考慮側傾影響的汽車橫擺角速度與質心側偏角濾波估計＊

陳學文 周越 張進國

（遼寧工業大學，錦州 121001）

考慮側傾影響的汽車橫擺角速度與質心側偏角濾波估計＊

陳學文 周越 張進國

（遼寧工業大學，錦州 121001）

為準確識別汽車前方彎道路段曲率信息，考慮側傾運動的實際影響，建立了汽車質心運動、橫擺運動及側傾運動具有非線性特征的3自由度車輛操縱穩定性模型，設計了汽車質心側偏角與橫擺角速度擴展卡爾曼濾波估計器，實現了巡航車輛運動特征的在線實時估計。采用雙移線輸入，通過CarSim與Matlab/Simulink的聯合仿真進行驗證，結果表明，即使在大噪聲條件下，所設計的擴展卡爾曼濾波估計器也能較好地實現車輛橫擺角速度與質心側偏角的準確估計。

1 前言

汽車自適應巡航控制（Adaptive Cruise Control，ACC）系統在一定程度上實現了安全跟車，但仍存在與前車發生碰撞的可能性，尤其是在城市道路行車環境中。因此，準確識別彎道路段并跟蹤關鍵目標，對于完善或改進 ACC 系統[1～3]、前撞預警系統[4]、車道偏離預警與保持系統[5～6]及自動緊急制動系統[7]等的性能具有實際應用價值。準確識別前方彎道路段信息，還需要結合巡航車輛自身的運動狀態進行。通過質心側偏角和橫擺角速度可間接得到汽車的側向運動特征，因此，對汽車質心側偏角和橫擺角速度進行準確估計十分必要。

目前，對于汽車質心側偏角與橫擺角速度的估計主要基于簡化的2自由度模型，忽略了側傾運動導致的左、右車輪載荷的變化引起的輪胎特性變化以及輪胎回正力矩的影響等因素，或者是在2自由度模型基礎上建立了反映汽車側向加速度的3自由度運動微分方程，但仍沒有考慮側傾運動因素的影響[8～10]，基于上述模型的估計值必然存在較大偏差。焦新龍等基于3自由度車輛動力學模型建立了橫擺角速度的卡爾曼濾波器，實現了道路定曲率的在線估算，但實際車輛建模時未考慮非線性運動特征影響且假定道路曲率為定值，因此，利用線性卡爾曼濾波器實現目標的估計必然會存在一定誤差[11]。

本文考慮汽車側傾運動的影響，建立了包含汽車質心運動、橫擺運動及側傾運動具有非線性特征的3自由度車輛模型，設計了關于汽車質心側偏角和橫擺角速度的擴展卡爾曼濾波估計器，實現了車輛運動狀態的實時估計，消除了實際測量噪聲的干擾。最后，基于CarSim與Simulink驗證了濾波器的有效性。

2 汽車3自由度操縱穩定性模型的建立

在汽車的穩定性控制研究中，橫擺運動與側向運動是關注的重點。為了如實反映車輛在彎道路段的行駛狀態，本文考慮車輛彎道行駛的側傾運動影響，建立了反映汽車質心運動、橫擺運動及側傾運動等具有非線性特征的3自由度汽車操縱穩定性模型，如圖1所示。其中：V為車速；Ms為懸架質量；wr為橫擺角速度；b為質心側偏角；bf、br分別為前、后輪輪胎側偏角（假定左、右輪胎側偏角相等）；d為前輪轉向角；f為懸架的側傾角；lf、lr分別為前、后軸至質心的距離；df、dr分別為前、后輪距；hs為側傾力臂；?X?Z為車輪滾動阻力系數；hf、hr分別為前、后軸距離地面的高度；Fyf、Fyr分別為前、后輪等效側向力。

圖1 簡化的3自由度汽車操縱穩定性模型

基于汽車3自由度操縱穩定性模型，確定其質心運動、橫擺運動及側傾運動微分方程：

Y方向的受力平衡方程：

式中，Wβ=2(kf+kr)；；；Wδ=-2kf；kf、kr分別為前、后輪胎的側偏剛度；Ef、Er分別為前、后軸側傾轉向系數；?Yfy?φ為前輪外傾側傾剛度系數。

繞Z軸的力矩方程：

式中，Iz為整車繞Z軸的轉動慣量；Ixz為懸架質量繞X、Z兩軸的慣性積；；；；Cφf、Cφr分別為前、后懸架側傾角阻尼；Uf、Ur分別為前、后輪胎側傾角回正力矩系數；Kφf、Kφr分 別 為 前 、后 懸 架 側 傾 角 剛 度 ；。

繞X軸的力矩方程：

3 汽車橫擺角速度與質心側偏角濾波器設計

車輛系統具有明顯的非線性特征，采用卡爾曼濾波算法對其進行狀態估計是不適合的，擴展卡爾曼濾波算法是一種預測校正算法[9,12]。根據估計對象建立狀態方程與量測方程，對非線性模型進行線性化并賦初值進行遞推估計，主要包括預測過程與校正過程，其具體過程如下：

a.狀態方程與量測方程：

式中，xk、yk分別為實際的狀態變量與觀測變量；uk為控制變量；wk、vk分別為過程噪聲與觀測噪聲。

b.模型線性化

式中，F(k)、H(k)分別為非線性函數f（xk,uk,wk）與h（xk,uk)對狀態變量求偏導的雅克比矩陣；φ(k)為狀態轉移矩陣；I為適維單位矩陣；Δk為采樣時間。

c.擴展卡爾曼濾波算法遞推步驟

擴展卡爾曼濾波算法遞推步驟主要包括預測與校正過程，并給定初值即可實現。

預測過程：

校正過程：

Qk、Rk分別為過程噪聲與觀測噪聲協方差矩陣。

將縱向、側向與橫擺的3自由度非線性方程進一步整理如下：

進一步整理成關于橫擺角速度與質心側偏角狀態預測方程與量測方程：

式中，A=M-1K；B=M-1N；C=I4×4；u=δ。

根據式（8），結合上述擴展卡爾曼濾波算法遞推步驟，即可實現橫擺角速度與質心側偏角的濾波估計。

4 橫擺角速度與質心側偏角濾波器仿真驗證

在CarSim中構建車輛模型與道路模型仿真環境，通過CarSim獲得轉向盤轉角雙移線輸入信號，在Simulink中實現了橫擺角速度和質心側偏角的實時估計。仿真過程中，車速設為120 km/h，采樣間隔為0.01 s，車輛模型參數如表1所示。

表1 車輛模型參數

圖2為汽車橫擺角速度、質心側偏角濾波值與實際值的對比結果。從圖2中可以看出，在汽車行駛過程中，利用本文設計的擴展卡爾曼濾波器得到的汽車橫擺角速度和質心側偏角濾波值與實際值具有較高的一致性。這說明，本文設計的關于汽車橫擺角速度與質心側偏角的擴展卡爾曼濾波器是有效的，具有較強的魯棒性。

圖2 汽車橫擺角速度、質心側偏角濾波值與實際值的對比

為了進一步驗證本文設計的汽車橫擺角速度與質心側偏角擴展卡爾曼濾波器的有效性和穩定性，設置了均值為0，方差為1的正態分布的外界噪聲干擾，噪聲干擾條件下的仿真結果如圖4與圖5所示。

圖3 噪聲干擾條件下的仿真結果

由圖3可知，即使在較大噪聲干擾情況下也可以對汽車橫擺角速度與質心側偏角進行有效地估計，這說明本文設計的擴展卡爾曼濾波估計器具有較好的魯棒性及較強的抗干擾性。

5 結束語

考慮側傾運動的實際影響，構建了汽車質心運動、橫擺運動及側傾運動3自由度車輛操縱穩定性模型，設計了關于汽車質心側偏角和橫擺角速度的擴展卡爾曼濾波估計器。在CarSim中構建車輛與道路模型仿真環境，通過CarSim獲得轉向盤轉角雙移線輸入信號，在Simulink中實現了橫擺角速度和質心側偏角的實時估計。仿真結果表明：汽車橫擺角速度和質心側偏角的濾波結果與實際值基本吻合。在具有噪聲干擾情況下的仿真結果也表明，本文設計的擴展濾波器具有較強的抗干擾性，可對汽車橫擺角速度與質心側偏角進行有效地估計，可用于汽車巡航或避撞等主動安全系統的目標識別與控制。

1 Omae M,Fukuda R,Ogitsu T,et al.Control Procedures and Exchanged Information for Cooperative Adaptive Cruise ControlofHeavy-Duty Vehicles Using BroadcastInter-Vehicle Communication.International Journal of Intelligent Transportation Systems Research，2014，12（3）：84～97.

2 Chen XW,Zhang JG,Liu YJ.Research on the Intelligent Control and Simulation of Automobile Cruise System Based on Fuzzy System.Mathematical Problems in Engineering，2016（5）：1～12.

3 陳學文，劉偉川，祝東鑫，等.汽車巡航智能控制策略及仿真研究.機械設計與制造，2016（4）：133～136.

4 Han J,Heo O,Park M,et al.Vehicle Distance Estimation Using a Mono-camera for FCW/AEB Systems.International Journal of Automotive Technology，2016，17（3）：483～491.

5 Gaikwad V,Lokhande S.Lane Departure Identification for Advanced Driver Assistance.IEEE Transactions on Intelligent Transportation Systems，2015，16（2）：910～918.

6 Son Y S,Kim W,Lee S H,et al.Predictive Virtual Lane Method Using Relative Motions between a Vehicle and Lanes.International Journal of Control,Automation,and Systems，2015，13（1）：146～155.

7 Lee M,Jeong H.Driver Propensity Characterization for Different Dorward Collision Warning Times.International Journal of Automotive Technology，2014，15（6）：927～936.

8 Lee M H,Lee K S,Park H G,et al.Lateral controller design for an unmanned vehicle via Kalman filtering.InternationalJournalofAutomobile Technology，2012，13（5）：801～807.

9 李剛，解瑞春，衛紹元，等.基于信息融合技術的車輛行駛狀態估計.計算機仿真，2014，31（10）：183～186.

10 林程，周逢軍，徐志峰，等.基于補償自適應控制算法的車輛狀態參數估計.農業機械學報，2014，45（11）：1～8.

11 焦新龍，米雪玉，王暢，等.車輛自適應巡航控制系統有效目標辨識算法.長安大學學報（自然科學版），2014，34（3）：137～144.

12 Gadola M,Chindamo D,Romano M,et al.Development and Validation of a Kalman Filter-based Model for Vehicle Slip Angle Estimation.Vehicle System Dycle Slip Angle Estimation.Vehicle System Dynamics，2014，52（1）：68～84.

A Filtering Estimation on Yaw Rate and Side Slip Angle Considering Roll Motion of Vehicle Body

Chen Xuewen,Zhou Yue,Zhang Jinguo
（Liaoning University of Technology,Jinzhou 121001）

It is necessary to estimate accurately the vehicle dynamic state for distinguishing the road curvature information of automobile cruise system.Considering roll motion of vehicle body,an extend Kalman filter is proposed to realize the estimation of motion parameters based on a nonlinear three degrees of freedom vehicle model including the longitudinal,lateral and yaw direction.Adopting CarSim and MATLAB/Simulink co-simulation,the estimation on yaw rate and side slip angle is validated under high-speed double lane conditions.The simulation results show that the proposed EKF can estimate accurately vehicle’s yaw rate and side slip angle even if the existence of strong noise.The research results have important reference values in obtainning information of curve road and practical guiding significance to prevent the goal confusion or missing of key target in the curve road and avoid effectively rear-end collisions on automobile cruise system.

Automobile cruise control system,Extend Kalman Filter,Yaw rate,Side slip angle,Simulation

汽車巡航系統 擴展卡爾曼濾波器 橫擺角速度 質心側偏角 仿真

U461.91

A

1000-3703（2017）11-0040-04

遼寧省科技計劃資助項目（201602368）。

（責任編輯斛 畔）

修改稿收到日期為2017年9月8日。