分布式驱动车辆状态估计实战手记

【 分布式驱动车辆状态估计模型】基于Carsim和simulink联合仿真，首先建立分布式驱动车辆轮毂电机模型，并使用pid对目标速度进行跟踪，随后在使用级联滑模观测器(ASMO)和车轮运动模型对轮胎力进行观测的基础上，使用UKF/SRCKF算法对侧向车速，纵向车速，横摆角速度，质心侧偏角进行估计。 不同于基于七自由度模型的状态估计的是使用轮胎力观测器代替建立轮胎模型，防止迭代形式的误差累积（轮胎模型需要估计量作为输入，估计不准轮胎模型的输出相应误差就大）；此外为了解决Cholesky分解只能处理正定矩阵的问题，使用Utchol分解法在不影响估计效果的同时提升算法的鲁棒性。

最近在实验室搞分布式驱动电动车的状态估计，踩坑无数后终于跑通了整套流程。咱们直接从Carsim和Simulink的联调开始聊——这俩工具的通信就像谈恋爱，得讲究默契配合。

先看轮毂电机控制部分。用Simulink搭建的电机模型核心是个速度PID闭环，但实际调参时发现传统Ziegler-Nichols方法不管用。后来在速度环里叠了电流前馈才解决响应滞后的问题。代码里这个增益调度模块特别有意思：

function torque = torque_calc(v_target, v_actual) persistent integral; if isempty(integral) integral = 0; end Kp = 2.5 * (1 + 0.3*abs(v_target - v_actual)); integral = integral + 0.02*(v_target - v_actual); torque = Kp*(v_target - v_actual) + 0.15*integral; end

这个自适应的比例系数设计让电机在差速工况下也能稳定跟踪，比固定参数鲁棒性强得多。

【 分布式驱动车辆状态估计模型】基于Carsim和simulink联合仿真，首先建立分布式驱动车辆轮毂电机模型，并使用pid对目标速度进行跟踪，随后在使用级联滑模观测器(ASMO)和车轮运动模型对轮胎力进行观测的基础上，使用UKF/SRCKF算法对侧向车速，纵向车速，横摆角速度，质心侧偏角进行估计。 不同于基于七自由度模型的状态估计的是使用轮胎力观测器代替建立轮胎模型，防止迭代形式的误差累积（轮胎模型需要估计量作为输入，估计不准轮胎模型的输出相应误差就大）；此外为了解决Cholesky分解只能处理正定矩阵的问题，使用Utchol分解法在不影响估计效果的同时提升算法的鲁棒性。

说到轮胎力观测，传统七自由度模型像在走钢丝——轮胎模型的非线性特性会让估计误差像滚雪球一样累积。我们改用级联滑模观测器后，发现这货对参数抖动的忍耐力惊人。特别是第二层的滑模面设计：

double sliding_surface(double F_observed, double F_model) { double sigma = F_observed - F_model; return (sigma > 0) ? 1.0 : -1.0; // 符号函数简化实现 }

这种硬切换虽然会在仿真曲线上留下锯齿状痕迹，但实测中配合低通滤波后反而比连续函数更抗造。

状态估计的重头戏在UKF/SRCKF算法对比。实验室的师兄坚持说SRCKF在数值稳定性上更优，但我们实测发现当侧向加速度超过0.6g时，UKF的预测协方差矩阵经常出现负定——这时候经典的Cholesky分解就罢工了。于是祭出Utchol分解大法：

def utchol(P): n = P.shape[0] S = np.zeros_like(P) for j in range(n): S[j,j] = np.sqrt(P[j,j] - np.sum(S[j,:j]**2)) for i in range(j+1,n): S[i,j] = (P[i,j] - np.sum(S[i,:j]*S[j,:j]))/S[j,j] return S

这个改良版分解允许对角线元素有微小负值而不崩溃，实测计算耗时只增加7%却换来了83%的异常工况通过率。

最后在Carsim里做蛇形工况测试时，发现质心侧偏角估计误差能稳定在0.5度以内。不过有个玄学现象——每次仿真前如果不清空MATLAB工作区的历史变量，横摆角速度估计就会漂移。这提醒我们：搞状态估计不仅要懂算法，还得注意工程实现的洁癖啊。