实时准确的道路坡度信息,是支持车辆自动驾驶控制和决策的重要因素。近年来,基于CAN总线的汽车信息平台已能提供大量的实时车辆行驶数据,其中的丰富信息为实时坡度估计提供了新的途径。然而车辆行驶过程中产生的噪声干扰和驾驶工况的变化,使得这些数据与坡度的关系难以确定。现有研究还没有考虑这些因素进行坡度估计的针对性解决方案。因此,针对驾驶过程中的噪声干扰和不同驾驶工况,更加全面、准确地实时估计道路坡度,对于改善车辆辅助驾驶控制、稳定性控制、安全节能驾驶等具有重要的实际意义。本文基于福特汽车推出的OpenXC平台在线获取实时车辆行驶数据,针对驾驶环境中不确定性噪声干扰带来的坡度估计误差或发散问题,研究了基于模糊自适应扩展卡尔曼滤波的坡度估计模型,并针对制动工况难以从机理建模实现坡度估计的问题,提出结合自回归预测算法进行短程坡度估计,扩展了坡度估计方法的适用范围。主要内容包括:(1)以OpenXC获取的全面的车辆行驶状态数据为基础,针对行驶过程中的不确定性噪声干扰,结合车辆纵向动力学机理建立了模糊自适应卡尔曼滤波的坡度估计模型,应用CarSim仿真平台的对比实验表明,该算法能在非制动工况下更准确的估计坡度。(2)针对车辆纵向动力学机理不适用于刹车制动驾驶工况的问题,分析了制动工况下OpenXC数据的特征,进而提出一种自回归预测算法,通过历史的坡度估计值进行短程的坡度估计。在此基础上,在综合工况下结合自回归预测算法和模糊自适应EKF算法,克服了刹车制动时单一模糊自适应卡尔曼滤波带来的估计偏差,扩宽了坡度估计的适用范围。(3)考虑到道路坡度变化范围小,道路坡度估计的精度尤为重要。分析发现,数据异常和与车辆负载两个主要因素对坡度估计效果的影响较大,研究提出了基于滑动窗口的在线异常数据检测与修复方法,并在车辆负载敏感度分析基础上对估计偏差进行有效补偿。综上所述,本文在综合考虑OpenXC数据特征和驾驶工况下,建立了适用于驾驶环境动态变化和综合驾驶工况的实时坡度估计方法。仿真和实车实验均验证了方法的有效性,将为车辆驾驶控制和服务提供支持与参考。