CN102975720B - 车辆纵向车速测算装置、方法及使用该装置的车辆 - Google Patents

Abstract

本发明公开一种车辆纵向车速测算装置，包括：数据采集装置，用以采集测算所需的数据；车速测算单元，用以根据上述数据测算车辆纵向车速。本发明还公开一种利用上述车辆纵向车速测算装置的测算车辆纵向车速的方法，以及一种包括上述的车辆纵向车速测算装置的分布式驱动电动车辆。本发明充分使用分布式驱动电机电机力矩和轮速信号，同时利用各车轮制动轮缸压力信号、横摆角速度信号和纵向加速度信号，实时共同修正纵向车速的估计结果，在包括光滑路面上紧急驱动或紧急机制动等工况下，能显著提高分布式驱动电动汽车的纵向车速估计精度。

Description

车辆纵向车速测算装置、方法及使用该装置的车辆

技术领域

本发明涉及一种车速测量装置，特别涉及车辆纵向车速测算装置，及其方法和使用该装置的车辆。

背景技术

传统内燃机汽车装备ABS、TCS、ESP和DYC等车辆电子稳定系统。这些系统的目的就是实时地将车辆的运动控制在理想的数值范围内。为了达到这个目的，车辆实际的行驶状态就必须实时可知。其中，车辆的纵向车速用于计算轮胎滑移率、侧向加速度和车辆质心侧偏角等车辆状态参数的基础，因此，车辆的纵向车速是最为基础也是最为重要的车辆状态参数。

现有的车辆纵向车速的估计方法主要分为两类：

1.运动学估计方法：利用从动轮轮速直接乘以滚动半径来获取车速或者利用纵向加速度信号与速度信号之间的积分关系来获取车速信号，但该方法在驱/制力矩较大时，车速和轮速之间偏差非常大，其次，轮速的测量噪声会对估计的精度产生较大的影响，在低速、低加速度情况下纵向加速度传感器的信噪比不高、容易出现偏置，或者当车辆行驶于坡道上，纵向加速度由于重力的缘故产生一定偏置。

2.动力学估计方法：以制动力或驱动力作为输入，计算得到轮胎与地面间的纵向力；然后建立一个车辆模型，并以此作为输入算出车辆的纵向速度，但是由于传统内燃机汽车的轮胎驱动力矩在经过传动系传递到车轮上之后难以实时准确获得，因此该方法在传统的内燃机车辆上的应用效果不明显。而在分布式驱动电动汽车上，电机的驱动或制动力矩可以实时准确获取，因此动力学估计方法在分布式驱动电动汽车上更容易应用并取得良好效果。

目前，在分布式驱动电动汽车上应用动力学方法估计轮胎滑移率已取得良好效果，但应用动力学方法估计纵向车速还没有见到相关应用。

发明内容

本发明的目的在于提供一种车辆纵向车速测算装置、方法及使用该装置的车辆，对车辆的纵向车速进行估算。

为达到以上目的，本发明所采用的解决方案是：

一种车辆纵向车速测算装置，包括：

数据采集装置，用以采集测算所需的数据；

车速测算单元，用以根据上述数据测算车辆纵向车速。

该车速测算单元还包括：传感器信号处理单元，其根据预设的参数和传感器获得的数据，计算出各轮转速平均值和总驱动或制动力矩；加速度修正单元，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量；速度修正单元，修正车辆纵向车速的估计结果。

该传感器信号处理单元根据各车轮的轮速信号，通过如下公式计算各车轮轮速的平均值，

w_r＝(w_rFL+w_rFR+w_rRL+w_rRR)/4

其中，w_r为四轮平均轮速，w_rFL为左前轮轮速，w_rFR为右前轮轮速，w_rRL为左后轮轮速，w_rRR为右后轮轮速。

该传感器信号处理单元根据各车轮所受到的电机力矩信号和各车轮制动轮缸压力信号，通过如下公式计算四轮受到的总驱动或制动力矩，

T＝T_m+T_h

其中，T是车辆总驱动或制动力矩，T_m为四轮分布式驱动电机总电机力矩，T_h为四轮液压制动总力矩。

该加速度修正单元根据纵向加速度传感器信号、车辆横摆角速度信号和车辆侧向速度的观测结果，通过如下公式消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量

${\stackrel{\·}{v}}_x=a_x+\mathrm{\γ}\·{\hat{v}}_y$

式中，是修正后的纵向加速度，a_x是纵向加速度传感器信号，γ是横摆角速度传感器信号，是车辆侧向车速。

该速度修正单元利用如下公式作为动力学模型：

$\left\{\begin{array}{c}{\stackrel{\·}{w}}_{\mathrm{\γ}}=\frac{1}{4I_r}(T-F_f\·R-F_d\·R)\\ {\stackrel{\·}{v}}_x=\frac{1}{m}(F_d-F_w)\end{array}\right.$

式中，m为车辆的质量；w_r为四轮平均轮速，I_r为单个车轮绕y轴中心的转动惯量；F_d为地面驱动或制动力；F_f为车辆的滚动阻力，F_f＝mg·(0.0076+5.6×10^-5·v_x)，R为车轮滚动半径，F_w为空气阻力，其中，

$F_w=\frac{C_D\·A_x\·{v_x}^2}{21.15},$ C_D是空气阻力系数；A_x是车辆的有效迎风面积。

该速度修正单元根据如下公式建立状态空间方程，并将四轮轮速的均值、四轮总驱动或制动力矩和车辆的纵向加速度作为状态空间方程的输出变量，

x(k)＝f_v[x(k-1)]+w(k-1)

式中，状态变量分别为：四轮平均轮速、纵向车速、地面驱动或制动力和车辆总驱动或制动力矩，即x(k)＝[w_γ(k)，v_x(k)，F_d(k)，T(k)]^T；w(k-1)是各状态变量的估计过程噪声序列，f_v[x(k-1)]是状态变量的四维状态向量函数，且

$f_v\left[x(k-1)\right]=\left[\begin{array}{c}{f}_1\left[x(k-1)\right]\\ f_2\left[x(k-1)\right]\\ f_3\left[x(k-1)\right]\\ f_4\left[x(k-1)\right]\end{array}\right]=\left[\begin{array}{c}{w}_{\mathrm{\γ}}(k-1)+\frac{\mathrm{\ΔT}}{4I_r}[T(k-1)-F_f(k-1)\·R-F_d(k-1)\·R]\\ v_x(k-1)+\frac{\mathrm{\ΔT}}{m}[F_d(k-1)-F_w(k-1)]\\ F_d(k-1)\\ T(k-1)\end{array}\right]$

其中，ΔT是系统采样时间。

该速度修正单元中，车辆四轮轮速的平均值、四轮受到的总驱动或制动力矩和车辆所受到的纵向加速度作为系统观测器的校正信号，与状态空间方程的输出变量进行比较，输出变量与校正信号之间的偏差量，乘以设计的反馈增益矩阵，用于修正观测器状态变量的估计结果。

一种利用上述车辆纵向车速测算装置的测算车辆纵向车速的方法，包括如下步骤：

根据各车轮的轮速信号，计算各车轮轮速的平均值，同时根据各车轮所受到的电机力矩信号和各车轮制动轮缸压力信号，计算四轮受到的总驱动或制动力矩；

根据纵向加速度传感器信号、车辆横摆角速度信号和车辆侧向速度，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量，得到修正的车辆纵向加速度；

对车辆进行动力学建模，并建立状态空间方程，并将四轮轮速的均值、四轮总驱动或制动力矩和车辆的纵向加速度作为状态空间方程的输出变量；

根据处理后的轮速的平均值、总驱动或制动力矩和车辆纵向加速度，对通过状态空间的输出变量进行实时校正，以修正车辆纵向车速的估计结果。

一种分布式驱动电动车辆，包括四轮分布式驱动电机，其特征在于，该车辆还包括上述的车辆纵向车速测算装置。

由于采用了上述方案，本发明具有以下特点：充分使用分布式驱动电机电机力矩和轮速信号，同时利用各车轮制动轮缸压力信号、横摆角速度信号和纵向加速度信号，实时共同修正纵向车速的估计结果，在包括光滑路面上紧急驱动或紧急机制动等工况下，能显著提高分布式驱动电动汽车的纵向车速估计精度。

附图说明

图1是车辆二自由度模型示意图。

图2是车辆动力学模型示意图。

图3是分布式驱动电动汽车的系统示意图。

图4是本发明一实施例的更详细的示意图。

图5是本发明的纵向车速估计方法在“Longitudinal Vehicle Dynamics”仿真工况中的估计结果。

图6是veDYNA仿真软件中“Self-Steering Behavior”仿真工况示意图。

图7是本发明的纵向车速估计方法在“Self-Steering Behavior”仿真工况中的估计结果。

图8是veDYNA仿真软件中“ISO Double Lane Change”仿真工况示意图。

图9是本发明的纵向车速估计方法在“ISO Double Lane Change”仿真工况中的估计结果。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

下面结合附图1-2介绍本发明的原理。

(1)传感器信号处理

1)计算四轮平均轮速

w_r＝(w_rFL+w_rFR+w_rRL+w_rRR)/4式(1-1)

式中，w_r为四轮平均轮速，w_rFL为左前轮轮速，w_rFR为右前轮轮速，w_rRL为左后轮轮速，w_rRR为右后轮轮速。

2)计算总驱动或制动力矩

T＝T_m+T_h式(1-2)

式中，T是车辆总驱动或制动力矩，T_m为四轮分布式驱动电机总电机力矩，T_h为四轮液压制动总力矩。

T_m＝T_mFL+T_mFR+T_mRR+T_mRL，(1-3)

T_mFL为左前轮电机力矩，T_mFR为右前轮电机力矩，T_mRL为左后轮电机力矩，T_mRR为右后轮电机力矩，T_h为四轮液压制动总力矩。

T_h＝T_hFL+T_hFR+T_hRR+T_hRL，(1-4)

T_hFL为左前轮液压制动力矩，T_hFR为右前轮液压制动力矩，T_hRL为左后轮液压制动力矩，T_hRR为右后轮液压制动力矩，各轮的电机力矩信号来自于分布式驱动电机驱动器所获得的各分布式驱动电机的电磁转矩值，各轮的液压制动力矩由下式计算获得：

T_hij＝P_ij·A·μ·R    (1-5)

其中，T_hij是单个车轮的制动力矩，P_ij为该车轮制动轮缸压力信号，A为制动轮缸活塞的有效压力面积，μ为摩擦块的摩擦系数，R盘式制动器的半径。

3)车辆侧向速度测算

选用车辆二自由度模型为研究对象，参照图1所示。

$\left\{\begin{array}{c}m({\stackrel{\·}{v}}_y+\mathrm{\γ}\·v_x)=F_{\mathrm{yf}}+F_{\mathrm{yr}}\\ I_z\stackrel{\·}{\mathrm{\γ}}=F_{\mathrm{yf}}{l}_f-F_{\mathrm{yr}}{l}_r\end{array}\right.---(1-6)$

式中，m是车辆质量，I_z是车辆横摆惯量，l_f和l_r分别是前后轴距车辆质心的距离，v_x是车辆纵向车速，v_y车辆侧向车速，γ是车辆横摆角度，F_yf和F_yr分别是前后轴受到的侧向力。通过上面的公式计算v_y。

选用轮胎模型计算获得各轴受到的侧向力F_y：

$F_y=\frac{\mathrm{\μ}}{{\mathrm{\μ}}_0}{c}_1\arctan \left(\frac{{\mathrm{\μ}}_0}{\mathrm{\μ}}{c}_2\mathrm{\α}\right)---(1-7)$

其中，μ₀是标定道路上的路面峰值附着系数，这里取μ₀＝1.μ是当前行驶路面的峰值附着系数，c₁，c₂是轮胎模型的拟合参数，α是轮胎侧偏角，上述参数都是根据具体车辆结构和道路情况预先设定。

前轮侧偏角是 ${\mathrm{\α}}_f=\frac{v_y}{v_x}+\frac{l_f\·\mathrm{\γ}}{v_x}-\mathrm{\δ},---(1-8)$

δ是前轮转向角。后轮侧偏角是 ${\mathrm{\α}}_r=\frac{v_y}{v_x}-\frac{l_r\·\mathrm{\γ}}{v_x}.$

根据车辆二自由度模型和轮胎模型，测算侧向速度：

$\left\{\begin{array}{c}{\stackrel{\·}{v}}_y=\frac{1}{m}{\mathrm{\μc}}_{f1}\arctan \left[\frac{c_{f2}}{\mathrm{\μ}}(\frac{v_y}{v_x}+\frac{a\·\mathrm{\γ}}{v_x}-\mathrm{\δ})\right]+\frac{1}{m}\mathrm{\μ}{c}_1\arctan \left[\frac{c_{r2}}{\mathrm{\μ}}(\frac{v_y}{v_x}-\frac{b\·\mathrm{\γ}}{v_x})\right]-\mathrm{\γ}\\ \stackrel{\·}{\mathrm{\γ}}=\frac{1}{I_z}\mathrm{\μ}{c}_{f1}\arctan \left[\frac{c_{f2}}{\mathrm{\μ}}(\frac{v_y}{v_x}+\frac{a\·\mathrm{\γ}}{v_x}-\mathrm{\δ})\right]\·a-\frac{1}{I_z}\mathrm{\μ}{c}_{r1}\arctan \left[\frac{c_{r2}}{\mathrm{\μ}}(\frac{v_y}{v_x}-\frac{b\·\mathrm{\γ}}{v_x})\right]\·b\end{array}\right.---(1-9)$

通过上述公式测算车辆侧向速度

4)修正纵向加速度

${\stackrel{\·}{v}}_x=a_x+\mathrm{\γ}\·{\hat{v}}_y$ 式(1-10)

式中，是修正后的纵向加速度，a_x是纵向加速度传感器信号，γ是横摆角速度传感器信号，是测算的车辆侧向速度，其中是实际v_y的测算结果，是侧向速度v_y对时间的导数。有上述公式就可得到纵向车速观测器的校正信号。

(2)车辆动力学建模

本例选用车辆单轮动力学模型为研究对象，参照图2所示。

车辆动力学模型为：

$\left\{\begin{array}{c}{\stackrel{\·}{w}}_{\mathrm{\γ}}=\frac{1}{4I_r}(T-F_f\·R-F_d\·R)\\ {\stackrel{\·}{v}}_x=\frac{1}{m}(F_d-F_w)\end{array}\right.$ 式(2-1)

式中，m为车辆的质量；w_r为四轮平均轮速，I_r为单个车轮绕y轴中心的转动惯量；F_d为地面驱动或制动力；F_f为车辆的滚动阻力，F_f＝mg·(0.0076+5.6×10^-5·v_x)，R为车轮滚动半径，F_w为空气阻力，C_D是空气阻力系数；A_x是车辆的有效迎风面积。

(3)基于驱动或制动力矩、轮速和纵向加速度信号的纵向车速观测器。

引入扩展卡尔曼滤波器，建立纵向车速观测器。

建立离散系统的状态空间：

x(k)＝f_v[x(k-1)]+w(k-1)式(2-2)

式中，状态变量分别为：四轮平均轮速、纵向车速、地面驱动或制动力和车辆总驱动或制动力矩，即x(k)＝[w_γ(k)，v_x(k)，F_d(k)，T(k)]^T；w(k-1)是各状态变量的估计过程噪声序列，并且均是白噪声，期望E[w(k-1)]＝0，因此，这里假设w(k-1)＝0；f_v[x(k-1)]是状态变量的4维状态向量函数，且

$f_v\left[x(k-1)\right]=\left[\begin{array}{c}{f}_1\left[x(k-1)\right]\\ f_2\left[x(k-1)\right]\\ f_3\left[x(k-1)\right]\\ f_4\left[x(k-1)\right]\end{array}\right]=\left[\begin{array}{c}{w}_{\mathrm{\γ}}(k-1)+\frac{\mathrm{\ΔT}}{4I_r}[T(k-1)-F_f(k-1)\·R-F_d(k-1)\·R]\\ v_x(k-1)+\frac{\mathrm{\ΔT}}{m}[F_d(k-1)-F_w(k-1)]\\ F_d(k-1)\\ T(k-1)\end{array}\right]$ 式(2-3)

其中，ΔT是系统采样时间。

非线性系统的测量方程为：

$z\left(k\right)=h_v\left[\hat{x}\left(k\right)\right]+v\left(k\right)$ 式(2-4)

式中，测量变量为四轮平均轮速、纵向加速度和车辆总驱动或制动力矩，即v(k)是各测量变量的测量噪声序列，并且均是白噪声，期望E[v(k)]＝0，因此，这里假设v(k)＝0。

是测量变量的3维测量向量函数，且

$h_v\left[\hat{x}\left(k\right)\right]=\left[\begin{array}{c}{h}_1\left[\hat{x}\left(k\right)\right]\\ h_2\left[\hat{x}\left(k\right)\right]\\ h_3\left[\hat{x}\left(k\right)\right]\end{array}\right]=\left[\begin{array}{c}{\hat{w}}_{\mathrm{\γ}}\left(k\right)\\ \frac{1}{m}[{\hat{F}}_d\left(k\right)-{\hat{F}}_w\left(k\right)]\\ \hat{T}\left(k\right)\end{array}\right]$ 式(2-5)

将公式(2-3)和公式(2-5)在时刻展开成泰勒(Taylor)级数，并且舍去二阶以上项，对非线性系统线性化，分别得到状态向量函数f_v[x(k)]的雅克比矩阵A_k和测量向量函数h_v[x(k)]的雅克比矩阵H_k，得：

其中，x₁(k)＝w_γ(k)，x₂(k)＝v_x(k)，x₃(k)＝F_d(k)，x₄(k)＝T(k)。

将上述状态空间方程，应用于扩展卡尔曼滤波器算法中，计算过程可以分为两部分：

1)时间更新过程

状态量的先验估计：

${\hat{x}}_k^{-}=f_v\left({\hat{x}}_{k-1}\right)$ 式(2-8)

式中，是k时刻状态变量x(k)＝[w_γ(k)，v_x(k)，F_d(k)，T(k)]^T的先验估计值，是k-1时刻的状态变量的后验估计值的状态向量函数。

估计误差协方差的先验估计：

$P_k^{-}=A_k{P}_{k-1}^{+}{A}_k^T+Q_k$ 式(2-9)

式中，是k时刻的估计误差协方差的先验估计值，A_k是k时刻的状态向量函数f_v[x(k)]的雅克比矩阵，是k-1时刻的估计误差协方差的后验估计值，Q_k是k时刻的过程噪声协方差矩阵。

2)测量更新过程

计算卡尔曼反馈增益矩阵：

$K_k=P_k^{-}{H}_k^T{(H_k{P}_k^{-}{H}_k^T+R_k)}^{-1}$ 式(2-10)

式中，K_k是k时刻的卡尔曼反馈增益矩阵，H_k是k时刻的测量向量函数h_v[x(k)]的雅克比矩阵，R_k是k时刻的观测噪声协方差矩阵。

状态变量的后验估计：

${\hat{x}}_k={\hat{x}}_k^{-}+K_k[z_k-h_v\left({\hat{x}}_k^{-}\right)]$ 式(2-11)

式中，是k时刻状态变量的后验估计值，z_k是k时刻的测量变量 是k时刻的状态量的先验估计值的测量向量函数。

估计误差协方差的后验估计：

$P_k^{+}=[I-K_k{H}_k]P_k^{-}$ 式(2-12)

式中，是k时刻的估计误差协方差的后验估计值。

根据上述公式(2-8)至(2-12)可以看出，包含有v_x信息的状态变量x＝[w_γ，v_x，F_d，T]^T，在k-1时刻的估计值，通过公式(2-8)，初步预测了k时刻的状态变量信息并通过公式(2-9)对这种初步预测的质量优劣做了定量描述，公式(2-10)将这个定量描述用于计算对k时刻的反馈增益矩阵K_k，并通过公式(2-11)将该增益矩阵K_k用于校正状态变量在k时刻预测信息得到k时刻的状态变量估计值同时，通过公式(2-12)更新了k时刻状态变量估计值的质量优劣的描述，为k+1时刻定量描述状态变量的初步预测结果的质量优劣做准备。

如上所述，本发明的原理可描述为如下过程：

(1)根据各车轮的轮速信号，计算各车轮轮速的平均值，同时根据各车轮所受到的电机力矩信号和各车轮制动轮缸压力信号，计算四轮受到的总驱动或制动力矩。

(2)根据纵向加速度传感器信号、车辆横摆角速度信号和车辆侧向速度，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量，得到修正的车辆纵向加速度。

(3)对车辆进行动力学建模，并建立系统观测器的状态空间方程，并将四轮轮速的均值、四轮总驱动或制动力矩和车辆的纵向加速度作为状态空间方程的输出变量。

(4)根据处理后的轮速的平均值、总驱动或制动力矩和车辆纵向加速度，对通过状态空间的输出变量进行实时校正，以修正车辆纵向车速的估计结果。

其中，纵向车速估计方法，车辆四轮轮速的平均值、四轮受到的总驱动或制动力矩和车辆所受到的纵向加速度作为系统观测器的校正信号，与状态空间方程的输出变量进行比较，输出变量与校正信号之间的偏差量，乘以设计的反馈增益矩阵，用于修正观测器状态变量的估计结果。

根据上述原理，本发明提供一种车辆纵向车速测算装置100，特别适用于分布式驱动车辆，如分布式电动驱动。

如图3所示，一种带有本发明的装置的车辆系统10，包括分布式驱动电机和液压制动器的车轮或车轮悬架总成4，四轮分布式驱动电机驱动器1、3、5、7。本发明的装置100包括数据采集装置110，用于采集测算所需的数据，还包括车速测算单元120。

如图4所示，该车速测算单元120还包括：传感器信号处理单元122，其根据预设的参数和传感器获得的数据，计算出各轮转速平均值和总驱动或总制动力矩；加速度修正单元124，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量；速度修正单元126，修正车辆纵向车速的估计结果。

该数据采集装置110可包括一个或多个传感器，其设置于车辆的适当位置以获取相关的传感数据。本领域技术人员根据对本发明的原理描述容易知道所述传感器可安设的位置。

该车速测算单元120还可包括存储器(未示)，用以存储预先设定的参数。该存储器为非易失性存储器，取决于具体应用可擦写或不可擦写均可。

该测算单元120的测算操作可由硬件电路来完成，或者由可编程逻辑电路完成。根据本发明的原理阐述，本领域技术人员可认识到如何使用可编程逻辑电路完成相关测算。

对分布式驱动电动汽车纵向车速的估计方法进行仿真验证。仿真工况分别选择veDYNA仿真软件中的“Longitudinal Vehicle Dynamics”仿真试验工况，“Self-Steering Behavior”仿真试验工况，和“ISO Double Lane Change”仿真试验工况。

其中，在“Longitudinal Vehicle Dynamics”仿真试验工况中，仿真试验车辆在最短的时间内，从静止加速到最高车速，随后，仅使用电机制动到完全停止。路面附着系数0.6。仿真车辆为不带ABS功能和其他稳定性控制程序的车辆。纵向车速的仿真估计结果参照图5所示。

在“Self-Steering Behavior”仿真试验工况中，仿真试验车辆沿着一个半径为100m的圆缓慢加速，直到侧向加速度达到8m/s²。仿真试验工况参照图6所示。纵向车速的仿真估计结果参照图7所示。

在“ISO Double Lane Change”仿真试验工况中，仿真试验车辆加速到80km/h并稳定车速，进行双移线试验。仿真试验工况参照图8所示。纵向车速的仿真估计结果参照图9所示。

由图5、图7和图9可以证明，以上的纵向车速的估计结果较为准确，其误差在3％以内。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种车辆纵向车速测算装置，其特征在于：该装置包括：

数据采集装置，用以采集测算所需的数据；

车速测算单元，用以根据上述数据测算车辆纵向车速；

该车速测算单元还包括：传感器信号处理单元，其根据预设的参数和传感器获得的数据，计算出各轮转速平均值和总驱动或制动力矩；加速度修正单元，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量；速度修正单元，修正车辆纵向车速的估计结果；

该速度修正单元利用如下公式作为动力学模型：

$\left\{\begin{array}{c}{\stackrel{\·}{w}}_{\mathrm{\γ}}=\frac{1}{4I_r}(T-F_f\·R-F_d\·R)\\ {\stackrel{\·}{v}}_x=\frac{1}{m}(F_d-F_w)\end{array}\right.$

式中，m为车辆的质量；w_r为四轮平均轮速，I_r为单个车轮绕y轴中心的转动惯量；T是车辆总驱动或制动力矩，F_d为地面驱动或制动力；F_f为车辆的滚动阻力，F_f＝mg·(0.0076+5.6×10^-5·v_x)，R为车轮滚动半径，g为重力加速度，v_x为车辆纵向车速，F_w为空气阻力，

C_D是空气阻力系数；A_x是车辆的有效迎风面积。

2.根据权利要求1所述的车辆纵向车速测算装置，其特征在于：该传感器信号处理单元根据各车轮的轮速信号，通过如下公式计算各车轮轮速的平均值，

w_r＝(w_rFL+w_rFR+w_rRL+w_rRR)/4

其中，w_r为四轮平均轮速，w_rFL为左前轮轮速，w_rFR为右前轮轮速，w_rRL为左后轮轮速，w_rRR为右后轮轮速。

3.根据权利要求1所述的车辆纵向车速测算装置，其特征在于：该传感器信号处理单元根据各车轮所受到的电机力矩信号和各车轮制动轮缸压力信号，通过如下公式计算四轮受到的总驱动或制动力矩，

T＝T_m+T_h

其中，T是车辆总驱动或制动力矩，T_m为四轮分布式驱动电机总电机力矩，T_h为四轮液压制动总力矩。

4.根据权利要求1所述的车辆纵向车速测算装置，其特征在于：该加速度修正单元根据纵向加速度传感器信号、车辆横摆角速度信号和车辆侧向速度的测算结果，通过如下公式消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量，

${\stackrel{\·}{v}}_x+a_x+\mathrm{\γ}\·{\hat{v}}_y$

式中，是修正后的纵向加速度，a_x是纵向加速度传感器信号，γ是横摆角速度传感器信号，是车辆侧向车速。

5.根据权利要求1所述的车辆纵向车速测算装置，其特征在于：该速度修正单元根据如下公式建立状态空间方程，并将四轮轮速的均值、四轮总驱动或制动力矩和车辆的纵向加速度作为状态空间方程的输出变量，

x(k)＝f_v[x(k-1)]+w(k-1)

式中，状态变量分别为：四轮平均轮速、纵向车速、地面驱动或制动力和车辆总驱动或制动力矩，即x(k)＝[w_γ(k),v_x(k),F_d(k),T(k)]^T；k指代计算机运算时的第k个离散时刻；w(k-1)是各状态变量的估计过程噪声序列，f_v[x(k-1)]是状态变量的四维状态向量函数，且

$f_v\left[x(k-1)\right]=\left[\begin{array}{c}{f}_1\left[x(k-1)\right]\\ f_2\left[x(k-1)\right]\\ f_3\left[x(k-1)\right]\\ f_4\left[x(k-1)\right]\end{array}\right]=\left[\begin{array}{c}{w}_{\mathrm{\γ}}(k-1)+\frac{\mathrm{\ΔT}}{4I_r}[T(k-1)-F_f(k-1)\·R-F_d(k-1)\·R]\\ v_x(k-1)+\frac{\mathrm{\ΔT}}{m}[F_d(k-1)-F_w(k-1)]\\ F_d(k-1)\\ T(k-1)\end{array}\right]$

其中，ΔT是系统采样时间，v_x为车辆纵向车速。

6.根据权利要求1所述的车辆纵向车速测算装置，其特征在于：该速度修正单元中，车辆四轮轮速的平均值、四轮受到的总驱动或制动力矩和车辆所受到的纵向加速度作为系统观测器的校正信号，与状态空间方程的输出变量进行比较，输出变量与校正信号之间的偏差量，乘以设计的反馈增益矩阵，用于修正观测器状态变量的估计结果。

7.一种利用权利要求1所述的车辆纵向车速测算装置测算车辆纵向车速的方法，其特征在于：包括如下步骤：

根据各车轮的轮速信号，计算各车轮轮速的平均值，同时根据各车轮所受到的电机力矩信号和各车轮制动轮缸压力信号，计算四轮受到的总驱动或制动力矩；

根据纵向加速度传感器信号、车辆横摆角速度信号和车辆侧向速度，通过计算消除车辆侧向运动和横摆运动在车辆纵向上的加速度分量，得到修正的车辆纵向加速度；

对车辆进行动力学建模，并建立状态空间方程，并将四轮轮速的均值、四轮总驱动或制动力矩和车辆的纵向加速度作为状态空间方程的输出变量；

根据处理后的轮速的平均值、总驱动或制动力矩和车辆纵向加速度，对通过状态空间的输出变量进行实时校正，以修正车辆纵向车速的估计结果。

8.一种分布式驱动电动车辆，包括四轮分布式驱动电机，其特征在于：该车辆还包括权利要求1所述的车辆纵向车速测算装置。