路面附着系数估计_无迹?扩展卡尔曼滤波（UKF EKF） 采用无迹 扩展卡尔曼滤波UKF进行路面附着系数估计

路面附着系数估计_无迹?扩展卡尔曼滤波（UKF EKF）
软件使用：Matlab Simulink
适用场景：采用无迹 扩展卡尔曼滤波UKF进行路面附着系数估计，可实现“不变路面，对接路面和对开路面”等工况的路面附着系数估计。
产品simulink源码包含如下模块：
→整车模块：7自由度整车模型
→估计模块：无迹卡尔曼滤波，扩展卡尔曼滤波

路面附着系数估计——无迹/扩展卡尔曼滤波算法

背景

车辆在行驶过程中，路面附着系数的大小直接影响着车辆的行驶稳定性以及刹车距离等性能。因此，准确、实时地估计路面附着系数是车辆动力学控制研究中的重要问题。而无迹卡尔曼滤波（UKF）和扩展卡尔曼滤波（EKF）算法是目前常用的路面附着系数估计方法之一。本文主要讨论在Matlab Simulink环境下，利用UKF/EKF算法对路面附着系数进行估计。

算法原理

UKF/EKF算法利用车辆动力学模型和测量信号对路面附着系数进行估计。其中，UKF算法通过将高斯分布映射到一组无偏采样点上，并利用这些采样点来逼近高斯分布的特征，从而避免了高斯分布在非线性问题中的局限性。EKF算法则利用一阶泰勒展开式来近似非线性问题，但其需要对系统模型进行全局线性化，可能存在不准确的问题。

在本文中，我们采用UKF/EKF算法对路面附着系数进行估计，主要包括以下几个步骤：

1. 系统建模：利用7自由度整车模型，建立车辆动力学模型，将路面附着系数视为状态量。

2. 测量模型：利用车辆轮速、横向加速度以及横向力等信号，建立路面附着系数的测量模型。

3. 预测：根据系统模型和测量模型，进行路面附着系数的预测。

4. 更新：根据预测结果和实际测量值，进行路面附着系数的更新。

5. 重复步骤3和4，实现实时路面附着系数估计。

Simulink环境搭建

在Simulink中，我们利用Matlab编写UKF/EKF算法的源代码，并将其作为一个模块嵌入到整车模型中。具体模块搭建如下：

• 整车模块：采用7自由度整车模型，包括车体、前后轮悬架等部件。
• 估计模块：包括UKF和EKF两种算法，分别根据车辆动力学模型和测量模型对路面附着系数进行估计。

在整车模块中，我们利用车辆轮速、横向加速度以及横向力等信号，获取路面相关信息，再将其传递给估计模块。在估计模块中，利用UKF/EKF算法对路面附着系数进行估计，并将结果反馈至整车模型中，实现动力学控制。

应用场景

利用UKF/EKF算法进行路面附着系数估计，可实现对不同工况下的路面附着系数进行估计，包括“不变路面”、“对接路面”、“对开路面”等工况。因此，该方法可以广泛应用于车辆动力学控制、智能驾驶、车辆运动状态估计等领域。

结论

本文主要介绍了在Simulink环境下，利用UKF/EKF算法对路面附着系数进行估计的方法。该方法具有实时性强、计算量小、预测精度高等优点，适用于不同工况下的路面附着系数估计。在未来的研究中，我们将进一步优化算法，提高估计精度，实现更加精准的路面附着系数估计。

相关代码,程序地址：http://lanzouw.top/696158769275.html