From Reduced Model to Global Intelligence: Multi-physics Coupling, Estimation, and Control of Distributed Drive Electric Vehicles

分布式驱动电动汽车(Distributed drive electric vehicle,DDEV)凭借轮端独立驱动的优势，在控制自由度和响应灵活性等方面展现出显著潜力。然而，DDEV高度耦合的机-电-路系统特性对建模精度、状态估计和控制策略提出更高要求。系统梳理了DDEV在建模、状态估计与控制方面的研究进展。在建模方面，重点分析机-电-路耦合系统中的关键问题，包括道路模型构建、轮毂电机不平衡电磁力建模、纵-横-垂耦合动力学建模及其机理。针对复杂系统的动力学响应估计问题，从模型驱动、数据驱动以及数据-模型融合驱动方法出发，重点总结了卡尔曼滤波、Transformer结构以及物理信息神经网络的研究应用。在控制策略方面，综述了不同控制架构下面向复杂模型的自适应控制方法、扰动抑制策略及多目标优化技术。最后，总结并探讨了当前研究面临的主要挑战与发展趋势，指出未来DDEV研究应进一步加强多物理场耦合作用下的系统行为预测、多源异构信息融合，以及基于人工智能与物理先验知识的端到端控制方法。