轮胎侧偏刚度在线辨识：递归最小二乘法的车辆动力学实践

1. 为什么死磕轮胎侧偏刚度？先从问题背景和方案选型说起

1.1 侧偏刚度在车辆动力学里的“地基”地位

做车辆动力学控制的人应该都有这种感觉：很多看似高大上的功能——ESP车身稳定控制、主动转向、自动驾驶的轨迹跟踪、底盘域控制器的状态观测——拆到最底层，几乎都绕不开一个参数：轮胎侧偏刚度。

侧偏刚度的物理定义并不复杂。轮胎在滚动过程中受到侧向力时，接地印迹会发生弹性变形，导致轮胎行进方向与轮圈平面方向之间出现一个夹角，这就是侧偏角。在侧偏角较小的线性区间内，侧向力与侧偏角近似成正比，比例系数就是侧偏刚度。但关键的麻烦在于：这个“刚度”从来不是一个固定的常数。轮胎结构、充气压力、垂向载荷、路面附着、胎面磨损程度，甚至轮胎当前温度，都会让它发生变化。也就是说，整车下线时标定好的那个参数，跑了几万公里、换了一组载荷、或者从干燥沥青开到湿滑路面上之后，大概率已经和真实值对不上了。

这对控制算法的影响是致命的。以车辆状态观测器为例，如果观测器内部使用的侧偏刚度与实际偏差超过20%，横摆角速度和质心侧偏角的估计结果就会出现明显偏移，轻则导致控制精度下降，重则引起稳定性控制误动作。正因如此，在线辨识轮胎侧偏刚度一直是车辆动力学领域的一个“刚需”。

1.2 为什么选递归最小二乘法，而不是查表或神经网络

做参数在线估计，摆在面前的路其实有几条，简单对比一下：

我最后选择递归最小二乘法，核心原因有三个。第一，RLS是递推算法，每来一个新样本就更新一次参数估计，天然适配车辆运行过程中“边跑边学”的场景，不需要保存大量历史数据做离线回归。第二，计算量非常小，核心就是几个矩阵向量运算，在嵌入式ECU上跑完全没有压力。第三，它的理论基础极其成熟，收敛性分析、遗忘因子调节都有现成的结论可以参照，不像神经网络那样黑盒。

需要说明的是，RLS本质上是标准最小二乘的递推实现。批量最小二乘需要攒一批数据然后一次性求解，而RLS把同样的目标函数拆成了逐步更新的形式。加了遗忘因子之后，老的样本权重按指数衰减，算法就具备了对时变参数的跟踪能力。这个特性非常契合轮胎侧偏刚度缓变但持续变化的工程实际。

2. 估算方案的核心设计：从车辆模型到RLS递推公式

2.1 二自由度自行车模型的搭建与假设

车辆侧向动力学最常用的简化模型是二自由度“自行车模型”。它把左右前轮合并成一个前轮、左右后轮合并成一个后轮，忽略俯仰和侧倾自由度，只保留横摆和侧向两个运动自由度。虽然是极度简化的模型，但在侧向加速度不超过0.4g、侧偏角处于线性区间的工况下，它描述车辆横摆响应的精度相当可观，完全够用于参数辨识。

模型的连续时间状态方程写出来是这样的：

m * v * (β_dot + γ) = F_yf + F_yr I_z * γ_dot = a * F_yf - b * F_yr

其中：

• m为整车质量，v为纵向车速
• β为质心侧偏角，γ为横摆角速度
• I_z为绕Z轴的转动惯量
• a为前轴到质心的距离，b为后轴到质心的距离
• F_yf和F_yr分别为前、后轴侧向力

在线性轮胎假设下，前、后轴侧向力可以写成：

F_yf = -C_f * α_f F_yr = -C_r * α_r

α_f和α_r分别是前、后轮侧偏角，C_f和C_r就是我们要估计的前、后轮侧偏刚度（这里取正值表示刚度大小，实际侧向力方向与侧偏角相反）。前轮侧偏角还包含前轮转角δ的贡献：

α_f = β + (a * γ) / v - δ α_r = β - (b * γ) / v

把这些代入状态方程，整理后可以得到以横摆角速度和质心侧偏角为状态量的二阶状态空间模型。这个模型就是我们后续推导辨识算法的物理基础。

这套模型有几个假设前提必须心里有数：车速视为缓变量、轮胎工作在线性区、忽略空气侧向力、前后轴侧偏刚度被简化为集中参数。仿真和实车中如果工况超出这些前提，辨识结果的可信度就要打折扣，这一点后文还会专门说。

2.2 把问题改写成最小二乘标准形式

使用RLS之前，关键的一步是把动力学方程改写成最小二乘的标准形式：

y = φ^T * θ

其中θ是待估参数向量，φ是回归向量，y是测量输出。选择不同的改写方式，待估参数的含义和辨识效果会有很大差别。我采用的推导思路是从横摆力矩方程出发。把前面F_yf和F_yr的表达式代入横摆方程：

I_z * γ_dot = a * (-C_f * α_f) - b * (-C_r * α_r)

将侧偏角表达式代入，并注意到在稳态附近β和γ的关系，经过整理可以把方程写成：

y(k) = φ^T(k) * θ

其中：

y(k) = I_z * γ_dot(k) φ^T(k) = [ -a * v * δ(k) + a * (a * γ(k) / v - β(k)) , b * (b * γ(k) / v - β(k)) ] θ = [ C_f , C_r ]^T

当然，质心侧偏角β不是直接测量量，通常需要通过侧向加速度、横摆角速度和车速进行重构，或者直接采用侧向加速度方程构造另一个回归形式。我这里分享一个更工程化的做法：利用侧向加速度方程来构造回归式。

在二自由度模型下，质心处的侧向加速度可以表示为：

a_y = v * (β_dot + γ)

结合轮胎力表达式，侧向加速度又等于前后轴侧向力之和除以质量：

m * a_y = -C_f * α_f - C_r * α_r

把侧偏角公式代入，整理之后同样可以得到关于C_f、C_r的线性回归方程。这里的关键是，我们用的测量量变成了前轮转角δ、车速v、横摆角速度γ和侧向加速度a_y，这四个量在实车上都是容易获得的信号。

不过要注意一个问题：如果直接同时辨识C_f和C_r，在某些工况下会出现参数耦合导致的“可辨识性不足”。比如在定速直线行驶或小转角稳态工况下，前后轮侧偏角都接近于零，回归向量中的两个分量几乎没有差异，此时C_f和C_r无法被独立区分，会出现两个参数同时漂移但输出拟合误差却很小的现象。后面我会讲到对应解决办法。

2.3 RLS递推公式与遗忘因子的选择

RLS的递推核心就是下面这几行公式：

增益更新: K(k) = P(k-1) * φ(k) / (λ + φ^T(k) * P(k-1) * φ(k)) 协方差更新: P(k) = (I - K(k) * φ^T(k)) * P(k-1) / λ 参数更新: θ(k) = θ(k-1) + K(k) * (y(k) - φ^T(k) * θ(k-1))

看起来平平无奇，但每个量都有自己的门道。

• 增益K(k)决定了当前新息（测量值与预测值之差）对参数修正的权重。
• 协方差矩阵P(k)可以理解为参数估计的不确定性度量，P越大代表对当前参数越没信心，修正步长就可以越大。
• 遗忘因子λ（0 < λ ≤ 1）控制历史数据的衰减速度。λ越接近1，算法对历史数据“记忆”越长，估计越平滑稳定，但对参数突变的跟踪越慢；λ越小，算法越“健忘”，能快速跟上参数变化，但对噪声的敏感度也同步上升。

在轮胎侧偏刚度辨识中，我的经验是λ取0.98～0.995之间比较合适。如果用于仿真验证，固定λ就可以；如果用于实车工况变化较大的场景，可以考虑“可变遗忘因子”——检测到残差增大时自动减小λ，加速跟踪；残差平稳时恢复较大的λ，保证稳态精度。后面常见问题部分再详细展开。

初值选择方面，P(0)通常取一个较大的对角阵，比如P(0) = 1000 * I，代表初始对参数一无所知，让算法在开头阶段大胆修正。θ(0)则取标称参数或上一个工况的估计值。实测下来，P(0)只要数量级合适，对最终收敛结果影响不大，但对前几十个样本的收敛速度有明显影响。

我在这里用一段伪Python代码展示RLS核心递推过程，方便大家快速落地验证：

import numpy as np class RLS: def __init__(self, n_params, lam=0.99, P0=1000.0, theta0=None): self.lam = lam self.P = np.eye(n_params) * P0 self.theta = np.zeros(n_params) if theta0 is None else np.array(theta0, dtype=float) def update(self, phi, y): # phi: 回归向量 (n_params,), y: 测量输出标量 phi = np.array(phi, dtype=float).reshape(-1, 1) y = float(y) # 计算增益 P_phi = self.P @ phi denom = self.lam + float(phi.T @ P_phi) K = P_phi / denom # 更新参数 innovation = y - float(phi.T @ self.theta) self.theta = self.theta + K.flatten() * innovation # 更新协方差 self.P = (self.P - K @ phi.T @ self.P) / self.lam return self.theta.copy()

这段代码虽然简单，但已经是RLS的完整骨架。实际嵌入到仿真循环或实车采集程序中，只需要在外层循环里对每个采样时刻构造对应的φ(k)和y(k)即可。

3. 仿真实验搭建与结果分析：先把理论跑通

3.1 仿真平台、车辆参数与工况设计

在动实车之前，一定要先在仿真环境里把整个辨识链路跑通。我用的方案是MATLAB/Simulink搭建车辆动力学模型，配合Python离线做数据分析。Simulink里用二自由度模型作为“被辨识对象”，预先设定一组“真实”的C_f和C_r作为真值，然后把带噪声的测量信号输出，送到RLS模块进行在线估计。RLS模块既可以写成S-Function，也可以用MATLAB Function块实现核心递推逻辑。

仿真车辆参数我采用了一组典型紧凑型轿车的数值，大家可以直接拿去用：

工况设计直接决定了辨识结果能不能说明问题。我建议至少覆盖三类工况：阶跃转向工况用于观察参数收敛速度和稳态估计值；双移线工况用于模拟连续变道场景下的跟踪表现；正弦扫频转向工况用于检验不同激励频率下的辨识效果。车速固定在中高速域（比如80km/h），侧向加速度控制在0.4g以内，确保轮胎工作在线性区间。

阶跃转向工况的输入是前轮转角在0.5秒内从0°阶跃到3°，然后保持稳定。这个工况的特点是激励能量集中且持续，非常适合观察RLS的收敛轨迹。双移线工况则更接近实际驾驶中的避障动作，转向变化连续，回归向量的幅值不断变化，可以检验算法在非稳态激励下的表现。

3.2 从仿真结果看估算收敛性与精度

以阶跃转向工况为例，RLS的估计结果呈现典型的收敛过程：前几百毫秒内参数从初值快速向真值逼近，随后进入收敛平台期，稳态误差在3%以内。收敛速度受遗忘因子影响明显。λ=0.99时大约需要1.5秒左右收敛，但稳态波动小；λ=0.95时收敛时间缩短到约0.8秒，但稳态波动的标准差明显变大。

如果把前后轮刚度的估计结果和真值对比，可以看到一个值得注意的现象：C_r的收敛速度通常比C_f慢。原因是后轮侧偏角在阶跃工况中变化幅度相对较小，回归向量中对应C_r的分量幅值较低，导致该参数的“信息量”不足。这个现象在实车上会更加显著，因为后轮侧偏角无法直接测量，只能依赖模型重构。

噪声影响方面，我在测量信号上叠加了高斯白噪声，横摆角速度噪声标准差设为0.01 rad/s，侧向加速度噪声标准差设为0.05 m/s²。RLS在不加任何滤波的情况下依然能收敛到一个合理估计区间，但参数轨迹上能看到明显的高频抖动。加了遗忘因子之后，这种抖动被进一步放大——这说明遗忘因子本质上是拿噪声鲁棒性换跟踪速度。实际使用中，如果噪声水平较高，建议在RLS之前对信号做一次一阶低通滤波，或者对估计结果再做一个平滑处理。

3.3 仿真过程中的几个“坑”

第一个坑是前后轮刚度同时辨识时的参数耦合问题。我在仿真中尝试让C_f和C_r同时从真实值发生10%偏移，结果RLS陷入了“此消彼长”的漂移状态，虽然输出拟合残差很小，但两个参数的估计值都偏离了真值。解决办法有几种：一是固定其中一个参数，只辨识另一个；二是引入额外的约束条件，比如前后轮刚度比值限制在合理范围内；三是采用双遗忘因子或分段辨识策略，在转弯工况重点更新前轮刚度，在制动/驱动工况重点更新后轮刚度。

第二个坑是微分信号的噪声放大。模型方程中的γ_dot（横摆角速度微分）和β_dot（质心侧偏角微分）如果直接对测量信号做差分，噪声会被严重放大，导致回归向量中的某些分量失真。我的做法是避免使用微分项构造回归式，转而使用侧向加速度方程或滤波后的状态方程形式。如果确实需要微分信号，建议先用二阶低通滤波器对原始信号做平滑，再通过中心差分或状态观测器求导。

第三个坑是“持续激励”条件。如果车辆长时间直线行驶，前轮转角始终为零，回归向量趋近于常向量，参数估计会停留在某个值附近不再更新，甚至因为数值问题出现漂移。这其实是所有在线辨识算法的共同限制。实车中需要通过工况监测来规避：只有检测到转向激励足够强（比如横摆角速度幅值超过某个阈值）时才允许更新参数，否则保持上一组估计值不变。

4. 实车应用探索：从仿真到真车的最后一公里

4.1 实车传感器配置与信号采集方案

仿真跑通了，接下来就是实车。实车和仿真的差别在于：传感器的精度、噪声特性、信号的同步关系，以及车辆实际运行中千变万化的干扰。

要支撑这套RLS辨识算法，实车至少需要以下信号：纵向车速、前轮转角、横摆角速度、侧向加速度。这些信号在量产车上基本都能从CAN总线上读到，但精度参差不齐。车速信号如果来自轮速传感器，低速时分辨率较差；前轮转角如果是方向盘转角换算而来，需要确认转向传动比的标定是否准确；横摆角速度和侧向加速度如果来自ESP传感器，一般精度尚可，但要确认安装位置和量程。

我在实验车上使用的是组合导航系统提供的高精度车速和姿态信号，配合转角传感器，采样频率统一为100Hz。信号同步是另一个容易被忽视的问题。CAN总线上的不同信号往往来自不同的传感器节点，存在几毫秒到几十毫秒的时间延迟。对于侧偏刚度辨识这种对相位敏感的应用，建议做一次信号对齐处理：通过互相关分析估计信号间的相对延迟，然后对回归向量和测量输出做时间对齐，避免因为相位差引入额外误差。

4.2 实车数据预处理与工况筛选流程

拿到原始数据之后，先别急着喂给RLS。实车数据的质量参差不齐，必须经过严格的预处理。我的标准处理流程如下：

• 零点漂移校正：停车状态下记录横摆角速度和侧向加速度的零偏，然后在数据中扣除。
• 异常值剔除：超过合理物理范围的跳变点直接丢弃，避免污染回归向量。
• 低通滤波：对横摆角速度和侧向加速度做截止频率10～15Hz的低通滤波，滤除高频振动噪声。
• 工况筛选：只保留侧向加速度绝对值在0.4g以内、车速波动小于5%、无急加速急减速的数据段。

工况筛选这一步特别重要。许多车辆动力学辨识项目在实车阶段效果不佳，不是因为算法不好，而是因为把不符合模型假设的数据也拿去辨识了。比如急转弯时侧向加速度已经到0.6g，轮胎明显进入非线性区，此时二自由度线性模型根本不成立，辨识出来的“侧偏刚度”只是一个拟合参数，没有任何物理意义。我在实车实验中筛选条件要严格得多，宁可少用数据，也要保证数据符合模型适用范围。

4.3 算法嵌入式部署与在线更新注意事项

实车验证时可以把RLS算法部署在快速原型控制器中，但最终目标通常是移植到量产ECU或底盘域控制器中。嵌入式部署有几个实际工程问题需要注意。

协方差矩阵发散是嵌入式RLS最常见的故障之一。长期运行后，如果激励不充分或遗忘因子偏小，P矩阵的对角元素可能持续增大，导致增益K过大，参数估计剧烈跳变。解决办法是在每次更新后对P矩阵做上下限约束，比如把对角元素限制在0.001到10000之间；或者采用带死区的更新策略，当新息绝对值小于某个阈值时跳过参数更新，只保留协方差更新。

参数估计的合理性约束同样重要。可以在算法外围加一个参数有效性检查：如果估计出的C_f或C_r超出物理合理范围（比如小于20000或大于200000 N/rad），就拒绝本次更新结果，回退到上一组有效参数。

还有一个容易被低估的问题：遗忘因子在嵌入式环境下的数值精度。如果使用单精度浮点运算，λ=0.99在长时间递推后可能出现数值截断误差累积。推荐至少使用双精度，或者在定点化时预留足够的小数位。

4.4 实车结果分析与偏差溯源

我选择在某测试场进行了匀速双移线工况的实车验证。将RLS估计出的前后轮侧偏刚度与基于高精度惯导数据离线计算的参考值进行对比，稳态偏差在5%以内，趋势与参考值基本一致。有个现象值得一说：实车估计出的侧偏刚度往往比仿真标称值低10%～20%。这不是算法出错，而是实车轮胎状态与仿真参数的差异。轮胎的实际侧偏刚度受充气压力、胎面磨损、路面附着等因素影响，标称值本来就是“理想新胎+额定胎压+高附着路面”的组合，实车结果偏低才符合常理。

偏差来源还要考虑悬架运动学的影响。二自由度模型把轮胎当成纯刚体处理，但实际车辆在侧向力作用下，悬架会产生侧倾和外倾变化，导致等效侧偏刚度低于轮胎本身的物理刚度。在后续应用中，如果拿辨识结果去校核底盘控制算法的参数，用的应该是“等效侧偏刚度”而非轮胎规格书上的原始数据。

5. 常见问题与排查技巧实录

5.1 估算结果发散或跳变怎么查

实车和仿真中最容易遇见的故障就是参数估计发散，表现为估计值在几个采样周期内剧烈跳变或直接冲到物理不可能的范围。我整理了问题排查表供参考：

5.2 遗忘因子到底怎么调

遗忘因子的调整是一个经验活，但也有一些方向可循。如果目标是稳态精度优先（比如用于车辆下线后的参数标定），取λ=0.995甚至0.999都可以，让估计值平滑稳定。如果目标是跟踪快速变化的参数（比如检测轮胎气压骤降后的刚度变化），λ取0.95～0.98更合适。

我个人的做法是采用两段式策略：启动阶段使用较小的遗忘因子（λ=0.95），让参数快速从初值收敛到真实值附近；收敛之后自动切换到较大的遗忘因子（λ=0.99），降低稳态波动。这个切换可以简单地基于参数变化量阈值来实现。

如果想要更精细的控制，可以试试带遗忘因子自适应调整的RLS：实时监测新息的滑动窗口方差，当方差显著增大时临时减小λ，加速参数跟踪；方差恢复正常后逐步恢复大λ。这个策略在仿真中表现出了很好的鲁棒性，但对嵌入式实现有额外的计算开销。

5.3 仿真和实车效果差异大的原因

如果仿真中表现良好、实车却一团糟，先别怀疑算法的数学推导，绝大多数问题出在“数据质量”上。实车的传感器噪声带宽和相关性远高于仿真中的白噪声假设，尤其是来自路面颠簸的高频激励，会被RLS误认为是参数变化信息。

另一个原因是模型失配。实车中存在转向系统摩擦、悬架非线性、轮胎侧偏非线性等二自由度模型没有涵盖的因素。这些未建模动态会以“等效噪声”的形式进入新息，造成估计偏差。处理方式有两种：一种是在预处理阶段尽量依据工况筛选掉模型失配严重的段落；另一种是接受模型误差的存在，把辨识目标调整为“等效线性刚度”，而不是轮胎本身的物理刚度。后者在工程上更实用，因为控制算法关心的本来就是这个等效参数。

6. 实操心得与扩展方向

这套方案从仿真到实车完整走下来，我个人最大的感受是：RLS本身不是难点，难的是把车辆动力学模型和辨识算法“对齐”。模型假设适用范围、信号噪声特性、激励条件约束，这些因素任何一个出了问题，数学上再漂亮的算法也白搭。

如果后续要扩展，有两条我认为比较值得走的路。一条是把辨识从线性RLS扩展到带有参数约束的递归辨识，比如通过投影算子把C_f、C_r限制在物理可行域内，减少耦合漂移。另一条是结合多模型切换思想，在不同侧向加速度区间使用不同的线性模型进行分段辨识，再通过加权融合得到全工况的刚度特性曲线。这个方向对自动驾驶的车辆状态估计和底盘控制都有直接价值。

另外补充一个实用小技巧：在做实车数据采集时，可以在车上同时记录轮胎温度和胎压信号。分析结果时你会发现，侧偏刚度的变化趋势和胎温有明显的相关性。后续做模型的时候把这个因素作为补偿项，可以显著提升辨识算法在不同环境温度下的泛化能力。这些细节在方案设计阶段很容易被忽略，但等你真正跑完整个流程，才会意识到它们才是决定项目最终落地质量的高低之分。