分布式驱动汽车稳定性控制——基于纯Simulink模型的分层控制策略与实现

yRXTIugk

312人浏览 · 2026-03-17 16:15:00

yRXTIugk · 2026-03-17 16:15:00 发布

分布式驱动汽车稳定性控制。采用纯Simulink模型搭建，包括控制策略和车辆动力学模型[hot][hot][hot] 采用分层式直接横摆力矩控制， [1]上层：含模型预测MPC，滑模控制SMC，PID控制，LQR控制。可灵活对四种控制器对比和选择。 [2]下层：基于轮胎滑移率最优分配四种控制均可跟踪横摆角速度和质心侧偏角期望值。 [3]实现方式：车辆被控对象采用七自由度整车模型输出实际质心侧偏角和横摆角速度，二自由度模型输出理想质心侧偏角和横摆角速度。 [右]资料包括：具有初始化文件，Simulink模型，控制器说明，有参考文献和七自由度整车建模说明文档。

最近在实验室折腾分布式驱动电动汽车的稳定性控制，发现用Simulink做分层控制真是越挖越有意思。今天给大伙分享下我们团队搞的这套方案——从七自由度整车模型到四种控制策略的灵活切换，中间还藏着不少工程实现的小技巧。

先说整体架构，整个系统分成"战略层"和"战术层"。上层负责决策总横摆力矩，下层搞轮胎力的最优分配。这种分层设计就像游戏里的指挥系统，上层指挥官定战略目标，下层士兵执行具体操作。

!Simulink架构示意图

上层的控制策略切换是重头戏，我们在同一个Simulink子系统里塞进了MPC、SMC、PID、LQR四种算法。切换逻辑用了个骚操作——通过mask parameter实现运行时动态选择：

function [Mz] = controller_selector(ref_beta, ref_gamma, beta, gamma, mode)
    switch mode
        case 1 % MPC
            [Mz, ~] = mpc_controller(ref_beta, ref_gamma, beta, gamma);
        case 2 % SMC
            Mz = sliding_mode_control(ref_beta, ref_gamma, beta, gamma);
        case 3 % PID 
            Mz = pid_controller(ref_beta, ref_gamma, beta, gamma);
        case 4 % LQR
            Mz = lqr_controller(ref_beta, ref_gamma, beta, gamma);
    end
end

这种实现方式让算法对比变得巨方便，实测时直接在Workspace改个参数就能切换控制器，连模型都不用重新编译。

下层的力矩分配才是真正考验功力的地方。我们基于轮胎滑移率优化设计了个加权分配算法，核心是求解带约束的二次规划问题。在Simulink里用MATLAB Function块实现了这个求解器：

function [Fx_ij] = torque_distribution(Mz, Fx_total)
    H = diag([1.2, 1.0, 1.2, 1.0]); % 前后轴权重矩阵
    f = [];
    Aeq = [1 1 1 1; ... % 总驱动力约束
           -0.5*Tw 0.5*Tw -0.5*Tw 0.5*Tw]; % 横摆力矩约束
    beq = [Fx_total; Mz];
    options = optimoptions('quadprog','Display','off');
    Fx_ij = quadprog(H,f,[],[],Aeq,beq,[],[],[],options);
end

这里有个小trick——通过调整权重矩阵H的值，可以实现不同工况下的动态分配策略。比如检测到低附着路面时，自动增大前轴权重来保转向能力。

模型搭建方面，七自由度整车模型包含了四个轮子的旋转自由度。这里给个关键参数的初始化示例：

%% 车辆参数初始化
vehicle.m = 1520; % 整备质量
vehicle.Iz = 2500; % 横摆转动惯量 
vehicle.Lf = 1.4; % 前轴距
vehicle.Lr = 1.6; % 后轴距
vehicle.C_alpha = [80000 80000 100000 100000]; % 轮胎侧偏刚度

实测中发现前轮侧偏刚度对横摆响应影响最大，调试时经常要微调这个参数。不过别随便动后轮参数，搞不好会引发钟摆效应。