基于拓展卡尔曼滤波的车辆质量与道路坡度估计 车辆坡度与质量识别模型基于扩展卡尔曼滤波估计曲线与实际误差合理。 先用递归最小二乘法RLS质量识别最后利用扩展卡尔曼坡度识别EKF。 送纹献 Matlab/simulink模型 2019以上版本直接在Simulink里搭车辆模型的时候最头疼的就是参数耦合问题。比如说车辆质量和道路坡度这两个变量在纵向动力学方程里经常互相影响。这时候用扩展卡尔曼滤波EKF配合递归最小二乘法RLS实测效果比单用传统方法靠谱不少。先看质量估计部分用RLS的核心在于实时更新参数。这里有个关键——加速度信号的质量直接影响估计精度。我通常会先对原始信号做滑动平均滤波accel_filtered filter(ones(1,5)/5, 1, accel_raw);这个5点移动平均能有效消除高频噪声又不明显滞后。RLS初始化时协方差矩阵P的初始值别设太小容易导致初期震荡。建议从1e4开始P 1e4 * eye(2); lambda 0.98; % 遗忘因子执行参数更新时要注意矩阵维数匹配。特别是当采样时间不固定时得用时间差dt动态调整phi [accel_filtered(k), g*sin(theta_est)]; % 回归向量 K P * phi / (lambda phi * P * phi); m_est m_est_prev K * (F_drive(k) - phi*m_est_prev); P (eye(2) - K*phi) * P / lambda;这里theta_est是当前坡度估计值实际运行时需要和EKF模块交互数据。有个坑是当车辆静止时加速度信号失效这时候得暂停参数更新。基于拓展卡尔曼滤波的车辆质量与道路坡度估计 车辆坡度与质量识别模型基于扩展卡尔曼滤波估计曲线与实际误差合理。 先用递归最小二乘法RLS质量识别最后利用扩展卡尔曼坡度识别EKF。 送纹献 Matlab/simulink模型 2019以上版本转到EKF坡度估计时状态方程要考虑质量估计值的变化。状态变量选为速度和坡度function x_pred ekfStateFcn(x) v x(1); theta x(2); dv (F_drive - c_resistance*v^2)/m_est - g*sin(theta); dtheta 0; % 假设坡度变化缓慢 x_pred [v dv*dt; theta dtheta*dt]; end观测方程处理GPS速度信号时注意单位转换。实际项目中遇到过美国团队用mph而国内用km/h导致的乌龙事件function z ekfMeasFcn(x) z x(1) * 3.6; % m/s转km/h end协方差矩阵Q和R需要现场调参。有个小技巧在平路上空载运行时记录噪声水平取方差值的2-3倍作为初始值。调试时开着动画看估计曲线特别直观simOut sim(vehicle_estimation_model); plot(simOut.theta_est.Time, simOut.theta_est.Data*180/pi, r--); hold on; plot(simOut.theta_true.Time, simOut.theta_true.Data*180/pi, b-);实测中发现当坡度超过10%时轮胎滑移率会影响估计精度。这时候在测量方程里加入滑移率补偿项效果立竿见影。不过具体补偿系数得看轮胎特性冬季胎和夏季胎的修正系数能差30%以上。最后在模型验证阶段建议构造三角波变化的虚拟坡度信号。观察估计值跟踪滞后情况适当调整EKF的过程噪声参数。质量估计误差控制在±5%以内坡度估计在±1°范围内基本能满足多数控制系统的需求。