CN113566777B - 车辆俯仰角估计方法及其系统、计算机设备、存储介质 - Google Patents

Abstract

本发明涉及车辆俯仰角估计方法及其系统、计算机设备、存储介质，所述方法包括：获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；根据所述量测俯仰角进行卡尔曼滤波得到车辆的俯仰角估计值。所述系统与所述方法对应，所述计算机设备、存储介质包括能够执行所述方法的程序。本发明能够在不增加车辆硬件成本情况下，解决目前根据现有其他车辆传感器信号进行车辆俯仰角估计所存在的估计精度不高的问题。

Description

车辆俯仰角估计方法及其系统、计算机设备、存储介质

技术领域

本发明涉及车辆运动状态估计技术领域，具体涉及车辆俯仰角估计方法及其系统、计算机设备、存储介质。

背景技术

车辆俯仰是车辆很重要的一个状态，它与乘坐舒适性紧密相关，动悬架控制的一个目标即为控制车辆俯仰。在智能辅助驾驶领域，也需要获得车辆俯仰角以更精确的感知环境。还有一些车辆，通过车辆的俯仰角自动调节大灯高度。因此，获得车辆较精确的俯仰角具有重要意义。目前乘用车一般安装了ESP(电控车辆稳定系统)进行车辆在极限工况下的稳定性控制，它具备惯性传感器测量纵向加速度、侧向加速度等，但不具备测量俯仰角的功能。如果安装陀螺仪测量俯仰角，则会增加硬件成本，针对这个问题，目前主要根据现有其他车辆传感器信号进行车辆俯仰角估计，具体地，主要根据车辆实际加速度与惯性传感器测量的纵向加速度的偏移来获得车辆俯仰角，并引入了卡尔曼滤波，以降低估计结果的波动；但是该方法未考虑坡道对俯仰角估计影响，而且车辆实际纵向加速度仅通过车速求导得到，这样会引入高频噪声；再者，卡尔曼滤波中的模型方程也没有考虑俯仰角变化的动力学因素，只能通过卡尔曼滤波基于测量信号给出一个大致估计，因此，目前根据现有其他车辆传感器信号进行车辆俯仰角估计存在估计精度不高的问题。

发明内容

本发明旨在提出车辆俯仰角估计方法及其系统、计算机设备、存储介质，以在不增加车辆硬件成本情况下，解决目前根据现有其他车辆传感器信号进行车辆俯仰角估计所存在的估计精度不高的问题。

第一方面，本发明实施例提出一种车辆俯仰角估计方法，包括：

获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；

将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。

在一可选方式中，所述根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角，具体如下公式所示：

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

在一可选方式中，设当前时刻k时刻，k时刻观测变量为y(k)，则所述进行卡尔曼滤波获得车辆的俯仰角估计值，包括：

进行一步状态预测获得k时刻状态预测量

其中，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值，F_x为车辆纵向力，h为车辆质心高度，m为车辆簧载质量，M为车辆总质量，I′_y为车辆等效转动惯量，M_y为车辆俯仰阻力矩，T为步长；

获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

C＝[1 0]，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；

根据所述k时刻的系统状态量

获得k时刻车辆的俯仰角估计值。

在一可选方式中，所述获取k时刻的观测噪声R(k)，包括：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

第二方面，本发明实施例提出一种车辆俯仰角估计系统，包括：

第一信号获取单元，用于获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

第二信号获取单元，用于获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

观测变量获取单元，根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；以及

卡尔曼滤波单元，用于将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。

在一可选方式中，所述观测变量获取单元具体用于根据公式获得量测俯仰角，

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

在一可选方式中，所述卡尔曼滤波单元具体包括：

一步状态预测单元，用于进行一步状态预测获得k时刻状态预测量

其中，k时刻表示当前时刻，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值，F_x为车辆纵向力，h为车辆质心高度，m为车辆簧载质量，M为车辆总质量，I′_y为车辆等效转动惯量，M_y为车辆俯仰阻力矩，T为步长；

一步方差预测单元，用于获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

系统状态量估计单元，用于获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

C＝[1 0]，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；以及

俯仰角估计单元，用于根据所述k时刻的系统状态量

获得k时刻车辆的俯仰角估计值。

在一可选方式中，所述系统状态量估计单元具体还用于：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

第三方面，本发明实施例提出一种计算机设备，包括：根据第二方面实施例所述的车辆俯仰角估计系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据第一方面实施例所述车辆俯仰角估计方法的步骤。

第四方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面实施例所述车辆俯仰角估计方法的步骤。

以上实施例方案至少具有以下有益效果：

在进行车辆俯仰角估计时，充分综合考虑了由当前车速求导获得的第一纵向加速度、当前道路的坡度角以及车辆加速度传感器当前检测得到的第二纵向加速度，根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角，并将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。从而在不增加车辆硬件成本情况下，解决目前根据现有其他车辆传感器信号进行车辆俯仰角估计所存在的估计精度不高的问题。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例中一种车辆俯仰角估计方法的流程示意图。

图2为本发明另一实施例中一种车辆俯仰角估计系统框架示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。

如图1所示，本发明一实施例提出一种车辆俯仰角估计方法，本实施例方法包括步骤S10～S40：

步骤S10、获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

具体而言，步骤S10中对所述当前车速的纵向分量进行求导获得第一纵向加速度，车辆当前车速可以通过CAN总线采集获取。

步骤S20、获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

具体而言，当前坡度角可以通过GPS导航信息，从地图上获取，地图数据包括各道路的坡度角信息，因此根据车辆位置信息可以获得对应车辆所在道路的坡度角。当然，也可以利用其它估计坡度角的方法进行实时估计，本实施例中不对坡度角的获取方式进行具体限定，其均在本发明的保护范围之内。

一般而言，车辆均配置有车辆加速度传感器(例如ESP中的惯性传感器)用于检测车辆纵向加速度，本实施例中将车辆加速度传感器所检测得到的纵向加速度定义为第二纵向加速度。

步骤S30、根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；

具体而言，车辆俯仰角变化主要由于前后轴载荷变化，导致悬架变形变化，从而引起车辆前倾或者翘起。因此，可以通过估计前后轴荷，并且结合悬架特性估计车辆俯仰角。由于轮胎的垂向刚度明显高于悬架垂向刚度，假设行驶时车辆簧下质量的姿态不变，车辆俯仰一维动力学方程如式(1)所示。

其中，θ为俯仰角，

为俯仰角加速度，F_x为纵向力，h为质心高度，m为簧载质量，M为车辆总质量，I′_y为等效转动惯量，M_y为俯仰阻力矩。

I′_y＝I_y+mh² (2)

其中，I_y为车辆绕y轴转动惯量，可以通过提前测量得到。

F_x＝m·a_x (3)

其中，a_x为车辆纵向加速度，可以通过纵向车速求导得到。

其中，l₁为前轴与质心在X方向上的距离，l₂为后轴与质心在X方向上的距离，K₁、K₂分别为前轴和后轴悬挂所用弹簧刚度，R₁、R₂分别为前后减震器特性。

一般而言，车辆设计状态下重心高度，质心X轴向位置，绕Y轴转动惯量均可以通过KC台架试验获取。通过采用半载时车辆的相关参数，结合悬架特性，车辆纵向加速度，可以估算车辆俯仰角。但车辆实际载荷经常变换，重心位置也相应变化，公式(1)具有一定的不确定性，因此本实施例中通过纵向传感器测量的纵向加速度与车辆实际纵向加速度的偏移来估计俯仰角，来提高判断精度。

车辆ESP中安装的惯性传感器X方向与车辆X轴重合，车辆俯仰角的变化会引起第一纵向加速度a_x与第二纵向加速度a_xs有偏差，a_x与a_xs的关系为：

其中，l_c为转弯时传感器与旋转中心横向偏移量，

为横摆角加速度，r为横摆角速度，V_y为Y向速度，g为重力加速度，α为坡度角。忽略横摆运动影响，则有：

a_xs＝a_xcosθ+g sin(α+θ) (6)

通过公式(6)，根据所述第一纵向加速度、当前坡度角、第二纵向加速度可以获得量测俯仰角。

步骤S40、将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。

基于以上内容可知，本实施例方法在进行车辆俯仰角估计时，充分综合考虑了由当前车速求导获得的第一纵向加速度、当前道路的坡度角以及车辆加速度传感器当前检测得到的第二纵向加速度，根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角，并将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。从而在不增加车辆硬件成本情况下，解决目前根据现有其他车辆传感器信号进行车辆俯仰角估计所存在的估计精度不高的问题。

在一较佳实施例中，所述根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角，具体如下公式所示：

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

具体而言，基于上述公式(6)，考虑到大多工况车辆俯仰角低于3°，cosθ≈1，因而通过传感器观测的量测俯仰角如公式(7)所示。

在一较佳实施例中，采用卡尔曼滤波进行车辆俯仰角估计，基于公式(1)进行系统方程建模，令系统状态向量为

观测变量y即为俯仰角θ_s，则系统状态空间方程为：

其中，

C＝[1 0]。

在矩阵A中，

将公式(8)离散化，得到：

其中，

T为步长，即为俯仰角估计的当前循环与上一循环的时间间隔，其为预先设定的参数值。

基于以上考虑车辆模型的卡尔曼滤波模型，设当前时刻k时刻，k时刻观测变量为y(k)，则所述步骤S40具体包括：

步骤S401、进行一步状态预测获得k时刻状态预测量

其中，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值；

步骤S402、获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

步骤S403、获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

K(k)为滤波增益矩阵，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；

步骤S404、根据k时刻的方差预测量P(k,k-1)进行方差更新获得k时刻方差P(k)，并进行保存，P(k)＝[I-K(k)·C]·P(k,k-1)，I为单位矩阵；其中，k时刻方差P(k)用于后续k+1时刻俯仰角估计；

步骤S405、根据所述k时刻的系统状态量

获得k时刻车辆的俯仰角估计值。

具体而言，步骤S405中，根据观测矩阵y＝CX和k时刻的系统状态量

即获得k时刻车辆的俯仰角估计值。

具体而言，相对于现有的俯仰角的卡尔曼滤波模型而言，本实施例中卡尔曼滤波模型考虑了俯仰角变化的动力学因素，对常规的卡尔曼滤波模型进行了改进，将传感器测量数据估计的量测俯仰角与一维动力学模型估计俯仰角结合起来，使得卡尔曼滤波中的方差参数随工况变化，从而进一步提高了俯仰角估计值的精度。

在一较佳实施例中，所述获取k时刻的观测噪声R(k)，包括：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

具体而言，车辆的纵向加速度与观测噪声存在一定对应关系，该对应关系大致可以描述为：在直线运动时，车辆纵向加速度变化不大时，给测量噪声方差较小的值；在车辆侧向加速度较大，纵向加速度变化剧烈时，给测量噪声方差较大的值。

需说明的是，对应关系预先根据实车测量数据进行标定，不同车型的对应关系有所不同。由于本实施例中综合考虑了第一纵向加速度和第二纵向加速度，因此，在具体应用中，可以单独考虑第一纵向加速度与观测噪声的对应关系或者第二纵向加速度与观测噪声的对应关系来确定k时刻的观测噪声R(k)，也可以综合考虑第一纵向加速度、第二纵向加速度与观测噪声的对应关系，具体考虑的因素进行实车测量数据标定获得相应的对应关系，以用于观测噪声R(k)的获取。

如图2所示，本发明实施例提出一种车辆俯仰角估计系统，包括：

第一信号获取单元1，用于获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

第二信号获取单元2，用于获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

观测变量获取单元3，根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；以及

卡尔曼滤波单元4，用于将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值。

在一较佳实施例中，所述观测变量获取单元3具体用于根据公式获得量测俯仰角，

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

在一较佳实施例中，所述卡尔曼滤波单元4具体包括：

一步状态预测单元41，用于进行一步状态预测获得k时刻状态预测量

其中，k时刻表示当前时刻，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值，F_x为车辆纵向力，h为车辆质心高度，m为车辆簧载质量，M为车辆总质量，I′_y为车辆等效转动惯量，M_y为车辆俯仰阻力矩，T为步长，即为程序当前循环与上一循环的时间间隔；

一步方差预测单元42，用于获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

系统状态量估计单元43，用于获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

C＝[1 0]，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；

方差估计单元44，用于根据k时刻的方差预测量P(k,k-1)进行方差更新获得k时刻方差P(k)，P(k)＝[I-K(k)·C]·P(k,k-1)，I为单位矩阵；以及

俯仰角估计单元45，用于根据所述k时刻的系统状态量

和方差P(k)获得k时刻车辆的俯仰角估计值。

在一较佳实施例中，所述系统状态量估计单元43具体还用于：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

或者，根据k时刻的第一纵向加速度、第二纵向加速度以及第一纵向加速度、第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

需说明的是，上述实施例所述系统与上述实施例所述方法对应，因此，上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到，此处不再赘述。

并且，上述实施例所述车辆俯仰角估计系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

本发明另一实施例还提出一种计算机设备，包括：根据上述实施例所述的车辆俯仰角估计系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据上述实施例所述车辆俯仰角估计方法的步骤。

当然，所述计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。

示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接整个所述计算机设备的各个部分。

所述存储器可用于存储所述计算机程序和/或单元，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明另一实施例还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述车辆俯仰角估计方法的步骤。

具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种车辆俯仰角估计方法，其特征在于，包括：

获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；

将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值；

其中，设当前时刻k时刻，k时刻观测变量为y(k)，则所述进行卡尔曼滤波获得车辆的俯仰角估计值，包括：

进行一步状态预测获得k时刻状态预测量

其中，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值，F_x为车辆纵向力，h为车辆质心高度，m为车辆簧载质量，M为车辆总质量，I_y′为车辆等效转动惯量，M_y为车辆俯仰阻力矩，T为步长，l₁为前轴与质心在X方向上的距离，l₂为后轴与质心在X方向上的距离，K₁为前轴悬挂所用弹簧刚度，K₂为后轴悬挂所用弹簧刚度，R₁为前减震器特性，R₂为后减震器特性；

获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

C＝[1 0]，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；

根据所述k时刻的系统状态量

获得k时刻车辆的俯仰角估计值。

2.根据权利要求1所述的车辆俯仰角估计方法，其特征在于，所述根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角，具体如下公式所示：

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

3.根据权利要求1所述的车辆俯仰角估计方法，其特征在于，所述获取k时刻的观测噪声R(k)，包括：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

4.一种车辆俯仰角估计系统，其特征在于，包括：

第一信号获取单元，用于获取车辆当前车速，并根据所述当前车速获得第一纵向加速度；

第二信号获取单元，用于获取当前坡度角、车辆加速度传感器当前检测得到的第二纵向加速度；

观测变量获取单元，根据所述第一纵向加速度、当前坡度角、第二纵向加速度获得量测俯仰角；以及

卡尔曼滤波单元，用于将所述量测俯仰角作为观测变量，进行卡尔曼滤波获得车辆的俯仰角估计值；

其中，所述卡尔曼滤波单元包括：

一步状态预测单元，用于进行一步状态预测获得k时刻状态预测量

其中，k时刻表示当前时刻，

为k-1时刻系统状态量，u(k-1)为k-1时刻u的值，F_x为车辆纵向力，h为车辆质心高度，m为车辆簧载质量，M为车辆总质量，I_y′为车辆等效转动惯量，M_y为车辆俯仰阻力矩，T为步长，l₁为前轴与质心在X方向上的距离，l₂为后轴与质心在X方向上的距离，K₁为前轴悬挂所用弹簧刚度，K₂为后轴悬挂所用弹簧刚度，R₁为前减震器特性，R₂为后减震器特性；

一步方差预测单元，用于获取k-1时刻的过程噪声Q(k-1)，并根据所述过程噪声Q(k-1)进行一步预测方差获得k时刻方差预测量P(k,k-1)，其中，P(k,k-1)＝GP(k-1)G′+Q(k-1)，P(k-1)为k-1时刻方差；

系统状态量估计单元，用于获取k时刻的观测噪声R(k)，根据k时刻的状态预测量

方差预测量P(k,k-1)、观测变量y(k)以及观测噪声R(k)估计k时刻系统状态量

其中，

C＝[1 0]，K(k)＝P(k,k-1)C/[C·P(k,k-1)·C′+R(k)]；

俯仰角估计单元，用于根据所述k时刻的系统状态量

获得k时刻车辆的俯仰角估计值。

5.根据权利要求4所述的车辆俯仰角估计系统，其特征在于，所述观测变量获取单元具体用于根据公式获得量测俯仰角，

其中，θ_s为量测俯仰角，a_xs为第二纵向加速度，a_x为第一纵向加速度，α为坡度角，g为重力加速度。

6.根据权利要求4所述的车辆俯仰角估计系统，其特征在于，所述系统状态量估计单元具体还用于：

根据k时刻的第一纵向加速度以及第一纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)；

或者，根据k时刻的第二纵向加速度以及第二纵向加速度与观测噪声的对应关系确定k时刻的观测噪声R(k)。

7.一种计算机设备，包括：根据权利要求4-6任一项所述的车辆俯仰角估计系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据权利要求1-3中任一项所述车辆俯仰角估计方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-3中任一项所述车辆俯仰角估计方法的步骤。

Images