摘要：车辆质心侧偏角和路面附着系数是实现车辆底盘智能化所需要的关键参数.车辆质心侧偏角对于提高车辆安全性和操控性至关重要,轮胎-路面附着系数决定轮胎力的峰值,进而确定汽车的动力学稳定性边界.本文针对四轮独立驱动电动汽车提出了一种基于惯性测量单元、轮毂电机内置转速/转角传感器的车辆质心侧偏角和路面附着系数动态联合估计方法.对四轮独立驱动电动汽车进行车辆动力学分析,结合Dugoff轮胎计算模型得到车辆质心侧偏角估计器;利用机器学习中高维数据降维PCA多元分析方法,提取主元特征参数,建立路面附着系数估计器.采用可自适应调节网络结构的双径向基神经网络和扩展卡尔曼滤波DRBF-EKF方法,通过K-means算法改进RBF神经网络结构,扩展卡尔曼滤波进行噪声滤波提高估计精度,实现车辆质心侧偏角和路面附着系数的动态联合估计.通过仿真和实车实验表明,所设计的DRBF-EKF动态联合估计器实时性和估计精度均优于扩展卡尔曼滤波算法,可以适应车辆行驶过程中路面附着特性与车速的变化,表现出较强的鲁棒性;与DRBF方法相比,显著提高了估计精度;并且分析了可以同时满足估计精度和实时性要求的最佳隐含层神经元个数.