[發明專利]一種用于無人駕駛車輛的狀態預測與估計方法

有效

• 申請號: 202011631422.0
• 申請日: 2020-12-30
• 公開（公告）號: CN112758097B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 陳勇;任宏斌;陳思忠;高澤鵬;趙玉壯;齊志權;李長隆
• 申請（專利權）人: 北京理工大學
• 主分類號: B60W40/00
• 分類號: B60W40/00;B60W40/10;B60W50/00
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 田亞琪

1.一種用于無人駕駛車輛的狀態預測與估計方法，其特征在于，包括以下步驟：

步驟1、采集各個車輪輪速、車輪轉矩、車輛縱向加速度、側向加速度和車身垂向加速度，以及車輛側傾角速度、俯仰角速度和橫擺角速度；

步驟2、基于步驟1獲得的車輛狀態信息，從標準行駛工況中隨機選取20個工況，然后從選取的20個工況中隨機提取400個時間長度不等的工況塊，并從被選取的工況塊中提出各個工況塊的10個特征，并對提取的400個工況塊進行特征計算，進行速度預測，并利用加速度和加速度導數參數對速度預測進行修正，并利用算法優化參數值，利用遺傳算法神經網絡對其訓練；然后，為了提高車速預測在任意工況的適應性，利用滾動更新方法對車輛當前行駛工況下的歷史狀態進行學習，避免由于車輛行駛工況的局限性帶來的車速預測精度問題；

步驟3、基于步驟1實時獲取的車輛狀態信息，建立車輛模型，模型包括車身運動學模型，車身動力學模型，輪胎模型和懸架模型，并給出無噪聲狀態傳播的非線性模型和測量模型；

步驟4、利用運動學方法和動力學方法融合對道路坡度角估計，改善低頻噪聲的靜態偏差和高頻噪聲的模型依賴性；利用最小二乘法對車輛質量估計，提高車輛質量和簧上質量的估計精度；利用信息融合的方法對車輪垂向力估計，保證車輛姿態變化中垂向力估計精度；引入路面附著系數采用非線性的估計方法對車輛側向力和車輛狀態進行聯合估計；

步驟5、基于步驟4中獲得的車輛參數和工況信息，進行車輛變參數和變工況的車輛狀態滾動估計，提高車速預測在車輛變參數和變工況情況下的精度。

2.如權利要求1所述的一種用于無人駕駛車輛的狀態預測與估計方法，其特征在于，步驟2中所述的速度預測，具體包括：

從標準行駛工況中隨機選取20個工況，然后從選取過的20個工況中隨機提取400個時間長度不等的工況塊，并從被選取的工況塊中提取出各個工況塊的10個特征，每個特征對應一種參數，其中10個特征參數具體包括，最高車速平均車速最高加速度A_max，平均加速度A_av，最高加速度導數dA_max，平均加速度dA_av，最高減速度B_max，平均減速度B_av，最高減速度導數dB_max，平均加速度導數dB_av；10個參數的具體計算公式由下式表示：

其中，N為各個工況塊的時間長度，N1,N2,N3,N4分別為各個工況塊的加速時間長度，減速時間長度，加速度導數時間長度和減速度導數時間長度；

對未來時域[k+1,k+n]內的速度預測具體為：

其中，為當前時刻的速度，為預測時域k+n時刻的速度，R_eff為車輪的有效滾動半徑，T_m為車輛的驅制動力矩，t_d為電機轉矩的指數型變衰減系數，m為整車質量，f為車輛的滾動阻力系數，ρ_a,C_d分別為空氣密度和迎風阻力系數；

車輛加速過程中，車輛驅動力矩T_m修正值表示為：

通過引入加速度參數k₁,k₂，防止車輛在高速平穩狀態時車速下降的過快，并且當車速較高時，加速車輛所需轉矩的衰減；加速度導數參數k₃,k₄，當車輛加速度急劇增大時，保持較大的需求轉矩，在預測時域內使得預期車速及時增加；A_av,dA_av由車輛歷史時間段的速度通過分段加速度和分段加速度導數算法得到，為了減小算法計算的復雜性和保證控制器的良好的實時性，分段時間選擇一致，選擇5s，歷史時間段的速度根據車輛的時間狀態實時滾動更新，即加入新的歷史速度數據并丟棄時間較早的歷史車速數據；加速度參數和加速度導數參數通過粒子群算法獲得分別在400個典型工況的最優參數值，表1給出了加速度參數和加速度導數參數的范圍；

表1.加速度參數和加速度導數參數的范圍

基于遺傳算法神經網絡對得到的400組不同的加速度參數和加速度導數參數根據車輛當前行駛工況的歷史數據實時訓練,利用誤差平方和E_i衡量適配值；

E_i＝∑∑(d₀-y₀)²

其中，d₀,y₀分別為網絡的實際輸出和期望輸出；

根據歷史車輛車速，記錄過去歷史時間段10s的車速數據，并提取出10個參數，并以此為輸入，對遺傳算法神經網絡進行訓練并對參數在線優化更新，從而實現車速滾動預測。