10.16638/jki.1671-7988.2019.15.001
樊东升，李刚
（辽宁工业大学汽车与交通工程学院，辽宁锦州121001）
摘要：由于汽车的状态参数在行驶过程中不断变化，从而影响车辆行驶状态的准确估计，针对这一问题，论文对分布式驱动电动汽车状态参数估计进行了综述，列举了常用的两种估计算法，分别从扩展卡尔曼滤波和容积卡尔曼滤波两个方面进行了论述，对比分析了两种算法之间的应用场景与估计效果。总结出通过信息融合技术的多滤波器融合成为车辆状态参数估计的主流方向。
关键词：分布式驱动电动汽车；状态参数估计；扩展卡尔曼滤波；容积卡尔曼滤波
中图分类号：U469.72 文献标识码：A 文章编号：1671-7988(2019)15-03-02
Review on State Parameter Estimation of Distributed Drive Electric Vehicles*
Fan Dongsheng, Li Gang
（Automobile & Transportation Engineering College, Liaoning University of Technology, Liaoning Jinzhou 121001）
Abstract: As the vehicle state parameters change continuously during vehicle driving process, which affects the accurate estimation of vehicle driving state. For this problem, the paper reviewed the state parameter estimation of distributed driving electric vehicle, and listed two commonly used estimation algorithms. The extended Kalman filter and the cubature Kalman filter were discussed. The application scenarios and estimation effects between the two algorithms were compared and analyzed. It is concluded that the multi-filter fusion through information fusion technology becomes the mainstream direction of vehicle state parameter estimation.
Keywords: Distributed drive electric vehicle; State parameter estimation; Extended Kalman filter; Cubature Kalman filter
CLC NO.: U469.72 Document Code: A Article ID: 1671-7988(2019)15-03-02
1 前言
汽车在行驶过程中，很难直接获取准确的车辆状态参数，而获取这些参数的传感器价格又非常的昂贵，无法大量使用在量产车上。随着科技技术的发展，一些低成本的传感器（纵向加速度、侧向加速度、横摆角速度）逐渐被研究出来，其精度也相对较高，因此开始逐渐运用在汽车上，通过这些传感器实现对车辆状态参数的估计，从而解决了无法直接测得准确的车辆状态的难题。目前汽车的主动安全系统响应速度与响应效果很大程度上取决于车辆在运动状态中自身关键参数的估计精度。当前应用的主流系统，一个普遍的问题是车辆模型的参数缺乏适应性，这些参数通常情况下被视为随时间恒定不变的，尽管它们不是完全已知的或者受到时间变化以及运动的影响。导致的直接结果就是，由于驾驶条件的不断变化，采用固定不变的参数值使控制系统的性能降低[1]。
作者简介：樊东升（1995.3-）男，硕士研究生，就读于辽宁工业大
学，研究方向：车辆系统动力学及控制。
基金项目：国家自然科学基金面上项目（51675257）辽宁省高等学
校创新人才项目（LR2016054）。
3
汽车实用技术
4 2 车辆状态参数估计算法研究现状
汽车的状态参数包括汽车自身质量、质心位置、质心侧偏角等关键参数，由于这些参数关系到控制系统的控制效果，进而影响车辆的行驶平顺性。近几年逐渐引起国内外学者的关注。下面就关于车辆状态参数估计的研究进行了以下综述。 2.1 基于扩展卡尔曼滤波（EKF ）算法的车辆状态参数估计
研究现状
文献[2]提出了一种基于非线性模型的观测器，用于车辆运动中状态参数和轮胎转弯刚度的组合估计。它基于常见的车载传感器，即横向加速度和横摆角速度传感器，并且在正常的车辆操纵中运行。识别框架依赖于增强的扩展卡尔曼滤波器来处理模型参数可变性和噪声测量输入。通过仿真验证评估所提出方法的性能和灵敏度，结果表明与标准方法相比可以提高一个数量级的估计精度。文献[3]设计了一种运用扩展卡尔曼滤波，通过模糊控制理论对其进行优化处理，进行车辆状态参数估计的方法。通过运用模糊控制理论，根据残差与实际残差之间的差值，自适应调整测量噪声误差协方差矩阵R 。运用这种方法最直接的目的是可以实现更精确、更有效的算法估计。此外该方法没有对过程噪声矩阵Q 进行估算，从而让算法结构更简单，降低对估算结果的影响。文献
[4]
提出了一种自适应扩展卡尔曼滤波的方法估算车辆状态，
通过手动调整滑动窗口的长度，来改变新息理论误差矩阵的值，通过比较新息误差矩阵实际值与理论值的大小，自适应改变测量噪声误差协方差矩阵R 的值，通过这种自适应策略可以有效提高车辆状态参数的估计精度。
由此可以看出，单纯采用扩展卡尔曼滤波的方法，实现对车辆参数的估计是无法达到高精度、高稳定性的要求。通常加入模糊控制理论、增强扩展卡尔曼滤波算法和自适应调节测量噪声误差协方差矩阵的值来提高估计的精度。 2.2 基于容积卡尔曼滤波（CKF ）算法的车辆状态参数估计
研究现状
文献[5]提出了一种基于双容积卡尔曼滤波的车辆状态估计算法。其中一重滤波器为估计车辆纵向车速、侧向车速和质心侧偏角，二重容积卡尔曼滤波为估计轮胎与地面之间的路面附着系数。通过串联的方式把两重容积卡尔曼滤波器连接在一起，其中前一个滤波器的输出作为后一个滤波器的输入，同时后一个滤波器的输出又作为前一个滤波器的输入，两个滤波器形成一个闭环系统，从而提高对车辆状态参数估计的准确度。文献[6]提出了一种基于三重容积卡尔曼滤波，设计了车辆状态与参数估计器，搭建相应的车辆模型，运用
相应的动力学理论，达到对汽车的纵向车速、侧向车速、横摆角速度、路面附着系数、汽车自身质量、质心位置和质心侧偏角的准确估算。其中一重卡尔曼滤波器为对纵向车速、侧向车速和横摆角速
度的估算；二重卡尔曼滤波器为对路面附着系数的估计；三重卡尔曼滤波器为对汽车自身质量、质心位置和质心侧偏角的估计。通过信息融合的方法，将三个卡尔曼滤波器融合在一起，彼此之间信息传递，互为各自的输入和输出，形成闭环系统，提高系统估计的准确性。
由此可以总结出，单纯对车辆行驶状态的估计已经不能满足估计精度的要求，因此将车辆状态参数考虑在内，并对它们进行实时估计并实时修正。同时加入多个滤波器也可以保证系统工作的稳定性与鲁棒性。因此，多滤波器的融合在车辆状态参数估计上取得了很大优势。
电动汽车价格3 结论
深入分析了近几年国内外在车辆状态参数估计中的研究状况，可以总结出将卡尔曼滤波结合其它控制理论、自适应调节误差矩阵和优化卡尔曼滤波算法是提高估计精度的一个有效手段，但是不能保证系统的稳定性。而多滤波器的融合不仅可以提高估计的精度，还能保证系统的稳定性。因此，通过信息融合技术的多滤波器融合成为车辆状态参数估计的主流方向。
参考文献
[1] Ehsan Hashemi, Mohammad Pirani, Amir Khajepour, et al. Corner-
based estimation of tire forces and vehicle velocities robust to road conditions. Control Engineering P
ractice. V olume 61, 2017, 28-40. [2] Giulio Reina, Arcangelo Messina. Vehicle dynamics estimation via
augmented Extended Kalman Filtering. Measurement. V olume 133, 2019, 383-395.
[3] 王震坡，薛雪，王亚超.基于自适应无迹卡尔曼滤波的分布式驱动
电动汽车车辆状态参数估计[J].北京理工大学学报,2018,38(07): 698-702.
[4] 张志勇，张淑芝，黄彩霞，张刘铸，李博浩.基于自适应扩展卡尔曼滤
波的分布式驱动电动汽车状态估计[J].机械工程学报,2019,55(06): 156-165.
[5] 金贤建.分布式驱动电动汽车状态参数估计与侧向稳定性鲁棒控
制研究[D].东南大学,2017.
[6] 王野.四轮独立驱动与转向电动汽车状态与参数估计[D].辽宁工
业大学,2018.
发布评论