Carsim和simulink联合仿真车辆状态估计
估计的状态为:横摆角速度,质心侧偏角,纵向车速,侧向车速
先基于滑模观测器SMO估计轮胎的纵向力和侧向力
,再基于无迹卡尔曼UKF和容积卡尔曼CKF进行了车辆状态估计,精度很高,图中的工况为双移线工况
基于SMO滑模观测器的轮胎力估计方法省去了轮胎模型的使用,避免了稳态轮胎模型造成的轮胎力计算误差大的缺点,同时不需要轮胎的侧偏刚度作为已知参数等。
ID:57499675670204157
车辆研究僧
标题:基于Carsim和Simulink的联合仿真技术在车辆状态估计中的应用
摘要:本文介绍了一种基于Carsim和Simulink联合仿真技术的车辆状态估计方法。通过使用滑模观测器(SMO)估计轮胎的纵向力和侧向力,并结合无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)进行车辆状态估计,实现了高精度的状态估计。该方法不仅省去了轮胎模型的使用,避免了稳态轮胎模型造成的轮胎力计算误差,而且也不需要轮胎的侧偏刚度作为已知参数。本文将详细介绍该方法的原理和流程,并通过双移线工况的实验结果验证了其准确性和可靠性。
-
引言
现代车辆控制系统需要准确的车辆状态信息来实现高效安全的控制策略。车辆状态估计是获取这些信息的基础,因此对于车辆状态估计方法的研究具有重要意义。本文提出了一种基于Carsim和Simulink联合仿真技术的车辆状态估计方法,通过该方法可以实现高精度的车辆状态估计。 -
车辆状态估计方法概述
车辆状态估计的目标是估计车辆的横摆角速度、质心侧偏角、纵向车速和侧向车速等状态参数。本文所提出的方法利用滑模观测器(SMO)估计轮胎的纵向力和侧向力,并使用无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)进行车辆状态估计。 -
基于滑模观测器的轮胎力估计方法
传统的车辆状态估计方法通常需要使用轮胎模型来计算轮胎力,但这种方法存在稳态轮胎模型造成的计算误差较大的缺点。本文所提出的方法通过使用滑模观测器(SMO)估计轮胎的纵向力和侧向力,避免了使用轮胎模型带来的误差。具体实现中,SMO利用车辆动力学模型和测量数据来估计轮胎力,并通过滑模控制器来减小估计误差。 -
基于无迹卡尔曼滤波和容积卡尔曼滤波的车辆状态估计
在获取到轮胎力的估计值后,本文采用无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)来进行车辆状态估计。UKF和CKF是一种基于卡尔曼滤波的无模型非线性滤波方法,能够有效地处理非线性系统的状态估计问题。通过结合滑模观测器估计的轮胎力和车辆动力学模型,UKF和CKF可以得到高精度的状态估计结果。 -
实验结果分析
本文通过双移线工况的实验对所提出的车辆状态估计方法进行了验证。实验结果表明,该方法能够准确估计车辆的横摆角速度、质心侧偏角、纵向车速和侧向车速等状态参数。与传统的车辆状态估计方法相比,本文所提出的方法在精度上有明显的提高。 -
结论
本文提出了一种基于Carsim和Simulink联合仿真技术的车辆状态估计方法,并通过滑模观测器、无迹卡尔曼滤波和容积卡尔曼滤波等技术实现了高精度的状态估计。该方法不仅能够避免使用轮胎模型带来的误差,而且还能够准确估计车辆的重要状态参数。实验结果验证了该方法的有效性和可靠性,为车辆控制系统的设计和优化提供了可靠的技术支持。 -
参考文献(本文不包含参考文献,仅提供参考)
注意:以上文章仅为示例,实际写作中需要根据具体情况进行展开和调整。
以上相关代码,程序地址:http://coupd.cn/675670204157.html