一種基于多模型融合的電驅(qū)動車輛車速估計方法*

張 征，馬曉軍，張運銀，陳路明

（陸軍裝甲兵學院兵器與控制系，北京 100072）

0 引言

縱向車速是車輛操縱穩(wěn)定性控制研究的一個非常重要的狀態(tài)信息，車速估計精度能夠影響動力學控制的效果［1］。目前大多數(shù)車輛的車速信息是通過普通車載傳感器信號計算處理得到的。對于非全輪驅(qū)動車輛，一般情況下可以將非驅(qū)動輪輪速傳感器信號進行還原來估計車速，但是這種方法并不適用于全輪驅(qū)動車輛［2］。針對全輪驅(qū)動車輛，有學者應用非線性狀態(tài)觀測器估計縱向車速，這類算法一般需要構建非線性車輛模型和動態(tài)輪胎模型，完成非線性迭代計算，計算量較大并且實時性難以保證［3-4］。文獻［5］提出了基于車身縱向加速度積分的車速估計方法，但這種方法因為長時間積分容易引起信號噪聲誤差持續(xù)累加等問題，嚴重影響估計精度。另外，還有一些研究者采用卡爾曼濾波、粒子濾波等算法對縱向車速進行估計，這些算法適用于驅(qū)動輪沒有發(fā)生過度打滑的工況，當路面情況不佳時，濾波算法估計精度容易受到影響［6-7］。

鑒于輪轂電機驅(qū)動車輛車速估計存在很大困難，本文提出了一種基于多模型融合的車速估計方法。根據(jù)采集的車載傳感器信號和電機反饋信息，設計了自適應卡爾曼濾波車速估計器，同時采用車身加速度積分對車速進行估計，并結合車輛行駛工況和路面條件，將兩種模型進行加權融合，提高了車速估計算法在各類行駛工況下的準確性和魯棒性。最后，采用基于dSPACE 的實時仿真平臺進行了仿真實驗。

1 車速估計結構及原理

為輪轂電機車輛設計一種基于多模型融合的縱向車速估計方法，如圖1 所示。

圖1 基于多模型融合的車速估計器

2 自適應卡爾曼濾波器設計

2.1 車速估計卡爾曼濾波算法

考慮車輛大部分行駛工況都是在作平面運動，因此，依據(jù)線性二自由度車輛模型設計卡爾曼濾波器。將縱向車速視為均勻變化信號，取經(jīng)濾波處理后的各輪輪速平均值作為量測量，得到車速估計系統(tǒng)狀態(tài)空間模型為

示加速度的過程噪聲。

2.2 濾波器系數(shù)自適應調(diào)節(jié)

假設所設計的車速卡爾曼濾波估計系統(tǒng)的過程噪聲均值等于0 并且服從高斯分布，過程噪聲協(xié)方差矩陣可表示為

而后，按照如圖2 所示步驟進行車速自適應卡爾曼濾波估計。

圖2 自適應卡爾曼濾波算法框圖

3 多模型融合方法設計

3.1 基于加速度積分的車速估計算法

當車輛在低附著路面行駛或車速較高時，車輪容易打滑，此時車輪速度與車速的關聯(lián)性減小，應用卡爾曼濾波算法計算出的車速估計精度將難以保證。這種情況下需要結合縱向加速度積分方法進行車速估計，車速與縱向加速之間關系可以近似表示為

3.2 車速估計模型融合方法

對輪轂電機驅(qū)動車輛進行車速估計時，由于卡爾曼濾波和加速度積分兩種算法在各類行駛工況下的估計效果不同，僅采用單一車速估計模型難以滿足車輛全工況的狀態(tài)參數(shù)估計需求，因此，將兩種估計模型進行融合，通過最小方差加權平均法得到車速估計值，其基本思路如下：

根據(jù)路面附著條件（路面附著系數(shù)μ）和加速/制動踏板開度（ρ）對車輛行駛工況進行劃分，行駛工況Apq（p=1，2，3 且q=1，2，3）的具體判斷方法如下頁表1 所示。

表1 行駛工況判斷

4 仿真結果及分析

為了驗證所提出方法在不同行駛工況中的車速估計效果，利用基于dSPACE 的實時仿真實驗平臺開展實驗。

實時仿真實驗平臺由駕駛員操控艙，dSPACE綜合控制系統(tǒng)，基于RT-LAB 的電機驅(qū)動系統(tǒng)，基于RT-LAB 的綜合電力系統(tǒng)，和基于Vortex 軟件的動力學仿真系統(tǒng)構成，各系統(tǒng)間采用Flexray 總線通信。平臺具體結構如圖3 所示。

為了驗證所提出方法在不同行駛工況下的車速估計效果，設計4 種行駛工況：在高附著路面（μ=0.8）進行輪轂電機驅(qū)動車輛直線加速和低速小半徑轉(zhuǎn)向仿真；在低附著路面（μ=0.3）分別進行急加速行駛和緊急制動仿真，具體實驗條件設置如表2所示。其中方向盤轉(zhuǎn)角滿程為900°，油門踏板ρA∈［0，1］，制動踏板ρB∈［0，-1］。

圖4～圖7 分別為4 種工況下的驅(qū)動輪輪邊速度信號、估計車速和仿真車速比較結果，表3 為車速估計誤差統(tǒng)計結果。

圖3 硬件在環(huán)實時仿真平臺

表2 車速估計實驗條件設置

圖4 直線加速工況

由圖4 和下頁圖5 可知，當車輛在高附著路面正常行駛時，驅(qū)動輪打滑情況不嚴重，輪邊速度信號未出現(xiàn)較大波動。無論是在直線行駛還是轉(zhuǎn)向工況下，采用多模型融合車速估計器都能夠觀測出較為準確的縱向車速信息。

從圖6 和圖7 實驗結果可以看出，在低附著路面行駛時，一旦采取急加速或緊急制動，車輪將容易發(fā)生嚴重滑轉(zhuǎn)/滑移。在強驅(qū)動行駛工況下，起步階段輪邊速度信號出現(xiàn)較大跳變；在強制動工況下，輪速信號也發(fā)生了很大波動。但多模型融合車速估計方法仍然保證了過度打滑情況下的估計精度，估計車速與仿真車速誤差得到了很好的控制。

圖5 低速小半徑轉(zhuǎn)向工況

圖6 急加速行駛工況

圖7 緊急制動工況

根據(jù)表2 所示，車速估計誤差統(tǒng)計結果可以看出，估計車速與仿真車速間最大誤差都能控制在2 km/h 以內(nèi)，并且均方誤差都很小，這就驗證了多模型融合車速估計方法在車輛不同行駛工況下都有良好的車速估計效果。

表3 車速估計誤差表

5 結論

本文將某型88 輪轂電機驅(qū)動車輛作為研究對象，設計了一種基于自適應卡爾曼濾波和信號積分數(shù)據(jù)融合的車速估計方法。在建立線性二自由度車輛模型的基礎上，運用卡爾曼濾波算法設計了車速估計器，并進行濾波系數(shù)的自適應調(diào)節(jié)。同時又采用了信號積分法估計車速，通過最小方差加權平均法將兩種估計模型進行了數(shù)據(jù)融合，得出最終車輛行駛時的車速估計結果。采用dSPACE 實時仿真平臺，設計并完成了多種行駛工況的車輛操縱實驗，仿真結果表明，所提出的多模型融合方法有效改善了單一狀態(tài)參數(shù)估計方法適用范圍局限，易受干擾等問題，在不同工況下都具備良好的估計效果。