分层控制策略下分布式驱动电动汽车操纵稳定性的深度剖析与优化

分层控制策略下分布式驱动电动汽车操纵稳定性的深度剖析与优化一、引言1.1研究背景与意义在全球倡导环保和可持续发展的大背景下，电动汽车作为传统燃油汽车的重要替代方案，正迎来迅猛的发展态势。根据国际能源署（IEA）的数据显示，近年来全球电动汽车的销量持续攀升，2020-2023年期间，年增长率均保持在较高水平，中国、欧洲和美国等主要市场对电动汽车的需求尤为强劲。这一增长趋势不仅得益于各国政府为了减少碳排放、缓解能源危机而出台的一系列鼓励政策，如购车补贴、税收优惠和免费停车等，还得益于电池技术、电机技术和电控技术等关键领域的显著进步。这些技术的突破使得电动汽车在续航里程、充电速度、动力性能和智能化水平等方面都有了质的飞跃，逐渐消除了消费者的使用顾虑，提高了市场接受度。分布式驱动电动汽车作为电动汽车领域的新兴技术，具有独特的优势。其通过多个独立的驱动源分别驱动各个车轮，取消了传统的中央驱动轴和差速器等部件，这种创新的构型带来了诸多好处。从动力性能角度来看，分布式驱动能够实现更快速的加速和更高的最大速度，多个驱动单元同时工作，提供了更强劲的动力输出。在能源利用效率方面，它可以根据实际负载情况灵活调整各个驱动单元的工作状态，避免能源的浪费，相较于单电机集中驱动型电动汽车，效率提升19%-42%。分布式驱动还为车辆设计提供了更大的自由度，有助于优化空气动力学性能、改善载荷分配，并且由于减少了传动部件，能够降低整车质量，进一步提高能效。在一些特殊场景下，如狭小空间内的转向或越野路况，分布式驱动电动汽车的灵活操控性优势更为明显，能够实现更小的转弯半径，提升车辆的通过性和适应性。然而，分布式驱动电动汽车在实际行驶过程中，操纵稳定性问题较为突出。由于其动力学特性与传统机械式汽车存在显著差异，在面对复杂路况和驾驶条件时，如高速行驶、急转弯、紧急制动或低附着路面等情况，车辆更容易出现失稳现象，如侧滑、甩尾甚至翻车等，严重威胁到驾乘人员的生命安全和驾驶舒适性。例如，当车辆在湿滑路面上高速转弯时，由于车轮与地面的附着力减小，传统的控制策略可能无法及时有效地分配驱动力和制动力，导致车辆失去稳定控制。在紧急制动情况下，分布式驱动电动汽车的各个车轮的制动力分配不均，也可能引发车辆的跑偏或甩尾。因此，深入研究分布式驱动电动汽车的操纵稳定性，提出有效的控制策略，具有重要的现实意义和工程应用价值。它不仅能够提高车辆的行驶安全性和可靠性，为用户提供更加稳定和舒适的驾驶体验，还能进一步推动分布式驱动电动汽车技术的发展和普及，加速电动汽车产业的转型升级，助力实现全球的节能减排目标。1.2国内外研究现状在分布式驱动电动汽车操纵稳定性研究方面，国内外学者已取得了一系列有价值的成果。国外研究起步较早，一些知名高校和科研机构在该领域进行了深入探索。美国密歇根大学的研究团队通过建立详细的车辆动力学模型，对分布式驱动电动汽车在不同工况下的操纵稳定性进行了仿真分析，提出了基于模型预测控制的方法来优化车辆的横摆力矩分配，以提高车辆在极限工况下的稳定性。德国亚琛工业大学则专注于研究分布式驱动电动汽车的轮胎力估计方法，通过精确估计轮胎力，为车辆的稳定性控制提供更准确的信息，进而提升操纵稳定性。日本的一些汽车企业，如丰田和本田，也在积极开展相关研究，将分布式驱动技术应用于概念车的研发中，并通过实车试验验证了一些新的控制策略对操纵稳定性的改善效果。国内的研究近年来也发展迅速。清华大学的研究人员针对分布式驱动电动汽车的特点，提出了一种基于滑模变结构控制的操纵稳定性控制策略，通过设计合适的滑模面和控制律，使车辆在复杂工况下能够快速跟踪期望的行驶状态，有效提高了车辆的操纵稳定性。同济大学的研究团队则从多目标优化的角度出发，综合考虑车辆的动力性、经济性和操纵稳定性，开发了一套多目标协调控制算法，实现了对分布式驱动电动汽车的全面优化控制。此外，一些国内汽车企业，如比亚迪和长安，也加大了在分布式驱动电动汽车领域的研发投入，积极探索适合量产车型的操纵稳定性控制技术。在分层控制方面，国内外的研究主要围绕如何合理划分控制层次、设计各层控制器以及实现各层之间的有效协同展开。国外有研究将分层控制应用于分布式驱动电动汽车的能量管理和动力分配中，上层控制器根据车辆的行驶工况和驾驶员需求制定总体控制目标，下层控制器则负责具体的执行机构控制，通过这种方式实现了能量的高效利用和动力的合理分配。国内学者提出了一种针对分布式驱动电动汽车复合制动的分层控制策略，上层控制器以制动过程车辆稳定性为控制目标，设计了论域自调整的模糊比例-积分附加横摆力矩决策算法；下层控制器在满足广义合力的前提下，以最大化回收再生制动能量为控制目标，设计了基于粒子群算法的转矩控制分配策略，有效提高了制动过程中的稳定性和能量回收效率。尽管国内外在分布式驱动电动汽车操纵稳定性和分层控制方面已经取得了不少成果，但仍存在一些问题和挑战有待解决。例如，现有的控制策略在复杂多变的实际行驶工况下，其适应性和鲁棒性还有待进一步提高；对车辆各部件之间的非线性耦合关系以及外界干扰因素的考虑还不够全面；在实现高精度控制的同时，如何降低算法的计算复杂度和硬件成本，也是需要深入研究的方向。1.3研究内容与方法本研究的主要内容包括以下几个方面：首先，针对分布式驱动电动汽车，建立精确的车辆动力学模型。综合考虑车辆的结构特点、电机特性、轮胎模型以及各种行驶工况，采用多体动力学理论和数学建模方法，建立能够准确描述车辆动态行为的模型，为后续的研究提供基础。其次，研究车辆状态估计方法。由于实际行驶过程中车辆状态参数难以直接精确测量，通过传感器数据融合和状态估计算法，如扩展卡尔曼滤波、无迹卡尔曼滤波等，实时准确地估计车辆的质心侧偏角、横摆角速度、轮胎力等关键状态参数，为操纵稳定性控制提供可靠的数据支持。然后，重点设计基于分层控制的操纵稳定性控制策略。将控制过程分为多个层次，顶层控制根据驾驶员意图和车辆状态制定整体运动目标；中层控制负责将顶层目标根据各车轮实际运行状态和动力学特性进行调整和优化；底层控制将中层控制输出的转矩指令转化为具体的电机控制信号，实现对各车轮转矩的精细控制。在设计过程中，综合运用现代控制理论，如滑模变结构控制、模型预测控制、自适应控制等，提高控制策略的性能和鲁棒性。最后，对所提出的控制策略进行仿真验证和实车试验。利用专业的车辆动力学仿真软件，如CarSim、Simulink等，搭建仿真平台，对不同工况下的控制效果进行模拟分析；并通过实车试验，进一步验证控制策略的有效性和可行性，对策略进行优化和改进。在研究方法上，主要采用理论分析、仿真研究和实验研究相结合的方式。在理论分析阶段，运用车辆动力学、控制理论等相关知识，对分布式驱动电动汽车的操纵稳定性问题进行深入剖析，推导相关的数学模型和控制算法。在仿真研究阶段，利用计算机仿真软件构建车辆模型和控制系统模型，模拟各种实际行驶工况，对控制策略进行反复测试和优化，降低研究成本和时间。在实验研究阶段，搭建实验平台，进行硬件在环实验和实车道路试验，获取真实的实验数据，验证理论分析和仿真结果的正确性，确保研究成果的可靠性和实用性。二、分布式驱动电动汽车整车动力学建模2.1分布式电动汽车建模架构2.1.1模型架构设计分布式驱动电动汽车的整体模型架构是一个复杂且精密的系统，它主要由动力系统、底盘系统、转向系统、制动系统以及控制系统等多个关键子系统协同构成，这些子系统相互关联、相互作用，共同决定了车辆的性能和行驶特性。动力系统作为车辆的核心动力源，主要由电池组、多个轮毂电机以及相应的驱动电路组成。电池组负责储存电能，为整个车辆提供能源支持。轮毂电机则是分布式驱动电动汽车的独特之处，它们被直接安装在车轮内部，取消了传统的中央驱动轴和差速器，能够独立地对每个车轮进行驱动和控制。这种设计不仅大大简化了动力传输路径，减少了能量在传输过程中的损耗，提高了能源利用效率，还使得车辆能够实现更加灵活和精准的动力分配，显著提升了车辆的操控性能。底盘系统是车辆的基础支撑结构，对车辆的行驶稳定性起着至关重要的作用。它包括车架、悬挂系统和车轮等部件。车架作为整个车辆的骨架，承担着承载车辆各部件以及驾乘人员的重量，并在行驶过程中承受各种力的作用。悬挂系统则连接着车架和车轮，其主要作用是缓冲和减振，通过合理的设计和调校，能够有效地减少路面不平对车辆的冲击，保证车辆行驶的平顺性和舒适性。车轮作为车辆与地面直接接触的部件，不仅要承受车辆的重量，还要传递驱动力、制动力和转向力等，其性能和特性对车辆的行驶安全性和操纵稳定性有着直接的影响。转向系统用于实现车辆的转向功能，使车辆能够按照驾驶员的意图改变行驶方向。它主要由转向盘、转向器、转向传动机构等组成。驾驶员通过转动转向盘，将转向信号传递给转向器，转向器将转向盘的旋转运动转化为转向传动机构的直线运动，进而推动车轮转向。在分布式驱动电动汽车中，转向系统与轮毂电机的协同控制至关重要，通过精确地控制各个轮毂电机的转速和转矩，可以实现更加灵活的转向方式，如原地转向、蟹行转向等，进一步提升车辆在狭窄空间和复杂路况下的机动性。制动系统是确保车辆行驶安全的关键系统，其作用是使车辆减速或停止。它主要由制动踏板、制动主缸、制动轮缸、制动器等组成。当驾驶员踩下制动踏板时，制动主缸将制动液压力传递给制动轮缸，制动轮缸推动制动器工作，使车轮产生制动力。在分布式驱动电动汽车中，除了传统的摩擦制动方式外，还可以利用轮毂电机的再生制动功能，将车辆的动能转化为电能并储存回电池组，实现能量的回收利用，提高车辆的能源效率。同时，如何合理地协调摩擦制动和再生制动，以确保制动过程的平稳性和安全性，也是分布式驱动电动汽车制动系统设计中的一个重要问题。控制系统是整个车辆的“大脑”，负责对各个子系统进行监测、控制和协调。它主要由整车控制器（VCU）、电机控制器（MCU）、电池管理系统（BMS）等组成。VCU作为控制系统的核心，通过采集车辆的各种传感器数据，如车速、加速度、转向角、电池状态等，实时了解车辆的运行状态，并根据驾驶员的操作意图和预设的控制策略，向各个子系统发送控制指令。MCU则负责控制轮毂电机的运行，根据VCU的指令，精确地调节电机的转速、转矩和转向等参数。BMS主要负责管理电池组的状态，包括监测电池的电压、电流、温度等参数，控制电池的充放电过程，确保电池的安全和寿命。控制系统的性能和可靠性直接影响着车辆的整体性能和安全性，先进的控制算法和技术能够使车辆在各种复杂工况下都能保持良好的运行状态。2.1.2参考坐标系定义在对分布式驱动电动汽车进行动力学建模时，准确地定义参考坐标系是至关重要的，它为描述车辆的运动状态和建立动力学方程提供了统一的标准和框架。本文采用常用的车辆坐标系，主要包括地面惯性坐标系和车身坐标系。地面惯性坐标系，通常记为O-X_{g}Y_{g}Z_{g}，以地球表面上某一固定点为原点O，X_{g}轴沿车辆行驶方向水平向前，Y_{g}轴垂直于X_{g}轴并指向车辆行驶方向的左侧，Z_{g}轴垂直于地面向上。地面惯性坐标系是一个绝对坐标系，它相对地球静止，用于描述车辆在空间中的绝对位置和姿态。在这个坐标系中，可以方便地确定车辆的行驶轨迹、速度和加速度等参数，对于研究车辆与周围环境的相对运动关系具有重要意义。例如，在分析车辆的避障、跟车等行驶场景时，地面惯性坐标系能够提供准确的参考，帮助研究人员更好地理解车辆的运动行为。车身坐标系，记为O_{b}-X_{b}Y_{b}Z_{b}，原点O_{b}位于车辆质心处，X_{b}轴沿车辆纵向轴线指向车头方向，Y_{b}轴垂直于X_{b}轴并指向车辆左侧，Z_{b}轴垂直于车辆底面向上。车身坐标系是一个与车辆固连的坐标系，它随着车辆的运动而运动，用于描述车辆自身的运动状态和各部件之间的相对运动关系。在车身坐标系中，车辆的纵向运动、横向运动和垂向运动可以分别用沿X_{b}轴、Y_{b}轴和Z_{b}轴的位移、速度和加速度来表示。例如，在研究车辆的加速、制动、转弯等行驶工况时，车身坐标系能够直观地反映车辆的运动特性，为建立车辆动力学方程提供了便利。这两个坐标系之间存在着一定的转换关系。通过坐标变换，可以将车辆在地面惯性坐标系中的运动参数转换到车身坐标系中，反之亦然。在实际应用中，根据具体的研究问题和需求，灵活地选择和使用这两个坐标系，能够更加准确和方便地描述车辆的动力学行为。例如，在进行车辆的操纵稳定性分析时，通常在车身坐标系中建立车辆的动力学模型，因为在这个坐标系中，车辆的运动参数与驾驶员的操作和车辆的控制策略更为直接相关。而在进行车辆的路径规划和导航时，则更多地使用地面惯性坐标系，以便确定车辆在地图上的位置和行驶方向。2.2分布式驱动电动汽车动力学建模2.2.1整车动力学模型构建整车动力学模型是研究分布式驱动电动汽车操纵稳定性的基础，它全面地考虑了车辆在纵向、横向和垂向三个方向上的运动，以及各方向运动之间的相互耦合关系。在纵向方向上，车辆的运动主要受到驱动力、制动力、滚动阻力、空气阻力和坡度阻力等力的作用。根据牛顿第二定律，车辆纵向动力学方程可以表示为：m\frac{dv_{x}}{dt}=\sum_{i=1}^{4}F_{xi}-F_{f}-F_{w}-F_{i}其中，m为车辆质量，v_{x}为车辆纵向速度，F_{xi}为第i个车轮的纵向力，F_{f}为滚动阻力，F_{w}为空气阻力，F_{i}为坡度阻力。滚动阻力F_{f}主要与轮胎的滚动摩擦系数和车辆的垂直载荷有关，可表示为F_{f}=fmg\cos\theta，其中f为滚动摩擦系数，g为重力加速度，\theta为道路坡度角。空气阻力F_{w}与车辆的行驶速度、空气密度、车辆迎风面积和空气阻力系数等因素有关，可近似表示为F_{w}=\frac{1}{2}\rhoC_{D}Av_{x}^{2}，其中\rho为空气密度，C_{D}为空气阻力系数，A为车辆迎风面积。坡度阻力F_{i}则与车辆质量、道路坡度角有关，可表示为F_{i}=mg\sin\theta。在横向方向上，车辆的运动主要受到侧向力、离心力和转向力等力的作用。车辆横向动力学方程可以表示为：m\frac{dv_{y}}{dt}=\sum_{i=1}^{4}F_{yi}-\frac{mv_{x}^{2}}{R}其中，v_{y}为车辆横向速度，F_{yi}为第i个车轮的侧向力，R为车辆转弯半径。当车辆转弯时，由于离心力的作用，车辆会产生侧向加速度，为了保持车辆的稳定行驶，车轮需要提供相应的侧向力来平衡离心力。侧向力F_{yi}与轮胎的侧偏特性密切相关，在不同的工况下，轮胎的侧偏特性会发生变化，从而影响车辆的横向动力学性能。在垂向方向上，车辆的运动主要受到重力、地面支持力和悬挂系统的作用力等力的作用。车辆垂向动力学方程可以表示为：m\frac{dv_{z}}{dt}=\sum_{i=1}^{4}F_{zi}-mg其中，v_{z}为车辆垂向速度，F_{zi}为第i个车轮的垂向力。车辆在行驶过程中，由于路面不平、车辆加速减速和转弯等原因，车轮的垂向力会发生变化，这会影响轮胎与地面的接触状态，进而影响车辆的操纵稳定性和行驶舒适性。此外，车辆的横摆运动也是整车动力学模型中需要考虑的重要因素。横摆运动是指车辆绕垂直于地面的轴线的转动，其动力学方程可以表示为：I_{z}\frac{d\omega_{r}}{dt}=\sum_{i=1}^{4}(l_{fi}F_{yi}-l_{ri}F_{yi})+\sum_{i=1}^{4}(l_{li}F_{xi}-l_{ri}F_{xi})其中，I_{z}为车辆绕Z轴的转动惯量，\omega_{r}为车辆横摆角速度，l_{fi}和l_{ri}分别为第i个车轮到车辆质心的纵向距离，l_{li}和l_{ri}分别为第i个车轮到车辆质心的横向距离。横摆运动与车辆的转向稳定性密切相关，通过合理地控制车轮的纵向力和侧向力，可以有效地调节车辆的横摆角速度，保证车辆在转向过程中的稳定性。2.2.2轮毂电机模型分析轮毂电机作为分布式驱动电动汽车的关键部件，其性能和特性直接影响着车辆的动力性能和操纵稳定性。轮毂电机的工作原理基于电磁感应定律，通过定子绕组中通入三相交流电，产生旋转磁场，与转子上的永磁体或绕组相互作用，产生电磁转矩，从而驱动车轮旋转。为了准确地描述轮毂电机的工作特性，建立其数学模型是必不可少的。轮毂电机的数学模型主要包括电磁模型和机械模型。电磁模型用于描述电机内部的电磁关系，主要涉及到电机的电压方程、磁链方程和转矩方程。以永磁同步轮毂电机为例，其电压方程可以表示为：\begin{cases}u_{d}=R_{s}i_{d}+L_{d}\frac{di_{d}}{dt}-\omega_{e}L_{q}i_{q}\\u_{q}=R_{s}i_{q}+L_{q}\frac{di_{q}}{dt}+\omega_{e}(L_{d}i_{d}+\psi_{f})\end{cases}其中，u_{d}和u_{q}分别为d轴和q轴的电压，i_{d}和i_{q}分别为d轴和q轴的电流，R_{s}为定子电阻，L_{d}和L_{q}分别为d轴和q轴的电感，\omega_{e}为电机的电角速度，\psi_{f}为永磁体磁链。磁链方程可以表示为：\begin{cases}\psi_{d}=L_{d}i_{d}+\psi_{f}\\\psi_{q}=L_{q}i_{q}\end{cases}其中，\psi_{d}和\psi_{q}分别为d轴和q轴的磁链。转矩方程可以表示为：T_{e}=p_{n}(\psi_{f}i_{q}+(L_{d}-L_{q})i_{d}i_{q})其中，T_{e}为电磁转矩，p_{n}为电机的极对数。机械模型用于描述电机的机械运动关系，主要涉及到电机的转动惯量、阻尼系数和负载转矩等参数。电机的运动方程可以表示为：J\frac{d\omega_{m}}{dt}=T_{e}-T_{L}-B\omega_{m}其中，J为电机的转动惯量，\omega_{m}为电机的机械角速度，T_{L}为负载转矩，B为阻尼系数。在实际应用中，负载转矩T_{L}主要包括车轮的滚动阻力矩、空气阻力矩和车辆的加速阻力矩等。轮毂电机的转矩、转速等特性对车辆的动力性能和操纵稳定性有着重要的影响。在不同的工况下，轮毂电机需要根据车辆的行驶需求，快速、准确地调节输出转矩和转速。例如，在车辆起步时，需要轮毂电机提供较大的转矩，以克服车辆的惯性和滚动阻力；在车辆高速行驶时，需要轮毂电机保持较高的转速，以满足车辆的速度要求。同时，由于分布式驱动电动汽车的每个车轮都由独立的轮毂电机驱动，通过合理地控制各个轮毂电机的转矩和转速，可以实现车辆的灵活转向、稳定行驶和高效节能。2.2.3非线性轮胎动力学模型探讨轮胎作为车辆与地面之间的唯一接触部件，其动力学特性对车辆的操纵稳定性起着至关重要的作用。在实际行驶过程中，轮胎的受力情况非常复杂，受到车辆的行驶速度、转向角度、路面条件等多种因素的影响，呈现出明显的非线性特性。因此，建立准确的非线性轮胎动力学模型对于研究分布式驱动电动汽车的操纵稳定性具有重要意义。常用的非线性轮胎动力学模型有魔术公式（MagicFormula）模型、Fiala模型和刷子模型等。其中，魔术公式模型因其能够较为准确地描述轮胎在各种工况下的力学特性，且具有形式简单、参数物理意义明确等优点，在车辆动力学研究中得到了广泛的应用。魔术公式模型以三角函数为基础，通过一系列试验数据拟合得到轮胎的纵向力F_{x}、侧向力F_{y}和回正力矩M_{z}与轮胎的滑移率\lambda、侧偏角\alpha和垂直载荷F_{z}等参数之间的关系。其基本表达式为：Y(X)=D\sin\left\{C\arctan\left[BX-E(BX-\arctan(BX))\right]\right\}其中，Y(X)可以表示轮胎的纵向力F_{x}、侧向力F_{y}或回正力矩M_{z}，X可以表示轮胎的滑移率\lambda或侧偏角\alpha，B、C、D和E为模型参数，这些参数可以通过轮胎试验数据拟合得到。在考虑轮胎的侧偏特性时，轮胎的侧向力F_{y}与侧偏角\alpha之间的关系可以用魔术公式表示为：F_{y}=D_{y}\sin\left\{C_{y}\arctan\left[B_{y}\alpha-E_{y}(B_{y}\alpha-\arctan(B_{y}\alpha))\right]\right\}其中，D_{y}、C_{y}、B_{y}和E_{y}为与侧向力相关的模型参数。随着侧偏角的增大，轮胎的侧向力逐渐增大，但当侧偏角超过一定值后，轮胎的侧向力会逐渐减小，呈现出非线性特性。这是因为当侧偏角较小时，轮胎的变形主要是弹性变形，能够提供较大的侧向力；而当侧偏角较大时，轮胎的变形逐渐进入塑性变形阶段，侧向力的增长速度逐渐减缓，最终导致侧向力下降。在考虑轮胎的纵向力和横向力的关系时，需要考虑轮胎的联合工况。由于轮胎在纵向和横向同时受力时，其力学特性会发生相互影响，因此需要建立相应的联合模型来描述这种关系。一种常用的方法是在魔术公式的基础上，引入耦合系数来考虑纵向力和横向力之间的相互作用。例如，在考虑纵向力F_{x}和侧向力F_{y}的联合作用时，可以将魔术公式进行扩展，得到如下表达式：\begin{cases}F_{x}=D_{x}\sin\left\{C_{x}\arctan\left[B_{x}\lambda-E_{x}(B_{x}\lambda-\arctan(B_{x}\lambda))\right]\right\}\\F_{y}=D_{y}\sin\left\{C_{y}\arctan\left[B_{y}\alpha-E_{y}(B_{y}\alpha-\arctan(B_{y}\alpha))\right]\right\}\left(1-\frac{F_{x}}{F_{xmax}}\right)^{\gamma\##三、基于æ—

迹卡尔曼滤波的车辆状态估计\##\#3.1æ—

迹卡尔曼滤波估计理论æ—

迹卡尔曼滤波（UnscentedKalmanFilter，UKF）是一种用于非线性系统状态估计的强大算法，它克服了ä¼

统卡尔曼滤波在处理非线性问题时的局限性。ä¼

统卡尔曼滤波基于线性系统假设，通过线性的状态转移方程和观测方程来估计系统状态。然而，在实际的车辆动力学系统中，存在着大量的非线性å›

ç´

，如轮胎与地面之间的复杂力学关系、车辆在高速行驶或极端工况下的动力学特性变化等，使得ä¼

统卡尔曼滤波的应用受到了限制。UKF的基本原理基于æ—

迹变换（UnscentedTransformation，UT）。UT是一种用于处理非线性函数的方法，它通过精心选择一组被称为sigma点的æ

·æœ¬ç‚¹ï¼Œæ¥è¿‘似表示系统状态的概率分布。这些sigma点能够较好地捕捉到状态分布的均值和协方差等关键特征，并且在经过非线性函数变换后，仍然能够保持对分布特性的有效描述。与扩展卡尔曼滤波（EKF）不同，EKF通过对非线性函数进行泰勒级数展开并忽略高阶项来实现线性化，这种近似处理在非线性较强的情况下会引入较大的误差。而UKF直接利用sigma点进行状态ä¼

播和更新，避免了复杂的线性化过程，从而在处理非线性系统时具有更高的精度和稳定性。UKF的算法流程主要包括预测和更新两个阶段。在预测阶段，首先æ

¹æ®ä¸Šä¸€æ—¶åˆ»çš„状态估计值和控制输入，通过状态转移函数对sigma点进行ä¼

播，得到预测的sigma点。然后，利用这些预测的sigma点计算出当前时刻的状态预测值和协方差预测值。具体来说，假设系统的状态转移函数为$f(x_{k-1},u_{k-1})$，其中$x_{k-1}$是上一时刻的状态向量，$u_{k-1}$是控制输入向量。通过对sigma点$\chi_{k-1|k-1}^i$（$i=0,1,\cdots,2n$，$n$为状态向量的维度）进行状态转移函数运算，得到预测的sigma点$\chi_{k|k-1}^i=f(\chi_{k-1|k-1}^i,u_{k-1})$。接着，计算状态预测值$\hat{x}_{k|k-1}=\sum_{i=0}^{2n}W_m^i\chi_{k|k-1}^i$，其中$W_m^i$是均值权值。协方差预测值$P_{k|k-1}=\sum_{i=0}^{2n}W_c^i(\chi_{k|k-1}^i-\hat{x}_{k|k-1})(\chi_{k|k-1}^i-\hat{x}_{k|k-1})^T+Q_{k-1}$，其中$W_c^i$是协方差权值，$Q_{k-1}$是过程噪声协方差矩阵。在更新阶段，当获取到新的观测数据后，首先通过观测函数对预测的sigma点进行变换，得到预测的观测值。然后，计算观测残差，即实际观测值与预测观测值之间的差值。æ

¹æ®è§‚测残差和协方差矩阵，计算卡尔曼增益。最后，利用卡尔曼增益对状态预测值和协方差预测值进行更新，得到更准确的状态估计值。假设观测函数为$h(x_{k|k-1})$，通过对预测的sigma点$\chi_{k|k-1}^i$进行观测函数运算，得到预测的观测值$z_{k|k-1}^i=h(\chi_{k|k-1}^i)$。计算预测观测均值$\hat{z}_{k|k-1}=\sum_{i=0}^{2n}W_m^iz_{k|k-1}^i$，观测协方差$P_{zz,k|k-1}=\sum_{i=0}^{2n}W_c^i(z_{k|k-1}^i-\hat{z}_{k|k-1})(z_{k|k-1}^i-\hat{z}_{k|k-1})^T+R_k$，其中$R_k$是观测噪声协方差矩阵。互协方差$P_{xz,k|k-1}=\sum_{i=0}^{2n}W_c^i(\chi_{k|k-1}^i-\hat{x}_{k|k-1})(z_{k|k-1}^i-\hat{z}_{k|k-1})^T$。卡尔曼增益$K_k=P_{xz,k|k-1}P_{zz,k|k-1}^{-1}$。状态估计值更新为$\hat{x}_{k|k}=\hat{x}_{k|k-1}+K_k(z_k-\hat{z}_{k|k-1})$，协方差估计值更新为$P_{k|k}=P_{k|k-1}-K_kP_{zz,k|k-1}K_k^T$。\##\#3.2车辆æ—

迹卡尔曼滤波状态估计器设计\##\##3.2.1车辆状态参数估计方程推导为了准确估计分布式驱动电动汽车的状态参数，需要建立相应的估计方程。以车辆的质心侧偏角$\beta$和横摆角速度$\omega_r$为例，推导其估计方程。在车辆动力学中，æ

¹æ®ç‰›é¡¿ç¬¬äºŒå®šå¾‹å’Œè½¦è¾†çš„运动学关系，可以得到车辆的动力学方程。考虑车辆的横向运动和横摆运动，忽略一些次要å›

ç´

，建立如下的车辆动力学模型：\[\begin{cases}m(v_y+\omega_rv_x)=F_{yf}+F_{yr}\\I_z\dot{\omega}_r=aF_{yf}-bF_{yr}\end{cases}其中，m为车辆质量，v_x和v_y分别为车辆的纵向速度和横向速度，F_{yf}和F_{yr}分别为前轮和后轮的侧向力，a和b分别为质心到前轴和后轴的距离，I_z为车辆绕z轴的转动惯量。将轮胎的侧向力模型引入上述方程中。采用魔术公式轮胎模型，轮胎的侧向力F_y与侧偏角\alpha、垂直载荷F_z等因素有关。对于前轮和后轮，其侧偏角分别为：\begin{cases}\alpha_{f}=\arctan(\frac{v_y+a\omega_r}{v_x})-\delta\\\alpha_{r}=\arctan(\frac{v_y-b\omega_r}{v_x})\end{cases}其中，\delta为前轮转向角。将轮胎侧向力模型代入车辆动力学方程中，得到一个包含质心侧偏角\beta、横摆角速度\omega_r、纵向速度v_x、前轮转向角\delta等变量的非线性方程组。由于质心侧偏角\beta=\arctan(\frac{v_y}{v_x})，可以通过对上述方程组进行适当的变换和推导，得到关于质心侧偏角\beta和横摆角速度\omega_r的状态方程。假设系统的状态向量为x=[\beta,\omega_r,v_x]^T，控制输入向量为u=[\delta]^T。经过一系列的推导和整理，可以得到状态转移方程：x_{k}=f(x_{k-1},u_{k-1})+w_{k-1}其中，f(x_{k-1},u_{k-1})是一个非线性函数，它描述了状态变量在时间上的演变关系，w_{k-1}是过程噪声向量。对于观测方程，通常可以通过车辆上安装的传感器获取一些测量值，如横摆角速度传感器可以直接测量横摆角速度\omega_{r,meas}，车速传感器可以测量纵向速度v_{x,meas}。假设观测向量为z=[\omega_{r,meas},v_{x,meas}]^T，则观测方程可以表示为：z_{k}=h(x_{k})+v_{k}其中，h(x_{k})是一个非线性函数，它描述了状态变量与观测变量之间的关系，v_{k}是观测噪声向量。3.2.2车辆状态估计器设计实现基于无迹卡尔曼滤波算法，设计车辆状态估计器。首先，确定状态向量和观测向量。根据前面推导的结果，状态向量x=[\beta,\omega_r,v_x]^T，观测向量z=[\omega_{r,meas},v_{x,meas}]^T。然后，初始化无迹卡尔曼滤波的参数。包括状态估计值\hat{x}_{0|0}、协方差矩阵P_{0|0}、过程噪声协方差矩阵Q和观测噪声协方差矩阵R等。这些参数的选择对估计器的性能有重要影响，需要根据实际情况进行合理的调整和优化。例如，过程噪声协方差矩阵Q反映了系统模型的不确定性和外部干扰的强度，观测噪声协方差矩阵R反映了传感器测量的噪声水平。在估计器的运行过程中，按照无迹卡尔曼滤波的算法流程进行迭代计算。在预测阶段，根据上一时刻的状态估计值和控制输入，通过状态转移函数对sigma点进行传播，得到预测的sigma点。然后，利用这些预测的sigma点计算出当前时刻的状态预测值和协方差预测值。在更新阶段，当获取到新的观测数据后，首先通过观测函数对预测的sigma点进行变换，得到预测的观测值。然后，计算观测残差，根据观测残差和协方差矩阵，计算卡尔曼增益。最后，利用卡尔曼增益对状态预测值和协方差预测值进行更新，得到更准确的状态估计值。为了实现车辆状态估计器，可以使用编程语言如MATLAB或C++进行编程实现。在MATLAB中，可以利用其丰富的矩阵运算函数和工具箱，方便地实现无迹卡尔曼滤波算法。通过编写相应的函数和脚本，实现状态预测、无迹变换、观测更新等关键步骤。在C++中，可以通过定义类和函数，实现无迹卡尔曼滤波的功能。同时，需要考虑与车辆传感器数据采集系统的接口，以便实时获取观测数据并进行状态估计。3.3车辆状态估计仿真验证为了验证基于无迹卡尔曼滤波的车辆状态估计器的性能，进行仿真实验。利用专业的车辆动力学仿真软件，如CarSim和Simulink联合仿真平台，搭建车辆模型和状态估计器模型。在CarSim中，建立详细的分布式驱动电动汽车模型，包括车辆的机械结构、轮胎模型、动力系统和底盘系统等。设置车辆的参数，如车辆质量、轴距、轮胎特性等，使其符合实际车辆的参数。同时，设置不同的行驶工况，如直线行驶、转弯行驶、加速行驶和制动行驶等，以模拟车辆在实际行驶过程中的各种情况。在Simulink中，搭建无迹卡尔曼滤波状态估计器模型。将CarSim中输出的车辆传感器数据，如横摆角速度、纵向速度、前轮转向角等，作为状态估计器的输入。状态估计器根据这些输入数据，通过无迹卡尔曼滤波算法，实时估计车辆的质心侧偏角、横摆角速度和纵向速度等状态参数。通过仿真实验，对比估计值与真实值之间的差异，评估状态估计器的性能。以质心侧偏角为例，在转弯行驶工况下，真实的质心侧偏角会随着车辆的转向而发生变化。状态估计器根据传感器数据，实时估计质心侧偏角。通过绘制真实值和估计值随时间的变化曲线，可以直观地观察到估计值与真实值的接近程度。计算估计值与真实值之间的误差，如均方根误差（RMSE）和平均绝对误差（MAE）等指标，定量地评估估计器的精度。在不同的行驶工况下进行多次仿真实验，统计分析误差指标。结果表明，基于无迹卡尔曼滤波的车辆状态估计器能够准确地估计车辆的状态参数，在各种工况下，估计值与真实值之间的误差较小。例如，在高速转弯工况下，质心侧偏角的均方根误差在0.05弧度以内，横摆角速度的均方根误差在0.1rad/s以内，纵向速度的均方根误差在0.5m/s以内。这说明该状态估计器具有较高的精度和可靠性，能够为车辆的操纵稳定性控制提供准确的状态信息。3.4本章小结本章详细研究了基于无迹卡尔曼滤波的车辆状态估计方法，包括无迹卡尔曼滤波的基本原理、车辆状态参数估计方程的推导以及车辆状态估计器的设计与实现。通过理论分析和仿真验证，展示了无迹卡尔曼滤波在处理车辆非线性动力学系统状态估计问题上的优势。无迹卡尔曼滤波通过无迹变换，利用sigma点对非线性函数进行近似，避免了传统扩展卡尔曼滤波中复杂的线性化过程，从而在处理非线性系统时具有更高的精度和稳定性。在车辆状态估计中，通过合理推导状态参数估计方程，设计基于无迹卡尔曼滤波的状态估计器，能够准确地估计车辆的质心侧偏角、横摆角速度和纵向速度等关键状态参数。仿真结果表明，该状态估计器在不同行驶工况下都能表现出良好的性能，估计值与真实值之间的误差较小，能够满足车辆操纵稳定性控制对状态信息准确性的要求。这为后续基于车辆状态估计的操纵稳定性控制策略的研究和开发奠定了坚实的基础。无迹卡尔曼滤波在车辆状态估计中的成功应用，不仅提升了对车辆行驶状态的监测和理解能力，也为实现更加智能化和安全的车辆控制系统提供了有力支持。四、分布式电动汽车操纵稳定性分层控制4.1分层控制架构设计为了实现分布式电动汽车在各种复杂工况下的高效、稳定运行，本研究提出了一种创新的分层控制架构，该架构主要由上层、中层和下层控制三个部分组成，各层之间相互协作、协同工作，共同保障车辆的操纵稳定性。上层控制作为整个系统的决策核心，主要负责对车辆的行驶状态进行全面监测和分析，并根据驾驶员的操作意图以及车辆当前所处的工况，制定出总体的运动目标。它通过融合车辆动力学模型、驾驶员模型以及环境感知信息，运用先进的智能算法和决策理论，确定车辆在不同行驶场景下的期望横摆角速度、质心侧偏角等关键参数。例如，在车辆进行高速转弯时，上层控制会根据当前车速、转向盘转角以及路面附着系数等信息，计算出车辆在该工况下能够保持稳定行驶的期望横摆角速度和质心侧偏角，为后续的控制提供明确的目标导向。上层控制还需要具备对车辆行驶状态的预判能力，能够提前感知潜在的风险，并及时调整控制策略，以确保车辆始终处于安全、稳定的行驶状态。中层控制是连接上层控制和下层控制的关键桥梁，其主要任务是将上层控制制定的总体运动目标，根据各车轮的实际运行状态和车辆动力学特性进行细化和优化。中层控制会根据车辆的实时状态，如各车轮的转速、转矩、轮胎力等信息，以及上层控制下达的目标横摆力矩指令，运用优化算法和控制理论，计算出每个车轮所需的目标转矩。在这个过程中，中层控制需要充分考虑车辆的动力学约束条件，如轮胎的附着力极限、电机的转矩限制等，以确保分配给每个车轮的转矩既能够满足车辆的运动需求，又不会超出车辆的物理极限。中层控制还需要对车辆的行驶状态进行实时监测和反馈，根据实际情况对目标转矩进行动态调整，以提高控制的精度和鲁棒性。下层控制是直接作用于车辆执行机构的控制层，其主要职责是将中层控制输出的目标转矩指令，转化为具体的电机控制信号，实现对各车轮转矩的精确控制。下层控制通过与轮毂电机控制器进行通信，将目标转矩值发送给电机控制器，电机控制器根据接收到的指令，通过调节电机的电流、电压等参数，精确地控制轮毂电机的输出转矩。下层控制还需要对电机的运行状态进行实时监测和保护，如监测电机的温度、转速、电流等参数，当发现电机出现异常情况时，及时采取相应的保护措施，以确保电机的安全运行。下层控制的响应速度和控制精度直接影响着车辆的操纵稳定性，因此需要采用高性能的控制器和快速的通信技术，以实现对车轮转矩的快速、精确控制。4.2理想参考模型构建理想参考模型在分布式电动汽车操纵稳定性控制中起着至关重要的作用，它为车辆的运动提供了期望的参考轨迹，是评估车辆实际运动状态是否稳定的重要依据。本研究采用线性二自由度车辆模型作为理想参考模型，该模型能够较为准确地描述车辆在低速和小侧偏角情况下的动力学特性，同时具有结构简单、计算量小等优点，便于在实际控制中应用。线性二自由度车辆模型主要考虑了车辆的横向运动和横摆运动，忽略了车辆的垂向运动和纵向运动对操纵稳定性的影响。在该模型中，车辆被简化为一个具有两个自由度的刚体，分别为质心侧偏角和横摆角速度。根据牛顿第二定律和车辆的运动学关系，可以建立如下的线性二自由度车辆模型：\begin{cases}m(v_y+\omega_rv_x)=2F_{yf}\cos\delta+2F_{yr}\\I_z\dot{\omega}_r=2aF_{yf}\cos\delta-2bF_{yr}\end{cases}其中，m为车辆质量，v_x和v_y分别为车辆的纵向速度和横向速度，F_{yf}和F_{yr}分别为前轮和后轮的侧向力，a和b分别为质心到前轴和后轴的距离，I_z为车辆绕z轴的转动惯量，\delta为前轮转向角。将轮胎的侧向力模型引入上述方程中。采用线性轮胎模型，轮胎的侧向力F_y与侧偏角\alpha成正比，即F_y=C\alpha，其中C为轮胎侧偏刚度。对于前轮和后轮，其侧偏角分别为：\begin{cases}\alpha_{f}=\frac{v_y+a\omega_r}{v_x}-\delta\\\alpha_{r}=\frac{v_y-b\omega_r}{v_x}\end{cases}将轮胎侧向力模型代入车辆动力学方程中，经过一系列的推导和整理，可以得到车辆的横摆角速度和质心侧偏角的表达式：\begin{cases}\omega_{r,d}=\frac{v_x}{L}\frac{K_1\delta}{1+Kv_x^2}\\\beta_d=\frac{v_x}{L}\frac{(K_2-K_1)\delta}{1+Kv_x^2}\end{cases}其中，\omega_{r,d}和\beta_d分别为理想参考模型的横摆角速度和质心侧偏角，L=a+b为轴距，K_1=\frac{2C_f}{mv_x}，K_2=\frac{2C_r}{mv_x}，K=\frac{m}{2L^2}(\frac{aC_f-bC_r}{C_fC_r})。通过建立理想参考模型，可以得到车辆在不同行驶工况下的期望横摆角速度和质心侧偏角，这些期望参数将作为后续控制器设计的参考目标。在实际控制过程中，通过比较车辆的实际横摆角速度和质心侧偏角与理想参考模型的输出值，控制器可以实时调整车辆的控制策略，使车辆的实际运动状态尽可能接近理想参考模型的期望轨迹，从而提高车辆的操纵稳定性。4.3基于模型预测控制的车辆目标横摆力矩控制器设计4.3.1模型预测理论介绍模型预测控制（ModelPredictiveControl，MPC）作为一种先进的控制策略，在现代控制领域中得到了广泛的应用。其基本原理是基于系统的预测模型，通过对未来一段时间内系统状态的预测，求解一个有限时域的优化问题，得到当前时刻的最优控制输入，并将其作用于系统。在每个采样时刻，重复上述过程，不断滚动优化，从而实现对系统的实时控制。MPC的核心思想可以概括为“预测模型、滚动优化、反馈校正”。预测模型是MPC的基础，它用于描述系统的动态特性，根据系统的当前状态和未来的控制输入，预测系统在未来一段时间内的输出。常用的预测模型有线性模型、非线性模型和神经网络模型等。在车辆控制中，通常采用车辆动力学模型作为预测模型，如前面建立的线性二自由度车辆模型或更复杂的多自由度车辆模型。滚动优化是MPC的关键环节，它在每个采样时刻，基于预测模型预测系统在未来一段时间（称为预测时域）内的输出，并根据设定的目标函数和约束条件，求解一个有限时域的优化问题，得到当前时刻的最优控制输入。目标函数通常包括对系统输出跟踪误差的惩罚项、对控制输入变化率的惩罚项等，以确保系统能够快速、准确地跟踪期望轨迹，同时避免控制输入的剧烈变化。约束条件则考虑了系统的物理限制，如执行器的饱和限制、系统状态的边界限制等。通过滚动优化，MPC能够在每个采样时刻根据系统的实时状态和未来的预测信息，做出最优的控制决策。反馈校正是MPC的重要组成部分，它用于弥补预测模型与实际系统之间的差异以及外界干扰对系统的影响。在每个采样时刻，当获取到系统的实际输出后，将其与预测模型的预测输出进行比较，得到预测误差。然后，根据预测误差对预测模型进行修正，以提高预测的准确性。常用的反馈校正方法有基于误差的反馈校正、基于状态估计的反馈校正等。通过反馈校正，MPC能够及时调整控制策略，适应系统的动态变化和不确定性，提高控制系统的鲁棒性。在车辆控制中，MPC具有诸多显著的优势。它能够充分考虑车辆动力学系统的非线性特性和约束条件，如轮胎的非线性特性、电机的转矩限制、车辆的稳定性约束等，从而实现对车辆的精确控制。MPC还能够对未来一段时间内的车辆状态进行预测和优化，提前应对各种潜在的风险和挑战，提高车辆的操纵稳定性和安全性。例如，在车辆高速行驶遇到紧急情况时，MPC可以根据预测模型预测车辆在未来一段时间内的行驶轨迹，提前调整车轮的转矩分配，使车辆能够安全、稳定地避让障碍物。MPC的滚动优化机制使得它能够实时根据车辆的实际状态和行驶工况，调整控制策略，具有较强的适应性和灵活性。4.3.2基于MPC的广义目标横摆力矩控制器设计基于模型预测控制理论，设计基于MPC的广义目标横摆力矩控制器，以实现对车辆横摆运动的精确控制。该控制器的设计主要包括预测模型的建立、目标函数的构建和约束条件的确定等关键步骤。首先，建立车辆的预测模型。在前面构建的线性二自由度车辆模型的基础上，考虑车辆的离散化特性，建立离散时间状态空间模型。设系统的状态变量为x=[\beta,\omega_r]^T，控制输入为u=[T_z]^T，其中\beta为质心侧偏角，\omega_r为横摆角速度，T_z为目标横摆力矩。根据车辆动力学方程和离散化方法，可以得到离散时间状态空间模型：x_{k+1}=Ax_k+Bu_k+w_k其中，A和B为状态转移矩阵和控制输入矩阵，w_k为过程噪声。然后，构建目标函数。目标函数的设计旨在使车辆的实际横摆角速度和质心侧偏角尽可能接近理想参考模型的输出值，同时考虑控制输入的变化率，以避免控制输入的剧烈变化。目标函数可以表示为：J=\sum_{i=1}^{N_p}(\omega_{r,k+i|k}-\omega_{r,d,k+i|k})^2+(\beta_{k+i|k}-\beta_d{k+i|k})^2+\sum_{i=1}^{N_c}\lambda(\DeltaT_{z,k+i|k})^2其中，N_p为预测时域，N_c为控制时域，\omega_{r,k+i|k}和\beta_{k+i|k}分别为预测的横摆角速度和质心侧偏角，\omega_{r,d,k+i|k}和\beta_d{k+i|k}分别为理想参考模型的横摆角速度和质心侧偏角，\DeltaT_{z,k+i|k}为控制输入的变化量，\lambda为权重系数。最后，确定约束条件。约束条件主要考虑了车辆的物理限制和控制要求，包括控制输入的饱和限制、车辆状态的边界限制等。控制输入的饱和限制可以表示为：T_{z,min}\leqT_z\leqT_{z,max}其中，T_{z,min}和T_{z,max}分别为目标横摆力矩的最小值和最大值。车辆状态的边界限制可以根据车辆的安全行驶范围和稳定性要求来确定，例如，质心侧偏角和横摆角速度的取值范围应在合理的区间内，以确保车辆的操纵稳定性。在每个采样时刻，根据当前的车辆状态和预测模型，求解上述优化问题，得到当前时刻的最优目标横摆力矩T_z。然后，将T_z输出给下层的转矩分配控制器，实现对车辆横摆运动的控制。通过不断滚动优化，基于MPC的广义目标横摆力矩控制器能够实时根据车辆的行驶状态和工况，调整目标横摆力矩，使车辆保持良好的操纵稳定性。4.4基于多目标协同的转矩分配控制策略研究4.4.1目标函数设计为了实现分布式电动汽车在不同工况下的最优性能，设计多目标协同的转矩分配目标函数，综合考虑车辆的稳定性、动力性和经济性。目标函数的设计旨在在满足车辆行驶需求的前提下，平衡各个目标之间的关系，使车辆在不同工况下都能达到最佳的运行状态。对于车辆的稳定性目标，主要通过控制车辆的横摆角速度和质心侧偏角来实现。横摆角速度和质心侧偏角是衡量车辆操纵稳定性的重要指标，当车辆在行驶过程中，保持横摆角速度和质心侧偏角在合理的范围内，可以有效避免车辆发生侧滑、甩尾等不稳定现象。因此，在目标函数中引入横摆角速度误差和质心侧偏角误差的惩罚项，以最小化这些误差。横摆角速度误差惩罚项可以表示为：J_{\omega_r}=k_{\omega_r}(\omega_{r}-\omega_{r,d})^2其中，k_{\omega_r}为横摆角速度误差权重系数，\omega_{r}为实际横摆角速度，\omega_{r,d}为理想参考模型的横摆角速度。质心侧偏角误差惩罚项可以表示为：J_{\beta}=k_{\beta}(\beta-\beta_d)^2其中，k_{\beta}为质心侧偏角误差权重系数，\beta为实际质心侧偏角，\beta_d为理想参考模型的质心侧偏角。对于车辆的动力性目标，主要通过满足车辆的驱动力需求来实现。在不同的行驶工况下，车辆需要不同的驱动力来保证其正常行驶，如加速、爬坡等工况。因此，在目标函数中引入驱动力误差的惩罚项，以确保车辆能够提供足够的驱动力。驱动力误差惩罚项可以表示为：J_{F_x}=k_{F_x}(\sum_{i=1}^{4}F_{xi}-F_{x,d})^2其中，k_{F_x}为驱动力误差权重系数，F_{xi}为第i个车轮的纵向力，F_{x,d}为期望的总驱动力。对于车辆的经济性目标，主要通过最小化电机的能耗来实现。电机的能耗与电机的转矩和转速密切相关，在满足车辆行驶需求的前提下，合理分配电机的转矩，使电机工作在高效区域，可以降低电机的能耗。因此，在目标函数中引入电机能耗的惩罚项，以最小化电机的能耗。电机能耗惩罚项可以表示为：J_{E}=k_{E}\sum_{i=1}^{4}P_{i}其中，k_{E}为电机能耗权重系数，P_{i}为第i个电机的功率。综合考虑车辆的稳定性、动力性和经济性目标，多目标协同的转矩分配目标函数可以表示为：J=J_{\omega_r}+J_{\beta}+J_{F_x}+J_{E}4.4.2目标函数权重分配目标函数中各目标的权重分配是实现多目标协同控制的关键，合理的权重分配能够使车辆在不同工况下都能达到最佳的性能表现。权重分配的方法需要综合考虑车辆的行驶工况、驾驶员的需求以及各目标之间的相对重要性。在不同的行驶工况下，各目标的重要性可能会有所不同。例如，在高速行驶或紧急避障等工况下，车辆的稳定性是首要考虑的因素，此时应适当增大稳定性目标的权重，以确保车辆的行驶安全。而在城市道路的正常行驶工况下，车辆的经济性和舒适性可能更为重要，此时可以适当增大经济性目标的权重，以降低能耗和提高驾驶舒适性。驾驶员的需求也是权重分配需要考虑的重要因素。不同的驾驶员对车辆的性能要求可能存在差异，有些驾驶员更注重车辆的动力性能，而有些驾驶员则更关注车辆的经济性。因此，可以根据驾驶员的驾驶习惯和需求，对目标函数的权重进行个性化调整。例如，对于追求动力性能的驾驶员，可以适当增大动力性目标的权重；对于注重经济性的驾驶员，可以适当增大经济性目标的权重。为了确定目标函数中各目标的权重，可以采用多种方法，如经验法、试验法和优化算法等。经验法是根据工程经验和实际应用情况，主观地确定各目标的权重。这种方法简单易行，但缺乏科学性和准确性。试验法是通过在不同的工况下进行大量的试验，根据试验结果来确定各目标的权重。这种方法能够得到较为准确的权重值，但试验成本较高，且耗时较长。优化算法是利用优化算法，如遗传算法、粒子群算法等，对目标函数的权重进行优化，以寻找最优的权重组合。这种方法能够充分考虑各目标之间的相互关系，得到更优的权重分配方案，但计算复杂度较高