基于加速度和轮速信息的参考轮式速度估计

基于加速度和轮速信息的参考轮式速度估计

1加速度与轮速信息估计方法在汽车液压系统中的应用,主要有以下几种各种主动安全、驾驶辅助的车辆动态管理系统（abs、esp、acc等）对提高车辆的控制，减少交通事故的发生，正确捕捉实时的行驶信息是确保这些系统性能的先决条件。传统ABS技术利用轮速传感器信号确定参考车速,但各种方法均有不同意义上的局限性。以光学原理、多普勒雷达或GPS系统为基础的车速传感器能够精确获取车速信息,但需要较高的成本,不适于一般量产车的应用。随着汽车控制系统的发展,加速度传感器已逐渐成为大多数汽车的标准配置,利用加速度与轮速信号的信息融合可寻求更为有效的参考车速估计方法。对于两轮驱动汽车而言,一般的参考车速确定原则是:在非制动工况下,以非驱动轮轮速与车轮有效半径的乘积作为参考车速;制动时,综合加速度及轮速信息估计参考车速。此情况下,一些基于大量实车试验及针对不同工况下的轮速、加速度响应特征建立经验公式的途径具有较好的效果[3、4]。此外,线性及非线性观测器、Kalman滤波、模糊逻辑、加权平均、递归等方法也有应用。本文以某两轮驱动轿车为例,针对量测信号的噪声问题,通过试验分析得到一种基于加速度及轮速信息的参考车速估计方法,并得出了实现良好估计精度的关键因素和途径。2加速度量测误差及试验体验对于两轮驱动轿车而言,在非制动工况下,直接利用非驱动轮轮速计算参考车速会将轮速量测噪声带入估计结果,影响估计值的使用效果。制动时,可以通过加速度信号的积分来求取参考车速,但一方面,积分初值并非在任意时刻均可准确获取,另一方面,由于环境温度、道路坡度、车身俯仰运动等因素的影响,加速度传感器采集的加速度值存在静态偏差,从而极易产生累积误差。Pei-shihHuang等人设计了Luenberger观测器对加速度偏差进行估计,通过极点配置选择观测器增益控制估计值收敛至真值的速度。但加速度和车速量测值必然包含随机噪声,而Luenberger观测器不能有效去除噪声的影响,导致估计值包含较多的噪声成分,影响其实用意义。而利用Kalman滤波算法能够有效解决上述噪声问题。视加速度量测静态偏差具有缓变特征,则式中,v为车速;am为加速度量测值;a0为加速度量测值静态偏差。对式(1)进行离散化处理,并以车速作为系统输出,则以车速、加速度量测偏差为状态变量的离散状态空间模型为:式中,dT为采样周期;vm为车速量测值,由两非驱动轮轮速的均值计算而得;w1和w2为系统噪声;wv为量测噪声。将w1、w2、wv视为零均值白噪声,以式(2)为估计模型,应用Kalman滤波算法即可实时求取加速度量测偏差和参考车速的估计值。以某前轮驱动轿车为试验研究对象。图1为试验车辆直线行驶时采集的一段车速和加速度信号及估计算法的实时估计结果。试验约在12s时由驱动转为制动。试验中,利用VBS20SLGPS记录车身速度作为车速的准确值,该设备的车速测量精度为0.028m/s(0.1km/h)。由图1可看出,在驱动工况下,车速估计误差维持在零值上下波动,而在制动初始时刻(12~17s)呈增加趋势。结合加速度信号可发现,车辆在实施制动的短时间(12~13.5s)内即由稳定加速转为稳定减速,可以推测加速度量测静态偏差也会在同一时段内发生较大的变化,而加速度量测静态偏差的估计值则未能及时反映这种情况,且在随后的稳定制动过程中,参考车速估计值也略微偏离车速真值。3方法改进3.1加速度静态偏差的估计结果由状态空间方程(2)可知,将系统噪声w2视为非零均值的白噪声,则其均值即表征了加速度量测静态偏差的变化率。因此,在Kalman滤波的迭代过程中计入非零的噪声均值,即可提高估计算法对加速度量测静态偏差变化的跟踪能力。这种解决方案的关键是如何实现加速度量测静态偏差变化率的在线估计。加速度量测静态偏差发生变化的原因可归为两类,一是受温度影响产生的静态漂移;二是由道路坡度、车身俯仰导致的加速度传感器方位的变化。在汽车运行过程中,后者是造成加速度量测静态偏差频繁变化的主要原因,由这种变化的诱因可推测,w2与加速度量测值的变化率存在一定的量化关系,因此可利用实车试验预先确定这种关系。进行了多组实车直线行驶试验,试验工况包括加、减速及上、下坡等,采集轮速及加速度信号,并对采集的信号进行离线处理。首先针对估计模型通过Kalman滤波求取加速度量测静态偏差,其次求取加速度量测值的变化率。加速度量测信号伴随很大的噪声成分,直接微分会引入很大的误差,故而设计如下的2阶Butterworth滤波器对加速度量测信号进行滤波处理,滤波器通频带为0~3Hz。图2为某段滤波前、后的加速度信号。由图2可看出,Butterworth滤波器损失了加速度信号的部分高频成分,但基本保留了加速度变化的动态特征。在滤波后的加速度信号中找到加速度变化开始点和加速度变化结束点的加速度值,从而得到加速度变化率;利用对应时间段内的加速度量测静态偏差获得加速度偏差变化率。由此可得由加速度静态偏差变化率与加速度变化率组成的若干数据对,如图3所示。对该组数据对进行统计分析表明,所得加速度静态偏差变化率与加速度变化率可近似表示为比例关系,比例系数为0.0527。因此,由下式可实时估计系统噪声的均值:式中,af为加速度信号的Butterworth滤波值。3.2滑移率的量测方程在汽车制动过程中,由于车轮滑移的存在,以非驱动轮轮速作为车速量测值是导致Kalman滤波估计误差的原因之一,因此有必要利用非驱动轮的滑移率观测模型中的量测方程。滑移率的定义式为:由式(5)容易得到滑移率、参考车速与车速量测值之间的关系,但实车应用时的问题是无法实时获取当前采样时刻的滑移率。在小采样周期的前提下,以上一时刻的滑移率代替,据此可对量测方程进行修正,则估计模型可表示为:4调查估计结果利用改进后的方法对图1所示试验数据进行处理,估计结果与原方法对比如图4所示。由图4可看出,在非制动工况下,2种方法均有良好的估计精度;修正估计方法弥补了原方法在制动工况下加速度静态偏差估计值收敛过慢、车速估计误差较大的问题。图4的车速误差包含一定的噪声成分,对其进行统计分析,结果如表1所列。由表1可知,修正估计方法的误差均值近似为零,说明车速估计值围绕真值波动,反映了真实的车速变化情况;误差均方差为0.033m/s,而GPS车速测量误差为0.028m/s,故后者是噪声来源之一。由于在制动工况下的车速估计存在较大误差,基本估计方法的车速误差均值和均方差均明显大于修正估计方法。令试验车辆直线行驶,并实施“加速-制动-滑行”操作,图5为采集的轮速和加速度信号。试验约在21s时转为制动,30s时转为滑行。图6为车速和加速度静态偏差的估计效果,其中加速与制动阶段可得到与图4一致的结论。在解除制动之后,2种方法均能很快地使加速度静态偏差的估计值收敛,同时也确保了良好的车速估计精度。由上述分析可知,及时捕获加速度静态偏差的变化,是基于式(1)的运动学关系、利用Kalman滤波进行参考车速估计的关键。5轮速和加速度信号的动态误差估计针对两轮驱动汽车,提出了一种基于车速及车身加速度之间运动学关系、利用Kalman滤波进行参考车速估计的方法,并通过直线行驶实车试验进行了分析。a.加速度量测信号静态偏差存在时变性,准确、及时地获取其变动情况是利用轮速和加速度信号实现参考车速估计的关键。b.由试验手段可确立加速度量测信号静态偏差变化率与加速