本文將基于汽車的三自由度模型，借助擴展卡爾曼檢測，通過汽車的橫向加速度來確定汽車的橫擺角速度、側滑角三個參數(shù)。質心、縱向速率，并通過實際模擬案例。 具體介紹一下擴展卡爾曼混合的使用。

通常，卡爾曼檢測會選擇較容易獲取的參數(shù)，避免不易檢測的參數(shù)。

在這里，作者將卡爾曼參數(shù)或模擬分為四個步驟：

1）汽車模型制作；

2）擴展卡爾曼檢測算法的構建；

3）模型集成及模擬工況設置；

4）仿真及結果分析。

汽車模型制作

本例中可以使用汽車的三自由度模型（如右圖）來制作參數(shù)。 需要知道汽車的輸入信號（車輪轉角、縱向加速度）和輸出信號（橫向加速度），因此需要建立汽車模型來創(chuàng)建此類數(shù)據(jù)。 即向汽車模型輸入方向盤轉角和橫向加速度，即可得到橫向加速度。

在真車中，這一步可以忽略，因為我們可以通過傳感器直接檢測卡爾曼混合所需的信號。

車主暫時選擇更簡單的方式，利用車內的汽車模型來完成這項工作。 只需要設置我們關心的基本汽車參數(shù)和信號插座即可。

右側顯示了剛體到前后軸的距離、沿 Z 軸的轉動力矩以及質量設置位置。

前后輪側偏設定位置如右圖所示。

從方向盤角到車輪角的變速比設定位置如右圖所示。

選擇輸出插座輸出橫擺角速度、質心側滑角、縱向速度、方向盤轉角、縱向加速度和橫向加速度。 前三個是用于與仿真結果進行比較的參數(shù)； 最后三個是小車的輸入和輸出信號，將作為卡爾曼混合算法的輸入。

用別人的車模還是不合適的。 以前的車主會自己搭建汽車模型，這樣就避免了聯(lián)合仿真的麻煩，而且仿真都可以在. 更重要的是，自己搭建汽車模型可以加深對汽車的理解，這是商業(yè)軟件無法替代的。

擴展卡爾曼檢測算法構建

擴展卡爾曼混合算法就是表達上述五個核心公式。 再次指出：需要用非線性函數(shù)f和h來表示狀態(tài)多項式和輸出多項式； 系統(tǒng)矩陣A和輸出矩陣H需要用f和h函數(shù)偏導后的雅可比矩陣來表示。

樓主這里使用了之前構建的卡爾曼混合算法，稍加改動就得到了如右圖所示的擴展卡爾曼混合算法。

雖然用5個公式來表達卡爾曼混合算法比較繁瑣，但是可以更好的表達5個公式之間的時序關系，讓初學者能夠理解。

模型集成及模擬工況設置

將以上兩部分結合起來就是基于擴展卡爾曼混合的整個參數(shù)或者仿真模型，如右圖所示。 基本思想是模型輸出混頻算法所需的信號，然后進行參數(shù)估計，輸出估計結果，最后將估計結果與汽車實際信號進行比較基于kalman濾波的目標跟蹤，驗證算法的有效性。

為了驗證算法，還需要在 中設置模擬工作條件。

1）滑行初始速度為30km/h。

2）方向盤轉角按右圖曲線進行。

仿真與結果分析

運行模型基于kalman濾波的目標跟蹤，得到可能的橫擺角速度、質心側滑角、縱向速度以及汽車的實際狀態(tài)，如右圖。

偏航率可能導致：

剛體滑移角可能會導致：

橫向速度大概是這樣的結果：

從圖中可以看出，橫擺率、側滑角、縱向速度的估計值與實際值基本一致，算法可靠有效。

上面介紹了擴展卡爾曼混合算法的參數(shù)示例，僅供大家參考。

186信息網(wǎng)原創(chuàng)文章，轉載請注明本文來自：m.icocr.cn