CN112660107A - 一种改善分布式电驱动底盘功率循环的转矩分配方法 - Google Patents

Abstract

本发明公开了一种改善分布式电驱动底盘功率循环的转矩分配方法，特点是包括根据传感器信号及四轮驱动车辆的七自由度车辆模型计算车辆期望状态的集合向量的步骤；根据传感器信号及二自由度车辆模型估计车辆实际状态的集合向量的步骤；将期望状态向量和估计状态向量作差得到误差状态的步骤；计算车辆驾驶中各轮寄生功率的集合向量的步骤；构建正定代价函数，建立以使代价函数最小化为目标的优化模型，通过搜索法或者遗传算法求解模型，得到该工况下既可以保证操纵稳定性又可以降低车辆功率循环的转矩分配策略的步骤，优点是从轮胎输出端的能源利用效率入手，提升平台使用过程中的能源利用效率，同时兼顾转向时稳定性。

Description

一种改善分布式电驱动底盘功率循环的转矩分配方法

技术领域

本发明涉及一种汽车电子控制技术，尤其是涉及一种改善分布式电驱动底盘功率循环的转矩分配方法。

背景技术

功率循环问题的讨论经常集中在重型运输车上，因为重型运输车大多为多轴驱动，轴间或者轮间的驱动不均衡严重影响轮胎磨损及燃油消耗。随着电动汽车以及电驱动技术的发展，使用电驱动的运输平台进行重型货物的运输也逐渐成为可能。当前我国能源仍处于紧张状态，从降低功率循环的角度出发进行驱动力矩的优化分配，即设计一种以降低功率循环为联合目标的电子差速器，可以改善电驱动物流平台在使用过程中的能源效率问题。

发明专利201910627559X-一种电子差速控制器及控制方法,采用转矩矢量控制(TVC)将驱动力矩合理的分配到左右两侧电机，以获得合适的横摆角速度，提高赛车的操纵稳定性，并且对赛车转弯时进行了差速分配。但是发明对象是仅后轮驱动的赛车，并非四驱，所以也并没有考虑寄生功率的问题。

发明专利CN201911424919-电动汽车驱动转矩分配方法、装置和计算机设备，以稳定性和经济性为目标划分子目标并建立目标函数进行优化，随后将某工况下的优化结果存储下来，在实际使用中差值在线计算。但是发明的对象是前后中央电机的汽车，仍然存在传统的轮间机械式差速器，与轮毂电机驱动车辆在力矩分配上的约束存在差异，该差异会影响整体的分配策略与方法。

发明专利CN202010036484-一种分布式驱动电子差速自适应控制系统，采用分层控制的方法，上层为驱动力分配层，下层为滑移率控制层，根据各传感器的反馈信号进行工况判断并应用自适应控制策略。但是该发明仅涉及左右轮间差速，并没有考虑两轴或者多轴驱动时的功率循环问题。

发明专利CN202010042573-一种基于规则的四轮分布式驱动转矩分配方法，基于车辆刚体动力学模型，采用类似直接横摆力矩控制的方法，先对前后轴电机的分配比例进行设定，随后根据横摆力矩值进行左右轮的力矩分配。但是该方法并不能保证对经济性的良好优化，并且分配方法不是基于最优优化理论，不能保证是最优的分配策略。

发明专利CN202010396171-一种四轮驱动电动汽车的转矩优化分配控制方法，对四轮毂电机驱动的电动车辆进行转矩的优化分配，以降低能量消耗和电机内电流波动为目标，计算出面向节能和转矩变化率的转矩分配系数及其对应的全局最优效率。但是该方法是从能量输入端的电机入手考虑的能量利用，并不是本发明中从轮胎这一能量输出端考虑的，所以在控制出发点与控制结果上存在差异。

授权发明专利CN201711145495-一种分布式驱动电动汽车的转矩分配控制方法，考虑了轮胎的附着特性，在摩擦椭圆范围内对力矩分配进行了优化，提升了车辆的稳定性和驱动效率。但是该发明中所指的驱动效率只是对路面与轮胎附着的利用程度，并没有考虑整车的经济性。

CN201910039663-基于双层控制的分布式驱动电动汽车转矩矢量控制方法，基于Dugoff轮胎模型，建立二自由度与七自由度的车辆模型，对车辆稳定性参数进行跟踪，并使用PID控制器进行力矩分配，实现了较好的过弯稳定性。但是同样也只是考虑了驾驶稳定性，并没有考虑整车经济性。

发明内容

本发明所要解决的技术问题是提供一种从轮胎输出端的能源利用效率入手，提升平台使用过程中的能源利用效率，同时兼顾转向时稳定性的改善分布式电驱动底盘功率循环的转矩分配方法。

本发明解决上述技术问题所采用的技术方案为：一种改善分布式电驱动底盘功率循环的转矩分配方法，包括以下步骤：

(1)采集来自传感器的信号

通过车辆CAN通讯网络，采集所需传感器的信号，包括：通过惯性测量单元IMU获取车身纵向加速度a_x、横向加速度a_y、横摆角速度ω_z和航向角β_z，通过电机控制器获取汽车各轮的转矩T_i和转速ω_i，通过转向电机获取前轴转向系转角δ_f和后轴转向系转角δ_r，并获取GNSS导航系统的纵向坐标信息x_e和横向坐标信息y_e；

(2)根据传感器信号计算车辆期望状态

A.通过CAN网络检测驾驶员输入的请求信号，包括前转向角度请求δ_f，cmd和后转向角度请求δ_r，cmd，制动压力请求p_cmd，以及车速请求v_0，cmd，根据采集的请求信号，通过PID控制器计算出各轮的期望转矩T_i，cmd；

B.根据步骤(1)中获取的传感器信号计算轮胎接地力的横分量F_x，i和纵分量F_y，i，计算公式如下：[F_x，i，F_y，i]＝Tiremodel(T_i，cmd)，其中的Tiremodel为轮胎模型，T_i，cmd为各轮的期望转矩，i表示轮胎位置，i为fl时表示左前位置，i为fr时表示右前位置，i为rl时表示左后位置，i为rr时表示右后位置；

C.根据四轮驱动车辆的七自由度车辆模型的动力学关系，计算出车辆期望横摆角速度ω_z，cmd，期望质心侧偏角β_z，cmd，期望侧向加速度a_y，cmd，七自由度车辆模型包括纵向运动、横向运动、横摆运动，以及四个车轮的转动，计算公式如下：

纵向动力学方程：

m*(a_x，cmd-v_y*ω_z)＝F_x，fl*cosδ_f+F_x，fr*cosδ_f-F_y，fl*sinδ_f-F_y，fr*sinδ_f+F_x，rl*cosδ_r+F_x，rr*cosδ_r-F_y，rl*sinδ_r-F_y，rr*sinδ_r

横向动力学方程：

m*(a_y，cmd+v_x*ω_z)＝F_x，fl*sinδ_f+F_x，fr*sinδ_f+F_y，fl*cosδ_f+F_y，fr*cosδ_f+F_x，rl*sinδ_r+F_x，rr*sinδ_r+F_y，rl*cosδ_r+F_y，rr*cosδ_r

横摆动力学方程：

其中m是车辆总质量，a_x是车辆的纵向加速度，v_y是车辆的横向车速，v_x是车辆的纵向车速，δ_f为前轴转向系转角，δ_r为后轴转向系转角，I_z是车辆横摆方向上的转动惯量，b_f是前轮距，b_r是后轮距，l_f是车辆质心到前车轴的距离，l_r是车辆质心到后车轴的距离，综合纵向、横向和横摆动力学方程求解获得期望侧向加速度a_y，cmd和车辆期望横摆角速度ω_z，cmd，

是ω_z，cmd的一阶导数；

D.将期望侧向加速度a_y，cmd和车辆期望横摆角速度ω_z，cmd通过积分的方法计算获得期望质心侧偏角β_z，cmd；

E.根据车速请求v_0，cmd，以及前后转向角度请求δ_f，cmd和δ_r，cmd，计算各轮的期望转速ω_i，cmd，计算公式如下：

其中ω_i，cmd的i表示车轮位置，对应fl/fr/rl/rr；δ_i前后转向角度请求，r_e，i为各轮滚动半径，i表示车轮位置i，对应fl/fr/rl/rr；

F.获得所需的车辆期望状态的集合向量state_cmd，表示为state_cmd＝[β_z，cmd，ω_z，cmd，a_y，cmd，ω_i，cmd]；

(3)根据步骤(1)获得的传感器信号估计车辆实际状态

采用二自由度车辆模型，使用状态观测的方法估计车辆实际质心侧偏角β_z，est，实际横摆角速度ω_z，est，实际侧向加速度a_y，est，将各轮转速ω_i作为实际的转速ω_i，est，获得所需的车辆实际状态的集合向量state_est，表示为state_est＝[β_est，ω_est，a_y，est，ω_i，est]；

(4)计算误差状态

将期望状态state_cmd向量和估计状态state_est向量作差，计算误差状态state_err，计算方法为state_err＝state_cmd-state_est；

(5)计算当前时刻的寄生功率

计算车辆驾驶中功率循环大小的指标寄生功率，计算公式如下：P_prc，i＝F_x，i*(v₀-v_x，i)，式中：P_prc，i为各车轮的寄生功率大小，F_x，i为通过轮胎模型计算得到车轮纵向力的数值，v₀为车辆实际车速，v_x，i为各轮的中心速度沿车辆纵向的分量，计算获得各轮寄生功率的集合向量P_prc，表示为P_prc＝[P_prc，fl，P_prc，fr，P_prc，rl，P_prc，rr]；

(6)构建代价函数

构建正定代价函数cost，模型为

其中k₁为车辆操稳性权重，k₂为循环功率优化权重，k₁和k₂均非负；B为误差状态state_err各项间的系数权重矩阵；

(7)求解使代价函数最小的转矩分配集合

建立以使代价函数cost最小化为目标的优化模型：

通过搜索法或者遗传算法求解模型，得到的结果T_i就是该工况下既可以保证操纵稳定性又可以降低车辆功率循环的转矩分配策略，求解结果集合记为T＝set(T_i)。

所述的车辆实际车速v₀计算方法如下：将步骤(1)得到的数据车身纵向加速度a_x、横向加速度a_y、纵向坐标信息x_e和横向坐标信息y_e，通过卡尔曼滤波器进行数据融合，得到车辆实际车速v₀。

具体如下：根据GNSS的定位信号x_e和y_e，并结合采样频率计算出时间间隔t_gnss，使用

作为测量模型，其中w_k为测量噪声，取决于GNSS系统的定位精度；根据IMU的加速度信号a_x和a_y，并结合采样频率计算出时间间隔t_imu，使用

作为动力学模型，其中v_k为过程噪声，取决于IMU的加速度测量精度。两个模型构成了使用无迹卡尔曼滤波的模型基础，本例中采用无迹卡尔曼滤波，也称sigma-point卡尔曼滤波，来进行质心车速v₀的估计，前面的下角标k与k-1指的是相邻的两个采样时刻。

各轮的中心速度沿车辆纵向的分量v_x，i计算方法如下：v_x，i＝ω_i，est*r_e*cos(δ_i，est)，其中δ_i，est为各轮实际转角，当i位置为前轮时与前轴转向系转角δ_f值相同，当i位置为后轮时与后轴转向系转角δ_r值相同。

与现有技术相比，本发明的优点在于：本发明一种改善分布式电驱动底盘功率循环的转矩分配方法，从轮胎输出端的能量效率入手，采用循环功率这一指标，使用多目标优化的方法，对以各轮转矩为变量的代价函数进行优化，优化后的转矩可以在降低分布式电驱动车辆功率循环的同时保证转向时的操纵稳定性，有利于电动分布式电动车辆提高能量利用效率，降低不必要的能量消耗，符合节能减排的时代精神。

附图说明

图1为本发明改善分布式电驱动底盘功率循环的转矩分配方法的流程图；

图2为七自由度车辆模型示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

具体实施例

一种改善分布式电驱动底盘功率循环的转矩分配方法，如图1所示，包括以下步骤：

(1)采集来自传感器的信号

通过车辆CAN通讯网络，采集所需传感器的信号，包括：通过惯性测量单元IMU获取车身纵向加速度a_x、横向加速度a_y、横摆角速度ω_z和航向角β_z，通过电机控制器获取汽车各轮的转矩T_i和转速ω_i，通过转向电机获取前轴转向系转角δ_f和后轴转向系转角δ_r，并获取GNSS导航系统的纵向坐标信息x_e和横向坐标信息y_e(该坐标是通过经纬度以及参考原点计算的)；

(2)根据传感器信号计算车辆期望状态

A.通过CAN网络检测驾驶员输入的请求信号，包括前转向角度请求δ_f，cmd和后转向角度请求δ_r，cmd，制动压力请求p_cmd，以及车速请求v_0，cmd，根据采集的请求信号，通过PID控制器计算出各轮的期望转矩T_i，cmd；

B.根据步骤(1)中获取的传感器信号计算轮胎接地力的横分量F_x，i和纵分量F_y，i，计算公式如下：[F_x，i，F_y，i]＝Tiremodel(T_i，cmd)，其中的Tiremodel为轮胎模型，T_i，cmd为各轮的期望转矩，i表示轮胎位置，i为fl时表示左前位置，i为fr时表示右前位置，i为rl时表示左后位置，i为rr时表示右后位置；对于轮胎来说，电机的转矩是输入，而轮胎接地的横纵向力是输出，因此需要用到轮胎模型，来计算轮胎接地的力学指标，这也是七自由度车辆模型和寄生功率计算的要求；常见的轮胎模型包括魔术公式模型，swift轮胎模型，UniTire轮胎模型等；

C.根据四轮驱动车辆的七自由度车辆模型(如图2所示)的动力学关系，计算出车辆期望横摆角速度ω_z，cmd，期望质心侧偏角β_z，cmd，期望侧向加速度a_y，cmd，七自由度车辆模型包括纵向运动、横向运动、横摆运动，以及四个车轮的转动，计算公式如下：

纵向动力学方程：

m*(a_x，cmd-v_y*ω_z)＝F_x，fl*cosδ_f+F_x，fr*cosδ_f-F_y，fl*sinδ_f-F_y，fr*sinδ_f+F_x，rl*cosδ_r+F_x，rr*cosδ_r-F_y，rl*sinδ_r-F_y，rr*sinδ_r

横向动力学方程：

m*(a_y，cmd+v_x*ω_z)＝F_x，fl*sinδ_f+F_x，fr*sinδ_f+F_y，fl*cosδ_f+F_y，fr*cosδ_f+F_x，rl*sinδ_r+F_x，rr*sinδ_r+F_y，rl*cosδ_r+F_y，rr*cosδ_r

横摆动力学方程：

其中m是车辆总质量，a_x是车辆的纵向加速度，v_y是车辆的横向车速，v_x是车辆的纵向车速，δ_f为前轴转向系转角，δ_r为后轴转向系转角，I_z是车辆横摆方向上的转动惯量，b_f是前轮距，b_r是后轮距，l_f是车辆质心到前车轴的距离，l_r是车辆质心到后车轴的距离，综合纵向、横向和横摆动力学方程求解获得期望侧向加速度a_y，cmd和车辆期望横摆角速度ω_z，cmd，

是ω_z，cmd的一阶导数；

D.将期望侧向加速度a_y，cmd和车辆期望横摆角速度ω_z，cmd通过积分的方法计算获得期望质心侧偏角β_z，cmd；

E.根据车速请求v_0，cmd，以及前后转向角度请求δ_f，cmd和δ_r，cmd，计算各轮的期望转速ω_i，cmd，计算公式如下：

其中ω_i，cmd的i表示车轮位置，对应fl/fr/rl/rr；δ_i前后转向角度请求，r_e，i为各轮滚动半径，i表示车轮位置i，对应fl/fr/rl/rr；

F.获得所需的车辆期望状态的集合向量state_cmd，表示为state_cmd＝[β_z，cmd，ω_z，cmd，a_y，cmd，ω_i，cmd]；

(3)根据步骤(1)获得的传感器信号估计车辆实际状态

采用二自由度车辆模型，使用状态观测的方法估计车辆实际质心侧偏角β_z，est，实际横摆角速度ω_z，est，实际侧向加速度a_y，est，估计以上三个参数所使用的二自由度车辆模型和状态观测法，是已被学术界广泛使用的车辆模型以及状态估计法，将各轮转速ω_i作为实际的转速ω_i，est，获得所需的车辆实际状态的集合向量state_est，表示为state_est＝[β_est，ω_est，a_y，est，ω_i，est]；

(4)计算误差状态

将期望状态state_cmd向量和估计状态state_est向量作差，计算误差状态state_err，计算方法为state_err＝state_cmd-state_est；误差状态为期望状态和估计状态的差值，表示的是实际反馈或者实际估计的状态与预期状态间的差异大小，反应的是车辆状态的跟随性能，该误差状态如果较大，则表示此时车辆并没有很好地跟随驾驶意图；反之则表示可以较好地跟随驾驶意图。

(5)计算当前时刻的寄生功率

计算车辆驾驶中功率循环大小的指标寄生功率，计算公式如下：P_prc，i＝F_x，i*(v₀-v_x，i)，式中：P_prc，i为各车轮的寄生功率大小，F_x，i为通过轮胎模型计算得到车轮纵向力的数值，v₀为车辆实际车速，v_x，i为各轮的中心速度沿车辆纵向的分量，计算获得各轮寄生功率的集合向量P_prc，表示为P_prc＝[P_prc，fl，P_prc，fr，P_prc，rl，P_prc，rr]；

其中车辆实际车速v₀计算方法如下：将步骤(1)得到的数据车身纵向加速度a_x、横向加速度a_y、纵向坐标信息x_e和横向坐标信息y_e，通过ROS(Robot Operating System)软件包下的卡尔曼滤波模块进行数据融合，得到车辆实际车速v₀；具体如下：根据GNSS的定位信号x_e和y_e，并结合采样频率计算出时间间隔t_gnss，使用

作为测量模型，其中w_k为测量噪声，取决于GNSS系统的定位精度；根据IMU的加速度信号a_x和a_y，并结合采样频率计算出时间间隔t_imu，使用

作为动力学模型，其中v_k为过程噪声，取决于IMU的加速度测量精度。两个模型构成了使用无迹卡尔曼滤波的模型基础，本例中采用无迹卡尔曼滤波，也称sigma-point卡尔曼滤波，来进行质心车速v₀的估计，下角标k与k-1指的是相邻的两个采样时刻。

各轮的中心速度沿车辆纵向的分量v_x，i计算方法如下：v_x，i＝ω_i，est*r_e*cos(δ_i，est)，其中δ_i，est为各轮实际转角，当i位置为前轮时与前轴转向系转角δ_f值相同，当i位置为后轮时与后轴转向系转角δ_r值相同；

当某个车轮处于滑移状态时，即v₀-v_x，i＞0时，P_prc，i＞0，我们认为该车轮在制动，造成了整车其他电机额外的功率损失；而P_prc，i＜0时，我们认为该车轮发出了超过需要的转矩，造成了该电机的功率浪费；

(6)构建代价函数

构建正定代价函数cost，模型为

其中k₁为车辆操稳性权重，k₂为循环功率优化权重，k₁和k₂均非负；B为误差状态state_err各项间的系数权重矩阵；例如采用浙江天尚元科技有限公司的四轮毂电机驱动的四轮转向底盘，各项权重参数取以下数值：B＝diag(0.4，0.2，0.2，0.2)，k₁＝0.5，k₂＝0.5；

(7)求解使代价函数最小的转矩分配集合

建立以使代价函数cost最小化为目标的优化模型：

通过搜索法或者遗传算法求解模型，得到的结果T_i就是该工况下既可以保证操纵稳定性又可以降低车辆功率循环的转矩分配策略，求解结果集合记为T＝set(T_i)，其中除了T_i之外均为人为指定参数。需要指出，这里T需要符合路面附着、电机Map图、电机功率等约束，以上约束都是行业公知的。

求解优化的方法有很多，包括使用各种软件在内的工具箱进行求解，包括matlab自带的fminbnd或者fminsearch都是很好的求解函数极小值的函数，此外，使用遗传算法工具箱或者是蚁群算法也可以获得最小值对应的结果。

(8)多次测试

将车辆在不同路面进行长时间的测试，多次重复步骤(7)，获得各种工况下的离线数据，并进行优化求解、存储最优的转矩集合；按照多维坐标进行存储，多维坐标包括转速请求，转角请求，制动请求，当前车速，以及路面附着系数；

(9)离线优化并存储

在实际使用过程中，某种工况下的操作，基于多维存储的最优解，线性插值来获取当前操作下最优的转矩分配数值，以此来获得良好的动力性与经济性。

上述说明并非对本发明的限制，本发明也并不限于上述举例。本技术领域的普通技术人员在本发明的实质范围内，做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种改善分布式电驱动底盘功率循环的转矩分配万法，其特征在于包括以下步骤：

(1)采集来自传感器的信号

通过车辆CAN通讯网络，采集所需传感器的信号，包括：通过惯性测量单元IMU获取车身纵向加速度a_x、横向加速度a_y、横摆角速度ω_z和航向角β_z，通过电机控制器获取汽车各轮的转矩T_i和转速ω_i，通过转向电机获取前轴转向系转角δ_f和后轴转向系转角δ_r，并获取GNSS导航系统的纵向坐标信息x_e和横向坐标信息y_e；

(2)根据传感器信号计算车辆期望状态

A.通过CAN网络检测驾驶员输入的请求信号，包括前转向角度请求δ_f，cmd和后转向角度请求δ_r，cmd，制动压力请求p_cmd，以及车速请求v_0，cmd，根据采集的请求信号，通过PID控制器计算出各轮的期望转矩T_i，cmd；

B.根据步骤(1)中获取的传感器信号计算轮胎接地力的横分量F_x，i和纵分量F_y，i，计算公式如下：[F_x，i，F_y，i]＝Tiremodel(T_i，cmd)，其中的Tiremodel为轮胎模型，T_i，cmd为各轮的期望转矩，i表示轮胎位置，i为fl时表示左前位置，i为fr时表示右前位置，i为rl时表示左后位置，i为rr时表示右后位置；

C.根据四轮驱动车辆的七自由度车辆模型的动力学关系，计算出车辆期望横摆角速度ω_z，cmd，期望质心侧偏角β_z，cmd，期望侧向加速度a_y，cmd，七自由度车辆模型包括纵向运动、横向运动、横摆运动，以及四个车轮的转动，计算公式如下：

纵向动力学方程：

m*(a_x，cmmd-v_y*ω_z)＝F_x，fl*cosδ_f+F_x，fr*cosδ_f-F_y，fl*sinδ_f-F_y，fr*sinδ_f+F_x，rl*cosδ_r+F_x，rr*cosδ_r-F_y，rl*sinδ_r-F_y，rr*sinδ_r

横向动力学方程：

m*(a_y，cmd+v_x*ω_z)＝F_x，fl*sinδ_f+F_x，fr*sinδ_f+F_y，fl*cosδ_f+F_y，fr*cosδ_f+F_x，rl*sinδ_r+F_x，rr*sinδ_r+F_y，rl*cosδ_r+F_y，rr*cosδ_r

横摆动力学方程：

其中m是车辆总质量，a_x是车辆的纵向加速度，v_y是车辆的横向车速，v_x是车辆的纵向车速，δ_f为前轴转向系转角，δ_r为后轴转向系转角，I_z是车辆横摆方向上的转动惯量，b_f是前轮距，b_r是后轮距，l_f是车辆质心到前车轴的距离，l_r是车辆质心到后车轴的距离，综合纵向、横向和横摆动力学方程求解获得期望侧向加速度a_y，cmmd和车辆期望横摆角速度ω_z，cmd，

是ω_z，cmd的一阶导数；

D.将期望侧向加速度a_y，cmd和车辆期望横摆角速度ω_z，cmd通过积分的方法计算获得期望质心侧偏角β_z，cmd；

E.根据车速请求v_0，cmd，以及前后转向角度请求δ_f，cmd和δ_r，cmd，计算各轮的期望转速ω_i，cmmd，计算公式如下：

其中ω_i，cmd的i表示车轮位置，对应fl/fr/rl/rr；δ_i前后转向角度请求，r_e，i为各轮滚动半径，i表示车轮位置i，对应fl/fr/rl/rr；

F.获得所需的车辆期望状态的集合向量state_cmd，表示为state_cmd＝[β_z，cmd，ω_z，cmd，a_y，cmd，ω_i，cmd]；

(3)根据步骤(1)获得的传感器信号估计车辆实际状态

采用二自由度车辆模型，使用状态观测的方法估计车辆实际质心侧偏角β_z，est，实际横摆角速度ω_z，est，实际侧向加速度a_y，est，将各轮转速ω_i作为实际的转速ω_i，est，获得所需的车辆实际状态的集合向量state_est，表示为state_est＝[β_est，ω_est，a_y，est，ω_i，est]；

(4)计算误差状态

将期望状态state_cmd向量和估计状态state_est向量作差，计算误差状态state_err，计算方法为state_err＝state_cmd-state_est；

(5)计算当前时刻的寄生功率

计算车辆驾驶中功率循环大小的指标寄生功率，计算公式如下：P_prc，i＝F_x，i*(v₀-v_x，i)，式中：P_prc，i为各车轮的寄生功率大小，F_x，i为通过轮胎模型计算得到车轮纵向力的数值，v₀为车辆实际车速，v_x，i为各轮的中心速度沿车辆纵向的分量，计算获得各轮寄生功率的集合向量P_prc，表示为P_prc＝[P_prc，fl，P_prc，fr，P_prc，rl，P_prc，rr]；

(6)构建代价函数

构建正定代价函数cost，模型为

其中K₁为车辆操稳性权重，K₂为循环功率优化权重，K₁和K₂均非负；B为误差状态state_err各项间的系数权重矩阵；

(7)求解使代价函数最小的转矩分配集合

建立以使代价函数cost最小化为目标的优化模型：

通过搜索法或者遗传算法求解模型，得到的结果T_i就是该工况下既可以保证操纵稳定性又可以降低车辆功率循环的转矩分配策略，求解结果集合记为T＝set(T_i)。

2.根据权利要求1所述的一种改善分布式电驱动底盘功率循环的转矩分配方法，其特征在于：所述的车辆实际车速v_o计算方法如下：将步骤(1)得到的数据车身纵向加速度a_x、横向加速度a_y、纵向坐标信息x_e和横向坐标信息y_e，通过卡尔曼滤波器进行数据融合，得到车辆实际车速v₀。

3.根据权利要求2所述的一种改善分布式电驱动底盘功率循环的转矩分配方法，其特征在于：具体如下：根据GNSS的定位信号x_e和y_e，并结合采样频率计算出时间间隔t_gnss，使用

作为测量模型，其中w_k为测量噪声，取决于GNSS系统的定位精度；根据IMU的加速度信号a_x和a_y，并结合采样频率计算出时间间隔t_imu，使用

作为动力学模型，其中v_k为过程噪声，取决于IMU的加速度测量精度。两个模型构成了使用无迹卡尔曼滤波的模型基础，本例中采用无迹卡尔曼滤波，也称sigma-point卡尔曼滤波，来进行质心车速v₀的估计，下角标k与k-1指的是相邻的两个采样时刻。

4.根据权利要求1所述的一种改善分布式电驱动底盘功率循环的转矩分配方法，其特征在于：各轮的中心速度沿车辆纵向的分量v_x，i计算方法如下：v_x，i＝ω_i，est*r_e*cos(δ_i，est)，其中δ_i，est为各轮实际转角，当i位置为前轮时与前轴转向系转角δ_f值相同，当i位置为后轮时与后轴转向系转角δ_r值相同。

Images