四轮独立驱动与LQR控制的横摆角速度优化

1. 四轮独立驱动与横摆角速度控制基础

四轮独立驱动（4WID）技术正在重新定义现代车辆的操控边界。与传统集中式驱动系统不同，每个车轮都配备独立的电机驱动单元，这种分布式架构带来了革命性的控制自由度。在高速过弯时，车辆横摆角速度（Yaw Rate）的精确控制直接决定了行驶稳定性和主动安全性。

横摆角速度本质上描述的是车辆绕垂直轴的旋转角速度，单位通常为deg/s。当这个参数与方向盘转角、车速不匹配时，就会出现转向不足（推头）或转向过度（甩尾）的危险工况。在传统车辆上，我们主要通过ESP电子稳定程序进行被动干预，而四轮独立驱动系统则可以通过扭矩矢量控制（Torque Vectoring）实现主动预防。

关键区别：传统ESP通过制动单侧车轮来纠正车身姿态，属于"事后补救"；而4WID系统通过实时调节四个电机的输出扭矩，能够实现"事前预防"级别的控制。

2. LQR控制器的数学本质

线性二次型调节器（LQR）之所以成为横摆角速度控制的首选算法，源于其独特的优化特性。该算法的核心是求解Riccati微分方程，通过最小化代价函数J来实现多目标优化：

J = ∫(xᵀQx + uᵀRu)dt

其中：

• x是状态变量（如横摆角速度误差、侧偏角等）
• u是控制输入（各电机扭矩分配）
• Q和R分别是状态权重矩阵和控制权重矩阵

在实际车辆控制中，我们通常建立包含以下状态的二自由度模型：

code复制状态向量 x = [β γ]ᵀ
其中：
β - 车身侧偏角
γ - 横摆角速度

3. 控制系统的实现架构

完整的LQR控制器实现需要构建闭环控制系统，其典型架构包含：

3.1 参考模型生成

根据方向盘转角δ和车速V，通过线性二自由度车辆模型计算理想横摆角速度γ_des：

code复制γ_des = (V/L)/(1+K*V²)*δ
其中：
L - 轴距
K - 不足转向梯度

3.2 状态观测器设计

实际工程中，横摆角速度通过IMU直接测量，而侧偏角通常需要基于动力学模型进行估计。常用的观测器结构包括：

• Kalman滤波器
• 滑模观测器
• 龙伯格观测器

3.3 权重矩阵调参

Q和R矩阵的取值直接影响控制效果：

python复制# 典型权重设置示例
Q = np.diag([10, 1])  # 侧