一种车辆状态及路面不平度的估计方法

1.本发明涉及车辆状态估计及路面不平度估计领域，特别涉及用于汽车悬架控制系统的车辆状态及路面不平度的估计方法。


背景技术：

2.汽车的悬架系统位于车身与车轮之间，主要作用是承载车身、将路面作用于车轮的力与力矩传递给车身，并起到缓和路面不平产生的连续冲击及衰减车身振动的目的。悬架系统性能的好坏直接决定了汽车的乘坐舒适性与操纵稳定性。
3.随着我国经济飞速发展，人民生活水平的提高，汽车的舒适性与操纵稳定性已成为人们购车时的首要考虑因素。半主动悬架与主动悬架能根据不同的道路状况，对悬架特性进行调节，可以有效兼顾汽车的舒适性与操纵稳定性，因此得到广泛应用。但是道路信息的准确估计对实现悬架在不同路面下的智能控制十分重要。
4.目前，路面不平度的识别方法主要是接触式测量、非接触式测量与基于车辆响应的估计方法。接触式测量即采用与路面保持接触的路面轮廓测量设备获取路面高程，成本高昂；非接触式测量即通过摄像头等获取路面高程，受外界环境影响较大。受限于上述因素，这两种方法难以得到广泛应用。基于车辆响应的估计，即通过车辆响应与路面激励的关系，由容易测量得到的部分车辆响应信息反推路面激励，成本低且受环境影响较小。同时，基于现代控制理论的悬架控制策略大多需要汽车的运动状态参数作为反馈变量；受限于高成本等因素，轮胎绝对位移等状态变量无法直接测量，限制了部分悬架控制方法的应用。因此，研究以方便测量的车辆响应作为测量输入的路面不平度及车辆状态估计算法有重大工程意义。常晓通等在中国发明公开专利cn113353085a提供的“一种基于卡尔曼滤波理论的路面不平度识别方法”中，建立了被动悬架半车模型，基于卡尔曼滤波理论设计了路面不平度识别算法，能根据车身与车轮加速度实现对路面不平度的估计。但是该方案基于较低自由度数的简化车辆模型，忽略了车辆行驶过程中侧倾运动，与实际车辆的运动存在较大的差别；且无法实现对实际车辆侧倾运动相关的状态变量估计；同时，该方案基于被动悬架的车辆模型，无法应用于配备了半主动悬架或主动悬架的车辆。


技术实现要素：

5.为了至少解决现有技术存在的问题之一，本发明提出一种适用于被动悬架车辆及半主动、主动悬架控制系统的车辆状态及路面不平度的估计方法。该方法将质心垂向加速度、侧倾角速度、俯仰角速度、悬架动挠度及通过数据处理获得的质心垂向位移、侧倾角、俯仰角作为测量值；然后将上述数据输入到车辆状态及路面不平度估计算法中，即可估计出车辆的状态变量及四个车轮的路面不平度信息。
6.为了实现本发明目的，本发明提供的一种车辆状态及路面不平度的估计方法，按以下步骤实现：
7.(1)汽车在行驶过程中，通过安装在汽车上的传感器获实时取汽车质心垂向加速
度、侧倾角速度、俯仰角速度、四个悬架动挠度；
8.(2)通过对传感器采集到的质心垂向加速度、侧倾角速度、俯仰角速度进行滤波处理，并进行积分计算，可以得到汽车的质心垂向位移、侧倾角、俯仰角。
9.(3)将上述传感器直接测得的数据及计算得到的数据输入到所提出的车辆状态及路面不平度估计算法中，得到车辆的状态变量及四个车轮的路面不平度信息。
10.所提出的车辆状态及路面不平度估计的方法，具体为：
11.(1)建立整车七自由度模型的运动微分方程。选取状态变量为：
12.选取控制变量为半主动悬架或主动悬架的作动力：u＝[u
fl u
fr u
rl u
rr
]
t
，扰动变量为四轮路面激励：w＝[q
fl q
fr q
rl q
rr
]
t
；选取测量变量为质心垂向加速度、侧倾角速度、俯仰角速度、四个悬架动挠度以及质心垂向位移、侧倾角、俯仰角：
[0013][0014]
根据选取的状态变量、控制变量等，可以写出七自由度整车模型的状态空间方程：
[0015][0016]
上述状态方程中的ζ为过程噪声，表示的是系统的不确定性等因素，如模型误差；ν表示的是由于传感器的精度不足所产生的测量噪声。假设过程噪声与测量噪声互不相关，且均满足零均值高斯分布，其方差分别为s和r。
[0017]
(2)将四轮路面激励增广至原状态变量中，从而得到增广以后的状态变量为xa＝[x w]
t
，则对状态变量增广以后的状态方程与观测方程如下：
[0018][0019]
对增广以后的状态方程进行离散化，得到离散化以后的状态空间方程：
[0020][0021]
上式中：a
ad
＝i+aaδt；b
ad
＝baδt；c
ad
＝ca；d
ad
＝da。其中，δt为传感器的采样时间。ξk为对状态变量进行增广以后的状态方程过程噪声，且ξk＝[ζkηk]
t
；ζk与ηk分别为增广以前状态方程的过程噪声和路面速度激励。因此，ξk的协方差矩阵可以表示为q
ak
＝diag[s
k qk]。其中sk为增广以前状态方程的过程噪声协方差矩阵，即sk＝e[ζkζ
kt
]；qk为路面速度激励的协方差矩阵，即qk＝e[ηkη
kt
]。另外，测量噪声协方差矩阵rk＝e[νkν
kt
]。
[0022]
(3)基于卡尔曼滤波理论，利用上述增广以后的离散状态方程，可以根据上一个采样时刻的系统后验状态估计值，对此时刻的系统状态进行先验估计；并通过观测方程，通过传感器实测值与测量量估计值之间的偏差，对系统状态进行修正，从而得到此时刻系统的后验状态估计值。具体的计算过程如下：
[0023]
a)进行初始化定义：设定系统初始状态xa(0|0)，选定初始状态误差协方差p
0|0
，确定过程噪声协方差矩阵q
ak
＝diag[s
k qk]以及测量噪声协方差矩阵rk＝e[νkν
kt
]。
[0024]
b)根据上一时刻的后验状态估计值，计算该时刻的先验状态估计值：
[0025]
xa(k+1|k)＝a
ad
xa(k|k)+b
ad
u(k) (4)
[0026]
c)对先验状态估计值的误差协方差矩阵进行更新：
[0027]
p
k+1|k
＝a
ad
p
k|kaadt
+q
ak (5)
[0028]
d)计算卡尔曼增益：
[0029]kk
＝p
k+1|kcadt
[c
ad
p
k+1|kcadt
+rk]-1 (6)
[0030]
e)计算该时刻的后验状态估计值：
[0031]
xa(k+1|k+1)＝xa(k+1|k)+kk[y
k-(c
ad
xa(k+1|k)+d
ad
u(k))]
ꢀꢀ
(7)
[0032]
f)对后验状态估计值的误差协方差矩阵进行更新：
[0033]
p
k+1|k+1
＝(i-k
kcad
)p
k+1|k
ꢀꢀ
(8)
[0034]
通过将xa(k+1|k+1)与p
k+1|k+1
代入公式(4)与公式(5)可实现上述步骤的不断循环，从而估计出每个采样时刻车辆状态以及四个车轮的路面不平度信息。
[0035]
本发明与现有技术相比，至少具有以下优点：
[0036]
1)本发明仅需要位移传感器等常用传感器，即可同时实现对车辆状态变量以及路面不平度的估计，硬件设备成本低，并且受环境因素的影响较小；
[0037]
2)本发明既能用于半主动悬架或主动悬架车辆的状态估计与路面不平度估计，也能应用于被动悬架车辆的状态估计与路面不平度估计。
[0038]
3)提出的车辆状态与路面不平度估计算法基于七自由度整车模型，相比于较低自由度的简化车辆模型，该模型精度更高，更接近实际车辆的情况。
附图说明
[0039]
图1为本发明实施例提供的七自由度整车模型示意图。
[0040]
图2为本发明实施例提供的一种车辆状态及路面不平度的估计方法的流程图。
[0041]
图3为本发明实施例中的仿真流程图。
[0042]
图4为本发明实施例中车辆状态估计值与真实值对比示意图。
[0043]
图5为本发明实施例中路面不平度估计值与真实值对比示意图。
具体实施方式
[0044]
为使本发明的目的、技术方案及优点更加清楚、明确，以下结合附图并举实施例对本发明作进一步详细描述。
[0045]
请参阅图2，本发明提供的一种车辆状态及路面不平度的估计方法，包括以下步骤：
[0046]
步骤1：汽车在行驶过程中，通过安装在汽车上的传感器实时获取汽车质心垂向加速度、侧倾角速度、俯仰角速度、四个悬架动挠度；
[0047]
步骤2：通过对采集到的质心垂向加速度、侧倾角速度、俯仰角速度进行滤波处理，并进行积分计算，可以得到汽车的质心垂向位移、侧倾角、俯仰角。
[0048]
步骤3：将上述传感器直接测得的数据及计算得到的数据输入到所提出的车辆状态及路面不平度估计算法中，得到车辆用于悬架控制的状态变量及四个车轮的路面不平度信息。
[0049]
其中，在本发明的其中一些实施例中，所提出的车辆状态及路面不平度估计的算法，具体为：
[0050]
(1)建立考虑汽车车身垂向、侧倾、俯仰运动及四个簧下质量垂向运动的七自由度整车模型的运动微分方程，七自由度整车模型如图1所示：
[0051]
车身垂向运动：
[0052][0053]
车身侧倾运动：
[0054][0055]
车身俯仰运动：
[0056][0057]
左前轮垂向运动：
[0058][0059]
右前轮垂向运动：
[0060]
左后轮垂向运动：
[0061][0062][0063]
右后轮垂向运动：
[0064][0065]
其中，f
sfl
、f
sfr
、f
srl
、f
srr
分别表示左前、右前、左后、右后悬架系统垂向力：
[0066][0067]
当汽车的侧倾角与俯仰角较小时，近似有：
[0068][0069]
在上述公式中，m
cb
为簧载质量，m
wf
、m
wr
为非簧载质量；j
x
、jy为车身侧倾与俯仰转动惯量；z
cb
、φ、分别为质心位移、侧倾角、俯仰角，分别为z
cb
、φ、的二阶导数；zfl
、z
fr
、z
rl
、z
rr
分别为左前、右前、左后、右后悬架的非簧载质量位移，分别为z
fl
、z
fr
、z
rl
、z
rr
的二阶导数；q
fl
、q
fr
、q
rl
、q
rr
分别为四轮路面激励；lf、lr为质心到前轴、后轴的距离；d为轮距；k
sf
、k
sr
分别为悬架弹簧刚度；c
sf
、c
sr
分别为减振器基础阻尼系数；k
tf
、k
tr
分别为前后轮的刚度；u
fl
、u
fr
、u
rl
、u
rr
为半主动悬架中左前、右前、左后、右后悬架的作动力。z1、z2、z3、z4分别为左前、右前、左后、右后悬架与车身连接处的绝对位移。
[0070]
将公式(9a)—(11)的七自由度整车模型运动微分方程转换为状态空间方程的形式，选取状态变量为：选取控制变量：u＝[u
fl u
fr u
rl u
rr
]
t
，扰动变量w＝[q
fl q
fr q
rl q
rr
]
t
；选取测量变量为：x、u、w、y分别表示状态变量、控制变量、扰动变量、测量变量，上标t表示转置，上标t表示转置，分别为z
fl
、z
fr
、z
rl
、z
rr
、z
cb
的一阶导数；
[0071]
根据选取的状态变量、控制变量、扰动变量和测量变量，可以写出七自由度整车模型的状态空间方程
[0072][0073]
式中：为状态变量x的一阶导数；a为14
×
14维系统状态系数矩阵；b为14
×
4维系统控制系数矩阵；g为14
×
4维系统扰动系数矩阵；c为10
×
14维输出状态系数矩阵；d为10
×
4维输出控制系数矩阵。
[0074]
其中：上述状态方程中的ζ为过程噪声，表示的是系统的不确定性等因素，如模型误差；ν表示的是由于传感器的精度不足所产生的测量噪声。假设过程噪声与测量噪声互不相关，且均满足零均值高斯分布，其方差分别为s和r。状态方程中的矩阵具体如下：
[0075]
(2)将四轮路面激励增广至原状态变量中，从而得到增广以后的状态变量xa＝[x w]
t
，则对状态变量增广以后的状态方程与观测方程如下：
[0076][0077]
上式中：为状态变量xa的一阶导数；aa为18
×
18维系统状态系数矩阵；ba为18
×
4维系统控制系数矩阵；ca为10
×
18维输出状态系数矩阵；da为10
×
4维输出控制系数矩阵。
[0078]
其中，ba＝[b o4×4]
t
，ca＝[c o
10
×4]，da＝d。ξ＝[ζ η]
t
，ζ为对状态变量进行增广以前的状态方程的过程噪声；η为四轮路面速度激励，即
[0079]
对增广以后的状态方程进行离散化，得到离散化以后的状态空间方程：
[0080][0081]
xa(k+1)表示第k+1个采样时刻的状态变量；xa(k)表示第k个采样时刻的状态变量；
u(k)表示第k个采样时刻的控制变量；y(k)表示第k个采样时刻的测量变量。
[0082]
上式中的矩阵：a
ad
＝i+aaδt；b
ad
＝baδt；c
ad
＝ca；d
ad
＝da。其中，δt为传感器的采样时间。ξk为对状态变量进行增广以后的状态方程过程噪声，且ξk＝[ζ
k ηk]
t
；ζk与ηk分别为增广以前状态方程的过程噪声和路面速度激励。因此，ξk的协方差矩阵可以表示为q
ak
＝diag[s
k qk]。其中sk为增广以前状态方程的过程噪声协方差矩阵，即sk＝e[ζkζ
kt
]，e的含义是求均值；qk为路面速度激励的协方差矩阵，即qk＝e[ηkη
kt
]。另外，测量噪声协方差矩阵rk＝e[νkν
kt
]。
[0083]
(3)基于卡尔曼滤波理论，利用上述增广以后的离散状态方程，可以根据上一个采样时刻的系统后验状态估计值，对此时刻的系统状态进行先验估计；并通过观测方程，可以计算出测量量(质心加速度、侧倾角速度、俯仰角速度、悬架动挠度、质心垂向位移、侧倾角、俯仰角)的估计值。之后通过传感器实测值与测量量估计值之间的偏差，对系统状态进行修正，从而得到此时刻系统的后验状态估计值。
[0084]
在本发明的其中一些实施例中，具体的计算过程如下：
[0085]
a)进行初始化定义：设定系统初始状态xa(0|0)，选定初始状态误差协方差p
0|0
，确定过程噪声协方差矩阵q
ak
＝diag[s
k qk]以及测量噪声协方差矩阵rk＝e[νkν
kt
]。
[0086]
b)根据上一时刻的后验状态估计值，计算该时刻的先验状态估计值：
[0087]
xa(k+1|k)＝a
ad
xa(k|k)+b
ad
u(k) (4)
[0088]
c)对先验状态估计值的误差协方差矩阵进行更新：
[0089]
p
k+1|k
＝a
ad
p
k|kaadt
+q
ak (5)
[0090]
d)计算卡尔曼增益：
[0091]kk
＝p
k+1|kcadt
[c
ad
p
k+1|kcadt
+rk]-1 (6)
[0092]
e)计算该时刻的后验状态估计值：
[0093]
xa(k+1|k+1)＝xa(k+1|k)+kk[y
k-(c
ad
xa(k+1|k)+d
ad
u(k))] (7)
[0094]
f)对后验状态估计值的误差协方差矩阵进行更新：
[0095]
p
k+1|k+1
＝(i-k
kcad
)p
k+1|k (8)
[0096]
通过将xa(k+1|k+1)与p
k+1|k+1
代入公式(4)与公式(5)可实现上述步骤的不断循环，从而估计出每个采样时刻的车辆状态以及四个车轮的路面不平度信息。
[0097]
xa(k|k)表示第k个采样时刻的后验状态估计值、p
k|k
表示第k个采样时刻的后验状态估计值的误差协方差矩阵、rk表示第k个采样时刻的测量噪声协方差矩阵、kk表示第k个采样时刻的卡尔曼增益、i表示单位矩阵。
[0098]
在本发明的其中一些实施例中，还包括步骤4：通过上述步骤，可以得到车辆状态的估计值以及四轮路面不平度信息。但是此时得到的路面不平度信息为路面不平度与时间的关系；通过车速可以计算出车辆行驶的距离，从而可以得到路面不平度与纵向距离之间的关系。
[0099]
在本发明的其中一些实施例中，利用上述方法给出的一个具体实施例：
[0100]
请参阅图3，通过carsim与simulink的联合仿真，验证该方法的有效性。仿真车辆的参数如表1所示。
[0101]
为了方便，本实施例采用被动悬架车辆模型来验证该方法的有效性，即图1中的悬架作动力：u
fl
、u
fr
、u
fl
、u
fl
均为0。若要将该方法用于半主动或主动悬架车辆，将u
fl
、u
fr
、u
fl
、ufl
设置为相应的作动力数值即可。仿真的具体流程如图3所示。在carsim中建立c级路面，作为carsim车辆模型的输入。设定车速为20m/s。从carsim中直接导出车辆质心加速度、侧倾角速度、俯仰角速度、悬架动挠度以及质心垂向位移、侧倾角、俯仰角作为测量值。
[0102]
表1仿真车辆模型参数
[0103][0104]
其中，仿真的采样时间设置为5ms。另外，仿真中的过程噪声协方差矩阵为q
ak
＝diag[s
k qk]，其中，sk主要为七自由度整车模型与carsim车辆模型误差的方差；由于两模型之间误差较小，可以取较小值：sk＝10-6
；qk表示的是路面速度激励的方差，qk＝0.1。测量噪声协方差矩阵的对角线元素设置为10-4
。
[0105]
将上述测量量导入到在simulink中搭建的车辆状态及路面不平度估计算法中，即可得到车辆状态估计值以及路面不平度估计值。最后将估计值与真实值进行对比，对比结果如图4和图5所示。可以看到，通过本发明方法得到的估计值与真实值高度重合，有效说明了本发明方法的有效性。
[0106]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种车辆状态及路面不平度的估计方法，其特征在于，包含以下步骤：(1)汽车在行驶过程中，通过安装在汽车上的传感器实时获取汽车质心垂向加速度、侧倾角速度、俯仰角速度、四个悬架动挠度；(2)基于质心垂向加速度、侧倾角速度、俯仰角速度计算得到汽车的质心垂向位移、侧倾角、俯仰角；(3)将上述传感器直接测得的数据及计算得到的数据输入到车辆状态及路面不平度估计算法中，得到车辆的状态变量及四个车轮的路面不平度信息；其中，所述车辆状态及路面不平度估计算法具体为：(3.1)建立七自由度整车模型的运动微分方程，选取状态变量为：选取状态变量为：选取状态变量为：分别是z
fl
、z
fr
、z
rl
、z
rr
的一阶导数，z
fl
、z
fr
、z
rl
、z
rr
分别为左前、右前、左后、右后悬架的非簧载质量位移，是z
cb
的一阶导数，z
cb
是质心位移，φ、分别为侧倾角、俯仰角，分别为φ、的一阶导数，上标t为装置；选取控制变量u＝[u
fl u
fr u
rl u
rr
]
t
，u
fl
、u
fr
、u
rl
、u
rr
为半主动悬架中左前、右前、左后、右后悬架的作动力，扰动变量为四轮路面激励w＝[q
fl q
fr q
rl q
rr
]
t
；选取测量变量为质心垂向加速度、侧倾角速度、俯仰角速度、四个悬架动挠度以及质心垂向位移、侧倾角、俯仰角：z1、z2、z3、z4分别为左前、右前、左后、右后悬架与车身连接处的绝对位移；根据选取的状态变量、控制变量、扰动变量和测量变量，写出七自由度整车模型的状态空间方程：式中，为状态变量x的一阶导数，a为状态系数矩阵，ζ为过程噪声；b为控制系数矩阵；g为扰动系数矩阵，c为输出状态系数矩阵，d为输出控制系数矩阵，ν表示的是由于传感器的精度不足所产生的测量噪声；(3.2)将四轮路面激励增广至原状态变量中，从而得到增广以后的状态变量为x
a
＝[x w]
t
，则对状态变量增广以后的状态方程与观测方程如下：式中：为状态变量x
a
的一阶导数；a
a
为系统状态系数矩阵；b
a
为系统控制系数矩阵；c
a
为输出状态系数矩阵；d
a
为输出控制系数矩阵；对增广以后的状态方程进行离散化，得到离散化以后的状态空间方程：式中：x
a
(k+1)表示第k+1个采样时刻的状态变量；x
a
(k)表示第k个采样时刻的状态变
量；u(k)表示第k个采样时刻的控制变量；y(k)表示第k个采样时刻的测量变量；a
ad
＝i+a
a
δt；b
ad
＝b
a
δt；c
ad
＝c
a
；d
ad
＝d
a
，δt为传感器的采样时间，ξ
k
为对状态变量进行增广以后的状态方程过程噪声，且ξ
k
＝[ζ
k
η
k
]
t
；ζ
k
与η
k
分别为增广以前状态方程的过程噪声和路面速度激励；因此，ξ
k
的协方差矩阵表示为q
ak
＝diag[s
k q
k
]，其中s
k
为增广以前状态方程的过程噪声协方差矩阵，即s
k
＝e[ζ
k
ζ
kt
]；q
k
为路面速度激励的协方差矩阵，即q
k
＝e[η
k
η
kt
]，e为求均值，另外，测量噪声协方差矩阵r
k
＝e[ν
k
ν
kt
]；(3.3)基于卡尔曼滤波理论，利用增广以后的离散状态方程，根据上一个采样时刻的系统后验状态估计值，对此时刻的系统状态进行先验估计；并通过观测方程，通过传感器实测值与测量量估计值之间的偏差，对系统状态进行修正，从而得到此时刻系统的后验状态估计值。2.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，步骤(1)中，测量参数的获取方法为，通过位移传感器测得车辆悬架动挠度，通过惯性测量单元测得汽车质心垂向加速度、侧倾角速度、俯仰角速度。3.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于：所述步骤(2)中，质心垂向位移、侧倾角、俯仰角三个参数的获取方法为：通过对传感器采集到的质心垂向加速度、侧倾角速度、俯仰角速度信号进行滤波处理与积分运算得到。4.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，车辆状态及路面不平度估计算法是基于七自由度整车模型，考虑汽车车身的垂向、侧倾、俯仰运动以及四个簧下质量的垂向运动进行的。5.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，该方法不仅可以用于半主动悬架或主动悬架车辆，还可以通过将控制变量设置为0，将所述方法用于被动悬架车辆状态及路面不平度的估计。6.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，车辆状态及路面不平度估计算法的先验估计状态方程及观测方程，是通过将七自由度整车模型状态方程中的扰动变量，即四轮路面激励增广至状态变量中，并进行离散化得到的。7.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，车辆状态及路面不平度估计算法是一个循环过程：可以根据上一个采样时刻的系统后验状态估计值，基于状态方程对此时刻的系统状态进行先验估计；并通过传感器实测值与测量量估计值之间的偏差，对系统状态进行修正，从而得到此时刻系统的后验状态估计值。8.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，步骤(3.1)中，所述七自由度整车模型的运动微分方程为车身垂向运动：车身侧倾运动：车身俯仰运动：
左前轮垂向运动：右前轮垂向运动：左后轮垂向运动：右后轮垂向运动：其中，f
sfl
、f
sfr
、f
srl
、f
srr
分别表示左前、右前、左后、右后悬架系统垂向力：当汽车的侧倾角与俯仰角较小时，近似有：在上述公式中，m
cb
为簧载质量，m
wf
、m
wr
为非簧载质量；j
x
、j
y
为车身侧倾与俯仰转动惯量；z
cb
、φ、分别为质心位移、侧倾角、俯仰角，分别为z
cb
、φ、的二阶导数；z
fl
、z
fr
、z
rl
、z
rr
分别为左前、右前、左后、右后悬架的非簧载质量位移，分别为z
fl
、z
fr
、z
rl
、z
rr
的二阶导数；q
fl
、q
fr
、q
rl
、q
rr
分别为四轮路面激励；l
f
、l
r
为质心到前轴、后轴的距离；d为轮距；k
sf
、k
sr
分别为悬架弹簧刚度；c
sf
、c
sr
分别为减振器基础阻尼系数；k
tf
、k
tr
分别为前后轮的刚度；u
fl
、u
fr
、u
rl
、u
rr
为半主动悬架中左前、右前、左后、右后悬架的作动力。z1、z2、z3、z4分别为左前、右前、左后、右后悬架与车身连接处的绝对位移。9.根据权利要求1所述的一种车辆状态及路面不平度的估计方法，其特征在于，步骤(3)中得到的路面不平度信息为路面不平度与时间的关系，进一步能够通过车速计算出车辆行驶的距离，从而可以得到路面不平度与纵向距离之间的关系。10.根据权利要求1-9任一所述的一种车辆状态及路面不平度的估计方法，其特征在于，步骤(3.3)中，具体包括以下子步骤：3.3.1)进行初始化定义：设定系统初始状态x
a
(0|0)，选定初始状态误差协方差p
0|0
，确定过程噪声协方差矩阵q
ak
＝diag[s
k q
k
]以及测量噪声协方差矩阵r
k
＝e[ν
k
ν
kt
]；
3.3.2)根据上一时刻的后验状态估计值，计算该时刻的先验状态估计值：x
a
(k+1|k)＝a
ad
x
a
(k|k)+b
ad
u(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)3.3.3)对先验状态估计值的误差协方差矩阵进行更新：p
k+1|k
＝a
ad
p
k|k
a
adt
+q
ak
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)3.3.4)计算卡尔曼增益：k
k
＝p
k+1|k
c
adt
[c
ad
p
k+1|k
c
adt
+r
k
]-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)3.3.5)计算该时刻的后验状态估计值：x
a
(k+1|k+1)＝x
a
(k+1|k)+k
k
[y
k-(c
ad
x
a
(k+1|k)+d
ad
u(k))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)3.3.6)对后验状态估计值的误差协方差矩阵进行更新：p
k+1|k+1
＝(i-k
k
c
ad
)p
k+1|k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)x
a
(k|k)表示第k个采样时刻的后验状态估计值、p
k|k
表示第k个采样时刻的后验状态估计值的误差协方差矩阵、r
k
表示第k个采样时刻的测量噪声协方差矩阵、k
k
表示第k个采样时刻的卡尔曼增益、i表示单位矩阵；通过将x
a
(k+1|k+1)与p
k+1|k+1
代入公式(4)与公式(5)能实现上述步骤的不断循环，从而估计出每个采样时刻的车辆状态以及四个车轮的路面不平度信息。

技术总结
本发明公开了一种车辆状态及路面不平度的估计方法，包含以下步骤：通过传感器实时获取汽车质心垂向加速度、侧倾角速度、俯仰角速度、四个悬架动挠度；基于质心垂向加速度、侧倾角速度、俯仰角速度得到汽车的质心垂向位移、侧倾角、俯仰角；将上述数据输入到所提出的车辆状态及路面不平度估计算法中，得到估计的车辆的状态变量及四个车轮的路面不平度信息。本发明仅需要位移传感器等常用传感器，即可同时实现对车辆状态变量以及路面不平度的估计，硬件设备成本低；本发明既能用于半主动悬架或主动悬架车辆的状态估计与路面不平度估计，也能应用于被动悬架车辆的状态估计与路面不平度估计。估计。估计。


技术研发人员：冯杰寅 殷智宏 上官文斌
受保护的技术使用者：华南理工大学
技术研发日：2023.02.17
技术公布日：2023/6/26