分布式驱动电动汽车状态参数估计综述
分布式驱动电动汽车动力学控制发展现状综述_余卓平

机
械
工
程
学 报
Vo l . 4 9 Apr.
No.8 2013
JOURNAL OF MECHANICAL ENGINEERING
DOI:10.3901/JME.2013.08.105
分布式驱动电动汽车动力学控制发展现状综述*
余卓平 1, 2 冯 源 1, 2 熊 璐 1, 2
Review on Vehicle Dynamics Control of Distributed Drive Electric Vehicle
YU Zhuoping1, 2 FENG Yuan1, 2 Xቤተ መጻሕፍቲ ባይዱONG Lu1, 2
(1. School of Automotive Studies, Tongji University, Shanghai 201804; 2. Clean Energy Automotive Engineering Center, Tongji University, Shanghai 201804)
106
机
械
工
程
学
报
第 49 卷第 8 期期
综合, 它在检测到车辆动力学状态偏离稳定区间时, 通过对个别车轮施加制动力矩来改变车辆的运动状 态,提高车辆的主动安全性。 通过制动方式进行稳定性控制带来的不良后 果是速度损失,即其降低了汽车三大基本功能中的 行驶能力(另两大功能是停车与转向),同时 ESP 有 明显介入感,易对驾驶员产生干扰[3]。因此,一些 国外汽车公司开始研究基于转矩矢量分配控制 (Torque vectoring control,TVC)技术的动力学稳定 该技术实现了动力学控制从对各个车 控制系统[4-6]。 轮的转矩与滑移率控制到面向全轮的转矩分配控制 的转变。相比传统 ESP,转矩矢量分配控制的控制 范围进一步扩展(图 1), 均衡各轮胎的路面附着利用 率,增加车辆稳定性裕度。传统汽车上的转矩分配 控制基于复杂的四驱机械装置,通过差速与锁止控 制以及对驱动轮上施加液压制动以改变转矩,实现 对各轮转矩的分配。由于其系统极其复杂和昂贵, 目前的应用仅限于豪华运动汽车。如图 1 所示,转 矩矢量控制可以弥补电子稳定性程序控制的死区, 但受到主动差速器转矩分配能力的约束,其在极限 工况下的控制能力不足。
《分布式驱动电动汽车动力学模型分析2000字》

分布式驱动电动汽车动力学模型分析综述1.1CarSim车辆动力学模型根据本次论文给定研究车辆的结构参数以及特性参数,设计和实车平台相似的CarSim车辆动力学模型。
但由于目前的CarSim仿真平台只有传统燃油车的汽车传动模型,其传统燃油汽车的动力传递路线为由发动机产生动力,并由传动系统将动力输送至驱动轮,其驱动轮上的驱动力并不是完全独立的,而本文进行研究的分布式驱动电动汽车是通过独立控制四个轮毂电机的转矩从而独立控制四个车轮的驱动力。
因此CarSim仿真平台提供的原有车辆动力传递模型不能够满足此次研究要求,因此需要在原有的车辆传动模型的基础上进行修改。
首先由于研究的对象为四轮驱动汽车,因此选用传统汽车中的四驱模型,仍然选择发动机加传动系统的动力传输,然后修改前后车轮的动力获取为外部获得,即切断了差速器到各个车轮之间的动力连接,从而实现传统燃油汽车模型不对车轮的转矩进行控制,方便后续利用外部电机模型对车轮的进行动力输出。
示意图如下:图1.1 CarSim车辆模型动力传递示意图另外通过CarSim软件对车辆的基本参数进行设置,具体车辆的基本参数如图1.2中所示。
图1.2 分布式驱动电动汽车整车参数1.2Simulink电机模型1.1.1 轮毂电机的选定在对Simulink轮毂电机进行建模之前,需要确定所研究的汽车的动力学参数,根据车辆的动力要求,对所使用的轮毂电机进行选择。
经过对于车辆最大行驶阻力功率、加速能力、最大爬坡度等要求的综合考虑后,选定一款轮毂电机,经过选择后的轮毂电机具体参数如图1.3所示:图1.3 轮毂电机基本参数1.1.2轮毂电机建模考虑到本文的研究重点是对汽车行驶时的质心侧偏角进行估计,因此对于轮毂电机模型的精度要求不高,因此在对于轮毂电机进行建模时进行了相应的简化,但仍然实现了轮毂电机的实际外特性。
通过查询得到该型号轮毂电机外特性曲线如图1.4所示:图1.4 轮毂电机外特性曲线根据轮毂电机的外特性曲线可以得知,当电机转速较小时,电机输出扭矩随着电机转速的增加而基本不变,当电机转速达到临界值后,电机输出的转矩将随着电机转速的增加而快速降低,但其降低速率随着电机转速的增加而慢慢变小,因此在建立电机模型时可以设定一个临界值,当电机转速小于该临界值时,我们认为电机输出转矩不随电机转速发生改变,而当电机转速大于该临界值时,其电机输出转矩随着电机转速的变化而变化。
分布式电驱动车辆动力学状态参数观测及驱动力协调控制

展望未来,我们将继续研究分布式电驱动车辆的动力学状态参数观测及驱动 力协调控制问题,致力于提高车辆的稳定性和操控性。具体的研究方向包括: (1)传感器优化布置:研究如何合理增加传感器数量和类型,以获取更全面的 车辆状态信息;(2)数据采集频率提升:探索更高频率的数据采集方法,以更 好地捕捉车辆动态变化;(3)
结论与展望
本次演示介绍了分布式电驱动车辆动力学状态参数观测和驱动力协调控制的 相关知识,并分析了实验结果及未来研究方向。通过优化传感器布置、数据采集 和预处理方法,我们可以获得较为准确的车辆动力学状态参数观测结果。同时, 驱动力协调控制算法在不同工况下均表现出良好的性能。然而,仍需针对传感器 噪声、数据采集频率和特殊工况等问题进行深入研究。
四、控制策略
针对四轮独立电驱动车辆的特性,本次演示提出了一种基于模型的控制策略。 该策略基于车辆动力学模型和控制模型,根据车辆状态和目标轨迹计算控制输入。 具体策略如下:
1、根据车辆当前状态和目标轨迹,计算出车辆的速度和加速度。 2、根据速度和加速度,利用动力学模型计算出车辆的扭矩需求。
3、利用控制模型计算出电机的 转速和转矩控制输入。
稳定性控制
稳定性控制是分布式电驱动汽车的重要性能指标之一,它直接影响到汽车的 安全性和舒适性。稳定性控制一般包括整车控制器、电动机控制器和轮胎压力监 测系统等方面。
整车控制器是分布式电驱动汽车的“大脑”,它通过对车辆各部位状态信息 的采集和处理,实现车辆的稳定控制。整车控制器一般采用先进的控制算法和策 略,如PID控制、模糊控制等,以保证车辆的稳定性和安全性。
随着电动汽车技术的不断发展,四轮独立电驱动车辆逐渐成为研究热点。这 种车辆具有出色的灵活性和动力学性能,能够实现独立驱动和独立控制。本次演 示将介绍四轮独立电驱动车辆实验平台及其驱动力控制系统的研究。
分布式驱动电动汽车驱动控制技术研究综述

分布式驱动电动汽车驱动控制技术研究综述贾婕;赵景波;杨超越;陈云飞【摘要】分布式驱动电动汽车具有控制灵活、控制响应快等优势,越来越受到人们的关注.文章叙述了分布式驱动电动汽车驱动控制技术的研究现状,重点介绍了电子差速控制、横摆力矩控制、多目标协调集成控制和容错控制等控制技术的研究方法以及国内外研究现状,并对当前存在的问题及发展趋势进行了分析.【期刊名称】《常州工学院学报》【年(卷),期】2019(032)002【总页数】6页(P1-6)【关键词】分布式驱动;电动汽车;驱动控制;智能控制【作者】贾婕;赵景波;杨超越;陈云飞【作者单位】江苏理工学院 ,江苏常州 213001;江苏省新能源汽车动力系统集成控制重点建设实验室 ,江苏常州 213001;常州工学院 ,江苏常州 213032;江苏理工学院 ,江苏常州 213001;江苏省新能源汽车动力系统集成控制重点建设实验室 ,江苏常州 213001;江苏理工学院 ,江苏常州 213001;江苏省新能源汽车动力系统集成控制重点建设实验室 ,江苏常州 213001【正文语种】中文【中图分类】U469.72近年来,由于能源危机和环境问题,电动汽车逐渐成为研究热点。
电机和电机控制器技术的改进,为多种动力传动系统配置提供了更多的可能。
随着对电动汽车的深入研究,分布式驱动电动汽车开始备受关注。
它通过4个轮边电机分别驱动4个车轮实现独立控制。
该结构具有转矩响应速度快、精度高以及单个电机独立可控等优点,为车辆底盘的动力学控制提供了广阔的前景。
对分布式驱动电动汽车驱动控制技术进行研究,充分利用其独立驱动等优势,对改善车辆的动力性能以及稳定性、安全性具有重大意义。
1 分布式驱动电动汽车的优势相比于传统汽车以及中央驱动的电动汽车,分布式驱动电动汽车具有较大的优势和潜力。
1)取消了大部分的传动结构,减少车辆底盘部件数量,节省底盘空间,为实现整车轻量化带来了可能。
与集中驱动的车辆相比,可以获得更大的能量回收率,能够有效提高电动汽车的续航里程。
分布式电驱动车辆动力学状态参数观测及驱动力协调控制共3篇

分布式电驱动车辆动力学状态参数观测及驱动力协调控制共3篇分布式电驱动车辆动力学状态参数观测及驱动力协调控制1分布式电驱动车辆动力学状态参数观测及驱动力协调控制随着能源问题日益受到关注,新能源汽车的研究与应用也受到了广泛关注。
其中,分布式电驱动技术成为提高新能源汽车效能和降低能量消耗的重要手段。
分布式电驱动技术使得驱动力能够实时调节,车辆动力学状态得到优化,从而提高了效率和经济性。
分布式电驱动车辆动力学状态参数的观测是实现驱动力协调控制的关键。
在车辆行驶过程中,需要精确观测车辆的位置、速度、加速度等运动参数以及电池电量、电机温度等状态参数,来判断车辆当前状态和行驶情况,并及时做出调整。
观测参数的精度、灵敏度是实现驱动力协调控制的基石。
驱动力协调控制是实现优化车辆动力学状态的关键。
传统汽车采用单个发动机驱动,难以实现驱动力的精细控制;而分布式电驱动车辆由多个驱动单元组成,可以实现车轮的单独驱动和调节,从而具有更灵活的驱动力调节能力。
在车辆运行过程中,电子控制单元可以根据车辆的行驶条件和司机需求,对驱动单元进行自适应控制,从而实现最优化的驱动力配合和车辆动力学状态优化,提高了新能源汽车的性能和经济性。
然而,分布式电驱动技术在实际应用中也面临着一些挑战。
例如,分布式电驱动系统中的驱动单元控制算法需要更高的精度和灵敏度;车辆实际路况和驾驶习惯等因素变化较大,需要实时调整驱动力和动力学状态参数的观测和控制策略;驱动单元的故障检测同样需要更加精确且快速的反应能力。
为了解决上述问题,需要通过实践和研究不断改进和完善分布式电驱动技术。
具体而言,可以采用改进的驱动单元控制算法、多模型融合观测算法等手段,提高驱动单元的精度和灵敏度,同时可以通过加入车辆传感器网络,实时监测车辆状态,从而更精确地调整驱动力和动力学状态参数。
此外,还可以采用分布式电驱动系统的特点,将车辆的动力学状态参数分布式观测和控制,从而更好地实现故障检测和安全控制。
分布式驱动电动汽车构型综述

分布式驱动电动汽车构型综述摘要:分布式驱动电动汽车主要结构特征是将驱动电机直接安装在驱动轮内或者驱动轮附近,具有驱动传动链短、传动效率高、结构紧凑等突出优点。
电动机即是汽车信息单元,同样也是快速反应的控制执行单元,通过独立控制电动机驱/制动转矩容易实现多种动力学控制功能。
本文引入了一种分布式驱动汽车的分类方法,系统介绍分布式驱动系统的架构、性能指标关键词:电动汽车;分布式驱动;评价指标中图分类号:U469. 72文献标识码:A引言面对燃油汽车尾气排放造成的污染及对石油资源的过度消耗引发的环境问题与能源问题,电动汽车已经成为国际汽车工业发展的潮流和“热点”之一。
电机在加、减速过程中转矩响应时间大概在l-10ms,而内燃机却达500ms-lso这使得电机驱动容易实现高性能的一体化TCS/ABSo此外,电机转矩易于根据电流等参数求得,可以实时地得到轮胎和路面间的驱动/制动力。
分布式驱动电动车是一辆车上装备两台或两台以上的电动机,每个电动机通过自己的传动半轴将动力传递个各自对应的驱动轮。
1分布式驱动电动汽车构型1. 1驱动桥式其优势在于与集成式驱动构型相似,并且电动机的选型山于减速器的存在可以有最小程度从集成整体式驱动构型的改变,但能够对驱动轮有更加精准的掌控力。
是从集中式到轮毂式构型之间的过渡构型。
奥迪R8 e-tron双永磁同步电机在宽泛的转速范围内都能保持95%的效率,最高时速可超过230km/h。
单台电机410N.m的扭矩被传动比为6的行星齿轮组放大了6倍。
1. 2电动轮驱动构型这两种构型不再经由长半轴部件传动并且舍弃了传统的离合器、传动系统等机械部件,简化了机械传动结构,降低了车载自重。
同时提高了对车轮控制的动态响应。
(1)轮边减速器构型相对于驱动桥式其减速比固定,容易维修,而且电机和减速器并没有放入轮辎内,刹车系统可以很好地布置。
ZF公司在2011年第四季度开始量产其新式低地板轮边电驱动桥车桥。
分布式电驱动车车速及路面附着系数融合估计

分布式电驱动车车速及路面附着系数融合估计高博麟;陈慧;谢书港;龚进峰【摘要】基于纵向车速融合估计器,结合分布式驱动电动汽车的优势,采用多种估计方法,建立了路面峰值附着系数融合估计器,并进行了实车试验验证.结果表明,建立的基于双卡尔曼滤波技术的车速及路面峰值附着系数融合估计系统,扩大了路面峰值附着系数估计的适用工况范围,保证了纵向车速估计的精度.【期刊名称】《汽车工程》【年(卷),期】2016(038)002【总页数】5页(P216-220)【关键词】分布式驱动电动汽车;双卡尔曼滤波;车速估计;路面峰值附着系数;融合估计【作者】高博麟;陈慧;谢书港;龚进峰【作者单位】天津大学机械工程学院,天津 300072;中国汽车技术研究中心,天津300300;同济大学汽车学院,上海 201804;同济大学汽车学院,上海 201804;中国汽车技术研究中心,天津 300300;中国汽车技术研究中心,天津 300300【正文语种】中文高性能分布式驱动电动汽车的车辆稳定性控制已经成为汽车动力学控制领域的热点问题,其中车速和路面峰值附着系数的准确获取是关键技术之一。
分布式驱动电动汽车的电机集成在轮边或轮毂内,相对传统汽车具有以下特点[1]:①电机转矩大小可以观测,为准确估计车速提供了可能;②四轮纵向力的实时估计准确,有利于提高路面峰值附着系数估计的精度和扩大适用工况范围。
根据估计模型不同,车速的估计方法可以分为运动学估计方法和动力学估计方法[2]。
运动学估计方法包括轮速法和直接积分法。
轮速法又可以分为最大(小)轮速法、斜率法和综合法等[3]。
文献[4]和文献[5]中采用轮速法和直接积分法相互融合的方法,对纵向车速进行估计。
动力学估计方法的核心在于对轮胎纵向驱动力和制动力的估计,因此又可分为两类:①基于半经验轮胎模型[6]的纵向力估计,依赖于对路面峰值附着系数的准确获取;②基于车轮动力学模型的纵向力估计[7],不依赖于路面附着条件[8],但须要准确获取车轮驱制动转矩。
分布式电动汽车质量与行驶状态估计

算公式为:
Mz = [(
Fx1+Fx2)
s
i
n
δf + (
Fy1+Fy2)
c
os
δf]
a
Fy3+Fy4)
b + [(
Fx2-Fx1)
co
s
δf
-(
Bf
Br
Fy1-Fy2)
s
i
n
δf] + (
Fx4-Fx3)
+(
2
2
1.
2 轮胎模型
步估计的结果,本文采用 Dugo
k)为 k 时 刻 系 统 数
据的协方差。
2.
2 整车质量估计模型
假设起步阶段 车 辆 直 线 行 驶,可 基 于 车 辆 直
线行驶动力学模型对质量进行估计。车辆直线行
驶动力学方程为:
Ft =Ff +Fi +Fw +Fj
(
20)
式中:
Ft 为驱动 力,
Ff 为 滚 动 阻 力,
Fi 为 坡 度 阻
力,
ëm û
整车质量观 测 器 输 入:
URLS = [
Ft,
V ];整 车 质 量
观测器输出:
YRLS = [
ax ];基于式(
24),令
g
(
i
n
25)
fcos
βs +s
βs) (
σ
1
1ù T
éæ
二乘法与双容积卡尔曼滤波算法 相 结 合 的 估 计 方 法,并 基 于 三 自 由 度 非 线 性 整 车 动 力 学 模 型,借 助 Ca
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
10.16638/ki.1671-7988.2019.15.001
分布式驱动电动汽车状态参数估计综述*
樊东升,李刚
(辽宁工业大学汽车与交通工程学院,辽宁锦州121001)
摘要:由于汽车的状态参数在行驶过程中不断变化,从而影响车辆行驶状态的准确估计,针对这一问题,论文对分布式驱动电动汽车状态参数估计进行了综述,列举了常用的两种估计算法,分别从扩展卡尔曼滤波和容积卡尔曼滤波两个方面进行了论述,对比分析了两种算法之间的应用场景与估计效果。
总结出通过信息融合技术的多滤波器融合成为车辆状态参数估计的主流方向。
关键词:分布式驱动电动汽车;状态参数估计;扩展卡尔曼滤波;容积卡尔曼滤波
中图分类号:U469.72 文献标识码:A 文章编号:1671-7988(2019)15-03-02
Review on State Parameter Estimation of Distributed Drive Electric Vehicles*
Fan Dongsheng, Li Gang
(Automobile & Transportation Engineering College, Liaoning University of Technology, Liaoning Jinzhou 121001)
Abstract: As the vehicle state parameters change continuously during vehicle driving process, which affects the accurate estimation of vehicle driving state. For this problem, the paper reviewed the state parameter estimation of distributed driving electric vehicle, and listed two commonly used estimation algorithms. The extended Kalman filter and the cubature Kalman filter were discussed. The application scenarios and estimation effects between the two algorithms were compared and analyzed. It is concluded that the multi-filter fusion through information fusion technology becomes the mainstream direction of vehicle state parameter estimation.
Keywords: Distributed drive electric vehicle; State parameter estimation; Extended Kalman filter; Cubature Kalman filter
CLC NO.: U469.72 Document Code: A Article ID: 1671-7988(2019)15-03-02
1 前言
汽车在行驶过程中,很难直接获取准确的车辆状态参数,而获取这些参数的传感器价格又非常的昂贵,无法大量使用在量产车上。
随着科技技术的发展,一些低成本的传感器(纵向加速度、侧向加速度、横摆角速度)逐渐被研究出来,其精度也相对较高,因此开始逐渐运用在汽车上,通过这些传感器实现对车辆状态参数的估计,从而解决了无法直接测得准确的车辆状态的难题。
目前汽车的主动安全系统响应速度与响应效果很大程度上取决于车辆在运动状态中自身关键参数的估计精度。
当前应用的主流系统,一个普遍的问题是车辆模型的参数缺乏适应性,这些参数通常情况下被视为随时间恒定不变的,尽管它们不是完全已知的或者受到时间变化以及运动的影响。
导致的直接结果就是,由于驾驶条件的不断变化,采用固定不变的参数值使控制系统的性能降低[1]。
作者简介:樊东升(1995.3-)男,硕士研究生,就读于辽宁工业大
学,研究方向:车辆系统动力学及控制。
基金项目:国家自然科学基金面上项目(51675257)辽宁省高等学
校创新人才项目(LR2016054)。
3
汽车实用技术
4 2 车辆状态参数估计算法研究现状
汽车的状态参数包括汽车自身质量、质心位置、质心侧偏角等关键参数,由于这些参数关系到控制系统的控制效果,进而影响车辆的行驶平顺性。
近几年逐渐引起国内外学者的关注。
下面就关于车辆状态参数估计的研究进行了以下综述。
2.1 基于扩展卡尔曼滤波(EKF )算法的车辆状态参数估计
研究现状
文献[2]提出了一种基于非线性模型的观测器,用于车辆运动中状态参数和轮胎转弯刚度的组合估计。
它基于常见的车载传感器,即横向加速度和横摆角速度传感器,并且在正常的车辆操纵中运行。
识别框架依赖于增强的扩展卡尔曼滤波器来处理模型参数可变性和噪声测量输入。
通过仿真验证评估所提出方法的性能和灵敏度,结果表明与标准方法相比可以提高一个数量级的估计精度。
文献[3]设计了一种运用扩展卡尔曼滤波,通过模糊控制理论对其进行优化处理,进行车辆状态参数估计的方法。
通过运用模糊控制理论,根据残差与实际残差之间的差值,自适应调整测量噪声误差协方差矩阵R 。
运用这种方法最直接的目的是可以实现更精确、更有效的算法估计。
此外该方法没有对过程噪声矩阵Q 进行估算,从而让算法结构更简单,降低对估算结果的影响。
文献
[4]
提出了一种自适应扩展卡尔曼滤波的方法估算车辆状态,
通过手动调整滑动窗口的长度,来改变新息理论误差矩阵的值,通过比较新息误差矩阵实际值与理论值的大小,自适应改变测量噪声误差协方差矩阵R 的值,通过这种自适应策略可以有效提高车辆状态参数的估计精度。
由此可以看出,单纯采用扩展卡尔曼滤波的方法,实现对车辆参数的估计是无法达到高精度、高稳定性的要求。
通常加入模糊控制理论、增强扩展卡尔曼滤波算法和自适应调节测量噪声误差协方差矩阵的值来提高估计的精度。
2.2 基于容积卡尔曼滤波(CKF )算法的车辆状态参数估计
研究现状
文献[5]提出了一种基于双容积卡尔曼滤波的车辆状态估计算法。
其中一重滤波器为估计车辆纵向车速、侧向车速和质心侧偏角,二重容积卡尔曼滤波为估计轮胎与地面之间的路面附着系数。
通过串联的方式把两重容积卡尔曼滤波器连接在一起,其中前一个滤波器的输出作为后一个滤波器的输入,同时后一个滤波器的输出又作为前一个滤波器的输入,两个滤波器形成一个闭环系统,从而提高对车辆状态参数估计的准确度。
文献[6]提出了一种基于三重容积卡尔曼滤波,设计了车辆状态与参数估计器,搭建相应的车辆模型,运用
相应的动力学理论,达到对汽车的纵向车速、侧向车速、横摆角速度、路面附着系数、汽车自身质量、质心位置和质心侧偏角的准确估算。
其中一重卡尔曼滤波器为对纵向车速、侧向车速和横摆角速度的估算;二重卡尔曼滤波器为对路面附着系数的估计;三重卡尔曼滤波器为对汽车自身质量、质心位置和质心侧偏角的估计。
通过信息融合的方法,将三个卡尔曼滤波器融合在一起,彼此之间信息传递,互为各自的输入和输出,形成闭环系统,提高系统估计的准确性。
由此可以总结出,单纯对车辆行驶状态的估计已经不能满足估计精度的要求,因此将车辆状态参数考虑在内,并对它们进行实时估计并实时修正。
同时加入多个滤波器也可以保证系统工作的稳定性与鲁棒性。
因此,多滤波器的融合在车辆状态参数估计上取得了很大优势。
3 结论
深入分析了近几年国内外在车辆状态参数估计中的研究状况,可以总结出将卡尔曼滤波结合其它控制理论、自适应调节误差矩阵和优化卡尔曼滤波算法是提高估计精度的一个有效手段,但是不能保证系统的稳定性。
而多滤波器的融合不仅可以提高估计的精度,还能保证系统的稳定性。
因此,通过信息融合技术的多滤波器融合成为车辆状态参数估计的主流方向。
参考文献
[1] Ehsan Hashemi, Mohammad Pirani, Amir Khajepour, et al. Corner-
based estimation of tire forces and vehicle velocities robust to road conditions. Control Engineering Practice. V olume 61, 2017, 28-40. [2] Giulio Reina, Arcangelo Messina. Vehicle dynamics estimation via
augmented Extended Kalman Filtering. Measurement. V olume 133, 2019, 383-395.
[3] 王震坡,薛雪,王亚超.基于自适应无迹卡尔曼滤波的分布式驱动
电动汽车车辆状态参数估计[J].北京理工大学学报,2018,38(07): 698-702.
[4] 张志勇,张淑芝,黄彩霞,张刘铸,李博浩.基于自适应扩展卡尔曼滤
波的分布式驱动电动汽车状态估计[J].机械工程学报,2019,55(06): 156-165.
[5] 金贤建.分布式驱动电动汽车状态参数估计与侧向稳定性鲁棒控
制研究[D].东南大学,2017.
[6] 王野.四轮独立驱动与转向电动汽车状态与参数估计[D].辽宁工
业大学,2018.。