轮毂电机分布式驱动车辆状态估计：EKF 与 UKF 的探索
车辆状态估计，扩展卡尔曼滤波EKF，无迹卡尔曼滤波UKF 角阶跃输入+整车7自由度模型+UKF状态估计模型+附送EKF状态估计模型，针对于轮毂电机分布式驱动车辆，进行车速，质心侧偏角，横摆角速度估计。 模型输入：方向盘转角delta，车辆纵向加速度ax 模型输出：横摆角速度wz，纵向车速vx，质心侧偏角β 模型附参考论文和说明文档
在轮毂电机分布式驱动车辆的研究领域中，准确估计车辆状态至关重要。本文将深入探讨基于角阶跃输入、整车 7 自由度模型，利用无迹卡尔曼滤波（UKF）和扩展卡尔曼滤波（EKF）进行车速、质心侧偏角以及横摆角速度估计的相关内容。
一、模型概述
我们采用的整车 7 自由度模型为车辆状态估计提供了坚实的基础。该模型考虑了车辆在多个方向上的运动特性，使得我们能够更精确地描述车辆的实际运动状态。
模型的输入主要为方向盘转角delta和车辆纵向加速度ax。通过对这些输入信息的分析和处理，模型输出横摆角速度wz、纵向车速vx以及质心侧偏角β。这一系列的输入输出关系，构建起了我们整个状态估计系统的核心架构。
二、无迹卡尔曼滤波（UKF）状态估计模型
UKF 是一种在非线性系统状态估计中表现出色的算法。它的核心思想是通过一组精心选择的采样点（Sigma 点）来近似非线性函数的分布，进而实现对系统状态的估计。
以下是一段简单的 Python 代码示例，用于展示 UKF 在车辆状态估计中的部分实现逻辑（为简化，仅展示关键步骤）：
import numpy as np # 定义一些必要的参数 n = 3 # 状态向量维度，这里包含 vx, β, wz m = 2 # 测量向量维度，包含 delta, ax # 初始化状态向量和协方差矩阵 x_hat = np.zeros((n, 1)) P = np.eye(n) # Sigma 点的计算 lambda_ = 3 - n Sigma_points = np.zeros((n, 2 * n + 1)) Sigma_points[:, 0] = x_hat.flatten() for k in range(n): Sigma_points[:, k + 1] = x_hat.flatten() + np.sqrt((n + lambda_) * P)[:, k] Sigma_points[:, k + n + 1] = x_hat.flatten() - np.sqrt((n + lambda_) * P)[:, k]代码分析
在这段代码中，首先定义了状态向量的维度n和测量向量的维度m。接着初始化了状态估计值xhat和协方差矩阵P。关键的部分是 Sigma 点的计算，通过lambda参数的设定，利用状态估计值和协方差矩阵生成了一组 Sigma 点。这些 Sigma 点将在后续的预测和更新步骤中用于近似非线性函数，从而实现对车辆状态的估计。
三、扩展卡尔曼滤波（EKF）状态估计模型
EKF 也是常用于非线性系统状态估计的方法。它通过对非线性函数进行一阶泰勒展开线性化，将非线性问题近似为线性问题来处理。
![]()
车辆状态估计，扩展卡尔曼滤波EKF，无迹卡尔曼滤波UKF 角阶跃输入+整车7自由度模型+UKF状态估计模型+附送EKF状态估计模型，针对于轮毂电机分布式驱动车辆，进行车速，质心侧偏角，横摆角速度估计。 模型输入：方向盘转角delta，车辆纵向加速度ax 模型输出：横摆角速度wz，纵向车速vx，质心侧偏角β 模型附参考论文和说明文档
下面是 EKF 的简单 Python 代码示例（同样仅展示关键步骤）：
# 定义非线性状态转移函数 def f(x, dt): vx = x[0] beta = x[1] wz = x[2] new_x = np.array([vx + dt * ax * np.cos(beta), beta + dt * wz, wz]) return new_x # 定义非线性观测函数 def h(x): vx = x[0] beta = x[1] wz = x[2] new_y = np.array([wz, vx, beta]) return new_y # 初始化状态和协方差 x_hat_ekf = np.zeros((n, 1)) P_ekf = np.eye(n) # 预测步骤 F = np.array([[1, 0, 0], [0, 1, dt], [0, 0, 1]]) x_hat_ekf = f(x_hat_ekf, dt) P_ekf = F @ P_ekf @ F.T + Q # 测量更新步骤 H = np.array([[0, 0, 1], [1, 0, 0], [0, 1, 0]]) y = np.array([wz_measured, vx_measured, beta_measured]) K = P_ekf @ H.T @ np.linalg.inv(H @ P_ekf @ H.T + R) x_hat_ekf = x_hat_ekf + K @ (y - h(x_hat_ekf)) P_ekf = (np.eye(n) - K @ H) @ P_ekf
代码分析
在这段代码中，首先定义了非线性的状态转移函数f和观测函数h，这两个函数根据车辆模型描述了状态如何随时间变化以及如何从状态得到观测值。在初始化状态和协方差后，进行预测步骤，通过状态转移矩阵F预测下一时刻的状态和协方差。在测量更新步骤中，利用观测矩阵H、测量值y以及过程噪声协方差Q和测量噪声协方差R来计算卡尔曼增益K，进而更新状态估计值和协方差。
四、模型参考与文档说明
本次所涉及的车辆状态估计模型均附带有参考论文和详细的说明文档。参考论文为整个模型的理论基础提供了有力支撑，深入阐述了模型的构建原理、算法推导过程等。而说明文档则更侧重于实际应用，对模型的使用方法、参数设置以及可能遇到的问题都给出了详细的解释，方便大家在实际项目中能够快速上手并根据需求进行调整。
![]()
通过对 UKF 和 EKF 两种状态估计模型的研究与实践，我们能够更准确地估计轮毂电机分布式驱动车辆的关键状态参数，为车辆的智能控制和安全行驶提供坚实的数据支持。希望本文的内容能够对相关领域的研究者和开发者有所启发。
以上代码仅为示例，实际应用中需要根据具体的车辆模型和实际情况进行更细致的调整和完善。在实际项目里，这些算法的实现还需要考虑到实时性、精度以及与其他车辆系统的兼容性等诸多因素。
![]()