基于自适应强跟踪滤波器的汽车行驶状态软测量

周聪， 肖建

(西南交通大学电气工程学院，四川成都 610031)

0 引言

现代汽车应用越来越多的电子控制系统来提高汽车的安全性、稳定性以及驾驶舒适性。电子稳定程序(electronic stability program，ESP)、四轮转向控制(four wheel steering，4WS)、主动转向控制(active steering control，ASC)等通过控制车身的侧向和横摆运动来提高汽车的操纵稳定性;主动侧倾控制(active roll control，ARC)、主动车身控制系统(active body control，ABC)等通过控制车身的垂直、倾覆运动来改善汽车的驾驶舒适性。要实现这些电子控制系统的特定功能，前提条件就是要准确获得汽车行驶过程中的状态参数，如纵向车速、侧向加速度、横摆角速度、质心侧偏角等。

由于测量技术和测量成本的原因，要直接测量所有重要的状态变量存在一定难度。目前，基于状态估计的软测量技术已被成功应用于估计汽车的动力学和运动学参数信息。Venhovens［1］和 Gustaffson［2］等采用卡尔曼滤波器(Kalman filter，KF)估计汽车的侧向加速度、横摆角速度、轮胎力和路胎摩擦系数;Wenzel［3-4］等采用双扩展卡尔曼滤波器(dual extended Kalman filter，DEKF)并行估计车辆的状态变量和参数变量;另外，也有一部分学者采用龙贝格观测器和滑模观测器估计汽车的质心侧偏角和侧向力［5-7］。

在这些估计算法中，基于KF的状态估计方法应用最为广泛，在实车试验中也取得了较好的效果。但是KF算法的设计难点为:1)要求精确知道被观测系统的模型;2)要求已知系统噪声和测量噪声的统计特性。因此，要提高KF算法的估计效果，必须同时从模型和测量两个方面着手。Sage-Husa自适应卡尔曼滤波通过引入虚拟噪声补偿系统的未建模动态，提高了滤波算法的精确度和鲁棒性［8］。……