为了解决汽车的行车安全性问题,自上世纪90年的开始,随着计算机控制技术、智能信息处理技术的发展,汽车行业开始不断引入新的信息技术,逐步提高汽车的操作稳定性和主动安全性。汽车转向系统的性能直接影响汽车的操作稳定性,相对于传统机械结构的转向系统,匹配线控转向系统的汽车具有更加灵活转向特性。通过线控转向系统的各种控制策略,可以实现汽车主动转向控制和汽车车身的电子稳定控制。而准确实时的获取汽车行驶中的关键状态,是实现这些控制策略的前提。由于汽车动力学控制过程的复杂性、现有车载传感器的测试水平和测试成本等多方面的影响,很多关键状态参数都无法直接、准确且低成本的测量。而随着汽车底盘电控系统集成化水平和复杂化程度提高,系统内部存在信号变化速率相差大、检测装置采样周期不同等情况。现有的单采样率非线性卡尔曼滤波算法在估计汽车状态过程中存在一定的局限性。因此,针对线控转向汽车的状态估计问题,本文将非线性估计方法与多采样率控制系统理论相结合,进行了如下几个方面的讨论和研究：首先,对线控转向系统的基本结构、工作原理、控制策略和性能特点做了深入的调查和分析。在此基础上,对线控转向系统的各个组成部分进行了的数学建模研究,引入了R.Hess驾驶员模型、Pacejka轮胎模型,并建立了十一自由度汽车整车模型。由此搭建了人—车闭环系统。通过Carsim专业汽车动力学软件与Matlab/Simulink软件联合仿真平台,结合线控转向系统的相关控制策略,参照国标设置了虚拟汽车操稳性试验,仿真结果验证了所建立整车模型的有效性。其次,扩展卡尔曼滤波算法是一种有效的非线性汽车状态估计算法,但其存在两大缺陷：(1)对汽车参数变化的鲁棒性较弱；(2)对汽车突变状态的跟踪能力欠佳。为了弥补这些缺陷,提出了基于强跟踪滤波算法的汽车状态估计方法,有效地提高了对于汽车突变状态的估计能力和参数变化的鲁棒性。此外,多重渐消因子矩阵在原强跟踪滤波算法中的作用方式可能破坏误差协方差阵的对称正定性,导致滤波算法的发散。针对此种情况,提出了基于Cholesky三角分解的改进强跟踪滤波算法。仿真结果表明：对于多重次优渐消因子矩阵初值的选取,改进强跟踪滤波算法比原强跟踪滤波算法鲁棒性更强,且算法也更稳定。再者,尽管卡尔曼滤波算法在汽车状态估计中取得不错的效果,但是其性能受到模型精度与噪声统计特性是否已知等因素的影响。为此,利用基于虚拟噪声补偿技术的非线性自适应滤波算法和无迹卡尔曼滤波算法对汽车的行驶状态进行估计。在此基础上,提出了带渐消因子的非线性Sage-Husa自适应卡尔曼滤波算法,使滤波算法在估计汽车行驶过程中的过程噪声和量测噪声特性时,同样具有对突变状态的强跟踪特性。仿真结果表明,该算法不仅能估计系统过程噪声和量测噪声,还能准确的估计汽车行驶状态,且具有很强的跟踪突变状态的能力。在同等条件下,无迹卡尔曼滤波算法的估计精度要略高于扩展卡尔曼滤波算法的估计精度。最后,由于汽车底盘电控系统集成化水平和复杂化程度提高,系统内部存在信号变化速率相差大、检测装置采样周期不同等情况,单采样率数字控制策略已经不再适用此类系统的控制要求。为此,提出了基于输入和输出多采样率的汽车状态空间建模方法,该模型有效地增加了系统输入向量和输出向量的个数,能够获取更多的系统信息,并提高SBW系统的控制能力。在所建立的多采样率汽车状态空间模型的基础上,提出了基于输入多采样率无迹卡尔曼滤波算法。仿真结果表明,该算法比单采样率非线性估计方法的估计精度要高出37.8%～65.3%,而且算法也更稳定。
