【導讀】為了達到自動(dòng)駕駛目標，需要設計合適的線(xiàn)控轉向系統，當傳統汽車(chē)發(fā)生轉向系統的失效問(wèn)題時(shí)，汽車(chē)只能進(jìn)入減速狀態(tài)并最終完成停車(chē)，不能對軌跡進(jìn)行精確跟蹤，甚至還會(huì )造成交通事故[5-6]。由此可見(jiàn)，如何調節轉向系統故障容錯能力已經(jīng)成為一項關(guān)鍵措施。在分布結構電驅動(dòng)汽車(chē)系統中可以設置多個(gè)電機形成橫擺力作用再對轉向系統橫向偏差進(jìn)行補償，由此確保轉向系統失效的情況下也可以保持設定軌跡路線(xiàn)行使，實(shí)現駕駛安全性能的大幅提升[7-8]
摘要：本研究有助于提高自動(dòng)駕駛狀態(tài)慣性監測能力，對自動(dòng)駕駛技術(shù)的提高有一定的理論支撐意義。
1 引言
為了對分布動(dòng)力結構汽車(chē)進(jìn)行主動(dòng)控制，需要對其行駛階段的各項動(dòng)力學(xué)參數開(kāi)展精確采集與分析，但在信息測試過(guò)程中需要配備高成本的傳感器檢測設備，并且也無(wú)法滿(mǎn)足信號可靠度要求，同時(shí)還需關(guān)注車(chē)輛質(zhì)心偏角等指標[1-2]。
為了達到自動(dòng)駕駛目標，需要設計合適的線(xiàn)控轉向系統，當傳統汽車(chē)發(fā)生轉向系統的失效問(wèn)題時(shí)，汽車(chē)只能進(jìn)入減速狀態(tài)并最終完成停車(chē)，不能對軌跡進(jìn)行精確跟蹤，甚至還會(huì )造成交通事故[5-6]。由此可見(jiàn)，如何調節轉向系統故障容錯能力已經(jīng)成為一項關(guān)鍵措施。在分布結構電驅動(dòng)汽車(chē)系統中可以設置多個(gè)電機形成橫擺力作用再對轉向系統橫向偏差進(jìn)行補償，由此確保轉向系統失效的情況下也可以保持設定軌跡路線(xiàn)行使，實(shí)現駕駛安全性能的大幅提升[7-8]?，F階段，已有許多國內外學(xué)者開(kāi)展了車(chē)輛動(dòng)力系統運行參數方面的觀(guān)測分析，形成了Luenberger 觀(guān)測器、二乘估計( RLS)、卡爾曼濾波(KF)、滑模測試(SMO)、非線(xiàn)性監測等不同類(lèi)型的算法。由于載荷存在不確定的情況，這使得車(chē)輛慣性參數如質(zhì)量、橫擺轉動(dòng)慣量也發(fā)生改變，從而對整體操控性與結構穩定性產(chǎn)生明顯影響，對車(chē)輛慣性參數開(kāi)展實(shí)時(shí)監測也成為當前的一項重要信息分析工作[9]。
雖然目前已在車(chē)輛狀態(tài)分析方面獲得了一定的研究進(jìn)展，但尚未針對車(chē)輛慣性參數開(kāi)展深入探討[10]。根據擴展卡爾曼濾波(EKF) 與RLS 估計得到加權值，同時(shí)引入混合動(dòng)力電動(dòng)公交車(chē)混合估計方法[11]。為能夠對車(chē)輛動(dòng)力慣性參數開(kāi)展非線(xiàn)性評價(jià)，需要開(kāi)發(fā)分布結構驅動(dòng)力卡爾曼濾波(DUKF) 方法與觀(guān)測系統聯(lián)合系統車(chē)輛慣性監測。
2 車(chē)輛狀態(tài)參數聯(lián)合觀(guān)測系統設計
針對車(chē)輛控制系統建立并聯(lián)雙無(wú)跡卡爾曼濾波(DUKF) 觀(guān)測方法時(shí)，根據車(chē)輛信息測試結果構建非線(xiàn)性車(chē)輛DUKF 狀態(tài)方程并建立分析算法。在分布結構驅動(dòng)電動(dòng)汽車(chē)傳感器中，除了具備傳統傳感器慣性量參數如質(zhì)心橫擺角速度、縱向和側向加速度以外[12]，還可以提供輪轂電機傳感器進(jìn)行車(chē)輪角速度測試，同時(shí)利用電壓信號輪轂轉矩與線(xiàn)控系統采集轉向過(guò)程轉角信號，圖1給出了電動(dòng)汽車(chē)雙無(wú)跡卡爾曼濾波觀(guān)測器的具體結構，為車(chē)輛DUKF 觀(guān)測器構建以下?tīng)顟B(tài)計算式和觀(guān)測算法。
圖1 車(chē)輛DUKF觀(guān)測器結構
（1）
對于以上狀態(tài)觀(guān)測系統，x(t) ∈ ?n、θ(t) ∈ ?n 依次對應非線(xiàn)性動(dòng)力觀(guān)測器的狀態(tài)與參數矢量，u(t) ∈ ?n與y(t) ∈ ?n 屬于車(chē)輛非線(xiàn)性動(dòng)力學(xué)觀(guān)測器輸入與量測矢量，w(t) ∈ ?n、v(t) ∈ ?n 屬于系統過(guò)程噪與量測噪聲，這2 個(gè)參數再系統中呈現不相關(guān)的忒單，并且均值都為零。
進(jìn)行估計的時(shí)候，電動(dòng)汽車(chē)慣性參數比運動(dòng)狀態(tài)的變化速度更慢，假定慣性參數呈現小幅擾動(dòng)狀態(tài)，可以建立以下的參數估計系統：
（2）
進(jìn)行估計的時(shí)候，電動(dòng)汽車(chē)慣性參數比運動(dòng)狀態(tài)的變化速度更慢，假定慣性參數呈現小幅擾動(dòng)狀態(tài)。
x(t) = (r z,V x,β,a y,F yij,V y)T，
y(t)=(r z,a x,a y)T
u(t)=(δ f,ωij,Tij)T，θ(t)= (m n,I zz )T （3）
由于DUKF算法屬于一類(lèi)遞推形式的預估―校正算法，需采用離散化方法襯里車(chē)輛非線(xiàn)性動(dòng)力學(xué)觀(guān)測器。
擴展卡爾曼濾波(EKF) 方法已經(jīng)成為汽車(chē)動(dòng)研究領(lǐng)域獲得廣泛應用的非線(xiàn)性系統濾波技術(shù)，從本質(zhì)層面分析，EKF 是對最優(yōu)狀態(tài)下的非線(xiàn)性系統模型實(shí)施Taylor級數一階展開(kāi)的過(guò)程，通過(guò)轉換非線(xiàn)性濾波過(guò)程得到線(xiàn)性濾波結果, 經(jīng)過(guò)線(xiàn)性化處理后形成了明顯高階項截斷誤差[13]；UKF 屬于非線(xiàn)性系統內進(jìn)行統計特性分析的新方法，通過(guò)設定一組確定采樣Sigma 點(diǎn)對概率密度分布結果進(jìn)行近似后驗證計算，同時(shí)利用Unscented 轉換的方式來(lái)消除EKF 線(xiàn)性化過(guò)程產(chǎn)生的估計偏差，有效滿(mǎn)足了車(chē)輛的非線(xiàn)性動(dòng)力學(xué)評價(jià)要求。
3 仿真與分析
3.1 仿真工況
為電動(dòng)汽車(chē)設計了一種外接分布結構驅動(dòng)系統，并通過(guò)Matlab/Simulink 系統為電動(dòng)汽車(chē)構建觀(guān)測器，CarSim 和Simulink 之間的仿真通信利用CarSim-S 函數構成接口。進(jìn)行仿真測試時(shí)，以高附著(zhù)瀝青路面作為車(chē)輛測試路面，初期質(zhì)量1 235 kg，橫擺轉動(dòng)慣量2 030 kg/m2。
3.2 結果分析
為了評價(jià)DUKF 觀(guān)測器進(jìn)行車(chē)輛狀態(tài)觀(guān)測的性能，選擇激烈的正弦轉向工況作為測試條件，形成圖2 的方向盤(pán)轉角，之后通過(guò)雙擴展卡爾曼(DEKF) 觀(guān)測器開(kāi)展比較。
圖2 轉向角
圖3、圖4 顯示了正弦轉向過(guò)程的DUKF 和DEKF測試結果。分析圖3、圖4 可知，DUKF 和DEKF 兩個(gè)觀(guān)測器都可以實(shí)現車(chē)輛縱向速度和橫擺角速度的穩定觀(guān)測性能，都可以實(shí)現很低的狀態(tài)觀(guān)測誤差，對局部區域進(jìn)行放大分析可以發(fā)現，采用DUKF 方法進(jìn)行觀(guān)測得到的數據比DEKF 方法更加符合實(shí)際情況；以觀(guān)測器分析車(chē)輛質(zhì)心側偏角可知，DUKF 和DEKF 對于車(chē)輛質(zhì)心側偏角觀(guān)測的結果存在較大誤差，這主要是因為車(chē)輛系統沒(méi)有設置模型動(dòng)態(tài)特性引起的，也可能是受到不準確建模參數影響而降低濾波精度引起的結果，EKF 觀(guān)測值與車(chē)輛真實(shí)狀態(tài)之間存在明顯偏差，DUKF 相對DEKF的觀(guān)測誤差顯著(zhù)降低，這可能是由于EKF 車(chē)輛動(dòng)力學(xué)系統局部線(xiàn)性化處理時(shí)存在高階截斷誤差。
圖3 車(chē)輛縱向速度結果
圖4 車(chē)輛橫擺角速度結果
4 結束語(yǔ)
本文開(kāi)展電動(dòng)汽車(chē)并聯(lián)DUKF 狀態(tài)觀(guān)測器設計及轉向工況分析，得到如下有益結果：
1）采用DUKF 方法觀(guān)測數據比DEKF 方法更加符合實(shí)際情況；
2）DUKF 和DEKF 對于車(chē)輛質(zhì)心側偏角觀(guān)測結果存在較大誤差。
該研究有助于提高自動(dòng)駕駛的穩定性，但存在對異常路況分析準確度不高的問(wèn)題，期待后續引入深度學(xué)習算法進(jìn)行加強。
參考文獻：
[1] 黃偉杰,張希,朱旺旺,等.基于融合地圖的自動(dòng)駕駛激光雷達定位算法[J].傳感器與微系統,2023,42(5):139-142.
[2] 金立生,韓廣德,謝憲毅,等.基于強化學(xué)習的自動(dòng)駕駛決策研究綜述[J].汽車(chē)工程,2023,45(4):527-540.
[3] 張新鋒,王萬(wàn)寶,柳歡,等.高速動(dòng)態(tài)交通場(chǎng)景下自動(dòng)駕駛車(chē)輛換道意圖識別模型研究[J].汽車(chē)技術(shù),2023,571(4): 8-15.
[4] 趙艷輝,段朝陽(yáng),李海峰,等.BTT機動(dòng)自動(dòng)駕駛儀解耦補償控制器設計方法[J].航空兵器,2022,29(2):106-112.
[5] 蔡英鳳,陸子恒,李祎承,等.基于多傳感器融合的緊耦合SLAM系統[J].汽車(chē)工程,2022,44(3):350-361.
[6] 張晶威,劉鐵軍,李仁剛,等.自動(dòng)駕駛多傳感器融合的時(shí)間校準方法研究[J].汽車(chē)工程,2022,44(2): 215-224.
[7] 陳士剛.基于模型的電動(dòng)汽車(chē)PTC控制方法[J].電子產(chǎn)品世界,2021,28(9):32-34.
[8] 張京,朱愛(ài)紅.基于遺傳算法和粒子群優(yōu)化的列車(chē)自動(dòng)駕駛速度曲線(xiàn)優(yōu)化方法[J].計算機應用,2022,42(2):599-605.
[9] 毛廣輝.自動(dòng)駕駛芯片需要滿(mǎn)足高吞吐與低時(shí)延[J].電子產(chǎn)品世界,2020,28(12):10+14.
[10] 邱威智,上官偉,柴琳果等.面向車(chē)路協(xié)同孿生仿真測試的多尺度濾波同步方法[J].交通運輸工程報,2022,22(3):199-209.
[11] 李旭,秦嗣牧,王建春.車(chē)路協(xié)同環(huán)境下的雙雷達車(chē)輛檢測和跟蹤優(yōu)化方法[J].重慶理工大學(xué)學(xué)報(自然科學(xué)),2021,35(10):42-48.
[12] 周兵,李濤,吳曉建,等.基于雙自適應無(wú)跡卡爾曼濾波的半掛車(chē)狀態(tài)估計[J].湖南大學(xué)學(xué)報(自然科學(xué)版),2022,49(2):63-73.
[13] 周標準,裴?？?董國成.基于無(wú)跡卡爾曼濾波的月球車(chē)慣性/天文組合導航算法研究[J].科學(xué)技術(shù)與工程,2012,12(24):6102-6106.
（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年8月期）
作者：黃亞成(福建省南平市閩北高級技工學(xué)校機械教研組,福建南平 354000)
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。
推薦閱讀：
針對車(chē)載應用的高頻噪聲，來(lái)試試村田這款共模扼流線(xiàn)圈
如何更高效、更準確地測試驗證帶有Redriver的PCIe鏈路？
