1.一种考虑随机测量时滞的前车侧向运动状态实时估计方法,其步骤是:步骤一、高保真车辆模型搭建:高保真车辆模型模拟真实的被控对象,主要作用是能够精确的模拟实际车辆的侧向运动特征;
其特征在于:
步骤二、估计器设计:根据推导所得的考虑测量时滞的系统状态空间方程和滚动时域估计原理设计估计器,对前车的侧向速度以及横摆角速度进行估计;
1)前车侧向运动模型建立
车辆二自由度模型:
建立模型时只考虑了车辆的侧向运动和横摆运动,在假设两个前轮转动角度相同的条件下,根据车辆动力学得到车辆的二自由度模型如下:代表车辆侧向速度的导数,代表了车辆的横摆角速度的导数,vx表示车辆沿道路行驶的纵向速度,Cf为车辆前轮的等效侧偏刚度,Cr为车辆后轮的等效侧偏刚度,Lf和Lr分别表示车辆度的前半轴距和后半轴距,m是车辆的质量,Iz是车辆绕质心旋转的转动惯量,δf为驾驶员转动的前轮转角;
考虑道路信息的车辆侧向运动模型:
在建立模型时可以假设前轮转角在各个小的采样周期内为恒定的,可得:综合考虑侧向位移偏差e、车辆航向角和道路中心线的切线方向的航向角偏差Ψ、车辆沿道路行驶的纵向速度vx、车辆的侧向速度vy以及所行驶的道路的曲率c,并结合车辆的运动特性,便可推导出描述车辆跟踪目标道路中心线的误差动态方程:代表车辆沿道路中心线的侧向位移偏差的导数, 代表了车辆航向角沿道路中心线切线方向的航向角偏差的导数;
在每个小的采样周期内的道路曲率是不变的,则此时便可得到:综合考虑式(1)和(2)中描述的车辆二自由度方程以及式(3)-(7)中描述的考虑道路信息的运动模型,可得考虑行驶道路信息的前车侧向运动的系统的连续状态空间方程为:状态向量为x=(vy,γ,δf,e,Ψ,c)T,由传感器测量到的测量值为y=(e,Ψ,c)T,其中的测量值y=(e,Ψ,c)可以由后车搭载的视觉系统进行测量;过程噪声ω代表了系统模型的不确定性,测量噪声ν代表了系统传感器的测量不确定性;
假设系统模型的离散化时间为Ts,经欧拉离散化后的系统模型便可表示为:在经离散化后的模型中xk+1和xk分别为表示前车侧向运动系统在第k+1和第k时刻的状态向量,ωk表示在第k时刻的系统过程噪声,υk则表示在第k时刻的系统的测量噪声,设协方差矩阵分别为Q和R,H为测量矩阵,yk为该系统在第k时刻的测量值;
2)考虑测量时滞与多速率的系统模型建立:
假设系统模型的离散化时间为Ts,设系统的测量系统的采样时间为nTs,即每隔n个系统状态的更新周期进行一次测量值的采样,结合系统的离散化模型可得如下方程:对缓存器的N个存储单元进行编号,编号为0,1,…,N-1,之后定义一个随机变量 其中j=0,1,...,N-1为存储单元的编号,t代表了时间,当第j个存储单元的测量值在时间t或t之前到达时 否则 将随机变量与系统的状态空间模型相结合,便可得到描述缓存器内状态和测量数据的模型如下:在上述方程中 代表了在缓存器中在时刻t的状态值, 则表示在时刻t缓存器中包含随机测量时滞的测量值, 表示在时刻t缓存器中第j个存储单元对应的测量矩阵, 则表示在时刻t相应存储单元的测量噪声,同时定义新的测量噪声协方差矩阵为
3)前车侧向运动状态估计器设计:
由滚动时域估计的原理可以将估计问题概括为如下形式:其中 以及 分
别是状态变量、过程噪声和测量噪声序列; 为在整个估计起点的初始状态估计;
4)考虑随机时滞的扩展卡尔曼滤波器设计:
步骤1:预测协方差矩阵更新
步骤2:计算卡尔曼增益
步骤3:计算状态估计值
步骤4:估计协方差矩阵更新
k∈[0,N-1]表示缓存器的第一个到最后一个的编号,t则表示当前的时刻, 表示第k个存储单元的卡尔曼增益, 和 分别表示预测值的协方差矩阵和估计值的协方差矩阵;
表示在第k号存储单元的雅克比矩阵,其计算过程如下: