(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111394185.5 (22)申请日 2021.11.23 (71)申请人 清华大学 地址 100084 北京市海淀区10 0084信箱82 分箱清华大学专利办公室 (72)发明人 李婧媛　刘亚辉　刘玉龙　徐涛　 (74)专利代理 机构 北京纪凯知识产权代理有限 公司 11245 代理人 冀志华 (51)Int.Cl. G06F 30/20(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于双扩展卡尔曼滤波的车辆侧倾状 态估计方法 (57)摘要 本发明涉及一种基于双扩展卡尔曼滤波的 车辆侧倾状态估计方法， 其包括以下步骤： 根据 力矩平衡建立考虑侧倾运动和横摆运动的五自 由度车辆动力学模型， 得到系统的状态方程和输 出方程； 基于采集的待估计车辆的相关数据， 利 用双扩展卡尔曼滤波方法对所述状态方程和输 出方程进行求解， 得到待估计车辆侧倾状态的估 计结果。 本发 明得到的侧倾角估计值可以用于商 用车的防侧翻控制， 具有估计精度高、 实时性好、 成本低等优点。 本发明可以广泛应用于汽车电子 控制领域。 权利要求书3页 说明书11页 附图2页 CN 114139360 A 2022.03.04 CN 114139360 A 1.一种基于双扩展卡尔曼 滤波的车辆侧倾状态估计方法， 其特 征在于包括以下步骤： 根据力矩平衡建立考虑侧倾运动和横摆运动的五自由度 车辆动力学模型， 得到系统的 状态方程和输出 方程； 基于采集的待估计车辆的相关数据， 利用双扩展卡尔曼滤波方法对所述状态方程和输 出方程进行求 解， 得到待估计车辆侧倾状态的估计结果。 2.如权利要求1所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述根据力矩平衡建立考虑侧 倾运动和横摆运动的五自由度车辆动力学模型， 得到 系统的状态方程和输出 方程的方法， 包括： 根据力矩 平衡建立 适用于商用车的五自由度车辆动力学模型； 根据建立的五自由度车辆动力学模型， 得到系统的状态方程和输出 方程。 3.如权利要求2所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述五自由度车辆动力学模型为： 其中， m为整车质量； vx为车辆纵向速度； 为质心侧偏角的一阶导数； ms为簧载质量； h为 簧载质量质心到侧倾中心 的距离； 为车厢侧倾角速度； β 为质心侧偏角； Cf为前轴侧偏刚 度； Cr为后轴侧偏刚度； lr为车辆质心到后轴中心的距离； lf为车辆质心到前轴中心的距离； ψ为横摆角， 为横摆角速度； δf为前轮转角； φ为车厢侧倾角； φu为非簧载质量侧倾角； 为非簧载质量侧倾角速度； mus为非簧载质量， g为重力加速度， 取9.8 m/s2； IXX为侧倾转动惯 量； IXZ为横摆‑侧倾转动惯量； IZZ为横摆转动惯量； kus为非簧载质量侧 倾刚度； ks为悬架侧 倾刚度， 是待估计的不确定参数； bs为悬架阻尼系数； hu为非簧载质量质心高度； r为侧倾中 心的高度。 4.如权利要求2所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述系统的状态方程和输出 方程为： 其中， δf为前轮转角， 是系统的输入； M‑1K为系统矩阵， M‑1F为输入矩阵， C为输出矩阵； x 为系统的状态； y为系统的量测输出。 5.如权利要求2所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征权　利　要　求　书 1/3 页 2 CN 114139360 A 2在于： 所述系统的量测输出采用惯性测量单 元采集得到 。 6.如权利要求1所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述基于采集的待估计车辆的相关数据， 利用双扩展卡尔曼滤波方法对所述状态方 程和输出 方程进行求 解， 得到待估计车辆侧倾状态的估计结果的方法， 包括： 对系统的状态方程和输出方程进行离散化处理， 得到离散形式的状态观测系统和参数 估计系统的状态空间方程， 并进行系统初始化； 基于离散形式的状态观测系统和参数估计系统的状态空间方程以及采集的待估计车 辆的系统输入向量， 采用双扩展卡尔曼滤波算法进行状态观测和 参数估计， 得到车辆侧 倾 状态估计结果。 7.如权利要求6所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述状态 观测系统的状态空间方程 为： xk+1＝f(xk， uk， θk)+wk yk+1＝h(xk， uk， θk)+vk 其中， xk为状态向量， xk+1为下一时刻的状态 向量， uk为输入向量， θk为时变的模型参数 向量， yk+1为下一时刻状态观测系统的输出向量； wk、 vk分别为状态观测系统的过程噪声序列 和量测噪声序列； f( ·)、 h(·)均表示xk、 uk、 θk的函数； 所述参数估计系统的状态空间方程 为： θk+1＝θk+rk dk+1＝h(xk， uk， θk)+ek 其中， xk为当前时刻的状态 向量， uk为输入向量， θk为时变的模型参数向量， θk+1为下一 时刻的模型参 数向量， dk+1为参数估计系统的输出向量； rk、 ek分别为参 数估计系统的过程噪 声序列和量测噪声序列。 8.如权利要求6所述的一种基于双扩展卡尔曼滤波的车辆侧倾状态估计方法， 其特征 在于： 所述基于离散形式的状态观测系统和参数估计系统的状态空间方程以及 采集的待估 计车辆的系统输入向量， 采用双扩展卡尔曼滤波算法进行状态观测和参数估计， 得到车辆 侧倾状态估计结果的方法， 包括： ①基于离散形式的状态观测系统和参数估计系统的状态 空间方程， 得到状态观测系统 和参数估计系统的时间更新方程和量测更新方程； ②将k‑1时刻的参数估计值 和参数估计系统的误差协方差估计值 输入到参 数估计系统的时间更新方程， 计算得到k时刻的参数一步预测值 和参数估计系统的误差 协方差一 步预测值 ③将k‑1时刻的状态估计值 以及参数估计系统的误差协方差估计值 k时刻 的系统输入向量uk和参数估计系统的参数一步预测值 输入到状态观测系统的时间更新 方程， 计算得到k时刻的状态一 步预测值 和状态观测系统的误差协方差一 步预测 ④将k时刻参数估计系统的误差协方差一步预测值 参数一步预测值 以及状态 一步预测值 输入状态观测系统的量测更新方程， 得到k时刻的状态估计值 进而得到 车厢侧倾角φ和非簧载质量侧倾角φu；权　利　要　求　书 2/3 页 3 CN 114139360 A 3