Carsim与Simulink联合仿真：EKF与AEKF车辆状态估计对比

1. 项目概述

在智能驾驶和车辆动力学控制领域，准确估计车辆状态是实现高级驾驶辅助系统(ADAS)和自动驾驶功能的基础。这个项目通过Carsim和Simulink联合仿真平台，系统性地对比了扩展卡尔曼滤波(EKF)和自适应扩展卡尔曼滤波(AEKF)两种算法在车辆状态估计中的表现。

作为一名从事车辆控制系统开发多年的工程师，我经常需要在仿真环境中验证各种估计算法的有效性。传统单一软件仿真往往难以兼顾车辆动力学建模的准确性和控制算法开发的便捷性，而Carsim-Simulink联合仿真恰好解决了这一痛点。

2. 技术背景与需求分析

2.1 车辆状态估计的重要性

车辆状态参数如横摆角速度、侧偏角等无法直接测量或测量成本过高，需要通过估计算法从可测信号中推算。这些估计值直接影响：

• 电子稳定控制系统(ESC)的干预时机
• 自适应巡航控制(ACC)的跟车策略
• 车道保持辅助(LKA)的转向控制

2.2 联合仿真的优势

Carsim提供高精度的车辆动力学模型，Simulink擅长控制算法开发，两者结合可以：

1. 避免从零搭建车辆模型的巨大工作量
2. 利用Carsim丰富的预设工况进行算法验证
3. 在Simulink中快速迭代算法设计

提示：联合仿真时建议使用Carsim 2019及以上版本，与MATLAB/Simulink的兼容性更好

3. 系统架构设计

3.1 整体框架

系统由三个主要模块构成：

1. Carsim车辆模型：提供8自由度整车模型，输出传感器仿真数据
2. Simulink估计算法：实现EKF和AEKF算法
3. 接口模块：处理数据交互和仿真同步

3.2 信号流设计

code复制Carsim输出 → 传感器噪声注入 → 估计算法 → 性能评估
            ↑
        真实状态(参考)

关键信号包括：

• 输入：纵向加速度、横向加速度、横摆角速度、轮速等
• 输出：侧偏角、横摆角速度估计值

4. 算法实现细节

4.1 EKF算法实现

EKF基于以下车辆模型：

code复制dx/dt = f(x,u) + w
z = h(x) + v

其中：

• x = [v_x, v_y, γ]^T (纵向速度、横向