本發(fā)明涉及一種基于最小二乘和卡爾曼濾波的汽車質(zhì)量和道路坡度的聯(lián)合估計(jì)方法，其考慮了實(shí)車駕駛過(guò)程中剎車和轉(zhuǎn)彎的影響，實(shí)現(xiàn)了汽車質(zhì)量和道路坡度的實(shí)時(shí)動(dòng)態(tài)聯(lián)合估計(jì)。

背景技術(shù)：

車輛動(dòng)力學(xué)模型參數(shù)的實(shí)時(shí)估計(jì)是車輛控制的基礎(chǔ)，而汽車質(zhì)量和道路坡度是車輛動(dòng)力學(xué)模型中的重要參數(shù)，準(zhǔn)確實(shí)時(shí)的估計(jì)汽車質(zhì)量和道路坡度可以有效提高車輛動(dòng)力性和經(jīng)濟(jì)性。根據(jù)汽車質(zhì)量在線調(diào)整換擋控制策略不僅能夠使自動(dòng)換擋過(guò)程中車輛運(yùn)行更加順暢,而且還能夠得到更為經(jīng)濟(jì)的換擋控制策略?；诘缆菲露取⑺俣群图铀俣鹊刃畔⒖梢杂?jì)算出車輛功率系數(shù)，由此估計(jì)克服空氣阻力和滾動(dòng)阻力所需的發(fā)動(dòng)機(jī)功率，從而實(shí)現(xiàn)排放控制。但車輛在實(shí)際駕駛過(guò)程中會(huì)經(jīng)常出現(xiàn)剎車和轉(zhuǎn)彎操作，嚴(yán)重影響實(shí)際駕駛過(guò)程中對(duì)汽車質(zhì)量和道路坡度的感知精度。因此，探索一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量和道路坡度的聯(lián)合估計(jì)方法對(duì)于提高汽車動(dòng)力性和燃油經(jīng)濟(jì)性具有重要意義。

目前對(duì)于汽車質(zhì)量和道路坡度的獲取方法可以分為兩類，一類是基于傳感器的方法，一類是基于車輛縱向動(dòng)力學(xué)模型的方法?；趥鞲衅鞯姆椒ㄊ峭ㄟ^(guò)在車輛上加裝額外的傳感器，例如單擺式角位移傳感器、慣性導(dǎo)航儀等來(lái)直接測(cè)出坡度角,再進(jìn)一步計(jì)算車重。例如收集通過(guò)加裝加速度傳感器或者gps全球定位系統(tǒng)等獲取的坡度信號(hào)，先計(jì)算得到道路的坡道角，然后再基于車輛縱向動(dòng)力學(xué)得到車輛的質(zhì)量。這種方法比較適用于靜態(tài)條件下如車輛起步時(shí)的坡度檢測(cè)，在常規(guī)車輛行駛過(guò)程中，受車身縱向加速度、懸架變形和路面顛簸的影響,傳感器不能得到路面坡度的正確值，且這些方法對(duì)gps信號(hào)的品質(zhì)要求比較高，在使用低成本的gps的情況下難以達(dá)到很好的效果。基于車輛縱向動(dòng)力學(xué)或者運(yùn)動(dòng)學(xué)的識(shí)別方法利用車輛的縱向動(dòng)力學(xué)模型加上從汽車can總線上獲取的數(shù)據(jù)(例如發(fā)動(dòng)機(jī)扭矩百分比、發(fā)動(dòng)機(jī)轉(zhuǎn)速、車速、擋位等信號(hào))來(lái)估算未知的系統(tǒng)參數(shù)。雖然這方面的方法有很多，但是一個(gè)共同的難題在于車輛自身參數(shù)(重量等)和外部阻力(坡度)變化的解耦，此外，道路的時(shí)變性也增加了估算過(guò)程的復(fù)雜性。實(shí)際駕駛過(guò)程中剎車和轉(zhuǎn)彎帶來(lái)的制動(dòng)力和橫向動(dòng)力會(huì)影響汽車縱向動(dòng)力學(xué)模型，而現(xiàn)有方法沒(méi)有考慮實(shí)際駕駛過(guò)程中剎車和轉(zhuǎn)彎對(duì)參數(shù)估計(jì)的影響，這在實(shí)際應(yīng)用中會(huì)大大降低汽車質(zhì)量和道路坡度的估計(jì)精度。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，為了解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于提供一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計(jì)方法，其考慮了實(shí)車駕駛過(guò)程中剎車和轉(zhuǎn)彎的影響，實(shí)現(xiàn)了汽車質(zhì)量和道路坡度的實(shí)時(shí)動(dòng)態(tài)聯(lián)合估計(jì)。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計(jì)方法，包括如下步驟：

步驟1：采集數(shù)據(jù)

步驟11：利用數(shù)據(jù)采集裝置獲取車輛行駛狀態(tài)數(shù)據(jù)；

步驟12：結(jié)合車輛行駛狀態(tài)數(shù)據(jù)和車輛固有參數(shù)，計(jì)算模型所需相關(guān)參數(shù)；

步驟2：基于車輛動(dòng)力學(xué)模型建立汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型；

步驟3：分別基于汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型，構(gòu)建最小二乘質(zhì)量估計(jì)模型和卡爾曼濾波坡度估計(jì)模型；

步驟4：采用嵌套循環(huán)迭代進(jìn)行汽車質(zhì)量和道路坡度聯(lián)合估計(jì)；

步驟5：采用狀態(tài)保持的方式消除剎車和轉(zhuǎn)彎的影響。

進(jìn)一步，所述步驟11中，車輛行駛狀態(tài)數(shù)據(jù)包括轉(zhuǎn)矩t、車速v、發(fā)動(dòng)機(jī)轉(zhuǎn)速n；

所述步驟12中，車輛固有參數(shù)包括輪胎滾動(dòng)半徑r、主減速器傳動(dòng)比i0、道路滾動(dòng)阻力系數(shù)f、傳動(dòng)系機(jī)械效率η、車輛空氣阻力系數(shù)cd、車輛正向迎風(fēng)面積a；

模型所需相關(guān)參數(shù)包括加速度a和變速器傳動(dòng)比ig；

其中，加速度a可由速度v對(duì)時(shí)間差分獲得，第k時(shí)刻的加速度表示為：

δt為數(shù)據(jù)采集裝置的采樣周期；

變速器傳動(dòng)比ig的計(jì)算方法為：

進(jìn)一步，車輛縱向動(dòng)力學(xué)模型為：

得到汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型；

其中，ft為車輛驅(qū)動(dòng)力，ff為滾動(dòng)阻力，fi為坡度阻力，fv為空氣阻力；m為汽車質(zhì)量、io為變速器傳動(dòng)比，ig是傳速器傳動(dòng)比，η為機(jī)械效率，fr為滾動(dòng)阻力，ρ是空氣密度、cd是空氣阻力系數(shù)；i為道路坡度；σ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

進(jìn)一步，所述步驟3包括如下步驟：

步驟31：將汽車縱向動(dòng)力學(xué)模型轉(zhuǎn)化成最小二乘辨識(shí)形式，得到汽車質(zhì)量的最小二乘辨識(shí)模型；

步驟32：將汽車縱向動(dòng)力學(xué)模型離散化，改寫為狀態(tài)空間方程形式，基于狀態(tài)空間方程建立卡爾曼濾波坡度估計(jì)模型。

進(jìn)一步，所述步驟31中，將坡度看作已知參數(shù)，單獨(dú)對(duì)汽車質(zhì)量進(jìn)行最小二乘辨識(shí)，根據(jù)汽車動(dòng)力學(xué)模型，將車輛縱向動(dòng)力學(xué)模型轉(zhuǎn)化成如下最小二乘形式：

步驟31-a：建立帶遺忘因子的最小二乘辨識(shí)模型

設(shè)系統(tǒng)的輸入輸出關(guān)系可以描述成如下的最小二乘形式：

z(k)＝h^t(k)θ+n(k)

其中，z(k)是系統(tǒng)的輸出，h(k)是可觀測(cè)數(shù)據(jù)向量，n(k)為白噪聲，θ為待估計(jì)參數(shù)，定義準(zhǔn)則函數(shù)為：

其中λ(i)為加權(quán)函數(shù)，λ分別為模型待估參數(shù)θ對(duì)應(yīng)的遺忘因子；

利用序列{z(k)}和{h(k)}，極小化準(zhǔn)則函數(shù)，即對(duì)θ求導(dǎo)，可求得參數(shù)θ的最小二乘估計(jì)值第k時(shí)刻的參數(shù)估計(jì)值可以表示為：

將上述估計(jì)結(jié)果轉(zhuǎn)化為遞推形式，得到帶多遺忘因子的最小二乘遞推估計(jì)模型如下：

其中：

步驟31-b：建立帶遺忘因子的最小二乘遞推質(zhì)量估計(jì)模型

將車輛縱向動(dòng)力學(xué)模型最小二乘形式應(yīng)用于最小二乘遞推估計(jì)模型，則有：

將上式帶入最小二乘遞推質(zhì)量估計(jì)模型可得帶多遺忘因子的最小二乘質(zhì)量估計(jì)模型的遞推形式為：

其中，λ分別為兩個(gè)待估計(jì)參數(shù)m對(duì)應(yīng)的遺忘因子，取值范圍為[0,1)。

進(jìn)一步，所述步驟32中，常規(guī)下?tīng)顟B(tài)空間描述的表達(dá)式為：

其中是指狀態(tài)變量，u∈r是系統(tǒng)輸入，y∈r^m是系統(tǒng)輸出，而a∈r^n×n,b∈rⁿ,c∈r^m×n表示系統(tǒng)參數(shù)矩陣；

假設(shè)道路坡度沒(méi)有發(fā)生突變，則狀態(tài)方程可以描述為：

為了實(shí)現(xiàn)道路坡度的實(shí)時(shí)遞推估計(jì)，將狀態(tài)方程離散化，則：

得到車輛最后實(shí)現(xiàn)離散狀態(tài)空間描述

其中，

h(k)＝[10]

在以上式子中，w(k)和v(k)分別為測(cè)量噪聲和狀態(tài)噪聲，其相對(duì)應(yīng)的噪聲協(xié)方差分別為r(k)和q(k)。r(k)為系統(tǒng)測(cè)量噪聲協(xié)方差、q(k)為系統(tǒng)狀態(tài)噪聲協(xié)方差、s(k)為k時(shí)刻汽車行駛距離。

進(jìn)一步，所述步驟4中，選取合理的估計(jì)步長(zhǎng)，保證坡度估計(jì)在每一步內(nèi)的收斂性，從而保證聯(lián)合估計(jì)的收斂性；再采用中值濾波法對(duì)當(dāng)前步的坡度估計(jì)結(jié)果進(jìn)行濾波處理，將濾波后的坡度估計(jì)結(jié)果帶入最小二乘質(zhì)量估計(jì)模型中，估計(jì)出當(dāng)前步的質(zhì)量，將其作為下一步坡度估計(jì)的輸入，如此往復(fù)循環(huán)。

進(jìn)一步，對(duì)實(shí)車數(shù)據(jù)進(jìn)行質(zhì)量-坡度聯(lián)合估計(jì)時(shí)，若k時(shí)刻數(shù)據(jù)表示剎車或者方向盤轉(zhuǎn)角超出設(shè)定范圍，k時(shí)刻的聯(lián)合估計(jì)停止，輸出保持為第k-1時(shí)刻的估計(jì)值，若k時(shí)刻數(shù)據(jù)表示沒(méi)剎車且方向盤轉(zhuǎn)角在設(shè)定范圍內(nèi)時(shí)，進(jìn)行正常的質(zhì)量坡度循環(huán)遞推估計(jì)。

本發(fā)明的有益效果在于：

本發(fā)明考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計(jì)方法，通過(guò)最小二乘與卡爾曼濾波嵌套循環(huán)估計(jì)的方式實(shí)現(xiàn)了對(duì)慢變的汽車質(zhì)量和快變的道路坡度這兩個(gè)相互耦合的參數(shù)的實(shí)時(shí)動(dòng)態(tài)估計(jì)，同時(shí)還通過(guò)引入狀態(tài)保持器克服了剎車和轉(zhuǎn)彎對(duì)汽車質(zhì)量和道路坡度聯(lián)合估計(jì)的影響，進(jìn)而提高了實(shí)車駕駛過(guò)程中復(fù)雜駕駛環(huán)境下汽車質(zhì)量和道路坡度估計(jì)的精度和適用范圍。從而為汽車智能系統(tǒng)提供實(shí)時(shí)的道路坡度信息和汽車負(fù)載情況，為自動(dòng)駕駛輔助決策、綠色駕駛、及自動(dòng)變速器換擋控制提供重要的依據(jù)，從而實(shí)現(xiàn)安全、經(jīng)濟(jì)、舒適駕駛。

附圖說(shuō)明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行說(shuō)明：

圖1為本發(fā)明采用的基于obd-ii接口的數(shù)據(jù)采集框架圖；

圖2為本發(fā)明采用的汽車質(zhì)量和道路坡度嵌套循環(huán)聯(lián)合估計(jì)流程圖；

圖3為本發(fā)明采用的消除剎車和轉(zhuǎn)彎對(duì)聯(lián)合估計(jì)影響的狀態(tài)保持方案圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實(shí)施，但所舉實(shí)施例不作為對(duì)本發(fā)明的限定。

本實(shí)施例考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計(jì)方法，包括如下步驟：

步驟1：采集數(shù)據(jù)

步驟11：利用數(shù)據(jù)采集裝置獲取車輛行駛狀態(tài)數(shù)據(jù)

如圖1所示，本實(shí)施例采用美國(guó)福特汽車公司提供的openxc插入到obd-ii接口，然后開(kāi)發(fā)基于數(shù)據(jù)采集軟件app，通過(guò)藍(lán)牙設(shè)備接收實(shí)時(shí)的車輛行駛狀態(tài)數(shù)據(jù)存于手機(jī)移動(dòng)終端，具體的，車輛行駛狀態(tài)數(shù)據(jù)包括轉(zhuǎn)矩t、車速v、發(fā)動(dòng)機(jī)轉(zhuǎn)速n、油門開(kāi)度th、剎車信號(hào)br、方向盤轉(zhuǎn)角steer、檔位信息ge。

步驟12：結(jié)合車輛行駛狀態(tài)數(shù)據(jù)和車輛固有參數(shù)，計(jì)算模型所需相關(guān)參數(shù)

車輛固有參數(shù)包括輪胎滾動(dòng)半徑r、主減速器傳動(dòng)比i0、道路滾動(dòng)阻力系數(shù)f、傳動(dòng)系機(jī)械效率η、車輛空氣阻力系數(shù)cd、車輛正向迎風(fēng)面積a。

模型所需相關(guān)參數(shù)包括加速度a和變速器傳動(dòng)比ig；

其中，加速度a可由速度v對(duì)時(shí)間差分獲得，第k時(shí)刻的加速度表示為：

δt為數(shù)據(jù)采集裝置的采樣周期；

變速器傳動(dòng)比ig的計(jì)算方法為：

步驟2：基于車輛動(dòng)力學(xué)模型建立汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型

汽車縱向動(dòng)力學(xué)模型如下：

σma＝ft-ff-fi-fa

其中，ft為車輛驅(qū)動(dòng)力，且

ff為滾動(dòng)阻力，且fr＝mgfrcosi；

fi為坡度阻力，且fi＝mgsini；

fa為空氣阻力，且

由道路設(shè)計(jì)規(guī)范標(biāo)準(zhǔn)可以知道，道路坡度設(shè)計(jì)中一般不超過(guò)10度，因此為了模型簡(jiǎn)化，可以將cosi近似等于1，將sini近似為sini≈i。可得：

其中m為汽車質(zhì)量、ig為變速器傳動(dòng)比、io是傳速器傳動(dòng)比，η為機(jī)械效率，f為滾動(dòng)阻力系數(shù)，ρ是空氣密度、cd是空氣阻力系數(shù)，i為道路坡度；σ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

步驟3：分別基于汽車質(zhì)量、道路坡度與車輛行駛狀態(tài)數(shù)據(jù)的關(guān)系模型，構(gòu)建最小二乘質(zhì)量估計(jì)模型和卡爾曼濾波坡度估計(jì)模型

步驟31：將汽車縱向動(dòng)力學(xué)模型轉(zhuǎn)化成最小二乘辨識(shí)形式，得到汽車質(zhì)量的最小二乘辨識(shí)模型

此時(shí)將坡度看作已知參數(shù)，單獨(dú)對(duì)汽車質(zhì)量進(jìn)行最小二乘辨識(shí)，根據(jù)汽車動(dòng)力學(xué)模型，將車輛縱向動(dòng)力學(xué)模型轉(zhuǎn)化成如下最小二乘形式：

步驟31-a：建立帶遺忘因子的最小二乘辨識(shí)模型

在車輛啟動(dòng)后，車輛質(zhì)量m幾乎不變，是一個(gè)慢變量，但由于其所處動(dòng)力學(xué)系統(tǒng)是一個(gè)時(shí)變的系統(tǒng)，舊的數(shù)據(jù)會(huì)帶來(lái)數(shù)據(jù)飽和影響辨識(shí)結(jié)果，需要引入遺忘因子,以突出新的數(shù)據(jù)，從而加強(qiáng)最小二乘辨識(shí)的跟蹤能力。

設(shè)系統(tǒng)的輸入輸出關(guān)系可以描述成如下的最小二乘形式：

z(k)＝h^t(k)θ+n(k)

其中，z(k)是系統(tǒng)的輸出，h(k)是可觀測(cè)數(shù)據(jù)向量，n(k)為白噪聲，θ為待估計(jì)參數(shù)，定義準(zhǔn)則函數(shù)為：

其中λ(i)為加權(quán)函數(shù)，λ分別為模型待估參數(shù)θ對(duì)應(yīng)的遺忘因子；

利用序列{z(k)}和{h(k)}，極小化準(zhǔn)則函數(shù)，即對(duì)θ求導(dǎo)，可求得參數(shù)θ的最小二乘估計(jì)值第k時(shí)刻的參數(shù)估計(jì)值可以表示為：

為了保證車輛質(zhì)量估計(jì)系統(tǒng)能夠?qū)崟r(shí)更新估計(jì)結(jié)果，將上述估計(jì)結(jié)果轉(zhuǎn)化為遞推形式，得到帶多遺忘因子的最小二乘遞推估計(jì)模型如下：

其中：

步驟31-b：建立帶遺忘因子的最小二乘遞推質(zhì)量估計(jì)模型

將車輛縱向動(dòng)力學(xué)模型最小二乘形式應(yīng)用于最小二乘遞推估計(jì)模型，則有：

將上式帶入最小二乘遞推質(zhì)量估計(jì)模型可得帶多遺忘因子的最小二乘質(zhì)量估計(jì)模型的遞推形式為：

其中，λ分別為兩個(gè)待估計(jì)參數(shù)m對(duì)應(yīng)的遺忘因子，取值范圍為[0,1)，默認(rèn)情況下λ1取為0.95。

步驟32：將汽車縱向動(dòng)力學(xué)模型離散化，改寫為狀態(tài)空間方程形式，基于狀態(tài)空間方程建立卡爾曼濾波坡度估計(jì)模型

常規(guī)下?tīng)顟B(tài)空間描述的表達(dá)式為：

其中是指狀態(tài)變量，u∈r是系統(tǒng)輸入，y∈r^m是系統(tǒng)輸出，而a∈r^n×n,b∈rⁿ,c∈r^m×n表示系統(tǒng)參數(shù)矩陣；

假設(shè)道路坡度沒(méi)有發(fā)生突變，則狀態(tài)方程可以描述為：

為了實(shí)現(xiàn)道路坡度的實(shí)時(shí)遞推估計(jì)，將狀態(tài)方程離散化，則：

得到車輛最后實(shí)現(xiàn)離散狀態(tài)空間描述

其中，

h(k)＝[10]

在以上式子中，w(k)和v(k)分別為測(cè)量噪聲和狀態(tài)噪聲，其相對(duì)應(yīng)的噪聲協(xié)方差分別為r(k)和q(k)。r(k)為系統(tǒng)測(cè)量噪聲協(xié)方差、q(k)為系統(tǒng)狀態(tài)噪聲協(xié)方差、s(k)為k時(shí)刻汽車行駛距離。

步驟4：采用嵌套循環(huán)迭代進(jìn)行汽車質(zhì)量和道路坡度聯(lián)合估計(jì)

質(zhì)量估計(jì)對(duì)坡度的變化很敏感，如果在一步內(nèi)坡度估計(jì)不能收斂到正確的值，質(zhì)量估計(jì)就會(huì)出錯(cuò)，從而使得整個(gè)聯(lián)合估計(jì)不收斂。通過(guò)選取合理的估計(jì)步長(zhǎng)，本實(shí)施例默認(rèn)選取估計(jì)步長(zhǎng)為5s，保證坡度估計(jì)在每一步內(nèi)的收斂性，從而保證聯(lián)合估計(jì)的收斂性。再采用中值濾波法對(duì)當(dāng)前步的坡度估計(jì)結(jié)果進(jìn)行濾波處理，將濾波后的坡度估計(jì)結(jié)果帶入最小二乘質(zhì)量估計(jì)中，估計(jì)出當(dāng)前步的質(zhì)量，將其作為下一步坡度估計(jì)的輸入，如此往復(fù)循環(huán)估。

步驟5：采用狀態(tài)保持的方式消除剎車和轉(zhuǎn)彎的影響。

對(duì)實(shí)車數(shù)據(jù)進(jìn)行質(zhì)量-坡度聯(lián)合估計(jì)時(shí)，若k時(shí)刻數(shù)據(jù)表示剎車或者方向盤轉(zhuǎn)角超出設(shè)定范圍，k時(shí)刻的聯(lián)合估計(jì)停止，輸出保持為第k-1時(shí)刻的估計(jì)值，若k時(shí)刻數(shù)據(jù)表示沒(méi)剎車且方向盤轉(zhuǎn)角在設(shè)定范圍內(nèi)時(shí)，進(jìn)行正常的質(zhì)量坡度循環(huán)遞推估計(jì)。本實(shí)施例的設(shè)定范圍為(-10°，10°)。

具體的，本實(shí)施例第一階段，對(duì)100s內(nèi)的實(shí)車數(shù)據(jù)進(jìn)行考慮剎車和方向盤轉(zhuǎn)角的質(zhì)量-坡度聯(lián)合估計(jì)。若該段數(shù)據(jù)的剎車和轉(zhuǎn)角超出(-10°，10°)的次數(shù)小于數(shù)據(jù)總采集次數(shù)的20％，本次聯(lián)合估計(jì)有效，將質(zhì)量估計(jì)的收斂值最作為該次行程的汽車和乘客的總質(zhì)量；反之，本次聯(lián)合估計(jì)無(wú)效，并對(duì)下一個(gè)100s的數(shù)據(jù)進(jìn)行前兩步操作；若本次聯(lián)合估計(jì)有效，進(jìn)入第二階段，將聯(lián)合估計(jì)得到的質(zhì)量作為輸入，進(jìn)行考慮剎車和方向盤轉(zhuǎn)角的坡度實(shí)時(shí)估計(jì)。

本實(shí)施例考慮剎車和轉(zhuǎn)彎影響的汽車質(zhì)量-道路坡度聯(lián)合估計(jì)方法，通過(guò)最小二乘與卡爾曼濾波嵌套循環(huán)估計(jì)的方式實(shí)現(xiàn)了對(duì)慢變的汽車質(zhì)量和快變的道路坡度這兩個(gè)相互耦合的參數(shù)的實(shí)時(shí)動(dòng)態(tài)估計(jì)，同時(shí)還通過(guò)引入狀態(tài)保持器克服了剎車和轉(zhuǎn)彎對(duì)汽車質(zhì)量和道路坡度聯(lián)合估計(jì)的影響，進(jìn)而提高了實(shí)車駕駛過(guò)程中復(fù)雜駕駛環(huán)境下汽車質(zhì)量和道路坡度估計(jì)的精度和適用范圍。從而為汽車智能系統(tǒng)提供實(shí)時(shí)的道路坡度信息和汽車負(fù)載情況，為自動(dòng)駕駛輔助決策、綠色駕駛、及自動(dòng)變速器換擋控制提供重要的依據(jù)，從而實(shí)現(xiàn)安全、經(jīng)濟(jì)、舒適駕駛。

以上所述實(shí)施例僅是為充分說(shuō)明本發(fā)明而所舉的較佳的實(shí)施例，本發(fā)明的保護(hù)范圍不限于此。本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明基礎(chǔ)上所作的等同替代或變換，均在本發(fā)明的保護(hù)范圍之內(nèi)。本發(fā)明的保護(hù)范圍以權(quán)利要求書為準(zhǔn)。