Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Robust motion estimation for vehicle dynamics applications using simplified models
KTH, School of Engineering Sciences (SCI), Aeronautical and Vehicle Engineering, Vehicle Dynamics.
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The overall aim of this thesis is to explore the accurate estimation methods for the vehicle motion with relatively cheap sensors. The vehicle states are essential to the vehicle control applications but sometimes expensive sensors are necessary to obtain accurate values. At first, a validation work for the rigid body motion estimation has been done and the results show that accurate linear and rotational accelerations can be achieved only with low-cost accelerome-ters. The main part of this work focuses on developing an estimator for the vehicle body angle, angle rate (including both roll and pitch) and the road an-gle, as a key block of the overall project Vehicle Dynamics Estimation. The estimation results are the inputs of another estimation block: vehicle lateral dynamic estimator; and part of the important inputs of the angle estimator (velocities and the time derivative) also come from the lateral dynamic esti-mator instead of the expensive sensors. The estimation technique employed in this work is the linear augmented Kalman filter with the unknown road angles as the augmented estimation states. The roll and pitch motion are assumed to be decoupled with each other, and the linear mass-damper-spring dynamic model is adopted to obtain the equations of the vehicle states. Some unknown parameters shown in the dynamic equations are identified at first with SimRod testing data and the results are satisfactory. The road angles are modeled as a zero-order random walk model. The bicycle model, vehicle body-road and ve-hicle body-frame kinematics are used to derive the measurement equations of the Kalman filter. After the simulation and measurement inputs are obtained, the process and measurement error covariance are tuned to finally decide the estimation results. Also, SimRod testing data are used to validate the results, and the estimation performance for the vehicle body angle and angle rate are good; while the road angles need to be further validated with more available data set.

Abstract [sv]

Målet med detta examensarbete är att utforska precisa skattningsmetoder för fordonsrörelser med relativt billiga sensorer. Fordonstillstånd är viktiga för fordonsreglering men för detta behövs ibland dyra sensorer för att uppnå pre-cisa skattningar. I detta arbete har först ett valideringsarbete genomförts för skattning av stelkroppsrörelser och resultaten visar att precisa linjära- och ro-tationsaccelerationer kan skattas bara med låkostnadsaccelerometrar. Huvud-delen av detta arbete handlar om att utveckla en estimator för att kunna skatta fordonskroppens vinklar, vinkelhastigheter (rull och nig rörelser) och vägens vinklar, som är en del i ett större fordonsdynamiskt skattningsalgoritm. Re-sultaten från skattningen är indata till en annan skattningsalgoritm nämligen skattning av lateral fordonsdynamik. Denna ger även viktig indata till skat-tningen av fordonskroppens vinklar som hastigheter och dess derivator vilket inte kommer från dyra sensorer. Skattningstekniken som används i detta ar-bete är linjär utökad Kalman filter med vägvinklar som okända utökade till-ståndsvariabler. Rull- och nigrörelser antas inte vara kopplade med varandra och linjära fjäder-dämpar-massa modellen är tillämpad för att ta fram ekva-tionerna till fordonets tillståndsvariabler. Några okända parametrar som visas i den dynamiska ekvationerna är först identifierade genom testdata från Sim-Rod fordonet och detta gav bra resultat. Vägvinklarna tas fram genom en Zero-order Random Walk modell. Cykelmodellens, fordonets kropp och väg samt fordonets kropp och referensrams kinematik har använts för att härleda mätek-vationerna i Kalman filtret. Efter att simulerings- och mätdata har insamlats så kan process- samt mätfelskovariansen ställas in för att sedan få de slut-giltiga skattningsresultaten. Vidare så används testdata från SimRod för att validera resultaten och skattningens prestanda av att kunna skatta fordonets kroppsvinklar och vinkelhastigheter visade sig vara bra. Men vägvinklarna behöver fortsättas att validera med mer testdata.

Place, publisher, year, edition, pages
2019. , p. 88
Series
TRITA-SCI-FOU ; 2019:364
National Category
Vehicle Engineering
Identifiers
URN: urn:nbn:se:kth:diva-265588OAI: oai:DiVA.org:kth-265588DiVA, id: diva2:1379753
Examiners
Available from: 2019-12-17 Created: 2019-12-17 Last updated: 2019-12-17Bibliographically approved

Open Access in DiVA

fulltext(22325 kB)5 downloads
File information
File name FULLTEXT01.pdfFile size 22325 kBChecksum SHA-512
2ea8984f98d103728c32f0b6924ab3363eb7fcd027daa23b780e6d0304e38464732789d5c1b064f2d03d03c1f351849062f3b013964fe375d52dac1e806bf633
Type fulltextMimetype application/pdf

By organisation
Vehicle Dynamics
Vehicle Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 5 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 13 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf