〖〗B10_01.基于扩展卡尔曼滤波（EKF）的车辆状态估计（采用基于Dugoff轮胎的七自由度车辆动

基于扩展卡尔曼滤波（EKF）的车辆状态估计与七自由度车辆动力学模型

一、引言

随着智能交通的不断发展，车辆状态估计是关键技术之一。车辆状态估计能够实时准确地估计车辆状态参数，如质心侧偏角、横摆角速度、车速等，为车辆的自动驾驶和辅助驾驶提供重要的决策支持。本文将基于Dugoff轮胎模型和七自由度（7DOF）车辆动力学模型，采用扩展卡尔曼滤波（EKF）进行车辆状态估计，并使用MATLAB 2018以上版本和CarSim 2020.0进行建模和验证。

二、基于Dugoff轮胎模型的7DOF车辆动力学模型

1. 模型构建

基于Dugoff轮胎模型和车身动力学公式，我们搭建了7DOF车辆动力学模型。该模型能够考虑车辆的纵向、横向、垂向运动以及车辆的侧偏、横摆、俯仰等运动。模型中的相关变量包括质心侧偏角、横摆角速度、纵、横向速度及加速度等。

2. CarSim对比验证

为了验证模型的准确性，我们使用CarSim对模型进行了对比验证。通过输入不同的驾驶场景和路况信息，我们可以得到CarSim模拟的车辆状态参数，与我们的模型进行对比，以验证模型的准确性。

三、扩展卡尔曼滤波（EKF）在车辆状态估计中的应用

1. EKF原理及实现

EKF是一种常用的状态估计方法，它能够在非线性中进行状态估计。在本文中，我们使用EKF来估计车辆的质心侧偏角、横摆角速度及纵向车速。

(1) S函数编写EKF：在MATLAB中，我们可以使用S函数编写EKF算法。S函数是一种用于描述动态的通用框架，我们可以根据EKF的算法流程编写S函数，实现EKF的在线估计。

(2) Simulink自带EKF模块：MATLAB的Simulink提供了EKF模块，我们可以直接在Simulink中调用该模块，实现EKF的在线估计。

2. EKF在线性状态方程下的应用

在线性状态方程下，质心侧偏角、横摆角速度的表达式是线性方程。我们可以在此基础上应用EKF进行状态估计。通过将车辆动力学模型的输出作为EKF的观测值，我们可以实时估计出车辆的状态参数。

四、结论

本文基于Dugoff轮胎模型和七自由度车辆动力学模型，采用扩展卡尔曼滤波（EKF）进行车辆状态估计。通过CarSim的对比验证，我们验证了模型的准确性。同时，我们使用了S函数编写EKF和Simulink自带EKF模块两种方式实现了EKF的在线估计。该方法能够实时准确地估计车辆状态参数，为车辆的自动驾驶和辅助驾驶提供了重要的决策支持。
〖〗B10_01.基于扩展卡尔曼滤波（EKF）的车辆状态估计（采用基于Dugoff轮胎的七自由度车辆动力学模型，B09商品基础上建模）
1.: MATLAB 2018以上；CarSim 2020.0
2.商品介绍:
(1)基于Dugoff轮胎模型和车身动力学公式，搭建7DOF车辆动力学Simulink模型，对相关变量（质心侧偏角，横摆角速度，纵、横向速度及加速度）进行CarSim对比验证。
(2)采用EKF估计车辆质心侧偏角、横摆角速度及纵向车速。
包括:S函数编写EKF、Simulink自带EKF模块两种方式。
(3)在线性状态方程下使用的EKF，即质心侧偏角、横摆角速度的表达式是线性方程。