学术研究报告：基于扩展卡尔曼滤波的侧偏角与侧偏刚度估计及其在集成车辆动力学控制中的应用
一、 研究作者与发表信息 本研究的主要作者包括 Jakob Bechtloff (M.Sc.), Dr. Lars König，以及 Prof. Dr.-Ing. Dr. h.c. Rolf Isermann。Jakob Bechtloff 和 Rolf Isermann 教授隶属于德国达姆施塔特工业大学自动控制与机电一体化研究所。Dr. Lars König 则来自德国博世工程有限公司（Bosch Engineering GmbH, Heilbronn）。该研究论文题为《Cornering Stiffness and Sideslip Angle Estimation for Integrated Vehicle Dynamics Control》，发表于 IFAC-PapersOnLine 期刊，卷 49，第 11 期，2016 年，是 2016 年 6 月 19-23 日在瑞典诺尔雪平举行的第八届 IFAC 国际汽车控制进展研讨会（8th IFAC International Symposium on Advances in Automotive Control）的预印本。论文最终由 Elsevier Ltd. 出版。
二、 研究学术背景 本研究隶属于车辆工程与自动控制交叉领域，核心是车辆状态与参数估计。随着汽车电子技术的发展，集成车辆动力学控制（Integrated Vehicle Dynamics Control, IVC）成为了提升车辆安全性、稳定性与操控性的关键方向。IVC 通过协调底盘域内不同的执行器（如后轮转向、各车轮独立电驱动等）来优化整体车辆动态响应。然而，要实现 IVC 的高效工作，依赖于精确的轮胎模型及其关键参数，尤其是车轴侧偏刚度（axle cornering stiffnesses）。轮胎参数并非恒定，它会随着轮胎磨损、胎压变化、路面条件（如干湿、冰面）以及更换轮胎品牌/型号而发生显著改变。
因此，本研究提出了两个核心目标： 1. 在线估计侧偏刚度：仅利用车辆上广泛装配的电子稳定性控制（Electronic Stability Control, ESC）系统的标准传感器（如横摆角速度传感器、侧向加速度传感器、轮速传感器等），在线实时估计前、后车轴的侧偏刚度，为 IVC 提供自适应的轮胎模型参数，从而应对轮胎参数的时变性。 2. 提供鲁棒且精确的侧偏角估计：侧偏角（sideslip angle）是描述车辆质心速度方向与车身朝向之间夹角的关键状态变量，对于 ESC 等安全相关功能以及依赖侧偏角的牵引力控制等性能相关功能至关重要。然而，准确估计侧偏角面临诸多挑战，特别是在有倾斜角度的弯道（banked corner）或侧偏角快速增长的极限工况（如漂移）下，传统的基于运动学积分的方法会受到重力分量干扰和传感器偏差积累的影响，导致估计失效。
论文首先回顾了现有的侧偏角估计方法，主要分为三类：基于建模侧向加速度的半物理模型方法、非物理的黑箱回归模型方法、以及基于测量加速度的运动学积分方法。作者指出，现有方法普遍存在局限性：要么未充分考虑倾斜弯道和低附着系数路面的影响，要么依赖于大量离线训练数据且泛化能力差，要么需要复杂的启发式规则来稳定估计器并分离倾斜角与侧偏角，这些规则难以标定。本研究旨在克服这些缺陷。
三、 详细工作流程 本研究提出了一种基于扩展卡尔曼滤波器（Extended Kalman Filter, EKF）的集成估计算法，能够同步估计侧偏角、倾斜角、坡度角、最大摩擦系数以及前、后车轴的侧偏刚度。其工作流程围绕 EKF 的两个核心步骤——预测（Prediction）和校正（Correction）——展开，并引入了一个创新的“虚拟传感器”处理环节。
1. 算法框架设计 算法整体结构如图 1 所示。与传统 EKF 不同，该算法在“真实传感器”与“输出模型”之间增加了一个“虚拟传感器”模块。该模块将原始的 ESC 传感器测量值 z*（如轮速、横摆率等）转化为可用于校正步骤的“测量值” z，具体包括侧向轴力和一个经过变换的前轮速度（单轨模型前轮速度）。这种设计使得校正步骤能够直接利用轮胎力信息，并引入了一种新的侧偏角可观性来源。
2. 预测步骤 在预测步骤，系统利用离散化的非线性过程模型 f，根据上一时刻的状态估计值 x̂_{k-1} 和当前时刻的输入 u_k（包括方向盘转角 δ_f、横摆角速度 ψ̇、纵向加速度 a_x、侧向加速度 a_y 和轮速 ω）来预测当前时刻的状态 x̂_k^-。状态向量 x 包含七个关键变量：车速 v、侧偏角 β、倾斜角 φ、坡度角 θ、最大摩擦系数因子 μ_max、前轴侧偏刚度 c_α,f 和后轴侧偏刚度 c_α,r。 * 动态状态预测：车速 v 和侧偏角 β 通过对补偿了重力分量（通过估计的 φ 和 θ）后的测量纵向和侧向加速度进行积分得到。这直接处理了倾斜路面带来的干扰。 * 慢变状态建模：倾斜角 φ、坡度角 θ 和最大摩擦系数 μ_max 被建模为一阶高斯-马尔可夫过程，分别具有时间常数 T_φ, T_θ, T_μ。当这些状态不可观时，时间常数控制它们向默认值（φ 和 θ 趋向 0，μ_max 趋向 1）回归的速度。这避免了估计值在无信息时发散。 * 参数状态建模：前、后车轴侧偏刚度 c_α,f 和 c_α,r 被建模为随机游走模型。这意味着它们被处理为缓慢变化的参数，其变化由过程噪声协方差矩阵 Q_k 中的相应项 σ_cαf 和 σ_cαr 来描述。 * 协方差预测：同时，算法计算预测状态估计误差的协方差矩阵 P_k^-，这需要利用在当前工作点线性化后的过程模型雅可比矩阵 A_k 和预设的过程噪声协方差矩阵 Q_k。Q_k 是一个对角矩阵，其对角线元素代表了各个状态变量的不确定性程度，是算法需要调节的关键参数之一。
3. 校正步骤 预测状态通过与实际“测量值”的比较进行校正。校正公式为 x̂_k = x̂_k^- + K_k (z_k - h(x̂_k^-, u_k))，其中 K_k 是卡尔曼增益，h 是输出模型。 * 输出模型 h：输出模型计算三个量，用于与“虚拟传感器”产生的“测量值” z_k 进行比较： a. 单轨模型前轮速度 v_stm：这是一个创新点。它通过运动学变换将估计的质心车速 v 和侧偏角 β 映射到前轮中心位置，计算公式为 v_stm = v cos(δ_f - β) + sin(δ_f) * l_f * ψ̇。这个速度反映了侧偏角对前轮线速度的影响（如图2所示，在侧偏角增大时，v_stm 相对于 v 会减小）。这为侧偏角提供了一个全新的、不依赖于车辆质量等参数的观测来源，特别是在大侧偏角或倾斜弯道工况下，有助于区分侧偏角变化和倾斜角变化。 b. 前轴侧向力 F_y,f 和后轴侧向力 F_y,r：使用 Pacejka 轮胎模型计算，其输入包括估计的轴荷、侧偏角、纵向滑移率、以及在线估计的侧偏刚度 c_α,f/r 和最大摩擦系数 μ_max。轮胎模型中的其他常量参数通过离线辨识获得。 * “虚拟传感器”生成测量值 z_k： a. 单轨模型前轮速度测量值：由左右前轮轮速计算得到（考虑转向几何）。 b. 侧向轴力测量值：这些力无法直接测量。研究通过求解单轨模型的动力学方程，利用测量得到的侧向加速度 a_y 和横摆角加速度 ψ̈，间接推算出前、后轴的侧向力。这些计算出的力与模型预测的力进行比较，如图3和图4所示，展示了不同轮胎和路面下的轮胎特性。 * 卡尔曼增益与校正：卡尔曼增益 K_k 根据预测协方差 P_k^-、输出模型的线性化矩阵 H 以及测量噪声协方差矩阵 R_k 计算得出。R_k 也是自适应的对角矩阵，其元素代表了三个“测量值”的不确定性。例如，单轨模型前轮速度的不确定性 σ_v,stm 会在有制动力施加时增大，以避免在高纵向滑移时引入错误校正；侧向力的不确定性 σ_Fyf/r 则考虑了轮胎模型的误差和传感器噪声。校正过程实质上是根据预测状态和“测量”状态的相对不确定性（方差），对两者进行加权融合（论文第3节通过一个简化的单状态单测量例子，以图形化方式清晰地阐释了这一过程）。
4. 实验验证流程 为了全面验证所提出估计器的鲁棒性和性能，研究团队进行了大规模的实车测试。 * 测试规模：共计进行了 262 次 测试驾驶。 * 参考基准生成：测试车辆装备了高精度传感器套件，包括光学侧偏角与速度传感器、高精度 GPS 以及惯性测量单元（IMU）。所有传感器数据通过一个专门的扩展卡尔曼滤波器进行融合，以生成高精度的参考信号，包括车速 v、侧偏角 β、倾斜角 φ 和坡度角 θ。即使在光学传感器因水花等暂时失效时，该融合系统也能提供可靠的参考。 * 测试场景设计：测试覆盖了极具挑战性的多种工况，以检验算法在极端条件下的表现： a. 低附着路面与倾斜弯道：这是最具挑战性的工况，要求算法能快速适应摩擦系数变化并准确补偿倾斜角带来的重力干扰。测试包括在湿玄武岩路面上的过度转向（图6）、在湿瓷砖和湿柏油棋盘格路面上快速变化的摩擦系数（图7），以及在坡度高达 50%（约28°）的倾斜弯道中高速行驶（图8）。 b. 赛道极限驾驶：在霍根海姆赛道进行极限驾驶，包括高速过弯和带倾斜角的漂移（图9），验证算法在性能极限下的精度。 c. 大侧偏角漂移：进行稳态大侧偏角漂移测试（图10），验证算法在侧偏角极大且变化缓慢的工况下的准确性。 d. 侧偏刚度自适应验证：为了测试侧偏刚度在线估计的有效性，研究将车辆的夏季轮胎更换为冬季轮胎，但将估计器的侧偏刚度初始值设置为夏季轮胎的离线辨识值，以模拟轮胎更换后的真实场景。然后在乡村道路（图11）和赛道（图12）上行驶，观察估计器能否自适应地将侧偏刚度收敛到冬季轮胎的真实值附近。参考的“真实”侧偏刚度通过已知侧偏角的离线辨识方法获得。
四、 主要结果 算法在各种严苛测试中均表现出优异的性能。
低附着与倾斜弯道工况：
μ_max 在约0.3到1之间快速变化），并保持侧偏角估计的准确与稳定。φ。在第二个弯道，由于倾斜角变化过快，算法估计出一个较低的 μ_max（约0.6），这是一种合理的保守行为。同样，启用轮速校正后，侧偏角估计误差远小于关闭时，有效分离了倾斜角效应与车辆动力学效应。赛道极限驾驶与漂移：
侧偏刚度在线估计结果：
五、 研究结论与价值 本研究成功提出并验证了一种基于扩展卡尔曼滤波的、用于集成车辆动力学控制的侧偏角与侧偏刚度估计算法。
结论：该算法能够仅利用标准的 ESC 传感器，鲁棒且精确地估计车辆侧偏角，并能在线自适应估计前、后车轴的侧偏刚度。它有效解决了在倾斜弯道、快速变化的低附着路面以及大侧偏角等极限工况下传统方法面临的估计难题。
科学价值： 1. 方法论创新：提出了“基于轮速的侧偏角校正”新见解，通过引入单轨模型前轮速度作为观测源，显著增强了侧偏角在复杂工况下的可观性和估计稳定性。这为车辆状态估计领域提供了一种新的思路。 2. 集成估计框架：设计了一个统一的 EKF 框架，同时估计车辆动态状态（侧偏角、倾斜角）、路面特性参数（最大摩擦系数）和车辆关键参数（侧偏刚度），减少了传统方法对启发式规则的依赖，提高了系统的自适应能力和鲁棒性。 3. 详实的验证范式：通过 262 次涵盖各种极端场景的实车测试，为算法性能提供了极具说服力的证据，树立了车辆状态估计研究领域高标准验证的范例。
应用价值： 1. 赋能高级底盘控制：精确的侧偏角估计可直接用于提升现有 ESC、牵引力控制等系统的性能。自适应的侧偏刚度估计则为实现高效的集成车辆动力学控制（IVC）提供了关键的、实时的轮胎模型参数，使 IVC 系统能适应轮胎磨损、路面变化和轮胎更换，始终保持最佳控制效果。 2. 支持自动驾驶与驾驶辅助：准确的车辆动态状态感知是高级驾驶辅助系统（ADAS）和自动驾驶汽车进行决策规划与控制的基础。本算法提供的可靠状态估计对此具有重要价值。 3. 工程实践指导：论文中关于 EKF 参数（如过程噪声 Q_k、测量噪声 R_k、时间常数 T_φ 等）调优的讨论，以及自适应测量协方差的设计（如根据制动力调整轮速测量不确定性），对工程实践具有直接的指导意义。
六、 研究亮点 1. 创新的观测源：“基于单轨模型前轮速度的侧偏角校正”是本研究最突出的亮点，它巧妙地利用运动学关系，为侧偏角估计提供了一个独立且有效的观测通道。 2. 强大的工况适应性：算法在包括低附着、大倾斜角、极限赛道驾驶和漂移在内的 262 次多样化测试中均表现优异，证明了其卓越的鲁棒性和广泛的适用性。 3. 参数与状态联合在线估计：成功实现了在实车行驶过程中，仅用标准传感器同步在线估计关键轮胎参数（侧偏刚度）和车辆状态，解决了 IVC 的实际需求。 4. 减少启发式依赖：通过 EKF 的理论框架自动计算反馈增益，显著减少了对难以标定的启发式规则和门限的依赖，提高了算法的可移植性和工程友好性。
七、 其他有价值内容 论文在最后提出了进一步的改进方向，例如可以考虑引入制动压力信号和纵向滑移-力轮胎模型，以在发生侧向激励之前就提前对最大摩擦系数进行自适应，从而进一步提升估计性能。这为后续研究指明了潜在的发展路径。此外，论文中对扩展卡尔曼滤波校正步骤的图形化解释（第3节及图5），深入浅出，有助于读者理解非线性估计中卡尔曼增益和工作点的关系，具有很好的教学参考价值。