Real time automotive vehicle states estimation

The problem is the real time estimation of dynamic vehicle states using specific sensors sets we search to determine. These states correspond to the vertical velocity on each car corner and each wheel. It also includes the relative displacement and velocity of the suspension and tire deflection. In a fist part, taking into account all the vehicle situations, we have built a specific dynamic vehicle model based on mechanical equations. In this part some simplifications and approximations have been realized to adapt the algorithm to a real time application with its Electronic Control Unit limitations. Then we have adjusted the model parameters by using vehicle data from road measurements. In the second part, we have built filtering algorithms based on different sensor sets: a first setting using only four suspension relative displacement sensors, a second one using the previous sensors with an accelerometer on each corner of the car, a third one using the four relative displacement sensors and four wheel accelerometers. This study leads to express differently the evolution of the vehicle state variables, to decouple the complete model into four sub-systems and design a specific algorithm for each of them. To conclude we have tested each algorithm in simulation from measured vehicle data on reference road. This step leads to quantify the performances of the three filters. The conclusion is that the third configuration is the best sensor set for controlled suspension system applications. The outcome of this work is the ability to construct an algorithm embedded on actual Electronic Control Units available in automotive industry. Also, this work showed that it's preferable to install accelerometers on wheel rather than on each vehicle's corner.Le problème posé dans cette thèse est de déterminer l'instrumentation permettant à un algorithme de filtrage d'estimer en temps réel, les états dynamiques d'un véhicule automobile. Ces états correspondent aux vitesses verticales de chaque coin du véhicule, des roues ainsi que les vitesses et déplacements relatifs du véhicule par rapport aux roues et des roues par rapport au sol. Ces états sont ensuite exploités par des systèmes de suspensions pilotées. Dans une première partie, il a été nécessaire de modéliser le véhicule à l'aide des équations de la mécanique en tenant compte de toutes les situations du véhicule. Dans cette partie, des simplifications ont été réalisées pour permettre l'exploitation des algorithmes par des calculateurs peu coûteux, adaptés économiquement à l'industrie automobile. Enfin, nous avons recalé les paramètres du modèle sur un véhicule prototype en exploitant des données expérimentales. Dans une seconde partie, nous avons réalisé des algorithmes de filtrage basés sur trois configurations de capteurs. Un premier faisant intervenir uniquement les capteurs de déplacement relatif des suspensions. Un second intégrant en plus des capteurs précédents, un accéléromètre positionné sur chaque coin du véhicule. Un troisième utilisant cette fois des accéléromètres positionnés sur chacune des roues. Cette étude nous à amené à exprimer différemment les variables du modèle et décomposer le modèle véhicule en quatre sous-systèmes, un par coin, en y associant pour chacun d'entre eux un algorithme d'estimation propre. Enfin, nous avons testé chaque algorithme en simulation à partir de mesures effectuées sur véhicule. Cette étape nous a permis de quantifier les performances de chaque configuration. Les résultats ont montré que la configuration 3 avec accéléromètres sur les roues est la solution la plus performante en vue d'une application par des systèmes de suspensions contrôlées. L'intérêt de ce travail réside essentiellement dans le fait qu'il est possible de réaliser en temps réel, un filtre de Kalman étendu en exploitant les calculateurs disponibles. Par ailleurs ce filtre montre également qu'il est préférable de privilégier des accéléromètres positionnés sur chacune des roues plutôt que sur chaque coin du véhicule