分布式驱动车辆横纵向速度联合估计方法、设备和产品

本发明属于车辆状态估计，具体涉及一种分布式驱动车辆横纵向速度联合估计方法、设备和产品。

背景技术：

1、分布式驱动车辆因其驱动轮可独立、快速地产生驱动力或制动力，在驱动防滑、稳定性控制、路径跟踪等方面展现出显著优势。这些先进控制功能的实现，均高度依赖于对车辆运动状态的准确掌握。在众多车辆状态中，纵向速度和横向速度是描述车辆质心运动的基础，也是计算质心侧偏角、轮胎滑移率等关键参数的前提。

2、目前，车辆的横摆角速度和加速度可由惯性测量单元（imu）直接获取，但纵向速度和横向速度通常难以直接测量。例如，在车辆加减速或转向时，车轮滑移会导致通过轮速传感器换算得到的纵向速度不准确；而横向速度则普遍缺乏适用于量产车辆的低成本、高精度直接测量传感器。因此，对车辆横、纵向速度进行在线估计成为车辆控制领域的关键技术。

3、现有的横、纵向速度估计方法主要可分为三类：基于车辆动力学模型的滤波方法、数据驱动方法以及二者结合的混合估计方法。基于动力学模型的滤波方法，如卡尔曼滤波及其变体，具有明确的物理意义和约束，但在实际应用中，其精度受限于预设的车辆参数和轮胎模型。在加减速、转向和变道等复杂工况下，轮胎的非线性特性、车辆参数的时变性以及模型简化等因素，极易导致模型失配，从而降低估计精度。纯数据驱动方法，如神经网络，能够从大量数据中学习传感器信号与车辆状态之间的复杂非线性关系，但其“黑箱”特性使其缺乏物理约束，泛化能力有限，且难以量化和解释估计结果的可信度。

4、混合估计方法试图结合上述两者的优点，例如利用数据驱动模型预测并补偿动力学模型的动力学残差。然而，现有混合方法仍存在一些不足，例如对物理模型动力学残差的时序信息利用不充分，对残差预测结果的可信度（即预测不确定性）缺乏有效量化和校准以及滤波算法中的过程噪声参数通常为固定值，无法根据工况和模型预测的可信度进行自适应调节，这些问题共同影响了横、纵向速度估计的准确性和稳定性。

技术实现思路

1、本申请的目的是提供一种分布式驱动车辆横纵向速度联合估计方法、设备和产品，旨在解决现有技术中分布式驱动车辆在复杂工况下因模型失配导致横、纵向速度估计精度和稳定性下降以及残差修正的可信度难以表征、滤波过程噪声无法自适应调整的技术问题。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种分布式驱动车辆横纵向速度联合估计方法，包括：

4、获取表征车辆运行状态的历史数据序列与当前数据序列；

5、基于上一时刻的状态估计值，通过物理模型进行动力学预测，以得到当前时刻的状态预测值；

6、基于所述历史数据序列，利用数据驱动模型预测所述动力学预测的动力学残差，并利用所述动力学残差修正当前时刻的状态预测值，所述数据驱动模型在输出所述动力学残差的同时还输出表征所述动力学残差的可信度的不确定性；

7、对所述不确定性进行后验校准；

8、根据校准后的所述不确定性，自适应地调节滤波算法的过程噪声参数；

9、基于当前时刻修正后的状态预测值、调节后的所述过程噪声参数以及所述当前数据序列中的当前时刻量测数据，执行所述滤波算法的更新，以输出当前时刻所述车辆的横纵向速度的估计值。

10、第二方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的分布式驱动车辆横纵向速度联合估计方法的步骤。

11、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的分布式驱动车辆横纵向速度联合估计方法的步骤。

12、第四方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的分布式驱动车辆横纵向速度联合估计方法的步骤。

13、根据本申请提供的具体实施例，本申请公开了以下技术效果：

14、1.提高了车辆动力学模型的预测准确性。本申请利用双注意力门控循环单元模型学习并预测车辆动力学模型的动力学残差，通过对不同车辆运行参数及历史时序信息进行自适应特征提取，对物理模型预测结果进行残差补偿，有效减小模型简化、参数变化及轮胎非线性等因素造成的预测偏差，提高了复杂工况下横、纵向速度估计的准确性。

15、2.提高了动力学残差预测可信度的表征能力。本申请采用证据回归方法，在预测动力学残差的同时量化其预测不确定性，并利用独立校准数据对预测不确定性进行后验校准，使其能够更加可靠地反映当前残差预测结果的可信程度，为不同工况下的数据驱动残差修正提供可信度依据。

16、3.实现了基于预测不确定性的自适应状态估计。本申请将校准后的残差预测不确定性引入容积卡尔曼滤波的过程噪声调节，使滤波器能够根据残差预测的可信程度动态调整对模型预测和当前量测的依赖程度，避免低可信度残差修正引起的估计误差，提高了车辆横、纵向速度估计的稳定性和连续性。

1.一种分布式驱动车辆横纵向速度联合估计方法，其特征在于，包括：

2.根据权利要求1所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述滤波算法为卡尔曼滤波算法，所述过程噪声参数为过程噪声协方差矩阵。

3.根据权利要求2所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，自适应地调节滤波算法的过程噪声参数，具体包括：

4.根据权利要求2所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述卡尔曼滤波算法为容积卡尔曼滤波。

5.根据权利要求1所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述数据驱动模型采用证据回归头输出表征正态-逆伽马分布的参数，以计算所述不确定性；

6.根据权利要求1所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述数据驱动模型为双注意力门控循环单元模型。

7.根据权利要求1所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述后验校准的步骤包括：

8.根据权利要求1所述的分布式驱动车辆横纵向速度联合估计方法，其特征在于，所述数据序列包括纵向加速度、横向加速度、横摆角速度、前轮转角、四轮轮速和四轮电机转矩。

9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的分布式驱动车辆横纵向速度联合估计方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的分布式驱动车辆横纵向速度联合估计方法的步骤。