本發(fā)明涉及一種車輪縱向車速估計技術，尤其是車輛的縱向車速的估計方法和裝置。

背景技術：

電動汽車具有很好的排放性能，已經(jīng)得到了廣泛應用，電動輪獨立驅動的電動車輛具有更高的行駛性能和總體布局優(yōu)勢，電動輪驅動車輛具有輪式車輛的快速行進優(yōu)勢，具備較強的越野能力，是目前各國努力發(fā)展的車型之一。通過對各個電動輪的動力輸出特性的優(yōu)化控制，能夠實現(xiàn)包括車輛驅動防滑(TSR)、制動防抱死(ABS)和電子穩(wěn)定控制系統(tǒng)(ESP)等性能。

為了能夠實現(xiàn)對多電動輪的優(yōu)化控制，必須對縱向車速信號進行獲取。目前車速的獲取主要有直接法和間接法。直接法利用傳感器技術，直接測量車輛的行駛速度，如光學傳感器、GPS技術等，方法直接、簡單，但是成本較高，且受環(huán)境條件的影響大。

間接法利用車輛其他傳感器獲得的信息，建立它們與車速之間的動力學關系，從而估算得到車速。由于間接法成本低、實現(xiàn)方法多樣，因此應用廣泛。由于輪轂電機的轉速可以快速精確地獲得，因此間接法尤其適用于電動輪驅動車輛。

一些研究利用非驅動輪的輪速信號來近似估算車速信號，效果較好，但該方法不適用于全輪驅動的車輛；有的研究提出利用輪速信息或車身加速度信息或同時基于這兩個信息，通過智能控制算法，來進行車速的估計，如卡爾曼濾波算法、滑模變結構算法、模糊規(guī)則算法、遞推最小二乘算法等。這些方法從不同的角度采用不同的方法對車速進行估計，更多的在車速估計過程中考慮了非線性特性對車速估計精度的影響，能夠得到較高的車速估計數(shù)值，但是由于牽涉到較多的非線性運算，實車應用的性能不是很好。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是，提供一種車輛的縱向車速的估計方法和裝置，能夠提高車速的估算精度。

為解決上述技術問題，本發(fā)明的實施例提供一種車輛的縱向車速的估計方法，包括：

步驟一，獲取車輛的帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm；

步驟二，利用第一擴展卡爾曼濾波器，對所述帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm進行濾波去噪處理，生成去噪后的最小或最大輪速值v_we及去噪后的輪胎線加速度值a_we、去噪后的車身加速度值a_xe；

步驟三，通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)，并利用所述第二擴展卡爾曼濾波器，根據(jù)所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe，輸出當前時刻的車輛縱向速度值v_e。

所述步驟二根據(jù)以下公式實現(xiàn)：

其中，ts是采樣時間，ξ_vw、ξ_aw和ξ_ax分別是輪胎線速度的系統(tǒng)噪聲、輪胎線加速度的系統(tǒng)噪聲和車身加速度的系統(tǒng)噪聲，λ_vw和λ_ax分別是輪胎線速度的測量噪聲和車身加速度的測量噪聲。

所述步驟三根據(jù)以下公式實現(xiàn)：

v_e,n+1＝v_e,n+T_s(a_xe,n+ξ_vx,n)

v_we,n＝v_e,n+λ_vx,n

其中，ξ_vx是車輛縱向速度的系統(tǒng)噪聲，λ_vx是車輛縱向速度的測量噪聲。

所述通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)的步驟包括：

通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值。

所述通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值的步驟包括：

獲取上一時刻的車輛縱向速度值v_e與去噪后的最小或最大輪速值v_we；

根據(jù)公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，計算車輪滑移率s_e：

根據(jù)所述車輪滑移率，按照模糊規(guī)則策略，調整所述去噪后的最小或最大 輪速值v_we和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值。

所述模糊規(guī)則策略為：

當所述車輪滑移率小于閾值時，增大所述去噪后的最小或最大輪速值v_we的權值，減小所述去噪后的車身加速度值a_xe的權值；

當所述車輪滑移率大于或者等于閾值時，增大所述去噪后的車身加速度值a_xe的權值，減小所述去噪后的最小或最大輪速值v_we的權值。

一種車輛的縱向車速的估計裝置，包括：

獲取單元，獲取車輛的帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm；

第一生成單元，利用第一擴展卡爾曼濾波器，對所述帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm進行濾波去噪處理，生成去噪后的最小或最大輪速值v_we及去噪后的輪胎線加速度值a_we、去噪后的車身加速度值a_xe；

第二生成單元，通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)，并利用所述第二擴展卡爾曼濾波器，根據(jù)所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe，輸出當前時刻的車輛縱向速度值v_e。

所述第二生成單元包括：

調整子單元，通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器算法中的權重值。

所述調整子單元包括：

獲取模塊，獲取上一時刻的車輛縱向速度值v_e與去噪后的最小或最大輪速值v_we；

計算模塊，根據(jù)所述公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，計算車輪滑移率s_e：

調整模塊，根據(jù)所述車輪滑移率，按照模糊規(guī)則策略，調整所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器算法中的權重值。

所述模糊規(guī)則策略為：

當所述車輪滑移率小于閾值時，增大所述去噪后的最小或最大輪速值v_we的權值，減小所述去噪后的車身加速度值a_xe的權值；

當所述車輪滑移率大于或者等于閾值時，增大所述去噪后的車身加速度值a_xe的權值，減小所述去噪后的最小或最大輪速值v_we的權值。

本發(fā)明的上述技術方案的有益效果如下：本發(fā)明中，獲取車輛的帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm；利用第一擴展卡爾曼濾波器，對所述帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm進行濾波去噪處理，生成去噪后的最小或最大輪速值v_we及去噪后的輪胎線加速度值a_we、去噪后的車身加速度值a_xe；通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)，并利用所述第二擴展卡爾曼濾波器，根據(jù)所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe，輸出當前時刻的車輛縱向速度值v_e，能夠提高車速的估算精度。

附圖說明

圖1是本發(fā)明所述的一種車輛的縱向車速的估計方法的流程示意圖；

圖2是本發(fā)明所述的一種車輛的縱向車速的估計裝置的連接示意圖；

圖3是本發(fā)明的應用場景中全電動輪驅動車輛整車縱向速度的估算方法的示意圖。

圖4A和圖4B是本發(fā)明的應用場景中車輛縱向動力學模型；

圖5A和圖5B是本發(fā)明的應用場景中輸入變量的隸屬度函數(shù)圖；

圖6A和圖6B是本發(fā)明的應用場景中輸出變量的隸屬函數(shù)圖

圖7是本發(fā)明的應用場景中系統(tǒng)噪聲Q₂的曲面觀測圖；

圖8是本發(fā)明的應用場景中測量噪聲R₂的曲面觀測圖。

具體實施方式

為使本發(fā)明要解決的技術問題、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例進行詳細描述。

如圖1所示，為本發(fā)明所述的一種車輛的縱向車速的估計方法，包括：

步驟11，獲取車輛的帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm；

步驟12，利用第一擴展卡爾曼濾波器，對所述帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm進行濾波去噪處理，生成去噪后的最小或最大輪速值v_we及去噪后的輪胎線加速度值a_we、去噪后的車身加速度值a_xe；

步驟13，通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)，并利用所述第二擴展卡爾曼濾波器，根據(jù)所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe，輸出當前時刻的車輛縱向速度值v_e。

所述步驟12根據(jù)以下公式實現(xiàn)：

其中，t_s是采樣時間，ξ_vw、ξ_aw和ξ_ax分別是輪胎線速度的系統(tǒng)噪聲、輪胎線加速度的系統(tǒng)噪聲和車身加速度的系統(tǒng)噪聲，λ_vw和λ_ax分別是輪胎線速度的測量噪聲和車身加速度的測量噪聲。

所述步驟13根據(jù)以下公式實現(xiàn)：

v_e,n+1＝v_e,n+T_s(a_xe,n+ξ_vx,n)

v_we,n＝v_e,n+λ_vx,n

其中，ξ_vx是車輛縱向速度的系統(tǒng)噪聲，λ_vx是車輛縱向速度的測量噪聲。

所述通過模糊控制器，對第二擴展卡爾曼濾波器的估算參數(shù)進行實時動態(tài)地調節(jié)的步驟包括：

通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值。

所述通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值的步驟包括：

獲取上一時刻的車輛縱向速度值v_e與去噪后的最小或最大輪速值v_we；

根據(jù)公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，計算車輪滑移率s_e：

根據(jù)所述車輪滑移率，按照模糊規(guī)則策略，調整所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器的算法中的權重值。

所述模糊規(guī)則策略為：

當所述車輪滑移率小于閾值時，增大所述去噪后的最小或最大輪速值v_we的權值，減小所述去噪后的車身加速度值a_xe的權值；

當所述車輪滑移率大于或者等于閾值時，增大所述去噪后的車身加速度值a_xe的權值，減小所述去噪后的最小或最大輪速值v_we的權值。

如圖2所示，為本發(fā)明所述的一種車輛的縱向車速的估計裝置，包括：

獲取單元21，獲取車輛的帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm；

第一生成單元22，利用第一擴展卡爾曼濾波器，對所述帶測量噪聲的車輪線速度v_wmi和帶測量噪聲的車速縱向加速度a_xm進行濾波去噪處理，生成去噪后的最小或最大輪速值v_we及去噪后的輪胎線加速度值a_we、去噪后的車身加速度值a_xe；

第二生成單元23，通過模糊控制器，對第二擴展卡爾曼濾波器的估算參 數(shù)進行實時動態(tài)地調節(jié)，并利用所述第二擴展卡爾曼濾波器，根據(jù)所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe，輸出當前時刻的車輛縱向速度值v_e。

所述第二生成單元23包括：

調整子單元231，通過模糊控制器，調整所述去噪后的最小或最大輪速值v_ωe和去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器算法中的權重值。

所述調整子單元231包括：

獲取模塊2311，獲取上一時刻的車輛縱向速度值v_e與去噪后的最小或最大輪速值v_we；

計算模塊2312，根據(jù)所述公式s_e＝|(v_we-v_e)/max(v_we,v_e)|，s_e計算車輪滑移率：

調整模塊2313，根據(jù)所述車輪滑移率，按照模糊規(guī)則策略，調整所述去噪后的最小或最大輪速值v_we和所述去噪后的車身加速度值a_xe在第二擴展卡爾曼濾波器算法中的權重值。

所述模糊規(guī)則策略為：

當所述車輪滑移率小于閾值時，增大所述去噪后的最小或最大輪速值v_we的權值，減小所述去噪后的車身加速度值a_xe的權值；

當所述車輪滑移率大于或者等于閾值時，增大所述去噪后的車身加速度值a_xe的權值，減小所述去噪后的最小或最大輪速值v_we的權值。

以下描述本發(fā)明的應用場景。

本發(fā)明提供一種采用電動輪獨立驅動電動汽車的縱向車速估算方法，包括了車輪輪速采集裝置、車身加速度采集裝置，基于車輛輪速信號和車身加速度信號的卡爾曼濾波算法進行電動輪獨立驅動電動車輛的縱向速度估計。包括兩個擴展卡爾曼濾波器，擴展卡爾曼濾波器1主要負責對車輪輪速采集裝置和車身加速度采集裝置測量信號進行濾波去噪處理，擴展卡爾曼濾波器2主要負責車輛縱向速度的估算，并通過模糊控制器，對擴展卡爾曼濾波器2的估算參數(shù)進行實時動態(tài)地調節(jié)，調整輪速信號和車身加速度信號在算法中的權重值，實現(xiàn)了估計算法的自適應性。該發(fā)明采用成熟傳感器技術，實現(xiàn)了獨立驅動車輛縱向車速的準確估計方法。

本應用場景為一種全電動輪驅動的車輛整車縱向速度的估算方法，即一種獨立電動輪驅動的電動汽車的縱向速度的估計方法，以全電動輪驅動車輛為研究對象，利用車輛可采集的輪速信號和車身加速度信號，設計了基于模糊規(guī)則的擴展卡爾曼濾波器，實現(xiàn)對測量信號的濾波去噪處理和縱向車速的估算，通過模糊控制器動態(tài)調節(jié)濾波器的參數(shù)，實現(xiàn)了估計算法的自適應性。

本發(fā)明采用的車輛縱向速度的估計算法原理圖如圖3所示，v_wi、a_x分別是動力學模型輸出的各車輪的旋轉線速度和車身縱向加速度，分別疊加隨機噪聲noise_u和noise_a后得到v_wmi和a_xm，以模擬實車上輪速傳感器和車輛加速度傳感器得到的帶有測量噪聲的測量值。

基于模糊卡爾曼濾波的車速估計算法包含兩個擴展卡爾曼濾波器和一個模糊控制器。

擴展卡爾曼濾波器1(第一擴展卡爾曼濾波器)：主要作用是對帶有噪聲干擾的測量信號v_wmi和a_xm(旋轉線速度和車身縱向加速度)進行濾波處理，得到去噪后的最小或最大輪速值v_we及對應的線加速度值a_we、車身加速度值a_xe：若 a_xe≥0，即車輛在加速狀態(tài)，則v_we取最小輪速值；反之取最大輪速值。

擴展卡爾曼濾波器2(第二擴展卡爾曼濾波器)：主要作用是根據(jù)去噪后的輪速值和車身加速度值，估計當前時刻的車輛縱向速度值v_xe。

在車身估計過程中，根據(jù)工況的變化，通過模糊控制器實時調整濾波器2的參數(shù)Q₂和R₂，使估算結果更加準確，實現(xiàn)算法的自適應性。

以下具體說明。本發(fā)明研究車輛的縱向車速的估計。假設車輛在平直的道路上直線行駛，車輛沿縱向軸線對稱，僅考慮車輛的縱向運動，考慮車身俯仰運動，而不考慮車身和車輪的垂向直線運動，忽略空氣助力和滾動助力。所建立的模型包含6個自由度：整車縱向速度v，車身俯仰角速度q，四個車輪繞其輪軸的旋轉角速度ω_i(i＝1,2,3,4)。

圖4A和圖4B為車輛的縱向動力學模型，取車輛前進方向為x，車輛左側為y，垂直xy平面向上為z，俯仰角速度q如圖4B所示為正。動力學方程如下：

式中，i＝1,2,3,4，為車輪序號；m是整車質量；m_s是車身質量；I_ys是車身繞y軸的俯仰慣量；I_w是車輪轉動慣量；v是車輛縱向速度；q是車身俯仰角 速度；θ是車身俯仰角；ω是車輪旋轉角速度；F_x是地面對車輪的切向力；a、b分別是前后軸至質心的距離；h_s是車身質心高度；T_d、T_b分別是驅動力矩和制動力矩；R是車輪半徑；F_sf是前軸對車身的作用力；F_sr是后軸對車身的作用力，都可以通過車輛受力情況分析得到。

以車輛靜平衡為參考狀態(tài)，該狀態(tài)下，前后軸對車身的作用力分別為

車輛俯仰運動時，懸架在垂向有變形，產(chǎn)生附加動態(tài)的懸架力，如圖4B，Ks和Cs是懸架的剛度和阻尼。前后軸懸架相對于靜平衡位置的變形量分別為

Z_f＝a·sinθ；Z_r＝b·sinθ (5)

前后軸懸架附加的變形力分別為

因此，車輛在俯仰運動時，前后軸對車身的作用力分別為

F_sf＝ΔF_sf+F_sf0；F_sr＝ΔF_sr+F_sr0. (7)

各車輪的垂向力分別為

F_zw1＝F_zw2＝0.5·F_zsf+m_wg；F_zw3＝F_zw4＝0.5·F_zsr+m_wg (8)

m_w是輪胎質量。

以下描述擴展卡爾曼濾波器的設計。

假設離散對象的系統(tǒng)狀態(tài)方程和測量方程分別為：

X_n+1＝A·X_n+B·(U_n+ξ_n) (9)

Y_n＝C·X_n+λ_n (10)

式中，A、B、C分別為系統(tǒng)矩陣、輸入矩陣和測量矩陣；X_n、U_n、Y_n分別為n時刻的狀態(tài)變量列矩陣、輸入變量(或控制變量)列矩陣和輸出變量(或測量變量)列矩陣；ξ_n和λ_n分別為系統(tǒng)噪聲列矩陣和測量噪聲列矩陣，假設它們?yōu)榱憔?、獨立的高斯分布噪聲，其協(xié)方差矩陣分別為Q和R。

n為當前采樣時刻；n+1為當前采樣時刻的下一時刻。

卡爾曼濾波算法基于系統(tǒng)的狀態(tài)空間表達式(9)、(10)，進行如下時間更新和測量校正運算。時間更新是根據(jù)當前采樣時刻的估計值X_n預測下一時刻的動態(tài)值X_n+1,n：

X_n+1,n＝A·X_n+B·U_n (11)

由于系統(tǒng)噪聲ξ_n的存在，上式的結果與真實值存在誤差，誤差的協(xié)方差為：

P_n+1,n＝X_n+1-X_n+1,n＝A·P_n·A^T+Q_n (12)

因此，需要定義增益矩陣K，以校正時間更新中產(chǎn)生的誤差：

K_n+1,n＝P_n+1,n·C^T·(C·P_n+1,n·C^T+R_n)^-1 (13)

測量校正是利用增益矩陣和測量變量對初步預測的動態(tài)值X_n+1,n進行修正，得到下一時刻估計值X_n+1：

X_n+1＝X_n+1,n+P_n+1,n

＝X_n+1,n+K_n+1(Y_n-C·X_n+1,n) (14)

最后，更新估計誤差的協(xié)方差,用于下一采樣時刻的迭代估算：

P_n+1＝(I-K_n+1·C)·P_n+1,n (15)

I是單位矩陣。

以下描述擴展卡爾曼濾波器的設計。

擴展卡爾曼濾波器1的主要作用是對帶有噪聲的測量信號u_wmi和a_xm進行濾波去噪處理，并根據(jù)車輛的加減速情況輸出最小或最大輪速濾波值u_ωe、車輪線加速度值a_we和車身加速度濾波值a_xe。

為了取得穩(wěn)定的濾波效果，系統(tǒng)噪聲和測量噪聲的協(xié)方差矩陣Q₁和R₁取為定值。對象的離散的狀態(tài)方程和測量方程為：

擴展擴展卡爾曼濾波器2根據(jù)去噪后的最小或最大輪速值v_ωe和車身加速度值a_xe，估算出車輛的前進速度v_e，對應的離散狀態(tài)方程和測量方程為：

v_e,n+1＝v_e,n+T_s·(a_xe,n+s_ux,n) (18)

v_we,n＝v_e,n+λ_ux,n (19)

其中，λ_ux是車輛縱向速度的測量噪聲；s_ux是車輛縱向速度的系統(tǒng)噪聲。

加速度a_xe可以認為是濾波器的輸入(或控制)變量，輪速V_ωe是濾波器的測量變量。由式(9)～(19)便可以構建擴展擴展卡爾曼濾波器1和2，利用Matlab軟件的函數(shù)編輯功能，可以方便地編寫擴展卡爾曼濾波器的M文件。

以下描述模糊控制器的設計。

為了使算法在不同行駛工況下都具有良好的適應性和估算精度，本發(fā)明通過模糊控制器實時調整濾波器的參數(shù)Q₂和R₂，一方面進一步補償濾波器1中的誤差，另一方面實時改變輪速信號和加速度信號在估計算法中的權重程度。

如圖3所示，模糊控制器的輸入為上一時刻的輪速v_ωe、輪線加速度a_we、車身加速度a_xe和反饋的估計車速v_e。

令E_a＝|a_we-a_xe|，表示車身加速度與車輪線加速度之差的絕對值；S_e＝|(v_we-v_e)/max(v_we,v_e)|，表示根據(jù)測量的輪速與估算的車速得到的滑轉率或滑移率，以它們作為車輪打滑或抱死程度的判定依據(jù)。

當車輛在附著系數(shù)良好的路面行駛時，車輪不發(fā)生打滑或抱死，這種情況下，應增大輪速v_ωe在估計算法中的權值，減小車身加速度a_xe的權值，以避免累積加速度的靜態(tài)偏差；

當車輛在附著系數(shù)低的路面行駛時，車輪容易打滑或抱死，因此應增大車身加速度a_xe的權值，減小輪速v_ωe的權值，實現(xiàn)算法的適應性。

通過模糊控制器實時調整濾波器參數(shù)Q₂和R₂，需要進行理論分析和大量仿真試驗，以積累足夠的專家經(jīng)驗，從而制定模糊規(guī)則。模糊規(guī)則的輸入為E_a和S_e，表1為控制Q₂和R₂的模糊規(guī)則表，其中VS、S、M、L分別表示很小、 小、中、大。

表1為模糊規(guī)則表。

利用Matlab/Simulink的模糊控制工具箱，可以方便地生成所需的模糊控制器。各輸入輸出的隸屬度函數(shù)圖如圖3所示，圖5A和圖5B是本發(fā)明的應用場景中輸入變量的隸屬度函數(shù)圖；圖6A和圖6B是本發(fā)明的應用場景中輸出變量的隸屬函數(shù)圖；基于規(guī)則表1的輸出量Q₂和R₂的曲面觀測圖如圖7和圖8所示，模糊控制器的解模糊化方法采用重心法。

本發(fā)明中，所建立的系統(tǒng)離散狀態(tài)方程和測量方程能正確地描述輸入輸出關系；擴展卡爾曼濾波器1能較好地對帶噪的測量信號進行濾波去噪處理，得到的信號平滑且不失真；擴展卡爾曼濾波器2能在模糊控制器的調節(jié)作用下，實時準確地估算不同路面條件和行駛工況下的車速。

另外，本發(fā)明中，以車身加速度和車輪線加速度的差值、和上一時刻所估算的車速與輪速的差值作為判斷車輪滑移狀態(tài)的依據(jù)，并以此作為模糊控制器的輸入，所設計的模糊規(guī)則能根據(jù)車輛的滑移率改變輪速信號和車身加速度信 號在估計算法中的權重值，以實時調整濾波器的參數(shù)，使得估計算法具有較強的自適應性。

以上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。