王建鋒　李娜

摘 要：車輛質(zhì)心側(cè)偏角是描述車輛側(cè)向運(yùn)動(dòng)狀態(tài)的重要參量之一，其估計(jì)的精度直接影響車輛的安全控制，傳統(tǒng)的質(zhì)心側(cè)偏角估計(jì)方法不能滿足非結(jié)構(gòu)道路環(huán)境下的智能汽車質(zhì)心側(cè)偏角估計(jì)的要求。通過建立3 自由度智能汽車動(dòng)力學(xué)模型，采用CarSim和MATLAB 構(gòu)建智能汽車整車參數(shù)化模型;基于擴(kuò)展kalman濾波（EKF）算法，設(shè)計(jì)非結(jié)構(gòu)道路環(huán)境下的狀態(tài)觀測(cè)器對(duì)智能汽車質(zhì)心側(cè)偏角進(jìn)行估計(jì)。在高、低附著系數(shù)路面雙移線工況和蛇形工況下，對(duì)狀態(tài)觀測(cè)器的估計(jì)效果進(jìn)行聯(lián)合仿真驗(yàn)證。仿真結(jié)果表明：該方法能較精確地估計(jì)出非結(jié)構(gòu)道路環(huán)境下智能汽車的質(zhì)心側(cè)偏角。

關(guān)鍵詞：智能汽車;質(zhì)心側(cè)偏角;非結(jié)構(gòu)道路;估計(jì)

中圖分類號(hào)：U461????? 文獻(xiàn)標(biāo)識(shí)碼：A

Sideslip Angle Estimation of Intelligent

Vehicle in Unstructured Road Environment

WANG Jian-feng1，2，LI Na1

（1.Shaanxi Road Traffic Intelligent Detection and Equipment Engineering Technology Research Centre， Changan

University， Xian，Shaanxi 710064，China;2.Shool of Automobile， Changan University，Xian，Shaanxi 710064，China）

Abstract：Sideslip angle of vehicle is one of the important parameters to describe the lateral motion state of vehicles， and the accuracy of its estimation directly affects the safety control of vehicles. The traditional sideslip angle estimation method can not meet the requirements of sideslip angle estimation of intelligent vehicles in unstructured road environment. Through the establishment of 3-dof vehicle dynamics model， CarSim and MATLAB were used to construct the parametric model of the whole intelligent vehicle. Based on the extended Kalman filter （EKF） algorithm， a state observer was designed to estimate sideslip angle of the intelligent vehicle. The estimation effect of the state observer was verified by the joint simulation under the double lane change test and double lane change test of road with high and low adhesion coefficient. The simulation results show that the proposed method can accurately estimate the sideslip angle of intelligent vehicle in unstructured road environment.

Key words：intelligent vehicle;sideslip angle;unstructured road;estimation

非結(jié)構(gòu)化道路環(huán)境復(fù)雜，通常沒有車道線和明顯的道路邊界。車輛在非結(jié)構(gòu)化道路上行駛比在結(jié)構(gòu)化道路上行駛更復(fù)雜。鑒于非結(jié)構(gòu)道路環(huán)境的復(fù)雜性，研究非結(jié)構(gòu)道路環(huán)境下的智能汽車主動(dòng)控制具有重要的意義[1]。

質(zhì)心側(cè)偏角是汽車安全控制中的重要參數(shù)，實(shí)時(shí)、準(zhǔn)確地獲取汽車的質(zhì)心側(cè)偏角是實(shí)現(xiàn)車輛安全控制的重要保障，尤其在非結(jié)構(gòu)道路環(huán)境下。汽車的質(zhì)心側(cè)偏角定義為汽車質(zhì)心處的側(cè)向速度與縱向速度的比值，無法直接測(cè)量。只能通過車載傳感器測(cè)量汽車側(cè)向加速度、橫擺角速度、轉(zhuǎn)向盤轉(zhuǎn)角等參數(shù)采用數(shù)據(jù)融合的方法進(jìn)行估計(jì)。

目前，質(zhì)心側(cè)偏角估計(jì)的方法主要有基于數(shù)值積分的估計(jì)方法、基于動(dòng)力學(xué)模型估計(jì)方法和基于機(jī)器學(xué)習(xí)的估計(jì)方法。數(shù)值積分的估計(jì)方法主要是利用橫擺角速率和側(cè)向加速度等通過數(shù)值積分估算出車輛的側(cè)向速度，計(jì)算汽車的質(zhì)心側(cè)偏角，該方法受傳感器信號(hào)噪聲的影響，積分結(jié)果存在累積誤差[2-4]?；趧?dòng)力學(xué)模型估計(jì)方法是通過建立精確的動(dòng)力學(xué)模型，利用可測(cè)量的模型輸入?yún)?shù)估計(jì)質(zhì)心側(cè)偏角，該方法估計(jì)精度直接依賴于動(dòng)力學(xué)模型，很難在非線性段進(jìn)行準(zhǔn)確估計(jì)[5-6]?；跈C(jī)器學(xué)習(xí)的估計(jì)方法是利用機(jī)器學(xué)習(xí)的方法對(duì)可測(cè)變量和已知的質(zhì)心側(cè)偏角的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，建立起輸出參數(shù)和質(zhì)心側(cè)偏角之間的映射關(guān)系，其估計(jì)精度依賴于樣本的質(zhì)量和數(shù)量[7-8]。

綜合基于數(shù)值積分的估計(jì)方法和基于動(dòng)力學(xué)模型估計(jì)方法的優(yōu)點(diǎn)，在汽車的線性區(qū)采用動(dòng)力學(xué)模型方法，在汽車的非線性區(qū)采用數(shù)值積分的方法，基于汽車動(dòng)力學(xué)模型及kalman濾波算法設(shè)計(jì)智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器。

1 智能汽車3自由度非線性模型

為了設(shè)計(jì)有效的非結(jié)構(gòu)道路環(huán)境下的智能汽車質(zhì)心側(cè)偏角估計(jì)器，首先建立可靠的智能汽車動(dòng)力學(xué)模型。兼顧側(cè)偏角估計(jì)的精度和估計(jì)算法實(shí)時(shí)性求解的要求，考慮車輛的側(cè)向運(yùn)動(dòng)、橫擺運(yùn)動(dòng)及側(cè)傾運(yùn)動(dòng)，建立如式（1）所示的3自由度車輛動(dòng)力學(xué)模型[9-10]。

將非線性模型轉(zhuǎn)換為線性模型，雖然能夠較好地解決kalman濾波算法在處理非線性系統(tǒng)時(shí)的發(fā)散問題，但是并不是在任何時(shí)候都能有較高的估計(jì)精度。主要原因是卡爾曼濾波器的輸出由模型預(yù)測(cè)和測(cè)量反饋校正兩部分組成，濾波器的輸出精度由測(cè)量模型精度和測(cè)量反饋校正綜合決定。當(dāng)測(cè)量噪聲較大時(shí)，估計(jì)精度主要依賴于模型預(yù)測(cè)精度，當(dāng)系統(tǒng)噪聲較大時(shí)，估計(jì)精度主要依賴于測(cè)量反饋校正。因此綜合基于數(shù)值積分估計(jì)方法和動(dòng)力學(xué)模型估計(jì)方法的優(yōu)點(diǎn)，在汽車的線性區(qū)采用動(dòng)力學(xué)模型方法，在汽車的非線性區(qū)采用數(shù)值積分方法，基于汽車動(dòng)力學(xué)模型及kalman濾波算法設(shè)計(jì)智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器。

2.2 智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器設(shè)計(jì)

基于所建立的智能汽車動(dòng)力學(xué)模型和基kalman 濾波器的質(zhì)心側(cè)偏角估計(jì)方法，設(shè)計(jì)非結(jié)構(gòu)道路環(huán)境下的智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器。觀測(cè)器的輸入變量為U（t）=（δ），輸出變量為Y（t）=ωr?? φ·T，狀態(tài)變量為X（t）=β?? ωr?? φ?? φ·T。將所建立的動(dòng)力學(xué)模型轉(zhuǎn)化為狀態(tài)方程的形式為：

利用所建立的智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器就可以估計(jì)出智能汽車在不同工況下的質(zhì)心側(cè)偏角。

3 智能汽車質(zhì)心側(cè)偏角估計(jì)仿真

為了驗(yàn)證提出的非結(jié)構(gòu)道路環(huán)境下的智能汽車質(zhì)心側(cè)偏角估計(jì)效果，參照ISO標(biāo)準(zhǔn)進(jìn)行雙移線工況和蛇形工況仿真實(shí)驗(yàn)，實(shí)驗(yàn)用智能汽車的主要仿真參數(shù)如表2所示。

3.1 高附著系數(shù)路面雙移線仿真

利用以上參數(shù)進(jìn)行高附著系數(shù)路面下的雙移線仿真試驗(yàn)，設(shè)定智能汽車的最高速度為100 km/h，路面附著系數(shù)為0.8 ，仿真時(shí)間為40 s，仿真結(jié)果如圖1-圖2所示。

從圖1 可以看出，在車速為100 km/h，路面附著系數(shù)為0.8 的雙移線工況下，側(cè)向加速度小于0.4 g，可見輪胎處于線性區(qū)域。從圖2 可以看出，高附著系數(shù)雙移線工況下本文方法和CarSim 仿真結(jié)果很接近，最大峰值誤差為4.7 %。

3.2 低附著系數(shù)路面雙移線仿真

利用以上參數(shù)進(jìn)行低附著系數(shù)路面下的雙移線仿真試驗(yàn)，設(shè)定汽車的最高速度為80 km/h，路面附著系數(shù)為0.4 ，仿真時(shí)間為40 s，仿真結(jié)果如圖3-圖4所示。

從圖3 可以看出，在車速為80 km/h，路面附著系數(shù)為0.4 的雙移線工況下，側(cè)向加速度曲線在第一個(gè)波谷和第二個(gè)波峰出超過了0.4 g，在該兩處輪胎處于非線性區(qū)域。從圖4 可以看出，低附著系數(shù)雙移線工況下本文方法和CarSim 仿真結(jié)果也較接近，但在輪胎非線性區(qū)誤差相對(duì)較大，最大峰值誤差為5.3 %。

3.3 高附著系數(shù)路面蛇形仿真

利用以上參數(shù)進(jìn)行高附著系數(shù)路面下的蛇形仿真試驗(yàn)，設(shè)定汽車的最高速度為60 km/h，路面附著系數(shù)為0.8 ，仿真時(shí)間為40 s，仿真結(jié)果如圖5-圖6所示。

從圖5 可以看出，在車速為60 km/h，路面附著系數(shù)為0.8 的蛇形工況下，在側(cè)向加速度曲線的第1、2、3 個(gè)波谷處，第2、3、4 個(gè)波峰處都超過了0.4 g，可見輪胎處于了非線性區(qū)域。從圖6 可以看出，高附著系數(shù)雙移線工況下本文方法和CarSim 仿真結(jié)果非常接近，主要誤差出現(xiàn)在輪胎進(jìn)行非線性區(qū)段，本文方法與CarSim 的質(zhì)心側(cè)偏角的最大峰值誤差為3.1 %。

3.4 低附著系數(shù)路面蛇形仿真

利用以上參數(shù)進(jìn)行低附著系數(shù)路面下的蛇形仿真試驗(yàn)，設(shè)定汽車的最高速度為40 km/h，路面附著系數(shù)為0.4 ，仿真時(shí)間為40 s，仿真結(jié)果如圖7-圖8所示。

從圖7 可以看出，在車速為40 km/h，路面附著系數(shù)為0.4 的蛇形工況下，側(cè)向加速度小于0.4 g，可見輪胎處于了線性區(qū)域。從圖8 可以看出，低附著系數(shù)蛇形工況下本文方法和CarSim 仿真結(jié)果非常接近，本文方法與CarSim 的質(zhì)心側(cè)偏角的最大峰值誤差為1.9 %。

4 結(jié) 論

針對(duì)非結(jié)構(gòu)道路環(huán)境下的智能汽車質(zhì)心側(cè)偏角估計(jì)問題，基于智能汽車動(dòng)力學(xué)模型及Kalman濾波算法，設(shè)計(jì)了智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器。利用高、低附著系數(shù)路面下雙移線工況和高、低附著系數(shù)路面下蛇形工況對(duì)智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器的估計(jì)效果與carsim仿真結(jié)果進(jìn)行

對(duì)比，仿真結(jié)果表明所設(shè)計(jì)的智能汽車質(zhì)心側(cè)偏角狀態(tài)觀測(cè)器輸出的估計(jì)值與CarSim 整車參數(shù)化模型輸出值雖在曲線波峰和波谷處存在一定的偏差，但其趨勢(shì)基本相同，且估計(jì)精度較高，達(dá)到了預(yù)期估計(jì)目標(biāo)，能夠滿足非結(jié)構(gòu)道路環(huán)境下的智能汽車控制的要求。

參考文獻(xiàn)

[1] 趙俊梅，張利平.智能車輛中非結(jié)構(gòu)化道路檢測(cè)技術(shù)的研究[J].車輛與動(dòng)力技術(shù)，2010，（4）：10-13+24.

[2] PIYABONGKARN D，RAJAMANI R，GROGG J A，et al. Development and experimental evaluation of a slip angle estimator for vehicle stability control[J]. IEEE Transactions on Control Systems Technology， 2009，17（1）：78-88.

[3] 張晨晨，夏群生，何樂.質(zhì)心側(cè)偏角對(duì)車輛穩(wěn)定性影響的研究[J].汽車工程，2011，（4）：277-282.

[4] CHEN B C，HSIEH F C. Sideslip angle estimation using extended Kalman filter[J]. Vehicle System Dynamics， 2008， 46（sup）：353-364.

[5] STEPHANT J，CHARARA A，MEIZEL D. Virtual sensor： application to vehicle sideslip angle and transversal forces[J]. IEEE Transactions on Industrial Electronics， 2004， 51（2）：278-289.

[6] 皮大偉，張丙軍，鐘國華. 汽車質(zhì)心側(cè)偏角觀測(cè)器試驗(yàn)驗(yàn)證[J].河北科技大學(xué)學(xué)報(bào)，2013，（4）：113-118.

[7] CHELI F，SABBIONI E，PESCE M， et al. A methodology for vehicle sideslip angle identification： comparison with experimental data [J]. Vehicle System Dynamics， 2007，45（6）：549-563.

[8] HE Jun-jie， CROLLA D A，LEVESLEY M C， et al. Coordination of active steering， driveline， and braking for integrated vehicle dynamics control[J]. Journal of Automobile Engineering， 2006， 220（1）：1401-1421.

[9] 林棻，趙又群，姜宏. 基于Simulink 的四輪轉(zhuǎn)向汽車神經(jīng)網(wǎng)絡(luò)控制策略仿真[J]. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，29（5）：390-393.

[10]姜宏.基于Matlab/Simulink 和神經(jīng)網(wǎng)絡(luò)的四輪轉(zhuǎn)向車輛控制研究[D].南京：南京航空航天大學(xué)，2007.

[11]方春杰.純電動(dòng)汽車質(zhì)心側(cè)偏角估計(jì)及仿真分析[J].汽車工程師，2017，（11）：34-38.

[12]劉飛，熊璐，鄔肖鵬，等.車輛質(zhì)心側(cè)偏角估計(jì)算法設(shè)計(jì)與對(duì)比分析[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（3）：448-455.