Dual-Envelope Constrained Nonlinear MPC for Distributed Drive Electric Vehicles Drifting Under Bounded Steering and Direct Yaw-Moment Control
作者: Yurun Gan, Ziyu Song, Jing Yang, Zheng Lin, Jianuo Zhang, Tongtong Gu, Haitao Ding, Nan Xu, Por Lip Yee, Wei Ni, Jun Luo
分类: eess.SY
发布日期: 2026-04-08
备注: 10 pages, 19 figures
💡 一句话要点
针对分布式驱动电动汽车漂移，提出双包络约束非线性MPC方法，提升控制精度。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 分布式驱动电动汽车 漂移控制 非线性模型预测控制 双包络约束 鞍点坐标模型
📋 核心要点
- 传统漂移控制依赖开环分析，忽略了控制输入耦合对稳定性的影响，导致闭环控制性能下降。
- 论文提出基于鞍点坐标模型的双包络约束，显式考虑多种因素，构建更精确的稳定区域。
- 实验结果表明，所提方法能有效降低稳态和峰值跟踪误差，提升漂移控制的鲁棒性。
📝 摘要（中文）
本文针对分布式驱动电动汽车在极限工况下的自主漂移动作，提出了一种改进的非线性模型预测控制（NMPC）方法。传统漂移分析依赖于开环平衡点的稳定性边界，并假设固定的包络结构。然而，控制输入之间的耦合会重塑相平面并移动鞍点位置，导致开环包络在闭环漂移中失效。为解决此问题，本文结合非线性轮胎模型和操纵图，显式考虑路面附着系数、纵向速度、前轮转向角和附加横摆力矩，建立了一个鞍点坐标模型。基于鞍点特性，在滑移角和横摆角速度的相平面上构建了一个扩展的双包络框架。利用状态点在有界控制输入下向鞍点收敛的趋势，外包络定义了前轮转向角和附加横摆力矩约束下的可恢复集。内包络表征了与非饱和轮胎力相关的非漂移稳定区域。最后，利用扩展的双包络约束开发了一个非线性模型预测控制器（NMPC）。硬件在环实验表明，与没有包络约束的NMPC相比，该方法能够更平滑地收敛到漂移鞍点，在道路摩擦不匹配的情况下，车辆速度、侧滑角和横摆角速度的稳态跟踪误差分别降低了33.07%、71.18%和31.27%，峰值跟踪误差降低了63.66%。
🔬 方法详解
问题定义：论文旨在解决分布式驱动电动汽车在极限漂移工况下，传统控制方法由于忽略控制输入耦合以及依赖开环分析而导致的控制精度下降和鲁棒性不足的问题。现有方法难以准确描述车辆的稳定区域，尤其是在考虑路面附着系数、速度、转向角和横摆力矩等多种因素影响时，容易出现控制失效的情况。
核心思路：论文的核心思路是基于鞍点坐标模型，构建一个扩展的双包络约束框架，该框架能够更准确地描述车辆在漂移过程中的稳定区域。通过显式考虑控制输入之间的耦合关系，以及路面附着系数等因素的影响，该框架能够为非线性模型预测控制（NMPC）提供更可靠的约束条件，从而提高控制精度和鲁棒性。
技术框架：整体框架包括以下几个主要模块：1) 建立基于非线性轮胎模型的鞍点坐标模型，该模型能够描述鞍点位置与车辆状态和控制输入之间的关系。2) 基于鞍点特性，构建扩展的双包络框架，包括外包络（可恢复集）和内包络（非漂移稳定区域）。3) 设计基于双包络约束的非线性模型预测控制器（NMPC），该控制器以车辆状态为输入，以转向角和横摆力矩为控制量，以跟踪期望的漂移轨迹为目标。
关键创新：论文的关键创新在于提出了基于鞍点坐标模型的双包络约束框架。与传统的基于开环分析的包络方法相比，该方法能够更准确地描述车辆在闭环控制下的稳定区域，并显式考虑了控制输入耦合和路面附着系数等因素的影响。此外，该方法还利用了状态点向鞍点收敛的趋势，从而提高了控制器的鲁棒性。
关键设计：关键设计包括：1) 鞍点坐标模型的建立，需要精确的非线性轮胎模型和操纵图。2) 双包络框架的构建，需要合理选择滑移角和横摆角速度作为相平面坐标，并根据鞍点位置确定包络边界。3) NMPC控制器的设计，需要选择合适的预测时域、控制时域和权重系数，以实现期望的控制性能。
🖼️ 关键图片
📊 实验亮点
硬件在环实验结果表明，与没有包络约束的NMPC相比，所提出的方法能够更平滑地收敛到漂移鞍点，车辆速度、侧滑角和横摆角速度的稳态跟踪误差分别降低了33.07%、71.18%和31.27%，峰值跟踪误差降低了63.66%。这些数据表明，该方法能够显著提高漂移控制的精度和鲁棒性，尤其是在路面摩擦系数不匹配的情况下。
🎯 应用场景
该研究成果可应用于高级驾驶辅助系统（ADAS）和自动驾驶系统，尤其是在需要车辆进行极限机动的场景，如赛车、紧急避险等。通过提高车辆在极限工况下的控制精度和鲁棒性，可以提升驾驶安全性，并为自动驾驶车辆提供更强的环境适应能力。此外，该方法也可推广到其他车辆控制问题，如防滑控制、稳定性控制等。
📄 摘要（原文）
Distributed drive electric vehicles offer superior yaw moment control for autonomous drifting in extreme maneuvers. Conventional drift analysis constructs stability boundaries from open loop equilibria points and assumes a fixed envelope structure. However, coupling among control inputs reshapes the phase plane and shifts saddle point location, which can invalidate open loop envelopes when used for closed loop drifting. To address this issue, a saddle point coordinate model is established in this paper by combining a nonlinear tire model with the handling diagram and explicitly accounting for road adhesion coefficient, longitudinal velocity, front wheel steering angle, and additional yaw moment. Based on saddle point properties, an extended dual envelope framework is constructed in the phase plane of slip angle and yaw rate. Using the convergence tendency of state points toward saddle points under bounded control inputs, the outer envelope defines a recoverable set under constraints on front wheel steering angle and additional yaw moment. The inner envelope characterizes the non-drifting stability region associated with unsaturated tire forces. Finally, a nonlinear model predictive control (NMPC) controller is developed using the extended dual envelope constraint. Hardware-in-the-loop experiments show that, compared with NMPC without envelope constraints, the proposed method enables smoother convergence toward the drift saddle point, reduces the steady-state tracking errors of vehicle speed, sideslip angle, and yaw rate by 33.07%, 71.18%, and 31.27%, respectively, and decreases the peak tracking error by 63.66% under road-friction mismatch.