运动学道路坡度估计

摘要

本发明涉及运动学道路坡度估计。一种车辆和车辆系统设置有控制器，控制器被配置成使用扩展卡尔曼滤波器产生指示运动学道路坡度估计的输出。所述扩展卡尔曼滤波器包括基于纵向加速度和加速度偏移量的系统输入以及基于预测的车辆速度的系统输出。加速度偏移量基于横向速度、横向偏移量及车辆俯仰角中的至少一个。控制器还被配置成产生指示运动学品质因子的输出，所述运动学品质因子对应于运动学道路坡度估计的可用性。

说明书

技术领域

一个或多个实施例涉及一种车辆系统以及用于估计道路坡度和车辆质量 的方法。

背景技术

道路坡度和车辆质量是影响多个车辆控制功能的两个参数。这样的功能 包括动力传动系控制、能量管理控制、变速器控制、制动控制及稳定性控制。 例如，传统的车辆包括提供用于推进车辆的扭矩的内燃发动机。即使当发动 机怠速运转时，发动机也通过变速器将扭矩提供给驱动车轮。这样的扭矩被 称为蠕动扭矩。当车辆在斜面上停止时，该蠕动扭矩对由制动系统施加的扭 矩（制动扭矩）进行补充，以使车辆保持在静止位置。如果在车辆在斜面上 停止时关闭发动机，则发动机的蠕动扭矩可消失，且会需要附加制动扭矩以 保持车辆的位置并防止车辆向后滚动。需要的附加制动扭矩的量基于道路坡 度和车辆质量。

微混合动力车辆可启用停止/起动策略，以用于在驱动事件期间起动和停 止车辆的发动机。如果不需要功率（例如，在交通信号灯处等待时），则关闭 发动机。只要需要功率，就自动重新起动发动机。通过避免不必要的发动机 怠速运转，将提高车辆的燃料经济性。具有起动/停止功能的微混合动力车辆 可调节制动压力，以当在车辆在斜面上停止的同时发动机关闭时保持车辆的 位置。这样的微混合动力车辆估计道路坡度和车辆质量，并基于这些估计来 调节制动压力。

发明内容

在一个实施例中，一种车辆设置有控制器，控制器被配置成使用扩展卡 尔曼滤波器产生指示运动学道路坡度估计的输出。所述扩展卡尔曼滤波器包 括基于纵向加速度的系统输入以及基于预测的车辆速度的系统输出。控制器 还被配置成产生指示运动学品质因子的输出，所述运动学品质因子对应于运 动学道路坡度估计的可用性。

在另一实施例中，一种车辆系统设置有控制器，控制器被配置成使用扩 展卡尔曼滤波器产生指示运动学道路坡度估计的输出。所述扩展卡尔曼滤波 器包括基于纵向加速度和加速度偏移量的系统输入以及基于预测的车辆速度 的系统输出。加速度偏移量基于横向速度、横向偏移量以及车辆俯仰角中的 至少一个。

在另一实施例中，提供一种基于估计的运动学道路坡度而操作车辆的方 法。使用扩展卡尔曼滤波器产生指示运动学道路坡度估计的输出，所述扩展 卡尔曼滤波器具有基于纵向加速度的系统输入和基于预测的车辆速度的系统 输出。产生对应于运动学道路坡度估计的可用性的运动学品质因子。

一种车辆系统包括控制器，控制器被配置成：使用扩展卡尔曼滤波器产 生指示运动学道路坡度估计的输出，所述扩展卡尔曼滤波器具有基于纵向加 速度和加速度偏移量的系统输入以及基于预测的车辆速度的系统输出，其中， 加速度偏移量基于横向速度、横向偏移量以及车辆俯仰角中的至少一个。

控制器还被配置成：基于指示横摆角的输入评价车辆转弯状况；当车辆 转弯状况对应于动态驱动状况时，基于指示横向加速度的输入的积分来估计 横向速度。

控制器还被配置成：基于指示横摆角的输入评价车辆转弯状况；当车辆 转弯状况对应于稳定状态状况时，从横摆角获得横向速度。

控制器还被配置成：基于指示横摆角的输入评价车辆转弯状况；当车辆 转弯状况对应于动态驱动状况时，基于指示横向加速度的输入计算车身侧倾 角；基于车身侧倾角估计横向偏移量。

控制器还被配置成：基于指示横摆角的输入评价车辆转弯状况；当车辆 转弯状况对应于稳定状态状况时，基于横摆角计算车身侧倾角；基于车身侧 倾角估计横向偏移量。

控制器还被配置成：基于车辆速度和纵向加速度使用动态俯仰补偿来估 计车辆俯仰角。

控制器还被配置成：基于系统输出和测量的车辆速度之间的差，估计指 示由于重力导致的加速度的状态；基于所述状态和车辆速度的导数，使用相 平面增益安排规则，从预定数据选择普通悬挂阻尼效应和悬挂刚度值；基于 普通悬挂阻尼效应和悬挂刚度值，使用传递函数，计算车辆俯仰角。

控制器还被配置成：基于车辆速度、纵向加速度和垂向加速度，计算车 辆俯仰角。

控制器还被配置成：基于系统输出和测量的车辆速度之间的差，估计指 示由于重力导致的加速度的状态；基于车辆速度、纵向加速度、垂向加速度 以及由于重力导致的加速度，计算车辆俯仰角。

一种基于估计的运动学道路坡度操作车辆的方法，所述方法包括：使用 扩展卡尔曼滤波器产生指示运动学道路坡度估计的输出，所述扩展卡尔曼滤 波器具有基于纵向加速度的系统输入和基于预测的车辆速度的系统输出；产 生对应于运动学道路坡度估计的可用性的运动学品质因子。

所述方法还包括：基于系统输出和测量的车辆速度之间的差，估计指示 由于重力导致的加速度的状态；基于所述状态计算运动学道路坡度估计。

所述方法还包括：接收指示测量的车辆垂向位移的输入，其中，系统输 出还包括预测的垂向位移；基于系统输出和测量的车辆速度之间的差以及系 统输出和测量的垂向位移之间的差，估计指示由于重力导致的加速度的第一 状态；基于系统输出和测量的车辆速度之间的差以及系统输出和测量的垂向 位移之间的差，估计指示由于车辆俯仰角导致的加速度的第二状态；基于第 一状态和第二状态计算运动学道路坡度估计。

所述方法还包括：接收指示横摆角的输入；基于横摆角估计加速度偏移 量，其中，加速度偏移量包括横向速度、横向偏移量以及车辆俯仰角中的至 少一个，其中，系统输入还包括加速度偏移量。

这样，通过使用EKF估计运动学道路坡度（其提供积分式滤波策略），车 辆系统优于现有的方法。这样的积分策略不会放大信号上的噪声，因此，这 样的积分策略提供改进的估计精度同时相对快速地收敛。通过使用输入补偿 的加速度偏移量估计运动学道路坡度以提高精度，来消除由车辆横向动力导 致的偏移量和不确定性及其耦合效应，车辆系统另外优于现有的方法。

附图说明

图1是根据一个或多个实施例的具有用于估计道路坡度和车辆质量的车 辆系统的车辆的示意图；

图2是图1的车辆被示出为位于以一定坡度倾斜的道路上的侧视图；

图3是图1的车辆的仰视图；

图4是示出根据一个或多个实施例的如由图1的车辆系统执行的用于仲 裁道路坡度估计的方法的示意性框图；

图5A至图5E是示出由图4的方法控制的道路坡度估计的时间图；

图6是示出根据一个或多个实施例的用于仲裁道路坡度估计的方法的流 程图；

图7是示出车辆速度和加速度的时间图；

图8是示出根据一个或多个实施例的用于评价加速度计收敛状态的方法 的流程图；

图9是示出根据一个或多个实施例的用于锁定静态道路坡度输出的方法 的流程图；

图10A至图10C是示出如由图9的方法控制的车辆速度、加速度和道路 坡度估计的时间图；

图11是示出根据一个或多个实施例的用于运动学道路坡度估计的方法 的示意性框图；

图12是示出根据一个或多个实施例的用于估计运动学道路坡度的方法 的流程图；

图13A至图13D是示出如由图12的方法控制的车辆速度、加速度和道路 坡度估计的时间图；

图14是示出根据一个或多个实施例的用于确定车辆驱动状况的方法的 流程图；

图15是示出根据一个或多个实施例的用于估计车辆横向速度的方法的 流程图；

图16是示出根据一个或多个实施例的用于估计车身侧倾角的方法的流 程图；

图17是根据一个或多个实施例的用于选择悬挂参数的方法的视图；

图18是示出根据一个或多个实施例的用于车辆质量估计的方法的示意 性框图；

图19是示出根据一个或多个实施例的用于估计车辆质量的方法的流程 图；

图20是示出根据一个或多个实施例的用于使车辆质量估计参数复位的 方法的流程图；

图21是示出根据一个或多个实施例的用于更新车辆质量估计参数的方 法的流程图；

图22是示出车辆质量估计的时间图；

图23是示出车辆质量估计的另一时间图；

图24是示出车辆质量估计的又一时间图；

图25是示出根据一个或多个实施例的用于估计估计器品质的方法的流 程图；

图26A至图26C是示出如由图25的方法控制的车辆速度、加速度和道路 坡度估计的时间图；

图27A至图27G是示出如由图25的方法控制的车辆速度和品质因子的时 间图。

具体实施方式

根据需要，在此公开本发明的具体实施例；然而，应该理解到，公开的 实施例仅仅是本发明的示例，本发明可以以多种和可选的形式实施。附图并 不一定按照比例绘制；可夸大或最小化一些特征以示出特定部件的细节。因 此，在此公开的具体结构和功能性细节不被解释为限制，而仅仅作为用于教 导本领域的技术人员以多种方式使用本发明的代表性基础。

参照图1，示出了根据一个或多个实施例的用于估计道路坡度和车辆质 量的车辆系统，该车辆系统总体上由标号10指示。车辆系统10被描述为在 车辆12内。车辆系统10包括控制器，例如彼此通信的发动机控制模块（ECM） 14、内燃发动机（ICE）16及车辆系统控制器（VSC）18。VSC18接收对应于 车辆速度（V_x）、加速度（a）、横摆角（r）及扭矩（T_pwt，T_brk）的输入，然后 响应于所述输入而提供对应于道路坡度估计（RGE）和估计的车辆质量（Mv） 的输出。

示出的实施例将车辆12描述为微混合动力车辆，微混合动力车辆是一种 由发动机16推进的车辆，且发动机16反复地起动和停止以节省燃料。增强 的起动电动机20结合到发动机的曲轴。起动电动机20接收电功率并将输出 扭矩提供给曲轴以用于起动发动机16。虽然在上下文中示出和描述了微混合 动力车辆12，但是应该理解到，车辆系统10的实施例可在其他类型的车辆 （例如，传统的动力传动系车辆、由电机驱动而不存在发动机辅助的电池电 动车辆（BEV）以及由电动机和发动机驱动的混合动力电动车辆（HEV））上实 施。

车辆12包括变速器22，以用于调节发动机16的输出扭矩。来自发动机 16的扭矩通过变速器22经变速器输出轴26传递到差速器24。半轴28从差 速器24延伸到一对驱动轮30，以提供驱动扭矩来推进车辆12。

车辆12包括换档杆32，以用于手动选择变速器的档位。换档杆32包括 传感器（未示出），以用于提供对应于选择的变速器档位（例如，PRNDL）的 输出信号。变速器控制模块（TCM）34与换档杆32和变速器22通信，以用 于基于换档杆的选择来调节变速器的速比。可选地，换档杆32可机械地连接 到变速器22，以用于调节变速器的速比。

车辆12包括制动系统，制动系统包括制动踏板36、增压器和主缸，在 图1中，增压器和主缸总体上由制动激活模块38指示。制动系统还包括ABS 制动控制模块40，ABS制动控制模块40通过一系列液压管路44连接到车轮 制动组件42和制动激活模块38，以实施摩擦制动。车轮制动组件42布置在 每个车轮30处，且可被构造为卡钳或鼓式制动组件。每个车轮制动组件42 包括传感器（未示出），以用于提供车轮速度信号（W_s）。在一个或多个实施 例中，ABS制动控制模块40基于车轮速度信号将计算的车辆速度信号（V_x） 提供给VSC18。

制动系统还包括传感器，以用于提供对应于当前制动特性的信息。制动 系统包括位置开关，以用于提供对应于制动踏板位置（例如，踩下或松开） 的制动踏板状态（S_bp）信号。在其他实施例中，制动系统包括位置传感器（未 示出），以用于测量踏板位置。制动系统还包括一个或多个压力传感器，以用 于提供对应于制动系统内实际制动压力值（例如，制动管路压力、主缸压力 或车轮组件处的压力）的制动压力（P_brk）信号。

车辆12包括加速踏板48，加速踏板48带有位置传感器，以用于提供对 应于驾驶员请求推进的加速踏板位置（APP）信号。ECM14基于APP信号控 制发动机16的节气门。

车辆12包括能量储存装置，例如电池50。电池50将电能供应到车辆控 制器和起动电动机20以及用于变速器22的换档的电动辅助泵46，如总体上 由图1中的虚线指示的。车辆12可包括单个电池50（例如，传统的低电压 电池）或包括包含高电压电池的多个电池。另外，车辆12可包括其他类型的 能量储存装置，例如电容器或燃料电池。

车辆12还包括一个或多个惯性传感器52，惯性传感器52提供对应于车 辆加速度（a）的输出。在一个实施例中，惯性传感器52提供对应于纵向加 速度的输出。在另一实施例中，惯性传感器52提供对应于纵向加速度、横向 加速度和垂向加速度的输出，在图1中，所有这样的加速度总体上由变量a 指示。在一个或多个实施例中，惯性传感器52还提供对应于横摆角（r）的 输出。在其他实施例中，传感器52是倾角仪（未示出），该倾角仪提供对应 于与车辆俯仰角相关的道路坡度的输出。

车辆12包括导航系统54，以用于从驾驶员接收目的地信息。导航系统 54还与在车辆外部的多个系统/网络通信。例如，导航系统54可包括用于（通 过蜂窝网络、硬线连接或射频（RF）波）（未示出）与卫星（例如，GPS）通 信的收发器和计算机。这样的网络在由Pleet等人的第12/744,092号美国申 请中详细描述，该申请通过引用被包含于此。导航系统54确定车辆12的当 前位置和由驾驶员选择的目的地之间的距离，并将该距离和与车辆12相关的 速度、加速度以及海拔信息、车辆12的目标目的地或其他相关的GPS路点一 起提供给VSC18。

VSC18与其他车辆系统、传感器和控制器通信，以用于协调它们的功能。 如在示出的实施例中所示，VSC18从各种车辆传感器和控制器接收多个输入 信号（例如，S_bp、P_brk、发动机速度（Ne）、车辆速度（V_x）、动力传动系扭矩 （T_pt）、制动扭矩（T_br）、a和r）。虽然VSC18被示出为单个控制器，但是 VSC18可包括多个控制器，所述多个控制器可用于根据总的车辆控制逻辑或 软件控制多个车辆系统。包括VSC18的车辆控制器通常包括任意数量的微处 理器、ASIC、IC、存储器（例如，FLASH、ROM、RAM、EPROM和/或EEPROM） 及软件代码，它们彼此共同作用以执行一系列操作。控制器还包括预定数据 或“查找表”，所述“查找表”基于计算和测试数据并存储在存储器内。VSC18 利用通用总线协议（例如，CAN和LIN）通过一个或多个有线车辆连接或无线 车辆连接与其他车辆系统和控制器（例如，ECM14、TCM34等）通信。

参照图2和图3，车辆12被示出为多个力、加速度和力矩作用在车辆12 上。车辆12被示出为参考以车辆的重心（CG）为中心的坐标系。坐标系包括 纵轴（x）、横轴（y）和竖轴（z）。参照图2，车辆12位于斜面上。斜面的 坡度（道路坡度）由符号α_r表示。另外，车辆相对于道路坡度的俯仰角由符 号θ表示。车辆的重量由Mg表示，Mg被示出为作用在车辆12的CG上，其 中，M是估计的车辆质量，g表示由于重力而导致的加速度（9.8m/s²）。车辆 12的纵向速度由符号V_x表示，且根据一个或多个实施例，V_x基于车轮速度信 号（在图1中示出的W_s）确定。车辆12的纵向加速度和垂向加速度分别由变 量和表示，其中，上标字母（s）指示由传感器（例如，在图1中示出的 惯性传感器52）提供的信号。参照图3，横摆角围绕竖轴（z）作用且由字母 r表示。惯性传感器52安装在车辆12上从CG偏移一定距离的位置，车辆系 统10基于该偏移量计算CG处的加速度值。在图3中，传感器52和CG之间 的纵向偏移量由l_d表示，传感器52和CG之间的横向偏移量由l_c表示。

图4描述了根据一个或多个实施例的用于道路坡度估计仲裁的方法410 的简化框图。根据一个或多个实施例，使用包含在VSC内的软件代码实现该 方法。在其他实施例中，在其他车辆控制器中实现方法410，或者方法410 分布在多个车辆控制器中。车辆系统包括用于估计道路坡度的多个算法，其 中，每个算法适合于不同的车辆状况。方法410基于当前车辆状况选择道路 坡度估计算法。

在信号处理框412处，VSC接收输入。所述输入包括车辆状态和传感器 信号（例如，r）、获得的或计算的值（例如，V_x、T_pwt、T_brk、F_pwt、 F_brk）及品质因子，所有这样的输入总体上由输入414表示。在一些实施例中， 车辆系统从导航系统接收对应于车辆速度和加速度的输入，所述输入总体上 由输入418表示。

在框420处，VSC使用分别由子框422、424和426表示的静态估计算法、 运动学估计算法和动态估计算法来估计道路坡度（RGE）。RGE值被提供给RGE 仲裁和诊断框428，RGE仲裁和诊断框428基于多个车辆状况选择一个估计 （RGE_st、RGE_kin或RGE_dyn）作为输出（RGE_out）提供给其他车辆系统。

静态RGE算法422基于纵向加速度输入（）估计道路坡度。静态RGE 适合于车辆静止状况，例如，当微混合动力车辆在斜面上停止时的发动机起 动/停止功能。当车辆在斜面上停止（如图2所示）时，由于车辆悬挂系统内 的挠度（该挠度由车辆俯仰角（θ）表示），导致纵向加速度值（）存在偏 差。静态RGE算法对车辆俯仰角进行补偿，如参照图7至图10C详细描述的。 一般来说，静态RGE是三种RGE估计算法中最精确的算法，其原因是静态RGE 算法的估计涉及最少估计输入且静态RGE算法最直接地获得估计结果。然而， 静态RGE算法仅在车辆静止状况下可用。

运动学RGE算法424基于对应于车辆的运动学特性（包括车辆速度、加 速度和横摆角之间的关系）的输入来估计RGE。该算法使用卡尔曼滤波器处 理所述输入，如参照图11至图13D详细描述的。运动学RGE算法424适合于 正常车辆运动状况（例如，V_x>5kph），其原因是在车辆速度低时一些基本计 算的精度低。另外，卡尔曼滤波器是动态滤波器，通常不可能获得良好的估 计，直到估计状态收敛为止。瞬态时间取决于初始状态、真实道路坡度状态 以及估计状况（例如：信号频率分量丰富度和信噪比等）之间的差异。

动态RGE算法426基于对应于车辆速度、车轮扭矩（制动扭矩和动力传 动系输出扭矩）以及作用在车辆上的其他拖曳力（例如，气动阻力、滚动阻 力和道路坡度负荷）的输入来估计RGE。车辆系统包括用于估计车辆质量的 算法，该算法包括在框426中且参照图18至图24详细描述。一般来说，与 静态RGE和运动学RGE相比，动态RGE的品质状况更低，其原因是动态RGE 在进行估计时涉及更多的信号，且每个信号中的噪声和误差将传送到最终RGE 输出中。然而，动态RGE不依赖纵向加速度信号（），因此，动态RGE的信 号覆盖范围不同于静态估计和运动学估计的信号覆盖范围。例如，在传感器 出故障的情况下，可能不能获得纵向加速度信号（），然后，动态RGE是唯 一可用的估计。

在框430处，车辆系统执行驱动状态监测和估计算法调节。估计算法调 节包括对框424的RGE_kin算法进行前馈输入补偿，这参照图14至图17详细描 述。

在框432处，车辆系统评价车辆操作状况（例如，车辆稳定性、振荡和 速度），并将对应的判断提供给框428。在框434处，车辆系统针对每种RGE 算法确定品质因子（QF_st、QF_kin、QF_dyn）以及总的RGE品质因子（QF_RGE）。在一 个或多个实施例中，QF_RGE与RGE_out一起提供给其他车辆系统。参照图25至图 27G详细描述这样的品质评价。一般来说，品质因子评价估计的信息的可用 性和精度。品质因子从0至3的范围内选择，其中，品质值3指示全品质， 品质值2指示品质存在一些降低，品质值1指示品质差，品质值0指示估计 在当前不可用。

图5A至图5E示出了图4的用于仲裁道路坡度估计的方法410的效果。 图5A至图5E包括在实际道路坡度已知的道路上在共同的时间段内获得的测 量数据的5个图形。图5A示出了车辆速度（V_x）和静态道路坡度估计（RGE_st）。 图5B示出了车辆速度（V_x）和运动学道路坡度估计（RGE_kin）。图5C示出了 车辆速度（V_x）和道路坡度估计输出（RGE_out）。图5D示出了道路坡度估计输 出（RGE_out）和实际道路坡度（α_r）。图5E示出了RGE_out和α_r之间的百分比误 差。

图5A至图5C示出了在车辆多次停止的驱动循环期间，方法410如何在 静态道路坡度估计和运动学道路坡度估计之间进行仲裁。在图5A至图5C中 的每个图中示出了车辆速度（V_x）。在示出的实施例中，车辆停止三次，这三 次停止由标号512、514和516指示。

如图5A描述的，当车辆停止或者静止时，静态道路坡度估计（RGE_st）可 用。在第一次停止512，RGE_st指示道路坡度约为20%，如标号518表示的。在 第二次停止514，RGE_st指示道路坡度约为0%，如标号520表示的，以及在第 三次停止516，RGE_st指示道路坡度约为-12%，如标号522表示的。根据一个 或多个实施例，当车辆运动时，静态道路坡度估计不可用，RGE_st波形等于零。

如图5B描述的，当车辆运动时或者在正常车辆运动期间，运动学道路坡 度估计（RGE_kin）可用。在第一次停止512之前，RGE_kin指示道路坡度从约0% 增加到20%，如标号524表示的。在第一次停止512，RGE_kin不可用，RGE_kin锁 止/锁定到最后那个RGE_kin值，如标号526表示的。在第一次停止512和第二 次停止514之间，RGE_kin从约20%减小到0%，如标号528表示的。在第二次停 止514和第三次停止516之间，RGE_kin从约0%减小到-12%，如标号530表示的。 在第三次停止516之后，RGE_kin从-12%增加到0%，如标号532表示的。

如图5C描述的，如参照图4描述的道路坡度估计输出（RGE_out）通常在 静止状况下选择RGE_st以及在车辆运动时选择RGE_kin。图5D示出了RGE_out和实 际道路坡度（α_r）。图5E描述了RGE_out和α_r之间的百分比误差（误差）。对于 本示例，误差约为+/-4%。

表A描述了与用于估计道路坡度的算法相关的输入和车辆状况的比较， 如下所示：

表A的第1列示出了三种道路坡度估计算法：静态、运动学和动态。第 2列至第4列描述了每种算法所使用以进行估计的原始输入。例如，车辆系 统基于车辆加速度估计静态道路坡度。车辆系统基于车辆速度和加速度估计 运动学道路坡度，车辆系统基于车辆速度和车轮扭矩/力估计动态道路坡度。 如参照图1描述的，这些输入可以是测量值或者获得的值。另外，在一些实 施例中，对于对应的道路坡度估计，车辆系统除了使用在图5中描述的输入 之外还使用其他输入。

第5列至第8列描述了每种道路坡度估计算法可用的车辆状况。例如， 当车辆静止时，静态道路坡度估计算法可用。当车辆正常运动（例如，车辆 速度大于5mph）时，运动学道路坡度估计算法可用。当车辆静止时或者在正 常车辆运动期间，动态道路坡度估计算法可用。虽然表1的第6列指示在车 辆速度极低（例如，小于5mph）时没有估计算法可用，但是车辆系统仍然在 这样的状况期间提供精确的道路坡度估计，如下面参照图25至图26C描述的。

第7列描述了每种估计算法的收敛阶段。收敛阶段涉及在车辆状况之间 过渡（例如，从静止过渡到速度极低，过渡到正常运动）期间车辆系统使用 每种算法估计道路坡度所花费的时间的量。

参照图6，示出了根据一个或多个实施例的用于仲裁道路坡度估计的方 法，该方法总体上由标号610指示。根据一个或多个实施例，使用包含在VSC 内的软件代码实现该方法。在其他实施例中，在其他车辆控制器中实现方法 610，或者方法610分布在多个车辆控制器中。在一个或多个实施例中，方法 610的操作对应于参照图4描述的方法410的操作。车辆系统包括用于估计 道路坡度的多种算法，其中，每种算法适合于不同的车辆状况。方法610基 于估计状态、估计准备和估计品质因子选择道路坡度估计算法。

用于每种RGE算法（静态、运动学和动态）的估计状态因子被限定为布 尔变量（“真”/“假”），且由变量（STATUS_st，STATUS_kin，STATUS_dyn）表示。 估计状态因子指示是否满足估计条件以及估计功能是否在对应的RGE通道 （RGE_st、RGE_kin和RGE_dyn）更新其状态。状态值“真”指示估计方法主动监测 车辆动态状态（例如，V_x、和r），且正在更新道路坡度信息及其 估计通道。

用于每种RGE算法（静态、运动学和动态）的估计准备因子也被限定为 布尔变量（“真”/“假”），且由变量（READY_st、READY_kin，READY_dyn）表示。估 计准备通常指示RGE功能的当前有用性。更具体地说，静态估计准备（READY_st） 指示RGE_st是否已经针对于当前车辆位置提供道路坡度估计。运动学估计准备 值（READY_kin）和动态估计准备值（READY_dyn）分别指示在品质因子大于2（降 低的品质或全品质）的情况下，它们的估计状态在超过阈值时间段的时间内 持续有效。在存在不合格的估计状况时，在这样的状况下累积的时间未超过 另一时间阈值，使得估计状态未偏离降低的边界。

用于RGE输出和每种RGE算法（静态、运动学和动态）的估计品质因子 对应于0至3之间的值，且由变量（QF_RGE、QF_st、QF_kin、QF_dyn）表示。估计品 质因子评价估计的道路坡度信息的可用性和精度。QF_RGE是普通RGE输出信号 品质评价，其基于选择的RGE算法的品质因子，且在更新事件之后根据车辆 的动态状况被进一步处理。参照图25至图26C详细描述这样的品质评价。对 于来自各个通道的评价的品质因子QF_st、QF_kin和QF_dyn，值3指示全品质，值2 指示估计仍然可用，但是当前值可能在指定的精度范围之外。

在操作612处，车辆系统评价静态RGE功能的当前估计状态，以确定 STATUS_st是否为等于“真”。如果在操作612处确定是肯定的，则车辆系统进 行到操作614。在操作614处，车辆系统评价静态RGE功能的当前估计准备， 以确定READY_st是否等于“真”。如果在操作614处确定是肯定的，则车辆系 统进行到操作616。在操作616处，车辆系统评价静态RGE功能的当前估计 品质，以确定QF_st是否等于3（全品质）。如果在操作616处确定是肯定的， 则车辆系统进行到操作618，并通过将RGE输出设置为等于RGE_st来选择静态 道路坡度估计。如果在操作612处确定是否定的，则车辆系统进行到操作620。

在操作620处，车辆系统评价运动学RGE功能的当前估计状态，以确定 STATUS_kin是否等于“真”。如果在操作620处确定是肯定的，则车辆系统进行 到操作622。在操作622处，车辆系统评价运动学RGE功能的当前估计准备， 以确定READY_kin是否等于“真”。如果在操作622处确定是肯定的，则车辆系 统进行到操作624。在操作624处，车辆系统评价运动学RGE功能的当前估 计品质，以确定QF_kin是否等于3（全品质）。如果在操作624处确定是肯定的， 则车辆系统进行到操作626，并通过将RGE输出设置为等于RGE_kin来选择运动 学道路坡度估计。

静态道路坡度估计和运动学道路坡度估计优于RGE_dyn，其原因是：由于在 RGE_dyn进行估计时需要附加信号导致RGE_dyn的品质状况低，且每个信号中的噪 声将传送到最终RGE输出中。因此，即使静态品质因子和运动学品质因子小 于3，车辆系统仍然可选择RGE_st或RGE_kin，而非选择RGE_dyn。

如果在操作616处确定是否定的，则QF_st小于3，车辆系统进行到操作 628。在操作628处，车辆系统将临时品质因子值（QF_tmp）设置为等于QF_st， 以及将临时道路坡度估计（RGE_tmp）设置为等于RGE_st。类似地，如果在操作 624处确定是否定的，则QF_kin小于3，车辆系统进行到操作630。在操作630 处，车辆系统将临时品质因子值（QF_tmp）设置为等于QF_kin，以及将临时道路 坡度估计（RGE_tmp）设置为等于RGE_kin。在操作628或630之后，车辆系统进 行到操作632，以评价总的RGE品质因子（QF_RGE）。

在操作632处，车辆系统确定QF_RGE是否小于3。如果在操作632处确定 是否定的，则车辆系统进行到操作634，不更新RGE。如果总的RGE具有全品 质，则车辆系统不去选择品质更低的不同的RGE。如果在操作632处确定是 肯定的，则车辆系统进行到操作636。

在操作636处，车辆系统评价动态RGE功能的当前估计状态和当前估计 准备，以确定STATUS_dyn和READY_dyn是否等于“真”。如果在操作636处确定是 否定的，则车辆系统进行到操作638。在操作638处，车辆系统评价临时品 质因子QF_tmp，以确定QF_tmp是否等于或大于2。如果在操作638处确定是否定 的，则车辆系统进行到操作634，不更新RGE。如果在操作638处确定是肯定 的，则车辆系统进行到操作640，并通过将RGE输出（RGE_out）设置为等于RGE_tmp来选择临时道路坡度（静态或运动学）。如果在操作636处确定是肯定的，则 车辆系统进行到操作642。

在操作642处，车辆系统评价临时品质因子（QF_tmp）和动态品质因子 （QF_dyn），以确定QF_tmp和QF_dyn中的最小值是否等于或大于2。如果在操作642 处确定是肯定的，则车辆系统进行到操作644。在操作644处，车辆系统确 定QF_tmp是否大于QF_dyn。如果在操作644处确定是肯定的，则车辆系统进行到 操作640，并通过将RGE输出（RGE_out）设置为等于RGE_tmp来选择临时道路坡度 （静态或运动学）。如果在操作644处确定是否定的（QF_tmp不大于QF_dyn），则 车辆系统进行到操作646，并通过将RGE输出（RGE_out）设置为等于RGE_dyn来选 择动态道路坡度。

如果在操作614、620或622处确定是否定的，则车辆系统进行到操作 648。在操作648处，车辆系统评价动态RGE功能的当前估计状态和当前估计 准备，以确定STATUS_dyn和READY_dyn是否均等于“真”。

如果在操作648处确定是肯定的，则车辆系统进行到操作650。在操作 650处，车辆系统评价动态RGE功能的当前估计品质，以确定QF_dyn是否等于 或大于2。如果在操作650处确定是肯定的，则车辆系统进行到操作646，并 通过将RGE输出设置为等于RGE_dyn来选择动态道路坡度估计。如果在操作648 或650处确定是否定的，则车辆系统进行到操作652，并通过将RGE输出值 锁止到之前的RGE输出值而不更新RGE输出。在操作618、626、640、646或 652之后，车辆系统进行到操作654。在操作654处，车辆系统提供RGE输出 和QF，然后返回到操作612，以进行方法610的另一次迭代。

这样，通过从多个不同的估计（静态、运动学和动态）中仲裁或选择道 路坡度估计，使车辆系统优于现有的系统。每个道路坡度估计适合于不同的 车辆状况。通过在这些不同的估计之间进行仲裁，车辆系统在宽的车辆状况 范围内提供道路坡度估计。

回顾图2，静态道路坡度估计和运动学道路坡度估计基于车辆运动学方 程。运动学通常涉及物体在空间和时间中如何运动的描述。车辆运动学方程 基于由惯性传感器52提供的车辆加速度值（）。坐标系（x，y，z） 相对于道路且围绕车辆的重心（CG）定位。然而，惯性传感器52被安装为从 坐标系（x，y，z）偏移一定距离，其中，l_c是横向偏移量以及l_d是纵向偏移 量。另外，惯性传感器52提供由于车辆悬挂导致的从坐标系偏移的输出信号。 车辆俯仰角（θ）表示从纵轴（x）偏移的角度。车辆侧倾角（φ）（未示出） 表示从横轴（y）偏移的角度，车辆横摆角（r）表示从竖轴（z）偏移的角度。 车辆系统估计道路坡度（α_r），因此从道路坡度（α_r）分离车辆偏移量（例如， 车辆俯仰角（θ））。

起主导作用的车架运动学方程如下所示：

$a_x^s+l_c\stackrel{·}{r}=({\stackrel{·}{V}}_x-r*V_y)\cos \theta +g\sin ({\alpha }_r+\theta )---\left(1\right)$

$a_y^s+l_d\stackrel{·}{r}=({\stackrel{·}{V}}_y+r*V_x)\cos {\phi }_v-g\sin \phi \cos ({\alpha }_r+\theta )---\left(2\right)$

$a_z^s={\stackrel{·}{V}}_x\sin \theta +g\cos ({\alpha }_r+\theta )+n_{\mathrm{az}}---\left(3\right)$

其中，和是车辆纵向加速度、横向加速度和垂向加速度。l_c是 在转弯机动时传感器从车辆旋转中心（CG）横向偏移的量，l_d是传感器纵向 偏移的量。V_x和V_y是纵向速度和横向速度，和是计算的纵向加速度、 横向加速度和垂向加速度；θ是车辆俯仰角，r是横摆角。φ是总的车辆侧 倾角，其对应于车身侧倾角φ_v和道路坡度角φ_b之和。另外，n_az表示由车辆悬 挂振荡和路面起伏导致的所有的垂向加速度扰动。

车辆系统基于车辆纵向加速度和等式1估计静态道路坡度。由于车辆是 静态的或者车辆静止，所以纵向速度（V_x）、纵向加速度（）、横摆角、横 摆角的倒数被设置为零，且简化满足运动学方程。等式4示出了用于在静止 状况下计算纵向加速度的等式，如下所示：

$a_x^s=g({\alpha }_r+\theta )\approx g\sin {\alpha }_r+\mathrm{g\theta }---\left(4\right)$

由于悬挂的挠度导致的车辆俯仰角（θ）与道路坡度角成比例 θ=K_p(gsinα_r)，其中，K_p表示在稳定状态下车身的刚度。K_p是基于的幅度 的预定值。在一个或多个实施例中，VSC包括与预校准数据的查找表对应的 存储数据，其中，在的正操作范围和负操作范围内，针对于的矢量值对K_p值进行插值。等式5示出了中间推导步骤，等式6提供用于在静止状况下计 算道路坡度（α_r）的等式，如下所示：

$a_x^s\approx g(1+K_p·g){\sin \alpha }_r---\left(5\right)$

${\alpha }_r=a\sin \left(\frac{a_x^s}{g(1+K_{p}g)}\right)---\left(6\right)$

一般来说，静态RGE是三种RGE估计算法中最精确的算法，其原因是静 态RGE涉及最少估计输入且静态RGE最直接地获得估计结果。然而，静态RGE 仅在车辆静止状况下可用。

图7示出了根据一个或多个实施例的当车辆在坡上停止时获得的测量数 据。图7示出了输入信号：车速（V_x）和纵向加速度（）以及根据等式6 计算的道路坡度数据（α_r）。在时间t₁，车辆在减速，如由V_x的下降斜坡指示 的。在时间t₂，车辆停止。在车辆停止之后，由于车身振荡导致在纵向加速 度信号（）上存在噪声，如由标号712指示的。通过道路坡度计算放大该 噪声，如由道路坡度α_r波形示出的且由标号714指示的。在时间t₃，纵向加 速度信号（）已经足够收敛，而提供道路坡度估计的品质信息，如由标号 716指示的。在示出的实施例中，t₂和t₃之间的时间差约为3s。因此，对于 RGE，依赖于道路坡度（α_r）计算的车辆系统在使用该值之前可等待大约3s。 这样的延时导致使用发动机起动/停止功能的微混合动力车辆的燃料效率降 低。

参照图8，示出了根据一个或多个实施例的用于评价加速度计收敛状态 的方法，该方法总体上由标号810指示。根据一个或多个实施例，使用包含 在VSC内的软件代码实现该方法。虽然车辆系统估计静态道路坡度，但是可 连续监测其估计状态和品质。当加速度计输出（）收敛且（）保持这样 的稳定状态持续了最小量的时间时，发生高品质的估计。加速度计输出（） 被分配收敛状态因子（CON_st），CON_st在三级标签代码中指示原始信号是否处于 稳定状态。其中，CON_st等于零指示收敛不稳定，CON_st等于1指示收敛在某种 程度上稳定，CON_st等于2指示收敛极其稳定。

另外，收敛状态信号（CON_st）还用于评价静态RGE输出品质。例如，在 一个或多个实施例中，CON_st为2（极其稳定）对应于最高的或全品质估计 （QF_st=3）。CON_st为1（在某种程度上稳定）对应于品质劣化的估计（QF_st=2）。 CON_st为0（不稳定）对应于不合格的估计（QF_st=1）或者无数据（QF_st=0）。收 敛状态信号（CON_st）基于纵向加速度的导数。

在操作812处，车辆系统评价车辆速度（V_x）和收敛状态因子（CON_st）， 以确定V_x是否小于低速阈值以及加速度计的信号品质是否良好（例如，是否 是CON_st=2）。如果在操作812处确定是否定的，则车辆系统进行到操作814。 在操作814处，车辆系统评价收敛状态因子（CON_st），以确定CON_st是否指示 信号稳定（例如，是否是CON_st=2）。如果在操作814处确定是否定的，则车 辆系统进行到操作816，通过将稳定计时器（Stable_Timer）、收敛计时器 （Converging_Timer）、不稳定计时器（Nonstable_Timer）以及收敛状态因 子（CON_st）均设置为零（CON_st=不稳定），而使计时器和标志复位。当存在可 用的RGE值时，车辆系统还将标志Grade_Found设置为等于“假”。Grade_Found 指示对于当前车辆停止事件是否已经提供有效的估计（RGE_st）。Grade_Found 等于“真”，指示已经提供有效的RGE_st，Grade_Found等于“假”，指示没有 提供有效的RGE_st或者RGE_st不再有效。如果在操作812处确定是肯定的，则 车辆系统进行到操作818。

Grade_Found意思是在当前车辆停止事件中在违背估计条件之前，从静 态估计算法获得有效的坡度估计。“违背估计条件”意思是对于估计来说状况 不再有效。对于静态RGE，这样的一个事件是车辆速度增加到速度阈值（例 如，5kph）之上。

在操作818处，车辆系统计算纵向加速度的时间导数（），或者使用 低通滤波器计算纵向加速度的一阶导数。在操作820处，车辆系统将该加速 度的时间导数（）与收敛阈值进行比较，以确定是否小于收敛阈值。如 果在操作820处确定是否定的，则车辆系统进行到操作822，使不稳定计时 器累加循环时间Dt。如果在操作814处确定是肯定的，则车辆系统也进行到 操作822。在操作824处，车辆系统评价不稳定计时器，以确定不稳定计时 器是否大于不稳定计时器阈值。如果在操作824处确定是肯定的，则车辆系 统进行到操作826，将收敛计时器、稳定计时器和收敛状态因子（CON_st）均 设置为零（CON_st=不稳定）。如果在操作820处确定是肯定的，则车辆系统进 行到操作828。

在操作828处，车辆系统评价纵向加速度的时间导数（），以确定是 否小于稳定阈值。如果在操作828处确定是否定的，则车辆系统进行到操作 830，使收敛计时器累加循环时间Dt。在操作832处，车辆系统评价收敛计 时器，以确定收敛计时器是否大于收敛计时器阈值。如果在操作832处确定 是肯定的，则车辆系统进行到操作834，通过将不稳定计时器和稳定计时器 设置为等于零而使不稳定计时器和稳定计时器复位；将收敛状态因子设置为 在某种程度上稳定（CON_st=1）；将Grade_Found设置为“真”。如果在操作828 处确定是肯定的，则车辆系统进行到操作836。

在操作836处，使稳定计时器累加循环时间Dt。在操作838处，车辆系 统评价稳定计时器，以确定稳定计时器是否大于稳定计时器阈值。如果在操 作838处确定是肯定的，则车辆系统进行到操作840，通过将不稳定计时器 和收敛计时器设置为等于零而使不稳定计时器和收敛计时器复位；将收敛状 态因子设置为极其稳定（CON_st=2）；将Grade_Found设置为“真”。

参照图9，示出了根据一个或多个实施例的用于锁定静态道路坡度输出 的方法，该方法总体上由标号910指示。根据一个或多个实施例，使用包含 在VSC内的软件代码实现该方法。一般来说，一旦车辆系统确定收敛状态极 其稳定（例如，CON_st=2），则将RGE_st锁定以避免从未来车辆扰动导致的任何 冲击。当车辆系统检测到车辆在运动时，锁定被释放。STATIC_lock信号指示RGE_st是否被锁定、解除锁定或者隔离。被隔离的锁定状态指示锁定和解除锁定之 间的中间状态，此时，车辆系统等待附加信息。

在操作912处，车辆系统进入初始化状态，将STATIC_lock信号设置为等于 解除锁定。在操作914处，车辆系统评价STATIC_lock信号，以确定静态道路坡 度（RGE_st）是否被锁定。如果在操作914处确定是否定的，则车辆系统进行 到操作916。在操作916处，车辆系统确定STATIC_lock信号是否被隔离。如果 在操作916处确定是肯定的，则车辆系统进行到操作918。在操作918处， 车辆系统确定Grade_Found是否为“真”。Grade_Found信号基于当前RGE_out信号。如果在操作918处确定是肯定的，则车辆系统进行到操作920。在操 作920处，车辆系统评价收敛状态信号，以确定CON_st是否“极其”稳定（例 如，是否是CON_st=2）。如果在操作920处确定是肯定的，则车辆系统进行到 操作922，将STATIC_lock信号设置为锁定。然后，在操作924处，静态道路坡 度估计（RGE_st）被锁定。如果在操作914处确定是肯定的（例如，STATIC_lock= 锁定），则车辆系统进行到操作926。

在操作926处，车辆系统评价获得的坡度（GRADE_Found），以确定是否 是GRADE_Found=“真”。如果在操作926处确定是肯定的，则车辆系统进行 到操作928，评价收敛状态信号以确定CON_st是否不稳定（例如，是否是 CON_st=0）。如果在操作928处确定是肯定的，则车辆系统进行到操作930，将 STATIC_lock设置为隔离。在操作930之后，并且如果在操作928或934处确定 是否定的，则车辆系统进行到操作924，并锁定静态道路坡度估计（RGE_st）。 如果在操作916处确定是肯定的，则车辆系统进行到操作932。

在操作932处，车辆系统评价获得的坡度信号，以确定是否是 GRADE_Found=“真”。如果在操作932处确定是肯定的，则车辆系统进行到操 作934，评价收敛状态信号，以确定CON_st是否极其稳定（例如，是否是CON_st=2）。 如果在操作934处确定是肯定的，则车辆系统进行到操作922，将STATIC_lock设置为锁定。如果在操作932、918、920或926处确定是否定的，则车辆系 统进行到操作936，将STATIC_lock设置为解除锁定。在操作936或924之后， 车辆系统进行到操作938，然后返回到操作914。

参照图10A至图10C，车辆系统基于图8的方法810和图9的方法910 估计静态道路坡度（RGE_st）。图10A至图10C包括在共同的时间段内获得的测 量数据的3个图形，这3个图形总体上由标号1010指示。另外，根据一个或 多个实施例，车辆系统基于运动学道路坡度估计或动态道路坡度估计来估计 RGE_st的初始值，然后使用带宽可变的低通滤波器对纵向加速度信号（）进 行滤波，以确定RGE_st。

图10A示出了车辆速度（V_x）和表示低通滤波器的可变带宽的信号（flt）， 其中，当flt等于1时，滤波器具有窄的带宽，当flt等于零时，滤波器具 有宽的带宽。图10B示出了测量的纵向加速度值（）。图10C示出了静态道 路坡度估计（RGE_st）和运动学道路坡度估计（RGE_kin）。在一个或多个实施例 中，沿着在0.04Hz和2.5Hz之间的频率范围分配带宽；其中，宽的带宽对应 于频率范围的高端，窄的带宽对应于频率范围的低端。在其他实施例中，宽 的带宽对应于大约1Hz，窄的带宽对应于大约0.05Hz。

车辆系统基于运动学道路坡度估计或动态道路坡度估计来估计RGE_st的 初始值。如果没有估计可用，则车辆系统将使用默认值。由于静态RGE功能 仅在车辆速度小于预定速度阈值（例如，1kph）之后开始启用，所以估计算 法的初始值是收敛时间或延时的因子，直到RGE_st收敛到实际道路坡度为止。 幸运的是，车辆系统包括多种道路坡度算法。其他运动学估计算法和动态估 计算法主要在该状况下同时车辆在运动时起作用。因此，在静态RGE算法开 始启用之前，关于在当前时间之前的几秒钟内的道路坡度的信息或者关于在 车辆（假设车辆向前行驶）之后的几米内的道路坡度的信息应该可从其他RGE 算法获得，这些信息是静态RGE算法开始启用的有效参考。在此之后，静态 RGE算法接管了主要的估计操作，以继续监测道路坡度变化，同时在不存在 合格的估计条件时暂停其他两种算法。更具体地说，当满足估计条件时，根 据运动学估计算法的输出和动态估计算法的输出中的哪一个具有最高品质评 价，静态RGE算法将运动学估计算法的输出或动态估计算法的输出作为其初 始值。当运动学估计算法的输出和动态估计算法的输出均不满足品质时，将 使用默认值替代。合格的静态估计条件是车辆速度将小于速度阈值，这样的 速度阈值将小于用于确定其他两种RGE算法暂停的速度阈值。

在时间t₁，车辆开始减速，如由V_x的下降斜坡指示的。在时间t₂，车辆 停止，RGE_st启用。与从0%开始并收敛到实际道路坡度不同的是，RGE_st从最后 那个RGE_kin值开始，如在点1012处所示，在点1012处，RGE_st等于RGE_kin，二 者均约等于-22%。然后，随着RGE_st累积数据，在时间t₃，RGE_st收敛到约-20% 的实际道路坡度，如由标号1014表示的。

在车辆停止之后，由于车身振荡导致在纵向加速度信号（）上存在噪 声，如由标号1016指示的。车辆系统使用带宽可变的低通滤波器对纵向加速 度信号（）进行滤波，如由1018处的flt波形指示的。车辆系统通过使用 基于的一阶导数和更高阶导数选择的时间常数对数据进行动态滤波，而 计算滤波后的纵向加速度值。在一个实施例中，车辆系统将纵向加速度的时 间导数（）或纵向加速度的一阶导数与阈值时间导数进行比较。如果该加 速度的时间导数（）大于阈值时间导数，则为低通滤波器选择对应于更低 带宽的时间常数。相反，如果该加速度的时间导数（）小于阈值时间导数， 则为低通滤波器选择对应于更高带宽的时间常数。例如，阈值时间导数可以 是在上面参照图8描述的收敛阈值820或稳定阈值828。在示出的实施例中， flt波形对应于带宽，其中，当应用低带宽时，flt等于1，当选择高带宽时， flt等于0。

在另一实施例中，基于纵向加速度的二阶导数从预定数据（例如，查 找表）选择带宽。通过对进行滤波，道路坡度估计（RGE_st）相对快速地收 敛。例如，在时间t₃，RGE_st收敛，如由标号1014指示的，在t₂和t₃之间的 延时约为1s。

回顾图7，在进行道路坡度估计之前，用于评价道路坡度的现有的系统 可等待纵向加速度信号收敛。因此，对于在图7中示出的车辆状况，在估计 道路坡度之前，这样的系统将等待大约3秒。然而，如图10A至图10C所示， 通过将基于其他估计的初始值用于RGE_st，并通过对纵向加速度进行动态滤波， 车辆系统减少延时。

这样，通过使用运动学方程和纵向加速度的动态滤波来估计静态道路坡 度，使车辆系统优于现有的系统。车辆系统还将静态道路坡度估计的初始值 设置为等于由运动学道路坡度估计或动态道路坡度估计提供的道路坡度。在 可提供合格的静态道路坡度估计值之前，通过对纵向加速度进行动态滤波， 并通过针对初始值使用另一估计，车辆系统减少延时，这进而允许在起动/ 停止应用中发动机更早地关闭，由此使得燃料经济性提高。

参照图11，示出了根据一个或多个实施例的说明用于运动学道路坡度估 计的方法的示意性框图，该框图总体上由标号1110指示。方法1110对应于 在图4中示出的总的RGE仲裁方法410的运动学道路坡度估计部分。框1112 对应于图4的框412。在框1112处，车辆系统接收输入，所述输入包括加速 度（）、横摆角（r）和车辆速度（V_x）。在一个实施例中，车辆系 统仅接收纵向加速度（）和车辆速度。在其他实施例中，车辆系统还接收 GPS信息（例如，车辆速度、加速度和海拔）。可从参照图1描述的传感器直 接接收输入，或者可在CAN总线上间接接收输入。

框1114和1116对应于图4的RGE_kin框424。在框1114处，车辆系统确 定分别表示系统输出和输入的扩展卡尔曼滤波器（EKF）参数Y_k和u_k。输入参 数基于车辆速度（V_x）、纵向加速度（）和加速度偏移量对于使用GPS 信息的实施例，参数还可基于可选状态信息。在框1116处，车辆系统使用 EKF估计RGE_kin并确定运动学品质因子（QF_kin）。

输入（和r）提供给对应于图4的框430的RGE_kin输入补偿框1118。 在框1118处，车辆系统确定加速度偏移量提供加速度偏移量作为框1114 和1116的运动学道路坡度估计的前馈输入补偿值。参照图14至图17详细描 述确定加速度偏移量。

车辆系统基于车架运动学方程1至4来估计运动学道路坡度，并使用积 分式滤波策略。通过忽略更高阶次的角度项，车架运动学方程可简化为下面 示出的等式7至9：

$a_x^s+l_c\stackrel{·}{r}-({\stackrel{·}{V}}_x-r*V_y)=-({\stackrel{·}{V}}_x-r*V_y)\frac{{\theta }^2}{2}+g({\alpha }_r+\theta )---\left(7\right)$

$a_y^s+l_d\stackrel{·}{r}-({\stackrel{·}{V}}_y+r*V_x)=-({\stackrel{·}{V}}_y+r*V_x)\frac{{\phi }^2}{2}-g({\phi }_v+{\phi }_r)---\left(8\right)$

$a_z^s-g={\stackrel{·}{V}}_x\theta -\frac{g}{2}{({\alpha }_r+\theta )}^2---\left(9\right)$

用于纵向加速度的等式可通过将小角度逼近应用于等式8而获得， 如下所示：

${\stackrel{·}{V}}_x=a_x=a_x^s+l_c\stackrel{·}{r}+r*V_y-\mathrm{g\theta }-g{\alpha }_r$

$\approx a_x^s+l_c\stackrel{·}{r}+r*V_y-g\sin \theta -g{\sin \alpha }_r$

$=a_x^s+a_x^{\mathrm{off}}-g\sin {\alpha }_r---\left(10\right)$

其中，表示加速度偏移量。

根据一个或多个实施例，车辆系统使用卡尔曼滤波器来估计运动学道路 坡度。卡尔曼滤波器对噪声输入数据流进行递归操作，以提供基本系统状态 的统计上的优化估计。基本上，卡尔曼滤波器是这样一种算法，该算法使用 在一定时间段内观察的且包含随机变化（噪声）的一系列测量值，提供对于 未知变量的估计，这比只进行测量更精确。卡尔曼滤波器可被认为是基于可 测量的输入和输出来估计“黑盒子”的状态的方法。

卡尔曼滤波器算法使用包括时间更新预测步骤和测量值更新步骤的两步 处理来估计状态。在预测步骤中，卡尔曼滤波器提供当前状态变量及其不确 定性的估计。测量值更新步骤是反馈控制的形式。一旦卡尔曼滤波器观察到 下一个测量值，则使用加权平均更新估计，其中，更大的权重给予确定性更 高的估计。

从协方差计算权重，协方差是对于系统状态的预测的估计不确定性的测 量值。每个时间步骤重复卡尔曼滤波器处理，其中，新的估计及其协方差通 知用于后续迭代的预测。卡尔曼滤波器是递归估计器。其意思是只有来自先 前时间步骤的估计状态和当前测量值用于计算当前状态的估计。

对于在过渡系统和测量系统中存在附加的独立白噪声的线性系统模型来 说，卡尔曼滤波器是优化的估计。然而，大多数系统是非线性的。扩展卡尔 曼滤波器（EKF）用于提供非线性系统的估计。EKF采用包括多元泰勒级数展 开的技术，以线性化关于工作点的计算。

车辆系统限定扩展状态（）。由于重力加速度是恒定值（9.8m/s²），所 以扩展状态的一阶动态变化等于零（）。扩展状态使由道路坡度的变化 引起的车辆加速度动态变化模型化，道路坡度在低频时相对大些。

用于估计的总体系统模型如下所示，且由等式11指示：

$X_k=f(X_{k-1},u_k)+{\omega }_k$

$\left(\begin{array}{c}{V}_x\left(k\right)\\ a_x^g\left(k\right)\end{array}\right)=\left(\begin{array}{c}{V}_x(k-1)-a_x^g(k-1){\tau }_s\\ a_x^g(k-1)\end{array}\right)+\left(\begin{array}{c}1\\ 0\end{array}\right)(a_x^s\left(k\right)+a_x^{\mathrm{off}}\left(k\right)){\tau }_s+\left(\begin{array}{c}{\omega }_v\left(k\right)\\ {\omega }_a\left(k\right)\end{array}\right)$

$X_k={\left(\begin{array}{cc}{V}_x\left(k\right)& a_x^g\left(k\right)\end{array}\right)}^T$

$u_k=(a_x^s\left(k\right)+a_x^{\mathrm{off}}\left(k\right)){\tau }_s$

$Y_k=\left(\begin{array}{cc}1& 0\end{array}\right)X_k=V_x$

${\omega }_k={\left(\begin{array}{cc}{\omega }_v\left(k\right)& {\omega }_a\left(k\right)\end{array}\right)}^T---\left(11\right)$

其中，X_k是在时间步骤（k）处的状态，X_k-1是在先前的时间步骤处的状 态。u_k是系统输入，Y_k是系统输出。ω_k是过程噪声，ω_v(k)是与速度相关的过 程噪声，ω_a(k)是与加速度相关的过程噪声。V_x是纵向速度。是由于重力导 致的扩展状态加速度，是测量的纵向加速度，是加速度偏移量。τ_s是用于上述离散时间实现模型的采样时间，T指示矩阵变换。

基于在等式11中示出的系统模型，观测仪被设计为估计扩展状态（）， 并且根据如下所示的等式12估计运动学道路坡度：

${\hat{\alpha }}_r=\arcsin \left(\frac{a_x^g}{g}\right)={\mathrm{RGE}}_{\mathrm{kin}}---\left(12\right)$

使用标准扩展卡尔曼滤波器（EKF）系统模型设计观测仪，该系统模型由 在上面示出的等式11中的函数和等式13表示，这两个等式如下所示：

$X_k=f(X_k-1,u_k)+{\omega }_k$

$Y_k=C{X}_k+e_k---\left(13\right)$

其中，C是矩阵，该矩阵在等式11中是相对简单的矩阵，e_k是未知的噪 声。

EKF用于非线性系统。非线性系统模型在每个时间步骤围绕当前状态被 线性化，并提供转移矩阵F_k。然后，获得的转移矩阵F_k用于完成标准EKF递 归的步骤。这些递归由两个更新步骤（预测步骤和测量值更新步骤）来描述。 在预测步骤中，系统输入用于预测系统的未来状态（），如下面的等式 14和15所示：

${\hat{X}}_{k|k-1}=f({\hat{X}}_{k-1|k-1},u_k)---\left(14\right)$

$P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^T+Q_k---\left(15\right)$

其中，P_k|k-1是估计的误差协方差，Q_k是过程噪声协方差，其等于E[]。 F_k是雅可比行列式，由下面示出的等式16提供：

$F_k=\frac{\partial f}{\partial x}|{\hat{x}}_{k-1|k-1}---\left(16\right)$

测量值更新步骤由下面示出的等式17至19提供：

$K_k=P_{k|k-1}{C}^T{({\mathrm{CP}}_{k|k-1}{C}^T+R_k)}^{-1}---\left(17\right)$

${\hat{X}}_{k|k}={\hat{X}}_{k|k-1}+K_k(Y_k-C{\hat{X}}_{k|k-1})---\left(18\right)$

$P_{k|k}=(I-K_{k}C)P_{k|k-1}---\left(19\right)$

其中，K_k是EKF增益，R_k是测量值噪声协方差，其等于E[]。

一般来说，对于EKF系统，过程噪声协方差（Q）和测量值噪声协方差（R） 不是已知的先验值或者与经验无关。然而，状况良好的信号（例如，K_k和P_k|k） 将收敛到与Q和R相关的值。因此，K_k的收敛值可从预定数据获得，且该收 敛值将直接用于实时估计。

在一个或多个实施例中，车辆系统在其估计运动学道路坡度时包括垂向 位移。垂向位移（Z）可由图1的导航系统基于GPS信息来提供。在球形惯性 系中起主导作用的车辆垂向运动学方程根据如下所示的等式20计算：

$\stackrel{·}{Z}=V_x\sin {\alpha }_r---\left(20\right)$

等式（11）的EKF系统模型被修改以包括垂向位移Z(k)，如下面的等式 21所示：

$\left(\begin{array}{c}{V}_x\left(k\right)\\ Z\left(k\right)\\ a_x^g\left(k\right)\\ a_x^{\theta }\left(k\right)\end{array}\right)=\left(\begin{array}{c}{V}_x(k-1)-a_x^g(k-1)T_s-a_x^{\theta }(k-1){\tau }_s\\ Z(k-1)+V_x(k-1)\frac{1}{g}{a}_x^g(k-1)\\ a_x^g(k-1)\\ a_x^{\theta }(k-1)\end{array}\right)=\left(\begin{array}{c}1\\ 0\\ 0\\ 0\end{array}\right)(a_x^s\left(k\right)+a_x^{\mathrm{cmp}}\left(k\right)){\tau }_s+\left(\begin{array}{c}{\omega }_{v\left(k\right)}\\ {\omega }_z\left(k\right)\\ {\omega }_{\propto \left(k\right)}\\ {\omega }_{\theta }\left(k\right)\end{array}\right)$

$X_k={\left(\begin{array}{cccc}{V}_x\left(k\right)& Z\left(k\right)& a_x^g\left(k\right)& a_x^{\theta }\left(k\right)\end{array}\right)}^T$

$u_k=(a_x^s\left(k\right)+a_x^{\mathrm{cmp}}\left(k\right))T_s$

$Y_k={\mathrm{CX}}_k=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right)X_k={\left(\begin{array}{cc}{V}_k\left(k\right)& Z\left(k\right)\end{array}\right)}^T---\left(21\right)$

其中，表示基于GPS的加速度偏移量，等于（）。在使用 GPS信息的实施例中，提供作为前馈输入补偿。等式21与等式11的不同 之处在于：等式21包括两种扩展状态：和其中，是由于车 辆俯仰角导致的加速度。

参照图12，示出了根据一个或多个实施例的用于估计运动学道路坡度的 方法，该方法总体上由标号1210指示。根据一个或多个实施例，使用包含在 VSC内的软件代码实现该方法。在其他实施例中，在其他车辆控制器中实现 方法1210，或者方法1210分布在多个车辆控制器中。

在操作1212处，车辆系统初始化估计器参数值。估计器参数值包括X_k、 u_k和Y_k。通过将估计器参数值设置为等于默认值而初始化估计器参数值。在 操作1214处，车辆系统确定运动学估计状态（STATUS_kin）是否是开启。估计 状态因子被限定为布尔变量（“真”/“假”），其中，“真”指示状态是开启， “假”指示状态是未开启。状态值“真”指示估计方法主动监测车辆动态状 态（例如，V_x、和r），道路坡度信息及其估计通道在更新。如果 在操作1214处确定是肯定的，则车辆系统进行到操作1216。

在操作1216处，车辆系统评价当前车速（V_x），以确定V_x是否等于或大 于阈值车辆入口速度（vspd_entry）。在一个实施例中，阈值车辆入口速度约 为7kph（4.3mph）。如果在操作1216处确定是否定的，则车辆系统进行到操 作1218。在操作1218处，车辆系统评价V_x，以确定V_x是否小于阈值车辆出 口速度（vspd_exit）。在一个实施例中，阈值车辆出口速度约为3kph（1.9mph）。 如果在操作1218处确定是肯定的，则车辆系统进行到操作1220。

在操作1220处，车辆系统将运动学估计状态（STATUS_kin）设置为暂停。 通过将STATUS_kin设置为暂停，车辆系统停止估计，并保留当前RGE_kin值，而 非使该值复位到默认值。在操作1222处，车辆系统评价当前速度（V_x），以 确定V_x是否小于阈值车辆静止速度（vspd_stand）。阈值车辆静止速度对应于 由表A的第6列指示的极低的车辆速度。在一个实施例中，阈值车辆静止速 度约为1kph（0.6mph）。如果在操作1222处确定是肯定的，则车辆系统进行 到操作1224，将运动学估计状态（STATUS_kin）设置为关闭（“假”）。如果在操 作1216处确定是肯定的，或者在操作1218处确定是否定的，则车辆系统进 行到操作1226。

操作1226至1236涉及扩展卡尔曼滤波器操作，该操作在上面参照等式 11至21描述过。首先，在操作1226处，车辆系统计算补偿的估计器输入（u_k）。 在操作1228处，车辆系统获得新的系统输出（Y_k）。在操作1230处，车辆系 统基于输出预测误差更新EKF状态（X_k），如在上面参照等式14至16描述 的。在操作1232处，车辆系统更新EKF参数值（X_k、u_k和Y_k）。在操作1234 处，车辆系统预测下一个系统动态输出Y_k。然后，在操作1236处，车辆系统 提供运动学道路坡度估计。

如果在操作1214处确定是否定的，则车辆系统进行到操作1238。在操 作1238处，车辆系统评价当前车辆速度（V_x），以确定V_x是否等于或大于阈 值车辆入口速度（vspd_entry），这类似于在操作1216处的确定。在一个实施 例中，阈值车辆入口速度约为7kph（4.3mph）。如果在操作1238处确定是肯 定的，则车辆系统进行到操作1240，将运动学估计状态（STATUS_kin）设置为 开启（“真”）。在操作1240之后，车辆系统进行到操作1226，以开始EKF操 作。

在操作1224或1236之后，以及在操作1222或1238处确定是否定之后， 车辆系统进行到操作1242。在操作1242之后，车辆系统返回到操作1214， 以进行另一次迭代。

图13A至图13D是示出当车辆在斜面上停止时用于估计运动学道路坡度 的方法1210的效果的图形。图13A至图13D包括在共同的时间段内获得的测 量数据的4个图形，这4个图形总体上由标号1310指示。图13A示出了根据 一个实施例的在主缸内测量的制动压力（P_brk）。在其他实施例中，在制动管 路内或者在车轮组件处测量P_brk。图13B示出了车辆速度（V_x）和测量的纵向 加速度值（）。图13C示出了档位选择（PRNDL），其中，值3对应于驱动（D） 档位选择。图13C还示出了制动踏板的状态（S_bp），其中，正值指示施加制 动，零值指示释放制动。图13D示出了静态道路坡度估计（RGE_st）和运动学 道路坡度估计（RGE_kin）。

在时间t1，车辆在加速，如由V_x的上升斜坡指示的。在时间t₂，车辆开 始减速，如由V_x的下降斜坡指示的。在时间t₃，车辆停止。在时间t₄，车辆 再次开始加速，在时间t₅，车辆再次开始减速。运动学道路坡度估计（RGE_kin） 相对快速地收敛，如由标号1312和1314指示的。

如参照操作1222和1224描述的，如果车辆速度减小到车辆静止阈值速 度（例如，1kph）之下，则运动学估计状态（STATUS_kin）被设置为关闭。这 样的条件由RGE_kin示出且由标号1320指示。在t₃之后，估计状态被设置为关 闭，如在1320处在RGE_kin上不存在任何可察觉的噪声所描述的。另外，一旦 车辆停止，则静态道路坡度估计的状态（STATUS_st）和RGE_st的状态收敛，如 由标号1322指示的。如在1320处所示，即使运动学状态关闭，RGE_kin仍然在 精确的道路坡度估计处锁定，RGE_st和RGE_kin均提供大致相等的坡度估计 （17.56%）。

使用运动学方法估计道路坡度的现有的方法使用导数滤波策略。例如， 一些现有的方法基于下面的车辆纵向运动学方程来估计道路坡度：

$\stackrel{·}{u}=a_x+\mathrm{rv}-g\sin ---\left(22\right)$

其中，是车辆纵向速度的导数，a_x是车辆纵向加速度，r是横摆角，v 是车辆横向速度。然而，由于导数计算导致这样的方法放大了信号上的任 何噪声。

这样，通过使用EKF估计运动学道路坡度，提供积分式滤波策略，使车 辆系统优于现有的方法。这样的积分策略不会放大信号上的噪声，因此，这 样的积分策略提供改进的估计精度同时相对快速地收敛。

车辆系统使用对应于加速度偏移量（）的前馈输入补偿来估计运动学 道路坡度。根据如下所示的等式23计算加速度偏移量：

$a_x^{\mathrm{off}}=l_c\stackrel{·}{r}+r{V}_y-g\sin \theta ---\left(23\right)$

其中，l_c是横向偏移量，r是横摆角，V_y是横向速度，θ是车辆俯仰角。 在一个或多个实施例中，车辆系统不接收这些值（l_c、V_y和θ）作为输入。 相反，车辆系统使用多种补偿策略从其他输入估计这些值。在一个或多个实 施例中，车辆系统使用科里奥利效应(Coriolis Effect)补偿策略估计等式23的 横向速度（V_y）项，使用传感器横向位置偏移效应补偿策略估计横向偏移量 （l_c）项，以及使用车身相对俯仰效应补偿策略估计车辆俯仰角（θ）。

车辆系统使用科里奥利效应补偿策略估计等式23的rV_y项，该rV_y项涉及 车辆的转弯机动。图1的惯性传感器52提供横摆角，然而，通过车辆系统估 计横向速度（V_y）。提供两种补偿方法来估计横向速度（V_y）：第一种方法是 基于估计的方法；第二种方法是基于导数的方法。分别基于横向动力等式8 和车辆侧偏刚度参数提供这两种方法。此外，在连续变化的车辆驱动状况下 对这两种方法进行积分，以提供估计的横向速度（V_y）。

用于估计横向速度（V_y）的第一种方法（基于估计的方法）通过将小角 度逼近应用于等式8而获得，且第一种方法基于测量的横向加速度（）。根 据如下所示的等式24计算横向速度（V_y）：

${\stackrel{·}{V}}_y=a_y^s-l_d\stackrel{·}{r}-r*V_x+g{\phi }_v+g{\phi }_r---\left(24\right)$

道路坡度角（φ_r）未知。因此，道路坡度角被处理为扰动且从计算中去 除。车身侧倾角φ_v可由测量的横向加速度进行近似，如等式25所示：

${\phi }_v\approx K_{\phi }(a_y^s-l_d\stackrel{·}{r})---\left(25\right)$

其中，K_φ表示车身侧倾刚度。

等式24可简化为如下面的等式26所示那样：

通过对等式26的两侧进行积分，获得用于计算估计的横向速度（） 的等式，如等式27所示：

${\hat{V}}_y\left(k\right)={\hat{V}}_y(k-1)+[K_{\mathrm{ay}}(a_y^s-l_d\stackrel{·}{r})-r*V_x]*{\tau }_s---\left(27\right)$

测量的横向加速度通常受到加速度扰动和坡度角的影响。因此， 由于偏向低频的加速度分量，使得在等式24至27中描述的V_y估计方法适合 于短时间间隔的车辆动态机动，其中，存在幅度大的横向加速度（）和横 摆角（r）。

与第一方法不同，用于估计横向速度（V_y）的第二方法（基于导数的方 法）不依赖于积分。从车辆横摆角（r）到车辆侧滑角（β）的稳定状态增益 （G_r2β）可从线性车辆模型获得，如等式28所示：

$G_{r2\beta }=\frac{l_r}{V_x}-\frac{M_r}{C_{\mathrm{\alpha r}}}{V}_x---\left(28\right)$

其中，M_r是分配到后轴的车辆质量，C_αr是集总的后轴侧偏刚度。

由于横向速度（V_y）大致等于纵向速度（V_x）与车辆侧滑角（β）的乘 积，所以可获得用于计算横向速度的等式，如下所示：

$V_y=V_x{G}_{r2\beta }r=(l_r-k_U{V}_x^2)*r=K_r\left(V_x\right)*r---\left(29\right)$

其中，k_U是侧偏刚度，等于M_r除以C_αr。

因此，横向速度可通过如下所示的等式30估计：

${\hat{V}}_y=r*(l_r-k_U{V}_x^2)=K_r\left(V_x\right)*r---\left(30\right)$

下面提供科里奥利效应补偿方程：

$r*{\hat{V}}_y=r^2*(l_r-\frac{M_r}{C_{\mathrm{\alpha r}}}{V}_x^2)=r^2*(l_r-k_U{V}_x^2)---\left(31\right)$

参照等式28至31描述的第二方法适合于侧滑角（β）小的稳定状态车 辆转弯机动。

车辆系统实现综合的RGE_kin架构，该架构包含（基于估计的）第一方法 和（基于导数的）第二方法。然后，车辆系统基于由横摆角（r）体现的车辆 动态状况而选择这两种方法中的哪一种方法来应用。通常的设计构思是：在 主要是向前驱动时以及在稳定状态转动情况下使用来自等式30的基于导数 的V_y，但是在存在大的车辆横向动力（速度和加速度）时切换到来自等式27 的基于估计的V_y。由于不期望执行估计方法持续长的时间段，所以在车辆连 续机动操作期间，每当可观察到稳定状态状况时，估计的V_y必须复位到起源 状态。估计的V_y还可以预定的上限和下限为边界。通过低通滤波器提供输出 V_y。

参照图14，示出了根据一个或多个实施例的用于确定车辆驱动状况的方 法，该方法总体上由标号1410指示。根据一个或多个实施例，使用包含在 VSC内的软件代码实现该方法。在其他实施例中，在其他车辆控制器中实现 方法1410，或者方法1410分布在多个车辆控制器中。

方法1410包括评价对应于当前车辆驱动状况的横向动力指数（ILD）。ILD 限定为：

$\mathrm{ILD}=\left|r\right|+a*\left|\stackrel{·}{r}\right|---\left(32\right)$

其中，变量（a）是换算参数。车辆系统将ILD与两个阈值参数进行比 较，这两个阈值参数是：对应于导数方法的稳定状态阈值（SST）；对应于估 计方法的动态处理阈值（DHT），其中，SST<DHT。还与两个计时器一起进行确 定，这两个计时器是对车辆在每种状况下停留的持续时间进行计数的稳定状 态计时器（T_ss）和动态驱动计时器（T_dd）。函数LPF(x)指示普通低通滤波器函 数。滑动平均滤波器是低通滤波器的示例，其可用于平滑不连续的输出过渡 效应。

在操作1412中，车辆系统确定车辆是否处于稳定状态驱动状况。车辆系 统接收与驱动状况相关的标志（SSD_Flag）。SSD_Flag等于1指示当前是稳 定状态驱动状况，SSD_Flag等于2指示当前是动态处理状况。因此，在操作 1412处，系统评价SSD_Flag，以确定是否是SSD_Flag=2。如果在操作1412 处确定是肯定的，则车辆系统进行到操作1414。

在操作1414处，车辆系统评价横向动力指数（ILD），以确定ILD是否小 于稳定状态阈值（SST）。SST对应于在上面参照等式28至31描述的用于确 定横向速度（V_y）的导数方法。如果在操作1414处确定是否定的，则车辆系 统进行到操作1416，并通过将稳定状态计时器（T_ss）设置为等于0而使T_ss复 位。如果在操作1414处确定是肯定的，则车辆系统进行到操作1418。

在操作1418处，车辆系统通过使稳定状态计时器（T_ss）加上一个执行 循环时间（t_s）而使稳定状态计时器（T_ss）增加。在操作1420处，系统评价 稳定状态计时器（T_ss），以确定T_ss是否等于或大于稳定时间阈值（tss_settle）。 如果在操作1420处确定是肯定的，则车辆系统进行到操作1422，使动态驱 动计时器（T_dd）复位。然后，在操作1424处，车辆系统通过将SSD_Flag设 置为等于1而将车辆驱动状况设置为稳定状态。

如果在操作1412处确定是否定的（未在稳定状态情况下驱动车辆），则 车辆系统进行到操作1426。在操作1426处，车辆系统评价横向动力指数 （ILD），以确定ILD是否大于动态处理阈值（DHT）。DHT对应于在上面参照 等式24至27描述的用于确定横向速度（V_y）的估计方法。如果在操作1426 处确定是否定的，则车辆系统进行到操作1428，通过将动态驱动计时器（T_dd） 设置为等于0而使T_dd复位。如果在操作1426处确定是肯定的，则车辆系统 进行到操作1430。

在操作1430处，车辆系统通过使动态驱动计时器（T_dd）加上一个执行 循环时间（t_s）而使动态驱动计时器（T_dd）增加。在操作1432处，车辆系统 评价动态驱动计时器（T_dd），以确定T_dd是否等于或大于激发时间阈值 （tdd_excite）。如果在操作1432处确定是肯定的，则车辆系统进行到操作 1434，使稳定状态计时器（T_ss）复位。然后，在操作1436处，车辆系统通过 将SSD_Flag设置为等于2而将车辆驱动状况设置为动态驱动。在操作1416、 1424、1428或1436之后，以及在操作1420或1432处确定是否定之后，车 辆系统进行到操作1438，然后返回到操作1412，以进行另一次迭代。

参照图15，示出了根据一个或多个实施例的用于基于当前车辆驱动状况 来估计车辆横向速度（V_y）的方法，该方法总体上由标号1510指示。根据一 个或多个实施例，使用包含在VSC内的软件代码实现该方法。在其他实施例 中，在其他车辆控制器中实现方法1510，或者方法1510分布在多个车辆控 制器中。方法1510通过选择用于估计横向速度（V_y）的方法，来仲裁上面参 照等式24至31描述的两种方法中的一种（基于积分估计的方法或基于导数 估计的方法）。

在操作1512中，车辆系统确定车辆是否处于动态驱动状况。车辆系统评 价SSD_Flag以确定是否是SSD_Flag=2。如果在操作1512处确定是肯定的， 则车辆系统进行到操作1514，使用在等式27中提供的积分估计来估计横向 速度（）。在操作1514之后，车辆系统进行到操作1516。在操作1516处， 车辆系统使用低通滤波器（LPF）对估计的横向速度（）进行滤波，并更新 横向速度输出（V_y）。如果在操作1512处确定是否定的，则车辆系统进行到 操作1518。在操作1518处，车辆系统使用在等式30中提供的导数估计来估 计横向速度（）。在操作1518之后，车辆系统进行到操作1516，使用低通 滤波器（LPF）对估计的横向速度（）进行滤波，并基于导数估计来更新横 向速度输出（V_y）。在操作1516之后，车辆系统进行到操作1520，提供更新 了的横向速度输出（V_y），然后返回到操作1512。

在一个或多个实施例中，车辆系统使用传感器横向位置偏移效应补偿策 略来估计横向偏移量（l_c）项。横向偏移量（l_c）由下面的等式限定：

$l_c=l_c^{\mathrm{st}}+h^t{\phi }_v---\left(33\right)$

其中，是静态传感器安装偏移量。变量h^tφ_v是车身动态侧倾分量，其中， h^t是从簧上质量C.G.到侧倾中心的距离。车辆侧倾角φ_v可从侧倾动态模型获 得或者（在具有悬挂挠度传感器的实施例中）从悬挂的挠度获得。在一个或 多个实施例中，从处于稳定状态的横摆角（r）获得处于稳定状态的φ_v，如下 所示：

${\phi }_v=G_{r2\phi }r---\left(34\right)$

将等式33和34合并，并使每侧乘以横摆角的导数（），提供下面的等 式：

$l_c\stackrel{·}{r}=l_c^{\mathrm{st}}\stackrel{·}{r}+h^t{G}_{r2\phi }*r*\stackrel{·}{r}---\left(35\right)$

在动态驱动状况下，根据如下所示的等式36从横向加速器（）近似车 身侧倾角（φ_v）。

${\phi }_v=G_{\mathrm{ay}2\phi }(a_y^s-l_d\stackrel{·}{r})---\left(36\right)$

将等式35和36合并，提供下面的等式：

$l_c\stackrel{·}{r}=(l_c^{\mathrm{st}}-h^t{G}_{\mathrm{ay}2\phi }{l}_d)\stackrel{·}{r}+h^t{G}_{\mathrm{ay}2\phi }{a}_y^s---\left(37\right)$

其中，G_ay2φ等于K_phi。

参照图16，示出了根据一个或多个实施例的用于基于当前车辆驱动状况 来估计车身侧倾角（φ_v）的方法，该方法总体上由标号1610指示。根据一个 或多个实施例，使用包含在VSC内的软件代码实现该方法。在其他实施例中， 在其他车辆控制器中实现方法1610，或者方法1610分布在多个车辆控制器 中。方法1610通过选择用于估计车身侧倾角（φ_v）的方法，来仲裁上面参照 等式33至37描述的两种方法中的一种（使用横向加速度或横摆角）。

在操作1612中，车辆系统确定车辆是否处于动态驱动状况。车辆系统评 价SSD_Flag，以确定是否是SSD_Flag=2。如果在操作1612处确定是肯定的， 则车辆系统进行到操作1614，基于如等式36所示的横向加速度来估计车身 侧倾角（）。在操作1614之后，车辆系统进行到操作1616。在操作1616 处，车辆系统使用低通滤波器（LPF）对估计的车身侧倾角（）进行滤波， 并更新车身侧倾角输出（φ_v）。如果在操作1612处确定是否定的，则车辆系 统进行到操作1618。在操作1618处，车辆系统基于在等式34中提供的横摆 角来估计车身侧倾角（）。在操作1618之后，车辆系统进行到操作1616， 使用低通滤波器（LPF）对估计的车身侧倾角（）进行滤波，并更新车身侧 倾角输出（φ_v）。在操作1616之后，车辆系统进行到操作1620，提供更新了 的车身侧倾角输出（φ_v），然后返回到操作1612。

在一个或多个实施例中，车辆系统使用三种补偿策略中的一种来估计车 身俯仰角（θ）。不同的策略对应于传感器的可用性和精度。例如，第一策略 基于车辆纵向速度（V_x）和车辆纵向加速度（）来估计俯仰角（θ）。第二 策略基于V_x、和垂向加速度来估计俯仰角（θ）。第三策略基于V_x、以及由于由扩展卡尔曼滤波器提供的重力分量而导致的估计加速度来估 计俯仰角（θ）。一般来说，使用的输入信号越多以及源信息越精确，在消除 估计的耦合效应时补偿策略越好，以及总体道路坡度估计越好。

用于估计车身俯仰角（θ）的第一补偿策略被称为动态俯仰补偿。对于 该策略，车辆系统基于车辆纵向速度（V_x）和车辆纵向加速度（）估计俯 仰角（θ）。θ的低频分量可由一阶或二阶线性动态系统进行近似。造成车 辆动态俯仰的推力通常根据下面的等式由作用在车身上的纵向力导致：

$\theta \propto K_p{a}_x^r=\frac{M_s(K_f+K_r)h_{\mathrm{cg}}}{K_f{K}_r{L}^2}{a}_x^r---\left(38\right)$

其中，θ与成比例，M_s是车辆簧上质量，其等于车辆质量和悬挂 上的有效负荷，h_cg是沿着竖直方向车辆CG在地面之上的高度。K_f和K_r分别 是在前轴和后轴上的预定悬挂刚度。是等效反作用加速度，且等于 a^x+gsinα_r。输入到动态俯仰模型的初始推力基于如下所示：

${\theta }_{\mathrm{raw}}=K_p({\stackrel{·}{V}}_x+a_x^g)---\left(39\right)$

一阶动态相对俯仰由如下所示的等式40提供：

$\theta +\frac{D_{\mathrm{pitch}}}{K_{\mathrm{pitch}}}\stackrel{·}{\theta }={\theta }_{\mathrm{raw}}---\left(40\right)$

其传递函数为：

$\left(S\right)=\frac{K_{\mathrm{pitch}}}{K_{\mathrm{pitch}}+D_{\mathrm{pitch}}S}---\left(41\right)$

其中，D_pitch表示悬挂的普通阻尼效应，K_pitch表示从纵向力到俯仰推力的 悬挂刚度。

图17描述了用于使用相平面增益安排规则选择D_pitch和K_pitch的图，该图总 体上由标号1710指示。图1710示出了8个区域，这8个区域以笛卡尔坐标 系的原点为中心。x轴对应于y轴对应于俯仰角（θ）。如所示出的， 俯仰角θ以θ_max和θ_min为边界。一般来说，在普通区域中存在线性关系，然而 在更刚性的区域中存在非线性关系。在向前俯仰和向后俯仰之间，值稍微不 同。

车辆系统基于V_x、和垂向加速度（）使用第二补偿策略估计俯仰角 （θ）。根据一个或多个实施例，图1的惯性传感器52提供垂向加速度（）。

为了方便起见，变量（ψ）可如下所示那样限定：

$\Psi =a_z^s+\mathrm{lc}\stackrel{·}{r}-({\stackrel{·}{V}}_x-r*V_y)---\left(42\right)$

可通过将等式7、9和42合并并替入（α_r+θ）而获得下面的等式：

$a_z^s-g={\stackrel{·}{V}}_x\theta -\frac{1}{2g}[{\Psi }^2+2\Psi ({\stackrel{·}{V}}_x-r*V_y)\frac{{\theta }^2}{2}+{({\stackrel{·}{V}}_x-r*V_y)}^2\frac{{\theta }^4}{4}]---\left(43\right)$

可通过忽略含θ⁴的更高阶次的项而简化等式43，如下所示：

$\Psi ({\stackrel{·}{V}}_x-r*V_y){\theta }^2-2g{\stackrel{·}{V}}_x\theta +{\Psi }^2+2g(a_z^s-g)=0---\left(44\right)$

通过求解等式44的方根而获得用于根据第二策略计算相对俯仰角（θ） 的等式，如等式45所示：

$\theta =\frac{g{\stackrel{·}{V}}_x-\sqrt{g{{\stackrel{·}{V}}_x}^2-\Psi ({\stackrel{·}{V}}_x-r*V_y)[{\Psi }^2+2g(a_z^s-g)]}}{\Psi (V_x-r*V_y)}---\left(45\right)$

车辆系统基于V_x、以及由扩展卡尔曼滤波器提供的重力分量使用第 三补偿策略估计俯仰角（θ）。下面提供近似等式：

$\sin \theta \approx \frac{a_z^s-g\cos {\propto }_r}{a_x^s}\frac{a_z^s-\sqrt{g^2-{\left(a_x^g\right)}^2}}{a_x^s}\left(46\right)$

可基于下面的等式通过回归来迭代地识别俯仰角（θ）与估计的道路坡 度（α_r）：

$\left(\begin{array}{c}{\bar{a}}_x^{\mathrm{off}}(k+1)=l_c\stackrel{.}{r}+r*V_y-g\frac{a_z^s-\sqrt{g^2-{\left({\hat{a}}_x^g\left(k\right)\right)}^2}}{a_x^s}\\ {\hat{a}}_x^g(k+1)={\bar{a}}_x^{\mathrm{off}}(k+1)-{\bar{a}}_x^{\mathrm{off}}\left(k\right)+{\hat{a}}_x^g\left(k\right)\end{array}\right)---\left(47\right)$

其中，来自卡尔曼滤波器的输出的基于的初始补偿 值。该值可等于零（0）、任何其他容许值或者来自先前循环的回归结果。 ${\bar{a}}_x^{\mathrm{off}}(k+=0)=a_x^{\mathrm{off}}\left(t\right).$

用于根据第三补偿策略估计道路坡度（）和相对俯仰角（）的等式 由如下所示的等式48和49提供：

${\hat{\alpha }}_r=\arcsin \left(\frac{{\hat{a}}_x^g(\infty )}{g}\right)---\left(48\right)$

$\hat{\theta }=\arcsin \left(\frac{l_c\stackrel{·}{r}+r*V_y-{\bar{a}}_x^{\mathrm{off}}(\infty )}{g}\right)---\left(49\right)$

其中，和指示和随着k→∞通过回归过程收敛的 值。通常在5至10步迭代内发生收敛。

这样，通过使用输入补偿的加速度偏移量来估计运动学道路坡度，以提 高精度从而消除由车辆横向动力导致的偏移量和不确定性及其耦合效应，使 车辆系统优于现有的方法。

车辆系统基于对应于估计的车辆质量、车辆速度、车轮扭矩（制动扭矩 和动力传动系输出扭矩）以及作用在车辆上的其他拖曳力（例如，气动阻力、 滚动阻力和道路坡度负荷）的输入，估计动态道路坡度（RGE_dyn）。一般来说， 与静态RGE和运动学RGE相比，动态RGE的品质状况更低，其原因是动态RGE 在进行估计时涉及更多的信号，且每个信号中的噪声和误差将传送到最终RGE 输出中。然而，动态RGE不依赖纵向加速度信号（），因此，动态RGE的信 号覆盖范围不同于静态估计和运动学估计的信号覆盖范围。虽然动态道路坡 度估计是次要的，但是对于很多车辆系统来说，车辆质量估计部分是有用的 参数。

在特定车辆状况下，独立于道路坡度估计，车辆系统使用递归最小二乘 （RLS）算法估计车辆质量。一般来说，当物体（例如，乘客）增加到车辆或 者从车辆去除时，只有车辆质量发生改变。通常，仅在车辆停止时发生这样 的改变。独立于道路坡度估计，在车辆使用车辆动态方程运动时，车辆系统 估计车辆质量。相对于现有的方法，通过独立地或者并行地估计车辆质量和 道路坡度，车辆系统提高每种估计的精度。车辆系统使用事件查找策略估计 车辆质量，由此在特定输入的信噪比高的车辆状况下估计质量。然后，当查 找事件发生时，车辆系统使用递归最小二乘（RLS）算法估计车辆质量。在车 辆状况对应于质量可能改变时（例如，当车辆停止时），车辆系统重新初始化 质量估计算法中的特定参数，以增加算法的灵敏度。

车辆系统使用如下提供的基于牛顿第二定律（∑F=ma）的车架动态方程 来估计车辆质量：

$M_e{\stackrel{·}{V}}_x=F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}}-F_g---\left(50\right)$

其中，M_e是在不存在有效负荷（乘客或货物）时估计的车辆质量，是 车辆速度的导数，F_pwt是动力传动系的输出处的推进力，F_brk是制动力，F_drag是 拖曳力，F_g是由于重力导致的力。

可重写等式50以求解M_e，等式50还可基于车辆是否处于正常状态而分 成多个等式，如下所示：

其中，M_v是估计的车辆质量，其包括在不存在有效负荷时的车辆质量（M_e） 和车辆有效负荷。术语“处于正常状态”通常指的是动力传动系是否连接到 车轮。J_w和J_p分别是车轮和动力传动系处的转动惯量。R_w是车轮半径。r_p是 集总的动力传动系扭矩传递比，η_p是集总的扭矩传递效率。J_p、r_p和η_p根据 变速器的速比改变。对于具有多种推进装置（例如，电动机和发动机）的混 合动力电动车辆来说，这些值还改变。

根据如下所示的等式52计算取决于惯性的车辆质量（M_i）：

可根据如下所示的等式53基于总的动力传动系推进扭矩（T_{pwt_whl}）或总 的再生制动扭矩（T_{brk_whl}）计算作用在车轮上的等效纵向轮胎力（F_pwt）：

$F_{\mathrm{pwt}}=\frac{T_{\mathrm{pwt}\_\mathrm{whl}}}{R_w}=\frac{1}{R_w}(T_{\mathrm{eng}\_\mathrm{whl}}+T_{\mathrm{mot}\_\mathrm{whl}})=\frac{r_{\mathrm{pe}}{\eta }_{\mathrm{pe}}}{R_w}{T}_{\mathrm{eng}}+\frac{r_{\mathrm{pm}}{\eta }_{\mathrm{pm}}}{R_w}{T}_{\mathrm{mot}}---\left(53\right)$

其中，T_eng和T_mot是发动机输出扭矩和电动机输出扭矩，T_{eng_whl}和T_{mot_whl}是 在车轮处对应的发动机输出扭矩和电动机输出扭矩。R_pe、r_pm、η_pe和η_pm分别 是集总的发动机扭矩传递比、集总的电动机扭矩传递比、集总的发动机的效 率参数以及集总的电动机的效率参数。

可根据如下所示的等式54基于总的摩擦制动扭矩计算作用在车轮上的 等效纵向制动力（F_brk）：

$F_{\mathrm{brk}}=\frac{1}{R_w}{K}_{\mathrm{brk}}{P}_{\mathrm{brk}}---\left(54\right)$

其中，P_brk是在车轮组件处在车轮制动腔室中有效制动管路压力。这是在 所有车轮上评价的等效项，其原因是独立的车轮制动腔室可被施加有不同的 制动管路压力。K_brk是摩擦制动效率因子，其确定在给定了特定制动压力的情 况下在制动垫上可实现多大的摩擦制动扭矩。针对制动系统状况（例如，温 度、湿度等），K_brk的值改变。在一个实施例中，K_brk对应于预定的常数。

拖曳力（F_drag）可根据如下所示的等式55计算：

$F_{\mathrm{drag}}=\frac{1}{2}K{\rho }_{\alpha }{A}_d{C}_d{V}_x^2+M_{v}g{f}_r\cos {\alpha }_r---\left(55\right)$

其中，ρ_d和C_d是恒定的气动参数，A_d是车辆横截面积，f_r是滚动阻力系 数。

由于重力而作用在车辆上的负荷（F_g）可根据如下所示的等式56计算：

$F_g=M_{v}g\sin {\alpha }_r---\left(56\right)$

其中，α_r是道路坡度。

等式56可转换到扭矩域，如下面等式57所示：

$T_g=M_{v}g{R}_w\sin {\alpha }_r---\left(57\right)$

其中，R_w是车轮半径。

提供第一方法，用于基于下面的参数化模型使用运动学方程使用最小二 乘类型的估计器来估计车辆质量同时估计道路坡度：

$y={\stackrel{·}{V}}_x=\frac{F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}}}{M_e}-\frac{M_v}{M_e}g\sin {\alpha }_r$

$=(F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}})\frac{1}{M_v+M_i}-g\frac{M_v\sin {\alpha }_r}{M_v+M_i}$

$={\phi }^T\gamma ---\left(58\right)$

基于等式58的模型获得车辆质量（M_v）和道路坡度（α_r）的估计结果， 如下所示：

$M_v=\frac{1}{{\gamma }_1}-M_i---\left(59\right)$

${\alpha }_r=\arcsin \left(\frac{{\gamma }_2}{1-{\gamma }_1{M}_i}\right)---\left(60\right)$

然而，同时求解两个未知数（α_r和M_v）给估计带来额外的误差。

用于使用运动学方程估计车辆质量的第二方法基于下面的数学模型使车 辆质量估计与道路坡度估计分开：

$a_x+g\sin {\alpha }_r=\frac{1}{M_e}(F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}})+\frac{M_e-M_v}{M_e}g\sin {\alpha }_r---\left(61\right)$

等式可如下简化，如在上面参照等式10描述的且在下面再现的：

${\stackrel{·}{V}}_x=a_x=a_x^s+a_x^{\mathrm{off}}-g\sin {\alpha }_r---\left(10\right)$

其中，表示加速度偏移量，并且等于（）。l_c是横向偏 移量，r是横摆角，V_y是横向速度，θ是车辆俯仰角。在一个或多个实施例 中，车辆系统不接收这些值（l_c、V_y和θ）作为输入。相反，车辆系统使用 多种补偿策略从其他输入估计这些值。

下面的等式通过将等式61和等式10合并而获得：

$a_x^s+a_x^{\mathrm{off}}=\frac{1}{M_e}(F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}})+a_{\mathrm{\delta g}}---\left(62\right)$

变量（a_δg）表示从道路坡度变量引起的加速度扰动，可根据如下所示的 等式63计算：

$a_{\mathrm{\delta g}}=\frac{M_e-M_v}{M_e}g\sin {\alpha }_r---\left(63\right)$

其中，M_v是车辆质量M_e和车辆有效负荷之和。

加速度扰动（a_δg）造成估计误差。当车辆有效负荷小时，可忽略a_δg。还 可在估计的车辆质量处于稳定状态且收敛之后回归补偿a_δg。加速度偏移量 （）可被确定和用作前馈输入补偿，如在上面参照图14至图17描述的。

可重新整理等式62，以求解M_e和M_v，如下所示：

$M_e=\frac{F_{\mathrm{pwt}}-F_{\mathrm{brk}}-F_{\mathrm{drag}}}{a_x^s+a_x^{\mathrm{off}}-a_{\mathrm{\delta g}}}=\frac{\frac{T_{\mathrm{pwt}\_\mathrm{whl}}-K_{\mathrm{brk}}{P}_{\mathrm{brk}}}{R_w}-F_{\mathrm{drag}}}{a_x^s+a_x^{\mathrm{off}}-a_{\mathrm{\delta g}}}---\left(64\right)$

$M_v=\frac{\frac{T_{\mathrm{pwt}\_\mathrm{whl}}-K_{\mathrm{brk}}{P}_{\mathrm{brk}}}{R_w}{-F}_{\mathrm{drag}}}{a_x^s+a_x^{\mathrm{off}}-a_{\mathrm{\delta g}}}-M_i---\left(65\right)$

补偿拖曳力（F_drag）和道路坡度（α_r），以获得车辆质量估计。然而，由 于信号噪声导致难以精确地补偿这些项。与由车辆纵向动力表现出的变化相 比，这些项表现出缓慢的动态变化。因此，在短时间段估计事件中，这些项 可被处理为未知的常数。可获得基于差异的估计等式，如下所示：

$a_x^i\left(t\right)M_e=F_{\mathrm{whl}}\left(t\right)-F_{\mathrm{drag}}\left(t\right)+M_e{\alpha }_{\mathrm{\delta g}}\left(t\right)---\left(66\right)$

$a_x^i(t+\mathrm{\Delta t})M_e=F_{\mathrm{whl}}(t+\mathrm{\Delta t})-F_{\mathrm{drag}}(t+\mathrm{\Delta t})+M_e{a}_{\mathrm{\delta g}}(t+\mathrm{\Delta t})---\left(67\right)$

其中，在时间指数（i）处的纵向加速度（）等于（），在车轮 处的力（F_whl）等于（T_{pwt_whl}-K_brkP_brk）/R_w。变量（t）是在合格的估计事件内的 时间实例。Δt是预定时间间隔参数。

对于F_drag(t)≈F_drag(t+Δt)和α_δg(t)≈α_δg(t+Δt)，增量式车辆纵向动态模型可通 过在等式66和67之间相减而获得，如下所示：

$M_v=\frac{\Delta F_{\mathrm{whl}}}{\Delta a_x^i}{|}_{\mathrm{\Delta t}}-M_i=\frac{F_{\mathrm{whl}}(t+\mathrm{\Delta t})-F_{\mathrm{whl}}\left(t\right)}{a_x^i(t+\mathrm{\Delta t})-a_x^i\left(t\right)}-M_i---\left(68\right)$

其中，ΔF_whl和是在合格的估计事件内在时间间隔Δt中估计的F_whl的 值之间的差以及的值之间的差。

使用这样的方法估计车辆质量（M_v），使车辆质量估计与噪声因子（例如， 气动噪声，滚动阻力和道路坡度）隔开。随着Δt→0，等式68可根据如下所 示的等式69简化成导数形式：

$M_v=\frac{{\stackrel{·}{F}}_{\mathrm{whl}}}{{\stackrel{·}{a}}_x^i}-M_i=\frac{1}{R_w}\frac{{(T_{\mathrm{pwt}\_\mathrm{whl}}-K_{\mathrm{brk}}{P}_{\mathrm{brk}})}^{\prime }}{{(a_x^s+a_x^{\mathrm{off}})}^{\prime }}-M_i---\left(69\right)$

参照图18，示出了根据一个或多个实施例的示意性框图，该框图示出了 用于车辆质量估计的方法，该方法总体上由标号1810指示。根据一个或多个 实施例，方法1810包括在图4的动态道路坡度估计（RGE_dyn）框426内。在 框1812处，车辆系统接收输入，所述输入包括加速度（）、横摆角（r）、 车辆速度（V_x）、制动压力（P_brk）、动力传动系扭矩（T_pwt）和制动扭矩（T_brk）。 可从参照图1描述的传感器直接接收输入，或者可在CAN总线上间接接收输 入。

在框1814处，车辆系统确定动态质量输入参数Y_k和φ_k，Y_k和φ_k分别表示 系统输出和系统输入。输入参数基于计算的车辆速度（V_x）、纵向加速度（）、 动力传动系力（F_pwt）、制动力（F_brk）和加速度偏移量（）。基于T_pwt和T_brk计算F_pwt和F_brk。在框1816处，车辆系统估计动态质量（M_v）。在框1818处， 车辆系统确定加速度偏移量提供加速度偏移量作为前馈RGE输入补偿。 在框1820处，车辆系统估计道理坡度α_r。

根据一个或多个实施例，在框1816处，车辆系统根据等式65、68或69 使用递归最小二乘（RLS）估计算法来估计动态车辆质量（M_v）。RLS估计算法 基于下面的参数化估计模型：

y＝φ*θ  (70)

递归最小二乘（RLS）估计算法如下所示那样演变：

$L\left(k\right)=\frac{P(k-1)\phi \left(k\right)}{1+{\phi }^2\left(k\right)P(k-1)}\left(71\right)$

$\hat{\theta }\left(k\right)=\hat{\theta }(k-1)+L\left(k\right)[y\left(k\right)-\phi \left(k\right)*\hat{\theta }\left(k\right)]---\left(72\right)$

P(k)＝[1一L(k)φ(k)]P(k-1)  (73)

其中，是在第k次执行循环时估计的参数θ变形。RLS估计器是滤波 策略，该策略使基于测量值和预测模型输出之间的误差而更新的估计数据平 均化。当待估计的参数本质上恒定时，可使用这样的估计策略。为了开始估 计，将P(0)设置为等于1。

RLS等式71至73的参数根据使用哪一个车辆质量估计等式（例如，等 式65、68或69）而改变。

当基于车辆质量估计等式65计算RLS等式（71至73）时，使用下面的 参数：

θ＝M_e

$\phi =a_x^s+a_x^{\mathrm{off}}$

$y=\frac{T_{\mathrm{pwt}\_\mathrm{whl}}-K_{\mathrm{brk}}{P}_{\mathrm{brk}}}{R_w-F_{\mathrm{drag}}}---\left(74\right)$

当基于以微分为基础的车辆质量估计等式68计算RLS等式（71至73） 时，使用下面的参数：

θ＝M_e

$\phi =\Delta a_x^i{|}_{\mathrm{\Delta t}}$

y＝ΔF_whl|_Δt

$\phi ={\stackrel{·}{a}}_x^i={(a_x^s+a_x^{\mathrm{off}})}^{\prime }---\left(75\right)$

可选地，当基于以微分为基础的算法等式69计算RLS等式（71至73） 时，使用下面的参数：

$\phi ={\stackrel{·}{a}}_x^i={(a_x^s+a_x^{\mathrm{off}})}^{\prime }$

$y={\stackrel{·}{F}}_{\mathrm{whl}}=\frac{{(T_{{\mathrm{pwt}}_{\mathrm{whl}}}-K_{\mathrm{brk}}{P}_{\mathrm{brk}})}^{\prime }}{R_w}---\left(76\right)$

在特定合格的车辆事件下，车辆系统使用RLS来估计车辆质量。基于车 辆动态变化主要在纵向上的状况而开发质量估计器。因此，车辆系统查找这 样的状况，在该状况下，车辆的纵向惯性效应显著影响相关的噪声因子，或 者信噪比高。在车辆制动/减速期间或者在车辆加速期间，通常发生这些合格 的事件。

在一个或多个实施例中，当满足下面的条件中的每个条件时，车辆系统 检测合格的车辆制动/减速事件：

1、V_x≥C_DynMassBrkEntry；

2、$a_x^i\le C\_\mathrm{aRGEAxNeg};$

3、|r|≤C_small_yaw；

4、（F_whl<C_FBrk且且）或者（F_whl<C_FBrk2 且$<\stackrel{·}{F_{\mathrm{whl}}}<C\_\mathrm{DFBrk}2$）。

在一个或多个实施例中，当满足下面的条件中的每个条件时，车辆系统 检测合格的车辆加速事件：

1、V_x≥C_DynMassPropEntry；

2、$a_x^i\ge C\_\mathrm{aRGEAxPos};$

3、|r|≤C_small_yaw；

4、（F_whl>C_FProp且$\stackrel{·}{F_{\mathrm{whl}}}<C\_\mathrm{DFPropUp}$且$\stackrel{·}{F_{\mathrm{whl}}}>C\_\mathrm{DFPropDn}$且 $\stackrel{··}{F_{\mathrm{whl}}}<C\_D2\mathrm{FPropUp}$且$\stackrel{··}{F_{\mathrm{whl}}}<C\_D2\mathrm{FPropDn}$）或者（F_whl>C_FProp2且$\stackrel{·}{F_{\mathrm{whl}}}$$>C\_\mathrm{DFProp}2$且$\stackrel{··}{F_{\mathrm{whl}}}>C\_D2\mathrm{FProp}2$）。

在上面的条件中，以“C”开头的变量指示校准参数。校准参数是被设计 为以特定估计事件为目标的预定值。这些条件给合格的起主导作用的车辆纵 向运动提供可调的构造。参数越是精确地朝着动力学意义调节，越是可实现 更高的估计精度。然而，这样的精确参数将减小可用的估计时间间隔，其原 因是合格的事件将更不频繁地出现。因此，合格的估计事件取决于特定程度 的激进驾驶。车辆加速或制动越是有力或快速，惯性效应越是在将引起车辆 动态变化时起主导作用。在估计精度和事件发生之间权衡合格的估计参数的 调节，其原因是在正常驾驶过程期间，激进驾驶行为更不常见。

参照图19，示出了根据一个或多个实施例的用于估计车辆质量的方法， 该方法总体上由标号1910指示。根据一个或多个实施例，使用包含在VSC内 的软件代码实现该方法。在其他实施例中，在其他车辆控制器中实现方法 1910，或者方法1910分布在多个车辆控制器中。方法1910可应用于加速事 件和制动/减速事件，且对应于在上面列举的事件条件。

在操作1912中，车辆系统评价车辆速度（V_x），以确定V_x是否大于估计 的入口速度阈值。操作1912对应于第一事件条件。对于制动事件，估计的入 口速度阈值对应于校准的制动入口速度阈值（C_DynMassBrkEntry），对于加 速事件，估计的入口速度阈值对应于校准的推进入口速度阈值 （C_DynMassPropEntry）。如果在操作1912处确定是肯定的，则车辆系统进 行到操作1914。

在操作1914处，车辆系统基于选择的车辆质量估计算法更新估计模型输 入（φ）和输出（Y），如参照等式74至76描述的。在操作1916处，车辆系 统计算估计条件信号（和），如参照等式75和76描述的。

在操作1918处，车辆系统评价纵向加速度（）和横摆角（r），以确定 在横摆角足够小时车辆动态变化是否主要在纵向上。操作1918对应于第二事 件条件和第三事件条件。对于制动事件，如果纵向加速度（）小于或等于 校准的负加速度阈值（C_aRGEAxNeg），则车辆动态变化主要在纵向上。对于 加速事件，如果纵向加速度（）等于或大于校准的正加速度阈值 （C_aRGEAxPos），则车辆动态变化主要在纵向上。对于制动事件和加速事件 来说，如果横摆角的幅度（|r|）小于或等于校准的小横摆角阈值 （C_small_yaw），则横摆角（r）足够小。如果在操作1918处确定是肯定的， 则车辆系统进行到操作1920。

在操作1920处，车辆系统评价车轮处的力（F_whl）以及车轮处的力的更 高阶导数（和），以确定是否存在合格的估计事件。操作1920对应于 第四事件条件。

对于制动事件，如果：车轮处的力（F_whl）小于校准的制动力（C_Fbrk）； 车轮处的力的导数（）小于校准的制动力的导数（C_DFbrk）；车轮处的力 的二阶导数（）小于校准的制动力的二阶导数（C_D2Fbrk），则满足第四 制动条件。可选地，如果：车轮处的力（F_whl）小于第二校准的制动力（C_Fbrk2）； 车轮处的力的导数（）小于第二校准的制动力的导数（C_DFbrk2），则也 可满足第四制动条件。

对于加速事件，如果：车轮处的力（F_whl）大于校准的推进力（C_FProp）； 车轮处的力的导数（）小于校准的上坡推进力的导数（C_DFPropUp）；车 轮处的力的导数（）大于校准的下坡推进力的导数（C_DFPropDn）；车轮 处的力的二阶导数（）小于校准的上坡推进力的二阶导数（C_D2FPropUp）； 车轮处的力的二阶导数（）小于校准的下坡推进力的二阶导数 （C_D2FPropDn），则满足第四加速条件。可选地，如果：车轮处的力（F_whl） 大于第二校准的推进力（C_FProp2）；车轮处的力的导数（）大于第二校 准的推进力的导数（C_DFProp2）；车轮处的力的二阶导数（）大于第二校 准的推进力的二阶导数（C_D2FProp2），则也可满足第四加速条件。如果在操 作1920处确定是肯定的，则车辆系统进行到操作1922。

在操作1922处，车辆系统执行RLS车辆质量估计算法（例如，使用等式 71至73）。在操作1924处，车辆系统估计车辆质量（例如，使用等式65、 68或69）。在操作1924之后，或者响应于在操作1912、1918或1920处确定 是否定的，则车辆系统进行到操作1926，然后返回到操作1912。

当车辆在运动时，车辆质量不可能改变。在存在合格的估计事件时，车 辆系统继续监测车辆状态并执行估计更新。假设车辆质量恒定且估计噪声是 高斯零均值，则估计的车辆质量在整个估计实例上平均。然而，当车辆在缓 慢运动时，以及当车辆停止持续特定的时间段时，车辆质量可改变。在这样 的车辆状况下，车辆系统将RLS估计器的灵敏度调节到更灵敏的状态，从而 容易检测车辆质量的改变。

参照图20，示出了根据一个或多个实施例的用于使车辆质量估计参数复 位的方法，该方法总体上由标号2010指示。根据一个或多个实施例，使用包 含在VSC内的软件代码实现该方法。在其他实施例中，在其他车辆控制器中 实现方法2010，或者方法2010分布在多个车辆控制器中。在用于调节RLS 估计器的灵敏度的特定车辆状况下，方法2010使车辆质量估计参数复位。

在操作2012处，车辆系统评价车辆速度（V_x），以确定V_x是否小于车辆 停止速度阈值。如果在操作2012处确定是肯定的，则车辆系统进行到操作 2014，使车辆停止/静止计时器（Tmr_stand）增加或向上计数一个循环时间， 停止/静止计时器将开始记录车辆停止持续时间。在操作2016处，车辆系统 通过将驾车离开计时器（Tmr_drive）设置为等于零而使Tmr_drive复位。

在操作2018处，车辆系统评价合格的估计事件的总计数（Cntr_EstTot）， 以确定Cntr_EstTot是否大于校准的估计的事件阈值（C_QuaEstEvnt）。如果 在操作2018处确定是肯定的，则车辆系统进行到操作2020，通过将RLS估 计存储器（Vmass_memo）设置为等于当前车辆质量估计（Vmass_est）而更新 Vmass_memo。根据一个或多个实施例，Vmass_est对应于在图19的操作1924 处估计的车辆质量（Vmass_rls）以及等式65、68和69处估计的车辆质量（M_v）。 在操作2020之后，或者响应于在操作2018处确定是否定的，车辆系统进行 到操作2022。

在操作2022处，车辆系统评价停止/静止计时器（Tmr_stand），以确定 Tmr_stand是否大于校准的静止计时器（C_StandstilTm）。如果在操作2022 处确定是肯定的，则车辆系统进行到操作2024，使RLS参数和质量估计边界 复位到它们的原始值。例如，车辆系统可将RLS估计参数P(k)（来自等式73） 设置为其初始值P(0)。在操作2026处，车辆系统通过将总的合格估计实例计 数器（Enter_EstTot）设置为等于零而使Enter_EstTot复位。如果在操作 2012处确定是否定的，则车辆系统进行到操作2028。

在操作2028处，车辆系统评价车辆速速（V_x），以确定V_x是否大于驾车 离开速度阈值。如果在操作2028处确定是肯定的，则车辆系统进行到操作 2030，使车辆驾车离开计时器（Tmr_drive）增加或向上计数一个循环时间， 驾车离开计时器将开始记录车辆运动持续时间。在操作2032处，车辆系统评 价驾车离开计时器（Tmr_drive）和停止/静止计时器（Tmr_stand），以确定 Tmr_drive是否大于校准的驾车离开计时器（C_StandstilTm）以及Tmr_stand 是否大于零。如果在操作2032处确定是肯定的，则车辆系统进行到操作2034。 在操作2034处，车辆系统通过将停止/静止计时器（Tmr_stand）设置为等于 零而使Tmr_stand复位。在操作2026或2034之后，或者响应于在操作2022、 2028或2032处确定是否定的，车辆系统进行到操作2036，然后返回到操作 2012。

短暂的或瞬时的合格的估计事件不足以进行车辆质量估计。一般来说， 瞬时事件不满足与纵向惯性相关的第二条件。然而，即使这样的瞬时事件满 足第二条件，车辆系统仍然从估计结果去除瞬时事件，其原因是在估计的车 辆质量开始收敛之前车辆系统将花费一定的时间进行估计。当已经观察到足 够数量的估计实例时，更新估计的车辆质量。

参照图21，示出了根据一个或多个实施例的用于更新车辆质量估计参数 的方法，该方法总体上由标号2110指示。根据一个或多个实施例，使用包含 在VSC内的软件代码实现该方法。在其他实施例中，在其他车辆控制器中实 现方法2110，或者方法2110分布在多个车辆控制器中。当合格的估计事件 超过预定的时间间隔时，方法2110更新车辆质量估计状态。

在操作2112处，车辆系统确定是否存在合格的估计事件。操作2112对 应于图19的操作1912至1920。如果在操作2112处确定是肯定的，则车辆 系统进行到操作2114，计算Vmass_rls，如在操作1924中描述的。在操作 2116处，车辆系统使估计实例计数器（Cntr_est）增加一个循环时间。在操 作2118处，车辆系统评价估计实例计数器（Cntr_est），以确定Cntr_est是 否等于或大于校准的时间间隔阈值（C_EstEvnt4Update），C_EstEvnt4Update 对应于估计事件的足够的估计实例。如果在操作2118处确定是肯定的，则车 辆系统进行到操作2120，通过将估计更新状态（Vmass_update）设置为等于 当前车辆质量估计状态（Vmass_rls）而更新Vmass_update。

在操作2122处，车辆系统评价估计实例计数器（Cntr_est），以确定 Cntr_est是否等于校准的时间间隔阈值（C_EstEvnt4Update）。如果在操作 2122处确定是否定的，则车辆系统进行到操作2124，使估计实例计数器 （Cntr_est）增加一个循环时间。如果在操作2122处确定是肯定的，则车辆 系统进行到操作2126，使累积计数器（Cntr_EstTot）增加Cntr_est，在合 格的估计事件中在每个实例处使Cntr_EstTot向上计数。

在操作2128处，车辆系统评价合格的估计事件的累积计数 （Cntr_EstTot），以确定Cntr_EstTot是否大于校准的合格的估计事件阈值 （C_QuaEstEvnt）。如果在操作2128处确定是肯定的，则车辆系统进行到操 作2130，将动态质量估计输出（Vmass_est）设置为等于RLS估计器状态 （Vmass_rls）。如果在操作2128处确定是肯定的，则车辆系统进行到操作 2132，将动态质量估计输出（Vmass_est）设置为等于存储的估计存储器值 （Vmass_memo）。

如果在操作2112处确定是否定的，则不存在合格的估计事件，然后车辆 系统进行到操作2134。在操作2134处，车辆系统使估计实例计数器 （Cntr_est）减小一个循环时间。在操作2136处，车辆系统评价估计实例计 数器（Cntr_est），以确定Cntr_est是否小于或等于零。如果在操作2136处 确定是肯定的，则车辆系统进行到操作2138，将当前车辆质量估计状态 （Vmass_rls）设置为等于估计更新状态（Vmass_update）。在操作2130、2132 或2138之后，以及响应于在操作2136处确定是否定的，车辆系统进行到操 作2140，然后返回到操作2112。

参照图22，根据一个或多个实施例，车辆系统使用动态边界限制车辆质 量估计。单个不精确的车辆质量估计实例的存在可能劣化估计状态。因此， 车辆系统建立边界，以在估计过程中避免由特定的噪声因子导致的偏离的和 不合理的估计结果。如在示出的实施例中所示，车辆系统设置上边界（Ubd） 和下边界（Lbd）。根据一个或多个实施例，上边界（Ubd）对应于包括车辆、 乘客和货物的最大车辆总重量（GVW）；下边界（Lbd）对应于小于仅包括车辆 的车辆“整备”重量的值。如图22所示，在初始状况下，Ubd对应于大约2500Kg 的GVW，Lbd对应于大约1700Kg的整备重量，在（时间=0s）二者之间相差大 约800Kg。

由于边界朝着估计的车辆质量收敛，所以边界是动态变化的。由于在车 辆运动时车辆质量通常不改变，所以边界朝着估计的车辆质量的移动平均值 收敛或变窄，使得随着更多的估计信息变得可用，这两个边界之间的差减小， 以滤除不合理的车辆质量估计。例如，如在示出的实施例中所示，在时间150s， Ubd减小到大约2200Kg，Lbd增加到大约1750Kg二者之间相差大约450Kg。

如在上面参照图20描述的，当满足复位条件时，估计边界将复位到原始 的上限和下限。另外，在车辆累积合格的估计更新时，边界将收敛。如在上 面参照图21描述的，车辆系统包括计数器（Cntr_est），每当合格的加速或 减速事件发生时，使Cntr_est增加。质量估计事件标志（Mevent）在图22 中示出，与其他信号按比例绘制，使得当未检测到合格的事件时Mevent等于 “NQ”，当（例如，在点2212处）检测到合格的加速事件时Mevent等于“QA”， 当（例如，在点2214处）检测到合格的制动事件时Mevent等于“QB”。一旦 检测到合格的事件，则计数器开始每一个执行循环就向上加1计数。一旦计 数器的总数超过预定值，则车辆系统将初始估计的车辆质量设置为等于RLS 估计的质量，如由标号2216指示的。

参照图23，随着车辆系统累积更多的车辆质量信息，估计的质量朝着实 际车辆质量收敛。图23描述了在质量已知的车辆上获得的测试结果，所述质 量由实际质量波形（Mass_actual）表示。图23还包括车辆速度（V_x），合格 的事件标志（Mevent）波形。当未检测到合格的事件时Mevent等于“NQ”， 当检测到合格的加速事件时Mevent等于“QA”，当检测到合格的制动事件时 Mevent等于“QB”。合格的制动事件对应于车辆减速，如由标号2312指示的。 初始估计的车辆质量（Vmass_est）由标号2314指示。随着累积附加信息， 估计的车辆质量（Vmass_est）朝着实际质量（Mass_actual）收敛，如由标 号2316指示的。

图24是示出车辆质量估计的另一图形。虽然由于检测到附加信息而使车 辆质量估计（Vmass_est）随着时间朝着实际质量（Mass_actual）收敛，但 是当在输入信号中存在噪声时，可将车辆质量估计调节为远离实际质量，如 由标号2412指示的。例如，在一个或多个实施例中，基于如在上面参照等式 65描述的拖曳力（F_drag）估计车辆质量。在特定车辆状况（例如，大风）下， 拖曳力估计的精度减小。参照图22描述的边界通过限制估计的车辆质量而减 小这样的噪声状况的影响。

车辆系统可基于估计的车辆质量例如通过使用等式60估计动态道路坡 度。另外，估计的车辆质量可用于其他车辆系统，例如，用于具有起动/停止 功能的微混合动力电动车辆的制动施加和释放检测（BARD）。

这样，通过独立于道路坡度估计使用事件查找策略估计车辆质量，车辆 系统提供优点。在特定输入的信噪比高的车辆状况或者合格的事件下估计质 量。然后，当发生查找事件时，车辆系统使用递归最小二乘（RLS）算法估计 车辆质量。在车辆状况对应于质量可能改变时（例如，当车辆停止时），车辆 系统重新初始化质量估计算法中的特定参数，以增加算法的灵敏度。车辆系 统基于估计的车辆质量来估计动态道路坡度（RGE_dyn）。一般来说，与静态RGE 和运动学RGE相比，动态RGE的品质状况更低，其原因是动态RGE在进行估 计时涉及更多的信号，且每个信号中的噪声和误差将传送到最终RGE输出中。 然而，动态RGE不依赖纵向加速度信号，因此，动态RGE的信号覆盖范围不 同于静态估计和运动学估计的信号覆盖范围。另外，独立于道路坡度估计， 车辆系统估计车辆质量，从而将RGE_dyn中的噪声与车辆质量估计隔离。

如上所述，参照图4，车辆系统确定针对静态RGE算法、运动学RGE算 法和动态RGE算法中的每种的品质因子，静态RGE算法、运动学RGE算法和 动态RGE算法中的每种的品质因子分别由变量QF_st、QF_kin、QF_dyn表示。车辆系 统还确定总的RGE品质因子（QF_RGE）。由于每种RGE算法依赖于不同的输入信 号，所以每种RGE算法具有不同的范围和可用性。

针对RGE输出以及每种RGE算法（静态、运动学和动态）的估计品质因 子对应于0至3之间的值，且由变量（QF_RGE、QF_st、QF_kin和QF_dyn）表示。品质 因子评价估计的信息的可用性和精度。品质因子（QF）从0至3的范围内选 择，其中，品质因子是3指示全品质，在全品质的情况下满足估计条件。品 质因子是2指示品质劣化，此时不完全满足估计条件但是估计状态未过远地 偏离其设定点。品质因子是1指示在瞬时点附近未实现合格的估计，且估计 状态未实现足够的收敛，品质因子是0指示估计不可用。

车辆系统评价RGE输入信号品质和处理，如由图4中的标号412和414 所指示的。车辆纵向加速度是输入信号414，且从惯性传感器52（在图1中 示出）测量。如果信号的品质因子（QF）等于3且信号在特定的操作范围（例 如，+/-2g）内，则该信号被认为是良好的信号。当输入信号的品质劣化时， 输入信号被锁定到最后那个高品质值，当品质劣化持续超过阈值时间时，输 入信号将复位到默认值。均以相同的方式处理其他输入信号，例如，制动扭 矩、动力传动系扭矩、车辆速度、横摆角等。

静态RGE算法基于纵向加速度输入（）估计道路坡度。静态RGE适合 于车辆静止状况，例如当微混合动力车辆在斜面上停止时发动机起动/停止功 能。车辆系统基于加速度传感器测量信号的稳定性评价静态RGE品质。传感 器稳定性由信号与阈值相比的振荡和变化水平指示，由信号的滤波的一阶导 数指示。当车辆静止且车身稳定时，获得最高品质，使得加速度计的输出接 近收敛的稳定状态。在当前车辆停止事件中，更高的振荡水平将降低估计品 质，且当先前的运动学估计未能设置静态估计的初始值时，更高的振荡水平 变得不可用。

运动学RGE算法基于对应于车辆的运动学特性（包括车辆速度、加速度 和横摆角之间的关系）的输入来估计RGE。该算法使用卡尔曼滤波器处理所 述输入。运动学RGE算法适合于正常车辆运动状况（例如，V_x>5kph），其原 因是在车辆速度低时，一些基本计算的精度低。另外，卡尔曼滤波器是动态 滤波器，通常直到估计状态收敛才能能获得良好的估计。瞬态时间取决于初 始状态、真实道路坡度状态以及估计状况（例如：信号频率分量丰富度和信 噪比）之间的差异。车辆系统基于评价其输入信号的品质、其估计状态、车 辆状态以及估计稳定时间段来评价运动学RGE的质量。

动态RGE算法426基于对应于车辆速度、车轮扭矩（制动扭矩和动力传 动系输出扭矩）以及作用在车辆上的其他拖曳力（例如，气动阻力、滚动阻 力和道路坡度负荷）的输入来估计RGE。一般来说，与静态RGE和运动学RGE 相比，动态RGE的品质状况更低，其原因是动态RGE在进行估计时涉及更多 的信号，且每个信号中的噪声和误差将传送到最终RGE输出中。与运动学RGE 算法类似，动态RGE估计的品质也以其输入信号、估计状态、车辆状态、估 计品质状况以及估计收敛/稳定时间段来评价。

提供给基于卡尔曼滤波器的估计器（例如，RGE_kin）的信号被分成两组： 主要信号和支持信号。主要信号用于计算估计器系统等式的输入和输出。支 持信号用于调节估计器模式或参数，以适应于不同的驱动状况。

当任意的主信号不是良好（例如，QF<3）时，估计结果将开始偏离真实 值。车辆系统通过对劣化的主信号存在的时间段（由变量T_dgd指示）进行计数 来评价劣化的信号对估计状态的影响。车辆系统还针对T_dgd对劣化影响因子 C_dgi进行插值。这样的插值可基于存储在查找表中的预定数据。一般来说，确 定C_dgi的原理在于：劣化的主信号存在的时间越长，对估计结果的影响越坏。 估计品质指数变量（）根据如下所示的等式77计算：

$q_{\mathrm{est}}^c=T_{\mathrm{dgd}}*C_{\mathrm{dgi}}---\left(77\right)$

可选地，可使用q_est的预先校准的值，在存在劣化的主信号输入到估计 器时，将停止估计过程。

在所有主信号均恢复良好品质之后，估计不会立即往回收敛到真实估计 目标状态。在收敛阶段发生之后，可放心使用估计结果。为了表示收敛阶段， 设计渐消因子f_dgi，f_dgi取0至1之间的值，以减小从先前的劣化信号事件累 积的q_est的值，使得：

$q_{\mathrm{est}}^0=q_{\mathrm{est}}^0*f_{\mathrm{dgi}}---\left(78\right)$

在每个控制实施循环中重复该计算，以逐渐将q_est的值向下减小到零。

在每个时刻，可与来自先前的事件的影响减小同时发生的是，当前发生 的影响在增加。因此，最终的估计品质指数由和中的最大值确定，即， $q_{\mathrm{est}}=\max (q_{\mathrm{est}}^0,q_{\mathrm{est}}^c).$

参照图25，示出了根据一个或多个实施例的用于估计卡尔曼估计器或 RLS动态质量估计器的质量的方法，该方法总体上由标号2510指示。

在操作2512中，车辆系统评价道路坡度估计（RGE）信号，以确定估计 是否被锁定。当RGE不在更新时，RGE被锁定。当RGE的品质劣化时，RGE可 被锁定到其最后那个高品质值。如果在操作2512处确定是肯定的，则车辆系 统进行到操作2514，将评价的估计品质因子（QF_est）锁定到其当前值。变 量QF_est是对应于用于运动学道路坡度估计或动态道路坡度估计的品质因 子的普通值。当估计算法不满足合格的估计条件且估计被锁定时，其相关的 品质评价也被锁定，直到将发生下一次估计事件为止。如果在操作2512处确 定是否定的，则车辆系统进行到操作2516。

在操作2516处，车辆系统评价道路坡度估计（RGE）信号，以确定估计 是否起作用。如果RGE在更新，则RGE起作用。如果在操作2516处确定是否 定的，则车辆系统进行到操作2518，将品质因子设置为对应于“无数据”的 值（例如，QF=0）。如果在操作2516处确定是肯定的，则车辆系统进行到操 作2520。

在操作2520处，车辆系统将评价的品质指数（q_est）（如在上面参照等式 77和78描述的）与良好阈值参数（Q_est_ok）进行比较，以确定q_est是否小 于Q_est_ok，且支持信号没有劣化。如果在操作2520处确定是肯定的，则 车辆系统进行到操作2522，将品质因子设置为对应于“良好”的值（例如， QF=3）。如果在操作2520处确定是否定的，则车辆系统进行到操作2524。

在操作2524处，车辆系统将评价的品质指数（q_est）与故障阈值参数 （Q_est_degrade）进行比较，以确定q_est是否等于或大于Q_est_degrade。 如果在操作2524处确定是肯定的，则车辆系统进行到操作2526，将品质因 子设置为对应于“故障”的值。如果在操作2524处确定是否定的，则车辆系 统进行到操作2528，将品质因子设置为对应于“劣化”的值（例如，QF=2）。 在操作2514、2518、2522、2526或2528之后，车辆系统进行到操作2530， 然后返回到操作2512。

参照图26A至图26C，车辆系统监测运动学道路坡度估计（RGE_kin）中的 变化。图26A至图26C包括在共同的时间段内获得的测量数据的3个图形， 这3个图形总体上由标号2610指示。图26A示出了车辆速度（V_x），图26B 示出了实际道路坡度（RGE_ref）和估计的道路坡度（RGE_EST）。根据一个或多个 实施例，RGE_EST对应于对RGE_st、RGE_kin和RGE_dyn仲裁的输出（RGE_out）。图26C示 出了在RGE_EST和RGE_ref之间计算的百分比误差。

基于卡尔曼滤波器的估计（例如，用于RGE_kin的估计）假设在短的时间 段或距离内道路坡度状态稳定且接近于恒定状态。该假设通常是真实存在的， 其原因是大多数道路的道路坡度不会快速地改变。然而，如图26B和图26C 所示，在不同的道路坡度之间过渡时，可发生大的估计误差。例如，道路坡 度从大约0%改变到大约7%，如由标号2612指示的。在这种过渡期间存在通 常大的估计误差，如由标号2614指示的。

车辆系统包括一种方法（未示出），该方法用于监测估计变化，以基于道 路坡度变化的幅度确定估计质量（精度）。在该方法中，计算估计的道路坡度 的导数（）。当导数（）大于阈值估计且这样的状况在比预定时 间段长的时间内真实存在时，识别过渡时间段。接下来，如果同时不存在其 他劣化因子，则品质因子（QF）将减小到劣化水平（QF=2）。在另一稳定时间 段内，当导数信号稳定到低值时，将消除这样的劣化。一般来说，当道路坡 度在短的时间段内显著改变时，该方法通知使用RGE输出的其他车辆系统： 在过渡时间段内估计不完全精确。

在车辆速度极低时，道路坡度估计不可用，如表A的第6列所示。虽然 在车辆速度极低（例如，小于5mph）时，没有估计可用，但是在这样的状况 期间，车辆系统仍然提供精确的道路坡度估计。在车辆速度低时，由传感器 （例如，车轮速度传感器或GPS）信号提供的或者从传感器信号获得的车辆 速度不精确。在这样的速度，车辆系统停止估计，以避免将这样的不精确性 传送到道路坡度估计（例如，RGE_kin和RGE_dyn）中，并将估计器状态锁定到其 最后那个合格的估计结果。

车辆可以以这样的极低的车辆速度行驶延长的距离。因此，在RGE停止 之后，实际道路坡度可改变。在这样的状况下，锁定的RGE输出的精度将减 小。因此，车辆系统相应地降低相关的估计品质。车辆系统限定两个车辆速 度阈值（V_stp和V_exit），V_stp和V_exit分别表示车辆停止速度阈值和车辆出口速度 阈值。其中，V_stp大于V_exit。当车辆速度（V_x）小于V_stp时，车辆系统（使用 基于卡尔曼滤波器（或者最小二乘类型的滤波器）的估计算法）通过锁定所 有的估计状态而暂停或停止估计。然而，在估计停止时刻记录数据之后，在 车辆速度（V_x）进一步向下减小到V_exit之前或者在V_x增加到V_stp之上之前，估 计算法继续运行。当在V_exit<V_x<V_stp之间的速度范围内操作时，新的估计输出 （RGE_out）将继续与锁定的估计输出比较。如果当前RGE状态和锁定的RGE之 间的差大于第一阈值差，则估计品质将减小到更低的水平，而指示在这样的 新状况下估计输出可能不够精确。然而，如果当前RGE状态和锁定的RGE之 间的差大于第二阈值差，则估计品质将减小到“无数据”水平（例如，QF=0）， 而指示估计结果不能使用。在车辆速度（V_x）进一步减小到V_exit之下之后， 估计将完全停止，且将不再执行估计操作。一旦车辆速度（V_x）增加到阈值 V_stp之上，则锁定的估计状态和记录的估计状态将重新载入到估计算法，以恢 复正常估计功能。

在一个或多个实施例中，一旦车辆速度（V_x）小于V_exit，则车辆系统停 止道路坡度估计器，其原因是在这样的状况下估计不精确。V_exit可被称为“蠕 动”速度。然而，车辆可以以这样的蠕动速度继续行驶。

参照图27A至图27G，在车辆速度增加到更高的速度级之上之后，运动 学道路坡度估计器或动态道路坡度估计器将变得可用，以及在车辆完全停止 之后，静态RGE估计器可接管过来。图27A至图27G包括在共同的时间段内 获得的测量数据的7个图形，这7个图形总体上由标号2710指示。图27B示 出了车辆速度（V_x），图27E示出了静态品质因子（QF_st），图27F示出了运动 学品质因子（QF_kin），图27G示出了仲裁的道路坡度估计的品质因子（QF_RGE）。 当车辆停止时，静态RGE变得可用。车辆速度为零由标号2712指示，对应的 高品质RGE_st由标号2714指示。另外，当车辆在正常运动（如由标号2716指 示的）时，运动学RGE变得可用，对应的高品质RGE_kin由标号2718指示。仲 裁的RGE结合RGE_st和RGE_kin，以在大多数车辆状况下提供高品质输出，如由 标号2720指示的。然而，在特定的极低车辆速度（如由标号2722指示的） 时，可能不存在可用的高品质RGE，如总体上由标号2724指示的。

然而，在0和V_exit之间的低速度范围内，可能不存在可用的RGE算法。 因此，在车辆以这样的低速度运动时，可能不会检测和估计道路坡度变化。 为了在报告道路坡度信息时确保RGE的稳健性，车辆系统包括保守的对策， 以避免在不提供关于RGE品质的信息的情况下使用道路坡度估计。

根据一个或多个实施例，车辆系统包括一种方法（未示出），该方法用于 在蠕动事件中监测车辆速度（V_x）。当V_x小于V_exit（例如，小于5kph）且当前 估计器品质评价良好（例如，QF=3）时，发生蠕动事件。车辆系统通过对车 辆速度进行积分来计算蠕动距离（Dc）。当Dc大于第一距离阈值时，车辆系 统将品质因子降低到劣化水平（QF=2）。当Dc大于第二距离阈值时，车辆系 统将品质因子降低到无数据（QF=0）。当任意的RGE估计器开始提供合格的输 出时，车辆系统使蠕动距离（Dc）复位到零。同时，RGE的品质将被仲裁为 当前起作用的估计器的品质评价结果，以替代在蠕动事件中评价的品质。当 在速度范围（V_exit<V_x<V_stp）内品质因子（QF）劣化时，车辆系统将重新开始 蠕动距离计算。另外，即使车辆速度大于V_exit，当计算的估计结果与锁定的 估计结果偏离超过特定阈值时，车辆系统也重新开始Dc计算。

这样，通过评价输入信号的品质、道路坡度估计的品质以及质量估计的 品质并提供与每个输入和估计相关的品质因子，车辆系统优于现有的系统。 车辆系统部分基于品质因子仲裁或选择估计。然后，车辆系统基于选择的估 计通过对应的品质因子提供道路坡度估计和车辆质量估计。根据相关的品质 因子，其他车辆系统可不同地使用道路坡度估计和车辆质量估计。

如由在上面描述的实施例验证的，通过从多个不同的估计（静态、运动 学和动态）仲裁或选择道路坡度估计，车辆、车辆系统和方法优于现有技术。 通过在这些不同的估计之间进行仲裁，车辆系统在宽范围的车辆状况下提供 道路坡度估计。通过使用纵向加速度的动态滤波估计静态道路坡度，以及通 过使用针对初始值的另一估计（其减小了在可提供合格的静态道路坡度估计 值之前的延时），车辆系统还优于现有的系统。通过使用EKF估计运动学道路 坡度（其提供积分式滤波策略），车辆系统还优于现有的方法。这样的积分策 略不会放大信号上的噪声，因此，这样的积分策略提供改进的估计精度同时 相对快速地收敛。通过使用输入补偿的加速度偏移量估计运动学道路坡度以 提高精度，来消除由车辆横向动力导致的偏移量和不确定性及其耦合效应， 车辆系统还优于现有的方法。通过独立于道路坡度估计使用事件查找策略估 计车辆质量，车辆系统提供优点。在车辆状况对应于质量可能改变时（例如， 当车辆停止时），车辆系统重新初始化质量估计算法中的特定参数，以增加算 法的灵敏度。车辆系统基于估计的车辆质量来估计动态道路坡度（RGE_dyn）。 通过评价输入信号的品质、道路坡度估计的品质以及质量估计的品质并提供 与每个输入和估计相关的品质因子，车辆系统还优于现有的系统。车辆系统 部分基于品质因子仲裁或选择估计。然后，车辆系统基于选择的估计提供具 有对应的品质因子的道路坡度估计和车辆质量估计。根据相关的品质因子， 其他车辆系统可不同地使用道路坡度估计和车辆质量估计。

虽然已经详细描述了最佳方式，但是熟悉本领域的技术人员将认识到在 权利要求的范围内的各种可选的设计和实施例。另外，各个实施的实施例的 特征可被结合，以形成本发明的进一步的实施例。虽然各个实施例可能已被 描述为提供优点或者在一个或多个期望的特性方面优于其他实施例或现有技 术的实施方式，但是本领域的普通技术人员将认识到，一个或多个特点或特 性可被折衷，以实现期望的系统属性，期望的系统属性取决于具体的应用和 实施方式。这些属性可包括但不限于：成本、强度、耐久性、生命周期成本、 可销售性、外观、包装、尺寸、维护保养方便性、重量、可制造性、装配容 易性等。因此，在此被描述为在一个或多个特性方面不如其他实施例或现有 技术的实施方式的实施例并不在本公开的范围之外，并且可被期望用于特定 的应用。另外，各个实施的实施例的特征可被结合，以形成本发明的进一步 的实施例。