路面附着系数估计之 UKF/EKF 在 Matlab/Simulink 中的实现

LDtPLYZgoAu

143人浏览 · 2026-03-11 18:45:00

LDtPLYZgoAu · 2026-03-11 18:45:00 发布

路面附着系数估计_无迹?扩展卡尔曼滤波（UKF/EKF）软件使用：Matlab/Simulink 适用场景：采用无迹/扩展卡尔曼滤波UKF进行路面附着系数估计，可实现“不变路面，对接路面和对开路面”等工况的路面附着系数估计。产品simulink源码包含如下模块： →整车模块：7自由度整车模型 →估计模块：无迹卡尔曼滤波，扩展卡尔曼滤波

在汽车动力学研究以及自动驾驶等相关领域，准确估计路面附着系数至关重要。今天咱们就来聊聊基于无迹扩展卡尔曼滤波（UKF/EKF）在 Matlab/Simulink 环境下对路面附着系数进行估计的事儿。

适用场景与优势

采用无迹/扩展卡尔曼滤波（UKF）来进行路面附着系数估计，有着广泛的适用场景。像 “不变路面，对接路面和对开路面” 这些工况下，它都能发挥作用。这种方法能较为精准地对不同路况下的路面附着系数进行估计，为车辆的稳定性控制等功能提供关键的数据支持。

Matlab/Simulink 软件的选择

为啥选 Matlab/Simulink 呢？它在系统建模、仿真方面有着强大的功能，对于我们构建路面附着系数估计模型非常方便。无论是搭建复杂的车辆动力学模型，还是实现滤波算法，都能轻松应对。

产品 Simulink 源码模块解析

咱们来看看这个产品的 Simulink 源码里都有哪些重要模块。

整车模块

这里采用的是 7 自由度整车模型。7 自由度的设定，让我们能够更细致地描述车辆的运动状态。比如车辆在纵向、侧向、垂向的平动，以及横摆、侧倾、俯仰的转动。下面简单用代码示意一下在 Matlab 里构建一个简单车辆模型参数的过程（这只是一个极度简化示例，实际 7 自由度模型复杂得多）：

% 车辆质量
m = 1500;  
% 质心到前轴距离
lf = 1.2;  
% 质心到后轴距离
lr = 1.5;  
% 车辆转动惯量
Iz = 2500;

通过定义这些基本参数，为后续的车辆动力学计算打下基础。7 自由度整车模型就是基于这些参数以及更多复杂的运动学和动力学关系搭建起来的，它能较为准确地模拟车辆在各种工况下的实际运动。

估计模块

无迹卡尔曼滤波（UKF）

UKF 是一种非线性滤波算法，相较于传统卡尔曼滤波，它能更好地处理非线性系统。在 Matlab 里实现 UKF 对路面附着系数估计，关键代码部分如下（这里为了简洁，省略了部分辅助函数和详细参数设定）：

% 初始化状态和协方差
x_hat = zeros(3,1); % 假设状态向量包含路面附着系数等3个状态
P = eye(3);

% 过程噪声协方差
Q = [0.01 0 0; 0 0.01 0; 0 0 0.01]; 
% 测量噪声协方差
R = [0.1 0; 0 0.1]; 

% 状态转移函数（这里是示意，实际要根据具体车辆模型和物理关系确定）
function x_next = f(x, dt)
    x_next = x; % 简单假设无变化，实际应包含车辆运动状态变化
end

% 测量函数（同样是示意）
function z = h(x)
    z = [x(1); x(2)]; % 假设测量值与状态部分相关
end

% UKF 主循环
for k = 1:length(time)
    % 时间更新
    [X_sigma] = sigma_points(x_hat, P); % 计算西格玛点
    X_sigma_f = zeros(3, 2*3+1);
    for i = 1:2*3+1
        X_sigma_f(:,i) = f(X_sigma(:,i), dt); % 对西格玛点进行状态转移
    end
    x_hat_minus = weighted_mean(X_sigma_f); % 预测状态均值
    P_minus = weighted_covariance(X_sigma_f, x_hat_minus, Q); % 预测协方差

    % 测量更新
    [Z_sigma] = h(X_sigma_f); % 通过测量函数得到测量预测西格玛点
    z_hat = weighted_mean(Z_sigma); % 预测测量均值
    S = weighted_covariance(Z_sigma, z_hat, R); % 测量预测协方差
    T = weighted_cross_covariance(X_sigma_f, x_hat_minus, Z_sigma, z_hat); % 互协方差
    K = T/S; % 卡尔曼增益
    z_k = get_measurement(); % 获取实际测量值
    x_hat = x_hat_minus + K*(z_k - z_hat); % 更新状态估计
    P = P_minus - K*S*K'; % 更新协方差
end

代码分析：首先初始化状态和协方差，以及噪声协方差。状态转移函数 f 和测量函数 h 是 UKF 实现的关键，它们要根据实际的车辆动力学和测量原理来确定。在 UKF 主循环里，时间更新部分通过计算西格玛点，进行状态转移，得到预测状态均值和协方差。测量更新部分利用测量预测西格玛点，结合实际测量值，更新状态估计和协方差。

扩展卡尔曼滤波（EKF）

EKF 也是常用的非线性滤波方法，它通过对非线性函数进行线性化来应用卡尔曼滤波框架。Matlab 实现代码示例如下（同样省略部分细节）：

% 初始化与 UKF 类似
x_hat = zeros(3,1);
P = eye(3);
Q = [0.01 0 0; 0 0.01 0; 0 0 0.01]; 
R = [0.1 0; 0 0.1]; 

% 状态转移函数的雅可比矩阵（假设）
function F = jacobian_f(x, dt)
    F = eye(3); % 简单假设为单位矩阵，实际需根据函数求导
end

% 测量函数的雅可比矩阵（假设）
function H = jacobian_h(x)
    H = [1 0 0; 0 1 0]; % 简单假设，实际需根据函数求导
end

% EKF 主循环
for k = 1:length(time)
    % 时间更新
    x_hat_minus = f(x_hat, dt); % 状态转移
    F = jacobian_f(x_hat, dt); % 计算状态转移函数雅可比矩阵
    P_minus = F*P*F' + Q; % 预测协方差

    % 测量更新
    z_hat = h(x_hat_minus); % 测量预测
    H = jacobian_h(x_hat_minus); % 计算测量函数雅可比矩阵
    S = H*P_minus*H' + R; % 测量预测协方差
    K = P_minus*H'/S; % 卡尔曼增益
    z_k = get_measurement(); % 获取实际测量值
    x_hat = x_hat_minus + K*(z_k - z_hat); % 更新状态估计
    P = (eye(3) - K*H)*P_minus; % 更新协方差
end

代码分析：与 UKF 不同，EKF 重点在于计算状态转移函数和测量函数的雅可比矩阵。在主循环里，时间更新时通过状态转移和雅可比矩阵计算预测协方差。测量更新时利用测量预测、雅可比矩阵以及实际测量值来更新状态估计和协方差。