采用RKF轮胎力估计的4WID电动汽车纵向速度估计研究

车辆纵向速度、轮胎力的准确获取是车辆主动安全控制的前提和基础,由于直接测量纵向速度和轮胎力的车载传感器价格极其昂贵,提出了采用随机卡尔曼(RKF)轮胎力估计的纵向车速估计。利用普通车载传感器直接测量的车辆状态参数结合车辆七自由度模型,采用RKF算法估计轮胎侧向力;其次,根据估计的轮胎力,运用卡尔曼滤波(KF)技术实现纵向车速估计。Car Sim与MATLAB/Simulink联合仿真结果验证了该方法的有效性。

内嵌加速度计的智能轮胎纵/垂向力估计算法

本文中提出了一种基于胎内嵌入加速度计的智能轮胎方案和纵向与垂向轮胎力估计算法。首先设计了基于三轴加速度计的智能轮胎系统;接着搭建了实车测试平台并在典型工况下进行了实车试验;基于实车试验数据,提取了智能轮胎加速度信号的典型特征,结合轮速等影响因素,提出了基于神经网络的轮胎纵向力和垂向力估计算法。结果表明,所提出的算法可对轮胎力进行准确的估计,从而为车辆的稳定性控制系统提供有用信息。

基于UKF的分布式驱动电动汽车轮胎侧向力估计

轮胎侧向力是影响车辆横向稳定性的关键因素,但难以对其进行直接检测。利用分布式驱动电动汽车轮胎纵向力可直接计算的特点,将轮胎纵向力作为输入量,基于UKF估计算法实现分布式驱动电动汽车前后轴轮胎侧向合力的估计。结合垂直载荷与轮胎侧向力的关系,实现前后轴左右侧轮胎侧向力的分配。通过CarSim和MATLAB/Simulink联合仿真,分析了UKF估计算法和直接计算法的估计精度,验证了所提出方法的优越性。同时,分析了具有参数不确定性时估计算法的鲁棒性,证明质量参数的不确定性对估计精度影响较大。

基于轮胎力动态估计与主动转向的新型ESP系统

车辆电子稳定系统能有效提高车辆在极限工况下的方向稳定性.针对传统直接横摆力矩控制(DYC)没有考虑轮胎附着力极限的局限,提出一种基于轮胎动力动态估计(TDE)算法的新型车辆电子稳定控制系统(ESP),在此基础上,通过主动前轮转向(AFS)协同控制,最大化利用车轮附着力.采用多元回归统计算法设计TDE控制器,采用基于统计数据的多项式拟合获得车轮附着力边界极限和最优动态滑移率上限值;采用模糊逻辑算法设计AFS控制器,补偿因附着力达到极限引起的横摆力矩不足.仿真结果表明,通过与AFS的协同控制,新型ESP能够在改善车辆的方向稳定性的同时,大幅降低车轮制动控制力,减少对车辆纵向速度的影响.

基于UIO/双KF的4WID-EV驱动轮纵向力估计

四轮独立驱动电动汽车(4WID-EV)能独立实现4个轮胎纵向力的控制与分配,实时保证电动汽车的最佳运行状态。基于单个驱动轮的动力学和轮毂电机特性建立了驱动轮模型,采用电流、电压、转速等常用参数设计轮胎纵向力估计模型。考虑系统结构参数的不确定性和传感器噪声干扰,将驱动轮纵向力估计与干扰分离,基于卡尔曼滤波算法,设计了驱动轮纵向力-未知输入观测器。仿真和台架道路模拟试验结果表明,设计的观测系统能实时估计驱动轮纵向力,且具有较高的估计精度和抗干扰性,能满足四轮独立驱动电动汽车动力学控制要求。

一种新型的轮胎力级联估计方法

为了增强车辆主动安全性和底盘的集成控制,根据干扰输入观测器理论,基于简化的车轮动力学模型设计估计器,对每个轮胎纵向力进行估计.此外,基于"自行车"模型,利用车辆动力学,在纵向轮胎力估计值的基础上估计轮胎侧向力.涉及到的车载传感器测量值包括发动机扭矩和转速、轮缸压力、车轮角速度、方向盘转角、侧向加速度和横摆角速度.为验证轮胎力级联估计方法的有效性,应用高保真的车辆动力学软件ve DYNA进行了仿真研究,并与扩展卡尔曼滤波(extended Kalman filter,EKF)方法作对比分析.实验结果表明,轮胎力级联估计方法能够获得车辆轮胎力的估计效果.

基于双扩展卡尔曼滤波器的汽车轮胎侧向力与侧偏刚度估计

轮胎力与轮胎侧偏刚度信息不易测量,一般利用观测器估计,而利用轮胎模型的侧向力估计精度依赖于参考模型精度,为此设计了双扩展卡尔曼滤波器,利用两个平行通道分别估计轮胎侧向力与侧偏刚度。侧偏刚度估计降低了对轮胎模型精度的依赖,有效保证了不同轮胎特性下的侧向力估计精度。在Carsim环境下的仿真结果表明,设计算法对不同轮胎配置能够快速准确地辨识侧偏刚度,并且均表现出很高的轮胎力估计精度。

基于滑模观测器的汽车轮胎力级联估计方法

提出了一种新型的基于滑模观测器理论的汽车轮胎力级联估计方法.首先基于单轮滚动动力学模型,以车轮转动角速度及驱动力矩作为输入,针对每个车轮的纵向轮胎力设计了纵向轮胎力滑模观测器.又采用了简化的车辆2自由度模型,以纵向轮胎力估计值、前轮转角、侧向加速度及横摆角速度作为输入,分别设计了前、后轴侧向轮胎力滑模观测器.最后,为验证所设计的观测器的有效性,应用高保真车辆动力学软件ve DYNA进行了仿真研究,并与扩展卡尔曼滤波(extendedKalman filter,EKF)方法进行了对比分析.实验结果表明,基于滑模观测器的车辆轮胎力级联估计方法具有更高的准确性.

基于滑模控制的滑移率-减速度混合控制方法

滑移率-减速度混合控制是一种用于线控制动系统中联合控制车轮滑移率与车轮减速度的控制方法,用于降低滑移率控制系统中测量噪声对控制效果的影响。文章对滑移率-减速度混合控制算法做出改进,考虑车速变化的变速趋近律设计一种滑模控制器。针对滑模控制器所需车轮纵向摩擦力不能直接测量的问题,文章以车轮滑移率作为状态变量设计一种基于龙伯格观测器的车轮纵向摩擦力观测器。通过Matlab与Carsim的联合仿真与改进前控制算法进行对比,仿真结果表明,改进后算法的控制效果有明显提高。

基于自适应变参数MPC的分布式驱动智能车轨迹跟踪控制

为了协调分布式驱动智能驾驶车辆的轨迹跟踪精确性和稳定性,提高控制算法对车速扰动和路面附着系数变化等不确定性因素的自适应能力,基于平方根容积卡尔曼滤波(Square rooting cubature Kalman filter,SRCKF)估计轮胎侧向力以在线修正轮胎侧偏刚度,并基于T-S模糊变权重的MPC控制策略以实现轨迹跟踪控制。针对分布式驱动智能车全轮独立可控的特点,以前轮转角和各轮纵向驱动力为控制变量,以实时横向误差和横摆角误差为模糊输入,通过T-S模糊控制在线优化MPC目标函数权重,协调权重矩阵对轨迹跟踪精确性和稳定性的影响。通过仿真和试验数据,验证所提控制策略在多种工况下的有效性。研究表明,相比于传统MPC控制,所提出的自适应变参数MPC(Adaptive variable parameter MPC,AMPC)对80~120 km/h双移线湿滑路面、对接路面工况均有良好的跟踪效果,可有效提高轨迹跟踪精度,并能够协调控制跟踪精确性和稳定性,减少控制输出量的波动。

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明:在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。