车辆状态估计的重要性在现代汽车系统中日益凸显。准确地估计车辆的状态可以为智能驾驶、车辆控
制、车辆安全等方面提供关键信息。本文将介绍一种基于无迹卡尔曼滤波（UKF）的车辆状态估计方
法，通过扩展卡尔曼滤波（EKF）辅助实现对轮毂电机分布式驱动车辆的车速、质心侧偏角和横摆角
速度的准确估计。
首先，我们介绍车辆的模型。在本方法中，我们采用整车 7 自由度模型来描述车辆的运动。该模型考
虑了车辆的纵向和横向运动，可以更准确地描述车辆的状态。模型的输入参数包括方向盘转角 delta
和车辆纵向加速度 ax，输出参数包括横摆角速度 wz、纵向车速 vx 和质心侧偏角 β。
接下来，我们介绍无迹卡尔曼滤波（UKF）方法。UKF 是一种基于概率推断的状态估计方法，能够更
好地处理非线性系统。UKF 通过使用一组特殊选取的采样点（称为 Sigma 点）来逼近系统的概率分
布，从而实现对系统状态的估计。在本方法中，我们利用 UKF 方法来估计车辆的状态。
为了提高估计的准确性，我们还利用扩展卡尔曼滤波（EKF）来辅助实现状态估计。EKF 是一种常用
的非线性系统状态估计方法，在 UKF 中运用 EKF 的思想，可以更好地适应车辆模型的非线性特性。
通过将 EKF 与 UKF 相结合，我们可以提高状态估计的精度。
针对轮毂电机分布式驱动车辆，我们将 UKF 和 EKF 应用于车辆状态估计，并着重估计了车速、质心
侧偏角和横摆角速度这三个重要参数。通过输入方向盘转角 delta 和车辆纵向加速度 ax，我们可以
得到输出参数横摆角速度 wz、纵向车速 vx 和质心侧偏角 β 的估计值。
在实际应用中，我们可以通过车辆传感器获取方向盘转角和车辆纵向加速度的数据，并将其输入到
UKF 和 EKF 模型中进行状态估计。通过对估计参数的实时更新，我们可以得到准确的车速、质心侧偏
角和横摆角速度等状态信息，从而为智能驾驶、车辆控制等系统提供关键数据支持。
总之，车辆状态估计在现代汽车系统中起着至关重要的作用。本文介绍了一种基于无迹卡尔曼滤波和
扩展卡尔曼滤波的车辆状态估计方法，针对轮毂电机分布式驱动车辆的车速、质心侧偏角和横摆角速
度进行了准确估计。通过该方法，我们可以提高车辆状态估计的准确性，为智能驾驶和车辆控制等领
域的应用提供有力支持。
