基于AEKF的车辆状态估计技术解析与实践

1. 车辆状态估计技术概述

车辆状态估计是智能驾驶和车辆动力学控制的基础环节，其核心任务是通过有限的传感器测量值推算出车辆的真实运动状态。在实际工程中，我们常常面临传感器直接测量值不完整或存在噪声的问题。比如：

• 纵向车速：轮速传感器在打滑时失效
• 质心侧偏角：无直接测量传感器（昂贵光学设备除外）
• 横摆角速度：陀螺仪存在零漂和噪声

这就引出了我们的技术方案——基于卡尔曼滤波的状态估计方法。传统扩展卡尔曼滤波(EKF)通过线性化非线性系统来实现状态估计，但其固定噪声参数的设定在面对复杂工况时表现欠佳。而自适应扩展卡尔曼滤波(AEKF)通过Sage-Husa算法实现了噪声参数的自适应调整，显著提升了估计精度。

关键提示：质心侧偏角是车辆稳定性控制的关键状态量，当这个角度超过3-5度时，普通驾驶员就可能失去对车辆的控制。

2. 三自由度车辆建模

2.1 自行车模型扩展

经典的自行车模型仅考虑横向和横摆运动，为更全面反映车辆动态，我们增加了纵向自由度，形成三自由度模型：

1. 纵向运动：ΣFx = m(˙vx - vyγ)
2. 横向运动：ΣFy = m(˙vy + vxγ)
3. 横摆运动：ΣMz = Iz˙γ

其中vx、vy分别为纵向和横向车速，γ为横摆角速度，m为质量，Iz为绕Z轴的转动惯量。

2.2 轮胎力建模

轮胎力的准确建模直接影响状态估计精度。我们采用Pacejka魔术公式(Magic Formula)计算侧向力：

matlab复制function Fy = magicFormula(slip_angle, Fz, mu)
    % 参数说明
    % slip_angle: 轮胎侧偏角(rad)
    % Fz: 垂向载荷(N)
    % mu: 路面摩擦系数
    
    B = 10*mu; 
    C = 1.3;
    D = Fz*mu*0.6;
    E = -0.5;
    
    Fy = D*sin(C*atan(B*(1-E)*slip_angle + E*atan(B*slip_angle)));
end

这个非线性模型能准确反映轮胎在干/湿路面、不同载荷下的力学特性。实际应用中需要注意：

1. 前轮侧偏角αf = δ - (vy +