4. 底盘协同控制中的信号处理与估计

在Bosch底盘协同控制架构中，轮速、横摆角速度、横向/纵向加速度、方向盘转角、制动压力、电机或发动机扭矩等信号，分别来自不同传感器与不同ECU，采样率、量纲、噪声特性、时延和失效模式都不相同。协同控制（如ESC、EPS、AEB、扭矩矢量分配）要做出统一决策，必须先把这些原始信号变成“同一时间基准、同一坐标系、同一置信度”的可用状态量。这一节围绕滤波、标定、故障诊断、传感器融合与状态估计五条主线，说明Bosch系统中典型的实现方式与工程判断依据。

一、信号链的总体结构

从传感器到协同控制执行，信号处理通常经过“采集—标定—滤波—诊断—融合—状态估计—控制接口”这一条链路。需要强调的是，这不是简单的串行流水线：故障诊断会并行监视原始信号与滤波后信号，融合模块会根据诊断结果动态调整各通道权重，状态估计则把融合结果与车辆动力学模型结合，输出质心侧偏角、轮胎力、路面附着等不可直接测量的量。下图给出这一信号链在Bosch底盘域控中的典型组织关系。

二、标定：把不同来源的信号拉到同一基准

标定分为离线标定与在线自学习两类。离线标定解决的是“出厂一致性”：例如IMU安装到车身时存在俯仰、横滚、偏航安装误差，横摆角速度信号会混入纵向/横向加速度的耦合分量，需要在整车坐标系下通过转台或已知姿态标定出安装矩阵。轮速传感器则要标定齿圈齿数、轮胎滚动半径，否则四个轮速换算出的车速会不一致。方向盘转角传感器要标定中间位置与左右极限，确保转角零点与车辆直行方向一致。

在线自学习解决的是“使用中的漂移”。典型做法是在车辆直线匀速行驶且方向盘转角接近零、横摆角速度接近零的稳定工况下，把此时IMU的横摆角速度输出作为偏置估计值，用一阶低通缓慢修正。例如设定学习条件为：车速大于40 km/h、方向盘转角绝对值小于3°、持续时间超过2 s，此时以时间常数τ=20 s的一阶滤波更新偏置：bias(k)=bias(k-1)+Δt/τ·(ω_meas−bias(k-1))。这种自学习不能太快，否则会把真实转向误判为偏置；也不能太慢，否则长时间无法收敛。

三、滤波：抑制噪声同时保住相位

底盘信号滤波的核心矛盾是“噪声抑制”与“相位滞后”的权衡。轮速信号在低速时齿圈脉冲稀疏，直接差分得到的加速度噪声极大，通常先对轮速做滑动平均，再差分求加速度，并对加速度做低通滤波。横摆角速度与加速度信号常用二阶低通或卡尔曼预滤波，截止频率一般设在20～50 Hz，具体取决于控制器的带宽需求：ESC的横摆控制带宽通常在5～10 Hz，滤波截止频率过高会把噪声带入控制，过低则引入明显相位滞后，影响干预时机。

对于需要快速响应的AEB或扭矩矢量控制，相位滞后尤其敏感。工程上常用零相位滤波（离线）或对滤波后信号做相位超前补偿（在线）。例如一阶低通在截止频率处的相位滞后约45°，若已知滤波器时间常数T，可在控制通道中串入一个近似微分环节(1+Ts)做补偿，但会放大高频噪声，因此补偿量要受限幅约束。实际标定时，通常用扫频或阶跃输入观察滤波前后信号的幅频与相频特性，确认在控制带宽内相位滞后不超过允许值。

四、故障诊断：从“信号是否合理”到“系统是否可信”

Bosch系统的故障诊断通常分三层。第一层是信号级检查：范围检查（如横摆角速度超过±100°/s判为超范围）、梯度检查（单位时间内变化超过物理可能值）、合理性检查（如车速为零但轮速非零）。第二层是冗余与互检：四轮轮速之间做一致性比较，IMU的横摆角速度与由轮速差、方向盘转角通过自行车模型推算的横摆角速度做残差比较。第三层是模型残差监视：用车辆动力学模型预测值与实测值比较，残差超过阈值并持续一定时间后置位故障。

诊断的关键参数是阈值与去抖时间。阈值太紧会误报，太松会漏报。工程上常用“故障计数器”机制：残差超过阈值时计数器加1，低于阈值时减1，计数器达到上限才确认故障，降到下限才恢复。例如横摆角速度互检残差阈值设为5°/s，去抖计数上限为10个采样周期（10 ms周期即100 ms），这样既能抑制瞬态干扰，又能在100 ms内确认持续性故障。故障确认后，系统进入降级策略：屏蔽故障通道、用替代值（如用轮速差推算横摆角速度）、限制协同控制功能或点亮警告。

五、传感器融合与状态估计：从可测量到不可测量

融合的目标不是简单平均，而是按置信度加权。每个信号通道在诊断后都有一个置信度因子，融合时权重与置信度成正比、与噪声方差成反比。例如横摆角速度可由IMU直接测量，也可由轮速差和方向盘转角通过模型推算，前者高频响应好但存在偏置，后者低频稳定但受轮胎侧偏刚度变化影响。工程上常用互补滤波或卡尔曼滤波把两者结合：以IMU横摆角速度为测量量，以模型推算值为过程模型输出，通过卡尔曼增益自动分配权重。

状态估计的核心是估计不可直接测量的量，最重要的是质心侧偏角β和路面附着系数μ。β的估计通常用扩展卡尔曼滤波（EKF）：状态量取β和横摆角速度，观测量取横摆角速度、横向加速度和轮速，过程模型用自行车模型，观测模型用加速度与β、横摆角速度的关系。μ的估计则更困难，常用方法是通过轮胎力与滑移率的关系曲线做在线辨识，或在激励工况下用递归最小二乘估计。实际系统中，β估计的精度直接影响ESC的干预时机，μ估计的精度影响扭矩矢量分配策略。

六、一个可参考的工程检查清单

以上参数与阈值均为教学示例，实际项目中必须根据车型、传感器配置、功能安全等级和控制目标重新标定与验证。理解这条信号链的每个环节及其相互关系，是后续学习ESC、EPS、AEB等具体协同控制功能实现的基础。