一种车载传感器测量数据异常情况下的汽车状态估计方法
阅读说明：本技术 一种车载传感器测量数据异常情况下的汽车状态估计方法 (Automobile state estimation method under abnormal condition of measured data of vehicle-mounted sensor ) 是由 殷国栋 汪 徐利伟 卢彦博 庄伟超 耿可可 祝小元 于 2021-08-20 设计创作，主要内容包括：本发明涉及一种车载传感器测量数据异常情况下的汽车状态估计方法,首先利用车载传感器获得带有异常测量数据的横向加速度信号以及正常的前轮转角和纵向加速度,将这些信息与非线性车辆模型结合利用先验预估和后验更新的方法估计车辆的纵向速度,质心侧偏角,横摆角速度来实现汽车状态的精确获取。本发明可以填补当前车载传感器测量数据异常情况下汽车状态无法精确估计的技术空白,提升了汽车主动安全控制技术水平。本发明考虑到现有汽车状态估计中尚未考虑传感器数据异常,利用贝叶斯概率理论设计了考虑数据异常的先验与后验相结合的估计方法,可以填补当前传感器数据异常情况下汽车状态无法估计的技术空白。(The invention relates to a method for estimating an automobile state under the condition of abnormal measurement data of a vehicle-mounted sensor. The method can fill the technical blank that the automobile state cannot be accurately estimated under the condition that the current vehicle-mounted sensor measures abnormal data, and improves the technical level of the active safety control of the automobile. In the invention, the sensor data abnormity is not considered in the conventional automobile state estimation, and the estimation method combining the prior and the posterior considering the data abnormity is designed by utilizing the Bayesian probability theory, so that the technical blank that the automobile state cannot be estimated under the condition of the current sensor data abnormity can be filled.)
技术领域
本发明涉及车辆控制领域，具体涉及一种车载传感器测量数据异常情况下的电动汽车状态估计方法。
背景技术
为了提高电动汽车的安全性，许多主动安全技术被开发出来以减少交通事故，如主动避撞系统、车身稳定系统。这些系统的有效实施直接受汽车状态等关键信息的影响。然而，一些关键汽车状态无法通过车载传感器直接测量或者测量成本过高。因此，一些基于状态观测器和卡尔曼滤波的估计方法被用来解决该问题。
但传统估计方法中一个基本前提是估计器能够完全接收到正常的测量信号。但是，它忽略了一些实际的工作条件，例如车内传感器的信息可能会部分或完全丢失，这种情况导致现有的汽车状态估计方法可能由于估计偏差过大并不能应用到实际中。
发明内容
本发明要解决的技术问题：本发明的目的是为了解决现有技术中的不足，提供一种车载传感器测量数据异常情况下的电动汽车状态估计方法。
本发明的技术方案：车载传感器测量数据异常情况下的汽车状态估计方法，具体包括以下步骤：
第一步：实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息；
第二步：建立车辆非线性动力学模型，构建汽车状态估计的状态方程和测量方程，通过第一步采集的车辆前轮转角和车辆纵向加速度信息，依据状态方程计算得到汽车状态的先验估计值和先验误差协方差；
第三步：依据第一步采集的带有异常数据的横向加速度测量值和后验横向加速度，
对所述步骤二得到的得到汽车状态的先验估计值和先验误差协方差进行动态更新，获得后验汽车状态估计值，并计算后验误差协方差；
将所述后验估计值和后验误差协方差作为第二步在下一时刻的输入，输入第二步，实现第二步和第三步动态循环，循环往复，以此完成对汽车状态的高精度估计。
进一步的，所述车辆非线性动力学模型包括：
其中，r为横摆角速度、k1为前轮总侧偏刚，k2为后轮总侧偏刚度、m为汽车总质量、a为前轴到质心的距离、b为后轴到质心的距离、δ为前轮转角、ax为纵向加速度、ay为侧向加速度、Iz为绕z轴的转动惯量、β为质心侧偏角、就是对Vx求导；
根据公式(1)～(4)建立考虑传感器数据异常的汽车状态估计状态方程与测量方程如下：
状态变量为：x＝[r,β,vx]T
量测变量为：z＝[ay]T
输入变量为：u＝[ax,δ]T
其中，z为测量向量；x为状态向量；u输入向量，θ为采样时间，xθ为状态变量，zθ为有数据异常的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置；
为对角矩阵，其中是m个独立的随机变量，与所有的噪声信号无关；是在区间[0,1]上具有数学期望为和方差为的概率密度函数；其中，uθ为输入变量，vθ为系统过程噪声，所述系统过程噪声的协方差为Qθ；为系统测量噪声，所述系统测量噪声的协方差为Rθ；vθ和是零均值高斯白噪声，彼此不相关；
进一步的，根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻状态x，所述先验状态估计值：
上一时刻协方差P和过程噪声协方差Q以及A，A见说明书公式8，来递推计算下一时刻协方差P
先验状态协方差：
其中表示x的估计值、是xθ的先验估计；为xθ的后验估计，
是使用包括当前采样时刻的所有测量值的条件期望值；
是使用当前时刻之前的所有测量值的条件期望值。
进一步的，第三步中，后验汽车状态计算具体步骤如下：
后验状态估计值：
后验状态协方差：
其中，卡尔曼增益Kθ+1：
式中，(·)-1表示矩阵的逆矩阵,
进一步的，还包括用于实时获取带有异常数据的车辆横向加速度，以及车辆正常的车辆前轮转角和纵向加速度信息的车载传感器；所述车载传感器包括安装在汽车上的加速度计、陀螺仪、前轮转角传感器；陀螺仪用于检测汽车的横向加速度，加速度计用来获取纵向加速度，前轮转角传感器用于获取汽车的前轮转角
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
1.本发明考虑到现有汽车状态估计中尚未考虑传感器数据异常，利用贝叶斯概率理论设计了考虑数据异常的先验与后验相结合的估计方法，可以填补当前传感器数据异常情况下汽车状态无法估计的技术空白；
2.本发明建立融合数据异常的非线性动力学车辆模型，提高了对车辆运行工况和动力学特性的真实反应程度，提高了本发明的适用范围。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的优选实施例一种车载传感器测量数据异常情况下的汽车状态估计方法系统结构示意图与实施方法。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1：
如图1所示，本发明首先利用车载传感器获得带有异常测量数据的横向加速度信号以及正常的前轮转角和纵向加速度，将这些信息与非线性车辆模型结合利用先验预估和后验更新的方法估计车辆的纵向速度，质心侧偏角，横摆角速度来实现汽车状态的精确获取。
基于该系统结构具体实施方法包括以下步骤：
第一步：通过安装在汽车上的陀螺仪获取带有异常数据的横向加速度，以及通过前轮转角传感器和加速度计获得正常的前轮转角和纵向加速度信息；
第二步：建立非线性车辆模型，
其中r为横摆角速度、k1为前轮总侧偏刚k2为后轮总侧偏刚度、m为汽车总质量、a为前轴到质心的距离、b为后轴到质心的距离、δ为前轮转角、ax为纵向加速度、ay为侧向加速度、Iz为绕z轴的转动惯量、β为质心侧偏角。
根据公式(1)～(4)建立考虑传感器数据异常的汽车状态估计状态方程与量测方程如下：
状态变量为：
x＝[r,β,vx]T
量测变量为：
z＝[ay]T
输入变量为：
u＝[ax,δ]T
其中θ为采样时间，xθ为状态变量，zθ为有数据异常的测量变量，f为状态转移函数，h为测量输出函数，(·)T为矩阵转置。是一个对角矩阵，其中是m个独立的随机变量它们与所有的噪声信号无关。另外还是在区间[0,1]上具有数学期望为和方差为的概率密度函数。uθ为输入变量，vθ为系统过程噪声，过程噪声的协方差为Qθ，为系统测量噪声，测量噪声的协方差为Rθ。vθ和是零均值高斯白噪声，彼此不相关。初始状态x0也独立于所有的噪声信号，即满足如下等式：
其中E为数学期望，δθ-j为克罗内克脉冲函数外，为方便表达，我们定义为xθ的后验估计和是xθ的先验估计。是使用包括当前采样时刻的所有测量值的条件期望值。是使用当前时刻之前的所有测量值的条件期望值。
计算状态变量先验估计：
其中表示x的估计值，计算状态变量先验估计表示根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻状态x；
对f(xθ,uθ)在进行一阶泰勒展开得到
计算状态变量先验协方差：
计算状态变量先验协方差，表示根据上一时刻协方差P和过程噪声协方差Q以及A，A见说明书公式8，来递推计算下一时刻协方差P。
其中的具体计算步骤如下
设定后验状态估计偏差为先验状态估计偏差为组合公式5,7,8,15得到
先验状态协方差为：
第三步：计算卡尔曼增益Kθ+1：
其中(·)-1表示矩阵的逆,
根据带有数据异常的测量变量计算后验更新
更新状态后验协方差
其中，I是单位矩阵，表示根据上一时刻状态x和控制输入u，通过数学映射f来获得下一时刻测量状态Z；
作为第三步中Kθ+1的具体计算步骤如下：
对h(xθ+1,uθ+1)在进行一阶泰勒展开得到
后验状态协方差为：
其中为公式19对应项相乘展开的对应项具体如下：
由于vθ,eθ,and是彼此无关的,等式(27)-(32)为零，故
利用公式29对求Kθ+1偏导使其等于零得到
第四步：将第三步后验估计值和误差协方差作为第二步在下一时刻的输入，实现第二步和第三步动态循环以此完成对汽车汽车状态的高精度估计。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：横摆角速度补偿计算方法、存储介质和补偿计算系统