传感器并使用最小二乘法(rls)和卡尔曼滤波方法估计电动汽车的侧滑角和侧倾角外文文献及翻译大学论文 - 图文

利用轮胎侧向力传感器并使用最小二乘法（RLS）和卡尔曼滤波方法估计电动汽车的

侧滑角和侧倾角

Kanghyun Nam, Student Member, IEEE, Sehoon Oh, Member, IEEE, Hiroshi Fujimoto, Member, IEEE, and Yoichi Hori, Fellow, IEEE

摘要——对于如横摆稳定性和侧倾稳定性控制的车辆稳定性控制应用而言，控制车辆状态的鲁棒性估计（车辆侧滑角和侧倾角）是相当重要的。本文提出了利用从多传感轮毂单元获得实时横向轮胎力测量来估计侧滑角和侧倾角的新方法，这种方法在轮毂电机驱动电动汽车的车辆控制系统中得到实际应用。在车辆侧滑估计中, 是利用了基于线性车辆模型和传感器测量并带有遗忘因子的递归最小二乘(RLS)算法。在侧滑角角估计中,卡尔曼滤波的设计目的是整合可用的传感器测量和动态。通过现场测试实验电动汽车来评估上述所提出的估计方法（RLS为基础的侧滑角估计和卡尔曼滤波器）。实验结果表明，上述估计量可以准确估计车辆侧滑角和侧倾角。实验证实, 所提出的估计方法比传统方法的估计精度提高50%以上 (见图4所示的均方根误差)。此外, 通过各种验证测试证明轮胎侧向力传感器在车辆状态估计实际应用中的可行性。

关键词：电动汽车，卡尔曼滤波，多传感集线器（MSHub）单元，递归最小二乘（RLS），滚动角，侧滑角。

术语

在重心纵向加速度(m/ 在重心横向加速度(m/

)。 )。

)。

传感器测量横向加速度(m/ d 磁道宽度= 1.3m。 g 重力加速度= 9.81 m/

。

高度的簧载质量超过轧辊中心的中心(RC)= 0.32。 离地面高度的RC = 0.21m。

i 1，2，3和4对应于前左，前右，后左和后右(= fl, fr, rl, rr)

重心至前轴距离=1.013m。 重心至后轴距离=0.702m。 车辆的重心纵向速度（m/s）。 车辆的重心的横向速度（m/s）。 估计横向车辆速度（m/s）。 m 车辆总质量=875kg。 簧载质量=670kg。

在第i个轮胎的转弯刚度（N/rad）。 前轮胎转弯刚度=11200 N/rad。 后轮胎转弯刚度=31600 N/rad。 滚动阻尼系数=3200 N·m·s /rad。 在第i个轮胎纵向轮胎力（N）。 在第i个轮胎横向轮胎力（N）。

在左轨道车轮的横向轮胎力(=+)（N)

在右轨道车轮的横向轮胎力（= 惯性侧倾力矩=250 kg·。 惯性横摆力矩=617 kg·。 侧倾刚度系数=12 000 N·s/rad。 L 观测器增益矩阵。 侧倾力矩（N·m）。 横摆力矩（N·m）。

+）(N)

第i个轮胎的滑脱角（rad）。 前轮轮胎滑移角（rad）。 后轮轮胎滑移角（rad）。 β 车辆侧滑角（rad）。

从相结合的方法估算侧滑角（rad）。

从运动学为基础估算方法估计侧滑角（rad）。 从基于模型的估计方法估计侧滑角（rad）。 前转向角（rad）。 侧倾角（rad）。 侧倾率（rad /s）。 侧倾加速度（rad /）。 横摆率（rad/s）。

λ 在递归最小平方（RLS）算法的遗忘因子。 μ 路面的摩擦系数。

1.引言

考虑到轮毂电机驱动电动汽车先进的运动控制，人们已经进行了大量的电动车动态控制研究[1] - [6]。电动汽车先进的防滑以及防滚运动控制系统被称为横摆稳定性控制和侧倾稳定性控制。与内燃机车辆相比，电动汽车在运动控制上具有这几个优点。[1], [3].

1） 驱动电机产生的转矩非常快速和准确。 2） 传动的转矩可以很容易地从电动机电流测量。 3） 每个车轮轮可以独立控制。

由于这些优点，一个新的基于横摆力矩观测器的横摆力矩控制方法是在[ 7 ]提出的，并以实验结果验证并提出使驾驶员的乘坐安全和舒适的侧倾稳定性控制

系统[ 8 ]。大多数车辆稳定控制系统只有一个直接的横摆角速度反馈来用于提高稳定性能。然而，在湿滑路面上，控制车辆侧滑角以防止它变得太大也是有意义的[ 9 ]，[ 33 ]。

由于前述的稳定性控制系统的目的是控制横摆角速度，车辆的侧滑角和侧倾角，因此需要测量上述三个量的传感器。横摆角速度可以通过廉价的陀螺传感器很容易的测量。然而，用于车辆侧滑角和滚转角测量的传感器是昂贵的，所以必须从现有的测量值和车辆模型来获得这些数据。因为这个原因，人们研究了各种方法来对车辆侧滑角进行估计 [ 10 ]–[ 14 ]。人们提出了基于状态观测器和采用线性车辆模型的卡尔曼滤波器设计的估计方法，并实验验证[ 15 ]，[ 16 ]。 由于为基础线性车辆模型的方法使用恒定的车辆和轮胎参数，这种方法在驾驶条件和轮胎路面参数变化的条件下是不具有鲁棒性的。在文献[17]提出了一种车体滑移角模糊观测器用来代替非线性的TS模糊模型处理在车辆模型中的非线性。在[18]和[19]中，提出使用扩大和无迹卡尔曼滤波器的非线性技术估计横向轮胎力和侧偏角，，并通过现场试验来评价。特别是在[18]中，使用非线性模型的估计方法示出了实际的电位作为用于计算横向轮胎力和实时侧滑角一个低成本的解决方案。在[20]和[21]中，提出了一种轮胎 - 路面摩擦自适应配合的侧滑角观测器（例如，自适应算法是使用横向车辆动力学设计的）。人们提出一个新的基于车辆模型和运动学的方法并通过实验评价[ 11 ]，[ 15 ]。此外，一些研究人员提出了新的利用GPS和惯性测量的估算方法来估计未知车辆模型的侧滑角 [22]，[28]。

在过去的几年中，人们提出了几种基于车辆动力学模型而无需使用额外的传感器（例如，侧倾率传感器）的估计方法 [ 23 ] [ 25 ]。在[ 25 ]中，通过各种侧倾角估计方法的优点和缺点对这些方法进行了讨论了。此外，人们提出了利用闭环自适应观测器估计侧倾角和侧倾角速度的方法并对其进行评价。在[ 23 ]中，结合基于横向和纵向模型的设计了一种道路干扰解耦滚动状态估计方法，并通过计算机模拟评估。在其他的方法[ 26 ]–[ 28 ]，利用两个横向放置的GPS天线用来估计侧倾角。基于GPS卫星任何可见位置的估计方法。然而，在城市和森林的驾驶环境中卫星可见性可能定期丢失，会导致估计不准确。虽然在有限的驾驶环境下GPS可以提供相对准确的侧倾角估计，但是由于额外的传感器成本使它在汽车中的应用有一定困难。

在本文中，提出了一种车辆侧滑角和滚动角的精确估计的新方法，它是通过多传感测量中心（MSHub）单位[36]并基于横向轮胎力估计的方法。被广泛应用于时变系统识别[ 29 ]，[ 34 ]的带遗忘因子的RLS算法用来计算车辆的横向侧滑角速度。为了估计侧倾角，人们通过使用可用的传感器测量值和利用RLS估计的横向车辆速度去设计卡尔曼滤波器[35]。在[14]，[18]，[30]，和[31]中，广泛

讨论了卡尔曼滤波器在车辆状态估计中的应用。为了使轮马达驱动电动车辆的优点发挥到极致，有必要利用低成本高效率的传感器对不可测量的状态进行准确地估计。在这一点上，本研究提出的MSHub单元具有低成本高效益特点，它可以解决车辆状态估计中的成本问题，并且可以提高轮毂电机驱动的电动汽车的控制系统的性能。

本文的结构如下。在第二节介绍用于评估设计的车辆模型。对用于估计车辆侧滑角的常规方法进行了综述，然后提出使用MSHub单元估计的新方法并在第三节通过实验进行评价。在第四节，设计了一个用于侧倾状态估计的卡尔曼滤波器，介绍横向加速度传感器的应答特性和对MSHub单位进行了讨论。在第五节，实验电动车介绍。另外，我们出示了从现场试验中得到的估计结果，以验证和评估所提出的卡尔曼滤波器的估算性能。最后，在第六节给出总结和结论。

2. 车辆动态估计量设计

在本节中，引入一个三自由度（3自由度）偏航平面模型来描述电动车辆的侧向运动。偏航平面表于图. 1。

图1.三自由度的偏航平面车辆模型

纵向和横向运动的方程由下式给出

(1) (2)

假定左前和右前车轮的转向角是相同的（即，=

），前轮胎纵向力

是左

本文来源：https://www.bwwdw.com/article/xs3h.html