四轮独立驱动电动汽车转矩分配控制：CarSim 与 Simulink 联合探索

四轮独立驱动电动汽车转矩分配控制 CarSim与Simulink联合 三自由度车辆模型(纵向、横向、横摆) 控制方法为离散LQR(包括连续系统的离散方法和求解方法) 带有完整详细的控制器、二自由度稳定性控制目标推导文档,不带 MATLAB版本为2018b CarSim版本为2018

在电动汽车领域，四轮独立驱动技术为车辆操控性能的提升带来了新的可能性，其中转矩分配控制是关键一环。今天咱们就来聊聊基于 CarSim 与 Simulink 联合平台，运用离散 LQR 控制方法对四轮独立驱动电动汽车进行转矩分配控制的那些事儿。

三自由度车辆模型搭建

我们采用的是三自由度车辆模型，涵盖纵向、横向以及横摆三个方向。这个模型能够较为准确地描述车辆在行驶过程中的主要运动状态。纵向运动关乎车辆的前进后退速度变化，横向运动体现车辆在侧向的位移变化，而横摆运动则决定了车辆的转向特性。

CarSim 与 Simulink 联合平台

CarSim 是一款专业的车辆动力学仿真软件，其对车辆系统的建模细致全面，能提供高度逼真的车辆行驶环境模拟。Simulink 则是 MATLAB 中强大的动态系统建模、仿真和分析工具。将二者联合起来，就像是给我们的研究装上了一对强力翅膀。在 MATLAB 2018b 和 CarSim 2018 版本下，我们可以方便地搭建联合仿真环境。通过 CarSim 输出车辆的实时状态参数，比如车速、横摆角速度等，Simulink 根据这些参数进行控制算法的运算，并将转矩分配结果反馈给 CarSim，形成一个闭环的仿真系统。

离散 LQR 控制方法

连续系统的离散化

LQR（线性二次型调节器）原本是用于连续系统的控制算法，但在实际数字控制系统中，我们需要将连续系统离散化。假设连续系统的状态空间方程为：

\[ \dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t) + \mathbf{B}\mathbf{u}(t) \]

\[ \mathbf{y}(t) = \mathbf{C}\mathbf{x}(t) \]

其中，\(\mathbf{x}(t)\) 是状态向量，\(\mathbf{u}(t)\) 是控制输入向量，\(\mathbf{y}(t)\) 是输出向量，\(\mathbf{A}\)、\(\mathbf{B}\)、\(\mathbf{C}\) 是相应的系数矩阵。

离散化时，常用的方法是零阶保持器法。离散化后的状态空间方程变为：

\[ \mathbf{x}(k + 1) = \mathbf{G}\mathbf{x}(k) + \mathbf{H}\mathbf{u}(k) \]

\[ \mathbf{y}(k) = \mathbf{C}\mathbf{x}(k) \]

这里的 \(\mathbf{G}\) 和 \(\mathbf{H}\) 可以通过连续系统的参数以及采样周期 \(T\) 计算得出。以简单的一阶系统为例，假设连续系统为 \(\dot{x}(t) = ax(t) + bu(t)\)，采样周期为 \(T\)，则离散化后：

\[ G = e^{aT} \]

\[ H = \frac{e^{aT} - 1}{a}b \]

离散 LQR 求解方法

离散 LQR 的目标是找到一个最优控制律 \(\mathbf{u}(k)\)，使得性能指标函数最小化：

\[ J = \sum_{k = 0}^{\infty} [\mathbf{x}^T(k)\mathbf{Q}\mathbf{x}(k) + \mathbf{u}^T(k)\mathbf{R}\mathbf{u}(k)] \]

其中，\(\mathbf{Q}\) 是状态加权矩阵，\(\mathbf{R}\) 是控制输入加权矩阵。

求解离散 LQR 的过程，其实就是不断迭代求解 Riccati 方程：

\[ \mathbf{P}(k) = \mathbf{Q} + \mathbf{G}^T \mathbf{P}(k + 1) \mathbf{G} - \mathbf{G}^T \mathbf{P}(k + 1) \mathbf{H} (\mathbf{R} + \mathbf{H}^T \mathbf{P}(k + 1) \mathbf{H})^{-1} \mathbf{H}^T \mathbf{P}(k + 1) \mathbf{G} \]

最终得到最优反馈增益矩阵 \(\mathbf{K}\)：

\[ \mathbf{K} = (\mathbf{R} + \mathbf{H}^T \mathbf{P}(k + 1) \mathbf{H})^{-1} \mathbf{H}^T \mathbf{P}(k + 1) \mathbf{G} \]

控制律为 \(\mathbf{u}(k) = - \mathbf{K} \mathbf{x}(k)\)。

下面是一段简单的 MATLAB 代码示例来求解离散 LQR 的增益矩阵：

% 定义离散系统参数 A = [1 0.1; 0 1]; % 离散状态矩阵 G B = [0.05; 0.1]; % 离散输入矩阵 H Q = [1 0; 0 1]; % 状态加权矩阵 R = 0.1; % 控制输入加权矩阵 % 求解离散 Riccati 方程 P = dare(A, B, Q, R); % 计算反馈增益矩阵 K K = (R + B' * P * B) \ (B' * P * A);

在这段代码中，我们首先定义了离散系统的矩阵 \(A\)（对应 \(\mathbf{G}\)）、\(B\)（对应 \(\mathbf{H}\)），以及加权矩阵 \(Q\) 和 \(R\)。然后通过dare函数求解离散 Riccati 方程得到矩阵 \(P\)，最后根据公式计算出反馈增益矩阵 \(K\)。

在实际应用到四轮独立驱动电动汽车转矩分配控制中时，我们需要将车辆的三自由度模型状态参数代入到离散 LQR 的框架中，根据实时的车辆状态，通过求解得到的反馈增益矩阵 \(K\) 来计算出每个车轮所需的转矩，实现精确的转矩分配控制。

虽然本次探索没有涉及二自由度稳定性控制目标的推导文档，但基于以上的三自由度模型和离散 LQR 控制方法，已经为四轮独立驱动电动汽车转矩分配控制提供了一个坚实的基础。希望本文能为相关领域的小伙伴们带来一些启发，咱们一起在电动汽车控制技术的道路上不断探索前行。