四轮独立驱动电动汽车LQR横摆控制实践

1. 项目背景与核心挑战

四轮独立驱动电动汽车的横摆角速度控制是车辆动力学控制领域的前沿课题。传统集中式驱动车辆只能通过制动干预或扭矩分配来间接影响横摆力矩，而四轮独立驱动架构让每个车轮都能独立控制扭矩大小和方向，这为横摆稳定性控制提供了全新的自由度。

我在参与某新能源车企的底盘控制系统开发时，发现现有PID控制器在极限工况下存在明显滞后性。当车辆在低附着路面进行紧急变道时，传统控制策略往往需要等到横摆角速度偏差达到阈值才开始干预，此时车辆可能已经处于失稳边缘。这促使我开始研究基于LQR（线性二次调节器）的最优控制方案。

2. LQR控制理论基础

2.1 车辆动力学建模

建立准确的二自由度车辆模型是LQR设计的基础。采用经典的自行车模型，考虑横向运动和横摆运动：

code复制m(v̇ + ur) = Fyf + Fyr  
Izṙ = aFyf - bFyr

其中关键参数包括：

• m：整车质量（实测值1850kg）
• Iz：横摆转动惯量（通过CAD模型计算为3200kg·m²）
• a,b：前后轴到质心距离（1.2m/1.5m）
• Fyf,Fyr：前后轴侧向力（采用魔术公式轮胎模型）

实际项目中我们发现，当侧偏角超过8°时线性区域假设开始失效，这为后续的控制器鲁棒性设计埋下伏笔。

2.2 LQR问题构建

LQR的核心是求解使二次型目标函数最小的控制律：

code复制J = ∫(xᵀQx + uᵀRu)dt

在横摆控制中：

• 状态变量x = [β r]ᵀ （β为质心侧偏角，r为横摆角速度）
• 控制输入u = [ΔT1 ΔT2 ΔT3 ΔT4]ᵀ （四个车轮的扭矩修正量）
• Q矩阵对角元素取[10 1]（更关注侧偏角抑制）
• R矩阵取0.1*I₄（允许适度的扭矩干预）

通过Riccati方程求解得到的反馈矩阵K，将控制律表示为u = -Kx。

3. 控制策略实现细节

3.1 执行器分配算法

四轮独立驱动系统的独特优势在于扭矩矢量化能力。我们开发了基于伪逆法的分配算法：

code复制[T1 T2 T3 T4]ᵀ = Tₜₒₜₐₗ/4 + Kₚᵢⁿᵥ·[Mₓ Mᵧ M_z]ᵀ

其中：

• Kₚᵢₙᵥ为分配矩阵的伪逆
• Mₓ/Mᵧ为纵向/横向力矩需求（本项目为0）
• M_z为LQR计算得到的横摆力矩

实测表明，与传统均分法相比，伪逆法可降低约15%的执行器功耗。

3.2 抗饱和补偿设计

电机扭矩输出存在物理限幅（±1500Nm），我们采用带优先级的方向保持算法：

1. 保持总驱动力不变
2. 优先满足横摆力矩需求
3. 剩余容量按驱动效率最优分配

python复制def torque_allocate(T_demand, Mz_demand):
    T_total = sum(T_demand)
    T_max = np.array([1500]*4)
    T_min = -T_max
    
    # 第一步：满足横摆需求
    T_mz = pinv_K @ [0, 0, Mz_demand]
    T_remain = T_demand - T_mz
    
    # 第二步：总扭矩约束
    scale = min(1, (T_max[0]-T_mz[0])/T_remain[0])
    return T_mz + scale*T_remain

4. 实车验证与参数调优

4.1 双移线工况测试

在μ=0.3的低附路面进行80km/h双移线测试，关键数据对比如下：

4.2 权重参数敏感性分析

通过DOE实验发现：

• Q₁₁（β权重）＞10时会导致转向迟钝
• R对角元素＜0.05会引起高频扭矩振荡
• 最优参数组合使ISE指标降低38%

5. 工程实践中的挑战

5.1 模型失配补偿

当实际侧偏角超过线性区域时，我们采用增益调度策略：

• 在线估计路面附着系数μ
• 根据μ值调整Q矩阵权重
• 添加前馈补偿项抵消非线性效应

5.2 执行器延迟处理

电机响应存在约50ms延迟，解决方案：

1. 在状态观测器中加入延迟补偿模块
2. 使用Smith预估器结构
3. 采用MPC进行预测控制（下一阶段计划）

6. 扩展应用与优化方向

当前系统在以下场景仍有提升空间：

• 复合工况（制动+转向）下的扭矩协调
• 考虑电池SOC的能效优化控制
• 基于深度学习的参数自适应调整

测试过程中有个意外发现：当故意将后轮转向角度设置为与前轮同向时，配合扭矩矢量控制可以实现"平移转向"模式，这为狭窄空间挪车提供了新思路。不过这会显著增加控制复杂度，需要重新设计稳定性判据。