基于扩展卡尔曼滤波与机器视觉融合的道路侧向坡度估计

为解决现有算法难以准确估计前方道路侧向坡度的问题,提出了一种基于扩展卡尔曼滤波(EKF)与机器视觉(VB)融合的道路侧向坡度估计方法。首先,建立含有侧向坡度的车辆2自由度模型,通过EKF估计出侧向坡度与车辆侧倾角的叠加态,由侧向加速度乘以适当增益解耦出车辆侧倾角,得到EKF道路侧向坡度估计值;其次,通过视觉成像原理分析二维图像中道路侧向坡度与图像中相关参数的几何关系,得到VB道路侧向坡度估计值;最后,通过数据融合得到最终的道路侧向坡度估计值,使估计结果冗余互补。仿真和实车试验结果表明,该融合算法能够适用于道路侧向坡度变化的坡道,并显著提高了估计精度。

基于UKF算法的电动汽车车速坡度估计

精准的车辆车速与道路坡度,是实现车辆驱动防滑控制系统研究的关键,本文考虑到转弯工况,建立转向与道路坡度耦合的混合工况模型,运用UKF算法进行车速坡度联合估计,该算法融合了运动学与动力学两种方式,并且基于MATLAB/Simulink与Carsim搭建联合仿真平台,对所设计的混合工况车速和坡度的估计器与控制策略进行了仿真验证,比传统估计方法精度更高,响应速度以及鲁棒性更好。

双遗忘因子最小二乘法车辆质量和时变坡度估计

针对双遗忘因子最小二乘法由于数据饱和导致车辆变质量估计失效,在坡道起步时导致坡度估计性能下降的问题,提出一种改进算法。建立了车辆行驶时的纵向动力学数学模型,并根据最小二乘递推估计理论得到双遗忘因子最小二乘递推估计模型;针对原始算法的变质量估计问题,通过引入车速作为车辆停车的判断参数,并在停车后重新初始化协方差矩阵来消除数据饱和的影响;采用AVL CRUISE与Matlab/Simulink联合仿真对识别算法进行了验证。仿真对比分析表明,有效地验证了改进算法的合理性和可靠性,提高了算法在车辆质量和坡度估计时的收敛速度和精度。

基于三维点云聚类的坡度估计方法

为了提高火星探测器着陆时对坡度的估计精度,研究了一种基于三维点云数据聚类与随机搜索最优拟合平面的坡度估计方法。将通过激光雷达测量获得的三维点云数据进行稀疏表示,利用稀疏系数对数据点进行聚类与分割,划分子空间;对子空间中的数据点进行平面拟合,随机搜索最优拟合平面;根据最优拟合平面计算平面法向量之间夹角,其在数值上等于坡度角,从而完成坡度估计。实验表明:该方法可以对坡度进行较为准确的估计;与常用的坡度估计方法相比,相对误差较小。

含坡度变化率信息的道路坡度估计

运用现代控制理论解决实时道路坡度估计问题时通常假设道路坡度是不变的,虽然道路坡度相比于其他车辆状态参数是缓慢变化的,但是完全忽略道路坡度变化率特征会造成较大的时间延迟。为了弥补这一缺点,本文运用纵向加速度传感器表达了道路坡度的变化率信息,在此基础上建立了车辆速度、加速度与道路坡度的状态转移关系,从而构建了坡度估计卡尔曼滤波器。试验结果表明,考虑道路坡度变化率能有效降低道路坡度在线估计的延迟现象。

基于加速度校正的坡度估计算法与实现

针对当前坡度估计方法普遍涉及的参数较多、准确性差的缺陷,提出了一种基于加速度校正的坡度估计算法。它仅采用三向加速度和角速度信号,利用角速度短时积分校正原始加速度信号,提取出加速度信号中重力加速度在坡道方向上的分量。然后根据工况特征,离线计算出不同条件下的稳态卡尔曼增益,并建立模糊系统来动态给定信号融合系数,解决了直接使用卡尔曼滤波算法须对误差协方差进行实时估计的难点。最后完成软硬件集成并进行实车测试,验证了该坡道估计方法具有良好的实时性与准确性。

基于无迹卡尔曼滤波和门控循环单元的道路坡度估计

针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波(UKF)和门控循环单元(GRU)的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明:在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。

面向电动汽车起步控制的卡尔曼滤波坡度估计影响因素分析

采用合适的坡度估计方法能改善电动汽车起步平顺性。为探明卡尔曼滤波坡度估计器中相关影响因素对坡度估计以及起步控制的影响,通过MATLAB/Simulink平台结合车辆动力学分析建立卡尔曼坡度估计器模型并与AVL Cruise平台搭建联合仿真环境,分析了卡尔曼滤波算法中主要参数对坡度估计收敛速度的影响规律并基于该环境设计电动汽车起步控制策略。仿真结果表明,坡度估计器采用较好的一组参数可以有效减少车辆溜坡距离并提高起步平顺性,证明了所用方法与分析是合理、有效的。

电动轮汽车车速与道路坡度估计

针对电动轮汽车车速与道路坡度估计问题,本文中基于纵向非线性动力学方程设计1阶扩张状态观测器对车速与坡度进行联合估计,分析了估计稳态误差;同时,采用带遗忘因子的递归最小二乘估计算法分离加速度传感器信号中的坡度信息,并设置了比例系数来融合两类坡度信息,最终得到道路坡度估计值。搭建MATLAB/Simulink-Carsim联合仿真平台进行变坡度路面仿真,并在实际坡道路面完成实车测试。仿真与试验结果表明,所提出的方法简单、可行。

火星探测器基于机器视觉的坡度估计

为了防止火星探测器自主着陆过程中降落到坡度较高的坡面造成翻转,在探测器着陆过程中对拟着陆面进行坡度估计,提出了一种基于机器视觉的坡度估计方案,并完成坡度估计方案的仿真验证。软件部分采用matlab2014a进行编程,能够完成对坡度的仿真。实际结果表明,该方案具有精度和实时性,达到火星探测器自主着陆时的要求。

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动,侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而,侧向坡度与车身侧倾之间存在耦合,且侧向力估计困难,准确的侧向坡度估计难度较大。为此,提出了一种基于加速度传感器的可拓融合侧向坡度估计算法:首先,提出加速度传感器模型和车辆侧倾模型,采用弯道自适应强跟踪卡尔曼滤波算法(CASTKF)对侧向坡度进行估计;然后,提出基于侧向加速度传感器的直接估计方法,防止CASTKF算法在失去可观性后的错误估计;再后,利用可拓算法对两种模式的估计值进行数据融合;最后,采用硬件在环测试(HIL)验证所提算法的有效性。结果表明,智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。

基于转向补偿的车辆纵向坡度估计

针对车辆转弯运动导致直线运动学模型失真,进而带来的车辆纵向坡度估计误差问题,提出了基于转向补偿的纵向坡度估计方法。首先分析了车辆转向运动对车辆纵向加速度的影响机理,设计了基于侧向动力学模型的侧向速度观测器。在基于卡尔曼滤波的纵向坡度估计算法中引入侧向速度和横摆角速度,实现对输入信号的转向补偿;最后进行了仿真与实车测试,以验证算法的正确性。仿真和测试结果表明所提出算法能够保证纵向坡度估计的准确性:在直线行驶工况下,平均估计误差保持在0.01以内;在转弯工况下,估计结果的超调现象明显改善,超调量降低了66.7%,最大误差约为0.01。

考虑侧向运动的整车质量与道路坡度估计

为减小侧向运动对整车质量与道路坡度估计精度的影响,提出了一种考虑侧向运动的估计算法,利用加速度修正车辆动力学模型,采用遗忘因子提高新数据适应车辆系统时变特性的最小二乘算法估计整车质量,并将质量估计结果实时输入道路坡度估计中;建立车辆运动学和动力学两个坡度估计模型,并在模型中添加加速度修正项,设计强跟踪滤波算法分别针对2种模型进行道路坡度估计,时变交互多模型融合算法根据两个坡度估计模型的权重系数和模型间的转移概率得到道路坡道估计值。本文算法在中国第一汽车股份有限公司技术中心农安汽车试验场进行了实车试验和评估,与未考虑侧向的融合估计算法相比,提高了车辆横向运动时的道路坡度估计精度。

电驱动车辆的整车质量与路面坡度估计

针对现有整车质量观测方法受路面坡度影响较大、待标定量较多、需传感设备较多、估计实时性较差等问题,利用电驱动车辆纵向驱动力准确的特点,将质量与坡度解耦,提取了驱动力信号和纵向行驶加速度信号的高频部分,用递归最小二乘法得到了整车质量。在获得比较准确的质量估计结果后,采用了运动学和动力学方法对路面坡度进行了多方法联合观测,通过运动学方法和动力学方法的协调互补,解决了坡度估计严重依赖于车辆模型精度、受加速度传感器静态误差影响较大的缺点。该方法在多种工况下能够对坡度作出迅速有效估计。动力学方法考虑了坡度的时变特性,利用带有遗忘因子的递推最小二乘法对坡度进行估计;运动学方法则利用了坡度与传感器静态偏差强相关的特点,直接得到当前坡度。实车实验结果表明:所提出的整车质量与路面坡度估计方法鲁棒性好,收敛速度快,估计准确。

基于交互多模型的车辆质量与道路坡度估计

车辆结构参数和道路环境信息的实时准确获取是提高智能汽车运动控制性能的重要因素之一,而车辆质量与道路坡度信息是多种汽车控制系统的必要信息,因此质量与坡度在线估计的研究一直受到关注。针对车辆质量与道路坡度的联合估计问题,提出了一种基于交互多模型的质量与坡度融合估计方法。首先,设定了适宜进行质量精确估计的工况条件,据此提出了基于模糊规则的质量估计置信度因子计算算法,进而设计了基于置信度因子的递推最小二乘车辆质量估计算法,以实现质量的在线估计。然后,以车辆纵向动力学模型为基础,建立了运动学和动力学2种坡度估计模型,并设计了基于运动学模型的线性卡尔曼滤波坡度观测器,基于电子稳定性程序ESP的纵向加速度信息实现坡度估计,设计了基于动力学模型的无迹卡尔曼滤波坡度观测器,基于ESP和发动机管理系统EMS的力信息实现坡度估计。运动学模型未考虑车辆姿态信息,坡度估算结果与实际值有偏差;动力学模型对模型精度要求高,算法稳定性差,为充分发挥2种方法优势实现坡度的精确估计,采用交互多模型算法实现了2种坡度估计方法的加权融合。最后,对所设计的算法进行了实车试验验证。结果表明:所设计的质量与坡度估算算法具有较好的实时性和准确性,适合智能汽车运动控制的应用需求。

基于车辆动力学的道路坡度与整车质量估计

基于动力学方法估计自动变速器坡道换挡控制所需的道路坡度和整车质量。建立7速双离合自动变速器动力学模型,利用卡尔曼滤波算法估计变速器输出轴转矩,将其作为道路坡度和整车质量估计算法的输入。基于整车纵向动力学方程,采用改进型递推最小二乘法设计道路坡度和整车质量实时估计算法。仿真和实车试验结果表明,开发的估计算法能在不增加传感器的前提下实现较为准确的道路坡度和整车质量估计。

汽车行驶道路侧向坡度估计

为了解决侧向坡度估计依赖于轮胎模型精度、受路面附着系数影响较大、对车辆动态响应和车体信息考虑不充分的问题,运用车辆动力学理论,考虑二自由度车辆模型在含侧向坡度路面上的动力学特性,提出了一种能够解耦车辆状态与路面信息的侧向坡度估计方法。综合考虑车辆模型复杂度和辨识误差,采用二自由度车辆模型推导出车体侧倾角与侧向坡度的叠加项,并通过悬架高度信息求解出车体侧倾角,最终实现道路侧向坡度的准确估计。利用Simulink-Carsim搭建的车辆模型以及侧向坡度估计算法进行了离线仿真,结果验证了该方法的有效性。

整车质量与道路坡度同步估计算法对比

针对现代车辆控制系统难以实时测得整车质量和道路坡度这一问题,文章基于车辆纵向动力学模型给出无迹卡尔曼滤波(unscented Kalman filter,UKF)算法的流程图,利用CarSim与MALTAB/Simulink联合仿真比较双遗忘因子递归最小二乘法(recursive least square with multiple forgetting factors,RLS-MFF)、扩展卡尔曼滤波(extended Kalman filter,EKF)和UKF 3种算法对整车质量和道路坡度估计的效果,并分别从计算精度和实时性2个方面对3种算法进行比较分析。分析结果验证了UKF算法在整车质量估计和道路坡度估计中表现良好。

汽车质量与道路坡度串行估计方法

汽车质量与道路坡度是汽车主动安全控制系统的重要参数.提出一种汽车质量与道路坡度串行估计算法.根据汽车质量与道路坡度变化的快慢进行分层串行估计,将缓慢变化的汽车质量作为第一层的估计输出,将快速变化的道路坡度作为第二层的估计输出.基于纵向动力学,首先由轮胎驱动力矩与横摆角速度通过递推最小二乘法(Recursive Least Squares,RLS)算法进行第一层的汽车质量估计;接着将估计得到的汽车质量代入至第二层牛顿迭代法进行道路坡度估计.与传统的自适应估计方法相比,提出的算法可以减少实时估计参数的耦合效应,且不需要额外的传感器;最后通过仿真及模型车辆道路试验对所提出的算法进行验证,仿真及试验结果表明:所提出的辨识算法能够准确实时地估计汽车质量与道路坡度.

面向应用的RGB-D机器人道路坡度融合估计方法

为提高机器人在移动路径中对道路坡度的估计精度,提出一种面向应用的RGB-D(red green blue-depth)机器人融合型道路坡度估计方法。首先,引入随机采样一致性算法完成点云处理;其次,采用改进型平面拟合方法完成法向量估计;最后,采用余弦聚类及累加平均方法实现高精度道路坡度估计。实验结果表明,该算法在数据集下相较最小二乘法与稀疏子空间法,估计误差分别降低1.21%、2.13%,在实际环境下较最小二乘法平均误差降低1.43°,这证明了所提方法的可行性和准确性。