1.一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法,其特征在于包括如下步骤：

1)对四轮车行驶情况建立连续动力学模型；

2)考虑复杂环境下的混合扰动，建立系统状态方程，包括观测方程和输出方程，并构建系统滤波器；

3)给出系统误差模型，进一步给出基于最差非随机扰动下的系统误差模型，设计并通过迭代算法求解滤波器增益。

2.根据权利要求1所述的一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法,其特征在于步骤1)中，对四轮车行驶情况建立连续动力学模型的方法具体包括以下步骤：

1.1)不考虑地球自转速度的情况下，假定侧倾角速度和俯仰角速度为零，建立四轮车行驶过程中的连续动力学方程如式(1)所示：其中，vx,vy分别表示纵向速度和横向速度，上标"·"表示微分，ax,ay分别表示纵向加速度和横向加速度，wz表示横摆角速度，g表示重力加速度，α,β分别表示侧倾角与俯仰角；

1.2)由式(1)得到侧倾角α和俯仰角β的表达式如式(2)所示：实际车辆行驶过程中，相对于车辆的纵向速度vx和纵向加速度 车辆的横向速度vy和横向加速度 均很小能忽略不计，因此式(2)简化后如式(3)所示：其中α,β分别表示侧倾角与俯仰角，纵向加速度ax，横向加速度αy，纵向速度vx以及横摆角速度wz由四轮车上安装的传感器测得，而纵向速度vx的微分通过测得的vx对时间求导来得到。

3.根据权利要求1所述的一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法,其特征在于步骤2)中考虑复杂环境下的混合扰动，建立系统状态方程和观测方程包括以下步骤：

2.1)离散化后的状态方程如式(4)所示：

x(k+1)＝Ax(k)+B0w0(k)+B1w(k)      (4)其中，k表示当前离散化时刻，k+1表示下一离散化时刻，估计对象x表示侧倾角α和俯仰角β，即x＝[α β]T，上标"T"表示矩阵的转置，A表示估计对象x的状态转移矩阵，w0表示均值为零方差为1的高斯白噪声，B0表示高斯白噪声w0的输入矩阵，w表示非随机有界扰动信号，B1表示非随机有界扰动信号w的输入矩阵；

2.2)离散化后的观测方程如式(5)所示：

y(k)＝C2x(k)+Dw0(k)     (5)

其中，k表示离散化时刻，y表示观测向量，x表示估计对象,C2表示估计对象x的观测矩阵，w0表示均值为零方差为1的高斯白噪声，D表示高斯白噪声w0的观测矩阵；

离散化后的输出方程如式(6)所示：

其中，k表示离散化时刻，z,z0表示系统输出，x表示估计对象，C1,C0表示估计对象x的输出矩阵；

2.3)基于上述系统设计一个滤波器，如式(7)所示：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，A表示估计对象x的状态转移矩阵，表示估计对象x的估计值，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，y表示观测向量， 分别表示系统输出z,z0的估计值，C1,C0表示估计对象x的输出矩阵；

该滤波器的作用是使得估计值 接近系统输出z,z0，从而实现对估计对象x,即侧倾角α和俯仰角β的实时高精度估计。

4.根据权利要求1所述的一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法,其特征在于步骤3)中，给出系统误差模型，进一步给出基于最差非随机扰动下的系统误差模型，设计并通过迭代算法求解滤波器增益具体包括以下步骤：

3.1)通过式(4)(5)(6)(7)得到误差系统模型如式(8)所示：其中，k表示当前离散化时刻，k+1表示下一离散化时刻，ex表示估计对象x与对应估计值的差值,e表示系统输出z与对应估计值 的差值，e0表示系统输出z0与对应估计值 的差值，A表示估计对象x的状态转移矩阵，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，w0表示均值为零方差为1的高斯白噪声，B0为高斯白噪声w0的输入矩阵，D表示高斯白噪声w0的观测矩阵，w表示非随机有界扰动信号，B1为非随机有界扰动信号w的输入矩阵，C1,C0表示估计对象x的输出矩阵；

3.2)基于误差系统，定义最差的非随机有界扰动信号w如式(9)所示：w(k)＝Wex(k)   (9)

将式(9)代入式(8)，进一步得到最差非随机扰动下的系统误差模型如式(10)所示：定义中间矩阵AL和AW分别如式(11)、式(12)所示：

AL＝A+LC2     (11)

AW＝A+B1W    (12)

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，γ为预设的常数，ex表示估计对象x与对应估计值 的差值,e表示系统输出z与对应估计值 的差值，e0表示系统输出z0与对应估计值 的差值，A表示估计对象x的状态转移矩阵，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，w0表示均值为零方差为1的高斯白噪声，B0表示高斯白噪声w0的输入矩阵，D表示高斯白噪声w0的观测矩阵，w表示非随机有界扰动信号，B1表示非随机有界扰动信号w的输入矩阵，C1,C0表示估计对象x的输出矩阵，W，AL和AW均为中间矩阵；

3.3)当k＝0时,对中间矩阵P1和P2以及中间矩阵W和滤波器增益L赋初值，如式(13)所示：

3.4)基于误差系统，由H∞滤波算法得到最差的非随机有界扰动信号w如式(14)所示：因此如式(15)所示：

其中，k表示当前离散化时刻,w表示非随机有界扰动信号，γ为预设的常数，I表示单位矩阵，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，B1表示非随机有界扰动信号w的输入矩阵，C1,C0表示估计对象x的输出矩阵，W,AL和P1均为中间矩阵，ex表示估计对象x与对应估计值 的差值；

3.5)基于最差非随机扰动下的系统误差模型，通过H2滤波算法得到滤波器增益L的表达式如式(16)所示：其中，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，B0表示高斯白噪声w0的输入矩阵，AW和P2均为中间矩阵，D表示高斯白噪声w0的观测矩阵；

3.6)当k＝1时，由式(11)(12)(15)(16)分别得到式(17)、式(18)、式(19)及式(20)所示：AW(1)＝A+B1W(0)     (17)

AL(1)＝A+L(0)C2    (18)

其中，A表示估计对象x的状态转移矩阵，B1表示非随机有界扰动信号w的输入矩阵，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，γ为预设的常数，I表示单位矩阵，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，B0表示高斯白噪声w0的输入矩阵，D表示高斯白噪声w0的观测矩阵，w表示非随机有界扰动信号，C1,C0表示估计对象x的输出矩阵，W,AL,AW,P1和P2均为中间矩阵；

3.7)中间矩阵P1满足如下Riccati黎卡提方程如式(21)所示：因此得到中间矩阵P1(1)如式(22)所示：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，B1表示非随机有界扰动信号w的输入矩阵，L表示需要设计的滤波器增益，C2表示估计对象x的观测矩阵，γ为预设的常数，I表示单位矩阵，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，B0表示高斯白噪声w0的输入矩阵，D表示高斯白噪声w0的观测矩阵，w表示非随机有界扰动信，C1表示估计对象x的输出矩阵，AL和P1均为中间矩阵；

3.8)中间矩阵P2满足如下Riccati(黎卡提)方程如式(23)所示：因此得到中间矩阵P2(1)如式(24)所示：

其中，k表示当前离散化时刻，k+1表示下一离散化时刻，C2表示估计对象x的观测矩阵，上标"-1"表示矩阵的逆，上标"T"表示矩阵的转置，B0表示高斯白噪声w0的输入矩阵，D表示高斯白噪声w0的观测矩阵，AW和P2均为中间矩阵；

3.9)重复步骤3.6)、步骤3.7)及步骤3.8)：

若k＝T时刻时，矩阵P1(T)和矩阵P1(T-1)差值的二范数小于给定误差，分别得到如式(25)、式(26)所示：P1＝P1(T)＝P1(T-1)    (25)

AL＝AL(T)＝AL(T-1)    (26)

同样，若k＝T时刻时，矩阵P2(T)和矩阵P2(T-1)差值的二范数小于给定误差，得到分别得到如式(27)、式(28)所示：P2＝P2(T)＝P2(T-1)     (27)

AW＝AW(T)＝AW(T-1)     (28)

其中，AL,AW,P1和P2均为中间矩阵；

3.10)将中间矩阵P2和中间矩阵AW代入式(16)得到滤波器增益矩阵L。从而由滤波器(7)，实现对估计对象x的实时高精度估计，估计对象x为侧倾角α和俯仰角β。