针对分布式电动汽车的质量与行驶状态估计问题，本文提出了一种结合递推最小二乘法（Recursive Least Squares，RLS）和双容积卡尔曼滤波算法（Dual Volume Kalman Filter，DCKF）的新方法，并通过三自由度非线性整车动力学模型进行仿真分析，以期达到实时准确估计车辆关键参数与行驶状态的目的。以下将详细阐述与本研究相关的知识点。
分布式电动汽车作为一种新型的交通工具，其与传统内燃机驱动的汽车相比，具有驱动传动链短、结构紧凑、四轮独立可控、能量可回收等优点。这为车辆主动安全控制提供了技术上的便利条件。然而，分布式电动汽车的参数与行驶状态的实时准确估计，对于实现车辆的稳定性和安全性控制至关重要。
在电动汽车行驶状态估计方面，传统的估计方法主要依赖于各种传感器数据。但是，直接通过传感器获取的参数往往无法满足实时性与准确性要求，特别是对于那些无法直接测量的状态参数（如纵向速度、横摆角速度、质心侧偏角等）。因此，研究如何利用车载传感器设备估计汽车关键状态信息，并准确获取难以直接测量的相关运动状态参数，成为了电动汽车研究领域的一个热点。
在现有的车辆行驶状态估计算法中，粒子滤波（Particle Filter，PF）和卡尔曼滤波（Kalman Filter，KF）是两种常用的算法。粒子滤波算法虽然摆脱了高斯型系统的限制，准确性较高，但其计算复杂度高，实时性不佳。卡尔曼滤波算法是基于线性动态系统的最优估计方法，通过递推计算获得状态变量的估计值。由于其计算快速、实时性好，被广泛应用于工程领域。不过，传统卡尔曼滤波算法在面对高维非线性系统时，存在滤波精度不稳定的问题。为了改善这一问题，提出了扩展卡尔曼滤波算法（Extended Kalman Filter，EKF）和无迹卡尔曼滤波算法（Unscented Kalman Filter，UKF）。EKF在系统线性展开时存在截断误差，而UKF通过无迹变换实现对状态密度函数的近似估计，较为适用于非线性系统。
为了解决上述问题，本文引入了容积卡尔曼滤波算法（Cubature Kalman Filter，CKF）。CKF基于三阶球面径向容积准则，计算后验概率密度，是一种与贝叶斯滤波原理相近的算法。相较于传统算法，CKF具有计算速度更快、收敛速度更快且收敛精度更高的优点，因此在非线性系统中得到了广泛的应用。
在此基础上，本文进一步提出了结合递推最小二乘法（RLS）和双容积卡尔曼滤波算法（DCKF）的估计方法。RLS是一种在线估计方法，对系统模型参数的实时更新有很好的适应性，能够有效应对时变系统的参数估计。通过将RLS和DCKF结合，既能够有效利用车辆的传感器输入参数，又能通过递推最小二乘法实时估计整车质量，进一步提高了估计的准确性和稳定性。
文章中提到的三自由度非线性整车动力学模型是一个关键的概念，该模型综合考虑了车辆的纵向、侧向以及横摆运动。在构建模型时，车辆被假设为具有对称结构，X轴为车辆纵向对称轴，而XOY坐标系的原点O固定于车辆质心。基于这个模型，结合车辆纵向行驶动力学方程，可以运用递推最小二乘法和双容积卡尔曼滤波算法对车辆的状态参数进行估计。
为了验证所提方法的有效性，研究中使用了Carsim和MATLAB/Simulink联合仿真平台进行模拟试验。通过仿真模拟结果的正确性验证，证明了本文所提方法能够实时准确地估计车辆参数与行驶状态，满足车辆主动安全控制的需要。
文章还提到了基金项目的资助信息，说明了本研究得到了国家自然科学基金、湖北省技术创新专项重大项目和中央引导地方科技发展专项的支持，这为研究提供了必要的资金保障。
本文提出的方法在理论研究和实际应用上都有重要意义，为分布式电动汽车的质量与行驶状态估计提供了新的解决方案，并对于提高电动汽车的主动安全性具有潜在的应用价值。
