车速与档位匹配关系_车速估计浅谈

对于汽车来说(包括传统燃油车和新能源汽车)，车速是一个非常重要的信号，它代表车辆的一个核心运动状态，影响着车辆扭矩请求、档位控制、稳定性控制等诸多功能，所以能获取准确有效的车速信号对提升车辆性能是很有好处的。

车速的基本定义是车辆质心的速度，这个是没有办法直接测量的，所以一般通过车轮速度来进行车速估计。常用的方法包括最大轮速法、平均轮速法、斜率法、卡尔曼滤波法等。

最大轮速法就是使用车辆四个轮速的最大值作为估计车速，而平均轮速法是使用四个轮速的平均值作为估计车速，这两种方法在非打滑路况比较实用，打滑路况就无法代表真实车速。

卡尔曼滤波法主要是利用车辆系统模型当前时刻的状态测量信息以及前一时刻的车辆状态估计信息，通过递推公式获得目前时刻所估计状态的值，运行效率较高，但是协方差矩阵难以精确得到，这就会导致估计误差可能会偏大。

斜率法是在车辆打滑时，使用初始速度以及加速度积分来近似计算车速，这里的加速度可以通过打滑前的速度近似估算，也可以使用车辆加速度传感器的测量值，所以前者误差取决于加速度估计的精度，后者误差取决于传感器精度。

现在实车上普遍装有加速度传感器，精度大体可以，所以利用加速度传感器采用斜率法是一种很好的途径(已有好多类似专利)。

参考两篇专利，尝试做一下车速估计：当车辆未打滑时，直接使用4个轮速的平均值近似代表实际车速；当车辆打滑时，使用车辆的纵向加速度信号积分来估算当前的实际车速。

基本的车速估计流程如下图：

当不打滑时，车速直接根据轮速折算，问题不大；当打滑时，单个车轮积分车速的估计好坏就十分重要，直接关系到最终车速的计算结果。所以下面我们重点关注对单个车轮的积分轮速估计。

按照上面的车速估计流程，搭建一个初步的模型，原始轮速信号模拟冰面加速再减速过程，进行仿真测试，结果如下。

可以看出，有一定的估计效果，但是部分区域有较大突变的毛刺。这是因为判断打滑的条件没有做好回滞，导致打滑状态在快速切换，进而导致估计的轮速出现毛刺。我们将打滑退出的条件往严格方向调整，在观察仿真结果如下。

优化后可以看出，估计轮速可以很好地避免打滑带来的轮速突变，整体曲线比较平滑，可以近似代替真实车速。当然，想要实现各种工况下的车速估计都比较准确，就需要各种工况下的轮速数据来进行仿真验证，优化估计逻辑以及各种门限值的标定。

这一篇就写到这里吧，虽然很短小，但足够精悍，你也可以试一下。

关注微信公众号“新能源汽车控制”，了解更多精彩内容。