一种基于自适应扩展卡尔曼滤波的车辆质量估计方法

1.本发明涉及自动驾驶领域，更具体地，涉及一种基于自适应扩展卡尔曼滤波的车辆质量估计方法。


背景技术：

2.随着工业技术的进步，自动驾驶汽车正越来越多地配备电子控制系统。为了使这些控制系统能够工作，必须收集有关车辆参数的准确信息。车辆质量是其中最重要的特征之一，且对于依赖车辆动力学的系统尤其重要，例如电子稳定控制器(esc)、电子驻车制动(epb)和电源管理策略(pms)。然而因实际有效载荷的不同，质量变化很大，特别是对于客车和卡车，载荷变化可以从0％到400％不等。如果能实时获取到准确的整车质量，将会显著提高车辆的控制效果。
3.如现有的汽车质量估计系统和方法，基于车辆动力学、运动学建立系统模型和现有传感器数据，使用最小二乘、卡尔曼滤波等方法估计质量，然而，由于驾驶场景的变化、车辆动力学的非线性和传感器数据中的噪声污染，基于模型的估计器与真实车辆的匹配度降低，精确度下降。


技术实现要素：

4.本发明为克服上述现有技术中基于模型的方法的车辆质量估计精确度低的问题，提供一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，通过学习车辆状态间的非线性关系，建立基于神经网络的车辆质量估计器，提供一个精确的质量预估计，再通过引入自适应卡尔曼滤波稳定估计结果。
5.为解决上述技术问题，本发明采用的技术方案是：一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，包括如下步骤：
6.步骤一：获取整车参数；
7.步骤二：根据步骤一的参数建立关于整车质量与道路坡度的纵向动力学模型；
8.步骤三：设置基于神经网络模型的车辆质量估计器，根据步骤二中的纵向动力学模型，选择车辆速度、加速度等参数作为神经网络的输入特征a
t
，车辆质量作为输出，并对神经网络模型进行训练；
9.步骤四：设置权重调节器，计算权重因子；
10.步骤五：将神经网络模型的质量预估计嵌入自适应卡尔曼滤波，基于权重因子，修正神经网络模型输出的车辆质量预估值。
11.在上述的技术方案中，通过步骤三的神经网络模型学习车辆状态间的非线性关系，建立基于神经网络的车辆质量估计器，提供一个较为精确的初始质量预估计值。再通过设置神经网络模型输出结果的权重后，将初始质量预估计结合在自适应卡尔曼滤波中，基于神经网络模型的权重，输出一个更高精度的汽车质量估计值。
12.优选的，在所述步骤二中，质量与道路坡度的纵向动力学模型具体为：
[0013][0014]
式中，t
tq
是驱动转矩，ig是变速器传动比，i0是主减速器传动比，η
t
是传动链机械效率，r是车轮滚动半径，cd是空气阻力系数，af是迎风面积，ρ是空气密度，v
x
是车辆速度，m是车辆质量，g0是重力加速度，α是坡脚，f是滚动阻力系数，a
x
是车辆加速度。
[0015]
优选的，在所述步骤三中，通过传感器采集的车辆各参数数据作为神经网络模型的训练数据集。
[0016]
优选的，在步骤三中完成神经网络模型训练后，将训练好的神经网络模型部署到车辆上，以车载传感器的实时数据作为神经网络模型的实时输入数据，令神经网络模型实时输出车辆质量预估计值m
nn
。
[0017]
优选的，在所述步骤四中，权重调节器的工作步骤为：
[0018]
s4.1：记录神经网络模型训练过程中的训练数据集的分布特征；
[0019]
s4.2：对比实时输入数据与训练数据集的分布特征，确定实时输入数据与训练数据集的相似程度，根据相似程度输出神经网络基于实时数据得到的估计结果的置信度τ，置信度τ即为权重因子。若相似程度高，则神经网络基于实时数据得到的估计结果的置信度τ更高，在最终估计结果中占的权重更高。若相似程度低，则神经网络基于实时数据得到的估计结果的置信度更低，在最终估计结果中占的权重更低。
[0020]
优选的，在所述步骤五中，具体的流程为：
[0021]
s5.1：卡尔曼滤波选择扩展卡尔曼滤波，根据非线性系统建立扩展卡尔曼滤波表达方程；
[0022]
s5.2：基于车辆纵向动力学模型对卡尔曼滤波表达方程进行转换；
[0023]
s5.3：将神经网络模型实时输出车辆质量预估计值m
nn
和置信度τ加入转换后的方程中，输出车辆当前状态量估计值，状态量估计值包括汽车车辆质量估计值。
[0024]
优选的，在步骤s5.1中，针对非线性系统xk＝g(x
k-1
，μ
k-1
)+w
k-1
，yk＝h(xk)+vk，扩展卡尔曼滤波估计器的表达方程如下：
[0025]
计算状态量的先验估计
[0026][0027]
计算协方差矩阵的先验估计
[0028][0029]
计算卡尔曼增益kk[0030][0031]
基于观测量计算状态量的后验估计
[0032][0033]
更新协方差矩阵的后验估计pk[0034][0035]
其中，xk是第k步的状态量，yk是观测量，μ是控制量，过程噪声w服从分布n(0，qw)，
观测噪声v服从分布n(0，rv)，p是协方差矩阵，qw是过程噪声协方差矩阵，rv是测量噪声协方差矩阵，为矩阵，g是状态转移函数，h是观测函数。
[0036]
在步骤s5.2中：对扩展卡尔曼滤波方程的变量进行选取
[0037]
选取状态量为：
[0038][0039]
进一步表示为：
[0040][0041]
选取观测量为：
[0042]
yk＝[v
x
]
[0043]
建立观测方程如下所示：
[0044][0045]
计算雅可比矩阵a：
[0046][0047][0048][0049][0050]
式中，v
x
是车辆速度，m是车辆质量，fk是k时刻的滚动阻力系数，是k时刻的车辆速度，mk是k时刻的车辆质量，w
k-1
是k-1时刻过程噪声，是k-1时刻的车辆速度，f
k-1
是k-1时刻的滚动阻力系数，m
k-1
是k-1时刻的车辆质量，a
x
是车辆加速度，δt是采集时间，h＝[1 0 0]。
[0051]
优选的，在步骤s5.3中，将神经网络模型实时输出车辆质量预估计值m
nn
和置信度τ加入转换后的方程中，具体为：
[0052][0053][0054][0055][0056][0057][0058]
式中，是扩展后的测量噪声协方差矩阵；是协方差矩阵的先验估计；τk是k时刻的置信度；h＝[1 1 0]；是神经网络预估计值的噪声协方差矩阵；是扩展后的状态量；是k时刻的状态量。
[0059]
为状态量向量，包含了汽车k时刻的速度和质量，也就是输出了车辆质量估计值。
[0060]
优选的，在步骤五中，自适应卡尔曼滤波为自适应无迹卡尔曼滤波，具体流程为：
[0061]
s5-1：计算2n+1个σ点集x
[0062][0063]
式中：e表示方差矩阵p的第e列，此处开方可以使用cholesky分解；n是状态向量维度；λ为缩放比例参数，表示采样的σ点距离均值的远近，λ＝α2(n+κ)-n；α、κ和β均为待选参数；p是方差矩阵。
[0064]
s5-2：计算σ点集x相应的权重
[0065][0066]
式中：是第一个σ点的期望权值；是第一个σ点的协方差权值；是剩下2n个σ点的期望权值；是剩下2n个σ点的协方差权值；下标m代表期望；c代表协方差；
[0067]
s5-3：利用获得一组σ点集及其对应权重
[0068][0069]
式中，是由得到的σ点集；是状态量的后验估计；p
k-1
是协方差矩阵的后验估计；
[0070]
s5-4：将上述σ点集代入状态转移方程xk＝g(x
k-1
，μ
k-1
)+w
k-1
中得到σ点集计算预测值和协方差矩阵，具体如下：
[0071][0072]
式中，是状态量的先验估计值；是协方差矩阵的先验估计；
[0073]
s5-5：得到预测值后，使用无迹变换，获得新的σ点集；
[0074]
s5-6：将s5-5获得的新σ点集代入观测方程yk＝h(xk)+vk计算预测的观测量上述的状态转移方程和观测方程均为一般非线性系统的方程；
[0075]
s5-7：将s5-6获得的观测量加权求和得到其预测的均值和协方差，具体为：
[0076][0077]
式中，是观测量的估计值；是zk的协方差矩阵；是xk和zk的协方差矩阵；
[0078]
s5-8：计算卡尔曼增益矩阵kk，具体为：
[0079][0080]
式中，是的负一次幂；
[0081]
s5-9：更新状态量和协方差矩阵pk，具体为：
[0082][0083]
式中，是k时刻的状态量，包括车辆质量；
[0084]
优选的，神经网络模型选择多层感知机。网络层数、学习率等超参数根据数据调优选择。该神经网络模型基于的深度学习框架没有限制，包括但不限于pytorch、tensorflow、paddlepaddle、mxnet；神经网络模型还可以选择rnn、transformer等。
[0085]
与现有技术相比，本发明的有益效果是：首先通过神经网络学习车辆状态间的非线性关系，减小模型不匹配带来的影响。引入权重因子，将神经网络估计的结果嵌入自适应卡尔曼滤波，调节卡尔曼滤波与神经网络估计结果的权重，减小估计结果的震荡，进一步提
高车辆质量预估值的精度和稳定性。
附图说明
[0086]
图1是本发明一种基于自适应扩展卡尔曼滤波的车辆质量估计方法的流程图；
[0087]
图2是本发明的自适应扩展卡尔曼滤波示意图。
具体实施方式
[0088]
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
[0089]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0090]
本发明实施例的附图中为了方便阅读理解，机壳结构中的前板、后板和顶板均为示出。
[0091]
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
[0092]
实施例1
[0093]
如图1所示为一种基于自适应扩展卡尔曼滤波的车辆质量估计方法的实施例1，包括如下步骤：
[0094]
步骤一：获取整车参数；
[0095]
步骤二：根据步骤一的参数建立关于整车质量与道路坡度的纵向动力学模型；
[0096]
步骤三：设置基于神经网络模型的车辆质量估计器，根据步骤二中的纵向动力学模型，选择车辆速度、加速度等参数作为神经网络的输入特征a
t
，车辆质量作为输出，并对神经网络模型进行训练；
[0097]
步骤四：设置权重调节器，计算权重因子；
[0098]
步骤五：将神经网络模型的质量预估计嵌入自适应卡尔曼滤波，基于权重因子，修正神经网络模型输出的车辆质量预估值。
[0099]
本实施例的工作原理：通过步骤三的神经网络模型学习车辆状态间的非线性关系，建立基于神经网络的车辆质量估计器，提供一个较为精确的初始质量预估计值。再通过设置神经网络模型输出结果的权重后，将初始质量预估计结合在自适应卡尔曼滤波中，基于神经网络模型的权重，输出一个更高精度的汽车质量估计值。
[0100]
本实施例的有益效果：首先通过神经网络学习车辆状态间的非线性关系，减小模型不匹配带来的影响。引入权重因子，将神经网络估计的结果嵌入自适应卡尔曼滤波，调节卡尔曼滤波与神经网络估计结果的权重，减小估计结果的震荡，进一步提高车辆质量预估值的精度和稳定性。
[0101]
实施例2
[0102]
如图1-2所示，一种基于自适应扩展卡尔曼滤波的车辆质量估计方法的实施例2，包括如下步骤：
[0103]
步骤一：获取整车参数；
[0104]
步骤二：根据步骤一的参数建立关于整车质量与道路坡度的纵向动力学模型，质量与道路坡度的纵向动力学模型具体为：
[0105][0106]
式中，t
tq
是驱动转矩，ig是变速器传动比，i0是主减速器传动比，η
t
是传动链机械效率，r是车轮滚动半径，cd是空气阻力系数，af是迎风面积，ρ是空气密度，v
x
是车辆速度，m是车辆质量，g0是重力加速度，α是坡脚，f是滚动阻力系数，a
x
是车辆加速度。
[0107]
步骤三：设置基于神经网络模型的车辆质量估计器，根据步骤二中的纵向动力学模型，选择车辆速度、加速度等参数作为神经网络的输入特征a
t
，车辆质量作为输出，并对神经网络模型进行训练；本实施例的神经网络模型基于深度学习框架。
[0108]
在本实施例中，通过传感器采集的车辆各参数数据作为神经网络模型的训练数据集，通过训练数据集完成神经网络模型训练后，将训练好的神经网络模型部署到车辆上，以车载传感器的实时数据作为神经网络模型的实时输入数据，令神经网络模型实时输出车辆质量预估计值m
nn
[0109]
步骤四：设置权重调节器，计算权重因子，具体的步骤如下：
[0110]
s4.1：记录神经网络模型训练过程中的训练数据集的分布特征；
[0111]
s4.2：对比实时输入数据与训练数据集的分布特征，确定实时输入数据与训练数据集的相似程度，根据相似程度输出神经网络基于实时数据得到的估计结果的置信度τ，置信度τ即为权重因子。若相似程度高，则神经网络基于实时数据得到的估计结果的置信度τ更高，在最终估计结果中占的权重更高。若相似程度低，则神经网络基于实时数据得到的估计结果的置信度更低，在最终估计结果中占的权重更低。
[0112]
步骤五：将神经网络模型的质量预估计嵌入自适应卡尔曼滤波，基于权重因子，修正神经网络模型输出的车辆质量预估值，具体的步骤如下：
[0113]
s5.1：卡尔曼滤波选择扩展卡尔曼滤波，根据非线性系统建立扩展卡尔曼滤波表达方程；针对非线性系统xk＝g(x
k-1
，μ
k-1
)+w
k-1
，yk＝h(xk)+vk，扩展卡尔曼滤波估计器的表达方程如下：
[0114]
计算状态量的先验估计
[0115][0116]
计算协方差矩阵的先验估计
[0117][0118]
计算卡尔曼增益kk[0119][0120]
基于观测量计算状态量的后验估计
[0121][0122]
更新协方差矩阵的后验估计pk[0123][0124]
其中，xk是第k步的状态量，yk是观测量，μ是控制量，过程噪声w服从分布n(0，qw)，观测噪声v服从分布n(0，rv)，p是协方差矩阵，qw是过程噪声协方差矩阵，rv是测量噪声协方差矩阵，为矩阵，g是状态转移函数，h是观测函数。
[0125]
s5.2：基于车辆纵向动力学模型对卡尔曼滤波表达方程进行转换，具体对状态量和观测量进行限制，具体如下：
[0126]
对扩展卡尔曼滤波方程的变量进行选取
[0127]
选取状态量为：
[0128][0129]
进一步表示为：
[0130][0131]
选取观测量为：
[0132]
yk＝[v
x
]
[0133]
建立观测方程如下所示：
[0134][0135]
计算雅可比矩阵a：
[0136][0137][0138]
[0139][0140]
式中，v
x
是车辆速度，m是车辆质量，fk是k时刻的滚动阻力系数，是k时刻的车辆速度，mk是k时刻的车辆质量，w
k-1
是k-1时刻过程噪声，是k-1时刻的车辆速度，f
k-1
是k-1时刻的滚动阻力系数，m
k-1
是k-1时刻的车辆质量，a
x
是车辆加速度，δt是采集时间，h＝[1 0 0]。
[0141]
s5.3：将神经网络模型实时输出车辆质量预估计值m
nn
和置信度τ加入转换后的方程中，输出车辆当前状态量估计值，状态量估计值包括汽车车辆质量估计值，具体为：
[0142][0143][0144][0145][0146][0147][0148]
式中，是扩展后的测量噪声协方差矩阵；是协方差矩阵的先验估计τk是k时刻的置信度；h＝[1 1 0]；是神经网络预估计值的噪声协方差矩阵；是扩展后的状态量；是k时刻的状态量。
[0149]
为状态量向量，包含了汽车k时刻的速度和质量，也就是输出了车辆质量估计值。
[0150]
本实施例的有益效果：首先通过神经网络学习车辆状态间的非线性关系，减小模型不匹配带来的影响。引入权重因子，将神经网络估计的结果嵌入自适应卡尔曼滤波，调节卡尔曼滤波与神经网络估计结果的权重，减小估计结果的震荡，进一步提高车辆质量预估值的精度和稳定性。
[0151]
实施例3
[0152]
一种基于自适应扩展卡尔曼滤波的车辆质量估计方法的实施例3，基于上述2，与上述实施例2的区别在于，将步骤五中的自适应扩展卡尔曼滤波替换为自适应无迹卡尔曼滤波，具体流程为：
[0153]
s5-1：计算2n+1个σ点集x
[0154][0155]
式中：e表示方差矩阵p的第e列，此处开方可以使用cholesky分解；n是状态向量维度；λ为缩放比例参数，表示采样的σ点距离均值的远近，λ＝α2(n+κ)-n；α、κ和β均为待选参数；p是方差矩阵。
[0156]
s5-2：计算σ点集x相应的权重
[0157][0158]
式中：是第一个σ点的期望权值；是第一个σ点的协方差权值；是剩下2n个σ点的期望权值；是剩下2n个σ点的协方差权值；下标m代表期望；c代表协方差；
[0159]
s5-3：利用获得一组σ点集及其对应权重
[0160][0161]
式中，是由得到的σ点集；是状态量的后验估计；p
k-1
是协方差矩阵的后验估计；
[0162]
s5-4：将上述σ点集代入状态转移方程中得到σ点集计算预测值和协方差矩阵，具体如下：
[0163][0164]
式中，是状态量的先验估计值；是协方差矩阵的先验估计
[0165]
s5-5：得到预测值后，使用无迹变换，获得新的σ点集；
[0166]
s5-6：将s5-5获得的新σ点集代入观测方程计算预测的观测量
[0167]
s5-7：将s5-6获得的观测量加权求和得到其预测的均值和协方差，具体为：
[0168][0169]
式中，是观测量的估计值；是zk的协方差矩阵；是xk和zk的协方差矩阵；
[0170]
s5-8：计算卡尔曼增益矩阵kk，具体为：
[0171][0172]
式中，是的负一次幂；
[0173]
s5-9：更新状态量和协方差矩阵pk，具体为：
[0174][0175]
式中，是k时刻的状态量，包括车辆质量。
[0176]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，包括如下步骤：步骤一：获取整车参数；步骤二：根据步骤一的参数建立关于整车质量与道路坡度的纵向动力学模型；步骤三：设置基于神经网络模型的车辆质量估计器，根据步骤二中的纵向动力学模型，选择车辆速度、加速度等参数作为神经网络的输入特征a
t
，车辆质量作为输出，并对神经网络模型进行训练；步骤四：设置权重调节器，计算权重因子；步骤五：将神经网络模型的质量预估计嵌入自适应卡尔曼滤波，基于权重因子，修正神经网络模型输出的车辆质量预估值。2.根据权利要求1所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在所述步骤二中，质量与道路坡度的纵向动力学模型具体为：式中，t
tq
是驱动转矩，i
g
是变速器传动比，i0是主减速器传动比，η
t
是传动链机械效率，r是车轮滚动半径，c
d
是空气阻力系数，a
f
是迎风面积，ρ是空气密度，v
x
是车辆速度，m是车辆质量，g0是重力加速度，α是坡脚，f是滚动阻力系数，a
x
是车辆加速度。3.根据权利要求1所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在所述步骤三中，通过传感器采集的车辆各参数数据作为神经网络模型的训练数据集。4.根据权利要求3所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在步骤三中完成神经网络模型训练后，将训练好的神经网络模型部署到车辆上，以车载传感器的实时数据作为神经网络模型的实时输入数据，令神经网络模型实时输出车辆质量预估计值m
nn
。5.根据权利要求4所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在所述步骤四中，权重调节器的工作步骤为：s4.1：记录神经网络模型训练过程中的训练数据集的分布特征；s4.2：对比实时输入数据与训练数据集的分布特征，确定实时输入数据与训练数据集的相似程度，根据相似程度输出神经网络基于实时数据得到的估计结果的置信度τ，置信度τ即为权重因子。6.根据权利要求4所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在所述步骤五中，具体的流程为：s5.1：卡尔曼滤波选择扩展卡尔曼滤波，根据非线性系统建立扩展卡尔曼滤波表达方程；s5.2：基于车辆纵向动力学模型对卡尔曼滤波表达方程进行转换；s5.3：将神经网络模型实时输出车辆质量预估计值m
nn
和置信度τ加入转换后的方程中，输出车辆当前状态量估计值，状态量估计值包括汽车车辆质量估计值。7.根据权利要求6所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在步骤s5.1中，针对非线性系统x
k
＝g(x
k-1
，μ
k-1
)+w
k-1
，y
k
＝h(x
k
)+v
k
，扩展卡尔曼滤波估计器的表达方程如下：
计算状态量的先验估计计算状态量的先验估计计算协方差矩阵的先验估计计算协方差矩阵的先验估计计算卡尔曼增益k
k
基于观测量计算状态量的后验估计基于观测量计算状态量的后验估计更新协方差矩阵的后验估计p
k
其中，x
k
是第k步的状态量，y
k
是观测量，μ是控制量，过程噪声w服从分布n(0，q
w
)，观测噪声v服从分布n(0，r
v
)，p是协方差矩阵，q
w
是过程噪声协方差矩阵，r
v
是测量噪声协方差矩阵，为矩阵，g是状态转移函数，h是观测函数。在步骤s5.2中：对扩展卡尔曼滤波方程的变量进行选取选取状态量为：进一步表示为：选取观测量为：y
k
＝[v
x
]建立观测方程如下所示：计算雅可比矩阵a：计算雅可比矩阵a：
式中，v
x
是车辆速度，m是车辆质量，f
k
是k时刻的滚动阻力系数，是k时刻的车辆速度，m
k
是k时刻的车辆质量，w
k-1
是k-1时刻过程噪声，是k-1时刻的车辆速度，f
k-1
是k-l时刻的滚动阻力系数，m
k-1
是k-1时刻的车辆质量，a
x
是车辆加速度，δt是采集时间，h＝[1 0 0]。8.根据权利要求7所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在步骤s5.3中，将神经网络模型实时输出车辆质量预估计值m
nn
和置信度τ加入转换后的方程中，具体为：后的方程中，具体为：后的方程中，具体为：后的方程中，具体为：后的方程中，具体为：后的方程中，具体为：式中，是扩展后的测量噪声协方差矩阵；是协方差矩阵的先验估计；τ
k
是k时刻的置信度；h＝[1 1 0]；是神经网络预估计值的噪声协方差矩阵；是扩展后的状态量；是k时刻的状态量。9.根据权利要求4所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，在步骤五中，自适应卡尔曼滤波为自适应无迹卡尔曼滤波，具体流程为：s5-1：计算2n+1个σ点集x式中：e表示方差矩阵p的第e列，此处开方可以使用cholesky分解；n是状态向量维度；λ为缩放比例参数，表示采样的σ点距离均值的远近，λ＝α2(n+κ)-n；α、κ和β均为待选参数；p是方差矩阵。s5-2：计算σ点集x相应的权重式中：是第一个σ点的期望权值；是第一个σ点的协方差权值；是剩下2n个σ点的期望权值；是剩下2n个σ点的协方差权值；下标m代表期望；c代表协方差；
s5-3：利用获得一组σ点集及其对应权重式中，是由得到的σ点集；是状态量的后验估计；p
k-1
是协方差矩阵的后验估计；s5-4：将上述σ点集代入状态转移方程中得到σ点集计算预测值和协方差矩阵，具体如下：式中，是状态量的先验估计值；是协方差矩阵的先验估计；s5-5：得到预测值后，使用无迹变换，获得新的σ点集；s5-6：将s5-5获得的新σ点集代入观测方程计算预测的观测量s5-7：将s5-6获得的观测量加权求和得到其预测的均值和协方差，具体为：式中，是观测量的估计值；是z
k
的协方差矩阵；是x
k
和z
k
的协方差矩阵；s5-8：计算卡尔曼增益矩阵k
k
，具体为：式中，是的负一次幂；s5-9：更新状态量和协方差矩阵p
k
，具体为：式中，是k时刻的状态量，包括车辆质量。10.根据权利要求1-9任一所述的一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，其特征在于，神经网络模型基于的深度学习框架。

技术总结
本发明涉及一种基于自适应扩展卡尔曼滤波的车辆质量估计方法，包括如下步骤：获取整车参数；建立关于整车质量与道路坡度的纵向动力学模型；设置基于神经网络模型的车辆质量估计器，根据步骤二的模型，选择神经网络的输入特征，车辆质量作为输出，并对神经网络模型进行训练；设置权重调节器，计算权重因子；将神经网络模型的质量预估计嵌入自适应卡尔曼滤波，基于权重因子，修正神经网络模型输出的车辆质量预估值。通过神经网络学习车辆状态间的非线性关系，减小模型不匹配带来的影响。引入权重因子，将神经网络估计的结果嵌入自适应卡尔曼滤波，调节卡尔曼滤波与神经网络估计结果的权重，减小估计结果的震荡，提高车辆质量预估值的精度和稳定性。的精度和稳定性。的精度和稳定性。


技术研发人员：熊会元 杨子超 曹炜颖
受保护的技术使用者：东莞中山大学研究院
技术研发日：2022.07.22
技术公布日：2022/11/1