【導讀】為了達到自動駕駛目標，需要設(shè)計合適的線控轉(zhuǎn)向系統(tǒng)，當傳統(tǒng)汽車發(fā)生轉(zhuǎn)向系統(tǒng)的失效問題時，汽車只能進入減速狀態(tài)并最終完成停車，不能對軌跡進行精確跟蹤，甚至還會造成交通事故[5-6]。由此可見，如何調(diào)節(jié)轉(zhuǎn)向系統(tǒng)故障容錯能力已經(jīng)成為一項關(guān)鍵措施。在分布結(jié)構(gòu)電驅(qū)動汽車系統(tǒng)中可以設(shè)置多個電機形成橫擺力作用再對轉(zhuǎn)向系統(tǒng)橫向偏差進行補償，由此確保轉(zhuǎn)向系統(tǒng)失效的情況下也可以保持設(shè)定軌跡路線行使，實現(xiàn)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駕駛狀態(tài)慣性監(jiān)測能力，對自動駕駛技術(shù)的提高有一定的理論支撐意義。
1 引言
為了對分布動力結(jié)構(gòu)汽車進行主動控制，需要對其行駛階段的各項動力學參數(shù)開展精確采集與分析，但在信息測試過程中需要配備高成本的傳感器檢測設(shè)備，并且也無法滿足信號可靠度要求，同時還需關(guān)注車輛質(zhì)心偏角等指標[1-2]。
為了達到自動駕駛目標，需要設(shè)計合適的線控轉(zhuǎn)向系統(tǒng)，當傳統(tǒng)汽車發(fā)生轉(zhuǎn)向系統(tǒng)的失效問題時，汽車只能進入減速狀態(tài)并最終完成停車，不能對軌跡進行精確跟蹤，甚至還會造成交通事故[5-6]。由此可見，如何調(diào)節(jié)轉(zhuǎn)向系統(tǒng)故障容錯能力已經(jīng)成為一項關(guān)鍵措施。在分布結(jié)構(gòu)電驅(qū)動汽車系統(tǒng)中可以設(shè)置多個電機形成橫擺力作用再對轉(zhuǎn)向系統(tǒng)橫向偏差進行補償，由此確保轉(zhuǎn)向系統(tǒng)失效的情況下也可以保持設(shè)定軌跡路線行使，實現(xiàn)駕駛安全性能的大幅提升[7-8]?，F(xiàn)階段，已有許多國內(nèi)外學者開展了車輛動力系統(tǒng)運行參數(shù)方面的觀測分析，形成了Luenberger 觀測器、二乘估計( RLS)、卡爾曼濾波(KF)、滑模測試(SMO)、非線性監(jiān)測等不同類型的算法。由于載荷存在不確定的情況，這使得車輛慣性參數(shù)如質(zhì)量、橫擺轉(zhuǎn)動慣量也發(fā)生改變，從而對整體操控性與結(jié)構(gòu)穩(wěn)定性產(chǎn)生明顯影響，對車輛慣性參數(shù)開展實時監(jiān)測也成為當前的一項重要信息分析工作[9]。
雖然目前已在車輛狀態(tài)分析方面獲得了一定的研究進展，但尚未針對車輛慣性參數(shù)開展深入探討[10]。根據(jù)擴展卡爾曼濾波(EKF) 與RLS 估計得到加權(quán)值，同時引入混合動力電動公交車混合估計方法[11]。為能夠?qū)囕v動力慣性參數(shù)開展非線性評價，需要開發(fā)分布結(jié)構(gòu)驅(qū)動力卡爾曼濾波(DUKF) 方法與觀測系統(tǒng)聯(lián)合系統(tǒng)車輛慣性監(jiān)測。
2 車輛狀態(tài)參數(shù)聯(lián)合觀測系統(tǒng)設(shè)計
針對車輛控制系統(tǒng)建立并聯(lián)雙無跡卡爾曼濾波(DUKF) 觀測方法時，根據(jù)車輛信息測試結(jié)果構(gòu)建非線性車輛DUKF 狀態(tài)方程并建立分析算法。在分布結(jié)構(gòu)驅(qū)動電動汽車傳感器中，除了具備傳統(tǒng)傳感器慣性量參數(shù)如質(zhì)心橫擺角速度、縱向和側(cè)向加速度以外[12]，還可以提供輪轂電機傳感器進行車輪角速度測試，同時利用電壓信號輪轂轉(zhuǎn)矩與線控系統(tǒng)采集轉(zhuǎn)向過程轉(zhuǎn)角信號，圖1給出了電動汽車雙無跡卡爾曼濾波觀測器的具體結(jié)構(gòu)，為車輛DUKF 觀測器構(gòu)建以下狀態(tài)計算式和觀測算法。
圖1 車輛DUKF觀測器結(jié)構(gòu)
（1）
對于以上狀態(tài)觀測系統(tǒng)，x(t) ∈ ?n、θ(t) ∈ ?n 依次對應非線性動力觀測器的狀態(tài)與參數(shù)矢量，u(t) ∈ ?n與y(t) ∈ ?n 屬于車輛非線性動力學觀測器輸入與量測矢量，w(t) ∈ ?n、v(t) ∈ ?n 屬于系統(tǒng)過程噪與量測噪聲，這2 個參數(shù)再系統(tǒng)中呈現(xiàn)不相關(guān)的忒單，并且均值都為零。
進行估計的時候，電動汽車慣性參數(shù)比運動狀態(tài)的變化速度更慢，假定慣性參數(shù)呈現(xiàn)小幅擾動狀態(tài)，可以建立以下的參數(shù)估計系統(tǒng)：
（2）
進行估計的時候，電動汽車慣性參數(shù)比運動狀態(tài)的變化速度更慢，假定慣性參數(shù)呈現(xiàn)小幅擾動狀態(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算法屬于一類遞推形式的預估―校正算法，需采用離散化方法襯里車輛非線性動力學觀測器。
擴展卡爾曼濾波(EKF) 方法已經(jīng)成為汽車動研究領(lǐng)域獲得廣泛應用的非線性系統(tǒng)濾波技術(shù)，從本質(zhì)層面分析，EKF 是對最優(yōu)狀態(tài)下的非線性系統(tǒng)模型實施Taylor級數(shù)一階展開的過程，通過轉(zhuǎn)換非線性濾波過程得到線性濾波結(jié)果, 經(jīng)過線性化處理后形成了明顯高階項截斷誤差[13]；UKF 屬于非線性系統(tǒng)內(nèi)進行統(tǒng)計特性分析的新方法，通過設(shè)定一組確定采樣Sigma 點對概率密度分布結(jié)果進行近似后驗證計算，同時利用Unscented 轉(zhuǎn)換的方式來消除EKF 線性化過程產(chǎn)生的估計偏差，有效滿足了車輛的非線性動力學評價要求。
3 仿真與分析
3.1 仿真工況
為電動汽車設(shè)計了一種外接分布結(jié)構(gòu)驅(qū)動系統(tǒng)，并通過Matlab/Simulink 系統(tǒng)為電動汽車構(gòu)建觀測器，CarSim 和Simulink 之間的仿真通信利用CarSim-S 函數(shù)構(gòu)成接口。進行仿真測試時，以高附著瀝青路面作為車輛測試路面，初期質(zhì)量1 235 kg，橫擺轉(zhuǎn)動慣量2 030 kg/m2。
3.2 結(jié)果分析
為了評價DUKF 觀測器進行車輛狀態(tài)觀測的性能，選擇激烈的正弦轉(zhuǎn)向工況作為測試條件，形成圖2 的方向盤轉(zhuǎn)角，之后通過雙擴展卡爾曼(DEKF) 觀測器開展比較。
圖2 轉(zhuǎn)向角
圖3、圖4 顯示了正弦轉(zhuǎn)向過程的DUKF 和DEKF測試結(jié)果。分析圖3、圖4 可知，DUKF 和DEKF 兩個觀測器都可以實現(xiàn)車輛縱向速度和橫擺角速度的穩(wěn)定觀測性能，都可以實現(xiàn)很低的狀態(tài)觀測誤差，對局部區(qū)域進行放大分析可以發(fā)現(xiàn)，采用DUKF 方法進行觀測得到的數(shù)據(jù)比DEKF 方法更加符合實際情況；以觀測器分析車輛質(zhì)心側(cè)偏角可知，DUKF 和DEKF 對于車輛質(zhì)心側(cè)偏角觀測的結(jié)果存在較大誤差，這主要是因為車輛系統(tǒng)沒有設(shè)置模型動態(tài)特性引起的，也可能是受到不準確建模參數(shù)影響而降低濾波精度引起的結(jié)果，EKF 觀測值與車輛真實狀態(tài)之間存在明顯偏差，DUKF 相對DEKF的觀測誤差顯著降低，這可能是由于EKF 車輛動力學系統(tǒng)局部線性化處理時存在高階截斷誤差。
圖3 車輛縱向速度結(jié)果
圖4 車輛橫擺角速度結(jié)果
4 結(jié)束語
本文開展電動汽車并聯(lián)DUKF 狀態(tài)觀測器設(shè)計及轉(zhuǎn)向工況分析，得到如下有益結(jié)果：
1）采用DUKF 方法觀測數(shù)據(jù)比DEKF 方法更加符合實際情況；
2）DUKF 和DEKF 對于車輛質(zhì)心側(cè)偏角觀測結(jié)果存在較大誤差。
該研究有助于提高自動駕駛的穩(wěn)定性，但存在對異常路況分析準確度不高的問題，期待后續(xù)引入深度學習算法進行加強。
參考文獻：
[1] 黃偉杰,張希,朱旺旺,等.基于融合地圖的自動駕駛激光雷達定位算法[J].傳感器與微系統(tǒng),2023,42(5):139-142.
[2] 金立生,韓廣德,謝憲毅,等.基于強化學習的自動駕駛決策研究綜述[J].汽車工程,2023,45(4):527-540.
[3] 張新鋒,王萬寶,柳歡,等.高速動態(tài)交通場景下自動駕駛車輛換道意圖識別模型研究[J].汽車技術(shù),2023,571(4): 8-15.
[4] 趙艷輝,段朝陽,李海峰,等.BTT機動自動駕駛儀解耦補償控制器設(shè)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(tǒng)[J].汽車工程,2022,44(3):350-361.
[6] 張晶威,劉鐵軍,李仁剛,等.自動駕駛多傳感器融合的時間校準方法研究[J].汽車工程,2022,44(2): 215-224.
[7] 陳士剛.基于模型的電動汽車PTC控制方法[J].電子產(chǎn)品世界,2021,28(9):32-34.
[8] 張京,朱愛紅.基于遺傳算法和粒子群優(yōu)化的列車自動駕駛速度曲線優(yōu)化方法[J].計算機應用,2022,42(2):599-605.
[9] 毛廣輝.自動駕駛芯片需要滿足高吞吐與低時延[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.車路協(xié)同環(huán)境下的雙雷達車輛檢測和跟蹤優(yōu)化方法[J].重慶理工大學學報(自然科學),2021,35(10):42-48.
[12] 周兵,李濤,吳曉建,等.基于雙自適應無跡卡爾曼濾波的半掛車狀態(tài)估計[J].湖南大學學報(自然科學版),2022,49(2):63-73.
[13] 周標準,裴福俊,董國成.基于無跡卡爾曼濾波的月球車慣性/天文組合導航算法研究[J].科學技術(shù)與工程,2012,12(24):6102-6106.
（本文來源于《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校機械教研組,福建南平 354000)
免責聲明：本文為轉(zhuǎn)載文章，轉(zhuǎn)載此文目的在于傳遞更多信息，版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題，請聯(lián)系小編進行處理。
推薦閱讀：
如何更高效、更準確地測試驗證帶有Redriver的PCIe鏈路？
