分布式驱动电动汽车状态估计与UKF算法实践

1. 分布式驱动车辆状态估计概述

分布式驱动电动汽车作为新一代智能车辆的代表性结构，其状态估计系统直接决定了车辆稳定性控制的效果。与集中式驱动车辆不同，每个车轮的驱动电机都可以独立控制，这既带来了控制灵活性的优势，也增加了状态估计的复杂度。

在实际工程中，我们通常需要实时获取四个关键状态量：纵向车速(vx)、侧向车速(vy)、横摆角速度(γ)和质心侧偏角(β)。这些参数无法直接通过低成本传感器测量获得，必须通过算法估计。传统基于运动学模型的方法在低附着路面下误差较大，而我们的解决方案融合了动力学模型观测和先进滤波算法，实现了全工况下的可靠估计。

2. 系统架构设计

2.1 整体技术路线

我们的状态估计系统采用分层递进式架构：

1. 底层：轮边电机模型与PID速度跟踪控制
2. 中间层：基于ASMO的轮胎力观测
3. 上层：UKF/SRCKF多状态联合估计

这种架构设计充分考虑了分布式驱动车辆的特性：

• 每个电机的动态响应会影响整体车辆状态
• 轮胎力作为"中间变量"连接执行层与车辆动力学层
• 最终状态估计需要融合多个信息源

2.2 Carsim-Simulink联合仿真配置

联合仿真环境搭建有几个关键点需要注意：

• 采样时间同步：Carsim建议设置为0.001s，Simulink需保持一致
• 信号接口定义：需明确每个信号的单位、量纲和方向
• 求解器选择：使用变步长ode45求解器平衡精度与效率

重要提示：在Carsim的Vehicle Simulator配置中，务必勾选"Export additional tire signals"，这是获取轮胎力真值的关键。

3. 轮边电机建模与控制

3.1 永磁同步电机模型

分布式驱动的核心是四个独立的轮边电机，其数学模型可表示为：

code复制电压方程：
Ud = Rs·id + Ld·did/dt - ωe·Lq·iq
Uq = Rs·iq + Lq·diq/dt + ωe·(Ld·id + ψf)

电磁转矩：
Te = 1.5·np·[ψf·iq + (Ld - Lq)·id·iq]

在Simulink中实现时，我们采用简化模型，重点关注扭矩响应特性：

matlab复制function [torque, current] = motor_model(u, Kt, Ts)
    persistent iq;
    if isempty(iq)
        iq = 0;
    end
    
    % 电流一阶惯性环节
    tau = 0.02;  % 时间常数
    iq = iq + Ts/tau * (u - iq);
    
    % 扭矩计算与限幅
    torque = Kt * iq;
    torque = min(max(torque, -300), 300);