Odhadování stavů vozidla

Abstract

Vývoj autonomních vozidel se velmi rychle posouvá vpřed. Aby bylo možné dosáhnout plně autonomních vozidel, je nutné získat co nejvíce dat, která popisují chování vozidla. Rozpočet projektů bývá omezený, proto hrají celkové náklady důležitou roli. Veličiny by občas mohly být pouze velice obtížně měřitelné a často je měření zašuměné vlivem okolí. Naměřené hodnoty pak nejsou přesné. V těchto případech se využije filtrace a odhadování, které nejdříve odstraní velkou část šumu z měření a zároveň "predikují" hodnoty veličin (jak na úrovni celého vozidla, tak i pneumatik). Algoritmy slouží jako virtuální senzor, který může ušetřit celkové náklady vývoje. Cílem této práce je odhadování stavových veličin vozidla za použití omezeného vektoru naměřených hodnot a modelování systému. Začátek práce představuje jednostopý model vozidla a vytvoření stavového popisu systému, následně je představena elektrická formule, na které byla naměřena reálná data a modely, které se v práci používají. Dále je vysvětlena funkčnost Kalmanova filtru s rozšířením na tzv. Extended Kalman filter, určený pro nelineární systémy. Poté jsou zobrazeny výsledky simulací a porovnání s naměřenými daty, některé výsledky jsou rozšířeny o testování základních předpokladů pro odhad. V poslední kapitole jsou navržena možná rozšíření této práce.

The evolution of autonomous vehicles is rapidly progressing forward. In order to achieve fully automotive vehicles, as much data about the vehicle behaviour is needed to be known, as possible. The budget is often restricted and cost is very important for the project. Sometimes, the physical quantities are very difficult to measure. The measurements are very often distorted by a surrounding noise, making the results not clear. These situations are examples of where filtering and estimation algorithms come forward, clearing the noise out of the measurements and allowing us the "prediction" of state values at different levels (full vehicle, tyres). The algorithms act as a virtual sensor, which can save the total budget. The aim of this thesis is to estimate the vehicle states, which are not directly measured at both levels, using a restricted measurement vector and a system model. At the beginning of the thesis a Single-track vehicle modelling approach is introduced, followed by a data-generation process and an electric formula used for real data validation is presented. Later on, the Kalman filter is described with the extension to Extended Kalman filter for non-linear systems. Then the achieved results are shown with a few methods checking the estimate basic assumptions. In the last chapter a future work is being suggested.