汽车电子稳定程序(Electronic Stability Program,ESP)中,需要更多的车辆状态信息,如轮胎力、纵侧向速度、横摆角速度和质心侧偏角等。然而,由于物理原因或成本问题,有些状态信息无法找到非常有效适用的传感器来直接进行测量。为此,国内外学者提出了基于状态估计模型和状态估计方法实现车辆状态信息估计来解决这种状态信息不完全性问题。根据ESP控制中所需要考虑的自由度,选取了七自由度车辆动力学模型,并利用CarSim仿真软件对选取的七自由度车辆动力学模型进行模型验证。结合状态参数估计的思想将该模型的动力学方程写为状态方程;根据ESP应用中实际可用的传感器,建立了量测方程;车辆状态方程和量测方程各式中用到的轮胎力均需通过轮胎模型求取,本文从控制科学的角度将随机走动模型选为轮胎模型将轮胎力作为待估计的未知参数进行状态扩维,将扩维后的车辆状态空间模型作为汽车稳定性控制系统状态估计模型。介绍经典卡尔曼滤波(Kalman Filter,KF)理论的优点,由于KF只适用于线性系统,但汽车动力学模型是非线性的,应该采用适用于非线性系统的卡尔曼滤波,因此在理解了KF理论的基础上,本文深入探究了扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filter,AUKF),这些滤波算法都是基于KF的扩展且都能对非线性系统的状态进行估计。EKF滤波算法通过对非线性函数的Taylor展开,将非线性问题转化为线性问题时存在高阶项截断误差,且非线性函数的雅可比矩阵的求解计算量也比较大。针对EKF滤波的不足,引出了UKF滤波算法,该滤波算法使用采样方法近似非线性分布来解决非线性问题,UKF以UT变换为基础,卡尔曼滤波为框架,通过确定性采用策略直接逼近状态的后验分布,整个滤波过程不需要求导计算雅克比矩阵,计算时间和估计精度比EKF高。EKF和UKF以准确的数学模型和噪声的统计特性已知为基础,而当汽车行驶的周围环境发生变化或者运动状态剧烈变化时,将会对噪声的统计特性产生比较大的影响,大大降低了EKF和UKF滤波精度和稳定性。针对汽车在行驶过程中遇到一定的干扰,对车载传感器造成一定的影响,导致传感器的统计特性难以准确获得,即量测噪声的统计特性时变或未知这个问题,设计了自适应无迹卡尔曼滤波(AUKF)算法,AUKF通过信息序列实现了对量测噪声协方差阵的在线估计,提高了UKF的自适应能力。仿真结果表明,在量测噪声未知或时变的情况下,对汽车的状态变量进行估计,AUKF的估计性能最高,状态估计值最接近于真实值。