当前位置：首页 > news >正文

车辆横摆动力学单轨模型：从3自由度方程到2自由度简化（附Python/Simulink代码）

news 2026/7/10 3:28:40

车辆横摆动力学单轨模型：从3自由度方程到2自由度简化（附Python/Simulink代码）

在自动驾驶和车辆工程领域，精确而高效的动力学模型是实现高性能控制的基础。单轨模型（又称自行车模型）作为分析车辆横摆动力学的经典工具，通过合理的简化假设，能够在保证计算效率的同时，准确描述车辆侧向和横摆运动的核心特性。本文将深入解析从3自由度完整模型到2自由度简化模型的推导过程，并提供可直接运行的Python仿真代码与Simulink建模要点。

1. 模型基础与假设条件

车辆动力学建模需要在精度与计算复杂度之间取得平衡。对于路径跟踪和稳定性控制等应用场景，我们重点关注车辆的侧向动力学和横摆运动，因此采用以下理想化假设：

平面运动假设：忽略悬架运动和垂向动力学，假设车辆在平坦路面行驶
刚性车身假设：不考虑车身弹性变形和载荷转移效应
纯侧偏特性：忽略轮胎纵横向力的耦合关系
匀速行驶：假设纵向速度变化缓慢，忽略纵向加速度影响

这些假设将7自由度完整车辆模型简化为3自由度模型（纵向、侧向、横摆），进而通过速度恒定假设得到2自由度横摆动力学模型。表1对比了不同自由度模型的特点：

模型类型	包含自由度	适用场景	计算复杂度
2自由度模型	侧向运动、横摆运动	稳态工况分析、控制器设计	低
3自由度模型	纵向、侧向、横摆运动	加速/制动工况分析	中
7自由度模型	车身3自由度+4轮旋转	精确的动力学仿真	高

提示：单轨模型的名称来源于将左右轮胎合并为一个等效轮胎，类似于自行车单轮接触地面的特性。

2. 3自由度动力学方程推导

基于牛顿-欧拉法，在车身坐标系下建立车辆运动方程。定义以下变量：

$v_x$, $v_y$：车体坐标系下的纵向、侧向速度
$\dot{\varphi}$：横摆角速度
$F_{yf}$, $F_{yr}$：前、后轴等效侧向力
$\delta_f$：前轮转向角
$l_f$, $l_r$：质心到前、后轴的距离

通过受力分析可得3自由度动力学方程：

x轴方向（纵向）：

m(\dot{v}_x - v_y\dot{\varphi}) = F_{xf}\cos\delta_f - F_{yf}\sin\delta_f + F_{xr} - F_{dissp}

y轴方向（侧向）：

m(\dot{v}_y + v_x\dot{\varphi}) = F_{xf}\sin\delta_f + F_{yf}\cos\delta_f + F_{yr}

z轴方向（横摆）：

I_z\ddot{\varphi} = l_f(F_{xf}\sin\delta_f + F_{yf}\cos\delta_f) - l_r F_{yr}

其中关键参数含义如下：

符号	物理意义	单位
$m$	车辆质量	kg
$I_z$	绕z轴的转动惯量	kg·m²
$F_{dissp}$	纵向阻力（滚动阻力+空气阻力）	N

3. 2自由度模型简化

对于前轮驱动车辆，假设：

前轮驱动力对横摆运动影响可忽略（$F_{xf}\sin\delta_f ≈ 0$）
纵向速度恒定（$\dot{v}_x ≈ 0$）
后轮驱动力为零（$F_{xr} = 0$）

简化后得到2自由度微分方程组：

\begin{cases} m\dot{v}_y = -mv_x\dot{\varphi} + F_{yf}\cos\delta_f + F_{yr} \\ I_z\ddot{\varphi} = l_f F_{yf}\cos\delta_f - l_r F_{yr} \end{cases}

轮胎侧向力模型采用线性侧偏刚度模型：

\begin{cases} F_{yf} = C_f \alpha_f = C_f \left(\delta_f - \frac{v_y + l_f\dot{\varphi}}{v_x}\right) \\ F_{yr} = C_r \alpha_r = -C_r \frac{v_y - l_r\dot{\varphi}}{v_x} \end{cases}

其中$C_f$, $C_r$为前、后轮胎侧偏刚度。

将轮胎模型代入动力学方程，得到状态空间表达式：

\begin{bmatrix} \dot{v}_y \\ \ddot{\varphi} \end{bmatrix} = \begin{bmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{bmatrix} \begin{bmatrix} v_y \\ \dot{\varphi} \end{bmatrix} + \begin{bmatrix} b_{11} \\ b_{21} \end{bmatrix} \delta_f

其中各系数为：

# Python计算矩阵系数示例 a11 = -(Cf + Cr)/(m*vx) a12 = (-lf*Cf + lr*Cr)/(m*vx) - vx a21 = (-lf*Cf + lr*Cr)/(Iz*vx) a22 = -(lf**2*Cf + lr**2*Cr)/(Iz*vx) b11 = Cf/m b21 = lf*Cf/Iz

4. Python仿真实现

以下代码实现2自由度模型的动态仿真：

import numpy as np import matplotlib.pyplot as plt from scipy.integrate import odeint # 车辆参数 m = 1723 # 质量(kg) Iz = 3400 # 横摆转动惯量(kg·m^2) lf, lr = 1.232, 1.468 # 质心到前/后轴距离(m) Cf, Cr = 66900, 62700 # 前/后轮侧偏刚度(N/rad) def bicycle_model(state, t, delta, vx): """ 2自由度自行车模型微分方程 """ vy, phi_dot = state # 侧向速度, 横摆角速度 # 计算侧偏角 alpha_f = delta - (vy + lf*phi_dot)/vx alpha_r = -(vy - lr*phi_dot)/vx # 计算侧向力 Fyf = Cf * alpha_f Fyr = Cr * alpha_r # 构建微分方程 dvy = (-(Fyf*np.cos(delta) + Fyr)/m) + vx*phi_dot dphi = (lf*Fyf*np.cos(delta) - lr*Fyr)/Iz return [dvy, dphi] # 仿真设置 vx = 20 # 纵向速度(m/s) t = np.linspace(0, 5, 500) # 时间序列 delta = np.pi/180 * 5 * (t>1) # 5度阶跃转向输入 # 数值积分求解 state0 = [0, 0] # 初始状态 states = odeint(bicycle_model, state0, t, args=(delta, vx)) # 可视化结果 plt.figure(figsize=(12, 8)) plt.subplot(3,1,1) plt.plot(t, delta*180/np.pi) plt.ylabel('Steering Angle (deg)') plt.subplot(3,1,2) plt.plot(t, states[:,0]) plt.ylabel('Lateral Velocity (m/s)') plt.subplot(3,1,3) plt.plot(t, states[:,1]*180/np.pi) plt.ylabel('Yaw Rate (deg/s)') plt.xlabel('Time (s)') plt.tight_layout() plt.show()

该仿真展示了对5度阶跃转向输入的动态响应，包括侧向速度和横摆角速度的变化曲线。通过修改delta函数可实现不同转向输入场景的测试。

5. Simulink建模要点

在Simulink中实现该模型时，推荐采用以下结构：

输入模块：
- 纵向速度vx（Constant模块）
- 前轮转角delta（Signal Builder或Step模块）

轮胎力计算：

% MATLAB函数块实现 function [Fyf,Fyr] = tire_force(vy,phi_dot,delta,vx) global Cf Cr lf lr alpha_f = delta - (vy + lf*phi_dot)/vx; alpha_r = -(vy - lr*phi_dot)/vx; Fyf = Cf * alpha_f; Fyr = Cr * alpha_r; end

动力学核心：
- 使用Integrator模块对$\dot{v}_y$和$\ddot{\varphi}$积分
- 通过Gain和Sum模块实现矩阵运算
关键配置：
- 求解器选择ode4（Runge-Kutta），固定步长0.01s
- 启用状态端口(Output)以提高仿真精度

模型验证时，可检查以下典型特征：

阶跃响应的超调量应在20-30%之间

横摆角速度稳态值应符合理论计算：

\dot{\varphi}_{ss} = \frac{v_x/L}{1 + Kv_x^2}\delta_f, \quad K = \frac{m}{L^2}\left(\frac{l_f}{C_r} - \frac{l_r}{C_f}\right)

6. 模型扩展与应用

基础2自由度模型可通过以下方式增强实用性：

非线性轮胎模型：

# Pacejka魔术公式示例 def pacejka(alpha, Fz): B, C, D, E = 10, 1.5, 0.8*Fz, -1.0 return D*np.sin(C*np.arctan(B*alpha - E*(B*alpha - np.arctan(B*alpha))))

参数敏感性分析：

# 研究速度对横摆响应的影响 vx_range = np.linspace(5, 40, 8) plt.figure() for vx in vx_range: states = odeint(bicycle_model, [0,0], t, args=(delta[-1], vx)) plt.plot(t, states[:,1], label=f'vx={vx}m/s') plt.legend()

实际工程应用中，该模型常用于：