周兵 李濤 吳曉建 雷富強(qiáng)

摘要：針對(duì)半掛車輛狀態(tài)估計(jì)過程中測量噪聲不確定、累計(jì)誤差影響嚴(yán)重、初值敏感等問題，提出一種適用于半掛車鉸接角、車速等多個(gè)狀態(tài)量估計(jì)的雙自適應(yīng)無跡卡爾曼濾波算法（FFUKF）.基于搭建的半掛汽車12自由度非線性動(dòng)力學(xué)模型和輪胎模型，通過測量的輪速與車輛加速度等信息，首先利用模糊控制自適應(yīng)調(diào)整滑移率容差，綜合判斷每個(gè)車輪的穩(wěn)定狀態(tài)，通過輪速估算出一種車速;與此同時(shí)，模糊控制自適應(yīng)調(diào)整測量噪聲，利用無跡卡爾曼算法，依據(jù)動(dòng)力學(xué)估計(jì)出鉸接角和另一種車速;然后通過卡爾曼濾波算法融合兩種方法估計(jì)的結(jié)果，實(shí)現(xiàn)車輛的縱向、側(cè)向速度、橫擺角速度和掛車與牽引車鉸接角的實(shí)時(shí)估計(jì).最后在Simulink/TruckSim聯(lián)合仿真環(huán)境下進(jìn)行多工況仿真試驗(yàn)，驗(yàn)證所提出的雙自適應(yīng)無跡卡爾曼估計(jì)算法（FFUKF）有較強(qiáng)的適應(yīng)性、穩(wěn)定性和魯棒性，相比普通模糊自適應(yīng)無跡卡爾曼（FUKF）有更高的估計(jì)精度，能有效克服累計(jì)誤差，即便在估計(jì)初始值不準(zhǔn)和有ABS控制輸入的情況，仍可以較精確地對(duì)車速和鉸接角進(jìn)行實(shí)時(shí)估計(jì).

關(guān)鍵詞：半掛車狀態(tài)估計(jì);鉸接角;模糊控制;雙自適應(yīng)無跡卡爾曼

中圖分類號(hào)：U469.6

文獻(xiàn)標(biāo)志碼：A

車輛狀態(tài)信息對(duì)車輛的穩(wěn)定性控制、主動(dòng)安全控制，乃至無人駕駛控制有十分重要的意義[1].實(shí)際應(yīng)用中，輪速和加速度等車輛狀態(tài)參量，可通過車載傳感器直接測量，但諸如質(zhì)心側(cè)偏角和鉸接角等狀態(tài)量，或難以直接測量，或需昂貴傳感器才能測量[2-3].為解決上述問題，利用經(jīng)濟(jì)性好的車載傳感器、結(jié)合車輛動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)原理、運(yùn)用智能算法估計(jì)出所需狀態(tài)量的“軟測量”技術(shù)得到重視[4].

車輛狀態(tài)估計(jì)常用的算法主要有卡爾曼濾波（KF）[5-6]、擴(kuò)展卡爾曼濾波（EKF）[7-9]、無跡卡爾曼濾波（UKF）[10-11]、神經(jīng)網(wǎng)絡(luò)[12-14]和深度學(xué)習(xí)[15]等.通過分析上述狀態(tài)估計(jì)算法，經(jīng)典卡爾曼濾波算法（KF）在車輛表現(xiàn)出復(fù)雜非線性時(shí)的估計(jì)精度低，具有局限性;擴(kuò)展卡爾曼濾波算法（EKF）可針對(duì)性改善非線性系統(tǒng)的估計(jì)問題，但仍只是近似處理，其雅可比矩陣和協(xié)方差矩陣計(jì)算復(fù)雜;無跡卡爾曼濾波（UKF）能很好地適用于非線性系統(tǒng)，但傳統(tǒng)的UKF算法，其過程噪聲和測量噪聲的統(tǒng)計(jì)特性預(yù)先設(shè)為定值，與實(shí)際不符，且定值化處理會(huì)降低估計(jì)精度，甚至導(dǎo)致濾波發(fā)散.針對(duì)過程噪聲和測量噪聲統(tǒng)計(jì)特性的問題，周聰[16]利用基于虛擬噪聲補(bǔ)償技術(shù)的非線性自適應(yīng)濾波算法對(duì)汽車的行駛狀態(tài)進(jìn)行估計(jì).文獻(xiàn)[17]考慮在不同路面激勵(lì)水平情況下，定義了不同的噪聲協(xié)方差，提出了自適應(yīng)無跡卡爾曼濾波狀態(tài)參數(shù)估計(jì)算法，該算法能夠適應(yīng)不同路面的變化，具有較強(qiáng)的穩(wěn)定性.張鳳嬌等[18]引入蟻群優(yōu)化算法對(duì)汽車狀態(tài)進(jìn)行估計(jì)，降低噪聲的干擾，提高了估計(jì)精度.周衛(wèi)琪等[19]結(jié)合UKF算法與遺傳算法對(duì)汽車狀態(tài)參數(shù)進(jìn)行估計(jì)，實(shí)現(xiàn)了噪聲的自適應(yīng)調(diào)節(jié)，有效提高了估計(jì)精度.張一西等[20]提出一種基于蟻獅算法的無跡卡爾曼濾波狀態(tài)參數(shù)估計(jì)器，采用蟻獅優(yōu)化算法（ALO）對(duì)噪聲協(xié)方差矩陣進(jìn)行尋優(yōu)，提高估計(jì)的精度.需要說明的是，目前對(duì)于帶有掛車的車輛進(jìn)行狀態(tài)估計(jì)的資料較少，張不揚(yáng)等[21]在傳統(tǒng)UKF基礎(chǔ)上，加入了具有自適應(yīng)性作用的遺忘因子，對(duì)重型半掛車橫擺角速度和鉸接角進(jìn)行了估計(jì).

以上文獻(xiàn)對(duì)車輛狀態(tài)估計(jì)做了積極的研究工作，但在以下幾方面有待繼續(xù)深入：

1）針對(duì)帶有掛車這類復(fù)雜鉸接車輛的狀態(tài)估計(jì)，現(xiàn)有研究較少聚焦，尤其是考慮牽引-半掛車高維自由度、強(qiáng)非線性特性的狀態(tài)估計(jì).

2）上述估計(jì)方法都以UKF為基礎(chǔ)，屬于無限增長記憶型濾波，在進(jìn)行k時(shí)刻的最優(yōu)估計(jì)時(shí)，要用到k時(shí)刻之前的所有數(shù)據(jù)，因此隨著時(shí)間的推移，容易造成誤差累積，可能導(dǎo)致濾波發(fā)散[22].

3）上述方法對(duì)估計(jì)初值要求較高，當(dāng)初值不準(zhǔn)確時(shí)，可能導(dǎo)致估計(jì)效果不佳，而在斷電再恢復(fù)的情形，這種情況更加明顯.

4）許多狀態(tài)估計(jì)是在標(biāo)準(zhǔn)工況下進(jìn)行，當(dāng)出現(xiàn)ABS控制制動(dòng)和大轉(zhuǎn)角等特殊的情形，由于輪速變化劇烈，對(duì)應(yīng)的輪速傳感器所測值誤差大，此時(shí)很難實(shí)現(xiàn)準(zhǔn)確的狀態(tài)估計(jì).

本文以半掛車輛為研究對(duì)象，針對(duì)狀態(tài)估計(jì)過程中存在的上述累計(jì)誤差、初值敏感、ABS介入等問題，提出一種雙自適應(yīng)無跡卡爾曼濾（FFUKF）估計(jì)算法，可對(duì)強(qiáng)非線性動(dòng)力學(xué)系統(tǒng)同時(shí)實(shí)時(shí)估計(jì)出其縱向/側(cè)向速度、橫擺角速度和鉸接角，且比普通模糊自適應(yīng)無跡卡爾曼（FUKF）有更高的精度.

1車輛動(dòng)力學(xué)模型建立

1.1整車模型

因本文關(guān)注半掛車縱向/側(cè)向速度、橫擺角速度以及鉸接角等狀態(tài)量的估計(jì)，且使之適用于ABS控制工況，故分別建立牽引車和掛車的縱向、側(cè)向和橫擺自由度，以及6個(gè)車輪的旋轉(zhuǎn)自由度.根據(jù)上述情況，建立了掛車和牽引車的12自由度車輛模型，車輛動(dòng)力學(xué)分析俯視示意圖如圖1所示.

車輛運(yùn)動(dòng)微分方程如下：

（1）牽引車模型

縱向運(yùn)動(dòng)方程：

側(cè)向運(yùn)動(dòng)方程：

橫擺運(yùn)動(dòng)方程：

（2）半掛車模型

縱向運(yùn)動(dòng)方程：

側(cè)向運(yùn)動(dòng)方程：

橫擺運(yùn)動(dòng)方程：

（3）鉸接點(diǎn)受力關(guān)系

牽引車和半掛車通過鞍座鉸接，鉸接點(diǎn)所受到的縱向力與橫向力的關(guān)系如圖2所示.

牽引點(diǎn)的縱向力和側(cè)向力的坐標(biāo)變換關(guān)系如下：

上列各式中，下標(biāo)1、2分別代表牽引車和掛車;fl、fr、rl、rr、l2、r2分別代表6個(gè)車輪.各符號(hào)含義見表1.

1.2輪胎模型

魔術(shù)公式輪胎模型具有較高的擬合精度、良好的魯棒性和極限狀況下較高的置信度，并以一套形式相同的公式就可以描述等優(yōu)點(diǎn)，被廣泛使用[23].本文采取“魔術(shù)公式”輪胎模型來求取輪胎力，模型對(duì)應(yīng)關(guān)系如圖3所示，其表達(dá)式為：

?式中：X為輸入變量;Y為輸出變量;B為剛度系數(shù);C為曲線形狀系數(shù)，控制了正弦函數(shù)的范圍，故決定了曲線的形狀;D為曲線峰值;E控制了曲線峰值的曲率.具體各系數(shù)的值與輪胎載荷、車輪外傾角及路面附著條件等因素有關(guān).

各輪滑移率通過下式得到：

側(cè)偏角通過下式得到：

式中，K為各車輪的滑移率;α）為各車輪的側(cè)偏角;w）為各輪心速度.

2雙自適應(yīng)UKF設(shè)計(jì)

本文的估計(jì)量為掛車與牽引車的縱向速度、側(cè)向速度、橫擺角速度以及掛車與牽引車的鉸接角.為精確估計(jì)，選取縱向、側(cè)向加速度和橫擺角加速度為測量量，以方向盤轉(zhuǎn)角和車輪輸入力矩為控制輸入.依據(jù)狀態(tài)估計(jì)的方法，將上述整車動(dòng)力學(xué)模型狀態(tài)和測量方程寫成標(biāo)準(zhǔn)形式為：

式中：x（k）和z（k）分別為系統(tǒng)狀態(tài)向量和測量向量;u（k）為輸入向量;W（k）和V（k）分別為過程噪聲和測量噪聲;f和h分別為非線性狀態(tài)函數(shù)和觀測函數(shù);Tfl、Tfr、Trl、Trr、Tl2、Tr2對(duì)應(yīng)6個(gè)車輪的轉(zhuǎn)矩輸入，具體通過下式獲得：

2.1模糊自適應(yīng)UKF估計(jì)算法

2.1.1UKF算法

無跡卡爾曼（Unscented Kalman Filter，UKF）在卡爾曼線性濾波框架的基礎(chǔ)上，采用無跡變換處理均值和協(xié)方差的非線性傳遞問題，在估計(jì)點(diǎn)附近確定采樣點(diǎn)，用這些樣本點(diǎn)來逼近狀態(tài)的后驗(yàn)概率密度，這樣是對(duì)非線性函數(shù)的概率密度分布進(jìn)行近似，所得到的均值和協(xié)方差至少具有泰勒展開式的2階精度[24]，具體無跡卡爾曼濾波方法見圖4.

2.1.2噪聲自適應(yīng)模糊算法

實(shí)際車輛在行駛過程中，外界情況復(fù)雜且多變，測量噪聲協(xié)方差陣R是變量，需要?jiǎng)討B(tài)調(diào)整[25].可通過模糊控制動(dòng)態(tài)調(diào)整R，使?fàn)顟B(tài)估計(jì)結(jié)果更為準(zhǔn)確.

計(jì)算卡∑爾曼濾波協(xié)方差的理論值：

計(jì)算實(shí)際殘差的協(xié)∑方差：

式中：M為平滑窗口.

確定模糊控制輸入輸出：

式中：t[r]為矩陣的跡.

定義輸入輸出模糊集：

建立模糊規(guī)則如表2所示

當(dāng)無跡卡爾曼協(xié)方差越準(zhǔn)確，殘差實(shí)際值與理論值之差ek越接近0，相反，其絕對(duì)值越大.故將ek和其變化率eck定義為模糊控制輸入，定義ε為模糊控制輸出，再通過下式得到自適應(yīng)后的測量噪聲協(xié)方差陣Rf.

通過動(dòng)態(tài)調(diào)整測量噪聲協(xié)方差陣Rf，使UKF中系統(tǒng)預(yù)測的協(xié)方差動(dòng)態(tài)調(diào)整，進(jìn)而完成自適應(yīng)濾波功能，達(dá)到使?fàn)顟B(tài)估計(jì)更準(zhǔn)確和穩(wěn)定的目的.

2.2車輪等效車速估計(jì)算法

車輛在正常行駛中，車輪做純滾動(dòng)的情況占居較大的比例，且目前車輪轉(zhuǎn)速的測量較準(zhǔn)確.故這里通過模糊控制自適應(yīng)判斷穩(wěn)定單輪，以車輪轉(zhuǎn)速為輸入，利用穩(wěn)定輪轉(zhuǎn)速，等效計(jì)算出整車車速.

2.2.1等效車速計(jì)算

當(dāng)車輪處于穩(wěn)定純滾動(dòng)狀態(tài)時(shí)，車輪輪速與車速存在運(yùn)動(dòng)學(xué)關(guān)系.分別利用各純滾動(dòng)輪的輪速，計(jì)算出相應(yīng)的車輛縱向速度，再利用最小二乘法計(jì)算得到等效車輛縱向速度，計(jì)算如下：

式中：入mn為最小殘差平方和;為等效車輛縱向速度;為各車輪處速度;R為各車輪滾動(dòng)半徑.

2.2.2車輪穩(wěn)定性判斷

上述為車輪純滾動(dòng)計(jì)算得到的車輛速度，實(shí)際上在緊急制動(dòng)和加速等工況車輪并非純滾動(dòng)，需對(duì)其進(jìn)行穩(wěn)定性判斷，篩選出穩(wěn)定的車輪再用2.2.1計(jì)算等效車速.這里采用基于車輪速度和加速度兩種方法，綜合判斷各個(gè)車輪的穩(wěn)定狀態(tài)，同時(shí)引入模糊控制自適應(yīng)調(diào)節(jié)，提高估計(jì)器的適應(yīng)性.

（1）基于速度判斷

以測量的車輪轉(zhuǎn)速為輸入，通過汽車動(dòng)力學(xué)關(guān)系求得輪胎的滑移率，依據(jù)各車輪的滑移率是否小于滑移率容差來判斷車輪是否做純滾動(dòng)運(yùn)動(dòng).

式中，v（ij）為車輛輪心速度;κvf為滑移率容差.

（2）基于加速度判斷

以測量的車輪轉(zhuǎn)速和車輛加速度為輸入，通過車輪轉(zhuǎn)速算出車輛的等效加速度，與（1）類似，該值與傳感器測得的車輛加速度求容差，判斷各車輪是否做純滾動(dòng)運(yùn)動(dòng).

式中：ax（ij）為等效的車輛加速度;acx為測量的車輛加速度;κaf為加速度容差.

2.2.3容差自適應(yīng)模糊算法

同樣由于實(shí)際外界情況復(fù)雜，不同附著路面、急劇的轉(zhuǎn)向、驅(qū)動(dòng)與制動(dòng)等對(duì)（1）（2）影響巨大[26]，故通過模糊控制原理動(dòng)態(tài)調(diào)整容差，以適應(yīng)在ABS等復(fù)雜工況，提高狀態(tài)估計(jì)的準(zhǔn)確性.

（1）確定模糊控制輸入輸出這里以車輛轉(zhuǎn)角δ及其斜率δc和車輪轉(zhuǎn)矩T（ij）及

其斜率Tc（ij）為模糊控制輸入，以車輪滑移率容差κvf和車輛加速度容差κaf為模糊控制輸出.

（2）定義輸入輸出模糊集

輸入：δ={NB，NS，Z，PS，PB}

δc={NB，NS，Z，PS，PB}

T（ij）={NB，NS，Z，PS，PB}

Tc（ij）={NB，NS，Z，PS，PB}

輸出：kvf={NB，NM，NS，Z，PS，PM，PB}kaf={NB，NM，NS，Z，PS，PM，PB}

（3）建立模糊規(guī)則，如表3所示.

在急劇的轉(zhuǎn)角和驅(qū)動(dòng)與制動(dòng)的情況下，適當(dāng)?shù)臏p小容差，以提高判斷車輪穩(wěn)定的準(zhǔn)確性，提高估計(jì)器的精度和適應(yīng)性.本估計(jì)器后續(xù)可擴(kuò)展估計(jì)出路面附著系數(shù)，該值亦可做為模糊控制的輸入，進(jìn)一步改善估計(jì)效果.

2.3雙自適應(yīng)UKF算法

在基于半掛汽車的12自由度非線性動(dòng)力學(xué)模型的基礎(chǔ)上，通過測量的輪速、車輛加速度和方向盤轉(zhuǎn)角等信息，首先利用模糊控制自適應(yīng)調(diào)整速度和加速度容差，綜合判斷篩選出穩(wěn)定狀態(tài)的車輪，結(jié)合動(dòng)力學(xué)原理，通過輪速算出等效縱向車速，此為估計(jì)器1;然后模糊控制自適應(yīng)調(diào)整測量噪聲，利用無跡卡爾曼估計(jì)出鉸接角和車速，此為估計(jì)器2;最后通過卡爾曼算法，以估計(jì)器1縱向車速為測量量，估計(jì)器2縱向速度為狀態(tài)量，融合二者所估計(jì)的結(jié)果，實(shí)時(shí)估計(jì)出車輛的縱向/側(cè)向速度、橫擺角速度和掛車與牽引車的鉸接角，具體流程如圖5.

如果估計(jì)器1判斷得到全部車輪均為非穩(wěn)定狀態(tài)，輸出上狀態(tài)車速;如存在穩(wěn)定車輪，則會(huì)在估計(jì)器2的基礎(chǔ)上融入估計(jì)器1的結(jié)果，由于引入了新的測量值，且為非積分估計(jì)，可以有效克服估計(jì)器2的累計(jì)誤差，也因此對(duì)整體估計(jì)器的初值的準(zhǔn)確性要求低，即使出現(xiàn)斷電再恢復(fù)等特殊情況，依然可以較精確地重新估計(jì)出狀態(tài)量.

3仿真驗(yàn)證

本文采用Simulink與TruckSim聯(lián)合仿真平臺(tái)，以TruckSim輸出的值為參考值，驗(yàn)證本算法的有效性.在TruckSim模型中選用有ABS制動(dòng)的半掛車輛，添加掛車后，將方向盤轉(zhuǎn)角和制動(dòng)力矩做為輸入.TruckSim輸出的車輪轉(zhuǎn)角和車輪轉(zhuǎn)矩為估計(jì)算法的輸入;縱向、側(cè)向加速度、橫擺角速度以及車輪轉(zhuǎn)速為估計(jì)器的測量值，表4為整車參數(shù).

雙自適應(yīng)無跡卡爾曼估計(jì)器（FFUKF）的狀態(tài)變量初始值為[50/3.6，0，0，0]T，過程噪聲協(xié)方差矩陣初始值為Q=diag[0.01，0.01，0.01，0.1]，觀測噪聲協(xié)方差初始值為R=1，采樣時(shí)間為0.001s.為進(jìn)一步驗(yàn)證所提出算法的精確性，本文與普通模糊自適應(yīng)無跡卡爾曼估計(jì)器（FUKF）估計(jì)的結(jié)果進(jìn)行對(duì)比分析.下面分別進(jìn)行兩種工況仿真分析，在不同控制下對(duì)估計(jì)器進(jìn)行驗(yàn)證.

3.1角階躍工況

依據(jù)國標(biāo)GB/T6323—2014設(shè)置方向盤轉(zhuǎn)角階躍輸入仿真.初始車速為50km/h，直線行駛4.5s后方向盤轉(zhuǎn)動(dòng)90°并固定數(shù)秒，在8s時(shí)，給牽引車后輪制動(dòng)泵以30MPa的壓強(qiáng)，進(jìn)行緊急制動(dòng)，并保持2s，方向盤轉(zhuǎn)角和制動(dòng)設(shè)置如圖6所示，牽引車后輪的輪速如圖7所示.

方向盤轉(zhuǎn)角階躍輸入仿真工況中，本文所提雙自適應(yīng)無跡卡爾曼算法（FFUKF）和普通模糊自適應(yīng)無跡卡爾曼算法（FUKF）估計(jì)出的牽引車與掛車的縱向、側(cè)向速度和橫擺角速度以及二者的鉸接角分別與TruckSim的輸出值進(jìn)行對(duì)比，如圖8-14所示.

通過仿真結(jié)果對(duì)比可知：

縱向速度估計(jì)中，自適應(yīng)無跡卡爾曼（FFUKF）和模糊自適應(yīng)無跡卡爾曼（FUKF）算法在未有轉(zhuǎn)角輸入前（0～4.5s）對(duì)掛車和牽引車均有較高的估計(jì)精度，但是將曲線比例放大后，可以對(duì)比看出FUKF仍然有一定誤差，F(xiàn)FUKF算法的估計(jì)精度更高，在有轉(zhuǎn)角輸入后（4.5～12s），F(xiàn)UKF算法對(duì)牽引車縱向速度的估計(jì)的誤差逐漸增大，而FFUKF算法能一直保持較高的估計(jì)精度，其中牽引車在11s時(shí)由8.356m/s下降到8.217m/s，與參考值8.218m/s相比，誤差由1.679%縮小到0.012%;側(cè)向速度估計(jì)中，二者均有一定誤差，但FUKF算法的估計(jì)誤差相對(duì)較小，尤其牽引車的側(cè)向速度估計(jì)，可明顯觀察出FFUKF估計(jì)誤差在逐漸向參考值靠近，其中牽引車在11s時(shí)由0.209m/s下降到0.197m/s，與參考值0.188m/s相比，誤差由11.170%縮小到4.787%;橫擺角速度以及牽引車與掛車的鉸接角估計(jì)中，自適應(yīng)無跡卡爾曼（FFUKF）和FUKF算法對(duì)鉸接角的估計(jì)均有較高的精度，放大后可看出，F(xiàn)FUKF算法的估計(jì)值更接近參考值，尤其是鉸接角基本與參考值重合.

3.2雙移線工況

設(shè)置雙移線工況仿真，運(yùn)動(dòng)軌跡如圖15所示，參考ISO3888-1—1999標(biāo)準(zhǔn)[27]，考慮半掛車車速略低乘用車，本文設(shè)置初始車速為50km/h，直線行駛50m后開始轉(zhuǎn)向，方向盤轉(zhuǎn)角如圖16所示.

雙移線仿真工況中，本文所提雙自適應(yīng)無跡卡爾曼算法（FFUKF）和模糊自適應(yīng)無跡卡爾曼算法（FUKF）估計(jì)出的牽引車與掛車的縱向、側(cè)向速度和橫擺角速度以及二者的鉸接角分別與TruckSim的輸出值進(jìn)行對(duì)比，如圖17-23所示.

通過仿真結(jié)果對(duì)比可知，在縱向速度和橫擺角速度估計(jì)中，雙自適應(yīng)無跡卡爾曼（FFUKF）算法的估計(jì)精度均高于模糊自適應(yīng)無跡卡爾曼（FUKF）算法，尤其在牽引車縱向速度估計(jì)中，雙自適應(yīng)無跡卡爾曼（FFUKF）的估計(jì)精度優(yōu)勢最為突出，其中牽引車在9s時(shí)由13.72m/s上升到13.745m/s，與參考值13.75m/s相比，誤差由0.218%縮小到0.036%.在掛車的側(cè)向速度估計(jì)中，F(xiàn)UKF算法也具有較高精度，但將曲線比例放大后，看出本文所提算法仍然具有更好的估計(jì)精度.牽引車與掛車的鉸接角估計(jì)中，在10s之后，明顯對(duì)比出FFUKF算法的精度更高.

4結(jié)論與展望

1）本文以半掛車輛為研究對(duì)象，搭建車輛12自由度非線性動(dòng)力學(xué)模型和輪胎模型，利用模糊控制自適應(yīng)調(diào)整滑移率容差和測量噪聲，在UKF算法的基礎(chǔ)上，提出雙自適應(yīng)無跡卡爾曼估計(jì)算法（FFUKF），可以實(shí)現(xiàn)實(shí)時(shí)估計(jì)出車輛的縱向、側(cè)向速度、橫擺角速度和掛車與牽引車的鉸接角的目的.

2）在Simulink/TruckSim聯(lián)合環(huán)境下進(jìn)行多工況實(shí)驗(yàn)，驗(yàn)證所提出的雙自適應(yīng)無跡卡爾曼估計(jì)算法（F℉UKF）具有良好的魯棒性，降低估計(jì)對(duì)估計(jì)初值準(zhǔn)確性的依賴性，且在有ABS控制輸入的情況，仍可以更精確地對(duì)車速和鉸接角進(jìn)行實(shí)時(shí)估計(jì).

3）本文所提算法只在縱向速度估計(jì)中引入新的測量量，有效克服了縱向速度的累計(jì)誤差，減少了由于縱向速度的累計(jì)誤差對(duì)側(cè)向速度和橫擺角速度的影響，但在側(cè)向速度和橫擺角速度的估計(jì)里面暫時(shí)未引入新的量，不能根本上消除側(cè)向速度和橫擺角速度的累計(jì)誤差，后續(xù)需要進(jìn)一步的研究擴(kuò)展.其次本估計(jì)方法用到了模糊控制，其在實(shí)際應(yīng)用需要根據(jù)具體情況進(jìn)行調(diào)整.

參考文獻(xiàn)

[1] TIN LEUNG K，WHIDBORNE J F，PURDY D，et al.A review of ground vehicle dynamic state estimations utilising GPS/INS[J]. Vehicle System Dynamics，2011，49（1/2）：29-58.

[2]邢德鑫，魏民祥，趙萬忠，等.基于自適應(yīng)容積粒子濾波的車輛狀態(tài)估計(jì)[J].南京航空航天大學(xué)學(xué)報(bào)，2020，52（3）：445-453.

[3] WANG C，WANG Z P，ZHANG L，et al.A vehicle rollover evalu?ation system based on enabling state and parameter estimation[J]. IEEE Transactions on Industrial Informatics，2021，17（6）：4003- 4013.

[4] GUO H Y，CAO D P，CHEN H，et al.Vehicle dynamic state esti?mation：state of the art schemes and perspectives[J].IEEE/CAA Journal of Automatica Sinica，2018，5（2）：418-431.

[5] BERGMAN M J，DELLEUR J W.Kalman filter estimation and prediction of daily stream flows：ii. application to the Potomac river1[J].JAWRA Journal of the American Water Resources As?s o c i a t i o n ，1 9 8 5 ，2 1（ 5 ）：8 2 7 - 8 3 2 .

[6] LI Y，JIA H L，QI J T，et al.An acquisition method of agricultural equipment roll angle based on multi-source information fusion [ J ]. S e n s o r s ，2 0 2 0 ，2 0（ 7 ）：2 0 8 2 .

[J].Sensors，2020，20（7）：2082.

[7]耿國慶，韋斌源，江浩斌，等.基于NA-EKF的分布式驅(qū)動(dòng)電動(dòng)汽車行駛狀態(tài)估計(jì)研究[J].汽車工程，2018，40（7）：770-776.

[8]李旭，宋翔，張為公.基于擴(kuò)展卡爾曼濾波的車輛狀態(tài)可靠估計(jì)[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，44（4）：740-744.

[9] ?KATRINIOK A，ABEL D.Adaptive EKF-based vehicle state es?timation with online assessment of local observability[J].IEEE Transactions on Control Systems Technology，2016，24（4）：1368- 1381.

[10] ?CHEN J，SONG J，LI L，et al.UKF-based adaptive variable struc?ture observer for vehicle sideslip with dynamic correction[J]. IET Control Theory & Applications，2016，10（14）：1641-1652.

[11] LUO Z Y，F(xiàn)U Z H，XU Q W.An adaptive multi-dimensional ve?hicle driving state observer based on modified sage–husa UKF al?g o r i t h m[ J ]. S e n s o r s ，2 0 2 0 ，2 0（ 2 3 ）：6 8 8 9 .

[12]褚端峰，吳超仲，胡釗政，等.基于雙線性觀測器的汽車側(cè)傾狀態(tài)估計(jì)[J].中國公路學(xué)報(bào)，2016，29（1）：128-134.

[13]祿盛，連馬俊，劉洋，等.基于非線性觀測器和UKF的車輛狀態(tài)估計(jì)對(duì)比研究[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2020，50（04）：1288-1300.

[14] ?VARGAS-MELENDEZ L，BOADA B，BOADA M，et al. Sensor fusion based on an integrated neural network and probability den?sity function （PDF） dual Kalman filter for on-line estimation of vehicle parameters and states[J].Sensors，2017，17（5）：987.

[15]張鳳嬌，汪?，趙萬忠.基于深度學(xué)習(xí)的極限工況下車輛的狀態(tài)估計(jì)[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2018，32（10）：64-70.

[16]周聰.基于非線性估計(jì)理論的線控轉(zhuǎn)向汽車狀態(tài)估計(jì)研究[D].成都：西南交通大學(xué)，2012.

[17] ?WANG Z F，QIN Y C，GU L，et al.Vehicle system state estima?tion based on adaptive unscented Kalman filtering combing with road classification[J].IEEE Access，2017，5：27786-27799.

[18]張鳳嬌，魏民祥，趙萬忠.基于蟻群優(yōu)化UKF算法的汽車狀態(tài)估計(jì)[J].中國機(jī)械工程，2015，26（22）：3046-3050.

[19]周衛(wèi)琪，齊翔，陳龍，等.基于無跡卡爾曼濾波與遺傳算法相結(jié)合的車輛狀態(tài)估計(jì)[J].汽車工程，2019，41（2）：198-205.

[20]張一西，馬建，趙軒，等.基于蟻獅算法的UKF車輛狀態(tài)參數(shù)估計(jì)器[J].中國公路學(xué)報(bào)，2020，33（5）：165-177.

[21]張不揚(yáng)，宗長富，王化吉，等.基于自適應(yīng)卡爾曼算法的重型半掛車狀態(tài)估計(jì)研究[J].汽車技術(shù)，2012（7）：1-5.

[22]孫威，付翔，唐科懿，等.四輪獨(dú)立驅(qū)動(dòng)車輛縱向車速與坡度的聯(lián)合估計(jì)[J].武漢理工大學(xué)學(xué)報(bào)，2017，39（6）：28-33.

[23] SUN F，HUANG X H，RUDOLPH J，et al.Vehicle state estima?tion for anti-lock control with nonlinear observer[J].Control En?gineering Practice，2015，43：69-84.

[24] PEI X F，CHEN Z F，YANG B，et al.Estimation of states and pa?rameters of multi-axle distributed electric vehicle based on dual unscented Kalman filter[J].Science Progress，2020，103（1）： 003685041988008.

[25]方賢生，高秀琴，羅良銓，等.基于模糊自適應(yīng)無跡Kalman濾波的車輛狀態(tài)參數(shù)估計(jì)[J].現(xiàn)代制造工程，2020（7）：25-30.

[26]孫磊，劉平，楊明亮，等.四輪獨(dú)立驅(qū)動(dòng)電動(dòng)汽車多模式自適應(yīng)車速估計(jì)方法[J].汽車技術(shù)，2019（7）：36-41.

[27]王建鋒，郭維.重型車輛運(yùn)動(dòng)狀態(tài)估計(jì)仿真研究[J].計(jì)算技術(shù)與自動(dòng)化，2018，37（1）：14-18.