基于FF-SVDUKF的DDEV路面附着系数识别研究

摘要

分布式驱动电动汽车(DDEV)各车轮转矩独立可控，具有良好的车辆底盘动力学控制潜力，而准确识别路面附着系数是车辆动力学控制的基础。为进一步提升传统无迹卡尔曼滤波(UKF)路面附着系数观测算法的精度和收敛速度，提出了一种基于遗忘因子的奇异值分解无迹卡尔曼滤波(FF-SVDUKF)路面附着系数估计方法。该方法首先利用奇异值分解(SVD)代替乔列斯基分解(Cholesky),在无迹变换中基于奇异值分解计算采样点，以避免传统无迹卡尔曼滤波协方差矩阵非正定性引起的滤波不稳定现象。然后引入变形的遗忘因子，对观测噪声协方差矩阵进行实时动态调整，改变了历史数据权重，提升了算法对时变路面附着系数的适应能力。构建Matlab/Simulink和Carsim联合仿真平台对算法进行仿真验证，仿真结果表明：与传统UKF算法相比，FF-SVDUKF算法在多工况路面附着系数估计时，均方根误差平均提高51%,具有良好的整车应用价值。

关键词

分布式驱动电动汽车 / 路面附着系数 / 无迹卡尔曼滤波 / 奇异值分解 / 遗忘因子