The aim of this thesis work is to investigate the possibility of applying a sensor fusion algorithm with a focus on estimating vehicle dynamic states, mainly the vehicle body accelerations. Modern passenger vehicles have several mechatronic systems such as active safety, comfort, driver assistance etc., which are highly dependant on accurate knowledge of such states. This work focuses on the mechatronic suspension system, which makes use of the body accelerations measurements to control the dynamics of the vehicle body in order to provide an improved driving experience. This work can be split up into two major parts, the first being the identification of available onboard sensors for measuring the vehicle body accelerations. Five different sensor combinations are considered and compared with each other. The next part is to develop a sensor fusion algorithm, in this case, a Kalman Filter (KF) based algorithm, which uses vehicle dynamic modelling knowledge to obtain accurate, reliable and less uncertain estimates of the states. Specifically, an Unscented Kalman Filter (UKF) and Cubature Kalman Filter (CKF) were built and compared with each other. Two different vehicle dynamic models, a vehicle planar dynamic model and a full car suspension model, were implemented to capture both the effects of road disturbances and drivingmanoeuvres on the vehicle body dynamics. Both these fusion algorithms were tested using simulation data and logged data and validated by comparing with an ideal sensing method to measure the body accelerations used currently at Volvo Car Corporation. / Syftet med detta examensarbete är att undersöka möjligheten att tillämpa en sensorfusionsalgoritm med fokus på att uppskatta fordonets dynamiska tillstånd, främst karossens acceleration. Moderna personbilar har flera mekatroniska system som aktiv säkerhet, komfort, förarassistans etc., som är mycket beroende av exakt kunskap om sådana tillstånd. Detta arbete fokuserar på det mekatroniska fjädringssystemet, som använder karossens accelerationsmätningar för att styra fordonets dynamik och för att ge en förbättrad körupplevelse. Detta arbete kan delas upp i två huvuddelar, den första är identifiering av tillgängliga inbyggda sensorer för mätning av fordonets accelerationer. Fem olika sensorkombinationer övervägs och jämförs med varandra. Nästa del är att utveckla en sensorfusionsalgoritm, i detta fall en kalmanfilter baserad algoritm, som använder kunskap om fordonets dynamik för att få exakta, pålitliga och mindre osäkra uppskattningar av tillstånden. Specifikt byggdes en UKF och CKF som jämfördes med varandra. Två olika fordonsdynamiska modeller, en plan dynamisk modell och en full hjulupphängningsmodell, implementerades för att fånga både effekterna av vägstörningar och körmanövrer på fordonets karossdynamik. Båda dessa fusionsalgoritmer testades med hjälp av simuleringsdata och loggade data och validerades genom att jämföra med en idealisk avkänningsmetod för att mäta karossaccelerationerna som används för närvarande på Volvo Car Corporation.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-302285 |
| Date | January 2021 |
| Creators | Arthur Paul, Edwin Solomon, Varadharajan, Sanjay |
| Publisher | KTH, Fordonsdynamik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2021:292 |
Page generated in 0.0024 seconds