CN114312808B

CN114312808B - 一种智能驾驶车辆的重量、坡度和速度的估算方法

Info

Publication number: CN114312808B
Application number: CN202210136297.9A
Authority: CN
Inventors: 刘德成; 唐航波; 王欣; 杨守亮
Original assignee: Shanghai Ebus Automobile Power System Co ltd
Current assignee: Shanghai Ebus Automobile Power System Co ltd
Priority date: 2022-02-15
Filing date: 2022-02-15
Publication date: 2024-04-12
Anticipated expiration: 2042-02-15
Also published as: CN114312808A

Abstract

本发明公开了一种智能驾驶车辆的重量、坡度和速度的估算方法，属于智能驾驶汽车领域，包括以下步骤：根据车载IMU(惯性传感器)获取车辆的沿着车辆前进方向的纵向加速度信息a_x；从车辆CAN总线按照采样频率为获取当前车辆沿着车辆前进方向的纵向速度分量信息v_x，电机的实时扭矩信息T_rq。本发明根据CAN总线采集的参数，车辆标定数据，采用最小二乘法和扩展卡尔曼滤波结合方法，即可以估算出车辆的质量、所处坡度、车速信息，在车辆控制领域拥有重大意义。

Description

一种智能驾驶车辆的重量、坡度和速度的估算方法

技术领域

本发明涉及智能驾驶汽车技术领域，尤其涉及一种智能驾驶车辆的重量、坡度和速度的估算方法。

背景技术

汽车质量在汽车控制领域占有着重大的影响因素。尤其在大型电动巴士、大型电动作业的载重时常变化的车辆上，汽车质量对汽车控制性能拥有决定性的影响。但是目前的车辆的质量的估算目前还不成熟，传统称重方式、理论上的纵向动力学不足，都严重制约着车辆的动力性、经济性。

在现今的自动驾驶领域，惯性传感器测量的坡度信息由于各种扰动、安装等问题影响，其测量的坡度信息存在误差，造成数据不准确，需要结合相关估算方法进行坡度估算和汽车的质量估算，用于解决和提高自动驾驶领域车辆的高精度位置控制能力。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的智能驾驶车辆的重量、坡度和速度的估算方法。

为了实现上述目的，本发明采用了如下技术方案：

一种智能驾驶车辆的重量、坡度和速度的估算方法，包括以下步骤：

包括以下步骤：

根据车载IMU(惯性传感器)获取车辆的沿着车辆前进方向的纵向加速度信息a_x；

从车辆CAN总线按照采样频率为获取当前车辆沿着车辆前进方向的纵向速度分量信息v_x，电机的实时扭矩信息T_rq；

根据车辆标定数据得到相关车辆参数；

假设车辆位于坡度角为β的斜坡或者平地上，则可得车辆的纵向动力学公式:其中M为车辆质量(总质量)，g为重力加速度，F_d为车辆驱动力，F_r为车辆滚动阻力，F_a为车辆行驶过程中的空气阻力；

根据车速和加速度的条件，判别估算方法的起始和结束条件；

车辆的重量估算可以根据纵向动力学公式，对车辆的阻力和重量的估算值，采用递推最小二乘法进行估算，可得相关估算值；

车辆的坡度与车速的估算，可以对纵向动力学公式进行离散化状态空间方程的改写，然后采用扩展卡尔曼滤波，可得相关估算值；

对重量和坡度的估算值进行平均化处理，即估算值总和除以已估算的次数，获得车辆的估算重量和坡度的估算值，最终取值估算结束时所得出的平均值。

进一步地，所述车辆标定数据根据车辆指标、相关车辆参数实验，进行的车辆参数的获取，其中参数包括：电机输出端至车轮的传动比i_w，传动系机械效率η_T，轮胎自由半径r_f，轮胎滚动半径与自由半径比率w_r，车辆滚阻系数f_r，车辆迎风面积A，空气密度ρ，空气阻力系数C_D，车辆空载估算重量m_o。

进一步地，所述车辆的纵向动力学公式中,可由所述的车载IMU的纵向加速度a_x来代替，即/>

进一步地，所述车辆的纵向动力学公式中，F_d为车辆驱动力，可由公式来计算，其中F_d单位为牛(N)。

进一步地，所述车辆的纵向动力学公式中，F_r为车辆滚动阻力，可由公式F_r＝f_rMgcosβ来计算，其中F_r单位为牛(N)。

进一步地，所述车辆的纵向动力学公式中，F_a为空气阻力，可由公式来计算，其中F_a单位为牛(N)。

进一步地，所述估算方法的起始和结束条件为：当车辆启动时，车辆的纵向加速度a_x第一次大于某个阈值a_s时(阈值a_s常取0m/s²)触发为真，且随后时间里不管加速度何值都保持为真，同时满足车辆的速度大于某阈值v_s时(阈值v_s常取1m/s²)，则估算方法启动，启动时间为T_s；当估算方法启动后，监测车辆的速度，当车速大于某阈值v_e时(阈值v_e常取4m/s²)，则估算方法结束，结束时间为T_e，则车辆的估算时间段为T_S～T_e。

进一步地，所述的递推最小二乘法为：

令F_R＝F_r+F_a，其中，F_R为车辆的阻力，则F_d＝ma_x+F_R；

令和/>为质量和阻力的真值，/>和/>为质量和阻力的估算值，则阻力及质量的估计表达式为/>

进一步地，所述扩展卡尔曼滤波为：基于所述的纵向动力学公式，具体如下：

其中，扩展卡尔曼滤波包括两个计算过程:时间更新和测量更新，时间更新方程用于向前推算先验状态估计值和先验误差协方差；

测量更新方程用于将先验状态估计和测量变量结合产生状态的后验估计并更新估计状态的后验误差协方差，具体如下：

时间更新方程为：

其中：为上一时刻状态变量的最优估计值；P_k-1为上一时刻误差协方差；/>为状态变量的先验估计值；/>为先验误差协方差；Q取单位矩阵，/>J_f为对状态变量求偏导数得到的Jacobian矩阵；

Jacobian矩阵为：

测量更新方程为：

其中：K_k为卡尔曼增益；为状态变量后验估计值；P_k为后验误差协方差；I为单位矩阵；H为测量矩阵；R为测量噪声协方差，取值100。

进一步地，包括车辆控制器，所述的控制器用于执行如前述权利要求1-9中的任一所述的方法。

相比于现有技术，本发明的有益效果在于：

本发明根据CAN总线采集的参数，车辆标定数据，采用最小二乘法和扩展卡尔曼滤波结合方法，即可以估算出车辆的质量、所处坡度、车速信息，在车辆控制领域拥有重大意义。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的智能驾驶车辆的重量、坡度和速度的估算方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1，智能驾驶车辆的重量、坡度和速度的估算方法，所述方法包括以下步骤：

根据车辆标定数据得到相关车辆参数；

假设车辆位于坡度角为β的斜坡或者平地上，则可得车辆的纵向动力学公式:其中M为车辆质量(总质量)，g为重力加速度，F_d为车辆驱动力，F_r为车辆滚动阻力，F_a为车辆行驶过程中的空气阻力。

由于车辆启动瞬间加速度获取和计算可能存在误差，且方法的估算不会一直进行中，所以可以根据车速和加速度的条件，判别估算方法的起始和结束条件；此时间段内称为车辆的稳定启动时间，车辆的估算在稳定启动时间内进行时，准确度较高。

车辆的重量和坡度的估算结果往往是从起始到结束这段时间进行的，其估算值存在起伏和连续性，所以最后需要对重量和坡度的估算值进行平均化处理，即估算值总和除以已估算的次数。车辆的估算重量和坡度的估算值，最终取值估算结束时所得出的平均值。

在本申请的具体实施例中，所述车辆标定数据根据车辆指标、相关车辆参数实验，进行的车辆参数的获取，其中参数包括：电机输出端至车轮的传动比i_w，传动系机械效率η_T，轮胎自由半径r_f，轮胎滚动半径与自由半径比率w_r，车辆滚阻系数f_r，车辆迎风面积A，空气密度ρ，空气阻力系数C_D，车辆空载估算重量m_o。

在本申请的具体实施例中，所述车辆的纵向动力学公式中,可由所述的车载IMU的纵向加速度a_x来代替，即/>

在本申请的具体实施例中，所述车辆的纵向动力学公式中，F_d为车辆驱动力，可由公式来计算，其中F_d单位为牛(N)。

在本申请的具体实施例中，所述车辆的纵向动力学公式中，F_r为车辆滚动阻力，可由公式F_r＝f_rMgcosβ来计算，其中F_r单位为牛(N)。

在本申请的具体实施例中，所述车辆的纵向动力学公式中，F_a为空气阻力，可由公式来计算，其中F_a单位为牛(N)。

在本申请的具体实施例中，所述估算方法的起始和结束条件为：当车辆启动时，车辆的纵向加速度a_x第一次大于某个阈值a_s时(阈值a_s常取0m/s²)触发为真，且随后时间里不管加速度何值都保持为真，同时满足车辆的速度大于某阈值v_s时(阈值v_s常取1m/s²)，则估算方法启动，启动时间为T_s；当估算方法启动后，监测车辆的速度，当车速大于某阈值v_e时(阈值v_e常取4m/s²)，则估算方法结束，结束时间为T_e，则车辆的估算时间段为T_s～T_e。

在本申请的具体实施例中，所述的递推最小二乘法为：

令F_R＝F_r+F_a，其中，F_R为车辆的阻力，则F_d＝Ma_x+F_R；

在估算时间段内，令m，n为采样点的个数，则根据最小二乘法求出的估计值和/>应满足：

采样的递推最小二乘法对阻力和质量估计，其估计的递推形式为：

则对于阻力估计，有：

则对于质量估计，有：

在本申请的具体实施例中，所述扩展卡尔曼滤波为：基于所述的纵向动力学公式，具体如下：

考虑到公路路线设计规范，道路坡度一般较小，则假设cosβ≈1,sinβ≈tanβ＝i,可得相关微分方程组，其中M(t)由权利要求8得出：

则EKF算法基于离散状态方程，采用前向欧拉法进行离散化处理，得到离散化状态差分方程f：

系统的状态方程为：

系统测量方程为：

EKF(扩展卡尔曼滤波)包括两个计算过程:时间更新和测量更新。

时间更新方程向前推算先验状态估计值和先验误差协方差；测量更新方程将先验状态估计和测量变量结合产生状态的后验估计并更新估计状态的后验误差协方差。算法递归进行，只需获得上一时刻状态变量的估计值和当前状态变量的测量值便可获得当前状态变量的估计值。

时间更新方程为：

Jacobian矩阵为：

测量更新方程为：

具体实施时应包括车辆控制器，所述的控制器配被配置为执行如前所述过程。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.一种智能驾驶车辆的重量、坡度和速度的估算方法，其特征在于，包括以下步骤：

根据车载IMU获取车辆的沿着车辆前进方向的纵向加速度信息a_x；

根据车辆标定数据得到相关车辆参数；

假设车辆位于坡度角为β的斜坡或者平地上，则可得车辆的纵向动力学公式：其中M为车辆质量，g为重力加速度，F_d为车辆驱动力，F_r为车辆滚动阻力，F_a为车辆行驶过程中的空气阻力；

车辆的重量估算根据纵向动力学公式，对车辆的阻力和重量的估算值，采用递推最小二乘法进行估算，可得相关估算值；

车辆的坡度与车速的估算，对纵向动力学公式进行离散化状态空间方程的改写，然后采用扩展卡尔曼滤波，可得相关估算值；

对重量和坡度的估算值进行平均化处理，即估算值总和除以已估算的次数，获得车辆的估算重量和坡度的估算值，最终取值估算结束时所得出的平均值；

所述车辆标定数据根据车辆指标、相关车辆参数实验，进行的车辆参数的获取，其中参数包括：电机输出端至车轮的传动比i_w，传动系机械效率η_T，轮胎自由半径r_f，轮胎滚动半径与自由半径比率w_r，车辆滚阻系数f_r，车辆迎风面积A，空气密度ρ，空气阻力系数C_D，车辆空载估算重量m_o；

所述车辆的纵向动力学公式中，可由所述的车载IMU的纵向加速度a_x来代替，即/>

所述车辆的纵向动力学公式中，F_d为车辆驱动力，可由公式来计算，其中F_d单位为牛；

所述车辆的纵向动力学公式中，F_r为车辆滚动阻力，可由公式F_r＝f_rMgcosβ来计算，其中F_r单位为牛；

所述车辆的纵向动力学公式中，F_a为空气阻力，可由公式来计算，其中F_a单位为牛；

所述估算方法的起始和结束条件为：当车辆启动时，车辆的纵向加速度a_x第一次大于某个阈值a_s时触发为真，且随后时间里不管加速度何值都保持为真，同时满足车辆的速度大于某阈值v_s时，则估算方法启动，启动时间为T_s；当估算方法启动后，监测车辆的速度，当车速大于某阈值v_e时，则估算方法结束，结束时间为T_e，则车辆的估算时间段为T_s～T_e；

所述的递推最小二乘法具体如下：

令F_R＝F_r+F_a，其中，F_R为车辆的阻力，则F_d＝Ma_x+F_R；

所述扩展卡尔曼滤波为：基于所述的纵向动力学公式，具体如下：

时间更新方程为：

Jacobian矩阵为：

测量更新方程为：

2.根据权利要求1所述的智能驾驶车辆的重量、坡度和速度的估算方法，其特征在于，包括车辆控制器，所述的控制器用于执行如前述权利要求1中所述的方法。