Fahrdynamikregelsysteme benötigen für den exakten und effizienten Einsatz von Aktuatoren Informationen über den aktuellen Fahrzustand und die Fahrzeugparameter. Nicht alle erforderlichen Informationen können von der Seriensensorik direkt erfasst werden. In diesem Fall werden Fahrzustandsschätzer eingesetzt, um die fehlenden Informationen aus Modellwissen und einer Sensorfusion zu bestimmen. Im vorliegenden Beitrag wird ein solcher Fahrzustandsschätzer vorgestellt, welcher bisherige Ansätze um virtuelle Sensoren erweitert und so zusätzliche Informationen für die Sensorfusion bereitstellt. Diese Erweiterung umfasst die Schätzung der Zahnstangenkraft und der Radlängskräfte sowie der vertikalen Aufbaubewegung. Anhand von Simulations- und Versuchsfahrten kann nachgewiesen werden, dass das Erkennen von kritischen Situationen, wie Bremsen auf µ-split Fahrbahnoberfläche oder Kurvenfahrt auf Niedrigreibwert, schnell und zuverlässig erfolgt und somit Potenzial zur Verbesserung von Fahrdynamikregelsystemen geschaffen wird.
Vehicle dynamics control relies on exact vehicle state and parameter knowledge to achieve robust control performance and safety. However, sensor measurements of all required system variables are not common in series production cars. In this study, an estimation algorithm is introduced, which incorporates standard vehicle sensors and sensors of an electric powertrain to estimate the planar vehicle motion and the tyre coefficient of friction. The main component of the estimation structure is a joint Unscented Kaiman Filter (UKF) which uses a nonlinear planar vehicle model for state and parameter estimation. The UKF not only combines the signals of the physical sensors but also various virtual sensors measurements such as tyre traction forces or steering rack force. Several virtual and real test runs demonstrate the high accuracy and robustness of the algorithm for a vehicle with electric power steering.
Kombinierte Schätzung von Fahrzuständen und Fahrzeugparametern mittels Unscented Kalman Filter und virtueller Sensoren
2013
15 Seiten, 12 Bilder, 1 Tabelle, 14 Quellen
Conference paper
German
Sensorfusion , Fahrzeugparameter , Zustandsschätzung , Fahrdynamikregelsystem , Reibungskoeffizient , Reibungskennwert , Längskraft , Aktuator , Zahnstange , Aufbaubewegung , Fahrbahn , Fahrzeugüberwachung , robuste Regelung , Serienproduktion , ebene Bewegung , Testfahrt , Genauigkeit , Kalman-Filter
British Library Conference Proceedings | 2013
|Automotive engineering | 2013
|AIAA | 2015
|Unscented Schmidt–Kalman Filter Algorithm
AIAA | 2014
|Virtueller Sicherheitskokon. Radar Sensoren
Automotive engineering | 2001
|