车辆关键状态的平行估计

汪 林懿伦 戴星原 项韦杰

车辆行驶过程中的稳定性是主动安全研究的核心问题之一,其首要问题是采集车辆当前的横摆角速度、质心侧偏角等重要参数,并据此实施相应控制.受限于车载传感器检测精度与成本问题,部分关键参数直接采集成本过大或有些参数无法直接采集,必须依赖估计的方式获得.现有工作主要基于传统车辆动力学模型,或是在假定算法参数(如观测噪声协方差等)固定的情况下来进行状态估计,如扩展卡尔曼滤波[1−2]、模糊扩展卡尔曼滤波[3]、无迹卡尔曼滤波[4−5]、神经网络[6−7]、模糊逻辑[8]等方法.然而,这些方法存在以下两种缺陷:一是由于没有考虑车辆系统的时滞特性,对于状态的估计精度较低;二是依赖预先设定的模型与算法参数,无法很好地适应路况与车辆性能的变化.为了解决这两个问题,提出了一种数据驱动的车辆状态估计方法.通过数据拟合时序相关的非线性函数,模型将车辆动态系统的时滞特性纳入考虑,并具备了在线学习、动态更新的能力,可以更好地应对路况与车况的变化.为了解决数据驱动模型的学习效率问题,我们引入平行学习的思想,通过虚拟系统扩大了模型的探索空间,使该方法具有了较高的学习效率.平行系统的思想由王飞跃研究员提出,其主要观点是利用大型计算模拟、预测并诱发引导复杂系统现象,通过整合人工社会,计算实验和平行系统等方法,形成新的计……