第4章 车辆动力学模型
车辆动力学模型是控制算法与物理世界的桥梁，面试中常围绕自行车模型、轮胎模型、状态空间推导及线性化展开。核心考查：物理假设清晰度、数学推导严谨性、与控制器接口的理解。请先通过框架图梳理推导路径。
面试问答卡 1：自行车模型的状态空间推导
问题：“请推导自行车模型的状态空间方程，并说明状态变量的选择依据。”
考察点：运动学假设、坐标系建立、状态量与控制量的对应关系。
回答框架：① 明确坐标系（大地坐标系/车辆坐标系）；② 列出运动学微分方程（横向、纵向、横摆）；③ 引入轮胎侧偏角假设（αf, αr）→ 线性化侧向力；④ 写成矩阵形式 dx/dt = A·x + B·u。
示例回答：以质心侧偏角β和横摆角速度r为状态，前轮转角δ为输入。基于小角度假设，侧偏角αf≈δ-β-(lf·r)/vx，代入侧向力后整理得状态方程。最终矩阵A含稳定性因子，B反映转向增益。
可能追问：① 忽略轮胎非线性时推导会怎样？② 为什么车辆模型常采用“雅可比线性化”？③ 纵向速度对模型结构的影响是什么？
面试问答卡 2：轮胎模型（Pacejka / 线性）的选择与使用
问题：“车辆控制中你选用哪种轮胎模型？简述Magic Formula的输入输出及参数含义。”
考察点：工程简化能力、模型复杂度与实时性权衡、对轮胎非线性特性的理解。
回答框架：① 线性模型适用于小侧偏角（＜5°）场景，计算快；② Magic Formula精确但参数多（B,C,D,E），通常用于离线仿真或高精度区域；③ 结合控制目标选择：MPC常用分段线性化处理。
示例回答：LQR/MPC使用线性模型，侧偏刚度Cα取自轮胎数据低频段。离线仿真用MF 5.2模型，参数（B=stiffness, C=shape, D=peak, E=curvature）。实时控制时，将MF线性化于工作点，保证实时性。
可能追问：① 轮胎侧偏刚度与载荷、胎压的关系？② 如何在线估计轮胎侧偏刚度？③ 湿滑路面下模型如何处理？
面试问答卡 3：模型离散化与状态观测器接口
问题：“如何将连续状态的自行车模型用于离散时间的Kalman滤波器？写出差分方程形式。”
考察点：数值积分方法选择、零阶保持器理解、离散化对控制周期的影响。
回答框架：① 假定零阶保持器（ZOH），在采样周期Ts内输入恒定；② 采用前向欧拉离散 X(k+1)=X(k)+Ts·f(X(k),U(k))；③ 或计算矩阵指数（精确离散化）在线计算量过大，通常用一阶近似；④ 根据传感器频率调整Ts。
示例回答：使用一阶欧拉法：状态转移矩阵A_d = I + A*Ts，B_d = B*Ts。若Ts=10ms，A_d稳定性需验证特征值均在单位圆内。Kalman滤波器协方差更新依赖该离散模型。
可能追问：① 为什么选择欧拉而非RK4？② 长时间开环积分误差如何补偿？③ 离散化导致误差如何影响控制器稳定性？
项目案例模板：车辆纵向-横向耦合控制器开发
| 项目名称 | 基于模型预测的车辆底盘一体化控制系统 |
| 业务背景 | L2+量产项目，需要同时控制纵向（加速/制动）与横向（转向）动作，解决耦合工况下的舒适性与安全性平衡。 |
| 规模指标 | 控制器运行周期10ms；车辆最大横向加速度0.3g；控制方案在3款车型上部署，路测里程超50万公里。 |
| 技术栈 | 自行车动力学模型 + 线性轮胎模型；MPC求解器（OSQP）；卡尔曼滤波器（车辆状态估计）；CAN/ROS2接口。 |
| 核心难点 | ① 纵向加速度与横向侧偏刚度耦合导致的模型非线性；② 执行器延迟（制动响应80ms，转向响应50ms）；③ 湿滑路面下的轮胎模型自适应切换。 |
| 面试高频追问 | 1. 如何处理纵向与横向的耦合？答：在MPC代价函数中加入纵向加速度对侧偏刚度的修正项，或采用分步序列优化。 2. 延迟补偿方法？答：将执行器建模为二阶系统并入状态空间，或使用Smith预估器。 3. 路面附着系数未知时如何鲁棒？答：引入μ估计器，基于轮胎力残差在线调整侧偏刚度。 |
| 可迁移回答话术 | “我们采用自行车模型+线性轮胎作为基础，在MPC中通过雅可比线性化处理耦合项。针对延迟，将执行器建模为一阶惯性环节并扩维状态向量。最终在干/湿路面切换时，利用残差侧向力检测自动调低侧偏刚度，保证控制稳定性。” |
本章核心公式记忆点：自行车模型状态空间标准形式 dx/dt = [0, -vx; 0, 0]·x + [Cαf/m, Cαf·lf/Iz]·δ（忽略纵向耦合时）。面试时务必手写过此推导，并标注每个参数的单位与物理含义。
练习路径：先默写自行车模型推导 → 用Python实现一次欧拉离散化 → 对比Matlab车辆工具箱的连续模型结果。5天内完成闭环。