基于滤波三阶广义积分器观测器的永磁同步电机驱动自主电动汽车的自适应线性MPC

为自动驾驶电动车配备更聪明的大脑

随着自动驾驶电动车变得日益普及，我们期望它们稳稳地保持车道、在弯道中平顺转向，并充分利用每一分电池能量。然而在底层，驱动车辆的电机行为复杂且有时难以预测，尤其在高速工况下更是如此。本文提出一种新的控制策略，能够让电动汽车在运行中持续“学习”电机与车辆动态的变化，从而在要求苛刻的行驶情形下仍能保持行驶稳定、高效与安全。

为何控制电动车如此棘手

在自动驾驶电动汽车中，必须时刻协调两项任务：在车轮处产生合适的驱动力，以及沿道路跟踪期望轨迹。许多现代电动车所用的永磁同步电机并非简单且参数恒定，其内部特性会随转速和负载变化，尤其在工程师为保护硬件而执行弱磁区时更为明显。传统控制方法常常将电机简化，或把它当作理想的扭矩源而忽略内部机理。这可能在车速加减或遇到诸如路面载荷突变等扰动时，导致转向误差、车道保持不稳以及能量浪费。

将电机与车辆运动纳入单一控制体系

研究者提出了一种自适应线性模型预测控制（AL-MPC）方案，将电机行为与车辆运动联合考虑，而非分层处理。该方法的核心是一个数学模型，将九个关键量纳入统一框架：电机电流、车轮速度、车辆横向位置以及转弯时的偏航量等。控制器并不将模型固定在某一工作点，而是在每个采样时刻更新模型以匹配当前工况。这使车辆能够预测当前速度、转向和电机状态在未来短时内的演化，并选择最佳转向角与电机电压，以在满足电流、电压和运动安全限制的同时，尽量贴近计划轨迹。

实时“倾听”电机

一个关键组件是特殊的观测器——一个信号处理模块，它监听电机电信号并重构内部状态。通过一个滤波的“广义积分器”，它估计磁通、实际输出扭矩以及电机内部电抗随时间的变化。移动平均滤波器平滑掉来自电力电子器件的高频噪声，使估计在逆变器高速开关时仍然稳定。由于这些量具有物理意义，控制器可以直接把它们代入预测模型，避免大量查表或离线标定，从而更能应对温度、老化和不同驾驶工况引起的变化。

在约束下选择最佳动作

当观测器与预测模型给出预测后，优化程序会决定下一步的动作。作者采用了一种“主动集”二次规划算法，它高效搜索转向与电机电压命令的组合，以在满足所有约束的同时最小化跟踪误差。这些约束包括最大车轮速度、转向角限制以及电机电流和电压的安全区间。由于算法从之前的解进行热启动，通常只需少量迭代，使其足够快以运行在车规级微控制器上。硬件在环测试验证了整个闭环——观测、预测与优化——每个控制周期可在百分之一秒以内完成。

车辆行为改善了多少？

团队将其方法与两种既有策略进行了比较：一种是参数固定的简单线性控制器，另一种是更复杂的非线性控制器。在涵盖包括苛刻的弱磁区在内的广泛车速仿真中，新方法将偏航角误差降低了近三个数量级，相较于基础线性设计将横向位置误差减少了一半以上，同时显著平滑了转向量。与非线性控制器相比，它仍能显著减小路径偏差，大幅降低速度和电压波动，并避免可能导致传动系应力或乘客不适的尖锐扭矩脉动——同时计算时间略有减少。

这对日常驾驶意味着什么

对非专业读者而言，结论是这项工作展示了如何在不让车载计算资源不堪重负的情况下，为自动驾驶电动车提供更有能力且更高效的“智能”。通过持续估计电机内部的真实状况并将这些信息融入对车辆运动的统一认知，所提控制器能使车辆更贴近期望路径、更节能，并更平稳地应对突发变化。尽管还需进一步工作以扩展到极低车速和更精细的轮胎-路面相互作用，这种自适应控制策略有望让电动车不仅更清洁，也更平顺、安全和舒适。

引用: Ismail, M.M., Al-Dhaifallah, M., Rezk, H. et al. Adaptive linear MPC for a PMSM-driven autonomous EV with a filtered third-order generalized integrator observer. Sci Rep 16, 9349 (2026). https://doi.org/10.1038/s41598-026-39158-3

关键词: 自主电动汽车控制, 模型预测控制, 永磁同步电机, 扭矩与转向协同, 实时自适应控制