一种基于MPPI加权采样的电动车辆状态与轮胎刚度实时监控方法

摘要: 本发明属于电动车辆动力学控制、状态估计与电动车辆安全监控领域,具体涉及一种基于mppi(模型预测路径积分)加权采样的电动车辆状态与轮胎刚度实时监控方法。背景技术...
一种基于MPPI加权采样的电动车辆状态与轮胎刚度实时监控方法

本发明属于电动车辆动力学控制、状态估计与电动车辆安全监控领域,具体涉及一种基于mppi(模型预测路径积分)加权采样的电动车辆状态与轮胎刚度实时监控方法。

背景技术:

1、随着自动驾驶技术的发展,高精度的电动车辆状态估计是实现路径跟踪与主动安全控制的关键。当前技术通常依赖扩展卡尔曼滤波(ekf)或传统的基于优化的移动窗口估计(mhe),典型工作流程包括:模型线性化→观测更新→状态预测。

2、然而,现有技术存在显著缺陷:

3、1)噪声敏感性:单一动力学模型在参数突变(如爆胎)时,线性化误差导致ekf估计发散或精度严重下降。

4、2)动态场景适应性差:在轮胎刚度快速退化场景中,传统优化算法(如l-bfgs-b)在处理非凸代价函数时容易陷入局部最优,且计算量大,难以满足实时性要求。

5、3)多视角配准误差累积:传统的基于梯度的优化方法对初始值敏感,在动态变化剧烈时,状态与参数的联合估计难以兼顾收敛速度与精度。

6、上述缺陷使现有技术难以满足复杂动态故障场景的高精度、实时估计需求,亟需一种融合随机采样与加权机制并自适应优化的方法。

技术实现思路

1、为解决上述问题,本发明提供一种基于mppi加权采样的电动车辆状态与轮胎刚度实时监控方法,采用mppi与mhe结合的分层估计策略,通过随机采样与加权融合机制,显著提升了估计的精度与动态环境适应性。本方法能够有效去除状态估计中的伪影,并实现故障参数的快速收敛,具有抗噪性强、实时性高和鲁棒性好的优势。

2、所述基于mppi加权采样的电动车辆状态与轮胎刚度实时监控方法,包括以下步骤:

3、步骤一、针对自动驾驶电动车辆s,定义车辆系统的状态向量x、轮胎刚度故障参数θ、控制输入向量u和观测向量z。

4、状态向量为6维列向量:

5、其中,为车辆s质心在全局坐标系下的坐标位置;为车辆s的航向角;分别为车身坐标系下的纵向和侧向速度;为横摆角速度。

6、轮胎刚度故障参数取值范围∈ (0, 1],=1.0表示轮胎健康,< 1.0表示性能退化;实际前、后轮侧偏刚度满足=和= 。为前轮侧偏刚度;为后轮侧偏刚度;

7、控制输入向量为2维列向量:;

8、其中,为车辆s的纵向加速度;为前轮转向角;

9、观测向量z为4维列向量:;

10、为车辆s的侧向加速度。

11、步骤二、基于车辆系统的各参数,结合牛顿第二定律建立非线性自行车模型,并进一步构建车辆动力学系统方程;

12、非线性自行车模型如下:

13、

14、其中为车辆总质量,为车辆转动惯矩,为车辆前轴受到的侧向力,为车辆后轴受到的侧向力,为车辆质心到前轴的轴距,为车辆质心到后轴的轴距,表示前轮角度;

15、车辆动力学系统方程包括离散时间状态转移方程和观测方程:

16、;

17、;

18、其中k表示时间步;f(·)为基于牛顿第二定律的非线性动力学函数;为k时刻的过程噪声;分别为k时刻的状态向量和控制输入向量,为k时刻的服从高斯分布的观测噪声;h(·)为观测函数;

19、步骤三、针对长度为的当前滑动时间窗口,通过随机采样,得到个时刻对应的包括状态向量x和故障参数θ的候选轨迹;

20、窗口起始为开始仿真时刻;

21、步骤四、依次将每个候选轨迹的故障参数θ代入车辆动力学系统方程,得到各自对应的预测观测值,通过与真实测的观测值进行作差,得到各观测残差;

22、为滑动时间窗口中第时刻采样故障参数的观测残差,定义为传感器实际测量值与车辆动力学系统方程预测值之间的差值:

23、

24、其中,表示第时刻从传感器中读取的实际测量值;表示根据第时刻的状态向量和待估计参数,计算出的理论预测观测值。状态通过车辆动力学系统方程从窗口起始状态积分推导得到。

25、步骤五、基于第时刻的观测残差,构建该时刻的候选轨迹对应的总代价函数;

26、总代价函数j,θ):

27、

28、为滑动时间窗口初始时刻的状态向量;

29、为观测误差项,计算为:

30、;

31、其中,为缩放因子,为观测权重矩阵;

32、为状态先验项,计算为:

33、;

34、其中,为先验强度,为时刻估计的状态值,为状态权重矩阵;

35、为轮胎刚度平滑项,计算为:;

36、其中为平滑惩罚系数,为时刻估计的故障参数值;

37、步骤六、基于各候选轨迹对应的总代价函数,利用mppi算法进行随机采样与加权融合,得到当前滑动时间窗口中k时刻的车辆状态估计值和故障参数估计值;

38、首先,对每个候选轨迹的总代价利用softmax函数计算各自的权重;

39、第个候选轨迹的总代价j()的权重为:

40、

41、其中为温度参数。

42、然后,通过加权平均融合采样结果,输出当前k时刻的状态估计值和参数估计值:

43、

44、

45、其中为从第个候选轨迹仿真的k时刻的车辆状态值。为第个候选轨迹仿真的故障参数值。

46、步骤七、通过滑动时间窗口机制,返回步骤三,选择下一个滑动时间窗口,不断更新车辆状态与故障参数估计,实现对车辆s的实时跟踪。

47、根据当前估计的轮胎刚度故障参数,实时判定车辆轮胎的健康状态,若参数低于预设阈值则输出监控预警信号,实现对车辆运行状态与关键部件健康的实时监控。

48、本发明的优点在于:

49、1、非线性处理能力强:利用mppi的随机采样机制替代传统的梯度下降优化,避免了在非凸非线性问题中陷入局部最优,显著提高了在轮胎刚度突变(如爆胎)工况下的鲁棒性。

50、2、计算效率高:相比于传统基于l-bfgs-b的优化mhe方法,本发明在同等估计精度下,单步计算时间大幅缩短,更符合电动车辆实时控制的要求。

51、3、监控预警能力强:通过引入观测误差、状态先验、参数平滑的多项目标函数,实现了对电动车辆状态和轮胎刚度故障参数的稳定、准确联合估计,能够实时反映电动车辆健康状态并在异常发生时及时提供监控预警,有效提升了电动车辆运行的安全性。

1.一种基于mppi加权采样的电动车辆状态与轮胎刚度实时监控方法,其特征在于,包括以下步骤:

2.如权利要求1所述方法,其特征在于,所述步骤一中:

3.如权利要求2所述方法,其特征在于,所述步骤二中,非线性自行车模型如下:

4.如权利要求3所述方法,其特征在于,所述步骤二中,车辆动力学系统方程包括离散时间状态转移方程和观测方程:

5.如权利要求1所述方法,其特征在于,所述步骤四中,滑动时间窗口中第时刻采样故障参数的观测残差:

6.如权利要求5所述方法,其特征在于,所述步骤五中,第时刻的候选轨迹的总代价函数j,θ)计算为:

7.如权利要求6所述方法,其特征在于,所述步骤六中,首先,对每个候选轨迹的总代价利用softmax函数计算各自的权重;