UKF与EKF在车辆状态估计中的对比与实践

1. 车辆状态估计技术背景

在智能驾驶和车辆动力学控制领域，准确估计车辆运动状态是核心基础技术。对于轮毂电机分布式驱动车辆这类具有强非线性特性的系统，传统的状态观测方法往往难以满足精度要求。我从事车辆状态估计算法开发多年，发现工程师们最常遇到的三大痛点问题：

1. 车速估计（特别是低速工况）
2. 质心侧偏角实时测量
3. 横摆角速度动态响应

这些参数无法通过普通传感器直接获取，必须通过状态估计算法间接推算。以质心侧偏角为例，实际工程中如果估计误差超过3度，就可能导致车辆稳定性控制系统误判，引发危险工况。

2. 整车建模与问题定义

2.1 7自由度车辆模型构建

我们采用的整车模型包含：

• 纵向运动自由度
• 侧向运动自由度
• 横摆运动自由度
• 四个车轮的旋转自由度

模型状态量定义为：

code复制X = [vx, vy, wz, ω1, ω2, ω3, ω4]

其中：

• vx：纵向车速（m/s）
• vy：侧向车速（m/s）
• wz：横摆角速度（rad/s）
• ω1~ω4：四个车轮转速（rad/s）

轮胎力计算采用改进的魔术公式(Magic Formula)模型，考虑纵向滑移率和侧偏角的耦合效应。

2.2 传感器配置与观测模型

实际系统中可用的传感器信息：

• 方向盘转角δ（rad）
• 纵向加速度ax（m/s²）
• 横摆角速度wz（rad/s）（来自IMU）

需要估计的输出量：

1. 纵向车速vx
2. 质心侧偏角β（=atan(vy/vx)）
3. 横摆角速度wz（用于验证）

3. 无迹卡尔曼滤波(UKF)实现

3.1 无迹变换原理

UKF的核心思想是通过确定性采样逼近概率分布，相比EKF的泰勒展开近似，在处理非线性问题时具有明显优势。我们采用对称采样策略，选取2n+1个sigma点（n为状态维度）。

关键参数设置：

• α=1e-3（控制sigma点分布范围）
• β=2（最优高斯分布参数）
• κ=0（默认参数）

3.2 Sigma点生成实现

python复制def generate_sigma_points(x, P, gamma):
    n = len(x)
    sigma_points = np.zeros((2*n+1, n))