原创 基于扩展卡尔曼滤波的汽车行驶状态估计

线控转向技术（Steer-By-Wire，SBW）的出现给汽车转向系统带来了新的发展。线控转向系统可自由设计转向角系统的转向特性和力传递特性，对提高“人-车-路”的主动安全性和闭环系统的操纵稳定性均具有很大的作用。随着其安全性和可靠性的提高，SBW系统将成为未来发展方向的主流。SBW系统的方向盘与方向盘之间的机械连接被电子电路控制所取代，为驾驶员提供了更加方便和安全的驾驶，但是在车辆转向过程的线控转向系统中，由于信息的多样性和复杂性等因素，其性能非常差需要一种低成本，准确的车辆状态参数方法。因此，把这种新兴的主题信息融合被应用于车辆状态估计中。

1信息融合技术

信息融合技术涉及多个学科，属于信息技术领域的前沿，其理论和方法已广泛应用于各行各业。卡尔曼滤波算法以其准确，快速的信息多样性和受欢迎的优势。建立了非线性的七自由度车辆模型，采用无迹卡尔曼滤波理论，估计了车辆的纵向速度。二自由度车辆模型中，运动的粒子滤波算法用于估计汽车的状态。通过查看资料，EKF估计算法的UKF估计算法及其计算量然而，它仅适用于连续可微非线性系统，非线性函数的一阶线性化的逼近精度较低，容易导致稳定性较差。粒子滤波估计算法可以更好地处理非高斯滤波问题和非线性系统，但是该算法的实时性和容易使粒子样本枯竭的能力。EKF技术可以扩展泰勒级数的非线性函数，并省略一些高阶项，将非线性系统转换为线性系统，其计算精度高，滤波稳定性强，更易于工程实施，非线性线度低在车辆模型上控制转向系统，可以进行信息融合，更好地获取车辆状态参数。

2方法

基于三自由度结构，多传感器网络获取车辆交通状况的非线性车辆模型的EKF车辆状态估计算法，借助EKF算法的原理，使用少量易于测量的转向来建立信息融合车轮角度，车辆纵向加速度作为输入信号，例如在融合后获得横向角速度，垂直速度状态参数等。该算法能够准确地估计车身纵向速度和偏航角速度，为路感仿真提供决策依据。但是该算法仅使用简单的三自由度车辆模型，并且仅混合了方向盘角度，车辆纵向加速度等车辆状态参数。

因此，今后的研究将整合到车道线和交通标志信息中，采用多种信息融合方法，SBW系统的设计方式，实现线控转向系统的实时性能，舒适性和操纵稳定性。