分布式驱动电动汽车状态估计的CKF算法实践

1. 分布式驱动电动汽车状态估计的核心挑战

在分布式驱动电动汽车的操控稳定性研究中，状态估计系统相当于车辆的"感知中枢"。传统集中式驱动车辆的状态估计主要关注整车级参数，而分布式驱动架构带来了全新的技术挑战：

1. 多执行器耦合：四个车轮独立驱动意味着需要同时估计四个电机的动态特性
2. 强非线性工况：大侧偏角、低附路面等工况下轮胎力呈现显著非线性
3. 实时性要求：各轮独立控制需要毫秒级的状态更新频率

我们设计的七维状态观测器（纵向速度vx、质心侧偏角β、横摆角速度γ+四轮角速度ω1-4）采用容积卡尔曼滤波(CKF)框架，相比传统EKF方案具有三大优势：

• 无需雅可比矩阵：通过确定性采样点捕获系统非线性特性
• 数值稳定性强：QR分解维护协方差矩阵正定性
• 计算效率高：14个容积点即可覆盖7维状态空间

关键提示：CKF的容积规则源自球形径向积分准则，其采样点数随维度线性增长（2n），而UKF需要2n²+n个点，在高维系统优势明显

2. 系统架构设计与模块解析

2.1 四模块协同工作流

模块一：四轮驱动电机模型

• 接收VCU扭矩指令Tcmd（Nm）
• 考虑电机动态：τ=J·dω/dt + Bω + Tl
• 输出实测轮端扭矩Tmeas（带5%白噪声）

模块二：CarSim真值接口

• 输出车辆动力学真值：
  • 六向力/力矩（Fx,Fy,Fz,Mx,My,Mz）
  • 整车姿态（侧偏角β，横摆角γ）
  • 环境参数（路面μ，坡度θ）

模块三：Dugoff轮胎模型

matlab复制function [Fx,Fy] = dugoff_model(slip_ratio, slip_angle, Fz, mu)
    λ = (mu*Fz*(1-slip_ratio))/(2*sqrt(slip_ratio^2 + tan(slip_angle)^2));
    if λ < 1
        fλ = (2 - λ)*λ;  // 非线性区增益补偿