分布式电驱动铰接车辆状态估计：基于4DOF/6DOF-EKF/UKF框架的高精度非线性控制策略

本研究针对分布式电驱动铰接车辆在复杂工况下状态感知的难题，提出基于4自由度(4DOF)和6自由度(6DOF)动力学模型与扩展卡尔曼滤波(EKF)/无迹卡尔曼滤波(UKF)的融合估计方法。通过正弦和鱼钩工况验证，6DOF-UKF组合在高速强非线性条件下将RMSE降低48.7%，半物理仿真显示其MAE较传统方法降低9.91%，为铰接车辆智能控制提供了高精度、低硬件依赖的解决方案。

　　

在矿山、港口等特殊场景中，分布式电驱动铰接车辆因其灵活性和大载重优势得到广泛应用。然而这类车辆特有的长车身、高重心和铰接装置导致动力学模型呈现强非线性特征，传统状态估计方法面临两大挑战：直接测量成本高昂，复杂工况下模型精度不足。更棘手的是，铰接结构引发的多体耦合效应使车辆状态感知成为控制系统的瓶颈，严重制约着无人驾驶技术的应用落地。

河南工业大学机械与电气工程学院的研究团队在《Journal of Computational Design and Engineering》发表创新研究，通过构建4DOF和6DOF动力学模型，结合EKF与UKF算法，建立了适应不同工况的状态估计体系。研究发现：低速弱非线性时4DOF-EKF组合计算效率最优，而高速强非线性下6DOF-UKF将侧偏角估计误差降低62.6%，为铰接车辆智能控制提供了精准的状态感知方案。

关键技术包含：1）基于Trucksim/Simulink的联合仿真平台验证；2）引入Roll自由度的6DOF模型构建；3）UKF算法中的无迹变换(Unscented Transformation)实现；4）Logitech G27驾驶模拟器的半物理验证。研究团队特别设计了包含铰接角约束的动力学方程，通过Real-Time Sync模块实现毫秒级同步，确保算法实时性。

模型构建与验证
通过对比4DOF（侧重横向-横摆耦合）和6DOF（增加侧倾自由度）模型，在单移线工况下验证显示：6DOF模型对单元1横摆角速度的拟合度提升35.2%，证实其更适应高速工况。

算法对比分析
正弦测试表明：20km/h时6DOF-EKF对侧偏角的MAE低至0.0075°，而40km/h下6DOF-UKF将横摆率RMSE降至0.4465°/s，验证UKF在强非线性下的优势。鱼钩工况中，UKF使横摆率估计误差骤降64.9%，揭示其对瞬态响应的捕捉能力。

半物理验证
基于Logitech G27的实机测试中，6DOF-UKF实现9.91%的MAE优化，证实算法工程可行性。通过S-Function接口和"Joystick Input"模块，实现方向盘信号到Trucksim模型的闭环验证。

该研究创新性地提出模型-算法匹配准则：4DOF-EKF适用于低速场景的计算优化，6DOF-UKF专攻高速精度需求。相较于传统方法，该方案减少对昂贵传感器的依赖，其提出的动态模型耦合框架为多轴车辆控制提供了新思路。值得关注的是，研究中揭示的UKF在横摆率估计中的优势（较EKF提升64%精度），为后续智能控制算法开发奠定了理论基础。团队在讨论中指出，未来可结合数据驱动方法进一步优化实时性，这一方向对实现铰接车辆全工况自适应控制具有重要价值。