基于无迹卡尔曼滤波和扩展卡尔曼滤波的车辆状态估计系统——Matlab Simulink源码与多...

行驶车辆状态估计无迹卡尔曼滤波扩展卡尔曼滤波EKF/UKF 软件使用Matlab/Simulink 适用场景采用扩展卡尔曼滤波和无迹卡尔曼滤波EKF/UKF进行行驶车辆的“车速质心侧偏角横摆角速度估计”可实现多种工况下车辆状态估计。 产品simulink源码包含如下模块 →工况: 阶跃工况 →整车模块7自由度整车模型 →估计模块无迹卡尔曼滤波扩展卡尔曼滤波 →模型状况 模型输入方向盘转角delta车辆纵向加速度ax 模型输出横摆角速度wz纵向车速vx质心侧偏角β? 包含simulink源码文件详细建模说明文档对应参考资料售后提供关于产品任何问题代码均为自己开发感谢您的支持。 适用于需要或想学习整车动力学simulink建模以及simulink状态估计算法建模的朋友。 模型运行完全OK仅适用于MATLAB17版本及以上在秋名山跑山最怕啥不是排水渠过弯翻车是车辆状态传感器突然掉线——质心侧偏角β和横摆角速度wz这两个关键参数要是读不出来分分钟让你体验物理引擎失控。这时候就需要老司机必备的车辆状态估计算法来救场了。先来点硬核的这个Simulink模型直接上7自由度整车架构。四个悬架上下运动车身横摆/侧倾/俯仰比驾校教练车还敏感。核心模块里藏着两个看家法宝——EKF和UKF这对滤波兄弟。估计有小伙伴要问都是卡尔曼家的凭啥要搞两套举个栗子当方向盘转角delta突然打满就像路上突然窜出小动物传统EKF的雅可比矩阵这时候可能就有点懵圈。来看看UKF的骚操作% Sigma点生成代码片段 function [Xsigma] sigma_points(x, P, gamma) n length(x); Xsigma zeros(n, 2*n1); Xsigma(:,1) x; U chol(gamma*P); for k1:n Xsigma(:,k1) x U(:,k); Xsigma(:,kn1) x - U(:,k); end end这段代码就像在状态空间里撒网捕鱼用Sigma点把非线性系统的可能状态一网打尽。相比EKF的线性化近似UKF这种暴力采样法在车辆剧烈运动时反而更靠谱。行驶车辆状态估计无迹卡尔曼滤波扩展卡尔曼滤波EKF/UKF 软件使用Matlab/Simulink 适用场景采用扩展卡尔曼滤波和无迹卡尔曼滤波EKF/UKF进行行驶车辆的“车速质心侧偏角横摆角速度估计”可实现多种工况下车辆状态估计。 产品simulink源码包含如下模块 →工况: 阶跃工况 →整车模块7自由度整车模型 →估计模块无迹卡尔曼滤波扩展卡尔曼滤波 →模型状况 模型输入方向盘转角delta车辆纵向加速度ax 模型输出横摆角速度wz纵向车速vx质心侧偏角β? 包含simulink源码文件详细建模说明文档对应参考资料售后提供关于产品任何问题代码均为自己开发感谢您的支持。 适用于需要或想学习整车动力学simulink建模以及simulink状态估计算法建模的朋友。 模型运行完全OK仅适用于MATLAB17版本及以上实测数据更刺激当纵向车速vx从30km/h突然提到80km/hEKF估计的β角会有2度左右的相位滞后而UKF基本能咬住真值曲线。不过代价是UKF的CPU占用率比EKF高出约18%——鱼和熊掌的问题总逃不掉。模型里有个彩蛋设计方向盘转角输入模块自带手残模式可以模拟新手司机抽搐式打方向。这时候观测器里的运动学方程就派上用场了% 横摆动力学方程简化版 function dx yaw_dynamics(t, x, u) beta x(1); wz x(2); delta u(1); ax u(2); % 魔术公式轮胎模型简化 Fyf 8000 * sin(1.5 * atan(delta - 0.02*beta)); Fyr 6000 * sin(1.2 * atan(-0.035*beta)); dx [ (Fyf Fyr)/(m*vx) - wz; (a*Fyf - b*Fyr)/Iz ]; end这个微分方程组的数值稳定性直接决定滤波器会不会崩。建议仿真时把最大步长压到0.01秒以下不然急变工况容易数值爆炸。最后给个忠告模型里的纵向车速估计模块对路面坡度特别敏感要是哪天发现vx估计值飘得比秋名山海拔还高记得检查是不是没加坡度传感器。毕竟现实中的车辆动力学永远比仿真复杂那么亿点点。