分布式驱动汽车稳定性控制。 Simulink模型搭建，包括控制策略和车辆动力学模型。 采用分层式直接横摆力矩控制，上层包括模型预测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。 另外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。 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。

方向打死油门到底的瞬间，轮胎与地面摩擦扬起的橡胶味还没散尽，仪表盘上的横摆角速度指针就开始疯狂跳舞——这种失控前兆每个试车员都再熟悉不过。今天我们撸起袖子，用Simulink给分布式驱动电动车造个数字替身，看看四种控制算法怎么按住这匹脱缰的野马。

!七自由度整车模型架构

（示意图：七自由度模型包含纵向/侧向/横摆运动+四个车轮旋转）

先给车体装个"大脑"，顶层控制策略直接决定了车辆的智商水平。在Simulink里搭架构就像拼乐高，把四个控制器模块并排摆在库里随时调用。这里有个小技巧：用Mask封装技术给每个控制器做马甲，改参数时不用扒开底层代码。

% 控制器选择开关
switch controller_type
    case 'MPC'
        u = mpc_controller(yaw_rate_error, beta_error);
    case 'SMC'
        u = smc_controller(yaw_rate, beta);
    case 'PID'
        u = pid_controller(error_integral);
    case 'LQR'
        u = lqr_controller(state_vector);
end

拿MPC举个栗子，预测时域里藏着门道。在高速麋鹿测试工况下，把权重矩阵Q调得比R大两倍，相当于告诉控制器："宁可少费电，也要把车身姿态控稳了"。下面的代码片段展示了如何在每个控制周期更新预测模型：

function torque = mpc_controller(ref, actual)
    persistent opt;
    if isempty(opt)
        opt = mpcqpsolverOptions('MaxIter', 50); % 别让求解器磨洋工
    end
    [H, f] = update_prediction_model(ref - actual); % 在线刷新轮胎模型
    [torque, ~] = mpcqpsolver(H, f, [], [], [], [], zeros(4,1), opt);
end

下层扭矩分配才是真·技术活。四个电机的出力要像交响乐团般默契，这里祭出轮胎滑移率优化大法。用二次规划把问题框住，代价函数里把滑移率差和能耗损失揉在一起，约束条件锁死电机扭矩极限。有时候会碰到无解的情况，这时候就得启动备胎方案——按驱动效率优先分配。

当二自由度模型算出的理想横摆角速度传到七自由度模型时，就像给野马套上了缰绳。在Simulink里跑联合仿真，能看到PID控制像急性子司机不断修正方向，而LQR则像老司机预判路况。特别留意滑模控制的抖动现象，适当在切换函数里加个边界层，能避免方向盘高频率抽风。

分布式驱动汽车稳定性控制。 Simulink模型搭建，包括控制策略和车辆动力学模型。 采用分层式直接横摆力矩控制，上层包括模型预测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。 另外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。 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。

最后上硬核测试：80km/h双移线工况下，MPC控制的车辙像用尺子画出来一样工整，而SMC在低附路面展现出惊人的鲁棒性。不过别被表象迷惑，打开电机扭矩监控界面，会发现MPC把后轴两个电机逼到了95%负荷——控制性能从来都是拿能耗换的。

!四种控制器性能对比

（测试数据：MPC跟踪误差最小但能耗最高，SMC在低μ路面胜出）

调参时有个魔鬼细节：横摆角速度和质心侧偏角的权重分配需要跟着车速变化。在MATLAB里写个自适应调整函数，车速超过100km/h时给横摆角速度加三倍权重，毕竟高速情况下车身偏航可比侧滑危险多了。

折腾完这一套，再回头看那个失控的横摆角速度指针——现在它乖巧得像个节拍器。下次见着试车员，可以嘚瑟一句："失控？不存在的，我的代码比ESP还稳！"