Robust motion estimation for vehicle dynamics applications using simplified models

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.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