轮式电传动装甲车辆车速估计

张运银，马晓军，刘春光，廖自力

（装甲兵工程学院控制工程系，北京 100072）

轮式电传动装甲车辆车速估计

张运银，马晓军，刘春光，廖自力

（装甲兵工程学院控制工程系，北京 100072）

为实现轮毂电机驱动装甲车辆车速估计，在融合纵向加速度信号、转向盘转角信号和8个车轮转速信号等多信息源基础上，结合车辆动力学模型，以纵向加速度和轮速为观测变量，以加速度和车速为状态变量，设计车速估计卡尔曼滤波器。通过试验数据分析8轮轮速与实际车速的关系，优化轮速观测量输入信号。利用方向盘转角信号和加速度信号，实时调节过程噪声和观测噪声，得到了准确可靠的车速估计；并利用实时仿真系统进行了验证。

电传动；卡尔曼滤波；全轮独立驱动；车速估计

车速是驾驶员操控车辆的重要依赖，也是车辆进行稳定性控制的重要参数之一。车速的精确测量直接决定了车辆动力学控制效果的优劣。传统车辆可以通过对非驱动轮加装传感器即可得到精确的车速。但全轮独立电驱动车辆，没有非驱动轮，因此无法直接应用传统的车载测速系统。其他类型的车载测速系统中，光学测速仪和GPS测速系统，精度高，但是价格十分昂贵，而且设备安装使用环境要求高，只能作为试验仪器，不宜装备到车辆上。

当前，在全轮独立电驱动车辆上，基于一般车载传感器进行纵向车速估计的方法主要有两种：一是基于纵向加速度信号的积分；二是基于车辆动力学模型，通过各种算法进行车速估计。文献［1- 2］对基于加速度信号积分方法进行了研究，但是由于加速度信号都带有噪声，长时间的积分会导致结果严重偏离真实值，不适用于长时间的车速估计。文献［3］研究了基于滑模算法的车速观测。文献［4］设计了基于非线性状态观测器的车速观测算法。这些算法采用复杂的非线性车辆和轮胎模型，同时在车速估计过程中考虑了非线性特性对车速估计精度的影响，算法过于复杂，不易实现实车应用。文献［5］提出了一种基于加速度及轮速信息的参考车速估计方法，以卡尔曼滤波为基本算法，结合试验分析，通过估计系统噪声特征和修正量测方程，但其算法中需要非驱动轮转速信息反馈。文献［6］对轮速与车速的关系式进行推算，设计卡尔曼滤波器，实现车速估计，但由单纯公式变换推导出的卡尔曼方程中的噪声被人为扩大，导致滤波器参数调整较困难。文献［2］提出利用转向盘转角信号和车轮转速信号，结合车辆动力学模型，建立状态方程和观测方程，设计卡尔曼滤波器，同时利用纵向加速度信号进行积分估计，通过加速度差值大小在两种方法间进行切换，实现车速估计。

笔者以文献［2］为基础，以8×8轮毂电机驱动装甲车辆为研究对象，针对其特点，融合纵向加速度信号、转向盘转角信号和8个车轮转速信号等多信息源，结合车辆动力学模型，以加速度和轮速为观测变量，以加速度和车速为状态变量，设计了卡尔曼滤波器，估计过程中不需要估计方法的切换。同时，通过分析8轮轮速与实际车速的关系，优化轮速观测量输入。利用方向盘转角信号和加速度信号，实时调节过程噪声和观测噪声，最终得到准确可靠的车速估计。最后利用实时仿真系统进行了验证。

1 车速估计原理

笔者所研究的轮毂电机驱动装甲车辆由某型步兵战车（8×8）改装而成，改装中取消了原车的变速箱、离合器、各桥侧传动箱、轴间差速器、轮间差速器、传动箱和传动轴等装置。新增的车辆电传动系统主要包括发动机 发电机系统、动力电池组及管理系统、动力电池双向DC／DC、发电机控制器及整车控制器等。每个车轮都装有一个轮毂电机，取消各个车轮之间的机械连接，各个车轮可实现独立驱动。

原车通过传感器测量轮速，进而换算得到车速。现将原车的测速系统全部取消，通过轮毂电机控制器精确反馈车轮速度；原车方向盘操纵系统得以保留，为电阻型电压传感器。电压信号经过AD采样后，进行相应的滤波、防抖处理，然后通过CAN总线传送到车辆的综合控制器，原车没有加速度传感器，新增加的加速度计安装于车辆质心位置附近。

笔者对文献［6］所提出的车速估计方法进行改进，如图1所示。通过卡尔曼滤波器对传感器测量的加速度信号、方向盘转向信号以及轮速信号进行滤波处理。对8个车轮的轮速信号进行优化处理，得到合适的参考轮速速度值，将参考轮速速度值和加速度值通过卡尔曼滤波算法融合起来，估算出车辆的速度值。为提高估计精度，对卡尔曼滤波器参数进行在线调节，利用方向盘转角信号和加速度信号，实时调节过程噪声和观测噪声。

2 模糊卡尔曼滤波器设计

2.1 卡尔曼滤波器设计

装甲车辆在行进过程中，由于车轮的打滑及轮胎挤压形变，使车轮线速度与车辆纵向车速产生一定的差值，表示为

式中：vx为车辆纵向速度的真实值；vm为车辆纵向速度估算值；Δv为误差值。

纵向加速度的测量值由实际值和测量噪声所组成，即

式中：ax为纵向加速度的真实值；am为纵向加速度的测量值；Δa为测量误差值。

假设汽车只作平行于地面的平面运动，侧向加速度较小，且转向角不大时，横摆角速度不大。因此可以选用简化的线性两自由度车辆模型进行车速估计卡尔曼滤波器的设计。车辆纵向加速度与纵向车速的关系为

式中：（vx）′为理论计算的车辆纵向加速度；γ为横摆角速度；vy为车辆侧向速度。

根据上述关系式，可得卡尔曼滤波的离散化方程

w（k）为系统的过程噪声，假设其为零均值白噪声，且其方差为ε2，故系统过程噪声协方差阵为

式（4）中z（k）为系统的测量噪声，假设其为零均值白噪声，且其方差为R2，故系统测量噪声协方差阵为

其中对应的协方差越大，则说明该测量值越不可靠，在卡尔曼滤波算法中所占的权重越小，反之亦然。

根据卡尔曼滤波的递推算法可得［7］：

1）状态的一步预测方程

2）协方差的一步预测

3）滤波增益方程

4）滤波估计方程

5）滤波协方差更新方程

2.2 卡尔曼滤波器参数整定

式（7）～（11）为卡尔曼滤波的递推过程，当式（5）、（6）中的参数ε、Rv及Ra确定后，给定初始状态值即可按上述5个公式估计出车辆的纵向速度vx。车辆在正常行驶时，固定参数的卡尔曼滤波器能够很好地滤去测量误差，估计出车辆的速度。但当车辆状态发生较大变化时，例如车轮打滑、前轮转向角输入过大或测速传感器因环境干扰而有所偏差时，固定参数的卡尔曼滤波器的估计效果大打折扣。因此，需要根据工况的不同，通过改变卡尔曼滤波器的参数来提高车速估计的精度。

系统噪声w（k）中仅有项为vyγΔt，反映车辆的纵向运动。而车辆的纵向运动主要是车辆转向时产生的，即系统噪声w（k）与转向轮转角相关，并且转角越大，车辆纵向运动越激烈，进而系统噪声参数ε越大［8-9］。因此，可以表示为

式中：δ为方向盘转角信号，δ∈［0，1］；k0、k1可以通过反复试验进行调节，获得最优值。

同理，分析系统的测量噪声z（k）。其中，Δv为纵向车轮与车轮线速度之差，主要是由车轮滑移产生的，其变化趋势可以通过车辆估计车速与轮速之差来观察；Δa为纵向加速度观测误差，其变化趋势可以通过估计出的加速度与测量加速度之差来观察。因此，Δv与Δa具有内在的关联性，可以采用模糊控制的方法来确定Rv及Ra的大小［10］。

2.3 观测量输入优化

本文的研究对象为8×8轮式装甲车辆，设计的车速估计卡尔曼滤波器有车辆纵向加速度和轮速2个观测变量。将加速度传感器安装于车辆质心位置处附近，即可以精确反馈车辆纵向加速度。但是，车轮转速传感器反馈8个轮速，8个轮速与车速的关系不尽一致。例如转向时，内外侧车轮有一定的速度差；滑移时，个别车轮速度与其他车轮速度差别较大。因此，有必要对车轮轮速观测量进行优化处理。

图4分别为8×8轮式装甲车辆进行加速、制动和转向且路面状况良好时，实际车速v与轮速关系图，其中，v1、v3、v5、v7为左侧4轮轮速，v2、v4、v6、v8为右侧4轮轮速。由图4（a）、（b）可知，在良好路面直线行驶时，没有车轮发生较大滑移，8个车轮轮速一致，并且加速时，轮速略大于车速，制动时，轮速略小于车速。此时，不存在参考轮速的选取差异。由图4（c）可知，在转向时，两侧轮速有较大差异，并且每侧的轮速也存在一定的差异。

为此，笔者提出一种新的参考轮速确定方法：在驱动时，选取两侧最小轮速的平均值为参考轮速；制动时，选取两侧最大轮速的平均值为参考轮速。如此，既能有效防止个别轮胎因驱动力过大而飞轮或者制动力过大而抱死时，给参考轮速带来干扰，又能保证选取的轮速尽可能接近车速，同时，还能保证参考轮速与车速的差值不会因车辆行驶工况的不同而发生较大变化，仅需要调节卡尔曼滤波器的参数即可完成车速估计。

在极低附着路面，车辆可能出现全部轮胎滑移的情况。此时，卡尔曼滤波器已通过Rv与Ra参数的调整，大大降低了参考轮速的权重，若再调整参考轮速不仅方法实现困难而且意义不大。

3 试验验证及分析

3.1 实时仿真平台的构建

为进行仿真试验，笔者基于dSPACE实时开发平台和Vortex实时动力学仿真软件构建了轮毂电机驱动装甲车辆实时仿真系统，如图5所示。

系统由3部分构成：车辆操控模拟装置、dSPACE综合控制器仿真系统和Vortex动力学仿真及虚拟场景显示系统。利用一套罗技游戏操控模拟装置模拟车辆驾驶员操控系统，将驾驶员输入的油门信号、制动踏板信号、方向盘信号等通过USB数据线连接到带CAN卡的PC仿真主机，通过CAN总线将数据传递到dSPACE综合控制器仿真系统。dSPACE将驾驶员的操控信号根据车辆行驶控制策略解释成8个驱动电机的转矩输出信号，通过CAN传递到Vortex动力学仿真主机。经过动力学实时计算后，反馈车辆的状态信号，同时通过虚拟场景实时显示车辆运动过程［11］。

3.2 仿真试验及分析

设计4种不同的工况验证车速估计方法，分别为直线加速、稳态小半径转向、制动、特殊路况。其中直线加速和稳态小半径转向工况用于验证低滑转／滑移率工况下基于轮速信号卡尔曼滤波的车速估计方法的情况；制动、特殊路况用于验证部分车轮滑转／滑移率较高时，车速估计方法的情况。

图6为车辆经过加速、转向、制动3种连续动作后的仿真试验曲线。仿真时长为60 s，在0－20 s期间，车辆为直线加速过程；车速估计效果好，估计误差维持在0.1 m／s左右，只有在车辆起动阶段出现波动，达到0.4 m／s，而由图6（b）可知，在车速为10 m／s时，车速与轮速误差约为1 m／s，并且随着车速增加，误差越来越大；在20 s开始，车辆开始向左转向。车速估计误差增加，稳定在0.3 m／s，峰值达到0.6 m／s；在28 s时，方向盘回正，车速估计误差迅速恢复到直线行驶状态；在35 s时，方向盘右转，车速估计误差出现波动，误差值最高达到0.4 m／s；在48 s时，方向盘回正，并且松开油门踏板，车速估计误差迅速降低到0左右，由图4（c）可知，转向时，车速与轮速误差最大值可达1.5 m／s；在52 s时，踩下制动踏板，车速估计误差增大到0.6 m／s，而由图4（b）可知，制动时，初始车速与轮速差值约为2 m／s。

图7为车辆经过壕沟和垂直崖壁时的仿真试验曲线。仿真时长20 s。在5 s时，车辆经过壕沟，部分车轮完全悬空，导致车速估计误差达到0.5 m／s；之后，车辆回归正常状态，总体估计误差在0.2 m／s左右；在13 s时，车辆到达垂直崖壁，车辆遭遇碰撞后，车速突然降低，之后大部分车轮出现较大滑转。车速估计误差值增加较大，达到1 m／s，误差峰值接近4 m／s，极限状态下卡尔曼滤波器效果有所降低。

4 结束语

笔者提出了一种基于车辆纵向加速度信号、方向盘转角信号以及车轮转速信号的车辆纵向速度估计方法。结合车辆动力学模型，建立了卡尔曼滤波估计方法的状态方程和观测方程，并设计卡尔曼滤波器估计车辆的纵向速度。通过分析8轮轮速与实际车速的关系，对轮速观测量输入信号进行优化。进一步分析了卡尔曼滤波器的过程噪声和测量噪声与方向盘转角信号和纵向加速度信号之间的关系，进而在车速估计过程中实时调整卡尔曼滤波器的参数。最后利用轮毂电机驱动装甲车辆实时仿真系统进行了试验，结果表明提出的车速估计算法能在各种工况下有效准确地估计出车速。

（References）

［1］KIENCKE U，NIELSEN L.Automotive control systems：for engine，driveline and vehicle［M］.Berlin：Springer，2000.

［2］褚文博，李深，江青云，等.基于多信息融合的全轮独立电驱动车辆车速估计［J］.汽车工程，2011，33（11）：962- 966.

CHU Wenbo，LI Shen，JIANG Qingyun，et al.Speed estimation for all-wheel drive vehicles based on multiinformation fusion［J］.Automotive Engineering，2011，33（11）：962- 966.（in Chinese）

［3］SHRAIM H，ANANOU B，FRIDMAN L，et al.Sliding mode observers for the estimation of vehicle parameters，forces and states of the center of gravity［C］∥Proceedings of the 45th IEEE Conference on Decision and Control.San Diego，USA：IEEE，2006：1635- 1640.

［4］JIANG Fangjun，GAO Zhiqiang.An adaptive nonlinear filter approach to the vehicle velocity estimation for ABS［C］∥Proceedings of the 2000 IEEE International Conference on Control Applications.Chicago，USA：IEEE，2000：490- 495.

［5］吴利军，王丽芳.一种基于加速度及轮速信息的参考车速估计方法［J］.汽车技术，2011，45（1）：45- 48.

WU Lijun，WANG Lifang.A method of vehicle speed estimation based on acceleration and wheel speed information［J］.Automobile Technology，2011，45（1）：45-48.（in Chinese）

［6］赵寅，徐国华，杨超，等.基于模糊卡尔曼滤波算法的速度估算方法［J］.仪表技术与传感器，2012（12）：80- 83.

ZH AO Yin，XU Guohua，YANG Chao，et al.Estimation of speed based on fuzzy-Kalman filter［J］.Instrument Technique and Sensor，2012（12）：80- 83.（in Chinese）

［7］丁能根，李丹华，余贵珍.基于卡尔曼滤波和ABS控制输入的车速估计［J］.北京航空航天大学学报，2011，37（1）：67- 71.

DING Nenggen，LI Danhua，YU Guizhen.Estimation of vehicle speed based on Kalman filter and ABS control inputs［J］.Journal of Beijing University of Aeronautics and Astronautics，2011，37（1）：67- 71.（in Chinese）

［8］TANELLI M，SAVARESI S M，CANTONI C.Longitudinal vehicle speed estimation for traction and braking control systems［C］∥Proceedings of Computer Aided Control System Design of 2006 IEEE International Conference on Control Applications.Munich，Germany：IEEE，2006：2790- 2795.

［9］周聪，肖建，盛瀚民.多采样率EKF软测量在汽车状态估计中的应用［J］.电子测量与仪器学报，2012，26（2）：132- 137.

ZHOU Cong，XIAO Jian，SHENG Hanmin.Application of multi-rate EKF soft computing in vehicle state estimation［J］.Journal of Electronic Measurement and Instrument，2012，26（2）：132- 137.（in Chinese）

［10］HWANG J K，SONG C K.Fuzzy estimation of vehicle speed using an accelerometer and wheel sensors［J］.International Journal of Automotive Technology，2005，6（4）：359- 365.

［11］孙逢春，张承宁.装甲车辆混合动力电传动技术［M］.北京：国防工业出版社，2008.

SUN Fengchun，ZHANG Chengning.Technologies for the hybrid electric drive system of armored vehicle［M］.Beijing：National Defense Industry Press，2008.（in Chinese）

Speed Estimation of Wheeled Electric Drive Armored Vehicles

ZHANG Yunyin，MA Xiaojun，LIU Chunguang，LIAO Zili

（Department of Control Engineering，Academy of Armored Force Engineering，Beijing 100072，China）

For the purpose of getting the peed estimation of armored vehicles driven by in-wheel motor，a kind of Kalman filter is designed based on the vehicle dynamics model，with a fusion of longitudinal speed acceleration signal，vehicle steering angle signal and speed of eight wheels.Observed variables include longitudinal speed acceleration and wheel speed，while state ones include longitudinal speed acceleration and vehicle speed.Meanwhile，input of the observed variable is optimized after an analysis of the relationship of vehicle speed and wheel speed according to experimental data.For an accurate peed estimation，the real-time adjustment of process noise and measurement noise are made by use of the speed acceleration signal and vehicle steering angle signal.This method is validated through real-time simulation system.

electric drive；Kalman filter；all-wheel drive；speed estimation

U461.1

A

1673-6524（2015）03-0053-06

2014- 12- 16；

2015- 05- 27

军队预先研究项目（40401010101）

张运银（1987－），男，博士研究生，主要从事电传动装甲车辆行驶控制、系统仿真技术研究。E-mail：zyy123999＠126.com