前阵子把一套搭载在普通ESP仿真车型上的“轮胎—路面参数在线辨识”方案在Carsim与Matlab联合仿真环境下完整跑通了前、后轴轮胎侧偏刚度用RLS递推最小二乘在线估计地面附着系数用UKF无损卡尔曼滤波估计。整条链路跑下来结果比我预想的稳但坑也比我预想的多。这篇文章把这套方案的模型推导、两个估计算法的具体实现、Carsim/Simulink接线细节以及我实际调参时踩过的雷全部摊开讲。如果你正在做底盘控制、自动驾驶状态估计或者车辆动力学参数辨识这篇应该能帮你省下不少弯路。1. 为什么侧偏刚度和附着系数必须分开估1.1 两种参数在动力学方程里的地位完全不同很多人一开始想的是“直接用一个大卡尔曼滤波器把C_f、C_r、μ全都估出来”我也试过结果是一锅粥参数之间强相关加上激励不足滤波结果经常在几个数值之间互相拉扯。后来老老实实把问题拆开才发现这本来就是两种性质完全不同的参数。侧偏刚度C_f、C_r描述的是轮胎在小侧偏角范围内的线性响应它是底盘稳定性控制、前馈转向控制里最常用的参数。它的变化主要来自垂直载荷转移、胎压变化、轮胎磨损频率不会特别快但在一个连续工况里确实会随载荷变化。附着系数μ描述的是轮胎和地面之间的摩擦极限它只在轮胎力接近饱和时才会强烈影响车辆响应。在正常行驶的线性区μ对车速、横摆角速度、侧向加速度几乎没有可辨识的影响。所以正确的分工是RLS负责在线跟踪侧偏刚度UKF负责在轮胎进入非线性区时反推附着系数。1.2 RLS负责“快”UKF负责“韧”RLS结构简单、计算量小、在100Hz下跑毫无压力而且对线性回归模型来说它是最优的递推在线辨识工具。侧偏刚度的物理关系在低侧偏角下本来就是近似线性的正好落在RLS的舒适区。UKF则适合处理非线性强、且模型不是简单回归关系的估计问题。附着系数一旦进入轮胎饱和段轮胎力—侧偏角关系是一条明显弯曲、然后变平的曲线这种非线性用无损变换传播比用泰勒展开线性化更稳。我这条链路的设计是RLS先把当前的前后轴刚度估出来经过平滑后作为UKF里的已知参数UKF再依靠饱和段的非线性特征估μ。这样两路估计器各管一段信息流清晰也方便单独调试。1.3 整体信号流先讲清楚整个仿真系统的信号流是这样的Carsim输出实时车速v_x、侧向速度v_y或质心侧偏角β、横摆角速度r、侧向加速度a_y、纵向加速度a_x、前轮转角δ这些信号一路进到RLS模块RLS在线算出C_f和C_r另一路进入UKF模块UKF把当前时刻的C_f、C_r、v_x、δ、a_x当输入用整车平面运动模型推进状态用a_y和r做观测量估计出路面μ。需要提前警告一句Carsim默认输出的是“理想真值”没有传感器噪声。这会让算法在仿真里看起来特别漂亮但一接实车传感器就露馅。所以联合仿真阶段我建议主动加噪声、加滤波具体在第5节讲。2. 从二自由度模型推导出可编程的估计方程2.1 单轨模型与力反解两个估计算法都建立在下图的二自由度单轨模型上。这是车辆动力学最经典的简化模型把左右轮合并成前轴、后轴忽略侧倾、俯仰只保留侧向运动和横摆运动两个自由度。本文采用ISO车辆坐标系x向前y向左z向上横摆角速度左转为正。质量、横摆惯量分别为m、I_z质心到前后轴的距离为l_f、l_r轴距L l_f l_r。前轮转角δ。前后轴侧向力记为F_yf、F_yr这里定义为整个前轴或后轴的总侧向力相当于“轴等效侧偏刚度×轴侧偏角”后面单独解释。动力学方程为m(\dot{v}y v_x r) F{yf} F_{yr}I_z \dot{r} l_f F_{yf} - l_r F_{yr}注意括号里的(\dot{v}_y v_x r)正是车身坐标系下的侧向加速度a_y所以第一条可以写成m a_y F_{yf} F_{yr}这两条方程放在一起可以反解出前后轴侧向力F_{yf} \frac{I_z \dot{r} l_r m a_y}{L}F_{yr} \frac{l_f m a_y - I_z \dot{r}}{L}这一步是整个方案里最核心的变形。它的妙处在于只要测得到a_y和横摆角加速度\dot{r}我们不需要依赖任何轮胎模型就能直接“算”出前后轴当前时刻的侧向力。这个力再除以对应的侧偏角就得到当前等效侧偏刚度。后面RLS的回归方程就是从这里来的。2.2 侧偏角和垂直载荷有了侧向力还不够还得知道轮胎侧偏角。在ISO坐标系下前后轴侧偏角定义为\alpha_f \delta - \arctan \frac{v_y l_f \cdot r}{v_x}\alpha_r \arctan \frac{l_r \cdot r - v_y}{v_x}线性区小角度近似时可以忽略arctan直接用\alpha_f \delta - \frac{v_y l_f r}{v_x}\alpha_r \frac{l_r r - v_y}{v_x}但Carsim联合仿真里前轮转角可以达到8°甚至更大如果这时候还用线性近似误差会越来越大所以RLS模块里我建议直接用arctan形式代码开销差别不大。垂直载荷对侧偏刚度有直接影响载荷转移越大等效侧偏刚度变化越明显。前后轴垂直载荷按以下公式计算F_{zf} \frac{m g l_r - m h a_x}{L}F_{zr} \frac{m g l_f m h a_x}{L}其中h是质心高度。比如整车质量1500kg、轴距2.8m、l_f1.2m、l_r1.6m静止时前轴载荷约8400N、后轴约6300N。如果以0.4g制动a_x≈-3.9m/s²代入并忽略格外的俯仰前轴会增加约1100N载荷后轴减少约1100N。载荷变化直接造成侧偏刚度变化这就是RLS里的遗忘因子需要持续跟踪的原因。2.3 离散化与符号约定我建议先把模型处理成离散形式再编程。Carsim内部模型计算步长取1ms但估计算法不需要那么快RLS和UKF都运行在10ms周期也就是100Hz。对RLS来说每个周期只做几个矩阵乘法100Hz绰绰有余UKF因为有7个sigma点的非线性传播每周期计算量略大但10ms也足够。符号统一、方向统一是联合仿真第一个大坑。我的做法是在Simulink里建立一个“信号预处理子系统”把所有Carsim输出转成算法内部统一格式再做符号一致性检查——比如做一次固定左转把前轮转角、横摆角速度r、侧向加速度a_y的方向关系录下来对比确认左转时r为正、a_y为正、δ为正。这一步15分钟就能完成但能省掉后面无数“算出来曲线没见过”的排查时间。3. RLS在线估计侧偏刚度公式、整定与激励3.1 递推最小二乘的标量形式把2.1节的反力公式和侧偏角公式组合起来就得到前后轴各自的标量回归模型。后轴y_r(k) \frac{l_f m a_y(k) - I_z \dot{r}(k)}{L}\varphi_r(k) \alpha_r(k)\theta_r C_r满足y_r \varphi_r \cdot C_r。前轴同理y_f(k) \frac{I_z \dot{r}(k) l_r m a_y(k)}{L}\varphi_f(k) \alpha_f(k)\theta_f C_f之所以可以把前后轴拆成两个独立的标量RLS是因为力反解已经利用了整车力平衡和横摆力矩平衡。也就是说前后轴力都不依赖轮胎模型它们是从“整车测得到的信息”里反解出来的所以可以各自独立回归。标量RLS的递推公式如下假设回归量是\varphi、观测量是y、待估参数是\theta、遗忘因子是\lambdaK(k) \frac{P(k-1) \varphi(k)}{\lambda \varphi(k) P(k-1) \varphi(k)}\hat{\theta}(k) \hat{\theta}(k-1) K(k) \left[ y(k) - \varphi(k) \hat{\theta}(k-1) \right]P(k) \frac{P(k-1) - K(k) \varphi(k) P(k-1)}{\lambda}P是估计协方差初值给大一点代表对初始猜测不信任这样算法启动阶段收敛快。我通常给P(0)1e10对应100000N/rad级别的刚度初始协方差标准差十万比真实值一个数量级足够让估计值从初始猜测快速拉到正确区间。实际编程时注意单位侧偏角用弧度侧向力用牛顿得到的C_f、C_r单位是N/rad。一个普通轿车的前轴等效刚度量级在60000~120000N/rad后轴类似或略小具体取决于载荷分配。3.2 遗忘因子和初始协方差的搭配遗忘因子\lambda是RLS里最敏感的参数。它决定了算法对“老数据”的记忆长度数学上等价于给过去的样本指数衰减权重。\lambda越小跟踪新工况越快但噪声放大越明显\lambda越大估计越平滑但对刚度突变响应越慢。我在100Hz采样下给出一组经验参考遗忘因子λ等效记忆样本数等效记忆时间适用场景0.98约50步约0.5秒刚度突变剧烈、需要极快跟踪0.99约100步约1秒常规在线辨识兼顾速度和平滑0.995约200步约2秒慢变化场景对噪声敏感度低这里“等效记忆样本数”严格来说是1/(1-λ)只是个近似概念但作为直觉参考足够了。我实际项目里默认\lambda0.99如果工况包含快速转向比如双移线、麋鹿测试我会降到0.985。初始协方差P(0)大不能让遗忘因子\lambda开小这是很多初学者容易混的地方。P(0)只影响启动阶段的收敛速度\lambda影响稳态后跟踪能力和噪声水平。正确的做法是P(0)给大让前几十个点快速收敛同时\lambda按工况慢慢调。3.3 无激励工况的参数漂移问题RLS有个老朋友无激励发散。物理上讲是φ≈0时回归方程无法提供任何有效信息但协方差P仍然按λ继续放大下一次一旦有激励参数就会猛地跳一下跳得毫无道理。现象很典型车在直线匀速工况α_r和α_f都接近零侧向加速度也接近零此时RLS如果继续更新估计出来的C会在小信号噪声驱动下乱漂。解决方法是加一个更新门控if |\varphi(k)| \varphi_{min} 或 |a_y(k)| a_{y,min}则不执行参数更新和协方差更新。阈值我通常设置\varphi_{min}0.5°换算成弧度约0.0087rada_{y,min}0.5m/s²。只有侧偏角和侧向加速度都超过阈值才认为当前样本携带了足够信息。这个方法比调\lambda更直接而且完全符合“没有信息就不要更新”的估计直觉。另外一个常见问题是在低附着路面比如μ0.3的冰雪路面上即使前轮转角到5°侧偏角也可能已经进入非线性区这时候RLS回归得到的“等效刚度”会明显下降甚至低于真实小角度刚度。这不是算法坏了而是线性假设失效了。所以RLS的输出在进UKF之前我加了一个限幅和滑动平均避免把非线性段的瞬态畸变刚度直接喂给UKF。3.4 差分噪声怎么处理力反解公式里带了\dot{r}也就是横摆角加速度。实车上是没有直接横摆角加速度传感器的只能对横摆角速度r做差分。差分对高频噪声是灾难性的放大Carsim输出真值时不明显但一旦加了噪声RLS估计结果会剧烈抖动。我的处理分两步。第一步对r信号做低通滤波我用的是一阶低通截止频率25Hz滤掉转速率传感器的高频噪声。第二步不直接对滤波后的r做差分而是用一个简易的平滑微分器。简单做法是\dot{r}_{smooth}(k) \frac{r(k) - r(k-1)}{T_s}再对\dot{r}_{smooth}做一次截止频率15Hz的低通滤波。更稳妥的做法是在Simulink里搭一个两状态卡尔曼滤波器状态为[r, \dot{r}]观测量为r系统矩阵设为简单的运动学模型这样\dot{r}是协方差输出的平滑估计。这个方案虽然代码多一点但对后面UKF也有好处因为UKF里同样需要干净的信号。我在最终方案里就是用的这个小卡尔曼平滑器。4. UKF估计附着系数建模、sigma点与可观测性4.1 非线性强的工况为什么不用EKF轮胎力进入饱和段的形状不是直线是一条先线性、后弯曲、再平的曲线。EKF在每个采样时刻要做一步雅可比线性化等于用切线近似曲线在饱和区切线斜率变化剧烈线性化误差会直接污染增益计算甚至导致滤波发散。UKF做法是选取一组sigma点把这组点完整地通过非线性方程传播再用统计结果拟合出均值和协方差。对轮胎饱和这类强非线性UKF通常比EKF更稳而且实现并不比EKF复杂很多。代价只是计算量略大——对3维状态来说完全可以忽略。4.2 状态、观测与轮胎力饱和模型UKF的状态取为x [v_y, r, \mu]^T这里\mu作为慢变参数放进状态里用“随机游走”模型描述\dot{\mu} 0 w_\mu过程噪声w_\mu的协方差给很小表示μ变化缓慢但允许滤波慢慢跟踪。过程方程\dot{v}y \frac{F{yf} F_{yr}}{m} - v_x r w_1\dot{r} \frac{l_f F_{yf} - l_r F_{yr}}{I_z} w_2观测方程z [a_y, r]^T \left[ \frac{F_{yf} F_{yr}}{m},\ r \right]^T v其中输入是前轮转角δ、纵向车速v_x、纵向加速度a_x。难点在于F_{yf}、F_{yr}怎么写成包含μ的函数。我用的是一类带饱和的Fiala模型简化形式。令侧偏角变量s_f \tan\alpha_f、s_r \tan\alpha_r并定义饱和点s_{sat} \frac{3 \mu F_z}{C}如果|s| s_{sat}F_y -C s \frac{C^2}{3 \mu F_z} s |s| - \frac{C^3}{27 \mu^2 F_z^2} s^3如果|s| ≥ s_{sat}F_y -\mu F_z \cdot \text{sign}(s)虽然这个模型不如魔术公式精细但它把μ作为显式参数放进了力计算里而且计算量很小适合UKF每步调用多次。垂直载荷F_zf、F_zr按2.2节的载荷转移公式实时更新。4.3 7个sigma点怎么用状态维度n3标准无损变换产生2n17个sigma点。设当前状态估计为\hat{x}协方差为P取缩放参数\alpha_{ukf}0.1\kappa0\beta2则\lambda_{scaled} \alpha_{ukf}^2 (n \kappa) - n第0个点就是\hat{x}权重W_0^m \frac{\lambda_{scaled}}{n \lambda_{scaled}}W_0^c \frac{\lambda_{scaled}}{n \lambda_{scaled}} (1 - \alpha_{ukf}^2 \beta)其余6个点分布在\sqrt{(n\lambda_{scaled})P}的正负方向上权重为1 / (2(n\lambda_{scaled}))。预测步每个sigma点用四阶Runge-Kutta积分动力学方程一个周期10ms得到一组预测sigma点加权求和得到x_{pred}和P_{pred}再加上过程噪声协方差Q。更新步每个预测sigma点算出对应的观测值z_i加权得到\hat{z}然后计算观测协方差S、状态—观测互协方差P_{xz}最后乘以卡尔曼增益K P_{xz} S^{-1}\hat{x} x_{pred} K (z_{meas} - \hat{z})P P_{pred} - K S K^T在MATLAB Function块里用persistent变量保存状态和协方差即可不需要额外工具箱。Q和R的初值我比较常用的一组是Q diag([0.1;\ 0.01;\ 1e-4])R diag([0.5;\ 1e-4])这里的单位对应状态量v_y的模型噪声方差0.1m²/s²r的0.01 rad²/s²μ的1e-4是“几乎不动”。R里a_y方差0.5对应约0.7m/s²的标准差r的1e-4对应0.01rad/s。如果发现μ在直线段漂移明显把Q(3,3)再往下压半个数量级。4.4 可观测性问题直线行驶为什么估不出μ这是附着系数估计里最重要的一条。在低侧偏角线性区轮胎力F_y≈Cαμ根本不出现在力的表达式中所以测量值对μ的敏感度几乎为零。用控制理论学习的话说就是μ这一维不可观测。实践中表现为直线行驶时无论μ设多少UKF的预测值和实测值都没有本质差异增益乘出来的μ修正量趋近于零估计值就停在初始化位置。有人看到μ曲线不动以为是滤波不收敛其实机制上就是没信息。想让μ往下走必须让轮胎力推进到饱和段附近。我用的激励工况是定车速80km/h下的正弦转向扫频前轮转角幅值从3°起步、逐周期增加到9°左右、频率0.2~0.4Hz。在这个工况下侧偏角逐渐逼近饱和点μ才开始被“激活”。判断标志是在一次转向峰值附近UKF的innovationa_y的新息曲线出现明显规律性偏差同时P矩阵里与μ对应的方差开始快速收缩。所以说UKF估μ这个模块必须配合“激励管理逻辑”一起用。在实车项目里我一般建议在检测到强转向、或者ESP激活的时候才打开高增益其余时间保持估计结果冻结或缓慢更新这是工程上必须的妥协。5. Carsim与Matlab联合仿真的接线细节5.1 Carsim端的车型、工况与通道配置Carsim这边要做的几件事顺序别乱了先选车型再配工况再配输入输出通道最后发送到Simulink。车型选择上我建议直接用Carsim自带的一款普通轿车模型把整车质量、质心到前后轴距离、横摆惯量、质心高度这几个参数抄出来写进Simulink里的常数模块。算法里用的必须是这几个参数不要用Carsim界面里看到的七七八八的复杂模型参数。工况设置这一步很关键。要选择“开环转向定速”的方式而不是用闭环驾驶员模型这样便于控制激励信号。在Procedure里设置目标车速80km/h转向输入用Steering Sweep正弦扫频并设置好幅值增减序列。如果想模拟低附着路面把路面摩擦系数从1.0改成0.4这样Carsim内部轮胎模型会自动改变侧偏特性。输入输出通道记好几组信号名称输入通道Carsim收到前轮转角或方向盘转角、驱动/制动扭矩输出通道Vx纵向车速、Beta质心侧偏角、AVz横摆角速度r、Ay侧向加速度、Ax纵向加速度如果车型支持也可以把Steer_L1前轮转角直接引出来否则就用Simulink里自己喂的那个转角信号换算。换算方向盘的传动比也要核对Carsim里通常给的是方向盘转角而算法需要的Fiala模型输入是前轮转角。如果传动比是16:1方向盘40°对应前轮2.5°漏了这一步整个估计就全偏了。5.2 Simulink端的算法布局Carsim发送到Simulink后会生成一个S-Function块输入端口通常是驾驶输入转向、油门、制动输出端口是车辆状态信号。我建议的布局是驱动输入 → Carsim S-Function → 车辆状态信号总线 → 信号预处理子系统 → 双分支RLS子系统、UKF子系统 → Scope/To Workspace记录信号预处理子系统做的事情包括单位转换弧度制统一、符号核对、低通滤波、把Carsim的Beta换算成v_yv_x·tan(β)如果直接用v_y更方便的话、用平滑微分器计算\dot{r}。所有滤波都放在这里算法内核子里不做滤波保持纯净。RLS和UKF子系统的实现我推荐用MATLAB Function块承载递推逻辑用persistent变量保存状态不推荐用Simulink自带“RLS模块”因为那个模块的初始化、复位逻辑写在回调里调试起来非常别扭。5.3 仿真步长与传感器噪声注入Carsim S-Function的采样时间一般设置成1msSimulink求解器用固定步长、步长1ms。RLS和UKF在10ms周期运行可以借助“输出端Downsample”或者子系统里的Sample Time设置实现。不要把所有模块都强制到1ms不然UKF每毫秒跑7个非线性积分仿真速度会很感人。噪声注入是我的建议不是可选项。在信号预处理子系统里对v_x、a_y、r、a_x各加一个Band-Limited White Noise噪声功率按实车传感器水平给a_y加0.1m/s²标准差r加0.005rad/sv_x加0.1m/sa_x加0.05m/s²。之后再经过低通滤波。你会发现加噪声后RLS和UKF的表现才是你实车大概率会遇到的样子。记录数据时除了估出来的C_f、C_r、μ我还强烈建议把Carsim真值一并记录Carsim内部有每轮侧向力输出可以通过“报文输出”选择Front Axle Lateral Force、Rear Axle Lateral Force等通道直接拿来和力反解结果做对比验证2.1节反解公式没有符号或单位错误。这一步能快速定位很多“看起来像算法问题实际是接线问题”的幺蛾子。6. 联合仿真结果与调参踩坑实录6.1 典型工况下的收敛表现我在低附着路面μ0.4、车速80km/h、正弦扫频转向的工况下做了验证。初始RLS参数猜了C_f60000、C_r60000N/radP(0)1e10\lambda0.99。启动后大约0.5秒内两个参数快速向真值收敛真值参考是前轴约95000、后轴约92000N/rad收敛后稳态波动约±2500N/rad。这个波动水平在100Hz在线估计里是完全可以接受的。UKF初始μ1.0P(3,3)0.25Q(3,3)1e-4。前两轮扫频幅值较小时μ基本不动这是正常现象。第三轮起幅值增大到7°以上μ开始从1.0往下走约3个转向周期后落到0.38~0.42之间最终收敛在0.39附近和设定值0.4的误差在0.02以内。这个收敛过程就是第4.4节说的“激励触发”的直观表现。6.2 直线工况下μ乱跳的根因中途我做过一个“错误示范”在定速直线加小幅转向的工况下开启UKF结果μ估计值并没有保持1.0不动反而在一段时间后缓慢漂移甚至出现先降后升的波浪。排查半天根因有三个。一是Q(3,3)给得偏大让μ在无信息时也敢乱走。解决办法是把Q(3,3)从1e-4降到1e-5同时加一个μ更新门控只有横向激励超过阈值才允许更新。二是观测噪声R给小了滤波器对innovation太敏感。直线工况下a_y残差里只要是噪声就会被错误解释成μ变化。把R(1,1)从0.2放宽到0.5情况明显改善。三是C_f、C_r输入不对污染了μ估计。直线工况下RLS的刚度估计本身就不稳如果直接把未平滑的刚度喂进UKFμ就会被刚度误差“牵着走”。后来我在信号链路上加了滑动平均和限幅并把RLS更新门控的阈值提高这个问题才彻底消失。6.3 从仿真到实车的几条硬经验最后说几条我从这个项目里沉淀下来的经验可能比前面所有公式更值钱。第一条先离线核对物理公式再上在线代码。我把力反解公式的每一路都做了离线脚本验证用Carsim真值跑一段把a_y、r、\dot{r}代入公式算出的F_yf、F_yr和Carsim内部输出的轮力对比误差能控在2%以内才上线。这一步让我避开了至少两处符号和坐标系跳动的问题。第二条参数估计要跟激励绑在一起。无论是RLS还是UKF都要有“无激励就锁参数”的机制否则看似平稳的直线上协方差在悄悄膨胀等下个大的转向一来参数会像过山车一样甩出去。工程上与其提心吊胆调\lambda不如老老实实写逻辑判断。第三条把两个估计器的输出做成“建议值置信度”而不是一个单纯数值。RLS的P对角线、UKF里μ对应的方差其实都是很有价值的信息。落地到ESP或底盘控制器时哪怕同一个C_f数值在激励充足时刻和刚刚从直线恢复过来的时刻可信度完全不同。控制器应根据置信度决定使用权重这是从“能估计”到“能用好”的分水岭。这套联合仿真链路我目前拿它做底盘控制器的前级参数在线模块原型后续准备把实车传感器模型接进来再跑一轮。对刚开始做这块的人我的建议很简单先把二自由度模型吃透、把力反解公式验证明白再碰滤波器——模型错了再花的滤波算法也只是把错误估计得特别平滑。
前阵子把一套搭载在普通ESP仿真车型上的“轮胎—路面参数在线辨识”方案在Carsim与Matlab联合仿真环境下完整跑通了前、后轴轮胎侧偏刚度用RLS递推最小二乘在线估计地面附着系数用UKF无损卡尔曼滤波估计。整条链路跑下来结果比我预想的稳但坑也比我预想的多。这篇文章把这套方案的模型推导、两个估计算法的具体实现、Carsim/Simulink接线细节以及我实际调参时踩过的雷全部摊开讲。如果你正在做底盘控制、自动驾驶状态估计或者车辆动力学参数辨识这篇应该能帮你省下不少弯路。1. 为什么侧偏刚度和附着系数必须分开估1.1 两种参数在动力学方程里的地位完全不同很多人一开始想的是“直接用一个大卡尔曼滤波器把C_f、C_r、μ全都估出来”我也试过结果是一锅粥参数之间强相关加上激励不足滤波结果经常在几个数值之间互相拉扯。后来老老实实把问题拆开才发现这本来就是两种性质完全不同的参数。侧偏刚度C_f、C_r描述的是轮胎在小侧偏角范围内的线性响应它是底盘稳定性控制、前馈转向控制里最常用的参数。它的变化主要来自垂直载荷转移、胎压变化、轮胎磨损频率不会特别快但在一个连续工况里确实会随载荷变化。附着系数μ描述的是轮胎和地面之间的摩擦极限它只在轮胎力接近饱和时才会强烈影响车辆响应。在正常行驶的线性区μ对车速、横摆角速度、侧向加速度几乎没有可辨识的影响。所以正确的分工是RLS负责在线跟踪侧偏刚度UKF负责在轮胎进入非线性区时反推附着系数。1.2 RLS负责“快”UKF负责“韧”RLS结构简单、计算量小、在100Hz下跑毫无压力而且对线性回归模型来说它是最优的递推在线辨识工具。侧偏刚度的物理关系在低侧偏角下本来就是近似线性的正好落在RLS的舒适区。UKF则适合处理非线性强、且模型不是简单回归关系的估计问题。附着系数一旦进入轮胎饱和段轮胎力—侧偏角关系是一条明显弯曲、然后变平的曲线这种非线性用无损变换传播比用泰勒展开线性化更稳。我这条链路的设计是RLS先把当前的前后轴刚度估出来经过平滑后作为UKF里的已知参数UKF再依靠饱和段的非线性特征估μ。这样两路估计器各管一段信息流清晰也方便单独调试。1.3 整体信号流先讲清楚整个仿真系统的信号流是这样的Carsim输出实时车速v_x、侧向速度v_y或质心侧偏角β、横摆角速度r、侧向加速度a_y、纵向加速度a_x、前轮转角δ这些信号一路进到RLS模块RLS在线算出C_f和C_r另一路进入UKF模块UKF把当前时刻的C_f、C_r、v_x、δ、a_x当输入用整车平面运动模型推进状态用a_y和r做观测量估计出路面μ。需要提前警告一句Carsim默认输出的是“理想真值”没有传感器噪声。这会让算法在仿真里看起来特别漂亮但一接实车传感器就露馅。所以联合仿真阶段我建议主动加噪声、加滤波具体在第5节讲。2. 从二自由度模型推导出可编程的估计方程2.1 单轨模型与力反解两个估计算法都建立在下图的二自由度单轨模型上。这是车辆动力学最经典的简化模型把左右轮合并成前轴、后轴忽略侧倾、俯仰只保留侧向运动和横摆运动两个自由度。本文采用ISO车辆坐标系x向前y向左z向上横摆角速度左转为正。质量、横摆惯量分别为m、I_z质心到前后轴的距离为l_f、l_r轴距L l_f l_r。前轮转角δ。前后轴侧向力记为F_yf、F_yr这里定义为整个前轴或后轴的总侧向力相当于“轴等效侧偏刚度×轴侧偏角”后面单独解释。动力学方程为m(\dot{v}y v_x r) F{yf} F_{yr}I_z \dot{r} l_f F_{yf} - l_r F_{yr}注意括号里的(\dot{v}_y v_x r)正是车身坐标系下的侧向加速度a_y所以第一条可以写成m a_y F_{yf} F_{yr}这两条方程放在一起可以反解出前后轴侧向力F_{yf} \frac{I_z \dot{r} l_r m a_y}{L}F_{yr} \frac{l_f m a_y - I_z \dot{r}}{L}这一步是整个方案里最核心的变形。它的妙处在于只要测得到a_y和横摆角加速度\dot{r}我们不需要依赖任何轮胎模型就能直接“算”出前后轴当前时刻的侧向力。这个力再除以对应的侧偏角就得到当前等效侧偏刚度。后面RLS的回归方程就是从这里来的。2.2 侧偏角和垂直载荷有了侧向力还不够还得知道轮胎侧偏角。在ISO坐标系下前后轴侧偏角定义为\alpha_f \delta - \arctan \frac{v_y l_f \cdot r}{v_x}\alpha_r \arctan \frac{l_r \cdot r - v_y}{v_x}线性区小角度近似时可以忽略arctan直接用\alpha_f \delta - \frac{v_y l_f r}{v_x}\alpha_r \frac{l_r r - v_y}{v_x}但Carsim联合仿真里前轮转角可以达到8°甚至更大如果这时候还用线性近似误差会越来越大所以RLS模块里我建议直接用arctan形式代码开销差别不大。垂直载荷对侧偏刚度有直接影响载荷转移越大等效侧偏刚度变化越明显。前后轴垂直载荷按以下公式计算F_{zf} \frac{m g l_r - m h a_x}{L}F_{zr} \frac{m g l_f m h a_x}{L}其中h是质心高度。比如整车质量1500kg、轴距2.8m、l_f1.2m、l_r1.6m静止时前轴载荷约8400N、后轴约6300N。如果以0.4g制动a_x≈-3.9m/s²代入并忽略格外的俯仰前轴会增加约1100N载荷后轴减少约1100N。载荷变化直接造成侧偏刚度变化这就是RLS里的遗忘因子需要持续跟踪的原因。2.3 离散化与符号约定我建议先把模型处理成离散形式再编程。Carsim内部模型计算步长取1ms但估计算法不需要那么快RLS和UKF都运行在10ms周期也就是100Hz。对RLS来说每个周期只做几个矩阵乘法100Hz绰绰有余UKF因为有7个sigma点的非线性传播每周期计算量略大但10ms也足够。符号统一、方向统一是联合仿真第一个大坑。我的做法是在Simulink里建立一个“信号预处理子系统”把所有Carsim输出转成算法内部统一格式再做符号一致性检查——比如做一次固定左转把前轮转角、横摆角速度r、侧向加速度a_y的方向关系录下来对比确认左转时r为正、a_y为正、δ为正。这一步15分钟就能完成但能省掉后面无数“算出来曲线没见过”的排查时间。3. RLS在线估计侧偏刚度公式、整定与激励3.1 递推最小二乘的标量形式把2.1节的反力公式和侧偏角公式组合起来就得到前后轴各自的标量回归模型。后轴y_r(k) \frac{l_f m a_y(k) - I_z \dot{r}(k)}{L}\varphi_r(k) \alpha_r(k)\theta_r C_r满足y_r \varphi_r \cdot C_r。前轴同理y_f(k) \frac{I_z \dot{r}(k) l_r m a_y(k)}{L}\varphi_f(k) \alpha_f(k)\theta_f C_f之所以可以把前后轴拆成两个独立的标量RLS是因为力反解已经利用了整车力平衡和横摆力矩平衡。也就是说前后轴力都不依赖轮胎模型它们是从“整车测得到的信息”里反解出来的所以可以各自独立回归。标量RLS的递推公式如下假设回归量是\varphi、观测量是y、待估参数是\theta、遗忘因子是\lambdaK(k) \frac{P(k-1) \varphi(k)}{\lambda \varphi(k) P(k-1) \varphi(k)}\hat{\theta}(k) \hat{\theta}(k-1) K(k) \left[ y(k) - \varphi(k) \hat{\theta}(k-1) \right]P(k) \frac{P(k-1) - K(k) \varphi(k) P(k-1)}{\lambda}P是估计协方差初值给大一点代表对初始猜测不信任这样算法启动阶段收敛快。我通常给P(0)1e10对应100000N/rad级别的刚度初始协方差标准差十万比真实值一个数量级足够让估计值从初始猜测快速拉到正确区间。实际编程时注意单位侧偏角用弧度侧向力用牛顿得到的C_f、C_r单位是N/rad。一个普通轿车的前轴等效刚度量级在60000~120000N/rad后轴类似或略小具体取决于载荷分配。3.2 遗忘因子和初始协方差的搭配遗忘因子\lambda是RLS里最敏感的参数。它决定了算法对“老数据”的记忆长度数学上等价于给过去的样本指数衰减权重。\lambda越小跟踪新工况越快但噪声放大越明显\lambda越大估计越平滑但对刚度突变响应越慢。我在100Hz采样下给出一组经验参考遗忘因子λ等效记忆样本数等效记忆时间适用场景0.98约50步约0.5秒刚度突变剧烈、需要极快跟踪0.99约100步约1秒常规在线辨识兼顾速度和平滑0.995约200步约2秒慢变化场景对噪声敏感度低这里“等效记忆样本数”严格来说是1/(1-λ)只是个近似概念但作为直觉参考足够了。我实际项目里默认\lambda0.99如果工况包含快速转向比如双移线、麋鹿测试我会降到0.985。初始协方差P(0)大不能让遗忘因子\lambda开小这是很多初学者容易混的地方。P(0)只影响启动阶段的收敛速度\lambda影响稳态后跟踪能力和噪声水平。正确的做法是P(0)给大让前几十个点快速收敛同时\lambda按工况慢慢调。3.3 无激励工况的参数漂移问题RLS有个老朋友无激励发散。物理上讲是φ≈0时回归方程无法提供任何有效信息但协方差P仍然按λ继续放大下一次一旦有激励参数就会猛地跳一下跳得毫无道理。现象很典型车在直线匀速工况α_r和α_f都接近零侧向加速度也接近零此时RLS如果继续更新估计出来的C会在小信号噪声驱动下乱漂。解决方法是加一个更新门控if |\varphi(k)| \varphi_{min} 或 |a_y(k)| a_{y,min}则不执行参数更新和协方差更新。阈值我通常设置\varphi_{min}0.5°换算成弧度约0.0087rada_{y,min}0.5m/s²。只有侧偏角和侧向加速度都超过阈值才认为当前样本携带了足够信息。这个方法比调\lambda更直接而且完全符合“没有信息就不要更新”的估计直觉。另外一个常见问题是在低附着路面比如μ0.3的冰雪路面上即使前轮转角到5°侧偏角也可能已经进入非线性区这时候RLS回归得到的“等效刚度”会明显下降甚至低于真实小角度刚度。这不是算法坏了而是线性假设失效了。所以RLS的输出在进UKF之前我加了一个限幅和滑动平均避免把非线性段的瞬态畸变刚度直接喂给UKF。3.4 差分噪声怎么处理力反解公式里带了\dot{r}也就是横摆角加速度。实车上是没有直接横摆角加速度传感器的只能对横摆角速度r做差分。差分对高频噪声是灾难性的放大Carsim输出真值时不明显但一旦加了噪声RLS估计结果会剧烈抖动。我的处理分两步。第一步对r信号做低通滤波我用的是一阶低通截止频率25Hz滤掉转速率传感器的高频噪声。第二步不直接对滤波后的r做差分而是用一个简易的平滑微分器。简单做法是\dot{r}_{smooth}(k) \frac{r(k) - r(k-1)}{T_s}再对\dot{r}_{smooth}做一次截止频率15Hz的低通滤波。更稳妥的做法是在Simulink里搭一个两状态卡尔曼滤波器状态为[r, \dot{r}]观测量为r系统矩阵设为简单的运动学模型这样\dot{r}是协方差输出的平滑估计。这个方案虽然代码多一点但对后面UKF也有好处因为UKF里同样需要干净的信号。我在最终方案里就是用的这个小卡尔曼平滑器。4. UKF估计附着系数建模、sigma点与可观测性4.1 非线性强的工况为什么不用EKF轮胎力进入饱和段的形状不是直线是一条先线性、后弯曲、再平的曲线。EKF在每个采样时刻要做一步雅可比线性化等于用切线近似曲线在饱和区切线斜率变化剧烈线性化误差会直接污染增益计算甚至导致滤波发散。UKF做法是选取一组sigma点把这组点完整地通过非线性方程传播再用统计结果拟合出均值和协方差。对轮胎饱和这类强非线性UKF通常比EKF更稳而且实现并不比EKF复杂很多。代价只是计算量略大——对3维状态来说完全可以忽略。4.2 状态、观测与轮胎力饱和模型UKF的状态取为x [v_y, r, \mu]^T这里\mu作为慢变参数放进状态里用“随机游走”模型描述\dot{\mu} 0 w_\mu过程噪声w_\mu的协方差给很小表示μ变化缓慢但允许滤波慢慢跟踪。过程方程\dot{v}y \frac{F{yf} F_{yr}}{m} - v_x r w_1\dot{r} \frac{l_f F_{yf} - l_r F_{yr}}{I_z} w_2观测方程z [a_y, r]^T \left[ \frac{F_{yf} F_{yr}}{m},\ r \right]^T v其中输入是前轮转角δ、纵向车速v_x、纵向加速度a_x。难点在于F_{yf}、F_{yr}怎么写成包含μ的函数。我用的是一类带饱和的Fiala模型简化形式。令侧偏角变量s_f \tan\alpha_f、s_r \tan\alpha_r并定义饱和点s_{sat} \frac{3 \mu F_z}{C}如果|s| s_{sat}F_y -C s \frac{C^2}{3 \mu F_z} s |s| - \frac{C^3}{27 \mu^2 F_z^2} s^3如果|s| ≥ s_{sat}F_y -\mu F_z \cdot \text{sign}(s)虽然这个模型不如魔术公式精细但它把μ作为显式参数放进了力计算里而且计算量很小适合UKF每步调用多次。垂直载荷F_zf、F_zr按2.2节的载荷转移公式实时更新。4.3 7个sigma点怎么用状态维度n3标准无损变换产生2n17个sigma点。设当前状态估计为\hat{x}协方差为P取缩放参数\alpha_{ukf}0.1\kappa0\beta2则\lambda_{scaled} \alpha_{ukf}^2 (n \kappa) - n第0个点就是\hat{x}权重W_0^m \frac{\lambda_{scaled}}{n \lambda_{scaled}}W_0^c \frac{\lambda_{scaled}}{n \lambda_{scaled}} (1 - \alpha_{ukf}^2 \beta)其余6个点分布在\sqrt{(n\lambda_{scaled})P}的正负方向上权重为1 / (2(n\lambda_{scaled}))。预测步每个sigma点用四阶Runge-Kutta积分动力学方程一个周期10ms得到一组预测sigma点加权求和得到x_{pred}和P_{pred}再加上过程噪声协方差Q。更新步每个预测sigma点算出对应的观测值z_i加权得到\hat{z}然后计算观测协方差S、状态—观测互协方差P_{xz}最后乘以卡尔曼增益K P_{xz} S^{-1}\hat{x} x_{pred} K (z_{meas} - \hat{z})P P_{pred} - K S K^T在MATLAB Function块里用persistent变量保存状态和协方差即可不需要额外工具箱。Q和R的初值我比较常用的一组是Q diag([0.1;\ 0.01;\ 1e-4])R diag([0.5;\ 1e-4])这里的单位对应状态量v_y的模型噪声方差0.1m²/s²r的0.01 rad²/s²μ的1e-4是“几乎不动”。R里a_y方差0.5对应约0.7m/s²的标准差r的1e-4对应0.01rad/s。如果发现μ在直线段漂移明显把Q(3,3)再往下压半个数量级。4.4 可观测性问题直线行驶为什么估不出μ这是附着系数估计里最重要的一条。在低侧偏角线性区轮胎力F_y≈Cαμ根本不出现在力的表达式中所以测量值对μ的敏感度几乎为零。用控制理论学习的话说就是μ这一维不可观测。实践中表现为直线行驶时无论μ设多少UKF的预测值和实测值都没有本质差异增益乘出来的μ修正量趋近于零估计值就停在初始化位置。有人看到μ曲线不动以为是滤波不收敛其实机制上就是没信息。想让μ往下走必须让轮胎力推进到饱和段附近。我用的激励工况是定车速80km/h下的正弦转向扫频前轮转角幅值从3°起步、逐周期增加到9°左右、频率0.2~0.4Hz。在这个工况下侧偏角逐渐逼近饱和点μ才开始被“激活”。判断标志是在一次转向峰值附近UKF的innovationa_y的新息曲线出现明显规律性偏差同时P矩阵里与μ对应的方差开始快速收缩。所以说UKF估μ这个模块必须配合“激励管理逻辑”一起用。在实车项目里我一般建议在检测到强转向、或者ESP激活的时候才打开高增益其余时间保持估计结果冻结或缓慢更新这是工程上必须的妥协。5. Carsim与Matlab联合仿真的接线细节5.1 Carsim端的车型、工况与通道配置Carsim这边要做的几件事顺序别乱了先选车型再配工况再配输入输出通道最后发送到Simulink。车型选择上我建议直接用Carsim自带的一款普通轿车模型把整车质量、质心到前后轴距离、横摆惯量、质心高度这几个参数抄出来写进Simulink里的常数模块。算法里用的必须是这几个参数不要用Carsim界面里看到的七七八八的复杂模型参数。工况设置这一步很关键。要选择“开环转向定速”的方式而不是用闭环驾驶员模型这样便于控制激励信号。在Procedure里设置目标车速80km/h转向输入用Steering Sweep正弦扫频并设置好幅值增减序列。如果想模拟低附着路面把路面摩擦系数从1.0改成0.4这样Carsim内部轮胎模型会自动改变侧偏特性。输入输出通道记好几组信号名称输入通道Carsim收到前轮转角或方向盘转角、驱动/制动扭矩输出通道Vx纵向车速、Beta质心侧偏角、AVz横摆角速度r、Ay侧向加速度、Ax纵向加速度如果车型支持也可以把Steer_L1前轮转角直接引出来否则就用Simulink里自己喂的那个转角信号换算。换算方向盘的传动比也要核对Carsim里通常给的是方向盘转角而算法需要的Fiala模型输入是前轮转角。如果传动比是16:1方向盘40°对应前轮2.5°漏了这一步整个估计就全偏了。5.2 Simulink端的算法布局Carsim发送到Simulink后会生成一个S-Function块输入端口通常是驾驶输入转向、油门、制动输出端口是车辆状态信号。我建议的布局是驱动输入 → Carsim S-Function → 车辆状态信号总线 → 信号预处理子系统 → 双分支RLS子系统、UKF子系统 → Scope/To Workspace记录信号预处理子系统做的事情包括单位转换弧度制统一、符号核对、低通滤波、把Carsim的Beta换算成v_yv_x·tan(β)如果直接用v_y更方便的话、用平滑微分器计算\dot{r}。所有滤波都放在这里算法内核子里不做滤波保持纯净。RLS和UKF子系统的实现我推荐用MATLAB Function块承载递推逻辑用persistent变量保存状态不推荐用Simulink自带“RLS模块”因为那个模块的初始化、复位逻辑写在回调里调试起来非常别扭。5.3 仿真步长与传感器噪声注入Carsim S-Function的采样时间一般设置成1msSimulink求解器用固定步长、步长1ms。RLS和UKF在10ms周期运行可以借助“输出端Downsample”或者子系统里的Sample Time设置实现。不要把所有模块都强制到1ms不然UKF每毫秒跑7个非线性积分仿真速度会很感人。噪声注入是我的建议不是可选项。在信号预处理子系统里对v_x、a_y、r、a_x各加一个Band-Limited White Noise噪声功率按实车传感器水平给a_y加0.1m/s²标准差r加0.005rad/sv_x加0.1m/sa_x加0.05m/s²。之后再经过低通滤波。你会发现加噪声后RLS和UKF的表现才是你实车大概率会遇到的样子。记录数据时除了估出来的C_f、C_r、μ我还强烈建议把Carsim真值一并记录Carsim内部有每轮侧向力输出可以通过“报文输出”选择Front Axle Lateral Force、Rear Axle Lateral Force等通道直接拿来和力反解结果做对比验证2.1节反解公式没有符号或单位错误。这一步能快速定位很多“看起来像算法问题实际是接线问题”的幺蛾子。6. 联合仿真结果与调参踩坑实录6.1 典型工况下的收敛表现我在低附着路面μ0.4、车速80km/h、正弦扫频转向的工况下做了验证。初始RLS参数猜了C_f60000、C_r60000N/radP(0)1e10\lambda0.99。启动后大约0.5秒内两个参数快速向真值收敛真值参考是前轴约95000、后轴约92000N/rad收敛后稳态波动约±2500N/rad。这个波动水平在100Hz在线估计里是完全可以接受的。UKF初始μ1.0P(3,3)0.25Q(3,3)1e-4。前两轮扫频幅值较小时μ基本不动这是正常现象。第三轮起幅值增大到7°以上μ开始从1.0往下走约3个转向周期后落到0.38~0.42之间最终收敛在0.39附近和设定值0.4的误差在0.02以内。这个收敛过程就是第4.4节说的“激励触发”的直观表现。6.2 直线工况下μ乱跳的根因中途我做过一个“错误示范”在定速直线加小幅转向的工况下开启UKF结果μ估计值并没有保持1.0不动反而在一段时间后缓慢漂移甚至出现先降后升的波浪。排查半天根因有三个。一是Q(3,3)给得偏大让μ在无信息时也敢乱走。解决办法是把Q(3,3)从1e-4降到1e-5同时加一个μ更新门控只有横向激励超过阈值才允许更新。二是观测噪声R给小了滤波器对innovation太敏感。直线工况下a_y残差里只要是噪声就会被错误解释成μ变化。把R(1,1)从0.2放宽到0.5情况明显改善。三是C_f、C_r输入不对污染了μ估计。直线工况下RLS的刚度估计本身就不稳如果直接把未平滑的刚度喂进UKFμ就会被刚度误差“牵着走”。后来我在信号链路上加了滑动平均和限幅并把RLS更新门控的阈值提高这个问题才彻底消失。6.3 从仿真到实车的几条硬经验最后说几条我从这个项目里沉淀下来的经验可能比前面所有公式更值钱。第一条先离线核对物理公式再上在线代码。我把力反解公式的每一路都做了离线脚本验证用Carsim真值跑一段把a_y、r、\dot{r}代入公式算出的F_yf、F_yr和Carsim内部输出的轮力对比误差能控在2%以内才上线。这一步让我避开了至少两处符号和坐标系跳动的问题。第二条参数估计要跟激励绑在一起。无论是RLS还是UKF都要有“无激励就锁参数”的机制否则看似平稳的直线上协方差在悄悄膨胀等下个大的转向一来参数会像过山车一样甩出去。工程上与其提心吊胆调\lambda不如老老实实写逻辑判断。第三条把两个估计器的输出做成“建议值置信度”而不是一个单纯数值。RLS的P对角线、UKF里μ对应的方差其实都是很有价值的信息。落地到ESP或底盘控制器时哪怕同一个C_f数值在激励充足时刻和刚刚从直线恢复过来的时刻可信度完全不同。控制器应根据置信度决定使用权重这是从“能估计”到“能用好”的分水岭。这套联合仿真链路我目前拿它做底盘控制器的前级参数在线模块原型后续准备把实车传感器模型接进来再跑一轮。对刚开始做这块的人我的建议很简单先把二自由度模型吃透、把力反解公式验证明白再碰滤波器——模型错了再花的滤波算法也只是把错误估计得特别平滑。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
