1. 轮毂电机车辆状态估计概述
在分布式驱动电动汽车的研发中,状态估计是车辆动力学控制系统的核心环节。不同于传统集中式驱动车辆,轮毂电机驱动车辆由于四个车轮扭矩可独立控制,对车速、质心侧偏角等关键状态参数的估计精度要求更高。这些参数直接影响着车辆的横摆稳定性控制、扭矩矢量分配等高级功能。
工程实践中常用的状态估计方法主要分为两类:基于运动学模型的方法和基于动力学模型的方法。前者计算量小但对传感器噪声敏感,后者虽然计算复杂但能更好地反映车辆动态特性。我们今天要重点讨论的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)都属于基于动力学模型的估计方法。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 七自由度车辆建模
2.1 模型结构设计
针对轮毂电机驱动车辆的特性,我们建立包含以下自由度的整车模型:
- 纵向运动
- 横向运动
- 横摆运动
- 四个车轮的旋转运动
模型输入为方向盘转角和纵向加速度,输出为需要估计的三个关键状态量:横摆角速度(wz)、纵向车速(vx)和质心侧偏角(β)。在Python中实现时,我们通常采用面向对象的方式构建车辆模型类。
2.2 动力学方程实现
python复制class SevenDOFModel:
def __init__(self):
# 车辆基本参数
self.m = 1500 # 整车质量(kg)
self.Iz = 2500 # 横摆转动惯量(kg·m²)
self.lf = 1.2 # 前轴到质心距离(m)
self.lr = 1.5 # 后轴到质心距离(m)
# 轮胎参数
self.Cf = 80000 # 前轮侧偏刚度(N/rad)
self.Cr = 100000 # 后轮侧偏刚度(N/rad)
def calc_tire_force(self, delta, vx, vy):
# 前轮侧偏角计算
alpha_f = delta - np.arctan2(vy + self.lf*self.wz, vx)
# 后轮侧偏角计算
alpha_r = -np.arctan2(vy - self.lr*self.wz, vx)
# 简化线性轮胎模型
Fyf = self.Cf * alpha_f
Fyr = self.Cr * alpha_r
return Fyf, Fyr
def dynamics(self, x, delta, ax):
vx, vy, wz = x[0], x[1], x[2]
# 计算轮胎力
Fyf, Fyr = self.calc_tire_force(delta, vx, vy)
# 动力学微分方程
dvx = ax - (Fyf*np.sin(delta))/self.m + wz*vy
dvy = (F
