Tổng hợp dữ liệu đa cảm biến và ứng dụng trong ước lượng vận tốc dài xe ô tô điện

i đoạn của vận tốc. Các giá trị này được xác 
định bằng thực nghiệm. 
Sau khi đã phân biệt các giai đoạn khác nhau của 
vận tốc, sai lệch giữa phép đo từ các cảm biến và vận 
tốc thực của xe sẽ có thể được xác định theo từng giai 
đoạn này. Điều này đòi hỏi phải có hệ thống đo vận 
tốc chuẩn để làm tham chiếu. Quá trình này cũng 
chính là quá trình chỉnh định phép đo mà gần như bất 
kỳ hệ thống thu thập và xử lý dữ liệu nào cũng phải 
trải qua. 
4. Hệ thông thực nghiệm kết quả 
4.1. Mô tả hệ thống thực nghiệm 
Thuật toán tổng hợp cảm biến ước lượng vận tốc 
dài được thực hiện trên nền tảng xe ô tô điện i-MiEV 
của Mitsubishi. Phần cứng phục vụ triển khai thuật 
toán được lựa chọn là bộ điều khiển MyRIO 1900 do 
National Instruments sản xuất. Đây là bộ điều khiển 
vừa đủ mạnh với hai lõi xử lý gồm FPGA của Xilinx 
loại Z-7101 và ARM Cortex-A9 cùng các ngoại vi 
vào/ra, truyền thông cho phép kết nối với các loại 
cảm biến khác nhau cũng như kết nối với mạng CAN 
trên xe ô tô. 
Hệ thống tham chiếu để đánh giá kết quả ước 
lượng là hệ thống thu thập dữ liệu động học ô tô 
DAS-3 do Kistler sản xuất. Hệ thống sử dụng các 
cảm biến đo vận tốc dài loại quang học S350 và cảm 
biến tốc độ quay bánh xe với độ phân giải 1000 
xung/vòng. Các hệ thống thí nghiệm và hệ thống 
tham chiếu được lắp đặt đồng thời trên xe ô tô như 
trên hình 2. 
Cấu hình thuật toán hệ thống ước lượng được 
trình bày trong hình 3. Các dữ liệu có tốc độ cập nhật 
thấp gồm vận tốc đo từ GPS, tốc độ quay của bánh xe 
được nâng tần số trích mẫu bằng bộ Modified 
Multirate Kalman Filter (M-MKF) [19], gia tốc của 
xe được lọc bằng bộ lọc Kalman. Các dữ liệu về vị trí 
chân ga, chân phanh được trích xuất từ mạng CAN 
trên xe ô tô, kết hợp với gia tốc của xe được sử dụng 
để tính toán các hệ số trọng số ik theo các phương 
trình (12), (13) và (14). Toàn bộ các thông tin này 
được đưa vào bộ ước lượng theo quy tắc (15), (16) và 
(17). 
4.2. Quy trình thử nghiệm 
Quá trình thử nghiệm đánh giá độ chính xác của 
thuật toán ước lượng được tiến hành trong hai trường 
hợp điển hình gồm (1) di chuyển trên đường bình 
thường với độ bám đường cao và (2) di chuyển trên 
đường có vùng độ bám thấp. Trong cả hai trường hợp 
này, xe đều được gia tốc tới vận tốc nhất định rồi 
giảm tốc nhanh. Đối với trường hợp thứ hai, trong 
quá trình tăng tốc, xe được di chuyển vào mặt đường 
trơn với chiều dài khoảng 2m (tương đương kích 
thước của một vũng dầu) rồi lại quay lại đường bình 
thường. 
Để đảm bảo yêu cầu về tốc độ ước lượng, cả hệ 
thống thí nghiệm lẫn hệ thống tham chiếu đều được 
thực hiện trích mẫu ở tần số 500Hz (tức là gấp 5 lần 
tần số yêu cầu tối thiểu). Điều đó có nghĩa là bộ M-
MKF áp dụng cho đối tượng vận tốc bánh xe và GPS 
cần phải được thực hiện cũng ở tần số này. 
Hình 3. Cấu hình hệ thống ước lượng vận tốc dài 
a) Cảm biến bên ngoài 
b) Các bộ thu thập dữ liệu 
Hình 2. Hệ thống thực nghiệm trên xe ô tô i-MiEV 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
38 
4.3. Kết quả 
Hình 4 và hình 5 tương ứng là các kết quả thực 
nghiệm trong cả hai trường hợp đường bình thường 
và đường có khu vực độ bám thấp. 
Hình 4a và hình 4b mô tả khả năng của bộ M-
MKF nhằm nâng cao tốc độ trích mẫu của cảm biến. 
Cảm biến đo vận tốc bánh xe có độ phân giải 36 
xung/vòng cho tín hiệu nhảy bậc và có kèm nhiễu 
(hình 4a). Với bộ M-MKF, tín hiệu này được nâng 
cấp và cho kết quả bám rất sát với tín hiệu đo về từ hệ 
thống tham chiếu 1000 xung/vòng. Kết quả tương tự 
cũng được thể hiện trên hình 4b cho GPS. Tuy nhiên, 
do GPS không có hệ thống tham chiếu tương đương 
nên kết quả chỉ thể hiện sự thay đổi về tần số trích 
mẫu với đặc tính mịn hơn rất nhiều so với tín hiệu 
GPS gốc. 
Tương tự, hình 5a cho kết quả tốc độ bánh xe với 
sự so sánh giữa kết quả của bộ M-MKF và hệ thống 
tham chiếu. Khi xe đi vào vùng có độ bám đường 
thấp, bánh xe bị trượt trên đường làm tốc độ bánh xe 
tăng mạnh lên tới 14m/s (so với 8m/s khi xe vẫn còn 
đi trên đường tốt). Do độ dài đoạn đường trơn chỉ 
khoảng 2m nên quá trình trượt diễn ra trong thời gian 
ngắn (khoảng 0.4s). Do đó, khi ra khỏi vùng đường 
này, tốc độ bánh xe giảm xuống đột ngột. Điều này 
gây ra một sự dao động nhỏ ở tốc độ bánh xe. Mặc dù 
vậy, tín hiệu ở đầu ra của bộ M-MKF đều bám rất sát 
tín hiệu tham chiếu trong toàn bộ quá trình thử 
nghiệm. 
Khi các tín hiệu thành phần gồm vận tốc bánh xe, 
GPS và gia tốc đã được chuẩn hóa và đồng bộ về tốc 
độ trích mẫu, thuật toán tổng hợp dữ liệu được thực 
hiện và cho kết quả rất tốt. Điều này thể hiện ở các 
hình 4c và 5b. Có thể thấy tốc độ ước lượng được 
bám rất sát với tín hiệu tốc độ đo từ hệ thống tham 
chiếu DAS-3. Thậm chí cả trong trường hợp hình 5b, 
tại đoạn đường trơn, tốc độ xe không bị ảnh hưởng 
bởi sự biến động đột biến của tốc độ bánh xe. Một 
điều cũng dễ nhận thấy là tín hiệu ước lượng không bị 
nhiễu như tín hiệu đo từ hệ thống tham chiếu. Điều 
này một lần nữa khẳng định khả năng của phép ước 
lượng trên cơ sở của phương pháp tổng hợp cảm biến. 
5. Kết luận 
Bài báo đã trình bày phương pháp ước lượng tối 
ưu tốc độ dài của xe ô tô điện từ dữ liệu của các cảm 
biến chuyển động dựa trên phương pháp tổng hợp dữ 
liệu đa cảm biến. Các cảm biến này có các đặc tính về 
tốc độ trích mẫu khác nhau nhưng đều được đồng bộ 
a) Tín hiệu Encoder 
b) So sánh vận tốc dài 
Hình 5. Thử nghiệm đường có vùng độ bám thấp 
a) Tín hiệu Encoder 
b) Tín hiệu GPS 
c) Vận tốc đo và vận tốc ước lượng 
Hình 4. Kết quả thử nghiệm đường bình thường 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
39 
hóa bằng bộ lọc Kalman đặc biệt M-MKF. Trên cơ sở 
đó, kết hợp với thuật toán tổng hợp, tốc độ dài của xe 
ô tô điện đã được ước lượng chính xác ở tốc độ 
500Hz, cao hơn so với yêu cầu cơ bản của xe ô tô 
điện (100Hz). Các đặc tính thực nghiệm được kiểm 
chứng trên xe ô tô điện i-MiEV và có so sánh với hệ 
thống thu thập dữ liệu tham chiếu DAS-3 đã cho thấy 
sự hiệu quả của phương pháp đề xuất. Kết quả của 
thuật toán ước lượng vận tốc dài này sẽ là cơ sở tốt 
cho các bài toán điều khiển chuyển động như điều 
khiển chống trượt, điều khiển hành trình; hay bài toán 
điều khiển xe tự lái ở các cấp độ khác nhau. 
Tài liệu tham khảo 
[1] Kistler Group, DAS-3 - Data Acquisition and 
Evaluation. Kistler - measure, analyze, innovate, 
2016. 
[2] Vbox Automotive, “Slip Angle Explained - How to 
measure vehicle body slip angle using Vbox 
equipment,” www.vboxautomotive.co.uk, 2015. 
[3] G. Panzani, M. Corno, and S. M. Savaresi, 
“Longitudinal velocity estimation in single-track 
vehicles,” in 16th IFAC Symposium on System 
Identification, vol. 16, pp. 1701–1706, IFAC, 2012. 
[4] T. Singhal, A. Harit, and D. Vishwakarma, “Kalman 
Filter Implementationon an Accelerometer sensor 
data for three state estimation of a dynamic system,” 
International Journal of Research in Engineering and 
Technology (IJRET), vol. 1, no. 6, pp. 330–334, 
2012. 
[5] L.-j. Wu, “Experimental study on vehicle speed 
estimation using accelerometer and wheel speed 
measurements,” in 2011 Second International 
Conference on Mechanic Automation and Control 
Engineering, no. 1, pp. 294–297, 2011. 
[6] Y. Gai, Q. Guo, and H. Liu, “The state estimation for 
electric stability program using Kalman filtering,” 
The IEEE International Conference on Automation 
and Logistics, pp. 1478–1482, 2007. 
[7] H. Guo, H. Chen, F. Xu, F. Wang, and G. Lu, 
“Implementation of EKF for vehicle velocities 
estimation on FPGA,” IEEE Transactions on 
Industrial Electronics, vol. 60, no. 9, pp. 3823–3835, 
2013. 
[8] X. Y. Zong and W. W. Deng, “Study on velocity 
estimation for four-wheel independent drive electric 
vehicle by UKF,” 2013 5th Conference on Measuring 
Technology and Mechatronics Automation, CMTMA 
2013, pp. 1111–1114, 2013. 
[9] L. Chu, Y. Zhang, Y. Shi, M. Xu, and M. Liu, 
“Vehicle lateral and longitudinal velocity estimation 
based on Unscented Kalman Filter,” in ICETC 2010 – 
2010 2nd International Conference on Education 
Technology and Computer, vol. 3, pp. 427–432, 
2010. 
[10] L. H. Zhao, Z. Y. Liu, and H. Chen, “Design of a 
nonlinear observer for vehicle velocity estimation and 
experiments,” IEEE Transactions on Control Systems 
Technology, vol. 19, no. 3, pp. 664–672, 2011. 
[11] L. Imsland, T. A. Johansen, T. I. Fossen, H. Fjær 
Grip, J. C. Kalkkuhl, and A. Suissa, “Vehicle velocity 
estimation using nonlinear observers,” Automatica, 
vol. 42, no. 12, pp. 2091–2103, 2006. 
[12] L. Imsland, T. a. Johansen, T. I. Fossen, H. F. Grip, J. 
C. Kalkkuhl, and A. Suissa, “Vehicle velocity 
estimation using modular nonlinear observers,” 
Automatica, vol. 42, no. 1, pp. 2091–2103, 2006. 
[13] L. H. Zhao, Z. Y. Liu, and H. Chen, “Sliding mode 
observer for vehicle velocity estimation with road 
grade and bank angles adaptation,” in IEEE 
Intelligent Vehicles Symposium, Proceedings, vol. 2, 
pp. 701–706, 2009. 
[14] B. Jaballah, N. M’Sirdi, A. Naamane, and H. 
Messaoud, “Estimation of longitudinal and lateral 
velocity of vehicle,” in 2009 17th Mediterranean 
Conference on Control and Automation, pp. 582–587, 
2009. 
[15] Kiencke U, Nielsen L, “Automotive control systems: 
for engine, driveline, and vehicle”, 2nd Ed., Springer, 
2010. 
[16] Qi Z, Zhang J, “Study on reference vehicle velocity 
determination for ABS based on vehicle 
ABS/ASR/ACC integrated systems”, J Automot Eng, 
vol.25, no.6, pp.617-620, 2003. 
[17] Jitendra R. Raol, Multi-Sensor Data Fusion with 
MATLAB. CRC Press, 2010. 
[18] H. Durrant-whyte and T. C. Henderson, “Multisensor 
Data Fusion,” Springer Handbook of Robotics, pp. 
585–610, 2008. 
[19] T. Vo-duy and M. C. Ta, “Modified Multirate 
Kalman Filter for Improving the Sampling Frequency 
of Single Low Speed Sensor,” in Proc. of 2017 IEEE 
Vehicle Power and Propulsion Conference, VPPC-
2017, pp. 1-6, 2017.