基于卡尔曼滤波与四轮轮速估计的车速算法验证

基于卡尔曼滤波器的车速观测器 写在前 汽车的纵向车速的识别是汽车控制系统的一个极其重要的数据,车速识别的精度将直接影响到汽车稳定性控制系统性能的好坏。 目前已经可以买到准确测量车辆的纵向车速的装备,但是这种设备往往体积过大或者是成本过高,并且不适合长期安装在车上,长期使用,有耐用性较差,容易受干扰等等缺点。因此在实际车辆中均采用估算的方式间接得到车速。目前基于车辆的传感器进行纵向车速估算的方法主要有两种: 通过测量从动轮的轮... 阅读详情

基于卡尔曼滤波的车速估计,基于四轮轮速估计车速,利用实车测试数据进行验证,该算法应用在实际工程项目中。 背景: 在自动驾驶运动控制或者底盘控制算法中,需要知道真实车速,以进行控制器的计算。 但实际车辆并无车速传感器,需要进行车速估计。 可从CAN上获取轮速等信息,进行估算。 优势: 采用四轮轮速估计纵向车速,轮速在车辆上容易获取,从底盘CAN即可读取; 采用运动学模型,实际应用无需关注复杂动力学模型及参数; 利用估计出的车速进行定位,精度较高; 软件环境: MATLAB/Simulink(2018以上版本) 算法输入:四轮轮速 算法输出:估计出的车速

轮胎碾过减速带时突然的转速波动,工程师老张盯着屏幕上的轮速曲线直皱眉——这要直接拿来当车速用,控制算法还不得抽风?在苏州某自动驾驶公司的车间里,这种车速估计的难题几乎每天都会上演。今天我们就来聊聊他们团队实战验证过的解决方案:基于四轮轮速的卡尔曼滤波车速估计。

轮子会骗人

直接从CAN总线拿到的轮速信号就像个调皮的孩子:过弯时内外侧轮速差能差出30%,急刹车时轮子转速甚至可能归零(此时车速可还没归零)。直接取四个轮速的平均值?实测发现遇到湿滑路面照样翻车。这倒逼团队必须用更聪明的方式处理原始信号。

来看这段预处理代码:

function v_wheel = preprocess_wheel_speed(fl, fr, rl, rr)
    % 剔除异常跳变(CAN丢帧补偿)
    wheel_speeds = medfilt1([fl, fr, rl, rr], 3);
    
    % 前轮加权系数更大(实测前轮信号更稳定)
    v_wheel = 0.4*mean(wheel_speeds(1:2)) + 0.3*mean(wheel_speeds(3:4));
    
    % 低于5km/h时启用特殊处理(应对轮速脉冲噪声)
    if v_wheel < 1.39 % m/s
        v_wheel = kalman_low_speed_correction(v_wheel);
    end
end

滤波窗口选3帧不是理论计算而是实车标定的结果——太大会导致响应延迟,太小又滤不干净噪声。前轮权重系数来自二十多组不同路况的数据回灌测试,这种工程细节论文里可不会写。

卡尔曼的魔法

核心算法在Simulink里搭了个变参数模型。这里有个反直觉的设计:状态变量不是车速而是车速变化率。因为实测发现这样更适应急加减速工况。

看预测阶段的处理:

% 状态转移矩阵(动态调整系数)
function F = get_F(dt, a_prev)
    % 急加速时增大过程噪声协方差
    if abs(a_prev) > 2.5
        F = [1 dt; 0 1]*1.2;
    else
        F = [1 dt; 0 1];
    end
end

这个动态调整的F矩阵是项目组的独门秘方。他们发现固定参数的卡尔曼滤波在车辆紧急制动时会有约0.3m/s的滞后,而动态调整后滞后缩短到0.1s以内——对自动驾驶的跟车场景来说,这0.2秒的进步可能就是追尾与否的区别。

实车验证的彩蛋

在苏州阳澄湖边的封闭测试场,算法经历了魔鬼测试:让车辆以40km/h压过搓板路,此时轮速信号会出现10Hz的剧烈振荡。传统移动平均算法估计的车速波动达±8km/h,而卡尔曼滤波版本控制在±2km/h以内。

不过老张偷偷告诉我,最难的其实是雨后的环氧地坪车库。地面附着力突变导致轮速信号像心电图,团队为此专门增加了滑移率补偿模块:

% 滑移率计算模块
slip_ratio = (wheel_speed - vehicle_speed) / max(vehicle_speed, 0.1);
if slip_ratio > 0.15
    % 进入滑移状态时切换观测模型
    set_param('KF_Model/Observer', 'sw', '1');
else
    set_param('KF_Model/Observer', 'sw', '0'); 
end

这种条件判断在理论模型里看起来很粗暴,但实测就是管用。毕竟工程落地不是写论文,可靠性和实时性才是王道。

不是结尾的结尾

现在这套算法已经跑在上千辆量产车上,但老张的团队还在持续迭代。最近他们在尝试融合IMU数据,不过用他的话说:"别迷信多传感器融合,有时候把单信号用到极致才是工程智慧。" 下次你的车在湿滑路面稳稳巡航时,说不定正用着这个看似简单却暗藏玄机的轮速滤波算法呢。

车辆ESP系统核心:Yaw Rate估算的3种工程方法对比(含轮速差/加速度法优劣分析) 本文深入探讨了车辆ESP系统中横摆角速度(Yaw Rate)的三种主流估算方法:轮速差法、侧向加速度-车速法和惯性传感器直接测量法。通过对比分析各方法的优劣及适用场景,为工程师提供了精准的算法选型指南,帮助优化ESP系统在动态控制中的性能表现。 阅读详情

相关推荐

卡尔曼滤波在车辆状态估计中的MATLAB实现

卡尔曼滤波是一种经典的状态估计算法,通过融合多源传感器数据,有效解决测量噪声和信号漂移问题。其核心原理基于状态空间模型,通过预测-更新两个阶段迭代优化估计结果。在车辆动力学控制领域,该算法能显著提升速度、加速度等关键参数的估计精度,误差可控制在3%以内。典型应用场景包括自动驾驶感知模块、ABS系统等需要实时状态反馈的场景。本项目提供的MATLAB实现包含完整的车辆运动建模和参数调优方案,特别针对轮速传感器与IMU数据融合进行了优化,实测可将原始数据波动从±2.3m/s降低到±0.4m/s。代码库支持直接集成

weixin_29210727的博客 99

卡尔曼滤波由目标位置信息,估算它的位置和速度信息

一个简单说明 这是我在做车辆速度估算中所用到的技术做个总结,并附上仿真代码。 主要用途为,知道了每一帧小车的二维位置信息 (posX, posY),经过kalman滤波,输出更新后的小车位置信息 (posX, posY)以及它分解速度信息 (Vx, Vy)。 一、预测 在首帧数据来之前,我们是不知道小车的状态的,所以随便猜一个它的初始状态(或者滤波后,滤波结果就是状态),X=[1, 1, 0, 0]',(表示初始位置为(1, 1),x,y方向的速度为(0, 0)),X是一个需要更新的量 ...

jngwe的博客 1万+

UKF与CKF在分布式驱动电动汽车路面附着系数估计中的应用

路面附着系数是车辆动力学控制的核心参数,但无法直接测量,只能通过轮胎力与车辆运动状态的耦合关系间接估计。非线性卡尔曼滤波技术为这一问题提供了有效途径,其中无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)是两种主流实现。UKF利用无迹变换传播sigma点,而CKF基于球面径向容积规则生成等权容积点,两者均能处理轮胎模型中的强非线性,在不需要线性化Jacobian的同时保持较高精度。结合分布式驱动电动汽车轮毂电机扭矩精确可测、响应快、四轮独立可控的优势,该类算法可在行驶过程中实时估计路面附着系数,为底盘控制、

weixin_33910759的博客 321

卡尔曼滤波驱动的四轮轮速车速估计算法——基于实车测试数据的验证与实际应用

他们发现固定参数的卡尔曼滤波在车辆紧急制动时会有约0.3m/s的滞后,而动态调整后滞后缩短到0.1s以内——对自动驾驶的跟车场景来说,这0.2秒的进步可能就是追尾与否的区别。在苏州阳澄湖边的封闭测试场,算法经历了魔鬼测试:让车辆以40km/h压过搓板路,此时轮速信号会出现10Hz的剧烈振荡。基于卡尔曼滤波的车速估计,基于四轮轮速估计车速,利用实车测试数据进行验证,该算法应用在实际工程项目中。基于卡尔曼滤波的车速估计,基于四轮轮速估计车速,利用实车测试数据进行验证,该算法应用在实际工程项目中。

2503_93933470的博客 385

三自由度车辆模型与容积卡尔曼滤波的车辆状态估计方案

在车辆动力学控制中,许多关键状态如质心侧偏角难以直接测量,工程上常借助非线性滤波与简化车辆模型进行估计。容积卡尔曼滤波(CKF)是一种基于三阶球面-径向容积规则的非线性滤波方法,相比扩展卡尔曼滤波无需繁琐的雅可比矩阵,相比无迹卡尔曼滤波参数更少、数值稳定性更好。将三自由度车辆单轨模型与CKF结合,仅利用IMU、轮速和方向盘转角传感器,即可实时估计纵向车速、横向车速、横摆角速度及质心侧偏角。该方案兼顾精度与实时性,适用于车辆稳定性控制、底盘域控制器开发及状态估计算法的仿真验证。以CKF3DOF项目为例,详细阐

weixin_34128839的博客 494

分布式电驱车四维动态状态估计算法集:纵向速度、侧偏角、横摆角速、侧倾角实时解算

面向分布式驱动架构的纯电动汽车,提供一套可直接用于仿真与控制开发的状态估计工具集,聚焦车辆运动学与动力学耦合下的四个关键状态量——纵向车速、质心侧偏角、横摆角速度和车身侧倾角。整套方案由整车动力学模型、轮胎力学模型、车身运动学模型及状态估计算法模块协同构成,兼顾轮边独立驱动带来的力矩分配特性与状态强耦合关系,支持在MATLAB/Simulink等平台快速集成验证。配套6张结构原理图(JPG格式)清晰展示建模逻辑与信号流,5份技术说明文档(TXT/HTML格式)覆盖引言、建模依据、算法推导、自由度定义及典型应

zz67890的博客 292

估计速度的两个算法

的方法则代表了更先进、更具潜力的研究方向,尤其在复杂地铁环境下,其抗遮挡能力具有巨大价值。PoseTracker、STAF等专门为姿态跟踪设计的算法,或者也可以将姿态结果(如所有关键点的平均坐标)输入到DeepSORT中进行跟踪。匹配成功的检测框用于更新卡尔曼滤波器的状态,并更新该轨迹的外观特征。使用马氏距离计算预测的轨迹位置与检测框位置之间的差异。两阶段检测器的代表,首先生成候选区域,再进行分类和精修,精度通常更高,但速度稍慢。单阶段检测器的代表,将检测视为回归问题,速度极快,适合实时应用。

matlab_python22的博客 961

卡尔曼滤波器:速度估计-matlab开发

它是用于速度估计的基本卡尔曼滤波器编程 - 戴夫

VD:估算车速

轮速传感器是汽车中用于测量车轮转速的传感器,其数据可以用来估算车辆的速度。

weixin_60793044的博客 1617

STM32F103C8T6 + GY-906红外测温:手把手教你用CubeMX和HAL库搞定IIC驱动(附完整工程)

本文详细介绍了如何使用STM32F103C8T6和GY-906红外测温传感器(基于MLX90614芯片)实现非接触式温度测量。从STM32CubeMX工程创建、HAL库驱动适配到温度数据采集与处理,提供完整的开发流程和常见问题解决方案,帮助开发者快速掌握红外测温技术。

weixin_29188043的博客 255

基于OkHttp3+Retrofit2+RxJava3搭建响应式网络框架

本文介绍了一个基于OkHttp3+Retrofit3+RxJava3的响应式网络框架设计。该框架采用分层架构,OkHttp3负责底层网络请求,Retrofit3封装HTTP接口,RxJava3实现响应式流处理。核心亮点包括:1)高度解耦的分层设计;2)统一的异常处理和响应体封装;3)RxJava3实现线程切换和请求管理;4)MVVM架构适配,业务层只需关注数据逻辑。框架提供了完整的实现方案,包括全局配置、拦截器、响应转换、接口声明、仓库封装等组件,并支持生产环境扩展功能如Cookie持久化、Token刷新等

fuge2008的博客 875

基于卡尔曼滤波与四轮轮速的车速估计算法及其在实车测试中的应用

他们发现固定参数的卡尔曼滤波在车辆紧急制动时会有约0.3m/s的滞后,而动态调整后滞后缩短到0.1s以内——对自动驾驶的跟车场景来说,这0.2秒的进步可能就是追尾与否的区别。在苏州阳澄湖边的封闭测试场,算法经历了魔鬼测试:让车辆以40km/h压过搓板路,此时轮速信号会出现10Hz的剧烈振荡。基于卡尔曼滤波的车速估计,基于四轮轮速估计车速,利用实车测试数据进行验证,该算法应用在实际工程项目中。基于卡尔曼滤波的车速估计,基于四轮轮速估计车速,利用实车测试数据进行验证,该算法应用在实际工程项目中。

weixin_46579091的博客 271

Element-UI全面入门与实战技巧

Element-UI 是一套基于 Vue 2.0 的桌面端组件库,由饿了么前端团队开发并维护。它提供了一系列丰富的 UI 组件,旨在帮助开发者快速构建高效、美观的 Vue 应用程序。Element-UI 是一款遵循 Ant Design 设计规范的 Vue UI 库,它涵盖了从按钮、输入框、选择器到表格、标签、进度条等众多常用的界面元素。Element-UI 的组件不仅功能全面,而且易于定制,使得开发者可以快速实现个性化的页面设计。Element-UI 的特点包括:在使用 Element-UI 之前,需要确

全世界的博客 2865

四轮独立驱动电动汽车状态参数估计与转矩优化分配研究【附数据】

仿真结果显示,ALO-UKF估计器能够有效跟踪车辆的横摆角速度和侧偏角等状态参数,其精度优于传统UKF方法,为后续的操纵稳定性控制提供了可靠的数据支持。为了确保模型的准确性,本文利用Car Sim模型库中的高精度车辆模型进行了验证,重点测试了车辆在典型工况下的操纵稳定性,包括转弯、急加速、紧急制动等。基于相平面分析方法,绘制了车辆的β-(ψ点)相平面图,分析了不同初始条件下的轨迹变化趋势,揭示了车辆的稳定区域随车速和路面附着系数变化的规律,并进一步提取了稳定区域的边界特性。

坷拉博士 1331

华为2288H V5服务器断电后‘趴窝’?别慌,手把手教你用SmartKit+BMC修复工具搞定

本文详细介绍了华为2288H V5服务器在断电后无法启动的修复方法,通过SmartKit和BMC修复工具进行故障诊断与修复。文章提供了从工具获取、安装到具体修复流程的完整指南,帮助运维人员快速恢复服务器运行,并给出了后续加固与预防措施,确保服务器稳定运行。

weixin_30575517的博客 299

[Dify] -进阶13- 使用“知识库 + 工作流”打造智能推荐系统

本文介绍了在Dify平台上构建智能推荐系统的方法,重点阐述了知识库与工作流技术的结合应用。通过知识库管理RAG流程,实现文档上传、向量嵌入和检索优化;利用工作流设计节点化推荐逻辑,支持并行处理与条件分支。以电话销售话术推荐为例,展示了从数据收集到实时生成的完整流程。该方法具有准确性高、扩展性强、维护简便等优势,可广泛应用于各类推荐场景,实现从数据存储到智能推荐的闭环解决方案。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 1069

基于Dugoff轮胎模型和无迹卡尔曼滤波的车辆状态估计——Carsim与Simulink联合仿...

这个模型妙在同时考虑纵向和侧向耦合效应,特别是那个lambda参数的处理,既保留了非线性特征又避免了Pacejka模型的复杂拟合。基于dugoff轮胎模型进行了轮胎纵向力和侧向力计算,再基于无迹卡尔曼滤波进行了车辆状态参数估计等。基于dugoff轮胎模型进行了轮胎纵向力和侧向力计算,再基于无迹卡尔曼滤波进行了车辆状态参数估计等。估计的状态为:质心侧偏角,横摆角速度,纵向力和侧向力,纵向车速,侧向车速,四个轮速。估计的状态为:质心侧偏角,横摆角速度,纵向力和侧向力,纵向车速,侧向车速,四个轮速。

uNhPiLgvQDpJ的博客 245

OpenCode + Oh My OpenCode:打造你的终极AI编程团队(OpenCode新手入门指南)

本文详细介绍了开源终端AI编程助手 OpenCode 的完整配置教程 🖥️,从安装、AI模型配置到增强插件 Oh My OpenCode 的部署一应俱全。支持 Claude、ChatGPT、Gemini 多模型切换 🤖,还能实现多AI智能体协作开发。步骤清晰适合新手 📝,想在终端用AI写代码的开发者不要错过 ✨

XiaoqiangClub的博客 1万+

VCU 控制器与 Carsim、Simulink 联合仿真实现车辆状态估计

vcu控制器,Carsim和simulink联合仿真车辆状态估计估计的状态为:横摆角速度,质心侧偏角,纵向车速,侧向车速,4个轮子的转动角速度先基于dugoff轮胎模型进行了轮胎纵向力和侧向力计算,再基于容积卡尔曼滤波CKF和无迹卡尔曼滤波UKF 进行了车辆状态估计,精度很高,图中的工况为双移线工况和正弦工况提供模型任何细节的讲解,同时可以交流理论相关的部分,包括卡尔曼滤波算法。有详细的代码注释和参考文献。嘿,各位汽车和控制领域的小伙伴们!

2508_94216386的博客 1439

基于Xilinx K7-410T的高速DAC之AD9129开发笔记(一)

引言:从本文开始,我们介绍下项目中设计的并行LVDS高速DAC接口设计,包括DAC与FPGA硬件接口设计、软件设计等。项目设计高速DAC采用了ADI公司的AD9129,该芯片最大更新速率5.7Gsps,该芯片在宽带通信应用、LTE、雷达信号产生、干扰机等领域有广泛应用。

FPGA_Designer 2538

Kalibr 安装+制作采集的图片和IMU数据生成 .bag 文件 (坑最全,解决方法最简单,最详细哈哈)

方法一、Kalibr标定工具实现 开源代码连接:https://github.com/ethz-asl/kalibr 1.1 创建工作空间 ——下载程序——编译 mkdir -p ~/kalibr_workspace/src cd /kalibr_workspace/src git clone https://github.com/ethz-asl/Kalibr.git cd .. //返回上一级 catkin_make source devel/setup.bash ......

努力努力努力 6940

基于无迹卡尔曼滤波与容积卡尔曼滤波的分布式驱动电动汽车路面附着系数估计

特别是遇到那种水泥路接钢板路的变态组合,两种算法的估计曲线会像较劲似的互相拉扯,这时候取加权平均值反而能出奇效。当年调这个式子的时候,把实验室的轮胎数据本都快翻烂了,最后发现用sin代替原公式里的三次多项式,在嵌入式系统里跑得更欢实。注意那个故意加的随机扰动项,这是为了防止滤波器过度自信——现实中的路面可不会按剧本走。这个0.3的阈值是用实车在试车场撞了三次护栏换来的血泪经验——别问我是怎么知道的,问就是方向盘还在抖。可在高速,低速下,对开路面,对接路面四种组合工况下对路面附着系数进行准确估计估计。

qq_61467158的博客 359

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

基于容积卡尔曼滤波CKF的车辆状态估计Carsim和Matlab联合仿真(说明文档+仿真源文件+运行说明)

车辆质心侧偏角、各轮侧向力等关键动力学状态量无法通过量产车传感器直接低成本测量,是车辆稳定性控制系统开发的核心技术瓶颈。本研究构建基于容积卡尔曼滤波(CKF)的车辆多状态联合估计框架,以非线性三自由度车辆动力学模型为状态演化基础,结合魔术公式非线性轮胎模型精准刻画轮胎力的非线性特性,仅依托量产车标配的轮速传感器、IMU惯性测量单元、方向盘转角传感器的实测数据,即可同时高精度估计纵向车速、侧向速度、横摆角速度、质心侧偏角、前后轮侧向力共6个核心车辆状态量。

Matlab_dashi的博客 63

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

四轮轮毂电机驱动车辆,驱动电机故障状态估计(UKF) 软件使用:Matlab/Simulink...

核心的UKF模块用到了12个状态量,除了车速、横摆角这些常规项,最关键的是四个电机的健康状态参数(0或1)。先看整车模型怎么搭的。有意思的是,当某个电机故障时,系统会自动在预测步降低该轮扭矩对整车运动的贡献权重,相当于让滤波器学会"忽略"坏掉的电机。适用场景:采用无迹卡尔曼滤波UKF进行轮毂电机状态估计,失效电机估计状态为0,正常电机状态为1。适用场景:采用无迹卡尔曼滤波UKF进行轮毂电机状态估计,失效电机估计状态为0,正常电机状态为1。四轮轮毂电机驱动车辆,驱动电机故障状态估计(UKF)

CjWjPexPQY的博客 280

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: 江湖救急!最近搞边坡滑坡模拟被PFC5.0折腾得够呛,今天把几个关键操作掰碎了说说。咱直接上硬菜,先整不规则颗粒这档子事
下一篇: 基于Bayes-KELM回归的交叉验证Matlab代码:数据预测与模型定制的便捷工具
QQ:18080951
博客等级 码龄7年 241粉丝 508原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值