個(gè)濾波器也可以保證系統(tǒng)工作的穩(wěn)定性與魯棒性。因此，多濾波器的融合在車輛狀態(tài)參數(shù)估計(jì)上取得了很大優(yōu)勢(shì)。

3 結(jié)論

深入分析了近幾年國內(nèi)外在車輛狀態(tài)參數(shù)估計(jì)中的研究狀況，可以總結(jié)出將卡爾曼濾波結(jié)合其它控制理論、自適應(yīng)調(diào)節(jié)誤差矩陣和優(yōu)化卡爾曼濾波算法是提高估計(jì)精度的一個(gè)有效手段，但是不能保證系統(tǒng)的穩(wěn)定性。而多濾波器的融合不僅可以提高估計(jì)的精度，還能保證系統(tǒng)的穩(wěn)定性。因此，通過信息融合技術(shù)的多濾波器融合成為車輛狀態(tài)參數(shù)估計(jì)的主流方向。