分布式驅動電動汽車狀態參數估計綜述＊

樊東升，李剛

（遼寧工業大學 汽車與交通工程學院，遼寧 錦州 121001）

1 前言

汽車在行駛過程中，很難直接獲取準確的車輛狀態參數，而獲取這些參數的傳感器價格又非常的昂貴，無法大量使用在量產車上。隨著科技技術的發展，一些低成本的傳感器（縱向加速度、側向加速度、橫擺角速度）逐漸被研究出來，其精度也相對較高，因此開始逐漸運用在汽車上，通過這些傳感器實現對車輛狀態參數的估計，從而解決了無法直接測得準確的車輛狀態的難題。目前汽車的主動安全系統響應速度與響應效果很大程度上取決于車輛在運動狀態中自身關鍵參數的估計精度。當前應用的主流系統，一個普遍的問題是車輛模型的參數缺乏適應性，這些參數通常情況下被視為隨時間恒定不變的，盡管它們不是完全已知的或者受到時間變化以及運動的影響。導致的直接結果就是，由于駕駛條件的不斷變化，采用固定不變的參數值使控制系統的性能降低[1]。

2 車輛狀態參數估計算法研究現狀

汽車的狀態參數包括汽車自身質量、質心位置、質心側偏角等關鍵參數，由于這些參數關系到控制系統的控制效果，進而影響車輛的行駛平順性。近幾年逐漸引起國內外學者的關注。下面就關于車輛狀態參數估計的研究進行了以下綜述。

2.1 基于擴展卡爾曼濾波（EKF）算法的車輛狀態參數估計研究現狀

文獻[2]提出了一種基于非線性模型的觀測器，用于車輛運動中狀態參數和輪胎轉彎剛度的組合估計。它基于常見的車載傳感器，即橫向加速度和橫擺角速度傳感器，并且在正常的車輛操縱中運行。識別框架依賴于增強的擴展卡爾曼濾波器來處理模型參數可變性和噪聲測量輸入。通過仿真驗證評估所提出方法的性能和靈敏度，結果表明與標準方法相比可以提高一個數量級的估計精度。文獻[3]設計了一種運用擴展卡爾曼濾波，通過模糊控制理論對其進行優化處理，進行車輛狀態參數估計的方法。通過運用模糊控制理論，根據殘差與實際殘差之間的差值，自適應調整測量噪聲誤差協方差矩陣R。運用這種方法最直接的目的是可以實現更精確、更有效的算法估計。此外該方法沒有對過程噪聲矩陣Q 進行估算，從而讓算法結構更簡單，降低對估算結果的影響。文獻[4]提出了一種自適應擴展卡爾曼濾波的方法估算車輛狀態，通過手動調整滑動窗口的長度，來改變新息理論誤差矩陣的值，通過比較新息誤差矩陣實際值與理論值的大小，自適應改變測量噪聲誤差協方差矩陣R 的值，通過這種自適應策略可以有效提高車輛狀態參數的估計精度。

由此可以看出，單純采用擴展卡爾曼濾波的方法，實現對車輛參數的估計是無法達到高精度、高穩定性的要求。通常加入模糊控制理論、增強擴展卡爾曼濾波算法和自適應調節測量噪聲誤差協方差矩陣的值來提高估計的精度。

2.2 基于容積卡爾曼濾波（CKF）算法的車輛狀態參數估計研究現狀

文獻[5]提出了一種基于雙容積卡爾曼濾波的車輛狀態估計算法。其中一重濾波器為估計車輛縱向車速、側向車速和質心側偏角，二重容積卡爾曼濾波為估計輪胎與地面之間的路面附著系數。通過串聯的方式把兩重容積卡爾曼濾波器連接在一起，其中前一個濾波器的輸出作為后一個濾波器的輸入，同時后一個濾波器的輸出又作為前一個濾波器的輸入，兩個濾波器形成一個閉環系統，從而提高對車輛狀態參數估計的準確度。文獻[6]提出了一種基于三重容積卡爾曼濾波，設計了車輛狀態與參數估計器，搭建相應的車輛模型，運用相應的動力學理論，達到對汽車的縱向車速、側向車速、橫擺角速度、路面附著系數、汽車自身質量、質心位置和質心側偏角的準確估算。其中一重卡爾曼濾波器為對縱向車速、側向車速和橫擺角速度的估算；二重卡爾曼濾波器為對路面附著系數的估計；三重卡爾曼濾波器為對汽車自身質量、質心位置和質心側偏角的估計。通過信息融合的方法，將三個卡爾曼濾波器融合在一起，彼此之間信息傳遞，互為各自的輸入和輸出，形成閉環系統，提高系統估計的準確性。

由此可以總結出，單純對車輛行駛狀態的估計已經不能滿足估計精度的要求，因此將車輛狀態參數考慮在內，并對它們進行實時估計并實時修正。同時加入多個濾波器也可以保證系統工作的穩定性與魯棒性。因此，多濾波器的融合在車輛狀態參數估計上取得了很大優勢。

3 結論

深入分析了近幾年國內外在車輛狀態參數估計中的研究狀況，可以總結出將卡爾曼濾波結合其它控制理論、自適應調節誤差矩陣和優化卡爾曼濾波算法是提高估計精度的一個有效手段，但是不能保證系統的穩定性。而多濾波器的融合不僅可以提高估計的精度，還能保證系統的穩定性。因此，通過信息融合技術的多濾波器融合成為車輛狀態參數估計的主流方向。