CN103909933A - 一种分布式电驱动车辆的前轮侧向力估算方法 - Google Patents

Abstract

本发明公开一种分布式电驱动车辆的前轮侧向力估算方法，适用于车辆行驶过程中轮胎侧向力的实时监测，用于安全性评估。它首先采集车辆状态信号，利用车辆动力学方程实时估计轮胎的纵向力和垂向力；然后将估计的各轮的纵向力连同纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号传给车辆控制器中的卡尔曼侧向力观测器，得到两前轮的卡尔曼侧向力估计值和后轴侧向力估计值；最后利用各轮垂向力和前轮转角差对估计的侧向力进一步处理，得到最终的侧向力估计值。本发明的优点是：仅采用线性卡尔曼滤波器，保证了计算的实时性；不需要获知轮胎与路面的信息，使得该方法具有对不同路面、轮胎的鲁棒性，且估计的侧向力结果可以用来分析轮胎特性与路面状况识别。

Description

一种分布式电驱动车辆的前轮侧向力估算方法

技术领域

本发明涉及一种车辆行驶过程中轮胎侧向力估算方法，特别是关于一种分布式驱动电动车辆的轮胎侧向力估算方法，用于测试两个前转向轮和一个后轴的侧向力。

背景技术

分布式电驱动车辆是将驱动电机分别安装在各车轮内或各车轮附近，一台电机独立驱动一个车轮，具有响应速度快、传动链短、传动高效、结构紧凑等优点，其充分利用了电机转矩精确观测和快速可控的特点，是电动汽车领域的一个重要发展方向。

目前的分布式电驱动车辆的横向稳定性控制仍存在很多需要改善的问题，如在非线性特性下不能准确估计轮胎侧向力。轮胎侧向力是车辆横向动力学重要的组成部分，影响着车辆的行驶安全性和稳定性，如果能够准确获知轮胎的侧向力，将会有效的提高车辆的动力学控制效果。传统的单轮的轮胎侧向力的估计依赖于轮胎模型。而轮胎侧向力与轮胎侧偏角、垂直载荷、车轮外倾角、纵向滑转率、轮速及胎压等因素直接相关。

国内、外已经研究出多种非线性轮胎模型。其中，目前应用比较广泛的各种轮胎模型中，魔术公式轮胎模型对于轮胎力的描述结果相对精确些。魔术公式轮胎模型是一种基于实测数据的半经验模型，适用于各种轮胎结构和不同的工况，其应用于车辆状态参数观测领域，可以提供更为精确的信息。但是该模型的算法复杂，需要进行大量的实验数据拟合，计算量较大，不但要做大量轮胎特性试验，增加了开发成本，而且也难以满足实车控制器应用中快速响应的需求。况且基于轮胎模型的侧向力估计方法，一旦轮胎特性（轮胎气压、轮胎花纹和磨损程度）或者路面情况快速变化，拟合精度迅速下降，就使得轮胎侧向力估计不准确，从而影响整车动力学控制效果。所以有必要提出一种不依赖于轮胎模型的侧向力估计方法。有研究为了摆脱侧向力估计对准确轮胎模型的依赖问题，尝试利用车辆的运动状态，来观测前后轴的侧向力，但这种方法不能实现单个轮胎的侧向力估计。

发明内容

为了解决现有的单轮轮胎侧向力估计对轮胎模型依赖性的问题，本发明提供一种分布式电驱动车辆的前轮侧向力估算方法，摆脱轮胎模型的局限性，综合考虑轮胎的特性和路面情况，准确评估轮胎的侧向力，提高车辆的动力学控制效果。

为实现上述目的，本发明采取以下技术方案：一种分布式电驱动车辆的前轮侧向力估算方法，基于整车控制器建立一种车辆轮胎侧向力估算系统而估算。该系统包括：一设置在车辆转向柱管上的方向盘转角传感器、一设置在车轮处的轮速传感器、一设置在车辆质心位置处的纵向加速度传感器、一侧向加速度传感器、一横摆角速度传感器、一设置在整车控制器上的轮边电机控制器、一基于纵向动力学的轮胎纵向力估计模块、一轮胎垂向力估计模块、一卡尔曼侧向力估计模块和一融合侧向力估计模块，这些模块都集成在整车控制器中。

估算过程如下：

1）在车辆运行过程中，整车控制器取某两个相邻的采样时刻k-1和k，分别从所述轮边电机控制器接收各电机在时刻k-1的需求驱动力矩T_i，从所述轮速传感器接收两个时刻的实时轮速信号ω(k-1)和ω(k)，发送到所述基于纵向动力学的轮胎纵向力估计模块；轮胎纵向力估计模块根据实时采集到的各信号，计算出各车轮的纵向力

2）整车控制器取从车辆质心位置处的纵向加速度传感器接收实时的纵向加速度信号，从车辆质心位置处的侧向加速度传感器接收实时的侧向加速度信号，发送到轮胎垂向力估计模块；轮胎垂向力估计模块根据实时采集到的各信号，计算出各车轮的垂向力

上述纵向力和垂向力中，i＝1，2，3，4，分别表示左前轮、右前轮、左后轮、右后轮。

3）将纵向加速度信号、侧向加速度信号、方向盘转角信号、横摆角速度信号和所述轮胎纵向力估计模块估计的纵向力发送到卡尔曼侧向力估计模块；卡尔曼侧向力估计模块估计出单轮侧向力，其中包括左前轮的侧向力右前轮的侧向力和后轴的侧向力

4）将所述卡尔曼侧向力估计模块估计出的侧向力，以及方向盘转角信号和轮胎垂向力估计模块估计出的垂向力发送给融合侧向力估计模块；融合侧向力估计模块首先根据垂向力权重分配轴侧向力的方法对卡尔曼侧向力估计模块估计出的前轴侧向力进行分配得到两前轮侧向力；然后采用以前轮转角差作为权重系数，加权融合垂向力权重分配轴侧向力的方法估计出的两前轮侧向力结果和卡尔曼侧向力估计模块估计出的两前轮侧向力结果，得到最终的侧向力的估计值。

在侧向力的描述中，i＝1，2，3，4分别表示左前轮、右前轮、左后轮、右后轮的侧向力，i＝5，6分别表示前轴和后轴的侧向力，前轴侧向力即为两个前轮的侧向力之和。

上述估算过程选取车辆全部4个车轮进行。

具体讲，在所述步骤1）中，所涉及到的车轮纵向力的计算方法为：

a）基于纵向动力学的轮胎纵向力估计模块根据前、后两个相邻采样时刻k-1和k实时采集到的实时轮速信号ω(k-1)和ω(k)，计算得到在采样时间k-1时的车轮角加速度（k时刻的车轮角加速度可以直接通过传感器获取）

${\stackrel{\·}{\mathrm{\ω}}}_i=\frac{{\mathrm{\ω}}_i\left(k\right)-{\mathrm{\ω}}_i(k-1)}{T}---\left(1\right)$

式中,T为采样步长；

b）根据进一步计算得到车轮纵向力

${\hat{F}}_{\mathrm{xi}}=\frac{T_i-J_i{\stackrel{\·}{\mathrm{\ω}}}_i}{R_i}---\left(2\right)$

式中，T_i为k-1时刻各电机驱动转矩。J_i为车轮转动惯量，R_i为车轮滚动半径。

在所述步骤2）中，所涉及到的车轮垂向力的计算方法为：

根据接收到的纵向加速度信号a_x和侧向加速度信号a_y计算得到车轮垂向力

$\left[\begin{array}{c}{\hat{F}}_{21}\\ {\hat{F}}_{z2}\end{array}\right]=\left[\begin{array}{c}{l}_r\\ l_r\end{array}\right]\frac{\mathrm{mg}}{2l}-\left[\begin{array}{c}1\\ 1\end{array}\right]\frac{{\mathrm{ma}}_{x}h}{2l}+\left[\begin{array}{c}-l_r\\ l_r\end{array}\right]\frac{{\mathrm{ma}}_{y}h}{\mathrm{lB}}---\left(3\right)$

式中，表示左前轮垂向力，表示右前轮垂向力。l_r为质心到后轴距离，l为轴距，m为车质量，g为重力加速度，h为质心高度，B为前轴轮距。

在所述步骤3）中，在卡尔曼侧向力估计模块中计算各侧向力的方法为：

a）在卡尔曼侧向力估计模块中，根据前、后两个相邻采样时刻k-1和k实时采集到的横摆角速度信号和计算得到在k时刻的车辆横摆角加速度

$\stackrel{\·\·}{\mathrm{\ψ}}\left(k\right)=\frac{\stackrel{\·}{\mathrm{\ψ}}\left(k\right)-\stackrel{\·}{\mathrm{\ψ}}(k-1)}{T}---\left(4\right)$

T为采样步长。

b）利用方向盘转角传感器的方向盘转角信号δ_sw(k)，结合转向系的机械结构几何关系换算得到两前轮的车轮转角θ₁、θ₂。

c）建立离散型卡尔曼侧向力观测器如下：

状态方程为X_k＝AX_k-1+W_k；

量测方程为Z_k＝HX_k+V_k；

状态量为X＝[F_y1,F_y2,F_y6,F_x1,F_x2,F_x3,F_x4]^T；

量测量为（T是采样步长，I_z是横摆转动惯量）

其中，W_k、V_k为白噪声（均值为零的高斯随机噪声信号），状态系数矩阵A=I，I为单位矩阵。

量测系数矩阵H为：

$H=\left[\begin{array}{ccccccc}-\sin {\mathrm{\θ}}_1& -\sin {\mathrm{\θ}}_2& 0& \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& 1\\ \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& \sin {\mathrm{\θ}}_1& \sin {\mathrm{\θ}}_2& 0& 0\\ l_f\cos {\mathrm{\θ}}_1+\frac{B}{2}\sin {\mathrm{\θ}}_1& l_f\cos {\mathrm{\θ}}_2-\frac{B}{2}\sin {\mathrm{\θ}}_2& -l_r& l_f\sin {\mathrm{\θ}}_1-\frac{B}{2}\cos {\mathrm{\θ}}_1& l_f\sin {\mathrm{\θ}}_2+\frac{B}{2}\cos {\mathrm{\θ}}_2& \frac{B}{2}& -\frac{B}{2}\\ 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 1\end{array}\right]$

l_r为质心到后轴距离，l_f是质心到前轴距离，B为前轴轮距。

量测系数矩阵H是由车辆模型的纵向动力学方程、横向动力学方程、横摆动力学方程换算得到的。

d）将车轮转角θ₁、θ₂，横摆角加速度估计出的各轮纵向力等信息发送到离散卡尔曼观测器中，估计出左前轮的侧向力右前轮的侧向力和后轴的侧向力并取为前轴侧向力，即与之和。

所述步骤4）中，融合估计单轮侧向力的计算方法为：

a）根据垂向力权重分配轴侧向力的方法对卡尔曼观测器估计出的前轴侧向力进行分配，得到左前轮的侧向力右前轮的侧向力

$\left[\begin{array}{c}{\hat{F}}_{y1-\mathrm{Fz}}\\ {\hat{F}}_{y2-\mathrm{Fz}}\end{array}\right]=\left[\begin{array}{c}{\hat{F}}_{z1}\\ {\hat{F}}_{z2}\end{array}\right]\frac{{\hat{F}}_{y5-\mathrm{Kalman}}}{{\hat{F}}_{z1}+{\hat{F}}_{z2}}---\left(5\right)$

分别表示左前、右前轮的垂向力，

b）采用以转向轮转角差作为权重函数加权融合垂向力权重分配轴侧向力方法估计出的单轮侧向力和卡尔曼观测器估计出的单轮侧向力，得到最终的侧向力估计值，见下式表述：

${\hat{F}}_{y1}=f_{1-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Fz}}+f_{1-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Kalman}}$

${\hat{F}}_{y2}=f_{2-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Fz}}+f_{2-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Kalman}}$

其中f_1-Fz(θ₁-θ₂)、f_2-Fz(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)为实验测得的加权函数，是经验值，就是先用实验设备测出各种工况下的真实值，利用多组数据进行拟合分析得到相关函数。

本发明通过建立一组估算系统，首先采集电机转矩指令和轮速信号等，采取实时估计的方法，利用车辆动力学方程实时估计轮胎的纵向力和垂向力；然后将估计的四个车轮的纵向力连同纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号传给车辆控制器中预先建立好的卡尔曼侧向力观测器，得到两前轮的侧向力估计值和后轴侧向力估计值；最后利用各轮垂向力和前轮转角差对估计的侧向力进一步处理，得到最终的侧向力估计值。所展现出来的优点是：

1、本方法应用车辆状态观测系统实时采集信号，仅采用线性卡尔曼滤波器，保证了计算的实时性。

2、本方法仅应用车辆中现有能获取的信号，不需要添加额外的传感器就能实现单轮的侧向力估计，成本低。

3、本方法不需要获知轮胎与路面的信息，使得该方法具有对不同路面、轮胎的鲁棒性，且估计的侧向力结果可以用来分析轮胎特性与路面状况识别。与现有方法相比，本方法在非线性工况下仍能保持较高的估计精度。

附图说明

图1是本发明的系统关系示意图；

图2是各轮胎的实时转速信号图；

图3是计算得的各轮角加速度图；

图4是各轮电机转矩图；

图5是各轮纵向力计算结果图；

图6是纵向加速度信号和侧向加速度信号图；

图7是左前轮和右前轮垂向力图；

图8是横摆角速度信号图；

图9是计算得到的横摆角加速度图；

图10是方向盘转角信号图；

图11是车轮转角与转角差的图；

图12是卡尔曼观测器结果的加权权重系数和垂向力权重估计结果的加权权重系数；

图13是卡尔曼观测器侧向力估计结果、垂向力权重估计结果和两种方法融合下的估计结果对比。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

图1所示是本发明的轮胎侧向力估计方法所应用的系统图，它包括一设置在整车控制器上的轮边电机控制器1、一设置在车轮处的轮速传感器2、一设置在车辆转向柱管上的方向盘转角传感器3、一设置在车辆质心位置处的纵向加速度传感器4、一侧向加速度传感器5、一横摆角速度传感器6、一基于纵向动力学的轮胎纵向力估计模块7、一基于垂向动力学的轮胎垂向力估计模块8、一卡尔曼侧向力估计模块9和一融合侧向力估计模块10。

基于上述系统，下面通过具体实施例解释本发明对行驶过程中的车辆转向轮的轮胎侧向力的实时估计方法：

采用的车辆参数如表1所示，选取的试验工况为120km/h、双移线。

表1车辆参数

车辆质量	m(kg)	1111
			绕z轴转动惯量	Iz(kg/m2)	2031.4
质心距地面高度	h(mm)	540
			前轴轮距	wf(mm)	1480
后轴轮距	wr(mm)	1480
			质心到前轴距离	lf(mm)	1040
质心到后轴距离	lr(mm)	1560
			车轮转动惯量	Iw(kg/m2)	1.5
车轮滚动半径	R(mm)	311

1）基于纵向动力学的轮胎纵向力估计模块根据前、后两个相邻采样时刻k-1和k实时采集到的实时轮速信号ω(k-1)和ω(k)（如图2），首先计算得到在采样时间k-1时的车轮角加速度（如图3）：

${\stackrel{\·}{\mathrm{\ω}}}_i=\frac{{\mathrm{\ω}}_i\left(k\right)-{\mathrm{\ω}}_i(k-1)}{T}---\left(1\right)$

式中,T为采样步长，1ms。

2）根据进一步计算得到车轮纵向力

${\hat{F}}_{\mathrm{xi}}=\frac{T_i-J_i{\stackrel{\·}{\mathrm{\ω}}}_i}{R_i}---\left(2\right)$

式中，J_i为车轮转动惯量，R_i为车轮滚动半径，T_i为k-1时刻各电机驱动转矩（如图4所示）。车轮纵向力结果如图5所示。

3）车轮垂向力的计算方法为：

根据接收到的纵向加速度信号a_x和侧向加速度信号a_y（如图6所示）计算得到车轮垂向力

$\left[\begin{array}{c}{\hat{F}}_{21}\\ {\hat{F}}_{z2}\end{array}\right]=\left[\begin{array}{c}{l}_r\\ l_r\end{array}\right]\frac{\mathrm{mg}}{2l}-\left[\begin{array}{c}1\\ 1\end{array}\right]\frac{{\mathrm{ma}}_{x}h}{2l}+\left[\begin{array}{c}-l_r\\ l_r\end{array}\right]\frac{{\mathrm{ma}}_{y}h}{\mathrm{lB}}---\left(3\right)$

式中，l为轴距，l_r为质心到后轴距离，h为质心高度，m为车质量，g为重力加速度，B为前轴轮距。车轮垂向力结果如图7所示。

4）所述卡尔曼侧向力观测器模块根据前、后两个相邻采样时刻k-1和k实时采集到的横摆角速度传感器的横摆角速度信号和（如图8），计算得到在采样时间k时的车辆横摆角加速度（如图9）：

$\stackrel{\·\·}{\mathrm{\ψ}}\left(k\right)=\frac{\stackrel{\·}{\mathrm{\ψ}}\left(k\right)-\stackrel{\·}{\mathrm{\ψ}}(k-1)}{T}---\left(4\right)$

5）利用方向盘转角传感器的方向盘转角信号δ_sw(k)（如图10），结合转向系的机械结构几何关系表得到两转向轮的车轮转角θ₁、θ₂和转角差θ₁-θ₂（如图11）。

6）建立离散卡尔曼观测器如下：

状态方程为X_k＝AX_k-1+W_k；

量测方程为Z_k＝HX_k+V_k；

状态量为X＝[F_y1,F_y2,F_y6,F_x1,F_x2,F_x3,F_x4]^T；

量测量为 $Z={[{\mathrm{ma}}_x,{\mathrm{ma}}_y,I_z\stackrel{\·\·}{\mathrm{\ψ}}{F}_{x1},F_{x2},F_{x3},F_{x4}]}^T,$

其中W_k、V_k为白噪声（均值为零的高斯随机噪声信号）。状态系数矩阵A为单位矩阵。量测系数矩阵H为：

$H=\left[\begin{array}{ccccccc}-\sin {\mathrm{\θ}}_1& -\sin {\mathrm{\θ}}_2& 0& \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& 1\\ \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& \sin {\mathrm{\θ}}_1& \sin {\mathrm{\θ}}_2& 0& 0\\ l_f\cos {\mathrm{\θ}}_1+\frac{B}{2}\sin {\mathrm{\θ}}_1& l_f\cos {\mathrm{\θ}}_2-\frac{B}{2}\sin {\mathrm{\θ}}_2& -l_r& l_f\sin {\mathrm{\θ}}_1-\frac{B}{2}\cos {\mathrm{\θ}}_1& l_f\sin {\mathrm{\θ}}_2+\frac{B}{2}\cos {\mathrm{\θ}}_2& \frac{B}{2}& -\frac{B}{2}\\ 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 1\end{array}\right]$

l_r为质心到后轴距离，B为前轴轮距，l_f为质心到前轴距离。

7）将车轮转角θ₁、θ₂，横摆角加速度估计出的各轮纵向力等信息发送到离散卡尔曼观测器中，估计出左前转向轮的侧向力右前转向轮的侧向力和后轴的侧向力并取为前轴侧向力，即与之和。

8）根据垂向力权重分配轴侧向力的方法对卡尔曼侧向力估计模块估计出轴侧向力进行分配得到左前转向轮的侧向力右前转向轮的侧向力

$\left[\begin{array}{c}{\hat{F}}_{y1-\mathrm{Fz}}\\ {\hat{F}}_{y2-\mathrm{Fz}}\end{array}\right]=\left[\begin{array}{c}{\hat{F}}_{z1}\\ {\hat{F}}_{z2}\end{array}\right]\frac{{\hat{F}}_{y5-\mathrm{Kalman}}}{{\hat{F}}_{z1}+{\hat{F}}_{z2}}---\left(5\right)$

9）采用以转向轮转角差表示的权重函数，加权融合垂向力权重分配轴侧向力的方法估计出的单轮侧向力结果和卡尔曼侧向力估计模块估计出单轮侧向力，得到最终的侧向力估计值，以左前转向轮为例，如下式：

${\hat{F}}_{y1}=f_{1-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Fz}}+f_{1-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Kalman}}$

${\hat{F}}_{y2}=f_{2-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Fz}}+f_{2-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Kalman}}$

其中f_1-Fz(θ₁-θ₂)、f_2-Fz(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)为实验测得的加权系数，具体取值如图12。

图13所示是卡尔曼观测器侧向力估计结果、垂向力权重估计结果和两种方法融合下的估计结果，以及三种方法的估计结果与实验设备测出来参考值的对比。从图中可看出，估计值与实测值非常接近。

上述实施例仅用于说明本发明，其中方法实施的步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种分布式电驱动车辆的前轮侧向力估算方法，其特征在于：基于整车控制器建立的估算系统进行估算，估算过程如下：

1）在车辆运行过程中，取两个相邻的采样时刻k-1和k，整车控制器分别取各电机在两时刻之间的需求转矩T_i，取轮速传感器两个时刻的实时轮速信号ω(k-1)和ω(k)，发送到轮胎纵向力估计模块，轮胎纵向力估计模块根据实时采集到的信号，计算出各车轮的纵向力

2）整车控制器取实时的纵向加速度信号和侧向加速度信号，发送到轮胎垂向力估计模块，轮胎垂向力估计模块根据实时采集到的各信号，计算出各车轮的垂向力

上述i＝1，2，3，4，分别表示左前轮、右前轮、左后轮、右后轮；

3）将纵向加速度信号、侧向加速度信号、方向盘转角信号、横摆角速度信号和估计的纵向力发送到一卡尔曼侧向力估计模块，卡尔曼侧向力估计模块估计出左前轮的侧向力右前轮的侧向力和后轴的侧向力

4）将卡尔曼侧向力估计模块估计出的各侧向力，以及方向盘转角信号、估计出的垂向力发送给一融合侧向力估计模块；

融合侧向力估计模块首先利用垂向力权重分配轴侧向力的方法对卡尔曼侧向力估计模块估计出的两前轮侧向力进行分配，得到基于垂向力权重分配轴侧向力方法的两前轮侧向力；然后采用以前轮转角差表示的权重函数，加权融合垂向力权重分配轴侧向力的方法估计出的两前轮侧向力和卡尔曼侧向力估计模块估计出的两前轮侧向力，得到最终的侧向力的估计值。

2.根据权利要求1所述的分布式电驱动车辆的前轮侧向力估算方法，其特征在于：所述的估算系统包括：一方向盘转角传感器、一轮速传感器、一设置在车辆质心位置处的纵向加速度传感器、一侧向加速度传感器、一横摆角速度传感器、一设置在整车控制器上的轮边电机控制器、一基于纵向动力学的轮胎纵向力估计模块、一轮胎垂向力估计模块、一卡尔曼侧向力估计模块和一融合侧向力估计模块，所述这些模块都集成在整车控制器中。

3.根据权利要求1或2所述的分布式电驱动车辆的前轮侧向力估算方法，其特征在于：在所述步骤1）中，所涉及到的车轮纵向力的计算方法为：

a）基于纵向动力学的轮胎纵向力估计模块根据前、后两个相邻采样时刻k-1和k实时采集到的实时轮速信号ω(k-1)和ω(k)，计算得到在采样时间k-1时的车轮角加速度

${\stackrel{\·}{\mathrm{\ω}}}_i=\frac{{\mathrm{\ω}}_i\left(k\right)-{\mathrm{\ω}}_i(k-1)}{T}---\left(1\right)$

式中,T为采样步长；

b）根据进一步计算得到车轮纵向力

${\hat{F}}_{\mathrm{xi}}=\frac{T_i-J_i{\stackrel{\·}{\mathrm{\ω}}}_i}{R_i}---\left(2\right)$

式中，T_i为k-1时刻各电机驱动转矩，J_i为车轮转动惯量，R_i为车轮滚动半径。

4.根据权利要求1或2所述的分布式电驱动车辆的前轮侧向力估算方法，其特征在于：在所述步骤2）中，所涉及到的车轮垂向力的计算方法为：

根据接收到的纵向加速度信号a_x和侧向加速度信号a_y计算得到车轮垂向力

$\left[\begin{array}{c}{\hat{F}}_{21}\\ {\hat{F}}_{z2}\end{array}\right]=\left[\begin{array}{c}{l}_r\\ l_r\end{array}\right]\frac{\mathrm{mg}}{2l}-\left[\begin{array}{c}1\\ 1\end{array}\right]\frac{{\mathrm{ma}}_{x}h}{2l}+\left[\begin{array}{c}-l_r\\ l_r\end{array}\right]\frac{{\mathrm{ma}}_{y}h}{\mathrm{lB}}---\left(3\right)$

式中，表示左前轮垂向力，表示右前轮垂向力。l_r为质心到后轴距离，l为轴距，m为车质量，g为重力加速度，h为质心高度，B为前轴轮距。

5.根据权利要求1所述的分布式电驱动车辆的前轮侧向力估算方法，其特征在于：在所述步骤3）中，在卡尔曼侧向力估计模块中计算各侧向力的方法为：

a）在卡尔曼侧向力估计模块中，根据前、后两个相邻采样时刻k-1和k实时采集到的横摆角速度信号和计算得到在k时刻的车辆横摆角加速度

$\stackrel{\·\·}{\mathrm{\ψ}}\left(k\right)=\frac{\stackrel{\·}{\mathrm{\ψ}}\left(k\right)-\stackrel{\·}{\mathrm{\ψ}}(k-1)}{T}---\left(4\right)$

T为采样步长，

b）利用方向盘转角传感器的方向盘转角信号δ_sw(k)，结合转向系的机械结构几何关系换算得到两前转向轮的车轮转角θ₁、θ₂，

c）建立离散型卡尔曼侧向力观测器如下：

状态方程为X_k＝AX_k-1+W_k，

量测方程为Z_k＝HX_k+V_k，

状态量为X＝[F_y1,F_y2,F_y6,F_x1,F_x2,F_x3,F_x4]^T，

量测量为 $Z={[{\mathrm{ma}}_x,{\mathrm{ma}}_y,I_z\stackrel{\·\·}{\mathrm{\ψ}}{F}_{x1},F_{x2},F_{x3},F_{x4}]}^T,$

其中，W_k、V_k为白噪声，状态系数矩阵A为单位矩阵，T为采样步长，I_z为横摆转动惯量，

量测系数矩阵H为：

$H=\left[\begin{array}{ccccccc}-\sin {\mathrm{\θ}}_1& -\sin {\mathrm{\θ}}_2& 0& \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& 1\\ \cos {\mathrm{\θ}}_1& \cos {\mathrm{\θ}}_2& 1& \sin {\mathrm{\θ}}_1& \sin {\mathrm{\θ}}_2& 0& 0\\ l_f\cos {\mathrm{\θ}}_1+\frac{B}{2}\sin {\mathrm{\θ}}_1& l_f\cos {\mathrm{\θ}}_2-\frac{B}{2}\sin {\mathrm{\θ}}_2& -l_r& l_f\sin {\mathrm{\θ}}_1-\frac{B}{2}\cos {\mathrm{\θ}}_1& l_f\sin {\mathrm{\θ}}_2+\frac{B}{2}\cos {\mathrm{\θ}}_2& \frac{B}{2}& -\frac{B}{2}\\ 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 1\end{array}\right]$

l_r为质心到后轴距离，l_f是质心到前轴距离，B为前轴轮距；

d）将车轮转角θ₁、θ₂，横摆角加速度估计出的各轮纵向力等信息发送到离散卡尔曼观测器中，估计出左前轮的侧向力右前轮的侧向力和后轴的侧向力并记为前轴侧向力，即与之和。

6.根据权利要求1或5所述的分布式电驱动车辆的前轮侧向力估算方法，其特征在于：所述步骤4）中，融合估计单轮侧向力的计算方法为：

a）根据垂向力权重分配轴侧向力的方法对卡尔曼观测器估计出的前轴侧向力进行分配，得到左前轮的侧向力右前轮的侧向力

$\left[\begin{array}{c}{\hat{F}}_{y1-\mathrm{Fz}}\\ {\hat{F}}_{y2-\mathrm{Fz}}\end{array}\right]=\left[\begin{array}{c}{\hat{F}}_{z1}\\ {\hat{F}}_{z2}\end{array}\right]\frac{{\hat{F}}_{y5-\mathrm{Kalman}}}{{\hat{F}}_{z1}+{\hat{F}}_{z2}}---\left(5\right)$

分别表示左前轮、右前轮的垂向力，

b）采用以转向轮转角差表示的权重函数，加权融合垂向力权重分配轴侧向力方法估计出的单轮侧向力和卡尔曼观测器估计出的单轮侧向力，得到最终的侧向力估计值：

${\hat{F}}_{y1}=f_{1-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Fz}}+f_{1-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y1-\mathrm{Kalman}}$

${\hat{F}}_{y2}=f_{2-\mathrm{Fz}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Fz}}+f_{2-\mathrm{Kalman}}({\mathrm{\θ}}_1-{\mathrm{\θ}}_2)\·{\hat{F}}_{y2-\mathrm{Kalman}}$

其中f_1-Fz(θ₁-θ₂)、f_2-Fz(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)、f_1-Kalman(θ₁-θ₂)为实验测得的加权函数。