一种用于车轮力传感器的交互式多模型滤波方法与流程

本发明属于汽车测控技术领域，特别涉及一种用于车轮力传感器的交互式多模型滤波方法。

背景技术：

汽车工业在发达国家的经济发展中，起着重要支柱的作用，从某种程度上讲，汽车行业发展水平能够体现出一个国家的整体制造业水平。在我国，近年来汽车的保有量持续增长势头，良好的市场情况刺激了汽车工业的发展，同时也暴露出我国车辆自主研发和测试方面的不足。车辆运动是由地面对车轮作用力、车辆对车轮作用力以及空气作用力等共同作用的结果，其中地面轮胎附着作用是主要因素，并受路面因素、轮胎因素、车辆因素和车辆行驶工况因素等影响，并最终在车轮受力上得到体现。因此，实时检测车辆在各种状态下的车轮力是进行车辆研发和测试的基础。由于车轮力具有很强的随机性，因此对于其进行处理的难度较大。我国在这项领域比较薄弱，尤其是对车轮力传感器输出数据的滤波方面的研究基本处于起步和探索阶段。

本发明专利所应用的对象为东南大学仪器科学与工程学院自主研发的多维轮力传感器(一种测量车轮六维力的传感器ZL201210071761.7)，该多维轮力传感器能够感知车辆行驶过程中地面对车轮的作用力，包括牵引力和正压力。为了得到高精度的车轮力信号，必须对车轮力传感器的输出信号进行滤波降噪。传统的低通滤波器在去除噪声的同时也会损失车轮力信号中的高频分量，而根据不同频率分量阈值进行噪声剔除的小波滤波技术，虽然能够保留车轮力中的高频信号，但小波滤波是一种离线数据处理方法，不能满足高精度车轮力实时输出的要求。

为了解决车轮力信号实时滤波的问题，将卡尔曼滤波器引入到车轮力传感器的数据处理当中。在车轮力处理中使用卡尔曼滤波器需要对车轮力信号进行建模，然而由于车轮力的随机性和不确定性，很难对其精确建模。想要设计出适用于车轮力传感器的实时滤波器，就必须攻克这一技术难关。

技术实现要素：

发明目的：针对现有技术中存在的问题，本发明提供一种用于车轮力传感器的交互式多模型滤波方法，能够涵盖各种动态范围的车轮力，解决随机车轮力信号难以建模的问题，从而实现基于卡尔曼滤波器的车轮力信号实时滤波。

技术方案：为解决上述技术问题，本发明提供一种用于车轮力传感器的交互式多模型滤波方法，其特征在于，包括如下步骤：

步骤一：根据车轮力信号随机性强的特点和车轮力传感器直接输出与真实车轮力之间的数学关系，建立基于Singer模型的车轮力通用动态模型；

步骤二：根据步骤一中所建立的车轮力通用动态模型，通过选取不同的模型参数，分别建立车轮力高动态模型和车轮力低动态模型；

步骤三：根据步骤二中建立的车轮力高动态模型和车轮力低动态模型，采用交互式多模型方法，实现对于全动态范围车轮力信号的建模，并采用卡尔曼滤波器对车轮力信号进行实时滤波。

进一步的，所述步骤一中建立车轮力通用动态模型的具体步骤如下：

步骤1.1：定义k时刻的模型状态量为：

其中和分别为k时刻车轮纵向力、纵向力微分以及二次微分；和分别为k时刻车轮正压力、正压力微分以及二次微分；θ_k、和分别为k时刻车轮旋转角度、旋转角度微分以及二次微分；

步骤1.2：根据步骤1.1中定义的参数构建车轮力通用动态模型为：

X_S，k＝f_S(T，α)X_S，k-1+w_S，k-1

其中f_S(T，α)＝diag[f_S(T，α_Fxw)f_S(T，α_Fzw)f_S(T，α_θ)]，T为采样时间，F_x^w为牵引力和F_z^w为正压力，α_Fxw、α_Fzw和α_θ分别为F_x^w、F_z^w和θ的变化率，w_S，k-1为系统噪声；其中f_S(T，α_Fxw)、f_S(T，α_Fzw)和f_S(T，α_θ)的具体表达式为：

进一步的，所述步骤二中建立车轮力高动态模型和车轮力地动态模型的具体步骤如下：选择α_Fxw＝1/10，α_Fzw＝1/10，α_θ＝1/10，建立车轮力高动态模型；选择α_Fxw＝1/40，α_Fzw＝1/40，α_θ＝1/30，建立车轮力低动态模型。

进一步的，所述步骤三中建立全动态范围车轮力信号模型，并进行实时滤波的具体步骤如下：根据步骤二中所建立的车轮力高动态模型和车轮力低动态模型，分别对牵引力和正压力进行卡尔曼滤波，采用交互式多模型方法，实时计算上述两个模型权重，利用经过归一化权重求取两个模型滤波结果的加权和，并将该值作为轮力滤波的最终输出，这种将两个模型滤波数据相融合的方法，解决了单一模型建模精度较低的问题，改善了车轮力信号的滤波效果。

与现有技术相比，本发明的优点在于：

通过交互式多模型方法，构建能够涵盖所有车轮力动态范围的车轮力模型，并利用卡尔曼滤波器实时对车轮力传感器输出的车轮力数据进行滤波，有效地解决了随机车轮力信号难以建模的问题，实现了车轮力数据的高精度实时滤波。该方法能够应用于东南大学仪器科学与工程学院研发的车轮力传感器的数据滤波，具有很强的实用性。

附图说明

图1为本发明的总体流程图；

图2为图1中步骤三的方法流程图；

图3为实施例中真实车轮力与车轮力传感器直接输出关系示意图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

如图1所示：一种适用于车轮力传感器的交互式多模型滤波方法，包括以下步骤：

步骤一：根据车轮力信号随机性强的特点和车轮力传感器直接输出与真实车轮力之间的数学关系，建立基于Singer模型的车轮力通用动态模型；

为了清楚阐述真实车轮力和车轮力传感器输出之间的关系，分别建立真实车轮力坐标系和车轮力传感器坐标系，如图3所示。真实车轮力坐标系定义如下：选取车轮中心为坐标原点o^w，坐标轴o^wz^w竖直向上，坐标轴o^wx^w指向车轮前进方向；车轮力传感器坐标系定义如下：选取车轮中心为坐标原点o^e，坐标轴o^ex^e与传感器牵引力敏感梁平行，坐标轴o^ez^e与传感器正压力敏感梁平行；θ为真实车轮力坐标系与车轮力传感器坐标系之间的偏转角度，当θ＝0时，真实车轮力坐标系与车轮力传感器坐标系重合。

真实车轮力(包括牵引力和正压力)和真实车轮力坐标系与车轮力传感器坐标系之间偏转角度θ的变化都可以被表述为随机过程，由于它们都是真实存在的物理量，并且是连续变化的，且前后两个数据点之间存在一个有限的增量，可以被视为Markov过程，因此采用基于Markov过程的Singer模型来构建真实车轮力模型是合理的。Singer模型离散状态空间形式如下：

式(1)中：T为采样周期；α＝1/τ表示变量的变化率，它是机动时间τ的倒数，大小取决于机动的持续时间；w_k-1的方差为α的函数。

将Singer模型引入到车轮力信号处理中时，综合考虑牵引力正压力和偏转角度θ，因此选取模型的状态量为：

在如式2所示的状态的基础上，基于Singer模型构建车轮力通用动态模型为：

X_S，k＝f_S(T，α)X_S，k-1+w_S，k-1 (3)

其中f_S(T，α)＝diag[f_S(T，α_Fxw)f_S(T，α_Fzw)f_S(T，α_θ)]，T为采样时间，α_Fxw、α_Fzw和α_θ分别为和θ的变化率。f_S(T，α_Fxw)、f_S(T，α_Dzw)和f_S(T，α_θ)的具体表达式为：

步骤二：根据步骤一所建立的车轮力通用动态模型，通过选取不同的模型参数，分别建立车轮力高动态模型和车轮力低动态模型；

选择α_Fxw、α_Fzw和α_θ，使得车轮力通用动态模型分别适应高动态车轮力和低动态车轮力。

选择α_Fxw＝1/10，α_Fzw＝1/10，α_θ＝1/10，建立车轮力高动态模型。

选择α_Fxw＝1/40，α_Fzw＝1/40，α_θ＝1/30，建立车轮力低动态模型。

步骤三：根据步骤二所建立的车轮力高动态模型和车轮力低动态模型，采用交互式多模型方法，采用交互式多模型算法，将车轮力高动态模型和车轮力低动态模型的滤波输出相互融合，其中车轮力高动态模型和车轮力低动态模型的观测方程均为：

从而实现对于全动态范围车轮力信号的建模，并采用卡尔曼滤波器对车轮力信号进行实时滤波。

通过建立的车轮力高动态模型和车轮力低动态模型，设计基于交互式多模型方法的滤波器，分别对牵引力和正压力进行卡尔曼滤波。具体做法如图2所示：首先利用k-1时刻的滤波结果和经过归一化的模型权重，分别为轮力高动态模型和车轮力低动态模型分配模型输入，接着在k时刻，轮力高动态模型和车轮力低动态模型根据各自的模型输入与k时刻的观测量分别更新各自的模型输出与模型权重，最后利用经过归一化权重求取两个模型输出的加权和并将该值作为轮力滤波的最终输出，这种将两个模型滤波数据相融合的方法，解决了单一模型建模精度较低的问题，改善了车轮力信号的滤波效果。

本发明揭示了一种适用于车轮力传感器的交互式多模型滤波方法，通过交互式多模型方法，构建能够涵盖所有车轮力动态范围的车轮力模型，并利用卡尔曼滤波器实时对车轮力传感器输出的车轮力数据进行滤波，有效地解决了随机车轮力信号难以建模的问题，实现了车轮力数据的高精度实时滤波。该方法能够应用于东南大学仪器科学与工程学院研发的车轮力传感器的数据滤波，具有很强的实用性。

以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。