电动汽车路面附着系数估计：UKF与CKF算法实践

1. 项目背景与核心挑战

在电动汽车的底盘控制系统中，路面附着系数估计一直是个关键难题。传统燃油车由于动力传递路径固定，轮胎力分配相对简单。但分布式驱动电动汽车每个车轮都能独立控制扭矩输出，这既带来了控制灵活性，也使得路面识别复杂度呈指数级上升。

去年参与某车企的冬季测试时，我们就遇到过典型场景：车辆在积雪路面突然驶入干燥柏油路段，由于系统未能及时识别附着系数变化，导致TCS介入延迟，差点造成甩尾。这个案例让我意识到，精确的实时路面识别对分布式驱动车辆有多重要。

2. 技术方案选型分析

2.1 传感器配置方案

我们选用了成本可控的标准化传感器组合：

• 轮速传感器（4个独立通道）
• 电机扭矩反馈（通过CAN总线获取）
• 低成本IMU（包含三轴加速度计和陀螺仪）
• 转向角传感器

注意：IMU安装位置要尽量靠近车辆质心，否则需进行位置补偿计算。我们曾在早期版本中将IMU装在副车架上，导致俯仰角计算误差达15%。

2.2 算法对比测试

在Matlab/Simulink环境中搭建了三种算法对比平台：

1. 扩展卡尔曼滤波(EKF)
2. 无迹卡尔曼滤波(UKF)
3. 容积卡尔曼滤波(CKF)

测试用例包含：

• 高μ到低μ的阶跃变化（模拟驶入冰面）
• 正弦变化的渐变附着系数（模拟融雪路面）
• 左右轮μ不对称工况（模拟分道线积水）

3. UKF实现细节

3.1 状态方程设计

采用7自由度车辆模型：

code复制x = [vx, vy, ωz, Fx_fl, Fx_fr, Fx_rl, Fx_rr]^T

其中轮胎力采用改进的Pacejka魔术公式建模，引入μ作为时变参数。

3.2 Sigma点采样策略

选用α=1e-3, β=2, κ=0的经典参数配置。实测发现对于非线性较强的轮胎模型，增加sigma点数量能提升约12%的估计精度，但会带来约15%的计算量上升。

实操技巧：在嵌入式实现时，可将sigma点生成放在后台任务中预计算，主循环只进行预测和更新步骤。

4. CKF优化方案

4.1 球面径向准则应用

采用3阶球面径向准则，每个维度取2n+1=15个容积点。相比UKF的2n+1=15个sigma点，CKF在相同计算量下展现出更好的数值稳定性。