电驱动车辆主动前轮转向（AFS）、主动后轮转向(ARS)的仿真搭建、控制 以轮毂电机四轮驱动车辆为例进行设计，根据横摆角速度和质心侧偏角的偏差计算出维持车辆稳定性所需的附加前轮转角。 控制方法：滑模控制、LQR控制、PID控制（发其中一个，默认发lqr控制器）
在玩四轮转向控制的时候，咱们得先搞明白车辆怎么"飘"起来的。想象一下开着后驱车在冰面甩尾，这时候前轮要是能自动找补角度，车屁股是不是更容易拽回来？这就是主动前轮转向(AFS)的看家本领。今天咱们用Python撸个轮毂电机四驱车的仿真，拿LQR控制器给方向盘加buff。
先搬出经典的二自由度单车模型镇场子：
m = 1723 # 整车质量 l_f = 1.232 # 前轴到质心距离 l_r = 1.368 # 后轴到质心距离 Iz = 4175 # 横摆转动惯量 C_f = 66900 # 前轮总侧偏刚度 C_r = 62700 # 后轮总侧偏刚度 # 状态方程矩阵 A = np.array([ [-(C_f + C_r)/(m*u), (-l_f*C_f + l_r*C_r)/(m*u) - u], [(-l_f*C_f + l_r*C_r)/(Iz*u), -(l_f**2*C_f + l_r**2*C_r)/(Iz*u)] ]) B = np.array([ [C_f/m], [l_f*C_f/Iz] ])这堆参数看着头疼？其实核心就是抓住两个关键状态——质心侧偏角β和横摆角速度γ。就像骑自行车，身体倾斜角度和车把转向得配合好才不会摔。
接下来是LQR控制器的重头戏。咱得告诉控制器什么算"开得好"：
Q = np.diag([10, 1]) # 侧偏角误差比横摆角速度贵10倍 R = np.array([[0.1]]) # 控制量别太暴力 # 解Riccati方程找最优K P = solve_continuous_are(A, B, Q, R) K = np.linalg.inv(R) @ B.T @ P这里Q矩阵就像驾校教练——侧偏角偏差扣分狠，横摆角速度扣分轻。R矩阵则是防止方向盘抽风，0.1的权重让控制量不会突变。实际调参时，把Q[0,0]加大相当于让车更佛系，适合家用车设定。
控制量计算才是灵魂所在：
delta_f = -K @ np.array([[beta - beta_ref], [gamma - gamma_ref]])这个负号可不能丢！好比车往右飘，方向盘就得往左打。betaref和gammaref不是固定值，得根据驾驶员转向意图动态计算，相当于有个老司机在帮你修正预期轨迹。
最后上仿真循环：
for t in np.arange(0, 10, 0.01): # 当前状态采集（假设传感器完美） beta = x[0] gamma = x[1] # LQR算出前轮补偿转角 delta = controller.update(beta, gamma) # 四轮扭矩分配（轮毂电机专属玩法） fl_torque = base_torque + delta*10 fr_torque = base_torque - delta*8 # ...后轮分配同理 # 动力学模型迭代 x_dot = A @ x + B @ delta x = x + x_dot * dt注意轮毂电机的骚操作——前轮转向补偿会改变左右轮驱动力矩分配，相当于转向时内侧轮少出力，外侧轮多出力，形成转向助力。这种机电耦合才是四轮独立驱动的精髓。
跑完仿真一看，在双移线工况下，没开AFS的车像醉汉画龙，开了之后轨迹明显更老实。但别高兴太早，实际装车时得处理20ms的CAN总线延迟，这时候得在状态观测器里加个预测补偿，不然控制器永远在追着车屁股跑。
调LQR就像炖老汤，Q矩阵的火候够不够，得看轮胎是不是在非线性区摸鱼。有个野路子——盯着侧向加速度传感器，超过0.4g的时候偷偷把Q[0,0]调大，相当于给控制器上紧箍咒。毕竟再牛逼的控制算法，也干不过物理摩擦圆啊。
