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

Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
33 
Tổng hợp dữ liệu đa cảm biến 
và ứng dụng trong ước lượng vận tốc dài xe ô tô điện 
Multi-sensor Data Fusion and Application in Longitudinal Velocity Estimation of Electric Vehicles 
Võ Duy Thành*, Tạ Cao Minh 
Trường Đại học Bách khoa Hà Nội - Số 1, Đại Cồ Việt, Hai Bà Trưng, Hà Nội, Việt Nam 
Đến Tòa soạn: 09-11-2018; chấp nhận đăng: 18-01-2019 
Tóm tắt 
Trong xe ô tô, cụ thể là ô tô điện có nhiều trạng thái cần phải được ước lượng do không thể đo được trực 
tiếp các thông tin này. Vận tốc dài của xe là một trong những trạng thái cần phải ước lượng bởi nó phục vụ 
cho nhiều bài toán điều khiển chuyển động cũng như điều khiển tự lái xe ô tô. Đối với ô tô điện, vận tốc dài 
cần phải được ước lượng ở mức độ đủ nhanh để tận dụng được các ưu thế của động cơ điện. Bài báo đề 
xuất thuật toán ước lượng vận tốc dài xe ô tô điện trên cơ sở của phương pháp tổng hợp cảm biến. Trong 
đó, thuật toán chỉ sử dụng thông tin từ hệ thống cảm biến gắn trên xe ô tô mà không sử dụng thông tin động 
lực học của xe ô tô để ước lượng. Phương pháp đề xuất được thực nghiệm trên xe ô tô điện và có đánh giá 
kiểm chứng độ chính xác bằng cách so sánh với kết quả đo của một hệ thống thu thập dữ liệu thương mại. 
Các kết quả của bài báo có thể được ứng dụng cho các nghiên cứu về điều khiển cũng như ước lượng tham 
số khác của xe ô tô điện. 
Từ khóa: Ô tô điện, Vận tốc, Ước lượng, Tổng hợp cảm biến 
Abstract 
State estimation is a crucial research field for control of electric vehicles (EVs) since there is information in a 
vehicle which cannot be measured directly. Longitudinal velocity of the vehicle is one of the most important 
information which is needed for motion and autonomous control. To take full advantage of traction electric 
motor, the longitudinal velocity must be estimated at an appropriately fast frequency. In this paper, we 
propose an optimal estimation of velocity of the EV based on multi-sensor data fusion. The estimator does 
not need any dynamic parameters but only information from sensor system that is equipped on the vehicle. 
The performance of the estimation algorithm is validated by experiment on a real electric vehicle and 
compared with a commercial data acquisition system. The results of the paper can be used for futher control 
purpose as well as estimation of other state of electric vehicles. 
Keywords: Electric Vehicle, Velocity, Estimation, Sensor Fusion 
1. Mở đầu* 
Tốc độ dài hay vận tốc dài xv là đại lượng quan 
trọng của xe ô tô. Đứng ở góc độ người lái, tốc độ dài 
được hiển thị trên mặt đồng hồ của bảng điều khiển 
mang tính thông báo và quan sát, từ đó, người lái có 
thể điều khiển xe ở tốc độ mong muốn. Đứng ở góc 
độ điều khiển, tốc độ dài thể hiện tầm quan trọng 
trong các bài toán điều khiển chuyển động dọc trục 
(cụ thể và trực tiếp nhất là ở hệ thống điều khiển hành 
trình) và điều khiển xe tự lái. Tốc độ dài còn là cơ sở 
để xác định tỉ số trượt  của xe phục vụ cho các hệ 
thống điều khiển lực kéo và phanh ABS. 
Hiện nay, một số sản phẩm cho phép đo tốc độ 
dài đã có mặt trên thị trường như sản phẩm của 
Kistler [1] sử dụng thiết bị laser cho độ chính xác 
* Địa chỉ liên hệ: Tel.: (+84) 912.632.230 
Email: thanh.voduy@hust.edu.vn 
cao, đo được cả tốc độ dài và tốc độ ngang, hay sản 
phẩm của Vbox [2] sử dụng GPS tần số cao cho tốc 
độ cập nhật lên tới 100Hz. Các sản phẩm này có độ 
chính xác khá cao nhưng chỉ phù hợp với các công 
việc nghiên cứu mà khó trang bị trên xe ô tô thương 
mại vì những lý do giá thành quá cao và lắp đặt khó 
khăn. 
Thêm vào đó, xe ô tô điện là một đối tượng 
được truyền động bởi động cơ điện. So với ô tô động 
cơ đốt trong, động cơ điện là cơ cấu chấp hành có 
nhiều ưu điểm về thời gian tác động nhanh hơn rất 
nhiều (cỡ vài ms so với hàng trăm ms của động cơ 
đốt trong). Vì vậy, các nghiên cứu về ước lượng trạng 
thái của xe ô tô điện cũng phải đảm bảo mức độ tính 
toán nhanh để phù hợp với yêu cầu điều khiển động 
cơ. Thông thường, tần số ước lượng phải đảm bảo ở 
mức độ tối thiểu là từ 100Hz. 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
34 
Hình 1. Khái niệm tổng hợp cảm biến 
Hiện nay, các ngiên cứu về ước lượng vận tốc 
dài được phân chia theo 2 hướng chính như sau: 
Ước lượng vận tốc dài trên cơ sở mô hình động 
lực học, kết hợp với các thuật toán và công cụ quan 
sát, ước lượng khác nhau. Các nghiên cứu hiện nay 
thường tập trung vào các nội dung như: 
- Ứng dụng bộ lọc Kalman [3-5] và các biến 
thể như Extended Kalman [6], [7] và Unscented 
Kalman [8], [9] để ước lượng vận tốc dài. 
- Mô hình động lực học của xe ô tô có tính phi 
tuyến rất mạnh nên nhiều nghiên cứu sử dụng các bộ 
ước lượng/quan sát phi tuyến (nonlinear 
estimator/observer) để làm công cụ ước lượng [10-
12]. Sử dụng mô hình tương tự với các nghiên cứu 
này, [13], [14] dùng bộ quan sát kiểu trượt để tính 
toán các hệ số khuếch đại của bộ quan sát. 
Các kết quả nghiên cứu nói trên đạt được chất 
lượng khá tốt và chính xác nhưng chỉ đúng trong một 
bộ tham số thí nghiệm được thực hiện, khi thay đổi 
các tham số động lực học của xe, độ chính xác của 
kết quả cũng thay đổi theo. Thêm vào đó, việc sử 
dụng mô hình động lực học rất phức tạp do mô hình 
thường có kích thước lớn. Điều này dẫn tới yêu cầu 
hiệu năng tính toán cao, phức tạp và khó triển khai. 
Ước lượng vận tốc dài trên cơ sở mô hình động 
học. Các trạng thái của ô tô sẽ được ước lượng thông 
qua thông tin của các cảm biến được trang bị trên xe 
ô tô và mô hình chuyển động động học của xe. Việc 
ước lượng vận tốc dài theo phương án này được thực 
hiện theo các hướng gồm: 
- Xác định vận tốc dài bằng tín hiệu đo từ các 
cảm biến tốc độ bánh xe ,i i effv R  . Đây là phương 
pháp cơ bản và đơn gi ản nhất. Theo phương pháp 
này, tốc độ dài của xe được xác định theo tốc độ của 
bánh xe quanh nhanh nhất hoặc chậm nhất, tùy theo 
từng trường hợp cụ thể [15], [16]. Tuy nhiên, cả hai 
cách này đều gặp sai số lớn trong trường hợp xe tăng 
tốc trên đường trơn hoặc phanh với lực phanh mạnh. 
- Ước lượng tốc độ dài bằng cách kết hợp cảm 
biến tốc độ quay bánh xe và cảm biến gia tốc [15]. 
Cảm biến gia tốc cho thông tin về gia tốc của xe theo 
các hướng khác nhau và không bị phụ thuộc vào trạng 
thái của xe (tăng tốc/phanh). Tuy nhiên, để có được 
thông tin vận tốc, cần thực hiện phép tích phân giá trị 
gia tốc của xe. Từ đó, vận tốc dài được xác định là 
tổng hợp của vận tốc bánh xe và vận tốc tích phân từ 
gia tốc với các trọng số tương ứng. Điều này có khả 
năng gây trôi giá trị sau tích phân làm phép ước 
lượng trở nên mất hội tụ. Đồng thời, việc xác định 
các trọng số vẫn cần phải nghiên cứu thêm. 
Bài báo trình bày một phương pháp ước lượng 
vận tốc dài trên cơ sở phương pháp “Tổng hợp dữ 
liệu đa cảm biến” (Multi-sensor Data Fusion, gọi tắt 
là tổng hợp cảm biến). Phương pháp sử dụng các cảm 
biến có sẵn trên xe ô tô như cảm biến tốc độ bánh xe, 
cảm biến gia tốc cùng cảm biến gắn thêm GPS để kết 
hợp với thuật toán tổng hợp dữ liệu nhằm mục đích 
ước lượng tốc độ dài một cách tối ưu. Kết quả của 
phương pháp được kiểm chứng bằng thực nghiệm 
trên xe ô tô điện i-MiEV do Mitsubishi sản xuất. 
Đồng thời, các đặc tính thực nghiệm cũng được đánh 
giá độ chính xác bằng cách so sánh với kết quả tương 
đương của một hệ thống đo thương mại DAS-3 do 
Kitsler cung cấp. 
Các phần còn lại của bải báo được trình bày như 
sau. Phần 2 giới thiệu sơ lược về phương pháp tổng 
hợp cảm biến và các đặc tính của hệ thống cảm biến 
trên xe ô tô. Phần 3 xây dựng thuật toán phối hợp các 
cảm biến để ước lượng tốc độ dài. Mô tả về hệ thống 
thực nghiệm cũng như các kết quả thực nghiệm được 
trình bày trong phần 4. Cuối cùng là kết luận được 
trình bày ở phần 5. 
2. Tổng hợp dữ liệu đa cảm biến và đặc điểm hệ 
thống 
Tổng hợp dữ liệu đa cảm biến [17], [18] là một 
kỹ thuật phối hợp dữ liệu thu thập được từ nhiều cảm 
biến và các nguồn thông tin liên quan để thu được các 
suy luận chi tiết, bền vững và hoàn chỉnh về môi 
trường hay đối tượng quan tâm mà điều này rất khó 
hoặc không thể thực hiện được với chỉ một cảm biến 
đơn lẻ hoặc độc lập. Phương pháp này dựa trên dữ 
liệu đo được từ một hệ thống các cảm biến, kết hợp 
với mô hình động học của đối tượng (trong một số tài 
liệu còn gọi là mô hình cảm biến) và các công cụ toán 
học như bộ lọc Kalman cùng các biến thể, bộ lọc 
Bayesian, logic mờ, mạng nơ ron... để ước lượng đối 
tượng nghiên cứu. Hình 1 mô tả một hệ thống tổng 
hợp cảm biến ứng dụng trên xe ô tô. 
Thông thường, tổng hợp cảm biến có hai dạng cơ 
bản gồm (1) tổng hợp từ nhiều nguồn dữ liệu của 
nhiều cảm biến đo các đối tượng khác nhau và (2) 
tổng hợp từ các nguồn dữ liệu từ các cảm biến đo 
cùng một đối tượng. Bài báo này sử dụng dạng tổng 
hợp thứ hai. Các cảm biến trên xe ô tô được sử dụng 
trong nghiên cứu này gồm ba loại như sau: 
- Cảm biến này cho phép đo gia tốc tịnh tiến 
theo 3 trục của hệ tọa độ Descartes. Các cảm biến gia 
tốc thường cho phép đặt được dải do từ 2g , 4g , 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
35 
8g hoặc 16g . Tốc độ cập nhật của các cảm biến 
này lên tới 400kHz hoặc 1MHz, tùy thuộc vào chuẩn 
truyền thông được trang bị trên cảm biến. Việc xác 
định vận tốc của đối tượng bằng cảm biến gia tốc có 
thể thực hiện bằng phép tích phân trực tiếp. Tuy 
nhiên, do cảm biến luôn bị nhiễu tác động và đồng 
thời, quá trình lắp đặt luôn tồn tại sai số nên nếu dùng 
phép tích phân trực tiếp sẽ gây ra sai số cộng dồn làm 
kết quả ngày càng sai. 
- Định vị toàn cầu - cảm biến GPS. GPS cho 
phép đo rất nhiều thông tin chuyển động của đối 
tượng như tốc độ, vị trí, độ cao so với mực nước 
biển... Đặc điểm của GPS là có tốc độ trích mẫu rất 
chậm, thường là 1-5Hz. Tuy nhiên, với một số công 
nghệ mới, tốc độ của GPS đã được nâng lên 20Hz với 
độ chính xác vị trí lên tới 2m và độ chính xác tốc độ 
lên tới 0.05m/s. 
- Cảm biến đo tốc độ quay của bánh xe. Các 
cảm biến đo tốc độ quay của bánh xe được gắn sẵn 
trên xe i-MiEV của Mitsubishi là loại cảm biến từ với 
độ phân giải chỉ là 36 xung/vòng. Do đó với độ phân 
giải thấp như vậy, chu kỳ trích mẫu của phép đo tốc 
độ bánh xe được lựa chọn là 10Hz. 
Cả ba cảm biến trên đều có thể đưa lại thông tin 
về tốc độ của xe. Tuy nhiên, do các đặc điểm vốn có 
của chúng như nhiễu, độ phân giải thấp, tốc độ cập 
nhật thấp nên cần phải có thêm các khâu tiền xử lý để 
có thể đưa vào thuật toán tổng hợp thông tin ở tốc độ 
cao (hơn 200Hz như yêu cầu). Toàn bộ các công việc 
này đều thuộc nhiệm vụ của lĩnh vực tổng hợp cảm 
biến. 
3. Ước lượng tốc độ dài xe ô tô 
3.1. Tổng hợp tối ưu dữ liệu từ các nguồn thông tin 
khác nhau 
Một cách tổng quát, xét một hệ thống gồm 3 cảm 
biến, mỗi cảm biến đảm nhiệm phép đo cùng một đối 
tượng x . Các cảm biến này được giả thiết là độc lập, 
với các sai lệch cũng độc lập, không tương quan, 
không chệch (unbiased) và có độ lớn là iv với 
1..3i . Yêu cầu đặt ra là: Thiết kế thuật toán tổng 
hợp dữ liệu từ 3 cảm biến này để xây dựng ước lượng 
tối ưu của đối tượng x . 
Các phép đo có thể được mô tả theo phương trình 
sau: 
1 1
2 2
3 3
z x v
z x v
z x v
 (1) 
trong đó, , 1..3iz i là các giá trị đo lấy được từ các 
cảm biến. 
Do không còn thông tin nào khác, chúng ta có 
thể xây dựng ước lượng của x , ký hiệu là xˆ , là một 
hàm tuyến tính của các phép đo như sau: 
1 1 2 2 3 3xˆ k z k z k z (2) 
trong đó, , 1..3ik i là các trọng số có độ lớn tỉ lệ với 
độ tin cậy của phép đo từ các cảm biến tương ứng. 
Từ đó, bài toán vừa nêu trên chuyển thành việc 
xác định các hệ số ik để xây dựng ước lượng tối ưu 
của x theo phương trình (2) 
Định nghĩa sai lệch ước lượng x như sau: 
ˆx x x  (3) 
Để có được xˆ là ước lượng tối ưu của x thì cần 
tối thiểu hóa trung bình bình phương của x một cách 
tối ưu. Hơn nữa, các giá trị ik cũng cần phải được 
xác định với độ lớn độc lập với giá trị của x . Điều 
kiện này chỉ đảm bảo khi ước lượng là không chệch, 
tức là: 
1 1 2 2
3 3
[ ] [ ( ) ( )
( ) ] 0
E x E k x v k x v
k x v x

 (4) 
với E ký hiệu cho giá trị trung bình hay kỳ vọng của 
một biến ngẫu nhiên. Biến đổi phương trình (4) sẽ 
được phương trình sau: 
1 2 3
1 1 2 2 3 3
[ ] [( 1) ]
[ ] [ ] [ ] 0
E x E k k k x
k E v k E v k E v

 (5) 
Do kỳ vọng của các sai số đo lường 
[ ] 0, 1..3iE v i và kỳ vọng [ ]E x x nên có thể rút 
ra: 
1 2 3 1k k k 
từ đó suy ra: 
1 2 31k k k (6) 
Từ phương trình (1) và (6), phương sai của phép 
ước lượng có thể được xác định theo phương trình 
sau: 
2
2 3 1
2
2 2 3 3
[ ] [((1 )( )
( ) ( ) ) ]
E x E k k x v
k x v k x v x

2 2
2 3 1 2 2 3 3[ ] [((1 ) ) ]E x E k k v k v k v  (7) 
Khai triển phương trình trên và rút gọn các thành 
phần, phương sai của phép ước lượng được viết gọn 
lại thành: 
2 2 2
2 3 1
2 2 2 2
2 2 3 3
[ ] [(1 )
]
E x E k k v
k v k v

 (8) 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
36 
Nếu gọi i là phương sai của các nhiễu đo iv 
một cách tương ứng thì phương trình (8) cuối cùng sẽ 
là: 
2 2 2
2 3 1
2 2 2 2
2 2 3 3
[ ] (1 )E x k k
k k

 

 (9) 
Phương trình (9) cũng chính là hàm mục tiêu của 
phép ước lượng bởi định nghĩa phương sai chính là 
một hàm tích lũy. Để sai lệch ước lượng tiến về 0 một 
cách tối ưu, lấy đạo hàm riêng của phương sai (9) 
theo các hệ số 2k và 3k rồi đặt bằng 0. 
2
2
[ ]
0
E x
k



2 2
2 3 1 2 22(1 ) 2 0k k k  (10) 
và 
2
3
[ ]
0
E x
k



2 2
2 3 1 3 22(1 ) 2 0k k k  (11) 
Phương trình (10) và (11) tạo thành một hệ 2 phương 
trình, 2 ẩn số nên dễ dàng giải được nghiệm: 
2 2
1 3
2 2 2 2 2 2 2
1 2 2 3 1 3
k
 
     
 (12) 
2 2
1 2
3 2 2 2 2 2 2
1 2 2 3 1 3
k
 
     
 (13) 
Do 1 2 31k k k nên có thể xác định được hệ số 1k 
2 2
2 3
1 2 2 2 2 2 2
1 2 2 3 1 3
k
 
     
 (14) 
3.2. Ứng dụng cho ước lượng tốc độ dài 
Bài toán xây dựng thuật toán tổng hợp dữ liệu 
cảm biến để ước lượng tối ưu trạng thái của đối tượng 
đã được xây dựng như trên. Bài toán trên cũng được 
giải quyết trong trường hợp 3 cảm biến cùng đo đặc 
tính của 1 đối tượng. Cũng không quá khó khăn để 
thấy rằng, việc ước lượng vân tốc dài dựa trên dữ liệu 
của cảm biến GPS, cảm biến đo tốc độ quay của bánh 
xe và tích phân giá trị đo của cảm biến gia tốc cũng 
chính là ứng dụng của các kết quả tính toán trên. Vấn 
đề còn lại của bài toán ước lượng vận tốc là xác định 
phương sai của các cảm biến 2 , 1..3i i . 
Như đã nêu, các cảm biến GPS, tốc độ quay bánh 
xe và cảm biến gia tốc đóng góp giá trị của chúng cho 
việc ước lượng vận tốc với độ chính xác tùy thuộc 
vào điều kiện cụ thể. Do đó, phương sai của các cảm 
biến này cũng không phải là hằng số mà sẽ thay đổi 
tùy vào từng thời điểm khác nhau. Có thể phân chia 
các giai đoạn của vận tốc thành 3 trường hợp: tăng 
tốc, đi với tốc độ ổn định và giảm tốc. Ứng với 3 gia 
đoạn này, phương sai của các cảm biến cũng sẽ được 
tính toán và cập nhật lại giá trị các trọng số 
, 1..3ik i 
Để phân biệt các giai đoạn khác nhau của vận 
tốc, nếu chỉ sử dụng các cảm biến đã nêu là không 
đầy đủ và khá khó khăn, nghiên cứu đề xuất sử dụng 
thêm các cảm biến đo vị trí chân ga và chân phanh 
trên xe để tích hợp vào thuật toán ước lượng. Giá trị 
của các cảm biến chân ga và chân phanh trên xe i-
MiEV sẽ được thu thập bằng cách trích xuất dữ liệu 
trên mạng CAN của xe ô tô này. Việc sử dụng thêm 
vị trí chân ga và chân phanh ngoài mục đích ước 
lượng vận tốc, còn có thể mở rộng cho việc chủ động 
xác định các trạng thái tiêu cực khác của xe như xe bị 
trượt, bị trôi... 
Định nghĩa ap và bp tương ứng là vị trí của 
chân ga và vị trí chân phanh thu thập được thông qua 
CAN bus. Không giảm tổng quát, giả thiết rằng chân 
ga và chân phanh không được phép nhấn đồng thời, 
có nghĩa là không bao giờ xảy ra trường hợp ap và 
bp cùng có giá trị khác 0. Điều này hoàn toàn phù 
hợp với thực tế. Các giai đoạn của vận tốc được đề 
xuất định nghĩa theo dạng quy tắc (rule-based) như 
sau: 
- Quá trình tăng tốc được xem là quá trình 
người lái nhấn chân ga, sau đó, có thể giữ nguyên vị 
trí này cho tới khi đạt hoặc gần đạt được tốc độ yêu 
cầu. Do đó, quá trình này được định nghĩa như sau: 
0
0
a
x x
b
p
a e
p
 (15) 
- Quá trình đi ổn định là quá trình người lái 
điều khiển xe ở một tốc độ không đổi hoặc thay đổi ít. 
Điều này thể hiện ở quy luật sau: 
0
| |
| |
0
a
a a
x x
b
p
p e
a e
p

 (16) 
- Quá trình giảm tốc là quá trình người lái 
nhấn phanh để hãm tốc độ của xe. Do đó, quá trình 
này được định nghĩa như sau: 
0
0
a
x x
b
p
a e
p
 (17) 
Tạp chí Khoa học và Công nghệ 132 (2019) 033-039 
37 
Trong đó, xe và ae là các hằng số có giá trị nhỏ 
tương ứng với gia tốc và vị trí chân ga để phân biệt 
các giai 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.