论文部分内容阅读
智能驾驶车辆技术是目前汽车行业研究的热点问题,而在智能驾驶时保持车辆的稳定性与车辆位姿解算和精确导航是关键性问题。准确地得到质心侧偏角这种关键状态参数信息能够更加精确地实时估算和预测智能车在未来时刻的行驶轨迹以及实际行驶状态,并且实时准确的质心侧偏角信息也是进行智能车稳定性控制的基础。由于相应传感器的成本或技术的原因,质心侧偏角难以直接测量,因此为了获得相对理想的控制效果,需要对其进行准确有效的估计。车辆的位姿解算和导航定位是智能驾驶中另一重要环节,是实现车辆路径跟踪功能的重要前提。对于复杂环境中惯性导航系统测量误差积累和GPS信号被遮挡出现信号受干扰的问题,利用组合导航技术在降低成本的同时提高智能车导航定位的精度。本论文主要针对智能车的质心侧偏角估计方法问题和组合导航信息融合方法问题进行研究,包括以下两方面的内容:1)智能驾驶车辆的质心侧偏角估计。首先建立四自由度车辆估算模型,引用魔术轮胎公式以保证模型在非线性区的准确性。由于容积卡尔曼滤波CKF算法设计方法比较简洁、调节参数少,不需进行线性化处理,对于强非线性系统滤波效果良好,本文采用该算法实现了车辆质心侧偏角参数的估计,并且采用扩展卡尔曼滤波EKF对质心侧偏角进行估计,比较两种算法在质心侧偏角估计上的优劣性;本文还进行了差分GPS实车试验验证CKF算法的有效性,最后试验结果表明了CKF算法估计的质心侧偏角信息与差分GPS系统得到的信息较为接近,该算法比EKF算法对质心侧偏角的估计更为精确。2)基于改进的Sage-Husa自适应卡尔曼滤波的INS/GPS信息融合方法研究。首先介绍惯性导航系统和GPS系统的基本组成和工作原理,其次建立捷联式惯导系统误差模型以及INS/GPS组合导航系统模型,以惯导解算出来的位置、速度信息与GPS输出的位置、速度信息之差作为量测信息,以INS系统为主系统,GPS为辅;利用本文提出的改进的Sage-Husa自适应卡尔曼滤波算法对两种系统输出的信息进行融合,保证系统的鲁棒性,从而提高导航定位的精度。最后,通过将该算法获得的实际路径轨迹与传统的Sage-Husa自适应滤波算法获得的实际路径轨迹进行对比,说明了本文提出的算法的有效性。