在电动化和智能化双重趋势的推动下，包括汽车、铁路、摩托车、农业机械、垂直起降航空器和工程机械在内的多个领域已实现广泛的电动化。特别是，电动驱动车辆的快速发展和广泛应用 [1] 引入了分布式驱动配置、增加的非簧载质量、多转角模块化架构和高运动自由度等新特征。然而，这些进步也带来了新的挑战，包括振动问题加剧、系统冗余度提高以及精确控制的困难。因此，车辆系统动力学和控制面临着前所未有的需求。与此同时，这些复杂系统的非线性动力学仍然是重要的研究前沿 [2]，凸显了研究和传播该领域最新突破的重要性。
首先，许多先进的底盘结构应运而生。电动化趋势推动了驱动、制动、转向和悬架系统的集成设计，产生了具有高集成度和卓越机动性的架构，同时消除了传统传动系统固有的复杂性。典型例子包括轮毂电机驱动车辆、转角模块配置和滑板底盘。这些分布式、模块化和多重冗余的架构正在打破传统功能边界。因此，传统的车辆动力学理论难以对这些新配置所展示的多样化运动模式提供统一描述。
一个典型挑战是，轮毂电机增加了非簧载质量，从而降低了乘坐舒适性和操稳性。为此，惯性悬架系统已被应用于轮毂电机驱动车辆 [3]，其在不同配置和控制策略下的性能优势也得到了研究 [4]。本特刊对惯性和惯性悬架系统进行了全面综述 [5,6]。
此外，其他先进结构也促进了车辆系统动力学和控制的发展。通过物理驱动策略，可以增强振动控制性能 [7,8]，基于惯性的结构可以补偿半主动悬架控制中的相位偏差 [9]。然而，现有研究表明，能量高效调节的困难仍然是机械振动能量回收的主要瓶颈 [10]。此外，实现机动性所需的高静刚度与车身振动抑制所需的低动刚度之间存在固有冲突——即所谓的"高静低动"困境。准零刚度机构和变刚度设计在隔振和能量回收之间提供了一种可行的折中方案 [11,12]。这些先进结构也被广泛应用于机械动力底盘 [13]。
其次，动力学建模和分析方法需要更新。作为状态估计和控制 [14,15] 的物理基础，不同自由度的模型已被广泛研究 [16,17]。状态和参数估计方法主要包括基于运动学的、基于动力学的和基于模型无数据驱动的方法。值得注意的是，物理信息神经网络（PINNs）将控制方程与深度学习相结合以约束解空间，在高维建模、非线性系统辨识和全局优化方面展现出优势 [18,19]。此外，混合机理-数据驱动模型有效地解决了广义车辆动力学中的挑战，包括变化的工作条件、多源扰动和跨平台泛化失效 [20]。
第三，控制对于提升车辆动力学性能至关重要。在自动驾驶中，轨迹预测是决策框架的基石，直接影响安全性和交通效率 [21,22]。引入车辆动力学可以提高自主系统的控制精度 [23]。只有通过对包括车身姿态、转向角和车速等关键车辆状态参数的精确监测、估计和调节，才能实现最优轨迹预测和控制 [24,25]。
总之，本特刊的贡献反映了车辆系统动力学和控制在先进结构、建模分析方法以及自动驾驶技术方面的当前研究。随着元结构 [26] 和超材料 [27] 的进步，隔振系统正变得更加集成和高效。此外，具身智能 [28] 代表了下一代车辆动力学的范式转变，将车辆从被动机械系统转变为通过物理交互进行学习的自适应体。这种方法重新定义了车辆动力学，不再将其视为一个优化问题，而是将其视为从持续的车身-环境耦合中涌现的能力，由数据-物理融合驱动的建模和控制算法所赋能。因此，车辆正在演变为不仅具备计算智能，还具备真正的物理理解能力。
