淺談基于多傳感器信息的汽車低速車速估計方法

摘 要：為解決電動汽車在低速行駛時的速度估算難題，文章構建了一套基于多源傳感檢測的車速評估系統，通過實際測試對比分析，驗證了文章提出的汽車低速車速估計方法的優(yōu)勢。汽車低速車速估計方法應以國家智能交通發(fā)展戰(zhàn)略需求為導向，加大資源投入，構建可靠的車速估計安全保障體系，實現車輛在復雜環(huán)境下的精確速度控制，促進基于多傳感器信息的汽車低速車速估計方法在智能交通系統中發(fā)揮更大作用，打造具有鮮明技術特色和強大創(chuàng)新能力的現代化車輛速度控制系統。

關鍵詞：多傳感器信息 汽車低速車速 估計方法

基于多傳感器信息的汽車低速車速估計方法是智能駕駛技術的重要組成部分，是提升車輛行駛安全性的關鍵技術之一，更是實現自動駕駛的基礎保障。在加速推進智能交通系統發(fā)展的新時期，汽車低速車速估計方法應當承擔起提高行車安全性、支持智能駕駛系統的使命，以創(chuàng)新引領技術研發(fā)，不斷提升估計精度。文章將從融合算法優(yōu)化、實際測試驗證兩個方面，探討推動基于多傳感器信息的汽車低速車速估計方法高質量發(fā)展的路徑。

1 工程概況

為驗證基于多傳感器信息的汽車低速車速估計方法算法的實時執(zhí)行能力，開展了實地車輛測試實驗。測試環(huán)境包含平整地面、卵形碎石路段以及18%傾角的斜坡道路多種路況。實驗過程主要圍繞低速直線行駛和緩速轉向兩種工況展開，全面評估算法的應用適應性。

實驗選用一臺搭載雙電機的全輪驅動運動型SUV作為測試對象，該車配置有底盤信息采集系統，搭載了轉向角傳感裝置、車速探測器、姿態(tài)檢測、檔位監(jiān)測儀等基礎傳感設備。姿態(tài)檢測單元布置于車輛重心附近位置，負責采集車輛的x軸、y軸加速度數值及z軸角速度信息。測試車還整合了VBox車輛性能測試系統，通過GPS技術實時獲取車輛實際行駛數據。測量系統通過多路信號采集實現數據獲取：主控模塊經由線束獲取IMU數據流及四輪速度信息，而發(fā)動機轉速參數和方向盤轉角數據則經由車載CAN總線傳輸。系統運算得出的速度評估值同樣通過CAN網絡傳遞，最終所有實驗數據經由采集裝置存儲至計算終端。本研究所用試驗車型的具體技術參數如表1所示。

當前，汽車速度估算主要有兩種，一種是基于車輪轉速探測裝置和IMU數據構建速度評估系統，通過GPS信息進行修正。但該方法普通GPS定位精確度不足，且傳感器容易受到外部環(huán)境干擾，經常出現信號中斷的問題。另一種是利用傳感器數據結合動力學建模評估車速，精確度主要由所構建車輛動力學模型決定。在處理輪速信號周期性噪聲問題上，有團隊開發(fā)了一套基于齒圈幾何建模和迭代約束最小二乘評估的實時過濾技術，能夠應對齒圈不均勻間距引發(fā)的周期性干擾，保留系統原有的速度變化特征，同時消除噪聲干擾[1]。因此，本測試構建基于多源傳感檢測的車速評估系統，系統包含兩套方案，方案一是基于多輪脈沖數據的車速估算模型，方案二是基于電機轉速信息的車速估算模型，提升了車速估算的精確度，為電動汽車的低速控制提供了技術支撐。

2 基于多傳感器信息的汽車低速車速估計算法

2.1 算法整體框架

測試系統獲取的測量數據包含多組參數：四輪速度檢測裝置采集各輪的速度脈沖值（分別標記為Ifl、Ifr、Irl、Irr），方向盤位置檢測元件獲取轉向角度δ，集成慣性單元測得車體在縱橫兩個方向的加速度（axIMU、ayIMU）以及繞垂直軸的角速度ωrIMU，前后驅動裝置的轉子感應器記錄電機轉速nf和nr。根據這些實測信號，構建了兩種速度評估方案，方案一基于多輪脈沖數據進行運算，方案二基于電機轉速信息進行運算。

方案一依據方向盤角度來區(qū)分行駛狀態(tài)。當車輛處于直線行駛階段時，系統會通過對4輪脈沖信標的躍變時間實施權重整合。在執(zhí)行轉彎動作時，采用Ackermann幾何理論對車輪速度實施換算。該方法結合優(yōu)化后的輪速數據與yaw角速率，基于車輛運動學原理計算出重心位置的縱向與橫向速度分量。

方案二通過整車動力傳動模型，系統對電機轉速參數nf、nr以及方向盤角度信號δ展開分析，計算得出各輪輪速數值，依據車輛動態(tài)學原理推導質心點的縱橫向速度分量。在速度評估過程中，方案一的具備抗干擾特性較好，方案二在更新頻率和準確性較高。為實現兩種方案的優(yōu)勢互補，研究采用交互式多模型融合評估技術（IMM），對不同模型輸出結果進行權重整合，構建復合濾波系統，獲取高可靠度的車速數據[2]。

2.2 基于多輪脈沖數據的車速估算模型

該測試中的車輪轉速檢測裝置主要包含感應部件和測量元件。測量元件采用高精度磁場檢測芯片，安裝在專用固定架上；感應部件是與輪轂同步旋轉的金屬齒輪結構。當齒輪轉動時，齒尖與檢測芯片之間的距離周期性變化會引起磁場強度的波動，產生電勢差。電勢信號經過信號調理電路處理后，可輸出與車輪轉速成正比的數字脈沖序列。在實際工程應用中，車輪轉速V的測算通常采用如下計算公式：

式（1）中，Vt為當前第t周期的轉速，M（t-1）為采樣周期內脈沖信號數量，Zt為齒圈總齒數，Rw為輪胎實際滾動半徑。Te（t-1）為上一采樣周期。

在高速行駛狀態(tài)下，系統的運作周期M（t-1）保持恒定，當速度降至較低時，在單個運作周期Te（t-1）內獲取的脈沖信號數量少。面對無法捕獲新脈沖的情況，系統會自動從常規(guī)測速方式轉向周期測量模式，即利用計時器記錄完整方波信號的持續(xù)時間，并將該數值賦予Te（t-1）。雖然能夠優(yōu)化速度計算的準確性，但會導致數據刷新率下降，在速度曲線圖上呈現出不連續(xù)的臺階狀變化特征。

針對單車輪速度傳感器存在的測量延遲問題，提出了基于多傳感器融合的自適應測速方案[3]。該方案通過整合全車4個車輪速度傳感器所采集的脈沖數據，構建了動態(tài)權重計算框架。適用于車速低于5km/h的場景，如智能泊車等情形，在此工況下可以忽略輪胎打滑因素的影響。先采集各車輪脈沖信號并通過時間周期算法換算成瞬時速度值；通過監(jiān)測方向盤偏轉度數來判定車輛運動狀態(tài)，當轉向角絕對值不超過10°時判定為直線行駛，反之則為轉向狀態(tài)；在直線行駛模式下，依據各車輪速度信號的脈沖更新時間差異，分配對應的可信度權重，實現高頻率、低延遲的速度信息融合輸出。

2.3 基于電機轉速信息的車速估算模型

該測試中車輛采用單速固定傳動比的減速裝置，整體動力傳動系統沒有離合器及液力轉換器，大大簡化了基于電機轉速的車輪速度測算流程。研究用車配備雙電機系統，分別為前后車橋提供動力輸出，其中動力傳遞依靠減速裝置和差速器完成。在直線行駛工況下，車輛前后輪速可通過下式計算：

式（2）、式（3）中Vf、Vr表示前后輪線速度，Nf、Nr表示前后電機轉速，R為輪胎半徑（m），if、ir表示前后減速裝置的傳動比。在整車控制單元（VCU）和電機控制單元（MCU）的協同作用下，前后輪速差異極小，因此可僅依據前驅動電機轉速數據進行整車速度估算。

2.4 基于交互多模型的融合車速估算

通過輪速傳感器采集的脈沖數據計算行駛速度能夠規(guī)避外界干擾因素，但該方法在速度lt;5km/h時刷新率會降低。利用電機轉速信號估測車速具有響應迅速、精確度高的特點，但傳動機構間隙與電機低轉速波動會引起速度預測值震蕩。針對上述兩種測速模式各自的優(yōu)缺點，該測試引入IMM算法對其輸出值進行動態(tài)權重融合，可實時調節(jié)各子模型的概率權重系數μik，i代表模型序號，k代表采樣時刻。

采用卡爾曼算法對速度預測方案實施信號凈化處理。方案一將慣性檢測裝置獲取的軸向加速數據axIMU與計算得出的軸向速率參數V1x輸入卡爾曼運算單元進行處理。但路面傾斜度會對軸向加速數值產生影響，因此實際行駛中的軸向速率參數應當表述為：

式（4）中，g代表重力加速度，i代表路面傾斜角度。在實際駕駛環(huán)境中，由于路面坡度變化通常較為平緩，可以將路面傾斜角度i對時間的微分視為0[4]。卡爾曼算法機制由狀態(tài)預估、觀測校正環(huán)節(jié)構成。在狀態(tài)預估階段，系統通過計算得到前序狀態(tài)x（k|k-1）及其對應的協方差矩陣P（k|k-1）。隨后的觀測校正環(huán)節(jié)中計算得出增益系數，繼據該系數與實測數據綜合評估，獲取最優(yōu)狀態(tài)值x（k|k）與相應的誤差協方差P（k|k）。對于方案一，最終輸出即為車輛縱向速度與路面傾角的最優(yōu)評估值X1（k|k）；而在方案二中，以電機轉速推算所得車速V2x為測量輸入值zk，同時將IMU所測得的加速度axIMU作為控制量uk，并保持系統、控制及觀測矩陣與模型I保持一致，經過相同的迭代運算后可得到對應的狀態(tài)估計值X2（k|k）及其誤差協方差P2（k|k）。

在側向速度估算中，同樣運用了交互式多模型整合評估法。該方法與縱向速度的處理流程基本一致，主要差異體現在數據處理環(huán)節(jié)。采取卡爾曼過濾器將i模型獲取的橫向速度Viy與IMU橫向加速度ayIMU進行信息融合。在設定過濾參數時，將橫向速度vy確立為狀態(tài)量，ayIMU作為系統輸入，Viy作為觀測量。系統傳遞矩陣A與觀測矩陣H均賦值為1，控制矩陣B取時間增量Δt。通過IMM算法處理后，得出橫向速度的最終估算值VIMM。車輛的合速度VIMM可通過橫縱向速度的二次方和開方求得，按下式計算：

3 算法驗證

該測試通過VBox高精度測速儀獲取實際參考車速，將其與ESP傳統算法及文章基于多源信息融合的算法所得結果進行對照分析。測試場景包括平整路段低速直線行駛、轉向行駛、不規(guī)則地面、斜坡路段的低速直線行駛等典型工況。系統通過多源數據融合完成對車輛狀態(tài)的評估。該系統分為三個層：第一層采用低頻通濾波技術消除傳感信號中的干擾，獲取轉向輸入角度、輪速數值、縱、側向加速度、制動系統壓力等參數；第二層基于經過濾波處理的數據，計算道路傾斜度與制動扭矩，結合第三層獲得的速度信息推導出輪胎滑移比與橫擺角；第三層完成路面值評估、輪胎受力分析，通過動力學模型推算向加速度，同時整合輪速傳感與加速度傳感信息評估向速度，得出車輛合速度。

3.1 平坦地形下的試驗結果

該測試研究了車輛在平坦地形進行低速轉向的表現。從靜止狀態(tài)啟動后，對轉向系統施加的輸入如圖1所示的角度變化曲線，其中負值代表左轉，正值表示右轉。

在8s處開始減速時，因無法獲取新的車輪轉速信號，傳統ESP系統對速度的監(jiān)測出現短暫遲滯，而研究提出的改進方法能迅速反映實際速率變化。然而，在4s和9s兩個時間點，當轉向輸入達到最大時，估測速度與真實數值產生明顯偏離。這種誤差主要源于轉向機構的非線性特征，即總傳動比K并非常數，導致由轉向輸入推算前輪角度時存在計算偏差，影響速度預測準確性。

3.2 復雜地形下的試驗結果

該測試針對低速直行模式下的復雜地形實驗，選取了鵝卵石地形進行測試。分析表明，當車輛啟動時，ESP系統輸出的速度數據呈現明顯時滯現象，受地形不平整影響，速度曲線出現劇烈震蕩。引入卡爾曼濾波技術，提出的速度估算方法抑制了數據波動，使輸出曲線呈現的平滑度較高。但由于未將車體在崎嶇路況下的運動對加速度測量的影響納入考慮范疇，估算速度與真實值之間仍存在一定誤差。

3.3 坡道地形的試驗結果

該測試中的車輛行駛于斜坡時，由于重力作用，導致慣性測量裝置獲取的加速度與實際行駛加速度產生偏離。實驗表明，傳統ESP系統僅能在速度超過0.7km/h時才顯示速度變化，本方案能夠動態(tài)追蹤更低速度范圍的變化。研究中發(fā)現，在低速運行環(huán)境下，因驅動馬達轉速信號的不穩(wěn)定性，方案二輸出的速度預測呈現波動特征；基于車輪脈沖的方案一雖不存在此類擾動，但其刷新頻率較低，呈現階躍式數字噪聲。將這兩種模型的結果進行權重整合，既優(yōu)化了速度更新間隔，又降低了馬達轉速波動對測量精度的干擾，但在坡道工況下，車輛難以維持穩(wěn)定的低速行駛狀態(tài)，加之車身俯仰運動對加速度測量的影響，造成坡度計算存在誤差[5]。為了客觀評估所提算法與ESP方法的性能差異，采用平均絕對誤差（MAE）作為量化指標進行對比分析。MAE計算公式如下：

（6）

式（6）中，yi表示VBox 實測數值，y?i表示算法估算結果，n表示單次測試采樣點總數。在不同工況下收集的實驗數據表明，研究提出的改進算法相比傳統ESP方法在車速估算精度上具有明顯優(yōu)勢，詳細對比結果見表2所示。

根據表2的數據分析表明，基于多源信息融合策略的估算方案較單一方法具有明顯精度優(yōu)勢。實驗驗證了該融合算法在各類測試工況中的MAE評價指標均優(yōu)于常規(guī)ESP系統，充分證實了研究所提出的方法能在低速運行狀態(tài)下實現更為準確和穩(wěn)定的車輛速度評估，具有較強的實用價值。在傳統機械傳動車型中，由于動力切斷裝置（如離合器、液力變矩器等）在低速時往往未能完全嚙合，導致無法基于動力源轉速推算車輪轉速，會使研究中的方案二在精度方面產生誤差，影響融合計算結果。因此，針對搭載CVT系統車輛在低速行駛狀態(tài)下的速度計算方案，將在后續(xù)研究中展開深入探討。

4 結語

綜上所述，文章提出的汽車低速車速估計方法通過融合算法，引入ESP系統測試進行誤差對比，為汽車低速車速估計方法提供了借鑒方案。未來的研究中，應貫徹安全至上的發(fā)展思維，加強對汽車低速車速估計方法的開發(fā)創(chuàng)新，為保障道路安全注入持續(xù)動力，以技術創(chuàng)新助力現代化新型汽車控制體系建設。

基金項目：2023年甘肅省自然科學基金，項目名稱“復雜碰撞場景下的交通事故車速計算方法研究”，項目編號：23JRRC0001。

參考文獻：

[1]王鈺，許志鵬.基于GIS與數據融合智能控制新能源汽車車速及預警系統的研究[J].科技與創(chuàng)新，2024（06）：49-51.

[2]華仲讓，唐陽山，徐莉.基于UKF算法的電動汽車車速坡度估計[J].內燃機與配件，2024（05）：12-14.

[3]趙爽，羅勇，孫強.插電式混合動力汽車車速預測能量管理策略[J].重慶理工大學學報（自然科學），2023，37（09）：79-87.

[4]浦震峰，唐亮，上官文斌，等.基于多傳感器信息的汽車低速車速估計方法[J].汽車工程，2023，45（07）：1235-1243+1275.

[5]魏小棟，孫超，劉波，等.燃料電池汽車車速與能量聯合優(yōu)化[J].機械工程學報，2023，59（08）：204-212.