LQR在四轮独立驱动车辆横摆控制中的应用与优化

1. 项目背景与核心价值

在电动汽车和智能驾驶快速发展的今天，四轮独立驱动技术正成为车辆动力学控制领域的热点。与传统集中式驱动系统相比，每个车轮都能独立控制扭矩输出的设计，为车辆稳定性控制带来了革命性的可能性。我曾在某新能源车企参与过相关研发，实测发现横摆角速度控制效果直接关系到紧急避障、高速过弯等关键场景的安全性。

LQR（线性二次调节器）作为经典最优控制算法，在航空航天领域已有成熟应用。但将其移植到车辆横摆角速度控制时，会遇到模型非线性、实时性要求高等特殊挑战。这个项目就是要解决如何用LQR实现四轮独立驱动车辆的精准横摆控制，相比传统PID控制，理论上能提升约40%的瞬态响应速度。

2. 系统建模与问题定义

2.1 车辆动力学模型搭建

采用经典的二自由度自行车模型作为基础，但需要针对四轮独立驱动特性进行扩展。在Matlab/Simulink中建立的模型包含：

• 纵向动力学：$m\dot{v}x = \sum F - F_{aerodynamic}$
• 横向动力学：$m\dot{v}y = \sum F + mv_x\dot{\psi}$
• 横摆动力学：$I_z\ddot{\psi} = \sum M_z$

其中关键创新点在于轮胎力的分配策略。我们采用Dugoff轮胎模型，其纵向力计算式为：
$$F_{xi} = C_\sigma \frac{\sigma_i}{1+\sigma_i}f(\lambda_i)$$
横向力则为：
$$F_{yi} = C_\alpha \frac{\tan\alpha_i}{1+\sigma_i}f(\lambda_i)$$

实测发现当轮胎滑移率超过0.15时，线性区间假设会失效，这也是后续LQR设计时需要补偿的非线性因素。

2.2 状态空间方程构建

将模型线性化后得到状态空间表达式：
$$\dot{x} = Ax + Bu$$
其中状态变量选为：
$$x = [v_y \quad \dot{\psi}]^T$$
控制输入为：
$$u = [\Delta T_1 \quad \Delta T_2 \quad \Delta T_3 \quad \Delta T_4]^T$$

在CarSim中验证时发现，当车速低于30km/h时，模型误差会急剧增大。