1、PDF外文：http:/ 10960 字 出处： Nam K, Oh S, Fujimoto H, et al. Estimation of sideslip and roll angles of electric vehicles using lateral tire force sensors through RLS and Kalman filter approachesJ. Industrial Electronics, IEEE Transactions on, 2013, 60(3): 988-1000. 利用轮胎侧 向力传感器并使用最小二乘法（ RLS）和卡尔曼滤波方
2、法估计电动 汽车的侧滑角和侧倾 角 Kanghyun Nam, Student Member, IEEE, Sehoon Oh, Member, IEEE, Hiroshi Fujimoto, Member, IEEE, and Yoichi Hori, Fellow, IEEE 摘要 对于如横摆稳定性和侧倾稳定性控制的车辆稳定性控制应用而言，控制 车辆状态 的鲁棒性 估计（车辆侧滑角和 侧倾 角）是 相当重要的 。 本文提出了利用 从多传感轮毂单元获得 实时 横向轮胎力测量来估计 侧滑角和 侧倾 角的新方法 ， 这种方法 在轮毂电机驱动电动汽车的车辆控制系统 中 得到实际应用。
3、在 车辆侧滑估计 中 , 是利用了基于线性车辆模型和传感器测量并带有遗忘因子的 递归最小二乘 (RLS)算法。在 侧滑角 角估计 中 ,卡尔曼滤波的设计目的是 整合可用的传感器测量和动态。 通过现场测试实验电动汽车来评估 上述所提出的估计方法（ RLS 为基础的侧滑角估计和卡尔曼滤波器 ） 。实验结果表明， 上述估计量可以准确估计车辆侧滑角和侧倾 角 。 实验证实 , 所提出的估计方法比传统方法的 估计精度提高 50%以上 (见图 4 所示的均方根误差 )。此外 , 通过各种验 证测试证明轮胎侧向力传感器在 车辆状态估计 实际应用中的可行性 。 关键词：电动汽车，卡尔曼
4、滤波， 多传感 集线器（ MSHub）单元，递归最小二乘（ RLS），滚动角，侧滑角。 术语 在重心纵向加速 度 (m/ )。 在重心 横向加速度 (m/ )。 传感器测量横向加速度 (m/ )。 d 磁道宽度 = 1.3m。 g 重力加速度 = 9.81 m/ 。 &n
5、bsp; 高度的簧载质量超过轧辊中心的中心 (RC)= 0.32。 离地面高度的 RC = 0.21m。 i 1， 2， 3 和 4 对应于前左，前右，后左和后右 (= fl, fr, rl, rr) 重心至前轴距离 =1.013m。 重心至后轴距离 =0.702m。 &n
6、bsp; 车辆的重心纵向速度（ m/s）。 车辆的重心的横向速度（ m/s）。 估计横向车辆速度（ m/s）。 m 车辆总质量 =875kg。 簧载质量 =670kg。 在第 i 个轮胎的转弯刚度（ N/rad）。 &n
7、bsp; 前轮胎转弯刚度 =11200 N/rad。 后轮胎转弯刚度 =31600 N/rad。 滚动阻尼系数 =3200 Nms /rad。 在第 i 个轮胎纵向轮胎力（ N）。 在第 i 个轮胎横向轮胎力（ N）。 在左轨道车轮的横向轮胎力 (= + )（ N) 在右轨道车轮
8、的横向轮胎力 （ = + ） (N) 惯性侧倾力矩 =250 kg 。 惯性横摆力矩 =617 kg 。 侧倾刚度系数 =12 000 Ns/rad。 L 观测器增益矩阵。 侧倾力矩（ Nm）。 横摆力矩（ Nm）。
9、; 第 i 个轮 胎的滑脱角（ rad）。 前 轮 轮胎滑移角（ rad）。 后轮轮胎滑移角（ rad）。 车辆侧滑角（ rad）。 从相结合的方法估算侧滑角（ rad）。 从运动学为基础估算方法估计侧滑角（ rad）。 从基于模型的估计方法估计
10、侧滑角（ rad）。 前转向角（ rad）。 侧倾角（ rad）。 侧倾率（ rad /s）。 侧倾加速度（ rad / ）。 横摆率（ rad/s）。 在递归最小平方（ RLS）算法的遗
11、忘因子。 路面的摩擦系数。 1.引言 考虑到 轮毂电机驱动电动汽车 先进的运动控制， 人们 已经进行了大量的电动车动态控制研究 1 - 6。 电动汽车 先进的防滑以及防滚运动控制系统 被 称为横摆稳定性控制和侧倾稳定性 控制。与内燃机车辆 相比 ， 电动汽车 在运动控制 上具有这 几个优点 。 1, 3. 1） 驱动电机产生的转矩非常快速和准确。 2） 传动 的 转矩可以很容易地从电动机电流测量。 3） 每个车轮轮可以独立控制。 由于 这些优点， 一个新的 基于横摆力矩观测器的横摆力矩控制方法是在 7
