本发明涉及车辆控制领域，尤其是涉及一种基于卡尔曼滤波的多列车铰接角视觉测量优化方法。
背景技术：
：铰接角是多列车的重要动力学状态，准确的测量多列车辆铰接角可以有利于此类车辆主动安全系统的应用欲开发，如多列车主动转向与多列车倒车系统等。现有的铰接角测量技术分为如下两类：1.接触式测量传感器：如旋转电位器安装在重型车第五轮位置。2.非接触式测量传感器：如超声波传感器和视觉传感器等。接触式测量传感器或超声波传感器只适用于某种特定的铰接形式(如第五轮铰接)。由于视觉系统的图像质量易受诸多因素影响(系统振动、天气等)，视觉传感系统的测量量可靠性会受到影响。技术实现要素：本发明主要是解决现有技术所存在的受限于特定的铰接形式或测量量可靠性不足的技术问题，提供一种不受铰接形式限制、不容易受系统振动或天气干扰的基于卡尔曼滤波的多列车铰接角视觉测量优化方法。本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于卡尔曼滤波的多列车铰接角视觉测量优化方法，包括以下步骤：S1、建立三自由度线性列车车辆系统模型；S2、设定初始值；S3、预测状态；S4、更新卡尔曼增益；S5、修正状态。视觉系统的铰接角测量值以及驾驶员方向盘转角传感器测量值为本系统的输入，拖挂车辆铰接角为本系统的输出。作为优选，所述三自由度线性列车车辆系统模型为：xk+1＝Axk+Buk+wkzk+1＝Cxk+vk其中，k为离散时间序列，xk为状态量，xk为四维向量，包括牵引车侧向速度、横摆角速度、铰接角以及铰接角速度；zk为铰接角的观测量；uk为系统输入量，即方向盘转角；wk为过程噪声；vk为观测噪声；状态空间矩阵A、B和C详细信息如下：M=m1+m2(a-b-d)m2-m2d0m1(b-a)J100-m2dJ2+m2d(b-a+d)J2+m2d200001;]]>N=C1+C2+C3v-(m1+m2)v+a(C1+C2+C3)-C2c-C3(b+e)v-C3ev-C3bC1-(c-b)C2v-m1(b-a)v+abC1+C2(c-b)(c-a)v00-C3evb-a+evC3e+m2dvC3e2vC3e0010;]]>E＝[C1b00]T；A＝M-1N；B＝M-1E；C＝[0001]；其中，m1为牵引车质量,m2为挂车质量；J1为牵引车横摆转动惯量,J2为挂车横摆转动惯量；a为牵引车前轴与牵引车质心的距离，b为牵引车前轴与第五轮的距离，c为牵引车前轴与后轴的距离；d为挂车质心到第五轮的距离，e为后轴到第五轮的距离；C1为牵引车前轴对应的轮胎的侧偏刚度，C2为牵引车后轴对应的轮胎的侧偏刚度，C3为挂车后轴对应的轮胎的侧偏刚度；v为纵向车速，为观测器的系统参数。作为优选，步骤S3中，预测状态依据以下公式确定：x^(k+1|k)=Ax^(k|k)+Buk]]>P(k+1|k)＝AP(k|k)AT+Q其中，为系统状态的先验估计；P(k+1|k)为系统协方差矩阵的先验估计；Q为系统过程协方差。作为优选，步骤S4中，由以下公式实现卡尔曼增益更新：Kk+1＝P(k+1|k)CT(CP(k+1|k)CT+R)-1其中，Kk+1为卡尔曼增益；R为系统测量协方差。作为优选，步骤S5中，状态修正由以下公式确定：x^(k+1|k+1)=x^(k+1|k)+Kk+1(zk+1-Cx^(k+1|k))]]>P(k+1|k+1)＝P(k+1|k)-Kk+1CP(k+1|k)其中，为系统状态的后验估计；P(k+1|k+1)为系统协方差矩阵的后验估计。作为优选，所述步骤S2中，x0的初始值设定为[0000]，状态协方差矩阵初始值P0的初始值设定为0。作为优选，系统过程协方差Q为diag(0.2,0.05,0.1,0.2)；系统测量协方差R为0.1。本发明采用离散卡尔曼滤波算法，可在低速工况下(0-30km/h)优化视觉传感系统铰接角测量输出。本发明利用常见方向盘转角传感器信号修正基于视觉系统的铰接角测量值，能够优化视觉传感系统的铰接角测量精度与可靠性，融合后系统在视觉系统短暂出现错误或无效测量输出的情况下仍能继续有效工作。本方案不增加额外传感设备，且线性卡尔曼滤波算法效率较高，实时性强，适用于车载系统。本发明带来的实质性效果是，不需要额外增加成本，可以有效降低视觉系统测量误差，提升视觉系统对铰接角的测量可靠性。附图说明图1是本发明的一种流程图。具体实施方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：本实施例的一种基于卡尔曼滤波的多列车铰接角视觉测量优化方法，流程图如图1所示。视觉系统的铰接角测量值以及驾驶员方向盘转角传感器测量值为本系统的输入，拖挂车辆铰接角为本系统的输出。本发明采用离散卡尔曼滤波算法，可在低速工况下(0-30km/h)优化视觉传感系统铰接角测量输出，详细的算法步骤介绍如下：1.三自由度线性列车车辆系统模型：xk+1＝Axk+Buk+wkzk+1＝Cxk+vk其中，xk为状态量，为四维向量，包括牵引车侧向速度，横摆角速度，铰接角以及铰接角速度；zk为观测量(铰接角)；uk为系统输入(方向盘转角)；wk为过程噪声；vk为观测噪声；状态空间矩阵A,B,C详细信息如下：M=m1+m2(a-b-d)m2-m2d0m1(b-a)J100-m2dJ2+m2d(b-a+d)J2+m2d200001;]]>N=C1+C2+C3v-(m1+m2)v+a(C1+C2+C3)-C2c-C3(b+e)v-C3ev-C3bC1-(c-b)C2v-m1(b-a)v+abC1+C2(c-b)(c-a)v00-C3evb-a+evC3e+m2dvC3e2vC3e0010;]]>E＝[C1b00]T；A＝M-1N；B＝M-1E；C＝[0001]；其中，m1,m2为牵引车与挂车质量；J1,J2为牵引车与挂车横摆转动惯量；a,b,c分别为牵引车前轴与牵引车质心，第五轮以及后轴的距离；d,e分别为挂车质心以及后轴到第五轮的距离；C1,C2,C3为轮胎侧偏刚度；v为纵向车速设定值(由于此类传感器的适用工况多以低速工况为主，因而此处车速参数设定为15km/h，在车速范围为0-30km/h的情况下，滤波结果均可接受)。2.初始值设定：x0＝[0000]P0＝03.状态预测：x^(k+1|k)=Ax^(k|k)+Buk]]>P(k+1|k)＝AP(k|k)AT+Q其中，为系统状态的先验估计；P(k+1|k)为系统协方差矩阵的先验估计；Q为系统过程协方差；4.卡尔曼增益更新:Kk+1＝P(k+1|k)CT(CP(k+1|k)CT+R)-1其中，Kk+1为卡尔曼增益R为系统测量协方差5.状态修正：x^(k+1|k+1)=x^(k+1|k)+Kk+1(zk+1-Cx^(k+1|k))]]>P(k+1|k+1)＝P(k+1|k)-Kk+1CP(k+1|k)其中，为系统状态的后验估计P(k+1|k+1)为系统协方差矩阵的后验估计观测器参数主要有过程协方差Q以及测量协方差R，其设置如下：Q＝diag(0.2,0.05,0.1,0.2)R＝0.1本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属
技术领域：
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。尽管本文较多地使用了铰接角、侧向速度、噪声等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。当前第1页1 2 3