基于自适应Kalman滤波的汽车横摆角速度软测量算法

1、基于自适应Kalman滤波的汽车横摆角速度软测量算法第26卷第1期2005年1月江苏大学(自然科学版)JournalofJiangsuUniversity(NaturalScienceEdition)基于自适应Kalman滤波的汽车横摆角速度软测量算法高越,高振海,李向瑜(1.吉林大学汽车动态模拟国家重点实验室,吉林长春130025;2.吉林大学汽车工程学院,吉林长春130025)摘要:利用参数软测量技术,提出了基于自适应Kalman滤波和汽车两自由度动力学模型的横摆角速度软测量算法.该算法实现了横摆角速度的线性最小均方误差估计,且可对汽车行驶过程中的系统噪声和观测噪声统计特性进行在线估计.仿

2、真与场地试验结果对比验证了该算法的有效性,同时软测量技术的采用也为汽车状态参数测量提供了一条可行的,准确且低成本的研究思路.关键词:汽车;横摆角速度;软测量;自适应滤波;状态估计中图分类号:U467文献标识码:A文章编号:16717775(2005)01002404SoftmeasurementmethodforvehicleyawratebasedonadaptiveKalmanfilterGAOYue.,GAOZhenEngineering,JilinUniversity,Changchun,Jilin130025,China)Abstract:Withsoftmeasurementtec

3、hnique,thesoftmeasurementalgorithmofvehicleyawrateisproposedbasedonadaptiveKalmanfilt'erandtwocanrealizelinearminimummeansquareerrorestimationofyawrate,andonlineestimatestatisticalcha?raeteristieofsystemnoiseandobservationnoiseduringvehiclerunning.Theeontrastiveresultsofsimula?tionandfieldexperi

4、mentverifytheeffectivenessofthisalgorithm.Thetechniqueprovidesafeasible,accurateandlow?costwayforthemeasurementofvehiclestateparameter.Keywords:vehicle;yawrate;softmeasurement;adaptivefilter;stateestimation准确而实时地获取汽车行驶过程中状态信息是汽车电子控制系统研究的关键问题,也是实现闭环是通过车载传感器,如陀螺仪,加速度传感器及车轮角速度传感器等来直接测量,但由于汽车行驶过程中运动学和动力

5、学特性十分复杂,并由于车载传感器的测试水平,测试成本和大批量生产因素等多方面的影响,有很多关键性的汽车状态参数(如横摆角速度,路面摩擦系数和紧急制动时的汽车速度)都无法采用准确,可靠,易维护且成本低的传感器进行测量;同时现有的车载传感器也存在着标定误差及漂移误差等,其测量噪声的分布大多情况下无法确定分布特性,这对汽车状态信息的测量,汽车精确实时控制的实现及控制系统的产业化带来了极大的困难,也导致了许多先进的控制算法目前只能停留全性为实现精确有效的汽车控制带来很大的困难.为了有效地解决控制过程中存在的信息不完全性问题;美国学者BrosillowCB等在1978年提出了针对不可测变量的推断控制,并

6、在过程控制和工业收稿日期:20040908基金项目:高等学校骨干教师计划基金资助项目(GG一580101831995)作者简介:高越(1967一).男,吉林长春人,工程师( ),主要从事汽车系统动力学研究第1期高越等:基于自适应Kalman滤波的汽车横摆角速度软测量算法25本思想就是利用较易在线测量的辅助变量信息去估车自身状态参数,并以此对汽车进行有效地控制,作者基于状态估计的软测量技术,并结合常规的汽车状态信息的测量,利用横摆角速度和重心侧偏角两自由度汽车动力学模型,将横摆角速度和重心侧偏角作为待估计的系统状态变量,侧向加速度作为系Kalman滤波实现了横摆角速度的

7、线性最小均方误差估计和软测量,同时又利用了国产某型轿车场地试验结果,进行了横摆角速度软测量的仿真计算和试验验证.1软测量技术及其应用软测量技术是以计算机软件代替硬件传感器,对于一些难测量或暂时不能测量的重要变量(称为主导变量),采用间接测量的思路,选择另外一些容易测量的变量(称为辅助变量),通过建立以辅助变量为输入,主导变量为输出的数学模型来在线推断和估计主导变量,从而以软件代替硬件传感器的测基础上,利用软测量模型,通过较易在线测量的辅助变量去估计不可测或难测的变量.传统的检测仪器或传感器的研制和实际应用涉及传感器的传感机理,硬件仪器检测电路,仪器制造成本及使用维护等众多因素,同时各传感器的针

8、对性非常明确,测量对象,范围和功能都有局限性,难成的软仪表,由于是以目前可方便获取的测量信息和计算机软件为基础,具有一定的智能性,可方便地根据被测对象特性的变化进行相应的修正和改变.因此软测量技术在可实现性,通用性,灵活性和成本等各方面均具有相当的优势¨已成为过程控制和检测领域的一个研究热点.软测量技术的核心是建立软测量模型,来描述辅助变量和主导变量之间的数学关系,即构造一个数学模型来完成由辅助变量构成的可测信息集q到主导变量估计l,的映射Y=q)目前,参数软测量技术所采用的方法包括基于机理模型的机理建模和基于数学模型的状态估计,和主导变量之间的机理关系(如工艺机理等);回归估计多采

9、用主元回归分析和部分最小二乘回归方法,并建立了相应的回归数学模型;神经网络是直接将辅助变量作为网络的输入,主导变量为网络的输出,通过网络拓扑结构的自学习,自适应和非线性逼近等功能实现参数软测量;状态估计是将软测量问题转化为状态估计问题,通过测量系统的状态空间模型,来描述主导变量和辅助变量之间的动态关系.近几年,采用Kalman滤波并结合相应的汽车动力学模型来进行汽车的状态估计,在汽车工程领域已有一些应用.如文献2利用扩展Kalman滤波方法进行汽车行驶状态估计,文献3也将Kalman滤波应用于汽车侧面碰撞模型的非线性动力学参数的辨识中.2汽车横摆角速度软测量汽车的横摆角速度是一个非常重要的变量

10、,它集中反映了汽车操纵性能的好坏,即驾驶员心用陀螺仪,而车载陀螺仪的成本非常高.文献4利用经典的Kalman滤波方法对汽车横摆角速度进行车的行驶过程中,行驶环境的复杂多变给汽车带来许多不确定的噪声干扰(如路面不平度及阵风干扰噪声),同时各种车载传感器观测噪声的统计特性也很难事先确定.因此,经典Kalman滤波的直接应用将导致估计的精度下降,且无法保证滤波收敛稳定.为此,作者按照参数软测量的思想,针对汽车行驶过程中的不确定性噪声干扰(如路面不平度及阵风干扰噪声),在汽车动力学模型(采用了两自由度汽车动力学模型)的系统噪声方差阵Q(侧风干扰噪声)和观测噪声方差阵(加速度传感器噪声)未知的情况下,提

11、出了一个基于自适应Kalman滤波的汽车横摆角速度的软测量算法.横摆角速度软测量模型采用了汽车操纵稳定性研究中广泛采用的汽车动力学两自由度模型,组成软测量模型的状态方程和观测方程,并在前后轮上面附加了侧向风干扰.这里的两自由度是指汽车的横摆角速度和重心侧偏角,如图1所示.江苏大学(自然科学版)第26卷图l汽车两自由度动力学模型示意图degreeof-freedomvehicledynamicmodel其中.0.】,a为绝对坐标系,固定在水平地面上;xoy为车辆坐标系(相对坐标系),固定在汽车质心上,轴为汽车纵向对称轴,规定向前为正,y轴通逆时针方向为正,所有的矢量的各分量以与坐标轴=A+6sw

12、+E:y=c口,=c+D6+F+其中A=Bn-b:K2+a:KlbK2一aK一一Mvl一MvaKlt1.Kl二一K2bKl0Kl+K21一【一JD=;F=一1一1式中y为横摆角速度,J8为重心的侧偏角,6为前轮绕主销转角(6=6/i,i为转向系传动比,6为方向盘转角),口为汽车侧向加速度,即在车辆坐标系中沿y轴方向加速度,.,为系统状态方程和观测方程的噪声(.,为侧向风干扰带来的系统噪声,为侧向加速度传感器的观测噪声).这里假设.,为相互独立的白噪声.在仿真计算中将上述的状态方程和观测方程转也可以基于现有的离散线性系统的Kalman滤波采用极限过渡的方法,通过求解黎卡蒂(Ricatti)方程,

13、来得到时间连续系统的滤波方程.自适应滤波的方法有很多,如贝叶斯法,最大似然法,噪声方差匹配法及Sage法,文中采用的是算法可分为预测过程,校正过程和噪声估计过程三一时刻的先验估计;校正过程将观测和先验估计相结合获得改进的系统后验估计;噪声估计过程则利用前m步残差序列估计和修正观测噪声协方差阵与系统噪声协方差阵.下面对算法加以简单介绍.假设系统的状态方程和观测方程如下f(+1)=Ax()+W()L(+1)=(+1)+y(+1)式中,()和(+1)分别为时刻和+1时刻的n维状态矢量,Y(+1)为+1时刻的m维观测矢量,A为从到+1时刻的一步状态转移矩阵(n×n阶),日为时刻的观测矩阵,W

14、()为时刻的系统噪声,y(+1)为+1时刻的观测噪声,口和Q分别为系统噪声的均值和自协方差矩阵,和R分别为观测噪声的均值和自协方差矩阵.(1)预测过程.由初始条件(l),P(l),夤进行先验估计.状态预测方程(+1l)=a;c(l)+(l)误差协方差预测方程P(+1l)=AP(l)A+Q()中间变量(+1)=Y(+1)一王h(+1l)一,()d()=(16)/(16)6为遗忘因子(0<6<1).采用遗忘因子可以限制滤波器的记忆长度,加大信息数据对估计的作用.初始条件:王(0l0)=.,P(ol0)=Po,口0口0,Q0=Q0,go=go,R0=R0(2)校正过程.增

15、益方程:K(+1)=P(+1l)日HP(+1lk)H+夤()一滤波方程:(|j+1I|j+1)=(+1l)+K(+1)(+1)误差协方差更新方程:P(+1l+1)=,一K(+1)日P(+1l)(3)噪声估计.L=E,第1期高越等:基于自适应Kalman滤波的汽车横摆角速度软测量算法27噪声的均值和自协方差矩阵估计方程:蚕(k+1)=1一d(k)蚕(k)+d(k)王(k+1Ik+1)一A;c(kIk)(k+1)=1一d(k)(k)+d(k)K(k+1)s(k+1)sT(k+1)KT(k+1)+P(k+1Ik+1)一AP(kIk)A(k+1)=1一d(k)(k)+d(k)Y(k+1)一(k+1Ik

16、)食(k+1)=1一d(k)(k)+d(k)s(k+1)s(k+1)一(k+1Ik)H为了验证横摆角速度软测量算法的准确性和有效性,利用国产某型轿车操纵稳定性场地试验数据,进行了软测量的估计结果和场地试验结果的对比.场地试验为按照ISO/FDIS3888标准进行的汽车双移线试验.试验车安装了非接触式车速仪,方向盘转角(力矩)测量仪及用于横摆角速度测量的车载陀螺仪等,实时采集汽车纵向速度,方向盘转角,侧向加速度及横摆角速度等相关参量.横摆角速度估计值和场地试验测量的对比曲线如图2所示,此时汽车车速保持在25±图中可见,横摆角速度估计值与场地试验值具有较好的一致性,两条曲线的变化趋势吻合

17、良好.OlZ456T89lOf/s图2仿真与试验数据的对比曲线图3结论利用参数软测量技术,以状态估计算法代替车载硬件传感器,并利用较易测量的汽车侧向加速度等状态信息,通过间接测量的方法实现了目前难以实时准确低成本测量的汽车横摆角速度参数的最小滤波算法,根据观测数据信息并由滤波算法本身不断估计和修正噪声统计特性和滤波器增益阵,从而减小了不准确或错误的噪声统计特性带来的估计误差,提高了状态估计的精度.目前的软测量模型仅为汽车线性动力学模型.在后面的工作中将尝试着把多自由度非线性汽车动力学模型与基于非线性滤波技术的软测量方法相结合,充分利用汽车电子控制系统中已有的车载传感器,进行更为全面准确的汽车状

18、态信息的实时估计和软测量,并以此进行制动防抱死系统,牵引力控制系统及稳定性控制系统的控制算法和控制逻辑的研究和开发.参考文献(References)李海青,黄志尧.软测量技术原理及其应用M.北京:化学工业出版社,2000.foradvancedvehiclecontrolJ.IEEETransactiononControlSystemTechnology,1995,3(1):117124.性动力学参数辨识J.清华大学(自然科学版),1999,39(2):106109.LIUXue-jun,ZHANGJinhuan,HUANGShilin.Non.1ineardynamicsparameteridentificationforvehicleside.impactmodelJ.JournalofTsinghuaUniversity(Sceace&Technology),1999,39(2