本技术公开了一种履带车辆侧滑状态估计方法、设备、介质及产品,涉及履带车辆智能驾驶技术领域,该方法包括:获取车辆试验数据;建立履带经验模型,并基于车辆试验数据,对履带经验模型的经验参数进行模型校准;基于履带经验模型,建立三自由度履带车辆动力学模型;基于三自由度履带车辆动力学模型,分别建立离散形式的状态估计系统和参数估计系统的状态转移方程和量测方程;并利用双扩展卡尔曼滤波算法对车辆进行行驶状态参数估计,得到车辆各时刻的状态估计值和参数估计值;基于车辆各时刻的状态估计值和参数估计值,计算得到车辆侧滑状态估计。本发明可提高侧滑角估计的精度,进而可提高行驶稳定性和行驶安全性。
背景技术
履带车辆智能化,可提高特种车辆可持续作业和承受恶劣环境的能力,其中通过确定各行驶状态变量来实现精准安全的行驶控制是智能化的关键。虽然随着传感与测试技术的发展,车辆运动状态可以由各种传感器测量得到,但是传感器价格昂贵,需要特定的安装固定方式,且在GPS信号缺失的越野环境中,履带车辆常用的惯性导航存在累计误差和传感器噪声问题,因而有必要使用状态估计方法准确计算行驶状态。而在车辆稳定性控制中,剧烈的侧滑情况会使得车辆失速,甚至导致侧翻,所以需要对侧滑角进行估计。
卡尔曼滤波是一种基于模型的状态估计方法,该方法结合模型的状态转移信息和传感器量测信息来进行状态估计,广泛应用于具有高斯噪声特性的线性系统。然而实际系统大多非线性,因此衍生出扩展卡尔曼滤波通过将非线性函数在当前状态点处用泰勒展开加以线性化处理,求解雅可比矩阵,以确定系统矩阵和观测矩阵,再得到预测协方差矩阵和卡尔曼增益。这一改进提高了对非线性系统的状态估计效果,但是用于状态估计的履带车辆动力学模型参数通常不是定值,如果将模型视为非线性定常系统会导致侧滑角估计的精度受到影响,进而影响行驶稳定性控制和行驶安全性。
实现思路