汽车干扰力估计：自适应卡尔曼滤波与动力学模型结合

"基于自适应卡尔曼滤波的汽车前后轴干扰力估计，林棻，赵又群，宋桂霞——本文研究汽车自动车道保持控制中的关键问题，即汽车侧向干扰力的估计。通过结合汽车动力学模型和自适应卡尔曼滤波理论，提出了一种新的方法来估计汽车前后轴的干扰力。该方法在建立的线性二自由度汽车动力学模型中考虑了前后轴的侧向力，利用横摆角速度、侧向加速度和方向盘转角作为量测信息，通过自适应卡尔曼滤波算法实现干扰力的最小方差估计，并对测量信号进行滤波降噪，提高估计精度。这种方法在ADAMS/CAR的虚拟试验中得到验证，为汽车侧向控制系统的估计器设计提供了理论依据。关键词涉及汽车前后轴干扰力、自适应卡尔曼滤波、动力学模型以及状态估计。" 本文的研究背景是汽车自动化驾驶技术中的一个重要挑战，即如何准确估计汽车在行驶过程中受到的侧向干扰力。由于这些干扰力直接影响到汽车的稳定性和操控性能，因此，对其进行有效估计对于实现精准的自动车道保持控制至关重要。传统的估计方法可能因干扰信息难以直接获取而存在局限性。 作者提出的解决方案是采用自适应卡尔曼滤波算法。卡尔曼滤波是一种广泛应用的状态估计方法，它结合系统模型和测量数据，实时更新系统状态估计，以最小化估计误差。然而，汽车动力学系统通常是非线性的，因此，通过线性二自由度模型简化动力学行为，将前后轴的侧向力纳入考虑，有助于构建更贴近实际的估计框架。同时，自适应卡尔曼滤波能够根据系统参数的变化自动调整滤波器的性能，提高了对未知干扰的适应能力。 在实施过程中，将横摆角速度（车辆旋转的速率）、侧向加速度（车辆横向运动的加速度）和方向盘转角作为辅助变量，这些信息可由车载传感器直接获取，作为卡尔曼滤波的输入。通过自适应算法，不仅可以估计出前后轴干扰力，还能对测量信号进行滤波，降低噪声影响，从而提高干扰力估计的精度。 在ADAMS/CAR这一专业汽车动力学仿真软件上进行的虚拟试验结果表明，所提算法在估计汽车前后轴干扰力方面表现出高精度，为实际的汽车控制系统设计提供了有效的理论支持。这表明，自适应卡尔曼滤波与汽车动力学模型的结合为解决汽车自动车道保持控制中的干扰力估计问题提供了一种切实可行的方案，有望在未来智能驾驶技术中得到广泛应用。