Identification of vehicle directional parameters using the sigma-point Kalman filters

封面


如何引用文章

全文:

详细

The article discusses the problem of identifying the parameters of the vehicle's directional movement, which are necessary for the operation of active safety systems (SAB). The inability to determine some of the parameters necessary for the functioning of the SAB by direct measurements with on-board sensors (due to the absence of corresponding sensors in production vehicles) makes it relevant to use indirect computational methods for identifying these parameters, which are based on mathematical structures called observers.

The purpose of this work is to create a system for identifying vehicle motion parameters, which, using the measurements available on board the vehicle and the mathematical apparatus of the theory of observers and optimal filters, indirectly determines unmeasured parameters that are important for the operation of active safety systems.

Based on the analysis of existing methods and tools, a diagram of the observer of the parameters of the vehicle's directional movement using the sigma-point Kalman filter is proposed. The observer identifies the lateral component of the vehicle speed vector, the coefficients of the lateral adhesion of the tires to the supporting surface and the wheel slip angles using the vehicle dynamics model and on-board inertial sensors that measure the linear acceleration and yaw rate of the vehicle.

The observer's performance and adequacy was confirmed by comparing the parameters he identifies with direct measurements made during road tests of the vehicle. There was used a root-mean-square error of identification as a measure for assessing the accuracy with respect to direct measurements of the parameters of course movement. An additional assessment of the adequacy is made by comparing the identified grip characteristic (the dependence of the coefficient of adhesion on the slip angle) with the characteristic obtained by approximation using a mathematical model of the tire. The assessment showed a good quality of identification of course movement parameters provided by the developed observer, which gives grounds to consider it a useful tool for research and development of active safety systems.

作者简介

A. Chaplygin

Central research and development automobile and engine institute NAMI

编辑信件的主要联系方式.
Email: chaplyghin.94@mail.ru
俄罗斯联邦, Moscow

I. Kulikov

Central research and development automobile and engine institute NAMI

Email: chaplyghin.94@mail.ru

PhD in Engineering

俄罗斯联邦, Moscow

参考

  1. Winner H., Hakuli S., Lotz F. and Singer C. Handbook of Driver Assistance Systems. Basic Information, Components and Systems for Active Safety and Comfort, Berlin/Heidelberg:Springer International Publishing:, 2016.
  2. Liu W., He H., Sun F. Vehicle state estimation based on Minimum Model Error criterion combining with Extended Kalman Filter // J. Frankl. Inst. 2016. pp. 834–856. doi: 10.1016/j.jfranklin.2016.01.005
  3. Tsunashima H., Murakami M., Miyataa J. Vehicle and road state estimation using interacting multiple model approach // Veh. Syst. Dyn. 2006. 44. pp. 750–758. doi: 10.1080/00423110600885772
  4. Bechtloff J., Ackermann C., Isermann R. Adaptive state observers for driving dynamics – online estimation of tire parameters under real conditions. // In: Pfeffer P. (eds) 6th International Munich Chassis Symposium 2015. Pro-ceedings// Springer Vieweg, Wiesbaden. doi: 10.1007/978-3-658-09711-0_46
  5. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems // Journal of Basic Engineering. 1960. Vol. 82. pp. 35-45.
  6. Drakunov S. and Utkin V. Sliding mode observers. Tutorial // Proceedings of 1995 34th IEEE Conference on Decision and Control, 1995. pp. 3376-3378. doi: 10.1109/CDC.1995.479009.
  7. Elfring J., E Torta., van de Molengraft R. Particle Filters: A Hands-On Tutorial //Sensors 2021. 21. pp. 438. doi: 10.3390/s21020438
  8. Jin X., Yin G., Chen N., Advanced estimation techniques for vehicle system dynamic state: A survey // Sensors. 2019. 19(19). doi: 10.3390/s19194289
  9. Nam K., Oh S., Fujimoto H., Hori Y. Estimation of sideslip and roll angles of electric vehicles using lateral tire force sensors through RLS and Kalman filter approaches // IEEE Trans. Ind. Electron. 2012. 60. pp. 988–1000.
  10. Anderson R., Bevly D.M. Using GPS with a model-based estimator to estimate critical vehicle states // Veh. Syst. Dyn. 2010. 48. pp. 1413–1438. doi: 10.23919/ACC.2004.1383774
  11. Kim J. Effect of vehicle model on the estimation of lateral vehicle dynamics. Int. J. Autom. Technol. 201. 11. pp. 331–337. doi: 10.1007/s12239-010-0041-1
  12. Liu W., He H., Sun F. Vehicle state estimation based on Minimum Model Error criterion combining with Extended Kalman Filter // J. Frankl. Inst. 2016. 353. pp. 834–856. doi: 10.1016/j.jfranklin.2016.01.005
  13. Zong C., Hu D., Zheng H. Dual extended Kalman filter for combined estimation of vehicle state and road friction // Chin. J. Mech. Eng. 2013. 26. pp. 313–324. doi: 10.3901/CJME.2013.02.313
  14. Antonov S., Fehn A., Kugi A. Unscented Kalman filter for vehicle state estimation // Veh. Syst. Dyn. 2011. 49. pp. 1497–1520.
  15. Davoodabadi I, Ramezani A.A, Mahmoodi M. K., Ahmadizadeh P. Identification of tire forces using Dual Unscented Kalman Filter algorithm // Nonlinear Dyn, 2014. 78. pp. 1907–1919.
  16. Kulikova M.V., Kulikov G.YU. Numerical methods for nonlinear filtering for signal processing and measurements. Vychislitel'nyye tekhnologii. 2016. No 4, pp. 64−98 (in Russ.).
  17. Kulikov I.A., Bakhmutov S.V., Barashkov A.A. Investigation of vehicle dynamics with active safety systems through virtual and road tests. Trudy NAMI. 2016. No 265, pp. 53−65 (in Russ.).
  18. Pacejka H.B., Besselink I. Tire and vehicle dynamics. Third Edition. Elsevier Ltd. 2012. P. 176-183. P. 202. P. 613-618.
  19. Svendenius J. Tire Modeling and Friction Estimation. Lund: Lund University. 2007. pp. 130-132.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Block diagram of the observer of the parameters of the course movement of the vehicle

下载 (82KB)
索引源数据
3. Рис. 2. Расчетная схема модели движения автомобиля

下载 (83KB)
索引源数据
4. Fig. 3. Fragment of tests of the studied vehicle

下载 (39KB)
索引源数据
5. Fig. 4. The results of the work of the observer of the parameters of the course movement of the vehicle in the maneuver “rearrangement” on ice

下载 (374KB)
索引源数据
6. Fig. 5. The results of the work of the observer of the parameters of the course movement of the vehicle in the maneuver “rearrangement” on the packed snow

下载 (438KB)
索引源数据
7. Fig. 6. The results of the work of the observer of the parameters of the course movement of the vehicle in the “turn” maneuver on ice

下载 (443KB)
索引源数据
8. Fig. 7. Comparison of the identified characteristic of lateral grip and its approximation using the MF model а) on ice; б) on packed snow

下载 (128KB)
索引源数据

版权所有 © Chaplygin A.V., Kulikov I.A., 2021

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».