1. 课程导入

在智能驾驶、底盘电控与新能源汽车的工程实践中，车辆状态估计是连接“传感器原始信号”与“控制决策”的关键中间层。无论是ESC（电子稳定控制）、TCS（牵引力控制）、ABS、AEB，还是自动驾驶横纵向控制，都需要实时、连续、可信的车辆运动状态量：纵向车速、侧向车速、横摆角速度、质心侧偏角、路面附着状态等。然而，这些量中相当一部分无法被直接、低成本、全工况地测量。例如纵向车速在四轮同时打滑时无法由轮速唯一确定，侧向车速与质心侧偏角更是典型的“不可直接测量量”。因此，状态估计不是可选项，而是车辆控制系统能否稳定工作的前提。

一、为什么车辆状态估计是“刚需”

从控制链路看，车辆动力学控制遵循“感知—估计—决策—执行”的闭环。传感器提供的是局部、含噪、可能失效的原始信息；控制器需要的是全局、平滑、物理一致的状态量。二者之间的鸿沟，正是估计器要填补的部分。

• 不可测性：侧向车速、质心侧偏角、轮胎力等无法用常规量产传感器直接测量。
• 高成本性：高精度GPS/INS、光学传感器成本高，且在隧道、城市峡谷、地下车库中易失效。
• 噪声与偏差：轮速存在量化误差与滑移影响，IMU存在零偏、温漂与积分发散。
• 安全冗余：单一信号源失效时，融合估计可提供降级但仍可用的状态输出。

二、轮速与IMU融合的价值

轮速与IMU是量产车上最常见、成本最低、互补性最强的两类运动传感器。理解它们的互补关系，是理解本课程全部方法的起点。

可以看到，轮速在低频、稳态、无滑移时可信；IMU在高频、动态、短时内可信。二者融合的本质，是用轮速约束IMU的积分漂移，用IMU补偿轮速的动态滞后与滑移失真。这正是卡尔曼滤波、互补滤波、因子图优化等方法在车辆状态估计中的共同逻辑。

三、课程整体框架与学习路径

本课程共30章，围绕“信号—模型—估计—验证—落地”的主线展开，避免只讲公式不讲工程。整体可分为五个阶段：

1. 基础与信号层（第1—6章）：车辆状态估计意义、坐标系与车辆动力学基础、轮速信号特性与预处理、IMU误差模型与标定、时间同步与数据对齐。
2. 模型与估计层（第7—16章）：自行车模型、侧向动力学、轮胎模型、卡尔曼滤波、扩展卡尔曼滤波、互补滤波、状态观测器、参数与状态联合估计。
3. 融合与鲁棒层（第17—23章）：轮速/IMU融合架构、滑移工况处理、零偏在线估计、路面附着估计、多源冗余与故障诊断。
4. 验证与工具层（第24—27章）：CarSim/Simulink联合仿真、实车数据采集、估计器评测指标、参数标定与调参方法。
5. 工程落地与复盘（第28—30章）：嵌入式部署、实时性优化、典型失效案例复盘与量产经验总结。

四、典型场景与常见误区

以一个常见场景为例：车辆在低附着路面急加速，驱动轮明显滑转。此时轮速信号会显著高于真实车速，若直接用于车速估计，将导致纵向车速被高估，进而影响TCS与ESC的判断。融合估计器需要借助IMU纵向加速度积分与轮速滑移检测，动态调整轮速权重，才能保持车速估计的连续性。

# 典型融合估计伪代码框架
for k in range(N):
    # 1. 预测：IMU积分 + 车辆模型
    x_pred = f(x_prev, u_imu, dt)
    P_pred = F @ P_prev @ F.T + Q

    # 2. 轮速观测与滑移判断
    v_wheel = mean(wheel_speed) * r_eff
    slip_flag = detect_slip(v_wheel, x_pred.vx)

    # 3. 根据滑移状态调整观测噪声
    R = R_base * (10.0 if slip_flag else 1.0)

    # 4. 更新
    K = P_pred @ H.T @ inv(H @ P_pred @ H.T + R)
    x_est = x_pred + K @ (z_wheel - H @ x_pred)
    P_est = (I - K @ H) @ P_pred

常见误区包括：

• 误区一：认为IMU精度越高越好，忽视零偏稳定性与温度特性，导致长时间积分后误差反而更大。
• 误区二：把轮速直接当作车速，不区分滑移与抱死，导致低附着工况下估计严重失真。
• 误区三：只关注算法公式，忽视时间同步、坐标对齐与安装误差，使再好的滤波器也无法收敛。
• 误区四：缺少诊断与降级策略，传感器异常时估计器输出不可信，反而危及控制安全。