重型車輛運動狀態(tài)估計仿真研究

王建鋒 郭維

摘 要：重型車輛主動安全研究的核心是如何快速獲取車輛運行狀態(tài)、環(huán)境等參數(shù)，并將這些參數(shù)進行綜合分析，按照一定的規(guī)律對車輛進行控制。車輛運動狀態(tài)參數(shù)有的可以直接通過車載傳感器測量得到，有的則不能。通過建立重型車輛的七自由度動力學模型，利用無跡卡爾曼濾波狀態(tài)估計方法求解重型汽車在雙移線試驗下的運動狀態(tài)參數(shù)，將獲得的結果與同參數(shù)下的Trucksim計算結果進行對比，仿真結果表明，該方法能夠實現(xiàn)重型車輛運動狀態(tài)的估計，并且具備較高的估計精度。

關鍵詞：重型汽車;運動狀態(tài);無跡卡爾曼濾波;汽車主動安全

中圖分類號：U461

文獻標志碼：A

1 引言

近年來，人們對車輛主動安全性的要求不斷提高，車輛主動安全成為車輛技術研究的熱點。車輛主動安全系統(tǒng)的核心是如何對車輛運動狀態(tài)、環(huán)境等參數(shù)進行綜合分析并按照一定的規(guī)律對車輛進行控制。車輛運動狀態(tài)參數(shù)有的可以直接通過車載傳感器測量得到，有的則不能，因此，通過數(shù)據(jù)融合的方法來獲取車輛的運動狀態(tài)信息已成為目前車輛狀態(tài)參數(shù)估計研究的重要手段。國內(nèi)外學者通過各種方法對車輛的運動狀態(tài)參數(shù)，尤其是車輛質心側偏角進行了研究，取得了一定的研究成果[1-4]。但是針對重型車輛運動狀態(tài)估計的研究則較少，因此本文以重型車輛為研究對象，建立七自由度車輛動力學模型，利用無跡卡爾曼濾波的狀態(tài)估計方法，對重型車輛的運動狀態(tài)進行仿真研究。

2 重型車輛動力學模型

2.1 七自由度車輛動力學模型

建立如圖1所示的重型車輛七自由度動力學模型，該模型包括車輛的縱向、側向和橫擺3個整車運動自由度，以及四個車輪的旋轉運動自由度。坐標系原點位于車輛質心;車輛縱向對稱軸為X軸，側向對稱軸為y軸，且通過車輛質心。

其中，隨機變量w（t）表示系統(tǒng)過程噪聲，v（t）表示測量噪聲。

3.2 無跡卡爾曼濾波算法

無跡卡爾曼濾波利用相似分布原理，構造出與原分布均值和協(xié)方差相同的Sigma點集，并將其引入非線性系統(tǒng)進行無跡變換，通過求變換點的統(tǒng)計量得到估計量。對于式（20）和式（22）所構建的非線性估計系統(tǒng)，其無跡卡爾曼濾波算法如下：

4 仿真研究

利用所建立的基于無跡卡爾曼濾波的重型車輛運動狀態(tài)估計模型，進行雙移線試驗仿真研究。利用matlab編寫模型求解程序，獲得車輛狀態(tài)參數(shù)估計結果，將其結果與相同汽車參數(shù)下的TruckSim仿真結果進行對比，以驗證本文所采用方法的有效性。為了對比本文算法與TruckSim的結果，采用平均峰值誤差、平均最大相對誤差及平方和誤差指標進行比對。本文仿真研究中重型車輛的仿真參數(shù)如表2所示。

雙移線試驗中，路面附著系數(shù)設為0.85，仿真車速為60km/h，按照IS03888 -1- 1999標準進行試驗。

圖4為雙移線試驗中，重型車輛的輸入?yún)?shù)，（a）為試驗中汽車的運動位移，（b）為試驗中轉向盤轉角。

本文利用無跡卡爾曼濾波估計得到的重型車輛運動參數(shù)與Trucksim計算結果的對比如圖5-圖8所示，其中實線為trucksim計算結果，虛線為本文方法的估計結果。

表3為按照本文采用的三種指標，對比兩種計算結果的具體值。

從對比結果可以看出本文采用的基于無跡卡爾曼濾波的重型汽車運動狀態(tài)估計方法，對縱向速度、橫向速度和和質心側偏角的估計值與Trucksim的結果相比誤差較小，橫擺角速率的誤差稍大，其主要誤差來源于估計值的波峰和波谷處。

5 結論

通過建立七自由度重型車輛動力學模型，利用無跡卡爾曼濾波狀態(tài)估計方法求解重型車輛在雙移線試驗下的運動狀態(tài)參數(shù)，將獲得的結果與同參數(shù)下的Trucksim結果進行對比。分析結果表明，本文的基于無跡卡爾曼濾波的重型汽車運動狀態(tài)估計方法能夠較精確的估計出重型車輛的運動狀態(tài)參數(shù)。

參考文獻

[1]沈法鵬，趙又群，林菜，基于卡爾曼濾波的車輛側偏角軟測量[J].農(nóng)業(yè)工程學報，2013，29（10）：71-75.

[2]柳惠，基于模型的車輛質心側偏角估計方法研究[J].重慶理工大學學報：自然科學版，2016，30（11）：25-28.

[3]王建鋒，李平，基于多信息融合的車輛狀態(tài)參數(shù)估計[J]，計算機仿真，2013，30（11）：131-136.

[4]陳樂珠，韓峻峰，潘盛輝，等，汽車側偏角與橫擺角的仿真與估計[J].汽車科技，2011（1）：31-33.

[5] BOUTⅪD.Extended nonlinear observer normal forms for a classof nonlinear dynamical systems[J].Int J Robust Nonlinear Control，2015，25（3）：461-474.

[6]黃康，段松林，甑圣超，等，基于系統(tǒng)約束的重型汽車動力學建模及分析[J].中國機械工程，2017，28（4）：478-485.

[7] WENZEL T A，BURNHAM K J，BLUNDELL M V，et al.Kalmanfilter as a virtual sensor： Applied to automotive stability systems[J].Transactions of the Institute of Measurement and Control，2007，29（2）：95-115.

[8]WENZEL T A，BURNHAM K J，BLUNDELL M V.Dual extendedkalman filter for vehicle state and parameter[J].Vehicle System Dy-namics，2006，44（2）： 153-171.