分布式驱动汽车稳定性控制。 采用纯Simulink模型搭建，包括控制策略和车辆动力学模型。 采用分层式直接横摆力矩控制，上层包括模型预测MPC，滑模控制SMC，PID控制，LQR控制。 可灵活对四种控制器对比和选择。 另外下层基于轮胎滑移率最优分配。 四种控制均可跟踪横摆角速度和质心侧偏角期望值。 车辆被控对象采用七自由度整车模型输出实际质心侧偏角和横摆角速度，二自由度模型输出理想质心侧偏角和横摆角速度。 具有初始化文件，Simulink模型，控制器说明，有参考文献和七自由度整车建模说明文档。 包运行，运行不通过不收费。 默认采用MATLAB2021a版本，另外提供了比较旧的2016a版本模型。
直接把分布式驱动汽车的稳定性控制想象成给车装了个会思考的机械小脑——这货得同时盯着方向盘转角、轮子打滑、车身摇摆三个维度。咱这次用Simulink搞了个真·分层控制架构，上层四个控制器（MPC/SMC/PID/LQR）像四个性格迥异的赛车手，下层胎压分配算法则像精算师在算账。
先看七自由度车辆模型这个大家伙，光看参数文件VehiclePara.m里密密麻麻的簧载质量/轮胎侧偏刚度就头大。不过重点在它输出的betaactual（实际质心侧偏角）和gamma_actual（实际横摆角速度）这两个关键指标，相当于车辆实时的"心电图"。
对比组是二自由度模型给的理想值，这货在Ref_Model.slx里用了个极简公式：
beta_des = (mL/(C_f + C_r)) * (1 - (m/(2L^2))*(L_f/C_r - L_r/C_f)*vx^2)*delta;说白了就是当车辆在低速时给出的"标准答案"，一旦车速飙起来，这个理想值自己都会变得不靠谱。
四个控制器的选择就像游戏里切武器：
- MPC（ModelPredictiveControl.slx）这个预言家每次算未来5步，代价函数里把beta和gamma误差加权得明明白白。代价是算力爆炸，得调小预测步长；
- SMC（SlidingModeControl.slx）的切换函数设计最骚气，用sign(s)函数制造滑模面，不过实际得换成饱和函数防抖；
- PID（PID_Control.slx）这个老司机调参要人命，Kp=120时过弯像喝醉，调到80又变迟钝；
- LQR（LQR_Control.slx）的权重矩阵Q选不好直接翻车，建议先用Bryson规则试个初值。
下层力矩分配才是真黑科技，Optimal_Allocation.slx里的二次规划求解器每次都在算：
min Σ( (M_i - M_des)^2 + 10*slip_rate^2 ) s.t. M_total = sum(M_i)这个10的惩罚因子调大了能防打滑，但动力响应会变肉。实测冰面要调到15，赛道模式调到5效果最佳。
重点来了，切换控制器不用改模型！在MainController.slx里直接把那个写着ControllerSwitch的Constant模块从1切到4，相当于让四个赛车手轮番上阵。不过记得跑之前先点Init_Sim.m初始化，不然参数乱套可能报错。
实测发现2016a版本模型里的PID模块用了过时的微分器，得换成Derivative模块加低通滤波才不报错。所以说跨版本兼容这事，比调参还玄学...（注：具体报错解决方案见文件夹里的Version_Notes.txt）
