准确、高效的车辆状态估计是智能汽车实现精准控制的前提,因此迫切需要开展又快又准的状态估计算法研究.为此,提出一种分级串联型扩展卡尔曼滤波(graded series extended Kalman filter,GS-EKF)车辆状态参数估计方法,旨在保证估计精度...准确、高效的车辆状态估计是智能汽车实现精准控制的前提,因此迫切需要开展又快又准的状态估计算法研究.为此,提出一种分级串联型扩展卡尔曼滤波(graded series extended Kalman filter,GS-EKF)车辆状态参数估计方法,旨在保证估计精度的同时,提升算法的计算效率和鲁棒性.首先,基于分级串联思想,将初级扩展卡尔曼滤波估计的结果,作为次级状态估计的可量测控制输入信号,实现分级串联状态估计;然后,建立3自由度非线性动力学车辆状态参数估计模型,以方向盘转角及纵向、侧向加速度为输入变量和观测变量;最后,搭建联合仿真验证平台,对比分析4种不同算法的精度、鲁棒性以及效率.结果表明所提出的算法在精度和鲁棒性方面可达到粒子滤波的效果,而效率比粒子滤波提升了41.2%.展开更多
文摘准确、高效的车辆状态估计是智能汽车实现精准控制的前提,因此迫切需要开展又快又准的状态估计算法研究.为此,提出一种分级串联型扩展卡尔曼滤波(graded series extended Kalman filter,GS-EKF)车辆状态参数估计方法,旨在保证估计精度的同时,提升算法的计算效率和鲁棒性.首先,基于分级串联思想,将初级扩展卡尔曼滤波估计的结果,作为次级状态估计的可量测控制输入信号,实现分级串联状态估计;然后,建立3自由度非线性动力学车辆状态参数估计模型,以方向盘转角及纵向、侧向加速度为输入变量和观测变量;最后,搭建联合仿真验证平台,对比分析4种不同算法的精度、鲁棒性以及效率.结果表明所提出的算法在精度和鲁棒性方面可达到粒子滤波的效果,而效率比粒子滤波提升了41.2%.
