基于双自适应无迹卡尔曼滤波的半挂车状态估计摘要：针对半挂车辆状态估计过程中测量噪声不确定、累计误差影响严重、初值敏感等问题，提出一种适用于半挂车铰接角、车速等多个状态量估计的双自适应无迹卡尔曼滤波算法（FFUKF）.基于搭建的半挂汽车12自由度非线性动力学模型和轮胎模型，通过测量的轮速与车辆加速度等信息，首先利用模糊控制自适应调整滑移率容差，综合判断每个车轮的稳定状态，通过轮速估算出一种车速;与此同时，模糊控制自m应调整测量噪声，利用无迹卡尔曼算法，依据动力学估计出铰接角和另一种车速;然后通过卡尔曼滤波算法融合两种方法估计的结果，实现车辆的纵向、侧向速度、横摆角速度和挂车与牵引车铰接角的实时估计.最后在Simulink/TruckSim联合仿真环境下进行多工况仿真试验，验证所提出的双自适应无迹卡尔曼估计算法（FFUKF）有较强的适应性、稳定性和鲁棒性，相比普通模糊自适应无迹卡尔曼（FUKF）有更高的估计精度，能有效克服累计误差，即便在估计初始值不准和有ABS控制输入的情况，仍可以较精确地对车速和铰接角进行实时估计.关键词：半挂车状态估计;铰接角;模糊控制;双自适应无迹卡尔曼：U469.6文献标志码：A车辆状态信息对车辆的稳定性控制、主动安全控制，乃至无人驾驶控制有十分重要的意义[1].实际应用中，轮速和加速度等车辆状态参量，可通过车载传感第1页共4页器直接测量，但诸如质心侧偏角和铰接角等状态量，或难以直接测量，或需昂贵传感器才能测量[2-3].为解决上述问题，利用经济性好的车载传感器、结合车辆动力学和运动学原理、运用智能算法估计出所需状态量的“软测量”技术得到重视[4].车辆状态估计常用的算法主要有卡尔曼滤波（KF）[5-6]、扩展卡尔曼滤波（EKF）[7-9]、无迹卡尔曼滤波（UKF）[10-11]、神经网络[12-14]和深度学习[15]等.通过分析上述状态估计算法，经典卡尔曼滤波算法（KF）在车辆表现出复杂非线性时的估计精度低，具有局限性;扩展卡尔曼滤波算法（EKF）可针对性改善非线性系统的估计问题，但仍只是近似处理，其雅可比矩阵和协方差矩阵计算复杂;无迹卡尔曼滤波（UKF）能很好地适用于非线性系统，但传统的UKF算法，其过程噪声和测量噪声的统计特性预先设为定值，与实际不符，且定值化处理会降低估计精度，甚至导致滤波发散.针对过程噪声和测量噪声统计特性的问题，周聪[16]利用基于虚拟噪声补偿技术的非线性自适应滤波算法对汽车的行驶状态进行估计.文献[17]考虑在不同路面激励水平情况下，定义了不同的噪声协方差，提出了自适应无迹卡尔曼滤波状态参数估计算法，该算法能够适应不同路面的变化，具有较强的稳定性.张凤娇等[18]引入蚁群优化算法对汽车状态进行估计，降低噪声的干扰，提高了估计精度.周卫琪等[19]结合UKF算法与遗传算法对汽车状态参数进行估计，实现了噪声的自适应调节，有效提高了估计精度.张一西等[20]提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器，采用蚁狮优化算法（ALO）对噪声协方差矩阵第2页共4页进行寻优，提高估计的精度.需要说明的是，目前对于带有挂车的车辆进行状态估计的资料较少，张不扬等[21]在传统UKF基础上，加入了具有自适应性作用的遗忘因子，对重型半挂车横摆角速度和铰接角进行了估计.以上文献对车辆状态估计做了积极的研究工作，但在以下几方面有待继续深入：1）针对带有挂车这类复杂铰接车辆的状态估计，现有研究较少聚焦，尤其是考虑牵引-半挂车高维自由度、强非线性特性的状态估计.2）上述估计方法都以UKF为基础，属于无限增长记忆型滤波，在进行k时刻的最优估计时，要用到k时刻之前的所有数据，因此随着时间的推移，容易造成误差累积，可能导致滤波发散[22].3）上述方法对估计初值要求较高，当初值不准确时，可能导致估计效果不佳，而在断电再恢复的情形，这种情况更加明显.4）许多状态估计是在标准工况下进行，当出现ABS控制制动和大转角等特殊的情形，由于轮速变化剧烈，对应的轮速传感器所测值误差大，此时很难实现准确的状态估计.本文以半挂车辆为研究对象，针对状态估计过程中存在的上述累计误差、初值敏感、ABS介入等问题，提出一种双自适应无迹卡尔曼滤（FFUKF）估...