四轮驱动EV自适应抗差无迹粒子滤波状态估计摘要：针对四轮毂电机驱动电动汽车转矩控制中整车质心侧偏角等关键状态参数无法直接检测及车速等测量值易受到随机误差干扰的问题，建立四轮毂电机驱动电动汽车七自由度动力学模型，进行整车行驶状态参数滤波估计.结合抗差滤波原理及无迹粒子滤波算法，提出一种整车状态滤波估计方法.运用自适应抗差无迹粒子滤波，实现电动汽车行驶过程中纵向速度、侧向速度和质心侧偏角的准确滤波估计.搭建CarSim与Matlab/Simulink联合仿真实验平台对估计算法进行验证.结果表明：所搭建四轮毂机驱动汽车动力学模型对整车行驶状态具有较高的预测精度;基于自适应抗差无迹粒子滤波算法能实现整车行驶状态估计，能有效对测量参数进行滤波，且具有较高的估计精度.关键词：四轮毂电机驱动;电动汽车;车辆状态估计;自适应抗差无迹粒子滤波中图分类号：U461.1文献标志码：A收稿日期：2021-07-06基金项目：广西高校中青年教师科研基础能力提升项目（2021KY21014，2021KY0795）作者简介：龙云泽（1984―），男，广西桂林人，桂林航天工业学院工程师?通信联系人，E-mail：yunzeqepwq@163.com四轮驱动电动汽车（ElectricVehicle，EV）省去了传统燃油车较长的传动链，具有车辆底盘结构简单、传动效率高、驱动形式多样化等优点，已成为全球汽车领域研究热点[1].四轮驱动EV的轮毂电机驱动力独立可控，可实现整车多动力学状态驱动，而整车状态参数值的精确性是影响驱动模式优化及主动安全控制的关键因素.近年来，改进卡尔曼滤波算法在四轮毂电机汽车整车状态估计中得到了广泛的运用[2].扩展卡尔曼滤波（extendedKalmanfilter，EKF）理论可实现整车非线性系统的状态估计，但此方法需要计算复杂的雅可比矩阵，且存在线性化误差的影响[3-4].无迹卡尔曼滤波（unscentedKalmanfilter，UKF）引入无损变换的思想，有效地克服EKF估计精度低、稳定性差的问题，在四轮驱动汽车状态估计中得到了较好的应用，但其对整车参数估计结果在系统强非线性状态下，精度会下降明显[5].粒子滤波（particlefilter，PF）的思想是利用粒子集来表示概率，从后验概率中抽取的随机状态粒子来表达其分布，该滤波方法具有较强的非线性适应能力及多模态处理能力.但该方法在重采样阶段会造成样本有效性和多样性的损失，导致样本贫化现象.国内外不少学者运用粒子群优化粒子滤波算法实现整车状态估计，取得较好效果，但算法存在计算量较大，工程实现困难大的问题.[6-8]无迹粒子滤波（unscentedparticlefilter，UPF）算法运用无迹卡尔曼滤波方法生成建议密度函数，使先验概率峰值与似然函数峰值具有良好的吻合性，达到降低粒子退化的目的，但其运算精度受系统噪声不确定性的影响，且缺少自适应调整机制，不能对滤波增益及相关参数进行实时调节.抗差估计滤波方法，可对滤波器参数进行实时调节，对干扰噪声具有较好的自适应性[9].基于抗差滤波原理及无迹粒子滤波算法，构建自适应抗差无迹粒子滤波算法（adaptiverobustunscentedparticlefilter，ARUPF），通过整车动力学模型理论预测与实际测量融合的方法，实现四轮驱动电动汽车状态的精确估计.为解决四轮驱动电动汽车状态估计问题，建立整车七自由度整车动力学模型，通过引入权矩阵及自适应调节因子构建自适应抗差无迹粒子滤波算法，实现对整车状态的精确估计，并运用CarSim与Matlab/Simulink软件进行联合仿真验证该方法的有效性.1四轮驱动电动汽车动力学建模从七自由度整车动力学模型、车轮运动学模型、轮胎模型三个方面搭建四轮驱动汽车动力学模型.通过魔术公式轮胎模型计算各轮胎纵向及侧向驱动力，并结合七自由度整车动力学模型与车轮运动学模型进行整车动力学状态分析[10].1.1七自由度整车动力学模型建立四轮毂电机驱动车七自由度动力学模型，如图1所示.研究的目标为对整车行驶过程中纵向速度、侧向速度、质心侧偏角进行实时准确估计.因此模型考虑整车纵向运动、侧向运动、横摆运动及四轮毂电机转动自由度.模型作了以下近似：1）忽略整车垂向运动、绕y轴的俯仰运动、绕x轴侧倾3个运动的影响;2）忽略滚动阻力影响;3）忽略风阻影响;4）假设两前轮具有相同的转...