淺談基于多傳感器信息的汽車低速車速估計(jì)方法

摘 要：為解決電動(dòng)汽車在低速行駛時(shí)的速度估算難題，文章構(gòu)建了一套基于多源傳感檢測(cè)的車速評(píng)估系統(tǒng)，通過實(shí)際測(cè)試對(duì)比分析，驗(yàn)證了文章提出的汽車低速車速估計(jì)方法的優(yōu)勢(shì)。汽車低速車速估計(jì)方法應(yīng)以國家智能交通發(fā)展戰(zhàn)略需求為導(dǎo)向，加大資源投入，構(gòu)建可靠的車速估計(jì)安全保障體系，實(shí)現(xiàn)車輛在復(fù)雜環(huán)境下的精確速度控制，促進(jìn)基于多傳感器信息的汽車低速車速估計(jì)方法在智能交通系統(tǒng)中發(fā)揮更大作用，打造具有鮮明技術(shù)特色和強(qiáng)大創(chuàng)新能力的現(xiàn)代化車輛速度控制系統(tǒng)。

關(guān)鍵詞：多傳感器信息 汽車低速車速 估計(jì)方法

基于多傳感器信息的汽車低速車速估計(jì)方法是智能駕駛技術(shù)的重要組成部分，是提升車輛行駛安全性的關(guān)鍵技術(shù)之一，更是實(shí)現(xiàn)自動(dòng)駕駛的基礎(chǔ)保障。在加速推進(jìn)智能交通系統(tǒng)發(fā)展的新時(shí)期，汽車低速車速估計(jì)方法應(yīng)當(dāng)承擔(dān)起提高行車安全性、支持智能駕駛系統(tǒng)的使命，以創(chuàng)新引領(lǐng)技術(shù)研發(fā)，不斷提升估計(jì)精度。文章將從融合算法優(yōu)化、實(shí)際測(cè)試驗(yàn)證兩個(gè)方面，探討推動(dòng)基于多傳感器信息的汽車低速車速估計(jì)方法高質(zhì)量發(fā)展的路徑。

1 工程概況

為驗(yàn)證基于多傳感器信息的汽車低速車速估計(jì)方法算法的實(shí)時(shí)執(zhí)行能力，開展了實(shí)地車輛測(cè)試實(shí)驗(yàn)。測(cè)試環(huán)境包含平整地面、卵形碎石路段以及18%傾角的斜坡道路多種路況。實(shí)驗(yàn)過程主要圍繞低速直線行駛和緩速轉(zhuǎn)向兩種工況展開，全面評(píng)估算法的應(yīng)用適應(yīng)性。

實(shí)驗(yàn)選用一臺(tái)搭載雙電機(jī)的全輪驅(qū)動(dòng)運(yùn)動(dòng)型SUV作為測(cè)試對(duì)象，該車配置有底盤信息采集系統(tǒng)，搭載了轉(zhuǎn)向角傳感裝置、車速探測(cè)器、姿態(tài)檢測(cè)、檔位監(jiān)測(cè)儀等基礎(chǔ)傳感設(shè)備。姿態(tài)檢測(cè)單元布置于車輛重心附近位置，負(fù)責(zé)采集車輛的x軸、y軸加速度數(shù)值及z軸角速度信息。測(cè)試車還整合了VBox車輛性能測(cè)試系統(tǒng)，通過GPS技術(shù)實(shí)時(shí)獲取車輛實(shí)際行駛數(shù)據(jù)。測(cè)量系統(tǒng)通過多路信號(hào)采集實(shí)現(xiàn)數(shù)據(jù)獲?。褐骺啬K經(jīng)由線束獲取IMU數(shù)據(jù)流及四輪速度信息，而發(fā)動(dòng)機(jī)轉(zhuǎn)速參數(shù)和方向盤轉(zhuǎn)角數(shù)據(jù)則經(jīng)由車載CAN總線傳輸。系統(tǒng)運(yùn)算得出的速度評(píng)估值同樣通過CAN網(wǎng)絡(luò)傳遞，最終所有實(shí)驗(yàn)數(shù)據(jù)經(jīng)由采集裝置存儲(chǔ)至計(jì)算終端。本研究所用試驗(yàn)車型的具體技術(shù)參數(shù)如表1所示。

當(dāng)前，汽車速度估算主要有兩種，一種是基于車輪轉(zhuǎn)速探測(cè)裝置和IMU數(shù)據(jù)構(gòu)建速度評(píng)估系統(tǒng)，通過GPS信息進(jìn)行修正。但該方法普通GPS定位精確度不足，且傳感器容易受到外部環(huán)境干擾，經(jīng)常出現(xiàn)信號(hào)中斷的問題。另一種是利用傳感器數(shù)據(jù)結(jié)合動(dòng)力學(xué)建模評(píng)估車速，精確度主要由所構(gòu)建車輛動(dòng)力學(xué)模型決定。在處理輪速信號(hào)周期性噪聲問題上，有團(tuán)隊(duì)開發(fā)了一套基于齒圈幾何建模和迭代約束最小二乘評(píng)估的實(shí)時(shí)過濾技術(shù)，能夠應(yīng)對(duì)齒圈不均勻間距引發(fā)的周期性干擾，保留系統(tǒng)原有的速度變化特征，同時(shí)消除噪聲干擾[1]。因此，本測(cè)試構(gòu)建基于多源傳感檢測(cè)的車速評(píng)估系統(tǒng)，系統(tǒng)包含兩套方案，方案一是基于多輪脈沖數(shù)據(jù)的車速估算模型，方案二是基于電機(jī)轉(zhuǎn)速信息的車速估算模型，提升了車速估算的精確度，為電動(dòng)汽車的低速控制提供了技術(shù)支撐。

2 基于多傳感器信息的汽車低速車速估計(jì)算法

2.1 算法整體框架

測(cè)試系統(tǒng)獲取的測(cè)量數(shù)據(jù)包含多組參數(shù)：四輪速度檢測(cè)裝置采集各輪的速度脈沖值（分別標(biāo)記為Ifl、Ifr、Irl、Irr），方向盤位置檢測(cè)元件獲取轉(zhuǎn)向角度δ，集成慣性單元測(cè)得車體在縱橫兩個(gè)方向的加速度（axIMU、ayIMU）以及繞垂直軸的角速度ωrIMU，前后驅(qū)動(dòng)裝置的轉(zhuǎn)子感應(yīng)器記錄電機(jī)轉(zhuǎn)速nf和nr。根據(jù)這些實(shí)測(cè)信號(hào)，構(gòu)建了兩種速度評(píng)估方案，方案一基于多輪脈沖數(shù)據(jù)進(jìn)行運(yùn)算，方案二基于電機(jī)轉(zhuǎn)速信息進(jìn)行運(yùn)算。

方案一依據(jù)方向盤角度來區(qū)分行駛狀態(tài)。當(dāng)車輛處于直線行駛階段時(shí)，系統(tǒng)會(huì)通過對(duì)4輪脈沖信標(biāo)的躍變時(shí)間實(shí)施權(quán)重整合。在執(zhí)行轉(zhuǎn)彎動(dòng)作時(shí)，采用Ackermann幾何理論對(duì)車輪速度實(shí)施換算。該方法結(jié)合優(yōu)化后的輪速數(shù)據(jù)與yaw角速率，基于車輛運(yùn)動(dòng)學(xué)原理計(jì)算出重心位置的縱向與橫向速度分量。

方案二通過整車動(dòng)力傳動(dòng)模型，系統(tǒng)對(duì)電機(jī)轉(zhuǎn)速參數(shù)nf、nr以及方向盤角度信號(hào)δ展開分析，計(jì)算得出各輪輪速數(shù)值，依據(jù)車輛動(dòng)態(tài)學(xué)原理推導(dǎo)質(zhì)心點(diǎn)的縱橫向速度分量。在速度評(píng)估過程中，方案一的具備抗干擾特性較好，方案二在更新頻率和準(zhǔn)確性較高。為實(shí)現(xiàn)兩種方案的優(yōu)勢(shì)互補(bǔ)，研究采用交互式多模型融合評(píng)估技術(shù)（IMM），對(duì)不同模型輸出結(jié)果進(jìn)行權(quán)重整合，構(gòu)建復(fù)合濾波系統(tǒng)，獲取高可靠度的車速數(shù)據(jù)[2]。

2.2 基于多輪脈沖數(shù)據(jù)的車速估算模型

該測(cè)試中的車輪轉(zhuǎn)速檢測(cè)裝置主要包含感應(yīng)部件和測(cè)量元件。測(cè)量元件采用高精度磁場檢測(cè)芯片，安裝在專用固定架上；感應(yīng)部件是與輪轂同步旋轉(zhuǎn)的金屬齒輪結(jié)構(gòu)。當(dāng)齒輪轉(zhuǎn)動(dòng)時(shí)，齒尖與檢測(cè)芯片之間的距離周期性變化會(huì)引起磁場強(qiáng)度的波動(dòng)，產(chǎn)生電勢(shì)差。電勢(shì)信號(hào)經(jīng)過信號(hào)調(diào)理電路處理后，可輸出與車輪轉(zhuǎn)速成正比的數(shù)字脈沖序列。在實(shí)際工程應(yīng)用中，車輪轉(zhuǎn)速V的測(cè)算通常采用如下計(jì)算公式：

式（1）中，Vt為當(dāng)前第t周期的轉(zhuǎn)速，M（t-1）為采樣周期內(nèi)脈沖信號(hào)數(shù)量，Zt為齒圈總齒數(shù)，Rw為輪胎實(shí)際滾動(dòng)半徑。Te（t-1）為上一采樣周期。

在高速行駛狀態(tài)下，系統(tǒng)的運(yùn)作周期M（t-1）保持恒定，當(dāng)速度降至較低時(shí)，在單個(gè)運(yùn)作周期Te（t-1）內(nèi)獲取的脈沖信號(hào)數(shù)量少。面對(duì)無法捕獲新脈沖的情況，系統(tǒng)會(huì)自動(dòng)從常規(guī)測(cè)速方式轉(zhuǎn)向周期測(cè)量模式，即利用計(jì)時(shí)器記錄完整方波信號(hào)的持續(xù)時(shí)間，并將該數(shù)值賦予Te（t-1）。雖然能夠優(yōu)化速度計(jì)算的準(zhǔn)確性，但會(huì)導(dǎo)致數(shù)據(jù)刷新率下降，在速度曲線圖上呈現(xiàn)出不連續(xù)的臺(tái)階狀變化特征。

針對(duì)單車輪速度傳感器存在的測(cè)量延遲問題，提出了基于多傳感器融合的自適應(yīng)測(cè)速方案[3]。該方案通過整合全車4個(gè)車輪速度傳感器所采集的脈沖數(shù)據(jù)，構(gòu)建了動(dòng)態(tài)權(quán)重計(jì)算框架。適用于車速低于5km/h的場景，如智能泊車等情形，在此工況下可以忽略輪胎打滑因素的影響。先采集各車輪脈沖信號(hào)并通過時(shí)間周期算法換算成瞬時(shí)速度值；通過監(jiān)測(cè)方向盤偏轉(zhuǎn)度數(shù)來判定車輛運(yùn)動(dòng)狀態(tài)，當(dāng)轉(zhuǎn)向角絕對(duì)值不超過10°時(shí)判定為直線行駛，反之則為轉(zhuǎn)向狀態(tài)；在直線行駛模式下，依據(jù)各車輪速度信號(hào)的脈沖更新時(shí)間差異，分配對(duì)應(yīng)的可信度權(quán)重，實(shí)現(xiàn)高頻率、低延遲的速度信息融合輸出。

2.3 基于電機(jī)轉(zhuǎn)速信息的車速估算模型

該測(cè)試中車輛采用單速固定傳動(dòng)比的減速裝置，整體動(dòng)力傳動(dòng)系統(tǒng)沒有離合器及液力轉(zhuǎn)換器，大大簡化了基于電機(jī)轉(zhuǎn)速的車輪速度測(cè)算流程。研究用車配備雙電機(jī)系統(tǒng)，分別為前后車橋提供動(dòng)力輸出，其中動(dòng)力傳遞依靠減速裝置和差速器完成。在直線行駛工況下，車輛前后輪速可通過下式計(jì)算：

式（2）、式（3）中Vf、Vr表示前后輪線速度，Nf、Nr表示前后電機(jī)轉(zhuǎn)速，R為輪胎半徑（m），if、ir表示前后減速裝置的傳動(dòng)比。在整車控制單元（VCU）和電機(jī)控制單元（MCU）的協(xié)同作用下，前后輪速差異極小，因此可僅依據(jù)前驅(qū)動(dòng)電機(jī)轉(zhuǎn)速數(shù)據(jù)進(jìn)行整車速度估算。

2.4 基于交互多模型的融合車速估算

通過輪速傳感器采集的脈沖數(shù)據(jù)計(jì)算行駛速度能夠規(guī)避外界干擾因素，但該方法在速度lt;5km/h時(shí)刷新率會(huì)降低。利用電機(jī)轉(zhuǎn)速信號(hào)估測(cè)車速具有響應(yīng)迅速、精確度高的特點(diǎn)，但傳動(dòng)機(jī)構(gòu)間隙與電機(jī)低轉(zhuǎn)速波動(dòng)會(huì)引起速度預(yù)測(cè)值震蕩。針對(duì)上述兩種測(cè)速模式各自的優(yōu)缺點(diǎn)，該測(cè)試引入IMM算法對(duì)其輸出值進(jìn)行動(dòng)態(tài)權(quán)重融合，可實(shí)時(shí)調(diào)節(jié)各子模型的概率權(quán)重系數(shù)μik，i代表模型序號(hào)，k代表采樣時(shí)刻。

采用卡爾曼算法對(duì)速度預(yù)測(cè)方案實(shí)施信號(hào)凈化處理。方案一將慣性檢測(cè)裝置獲取的軸向加速數(shù)據(jù)axIMU與計(jì)算得出的軸向速率參數(shù)V1x輸入卡爾曼運(yùn)算單元進(jìn)行處理。但路面傾斜度會(huì)對(duì)軸向加速數(shù)值產(chǎn)生影響，因此實(shí)際行駛中的軸向速率參數(shù)應(yīng)當(dāng)表述為：

式（4）中，g代表重力加速度，i代表路面傾斜角度。在實(shí)際駕駛環(huán)境中，由于路面坡度變化通常較為平緩，可以將路面傾斜角度i對(duì)時(shí)間的微分視為0[4]。卡爾曼算法機(jī)制由狀態(tài)預(yù)估、觀測(cè)校正環(huán)節(jié)構(gòu)成。在狀態(tài)預(yù)估階段，系統(tǒng)通過計(jì)算得到前序狀態(tài)x（k|k-1）及其對(duì)應(yīng)的協(xié)方差矩陣P（k|k-1）。隨后的觀測(cè)校正環(huán)節(jié)中計(jì)算得出增益系數(shù)，繼據(jù)該系數(shù)與實(shí)測(cè)數(shù)據(jù)綜合評(píng)估，獲取最優(yōu)狀態(tài)值x（k|k）與相應(yīng)的誤差協(xié)方差P（k|k）。對(duì)于方案一，最終輸出即為車輛縱向速度與路面傾角的最優(yōu)評(píng)估值X1（k|k）；而在方案二中，以電機(jī)轉(zhuǎn)速推算所得車速V2x為測(cè)量輸入值z(mì)k，同時(shí)將IMU所測(cè)得的加速度axIMU作為控制量uk，并保持系統(tǒng)、控制及觀測(cè)矩陣與模型I保持一致，經(jīng)過相同的迭代運(yùn)算后可得到對(duì)應(yīng)的狀態(tài)估計(jì)值X2（k|k）及其誤差協(xié)方差P2（k|k）。

在側(cè)向速度估算中，同樣運(yùn)用了交互式多模型整合評(píng)估法。該方法與縱向速度的處理流程基本一致，主要差異體現(xiàn)在數(shù)據(jù)處理環(huán)節(jié)。采取卡爾曼過濾器將i模型獲取的橫向速度Viy與IMU橫向加速度ayIMU進(jìn)行信息融合。在設(shè)定過濾參數(shù)時(shí)，將橫向速度vy確立為狀態(tài)量，ayIMU作為系統(tǒng)輸入，Viy作為觀測(cè)量。系統(tǒng)傳遞矩陣A與觀測(cè)矩陣H均賦值為1，控制矩陣B取時(shí)間增量Δt。通過IMM算法處理后，得出橫向速度的最終估算值VIMM。車輛的合速度VIMM可通過橫縱向速度的二次方和開方求得，按下式計(jì)算：

3 算法驗(yàn)證

該測(cè)試通過VBox高精度測(cè)速儀獲取實(shí)際參考車速，將其與ESP傳統(tǒng)算法及文章基于多源信息融合的算法所得結(jié)果進(jìn)行對(duì)照分析。測(cè)試場景包括平整路段低速直線行駛、轉(zhuǎn)向行駛、不規(guī)則地面、斜坡路段的低速直線行駛等典型工況。系統(tǒng)通過多源數(shù)據(jù)融合完成對(duì)車輛狀態(tài)的評(píng)估。該系統(tǒng)分為三個(gè)層：第一層采用低頻通濾波技術(shù)消除傳感信號(hào)中的干擾，獲取轉(zhuǎn)向輸入角度、輪速數(shù)值、縱、側(cè)向加速度、制動(dòng)系統(tǒng)壓力等參數(shù)；第二層基于經(jīng)過濾波處理的數(shù)據(jù)，計(jì)算道路傾斜度與制動(dòng)扭矩，結(jié)合第三層獲得的速度信息推導(dǎo)出輪胎滑移比與橫擺角；第三層完成路面值評(píng)估、輪胎受力分析，通過動(dòng)力學(xué)模型推算向加速度，同時(shí)整合輪速傳感與加速度傳感信息評(píng)估向速度，得出車輛合速度。

3.1 平坦地形下的試驗(yàn)結(jié)果

該測(cè)試研究了車輛在平坦地形進(jìn)行低速轉(zhuǎn)向的表現(xiàn)。從靜止?fàn)顟B(tài)啟動(dòng)后，對(duì)轉(zhuǎn)向系統(tǒng)施加的輸入如圖1所示的角度變化曲線，其中負(fù)值代表左轉(zhuǎn)，正值表示右轉(zhuǎn)。

在8s處開始減速時(shí)，因無法獲取新的車輪轉(zhuǎn)速信號(hào)，傳統(tǒng)ESP系統(tǒng)對(duì)速度的監(jiān)測(cè)出現(xiàn)短暫遲滯，而研究提出的改進(jìn)方法能迅速反映實(shí)際速率變化。然而，在4s和9s兩個(gè)時(shí)間點(diǎn)，當(dāng)轉(zhuǎn)向輸入達(dá)到最大時(shí)，估測(cè)速度與真實(shí)數(shù)值產(chǎn)生明顯偏離。這種誤差主要源于轉(zhuǎn)向機(jī)構(gòu)的非線性特征，即總傳動(dòng)比K并非常數(shù)，導(dǎo)致由轉(zhuǎn)向輸入推算前輪角度時(shí)存在計(jì)算偏差，影響速度預(yù)測(cè)準(zhǔn)確性。

3.2 復(fù)雜地形下的試驗(yàn)結(jié)果

該測(cè)試針對(duì)低速直行模式下的復(fù)雜地形實(shí)驗(yàn)，選取了鵝卵石地形進(jìn)行測(cè)試。分析表明，當(dāng)車輛啟動(dòng)時(shí)，ESP系統(tǒng)輸出的速度數(shù)據(jù)呈現(xiàn)明顯時(shí)滯現(xiàn)象，受地形不平整影響，速度曲線出現(xiàn)劇烈震蕩。引入卡爾曼濾波技術(shù)，提出的速度估算方法抑制了數(shù)據(jù)波動(dòng)，使輸出曲線呈現(xiàn)的平滑度較高。但由于未將車體在崎嶇路況下的運(yùn)動(dòng)對(duì)加速度測(cè)量的影響納入考慮范疇，估算速度與真實(shí)值之間仍存在一定誤差。

3.3 坡道地形的試驗(yàn)結(jié)果

該測(cè)試中的車輛行駛于斜坡時(shí)，由于重力作用，導(dǎo)致慣性測(cè)量裝置獲取的加速度與實(shí)際行駛加速度產(chǎn)生偏離。實(shí)驗(yàn)表明，傳統(tǒng)ESP系統(tǒng)僅能在速度超過0.7km/h時(shí)才顯示速度變化，本方案能夠動(dòng)態(tài)追蹤更低速度范圍的變化。研究中發(fā)現(xiàn)，在低速運(yùn)行環(huán)境下，因驅(qū)動(dòng)馬達(dá)轉(zhuǎn)速信號(hào)的不穩(wěn)定性，方案二輸出的速度預(yù)測(cè)呈現(xiàn)波動(dòng)特征；基于車輪脈沖的方案一雖不存在此類擾動(dòng)，但其刷新頻率較低，呈現(xiàn)階躍式數(shù)字噪聲。將這兩種模型的結(jié)果進(jìn)行權(quán)重整合，既優(yōu)化了速度更新間隔，又降低了馬達(dá)轉(zhuǎn)速波動(dòng)對(duì)測(cè)量精度的干擾，但在坡道工況下，車輛難以維持穩(wěn)定的低速行駛狀態(tài)，加之車身俯仰運(yùn)動(dòng)對(duì)加速度測(cè)量的影響，造成坡度計(jì)算存在誤差[5]。為了客觀評(píng)估所提算法與ESP方法的性能差異，采用平均絕對(duì)誤差（MAE）作為量化指標(biāo)進(jìn)行對(duì)比分析。MAE計(jì)算公式如下：

（6）

式（6）中，yi表示VBox 實(shí)測(cè)數(shù)值，y?i表示算法估算結(jié)果，n表示單次測(cè)試采樣點(diǎn)總數(shù)。在不同工況下收集的實(shí)驗(yàn)數(shù)據(jù)表明，研究提出的改進(jìn)算法相比傳統(tǒng)ESP方法在車速估算精度上具有明顯優(yōu)勢(shì)，詳細(xì)對(duì)比結(jié)果見表2所示。

根據(jù)表2的數(shù)據(jù)分析表明，基于多源信息融合策略的估算方案較單一方法具有明顯精度優(yōu)勢(shì)。實(shí)驗(yàn)驗(yàn)證了該融合算法在各類測(cè)試工況中的MAE評(píng)價(jià)指標(biāo)均優(yōu)于常規(guī)ESP系統(tǒng)，充分證實(shí)了研究所提出的方法能在低速運(yùn)行狀態(tài)下實(shí)現(xiàn)更為準(zhǔn)確和穩(wěn)定的車輛速度評(píng)估，具有較強(qiáng)的實(shí)用價(jià)值。在傳統(tǒng)機(jī)械傳動(dòng)車型中，由于動(dòng)力切斷裝置（如離合器、液力變矩器等）在低速時(shí)往往未能完全嚙合，導(dǎo)致無法基于動(dòng)力源轉(zhuǎn)速推算車輪轉(zhuǎn)速，會(huì)使研究中的方案二在精度方面產(chǎn)生誤差，影響融合計(jì)算結(jié)果。因此，針對(duì)搭載CVT系統(tǒng)車輛在低速行駛狀態(tài)下的速度計(jì)算方案，將在后續(xù)研究中展開深入探討。

4 結(jié)語

綜上所述，文章提出的汽車低速車速估計(jì)方法通過融合算法，引入ESP系統(tǒng)測(cè)試進(jìn)行誤差對(duì)比，為汽車低速車速估計(jì)方法提供了借鑒方案。未來的研究中，應(yīng)貫徹安全至上的發(fā)展思維，加強(qiáng)對(duì)汽車低速車速估計(jì)方法的開發(fā)創(chuàng)新，為保障道路安全注入持續(xù)動(dòng)力，以技術(shù)創(chuàng)新助力現(xiàn)代化新型汽車控制體系建設(shè)。

基金項(xiàng)目：2023年甘肅省自然科學(xué)基金，項(xiàng)目名稱“復(fù)雜碰撞場景下的交通事故車速計(jì)算方法研究”，項(xiàng)目編號(hào)：23JRRC0001。

參考文獻(xiàn)：

[1]王鈺，許志鵬.基于GIS與數(shù)據(jù)融合智能控制新能源汽車車速及預(yù)警系統(tǒng)的研究[J].科技與創(chuàng)新，2024（06）：49-51.

[2]華仲讓，唐陽山，徐莉.基于UKF算法的電動(dòng)汽車車速坡度估計(jì)[J].內(nèi)燃機(jī)與配件，2024（05）：12-14.

[3]趙爽，羅勇，孫強(qiáng).插電式混合動(dòng)力汽車車速預(yù)測(cè)能量管理策略[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2023，37（09）：79-87.

[4]浦震峰，唐亮，上官文斌，等.基于多傳感器信息的汽車低速車速估計(jì)方法[J].汽車工程，2023，45（07）：1235-1243+1275.

[5]魏小棟，孫超，劉波，等.燃料電池汽車車速與能量聯(lián)合優(yōu)化[J].機(jī)械工程學(xué)報(bào)，2023，59（08）：204-212.