一种基于粒子滤波的多工况路面附着系数估计方法及系统

1.本发明涉及路面附着系数估计技术领域，特别是涉及一种基于粒子滤波的多工况路面附着系数估计方法及系统。

背景技术：

2.随着车辆电子和自动驾驶技术的发展，主动安全系统已被广泛应用，如直接横摆控制(directyaw-moment control,dyc)、自动紧急制动系统(advanced emer-gency braking system,aebs)和车身电子稳定系统(electronic stability program,esp)等。主动安全系统的控制效果与轮胎力有关，路面附着系数又是轮胎力的关键参数之一，因此路面系数的获取对车辆主动安全的控制至关重要。然而，路面附着系数难以通过传感器直接测量获取，如何快速、准确地估计路面附着系数一直是研究的热点。
3.目前对于路面附着系数的估计方法主要可分为两种：基于原因的方法(cause-based)和基于效果的方法(effect-based)。cause-based方法是指通过光学、声学等传感器测量轮胎的材质、花纹和路面的光泽、材料、积水情况等直接进行路面附着系数估计。effect-based方法是指根据车辆及轮胎对路面激励的响应，设计状态观测器来估计路面附着系数。
4.现有路面附着系数的估计方法主要存在以下问题：采用较多的基本卡尔曼滤波算法、扩展卡尔曼滤波算法不适用于车辆这种强非线性系统，且估计方法难以适应多种工况；另一种无迹卡尔曼滤波在存在非高斯噪声时，其估计效果欠佳。

技术实现要素：

5.本发明的目的是提供一种基于粒子滤波的多工况路面附着系数估计方法及系统，以实现纵向和横向多工况路面附着系数的精确估计。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于粒子滤波的多工况路面附着系数估计方法，包括：
8.基于新型传感器布置系统获取车辆运行数据；
9.基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；
10.基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；
11.根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。
12.可选地，所述基于新型传感器布置系统获取车辆运行数据，具体包括：
13.建立新型传感器布置系统；所述新型传感器布置系统包括双全球定位系统dgps、三个惯性传感器imu、轮毂电机传感器、车载can总线以及整车控制器vcu；其中，dgps的两个天线分别安装在车辆的前、后轴中心；三个imu分别安装在车辆的前、后轴中心及车辆质心
处；
14.基于dgps获取gps安装位置的速度，基于imu获取车辆纵横向加速度、横摆角速度和前后轴的横向加速度，基于轮毂电机传感器获取车轮转速和驱动力矩，共同作为所述车辆运行数据；
15.获取的所述车辆运行数据通过所述车载can总线传输至vcu。
16.可选地，所述基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数，具体包括：
17.构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型；
18.根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型；
19.构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器；
20.根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力；
21.构建基于粒子滤波的纵向工况路面附着系数估计器；
22.根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。
23.可选地，所述基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数，具体包括：
24.构建基于dgps的质心侧偏角估计器；
25.根据所述车辆横向动力学模型构建基于多imu的侧向力估计器；
26.根据所述车辆运行数据，基于所述质心侧偏角估计器和所述侧向力估计器估计质心侧偏角和轮胎侧向力；
27.构建基于粒子滤波的横向工况路面附着系数估计器；
28.根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器估计横向工况路面附着系数。
29.可选地，所述根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数，具体包括：
30.根据当前时刻的纵向工况路面附着系数、当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值，使用估计模式决策方法更新路面附着系数，得到当前时刻的路面附着系数估计值。
31.一种基于粒子滤波的多工况路面附着系数估计系统，包括：
32.数据获取模块，用于基于新型传感器布置系统获取车辆运行数据；
33.纵向工况路面附着系数估计模块，用于基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；
34.横向工况路面附着系数估计模块，用于基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；
35.估计模式决策模块，用于根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。
36.可选地，所述数据获取模块具体包括：
37.新型传感器布置系统建立单元，用于建立新型传感器布置系统；所述新型传感器布置系统包括双全球定位系统dgps、三个惯性传感器imu、轮毂电机传感器、车载can总线以及整车控制器vcu；其中，dgps的两个天线分别安装在车辆的前、后轴中心；三个imu分别安装在车辆的前、后轴中心及车辆质心处；
38.数据获取单元，用于基于dgps获取gps安装位置的速度，基于imu获取车辆纵横向加速度、横摆角速度和前后轴的横向加速度，基于轮毂电机传感器获取车轮转速和驱动力矩，共同作为所述车辆运行数据；
39.数据传输单元，用于将获取的所述车辆运行数据通过所述车载can总线传输至vcu。
40.可选地，所述纵向工况路面附着系数估计模块具体包括：
41.车辆及轮胎模型构建单元，用于构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型；
42.单轮纵向动力学模型构建单元，用于根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型；
43.滑移率和纵向力估计器构建单元，用于构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器；
44.滑移率和轮胎纵向力估计单元，用于根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力；
45.纵向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的纵向工况路面附着系数估计器；
46.纵向工况路面附着系数估计单元，用于根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。
47.可选地，所述横向工况路面附着系数估计模块具体包括：
48.质心侧偏角估计器构建单元，用于构建基于dgps的质心侧偏角估计器；
49.侧向力估计器构建单元，用于根据所述车辆横向动力学模型构建基于多imu的侧向力估计器；
50.质心侧偏角和轮胎侧向力估计单元，用于根据所述车辆运行数据，基于所述质心侧偏角估计器和所述侧向力估计器估计质心侧偏角和轮胎侧向力；
51.横向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的横向工况路面附着系数估计器；
52.横向工况路面附着系数估计单元，用于根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器估计横向工况路面附着系数。
53.可选地，所述估计模式决策模块具体包括：
54.估计模式决策单元，用于根据当前时刻的纵向工况路面附着系数、当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值，使用估计模式决策方法更新路面附着系数，得到当前时刻的路面附着系数估计值。
55.根据本发明提供的具体实施例，本发明公开了以下技术效果：
56.本发明提供了一种基于粒子滤波的多工况路面附着系数估计方法及系统，所述方法包括：基于新型传感器布置系统获取车辆运行数据；基于车辆纵向动力学模型，根据所述
车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。采用本发明方法能够实现纵向和横向多工况路面附着系数的精确估计。
附图说明
57.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
58.图1为本发明一种基于粒子滤波的多工况路面附着系数估计方法的流程图；
59.图2为本发明一种基于粒子滤波的多工况路面附着系数估计方法的总体架构图；
60.图3为本发明提供的新型传感器布置系统中各传感器布局示意图；
61.图4为本发明提供的纵向工况路面附着系数估计过程示意图；
62.图5为本发明提供的三自由度车辆动力学模型示意图；
63.图6为本发明提供的单轮纵向动力学模型示意图；
64.图7为本发明提供的横向工况路面附着系数估计过程示意图；
65.图8为本发明提供的轮胎力对路面附着系数的导数与路面附着系数的关系图；
66.图9为本发明实施例提供的轮胎纵向力估计结果示意图；其中图9(a)、(b)、(c)、(d)分别为左前、右前、左后、右后轮胎纵向力估计结果示意图；
67.图10为本发明实施例提供的路面附着系数估计结果示意图；其中图10(a)、(b)、(c)、(d)分别为左前、右前、左后、右后轮胎路面附着系数估计结果示意图；
68.图11为本发明一种基于粒子滤波的多工况路面附着系数估计系统的结构示意图。
具体实施方式
69.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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
70.本发明的目的是提供一种基于粒子滤波的多工况路面附着系数估计方法及系统，以实现纵向和横向多工况路面附着系数的精确估计。
71.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
72.现有基于动力学方法的路面附着系数的估计方法主要存在以下问题：采用较多的基本类卡尔曼滤波算法在车辆这种强非线性系统下表现欠佳，且估计方法难以适应多种工况。为解决上述问题，本发明提出了一种基于粒子滤波的多工况路面附着系数估计方法，并提出了由多个gps和imu构成的新型传感器布局方案，实现了轮胎力的精确估计。
73.图1为本发明一种基于粒子滤波的多工况路面附着系数估计方法的流程图，图2为本发明一种基于粒子滤波的多工况路面附着系数估计方法的总体架构图。参见图1和图2，
本发明一种基于粒子滤波的多工况路面附着系数估计方法包括：
74.步骤101：基于新型传感器布置系统获取车辆运行数据。
75.本发明提出的一种基于粒子滤波的多工况路面附着系数估计方法，采用了新的车辆传感器布局。本发明提出的新型传感器布置系统主要由一个双全球定位系统(dual global position system,dgps)和三个惯性传感器(inertial measurementunit,imu)、轮毂电机传感器、车载can总线以及整车控制器vcu(vehicle control unit)组成。参见图2，可由dgps获取gps安装位置的速度v
dgps
；由imu获得车辆纵/横向加速度a
x
，ay、横摆角速度ω和前后轴的横向加速度a
yf
和a
yr
；由轮毂电机传感器获得车轮转速ωw、驱动力矩td，获取的数据通过can总线传输至整车控制器vcu。通过本发明提出的新型传感器布置系统还能够获取制动力矩tb和前轮转角δ。
76.传感器的布局如图3所示，其中包含一个dgps和三个imu，图3横、纵坐标e、n分别代表东和北方向，ωf和ωr分别为前后轴imu获取的横摆角速度。dgps的更新速率更快和采样能力更强，本发明实施例中，dgps的两个天线分别安装在前后轴中心，三个imu分别安装在前后轴中心及车辆质心处，这些传感器将有助于估计车辆运动状态和轮胎力。
77.步骤102：基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数。
78.如图4所示为纵向工况路面附着系数估计过程。首先，利用轮毂电机驱动电动汽车的优势，基于车辆纵向运动模型和单轮动力学模型估计滑移率和轮胎纵向力；然后以魔术公式作为轮胎模型，提出一种基于粒子滤波的估计算法。
79.所述步骤102基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数，具体包括：
80.步骤2.1：构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型。
81.二自由度车辆模型已在车辆动力学控制领域中得到广泛应用，与二自由度模型相比，三自由度车辆模型多考虑了纵向的自由度。三自由度车辆模型如图5所示，方程如下：
[0082][0083][0084][0085]
式中，v
x
为纵向车速，vy为横向车速，a
x
为纵向加速度，ay为横向加速度，ω为横摆角速度，mz和iz为车辆绕质心垂向轴的横摆力矩和转动惯量。
[0086]
加速度和横摆力矩可以由下式给出：
[0087]ax
＝((f
x1
+f
x2
)cosδ+f
x3
+f
x4-(f
y1
+f
y2
)sinδ)/m
ꢀꢀꢀ
(4)
[0088]ay
＝((f
x1
+f
x2
)sinδ+(f
y1
+f
y2
)cosδ+f
y3
+f
y4
)/m
ꢀꢀꢀ
(5)
[0089]mz
＝a(f
x1
+f
x2
)sinδ+a(f
y1
+f
y2
)cosδ-b(f
y3
+f
y4
)
ꢀꢀꢀ
(6)
[0090]
式中，m为车辆质量，f
xi
为轮胎纵向力，f
yi
为轮胎侧向力，i＝1，2，3，4分别代表左前、右前、左后和右后轮，δ为前轮转角，a和b是质心至前后轴的距离。
[0091]
考虑到轮胎垂向力对轮胎动态特性的影响，轮胎垂向力可以通过以下公式估计：
[0092][0093][0094]
式中，f
zi
为轮胎垂向力，i＝1，2，3，4分别代表左前、右前、左后和右后轮；hg为车辆质心高度，l为轴距，bf和br分别是前后轮距。
[0095]
接下来构建“魔术公式”轮胎模型，其因拟合精度高而被广泛使用，公式如下所示：
[0096]fx
＝d
x
sin{c
x
arctan[b
x
λ
x-e
x
(b
x
λ
x-arctan(b
x
λ
x
))]}
ꢀꢀꢀ
(9)
[0097]fy
＝dysin{cyarctan[byα
y-ey(byα
y-arctan(byαy))]}
ꢀꢀꢀ
(10)
[0098]
式中，f
x
为轮胎纵向力，fy为轮胎侧向力，b为刚度因子，c为形状因子，d为峰值因子，e为曲率因子，λ是轮胎滑移率，α(alpha)是轮胎侧偏角，下标x和y分别代表纵向和横向。
[0099]
步骤2.2：根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型。
[0100]
根据步骤101获得的驱动力矩td、车轮转速ωw、纵向车速v
x
，以及车轮的滚动摩擦f
fric
、车轮的重量mg等车辆运行数据，来估计轮胎的纵向力f
x
，采用如图6所示的单轮纵向动力学模型，方程由下式给出：
[0101][0102][0103]
式中，jw为车轮的转动惯量，r为车轮滚动半径，td为驱动力矩，ωw为车轮转速，v
x
为纵向车速。
[0104]
步骤2.3：构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器。
[0105]
本发明提出一种基于卡尔曼滤波的估计器来估计轮胎的纵向力。状态空间方程由下式给出：
[0106][0107]
式中，x＝[ω
w f
x
]
t
为状态变量，z＝ωw为观测变量，w和v为均值为0的高斯白噪声，状态转移矩阵a、控制矩阵b及观测矩阵h如下所示：
[0108][0109]
卡尔曼滤波器的基本步骤包括预测和更新，可以表示如下：
[0110]
(2.3.1)预测
[0111]
[0112][0113]
式中，和分别表示第k+1步的先验状态估计和第k步的后验状态估计，和pk分别表示第k+1步先验误差的协方差矩阵和第k步后验误差的协方差矩阵，uk为第k步的控制变量，q是过程噪声的协方差矩阵。
[0114]
(2.3.2)更新
[0115][0116][0117][0118]
式中，k
k+1
是k+1步计算的一个中间参数，是k+1步的后验状态估计，是第k步的先验状态估计，z
k+1
是第k+1步的观测变量，r是观测噪声的协方差矩阵，p
k+1
第k+1步后验误差的协方差矩阵。随着状态变量被更新，因此，轮胎纵向力f
x
的估计值也被计算出。
[0119]
步骤2.4：根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力。
[0120]
根据步骤101获得的驱动力矩td、车轮转速ωw、纵向车速v
x
等数据，基于所述滑移率估计器(12)和所述纵向力估计器(13)估计滑移率λi和轮胎纵向力f
xi
，i＝1，2，3，4分别代表左前、右前、左后和右后轮。
[0121]
步骤2.5：构建基于粒子滤波的纵向工况路面附着系数估计器。
[0122]
粒子滤波可解决非线性系统的观测问题，其基本原理为使用一组粒子来近似后验概率密度并估计非线性系统的状态，其与扩展卡尔曼滤波器(extended kalman filter,ekf)相比，不存在线性化的截断误差，且当存在非高斯噪声时，粒子滤波算法具有更好的性能。由于轮胎是典型的非线性系统，且轮胎力与路面附着系数也是非线性的，因此本发明提出了一个基于粒子滤波的估计器：
[0123][0124]
式中，x＝[μ
1 μ
2 μ
3 μ4]
t
为状态变量，下标k和k+1分别代表第k和k+1步；f()为状态转移方程，其表达式为μ
k+1,i
＝μ
k,i
+w，μ
k+1，i
和μ
k，i
分别代表第k和k+1步的μi,i＝1,2,3,4；z＝[f
x1 f
x2 f
x3 f
x4 a
x
]
t
为观测变量，h()为状态转移方程，其由方程(4)和方程(9)所决定。
[0125]
步骤2.6：根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。
[0126]
根据步骤2.4估计出的轮胎纵向力f
x
来估计路面附着系数，将轮胎纵向力f
xi
组成的观测变量z＝[f
x1 f
x2 f
x3 f
x4 a
x
]
t
代入所述纵向工况路面附着系数估计器，如下式：
[0127][0128]
粒子滤波器的基本步骤包括初始化、预测和更新，如下表示：
[0129]
(2.6.1)初始化
[0130]
首先初始化粒子数量n
p
，过程噪声的协方差矩阵q和测量噪声的协方差矩阵r，然
后创建权重为q0的初始粒子x0。
[0131]
(2.6.2)预测
[0132]
根据第k步的后验状态估计和概率密度，可以获得第k+1步的先验状态估计，以预测当前的路面附着系数，如下式：
[0133][0134]
其中下标k,i表示第k步中的第i个粒子，是第k步的后验状态估计，是第k+1步时第i个粒子的先验状态估计，w
k,i
是由给定概率密度wi生成的噪声。
[0135]
(2.6.3)更新
[0136]
使用传感器测量值来获得后验状态估计。首先计算误差：
[0137][0138]
式中，err
k+1,i
为第k+1步的测量值z
k+1
与第k+1步的第i个粒子的先验估计值之间的误差。
[0139]
每个粒子的权重值计算如下：
[0140]qk+1,i
＝1/sqrt(2πr)
·
exp(-(err
k+1,i
)2/2r)
ꢀꢀꢀ
(25)
[0141]
归一化粒子权重：
[0142][0143]
因此，后验状态估计可以计算为：
[0144][0145]
式中，sqrt()是平方根函数；q
k+1，i
是第k+1步的第i个粒子的权重值，是第k+1步的第i个粒子归一化后的权重值；即为所估计的路面附着系数。
[0146]
然而，粒子滤波会出现退化现象，即随着迭代的进行，许多粒子的权重接近于零，而一些粒子具有绝大部分的权重，粒子的多样性降低，估计结果不可信。因此需要采取一种重采样方法来防止粒子退化。本发明中采用了系统重采样。
[0147]
步骤103：基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数。
[0148]
本发明使用步骤101中获取的车辆在转向时的运行数据来估计质心侧偏角β及路面附着系数μ。其中路面附着系数μ指轮胎在不同路面的附着能力大小。附着系数的数值主要决定于道路的材料、路面的状况与轮胎结构、胎面花纹、材料以及汽车运动的速度等因素。质心侧偏角β为车辆质心速度方向与车身纵轴方向的夹角，定义为：其中，v
x
为质心纵向车速，vy为质心侧向车速。
[0149]
横向工况路面附着系数估计过程如图7所示，参见图7，所述步骤103基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数，具体
包括：
[0150]
步骤3.1：构建基于dgps的质心侧偏角估计器。
[0151]
本发明提出了一种基于dgps的车辆侧偏角估计方法。dgps的安装位置如图3所示，可以获得其安装位置的速度及其方向。
[0152]
步骤101中imu获得的横摆角速度ω，及由gps获得的速度之间的运动学关系如下式：
[0153][0154]
式中，ψ是车辆横摆角，v
ij
表示gps接收器测量的速度，下标ij是fe，fn，re和rn，其中f，r分别代表前轴和后轴，e，n分别代表东和北方向。
[0155]
为了得到质心侧偏角，将方程(28)转换为下式：
[0156][0157]
通过gps获得的速度信息，车辆横摆角ψ可以直接由下式计算得出：
[0158][0159]
因此，联立方程(29)和方程(30)即可得到车辆的质心侧偏角
[0160][0161]
步骤3.2：根据所述车辆横向动力学模型(6)构建基于多imu的侧向力估计器。
[0162]
根据步骤101中imu获得的车辆前后轴的横向加速度a
yf
和a
yr
，车辆横摆角加速度可以由下式给出：
[0163][0164]
车辆横摆运动的动力学方程如式(6)所示，可简化为下式：
[0165][0166]
式中，f
xf
为左前轮及右前轮纵向力的合力，f
yf
是左前轮及右前轮侧向力的合力，f
yr
为左后轮及右后轮侧向力的合力。
[0167]
联立方程(5)和方程(33)，前后轴侧向力的合力f
yf
和f
yr
可以通过下式计算：
[0168][0169]fyr
＝ma
y-f
yf cosδ-f
xf sinδ
ꢀꢀꢀ
(35)
[0170]
为得到每个轮胎的侧向力，根据轮胎的垂向力构建分配系数，轮胎侧向力如下式：
[0171][0172]
步骤3.3：根据所述车辆运行数据，基于所述质心侧偏角估计器(31)和所述侧向力估计器(36)估计质心侧偏角β和轮胎侧向力f
yi
，i＝1，2，3，4分别代表左前、右前、左后和右后轮。
[0173]
步骤3.4：构建基于粒子滤波的横向工况路面附着系数估计器。
[0174]
在对各轮胎的侧向力进行估计后，本发明提出一种基于粒子滤波的横向工况路面附着系数估计器，类似于纵向情况的估计方法。粒子滤波的基本步骤已于步骤2.5和2.6中详细描述，所以这里只给出横向工况路面附着系数估计器的状态空间方程：
[0175][0176]
式中，x＝[μ
1 μ
2 μ
3 μ4]
t
为状态变量，f()为状态转移方程，其表达式为μ
k+1,i
＝μ
k,i
+w，z＝[f
y1 f
y2 f
y3 f
y4 ay]
t
为观测变量，h()为状态转移方程，其由方程(5)和方程(10)所决定。
[0177]
步骤3.5：根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器(37)估计横向工况路面附着系数。
[0178]
步骤104：根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。
[0179]
为提高所提出的估计方法的性能，本发明又构建了一个估计模式决策模块，决定在不同工况下路面附着系数估计值更新方法。且提出了一种新的决策因子，该因子不仅考虑了轮胎的动力学状态，还考虑了路面附着系数对轮胎的影响。
[0180]
考虑到横向运动中的估计器为非线性系统，可在工作点处线性化。忽略过程噪声和观测噪声，将方程(22)进行泰勒展开，系统可以线性化为
[0181][0182]
其中x
op
是工作点，且
[0183]
f＝diag(1,1,1,1),
[0184][0185]dk+1
＝h(x
op
)-h
′
(x
op
)x
op
[0186]
当系统工作点x
op
变化不大时，d
k+1
可以视为一个常量，将z
k+1-d
k+1
＝hx
k+1
作为新的观测方程，则系统的能观性矩阵为
[0187][0188]
估计器具有能观性的条件是矩阵q的秩与系统的阶数相同。因此，或不能同时为零，以确保矩阵q的秩等于系统阶数4。
[0189]
图8为与路面附着系数的关系，可看出，当路面附着系数增加时，偏导值下降很多，且轮胎侧偏角越小，偏导值下降得越快，这意味着估计器在轮胎侧偏角较小时表现不佳。因此，可设定轮胎力对路面附着系数偏导的阈值，当偏导值大于阈值时，采用对应的估计方法对路面附着系数估计值进行更新。然而，路面附着系数的真实值是未知的，因此本发明使用估计值来求解导数
[0190]
设步骤102得到的纵向路面附着系数估计值为步骤103得到的横向工况路面附着系数估计值为上一时刻的路面附着系数估计值为则当前时刻估计值的更新方法为：
[0191][0192]
式中，下标i表示四个车轮，threshold为设定的阈值。
[0193]
根据当前时刻的纵向工况路面附着系数当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值使用估计模式决策方法(43)更新路面附着系数，得到更新后的路面附着系数μ
update
，即当前时刻的路面附着系数估计值
[0194]
本文提出的一种基于粒子滤波的多工况路面附着系数估计方法，在不同工况下设计了相应的估计方法，可基于本发明提出的新型传感器布置系统准确估计各轮的纵向轮胎力及侧向轮胎力。最后，提出了一种基于轮胎状态的估计模式决策方法，解决了在不同工况下路面附着系数估计值的更新问题。本发明基于由dgps和imu构成的新型传感器布置方案，可准确估计轮胎力，简化路面附着系数估计器的设计；获取轮胎力估计值后，利用粒子滤波算法估计路面附着系数，可有效解决轮胎这类非线性系统的观测问题；提出的一种路面附着系数估计模式决策方法，明确了估计值的更新策略。因此，采用本发明方法能够提高多工况路面附着系数估计的效率和准确性。
[0195]
下面提供仿真实验来验证本发明一种基于粒子滤波的多工况路面附着系数估计方法的有效性。
[0196]
为了验证本发明所提出估计方法的有效性，本发明进行了多工况的matlab/carsim联合仿真，主要目的是评估所设计的估计器性能，仿真车辆的参数如表1所示。
[0197]
表1车辆参数
[0198]
参数数值m1412kgbf1.675mbr1.645ma1.205mb1.705mh0.54miz1975kg
·
m2r0.325m
[0199]
选择对开路面的制动工况来评估每个轮胎的路面附着系数估计器的性能。对开路左侧的附着系数为0.3，右边为0.5。车辆直行并采用闭环驾驶员模型，由于在对开路面上保
持车辆横向稳定性十分困难，因此需开启制动防抱死系统(abs)。轮胎纵向力的估计结果如图9所示。
[0200]
图9(a)-(d)分别描述了左前、右前、左后和右后的估计轮胎纵向力与实际轮胎纵向力的对比结果，横坐标为时间(time)，纵坐标为轮胎纵向力估计值fxrr。其中fx-estimated曲线是估计值曲线，fx-real曲线是真实值曲线，均方根误差分别为144.66n，67.75n，67.03n和55.71n。abs导致轮胎力波动很大，但仿真表明采用本发明方法估计的轮胎纵向力接近真实值，因此本发明估计器可用于准确估计路面附着系数。
[0201]
图10(a)-(d)展示了每个轮胎估计的路面附着系数，横坐标为时间(time)，纵坐标为轮胎路面附着系数估计值μrr。其中μ-estimated曲线是估计值曲线，μ-real虚线是真实值，均方根误差分别为0.0114，0.0195，0.0080和0.0221，表明本发明方法估计效果较好。
[0202]
基于本发明提供的方法，本发明还提供一种基于粒子滤波的多工况路面附着系数估计系统，参见图11，所述系统包括：
[0203]
数据获取模块1101，用于基于新型传感器布置系统获取车辆运行数据；
[0204]
纵向工况路面附着系数估计模块1102，用于基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；
[0205]
横向工况路面附着系数估计模块1103，用于基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；
[0206]
估计模式决策模块1104，用于根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。
[0207]
其中，所述数据获取模块1101具体包括：
[0208]
新型传感器布置系统建立单元，用于建立新型传感器布置系统；所述新型传感器布置系统包括双全球定位系统dgps、三个惯性传感器imu、轮毂电机传感器、车载can总线以及整车控制器vcu；其中，dgps的两个天线分别安装在车辆的前、后轴中心；三个imu分别安装在车辆的前、后轴中心及车辆质心处；
[0209]
数据获取单元，用于基于dgps获取gps安装位置的速度，基于imu获取车辆纵横向加速度、横摆角速度和前后轴的横向加速度，基于轮毂电机传感器获取车轮转速和驱动力矩，共同作为所述车辆运行数据；
[0210]
数据传输单元，用于将获取的所述车辆运行数据通过所述车载can总线传输至vcu。
[0211]
所述纵向工况路面附着系数估计模块1102具体包括：
[0212]
车辆及轮胎模型构建单元，用于构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型；
[0213]
单轮纵向动力学模型构建单元，用于根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型；
[0214]
滑移率和纵向力估计器构建单元，用于构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器；
[0215]
滑移率和轮胎纵向力估计单元，用于根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力；
[0216]
纵向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的纵向工况路面
附着系数估计器；
[0217]
纵向工况路面附着系数估计单元，用于根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。
[0218]
所述横向工况路面附着系数估计模块1103具体包括：
[0219]
质心侧偏角估计器构建单元，用于构建基于dgps的质心侧偏角估计器；
[0220]
侧向力估计器构建单元，用于根据所述车辆横向动力学模型构建基于多imu的侧向力估计器；
[0221]
质心侧偏角和轮胎侧向力估计单元，用于根据所述车辆运行数据，基于所述质心侧偏角估计器和所述侧向力估计器估计质心侧偏角和轮胎侧向力；
[0222]
横向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的横向工况路面附着系数估计器；
[0223]
横向工况路面附着系数估计单元，用于根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器估计横向工况路面附着系数。
[0224]
所述估计模式决策模块1104具体包括：
[0225]
估计模式决策单元，用于根据当前时刻的纵向工况路面附着系数、当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值，使用估计模式决策方法更新路面附着系数，得到当前时刻的路面附着系数估计值。
[0226]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0227]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种基于粒子滤波的多工况路面附着系数估计方法，其特征在于，包括：基于新型传感器布置系统获取车辆运行数据；基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。2.根据权利要求1所述的方法，其特征在于，所述基于新型传感器布置系统获取车辆运行数据，具体包括：建立新型传感器布置系统；所述新型传感器布置系统包括双全球定位系统dgps、三个惯性传感器imu、轮毂电机传感器、车载can总线以及整车控制器vcu；其中，dgps的两个天线分别安装在车辆的前、后轴中心；三个imu分别安装在车辆的前、后轴中心及车辆质心处；基于dgps获取gps安装位置的速度，基于imu获取车辆纵横向加速度、横摆角速度和前后轴的横向加速度，基于轮毂电机传感器获取车轮转速和驱动力矩，共同作为所述车辆运行数据；获取的所述车辆运行数据通过所述车载can总线传输至vcu。3.根据权利要求2所述的方法，其特征在于，所述基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数，具体包括：构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型；根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型；构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器；根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力；构建基于粒子滤波的纵向工况路面附着系数估计器；根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。4.根据权利要求3所述的方法，其特征在于，所述基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数，具体包括：构建基于dgps的质心侧偏角估计器；根据所述车辆横向动力学模型构建基于多imu的侧向力估计器；根据所述车辆运行数据，基于所述质心侧偏角估计器和所述侧向力估计器估计质心侧偏角和轮胎侧向力；构建基于粒子滤波的横向工况路面附着系数估计器；根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器估计横向工况路面附着系数。5.根据权利要求4所述的方法，其特征在于，所述根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数，具体包括：
根据当前时刻的纵向工况路面附着系数、当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值，使用估计模式决策方法更新路面附着系数，得到当前时刻的路面附着系数估计值。6.一种基于粒子滤波的多工况路面附着系数估计系统，其特征在于，包括：数据获取模块，用于基于新型传感器布置系统获取车辆运行数据；纵向工况路面附着系数估计模块，用于基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；横向工况路面附着系数估计模块，用于基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；估计模式决策模块，用于根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。7.根据权利要求6所述的系统，其特征在于，所述数据获取模块具体包括：新型传感器布置系统建立单元，用于建立新型传感器布置系统；所述新型传感器布置系统包括双全球定位系统dgps、三个惯性传感器imu、轮毂电机传感器、车载can总线以及整车控制器vcu；其中，dgps的两个天线分别安装在车辆的前、后轴中心；三个imu分别安装在车辆的前、后轴中心及车辆质心处；数据获取单元，用于基于dgps获取gps安装位置的速度，基于imu获取车辆纵横向加速度、横摆角速度和前后轴的横向加速度，基于轮毂电机传感器获取车轮转速和驱动力矩，共同作为所述车辆运行数据；数据传输单元，用于将获取的所述车辆运行数据通过所述车载can总线传输至vcu。8.根据权利要求7所述的系统，其特征在于，所述纵向工况路面附着系数估计模块具体包括：车辆及轮胎模型构建单元，用于构建三自由度车辆模型及轮胎模型；所述三自由度车辆模型包括车辆纵向运动模型和车辆横向运动模型；单轮纵向动力学模型构建单元，用于根据所述车辆纵向运动模型和所述轮胎模型构建单轮纵向动力学模型；滑移率和纵向力估计器构建单元，用于构建基于所述单轮纵向动力学模型的滑移率估计器和纵向力估计器；滑移率和轮胎纵向力估计单元，用于根据所述车辆运行数据，基于所述滑移率估计器和所述纵向力估计器估计滑移率和轮胎纵向力；纵向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的纵向工况路面附着系数估计器；纵向工况路面附着系数估计单元，用于根据所述滑移率和轮胎纵向力，基于所述纵向工况路面附着系数估计器估计纵向工况路面附着系数。9.根据权利要求8所述的系统，其特征在于，所述横向工况路面附着系数估计模块具体包括：质心侧偏角估计器构建单元，用于构建基于dgps的质心侧偏角估计器；侧向力估计器构建单元，用于根据所述车辆横向动力学模型构建基于多imu的侧向力估计器；
质心侧偏角和轮胎侧向力估计单元，用于根据所述车辆运行数据，基于所述质心侧偏角估计器和所述侧向力估计器估计质心侧偏角和轮胎侧向力；横向工况路面附着系数估计器构建单元，用于构建基于粒子滤波的横向工况路面附着系数估计器；横向工况路面附着系数估计单元，用于根据所述质心侧偏角和轮胎侧向力，基于所述横向工况路面附着系数估计器估计横向工况路面附着系数。10.根据权利要求9所述的系统，其特征在于，所述估计模式决策模块具体包括：估计模式决策单元，用于根据当前时刻的纵向工况路面附着系数、当前时刻的横向工况路面附着系数以及上一时刻的路面附着系数估计值，使用估计模式决策方法更新路面附着系数，得到当前时刻的路面附着系数估计值。

技术总结

本发明涉及一种基于粒子滤波的多工况路面附着系数估计方法及系统，属于路面附着系数估计技术领域。所述方法包括：基于新型传感器布置系统获取车辆运行数据；基于车辆纵向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计纵向工况路面附着系数；基于车辆横向动力学模型，根据所述车辆运行数据使用粒子滤波方法估计横向工况路面附着系数；根据所述纵向工况路面附着系数和所述横向工况路面附着系数，使用估计模式决策方法更新路面附着系数。采用本发明方法能够实现纵向和横向多工况路面附着系数的精确估计。面附着系数的精确估计。面附着系数的精确估计。