单轮二自由度车辆动力学模型：从理论推导到Python仿真实战

简介：面向汽车工程与控制相关专业学习者的MATLAB仿真资源，聚焦汽车动力学中的单轮二自由度模型，并围绕车辆操纵稳定性展开分析。该模型将复杂四轮系统简化为具有横向与纵向两个自由度的单轮形式，适合理解轮胎侧偏特性、侧向力与纵向力产生机理，也适用于分析高速过弯、紧急避障等极限工况下的动态响应。压缩包内共包含7个M文件，整体仅5KB，均为可直接运行的MATLAB脚本，并内置别克与法拉利两种车型的典型参数，便于对比不同车辆设定对操纵性能的影响。仿真过程有助于掌握侧滑角、侧向加速度等指标的计算与评价方法，为ESP、ABS等主动安全系统设计提供理论支撑；同时也可自行调整车速、摩擦系数等关键参数，开展更多工况下的拓展仿真实验。目前已有227人学习下载，对正在学习车辆动力学、控制系统设计或准备相关课程项目的高校学生与工程师而言，是一份轻量而实用的仿真学习资料。

1. 为什么底盘开发绕不开单轮二自由度动力学模型

在做 ESP 标定、线控前轮转向或者硬件在环测试时，一个新工程师最容易犯的错误是直接扑向十几自由度的整车模型，觉得自由度越多越接近真实。实际情况恰恰相反：整车操稳问题里，超过 9 成的基础结论都能用单轮二自由度模型解释，而且它参数少、能闭式求解、方便做状态估计器的前置验证。单轮二自由度模型通常也叫“自行车模型”，真正关心的不是轮胎数量，而是车辆在水平面内的两个关键状态：质心侧向速度和横摆角速度。它把四轮简化为前、后轴等效单轮，忽略垂向、侧倾和俯仰，保留足以描述转向响应、不足过多转向趋势的最小骨架。

这个模型的工程价值在于：它是底盘调校里“先看清楚趋势再抠细节”的第一道工具。无论是分析阶跃转向下的瞬态响应，还是估计质心侧偏角、横摆阻尼比，二自由度模型都能在几分钟内给出可量化结论。本文直接按“理论推导 → Python 实现 → 操稳工况分析 → 实车标定前验证”这条链路写，所有代码和参数都能直接复制跑起来。

2. 单轮二自由度模型的自由度定义与状态方程推导

2.1 先定义坐标系和两个自由度

车辆动力学里规定坐标系遵循 ISO 8855：x 轴沿车辆纵轴朝前，y 轴朝左侧，z 轴向上。绕 z 轴的角速度就是横摆角速度r，沿 y 轴的速度就是侧向速度v_y。单轮二自由度模型的“二自由度”指的就是这两个：v_y和r。

之所以只保留这两个自由度，是因为操纵稳定性关心的核心响应都发生在水平面内。纵向速度Vx被当作常数参数，不参与状态更新；侧倾、俯仰和垂向运动被完全忽略。前、后轴各自合并为一个等效轮胎，并假设轮胎工作在线性侧偏区。这个假设的代价在标题里已经暗示了——“单轮”简化只对中等侧向加速度范围成立，通常不大于 0.4g。

侧偏角定义是前轮速度方向与轮胎朝向的夹角。前轮转角为delta_f，前轴侧偏角为：

alpha_f = delta_f - (v_y + l_f * r) / Vx alpha_r = - (v_y - l_r * r) / Vx

其中l_f是质心到前轴距离，l_r是质心到后轴距离。侧偏角由两部分组成：质心侧偏角本身带来的横向滑动，以及横摆运动在前后轴处产生的附加侧向速度。

2.2 轮胎侧偏线性和符号约定是最大暗坑

线性轮胎模型写成：

F_yf = -C_f * alpha_f F_yr = -C_r * alpha_r

这里C_f、C_r都定义为正的侧偏刚度数值，物理上轮胎侧向力方向始终要把车轮拉回运动方向，所以公式前面有负号。很多车厂文档里会直接给负侧偏刚度，写成C_alpha_f = -80000 N/rad，代入公式时就不再额外加负号。这两种约定经常混用，等会儿写状态矩阵时容易差符号，建议代码里统一用正值加负号。

侧偏刚度的线性范围也与轮胎载荷强相关。某个轮胎在 4kN 垂直载荷下测得的侧偏刚度，可能在 2kN 时衰减 30% 以上。因此二自由度模型参数必须和测试工况的轴荷匹配，后面第 5 章会再提这个坑。

2.3 由牛顿定律推导出状态方程

车辆在水平面内受侧向力平衡和横摆力矩平衡两个方程约束：

m * (d(v_y)/dt + r * Vx) = F_yf + F_yr I_z * d(r)/dt = l_f * F_yf - l_r * F_yr

m是整车质量，I_z是绕 z 轴的横摆转动惯量。把侧偏角和轮胎力代进去整理，得到标准的状态空间形式：

d(v_y)/dt = -(C_f + C_r)/(m*Vx) * v_y - [Vx + (C_f*l_f - C_r*l_r)/(m*Vx)] * r + C_f/m * delta_f d(r)/dt = (C_r*l_r - C_f*l_f)/(I_z*Vx) * v_y - (C_f*l_f^2 + C_r*l_r^2)/(I_z*Vx) * r + (C_f*l_f)/I_z * delta_f

这个形式直接对应dX/dt = A*X + B*delta_f，其中X = [v_y, r]^T。注意d(v_y)/dt表达式里-Vx项不是笔误，它来自把侧向力平衡方程中的m*r*Vx移项到左边产生的科氏加速度耦合项，丢掉这一项会导致高速工况下的横摆响应发散。

2.4 状态矩阵和参数表：这些参数直接影响响应

以某台典型中级轿车为例，参数取值如下：

把这些参数代入状态矩阵，得到：

A = [[ -6.0, -18.533 ], [ 0.88, -6.224 ]] B = [[ 53.333 ], [ 38.4 ]]

从 A 矩阵的特征根可以直接判断系统稳定性。当前参数下特征根实部均为负，说明车辆在对阶跃转向输入下是渐近稳定的。后一章的 Python 代码里会直接计算这些值。

3. 用 Python 把单轮二自由度模型跑起来

3.1 最小实现：从状态空间到阶跃响应

我一般直接用 numpy 搭状态矩阵，再用 Euler 积分或者scipy.signal做连续系统仿真。这里给一个最小可运行版本，用 Euler 法做前轮转角阶跃输入，车速固定 20m/s。

import numpy as np import matplotlib.pyplot as plt # 车辆参数，单位采用 SI m = 1500.0 # kg Iz = 2500.0 # kg*m^2 lf = 1.2 # m lr = 1.4 # m Cf = 80000.0 # N/rad，正数 Cr = 100000.0 # N/rad，正数 Vx = 20.0 # m/s # 状态矩阵 A A11 = -(Cf + Cr) / (m * Vx) A12 = -Vx - (Cf * lf - Cr * lr) / (m * Vx) A21 = (Cr * lr - Cf * lf) / (Iz * Vx) A22 = -(Cf * lf**2 + Cr * lr**2) / (Iz * Vx) A = np.array([[A11, A12], [A21, A22]]) # 输入矩阵 B B = np.array([[Cf / m], [Cf * lf / Iz]]) # 前轮转角阶跃输入，单位弧度 delta_f = 0.05 # 约 2.86 度 # 仿真时长和步长 dt = 0.001 t_end = 5.0 t = np.arange(0.0, t_end, dt) X = np.zeros((len(t), 2)) vy = 0.0 r = 0.0 for i, _ in enumerate(t): X[i, 0] = vy X[i, 1] = r dX = A @ np.array([vy, r]) + B.flatten() * delta_f vy = vy + dX[0] * dt r = r + dX[1] * dt plt.figure(figsize=(9, 4)) plt.subplot(1, 2, 1) plt.plot(t, X[:, 0] * 180 / np.pi) plt.xlabel("t (s)") plt.ylabel("v_y (deg)") plt.grid(True) plt.subplot(1, 2, 2) plt.plot(t, X[:, 1] * 180 / np.pi) plt.xlabel("t (s)") plt.ylabel("r (deg/s)") plt.grid(True) plt.tight_layout() plt.show()

这段代码的关键在于状态更新按X_new = X + (A*X + B*delta) * dt完成，也就是显式欧拉积分。对二自由度模型来说，特征根通常在 10rad/s 以内，步长 1ms 足够保证数值稳定。A @ np.array(...)是矩阵乘法，B.flatten()把 2x1 矩阵转成向量，避免广播维度不一致。

如果不想手写积分，用scipy.signal也可以：

from scipy.signal import StateSpace, lsim sys = StateSpace(A, B, np.eye(2), np.zeros((2, 1))) t_out, y_out, _ = lsim(sys, U=delta_f * np.ones_like(t), T=t)

StateSpace对象把连续的 A、B、C、D 矩阵封装成控制系统描述，lsim内部会做合适的连续求解，比手写欧拉更稳。对于要连续扫描车速的场景，直接循环调用lsim也比改步长更省心。

3.2 从传递函数角度看模型另一面

状态空间适合做数值仿真，传递函数则更直观地反映输入到输出的频率特性。对常见输出r和v_y，可以从A、B、C、D推导：

sys_r = StateSpace(A, B, np.array([[0.0, 1.0]]), np.zeros((1, 1))) w, mag, phase = sys_r.bode()

传递函数形式有一个明显好处：可以直接读出系统的自然频率和阻尼比，不需要查特征方程。二自由度模型的前轮转角到横摆角速度传函一般写成：

r(s) / delta_f(s) = (C_f * l_f * s / Iz + C_f * Vx * (C_r*l_f - C_r*l_r) / (Iz * m * Vx)) / (s^2 + 2*zeta*wn*s + wn^2)

实际编程时更推荐用scipy.signal.StateSpace后转成TransferFunction，避免手推传函时在符号上出错：

from scipy.signal import ss2tf num, den = ss2tf(A, B, np.array([[0.0, 1.0]]), np.zeros((1, 1))) # num 是第一行输出对输入的传递函数分子，den 是特征多项式

ss2tf返回的分子分母数组标准形式在工程上非常有用，尤其是后面做控制器设计时，直接看零极点分布比看状态矩阵更直观。

3.3 仿真结果里读什么：横摆增益和响应时间

用上面的参数跑完阶跃仿真，横摆角速度最终稳定在约 5.17deg/s（输入 2.86deg 转向角），对应稳态横摆增益约为 1.81。从曲线形状看，横摆角速度在约 0.3 秒内第一次越过稳态值，随后小幅振荡收敛，这说明系统的阻尼比不算高。质心侧偏角v_y的稳态值是负的，也就是质心速度方向指向弯道外侧，这是正常的转弯姿态。

真正需要记录的是两个数据点：稳态增益和峰值时间。稳态增益可以直接用X[-1, 1] / delta_f算；峰值时间则决定驾驶员对转向输入的第一感觉。如果峰值时间太短，车头响应过于神经质；太长则感觉转向迟钝。二自由度模型能在一分钟内给出这两个指标的定量变化规律。

4. 操纵稳定性仿真工况与参数灵敏度分析

4.1 稳态转向特性：不足、过多与中性转向的定量判断

操稳分析的核心工况是“稳态圆周”和“角阶跃输入”。用二自由度模型判断车辆本质的转向特性，最直接的方法是求解稳态横摆角速度增益随车速的变化。

velocities = np.arange(5.0, 50.0, 1.0) gains = [] for Vx_i in velocities: A11 = -(Cf + Cr) / (m * Vx_i) A12 = -Vx_i - (Cf * lf - Cr * lr) / (m * Vx_i) A21 = (Cr * lr - Cf * lf) / (Iz * Vx_i) A22 = -(Cf * lf**2 + Cr * lr**2) / (Iz * Vx_i) A_i = np.array([[A11, A12], [A21, A22]]) B_i = np.array([[Cf / m], [Cf * lf / Iz]]) # 稳态就是导数为零：X_ss = -A^{-1} * B * delta X_ss = -np.linalg.inv(A_i) @ B_i gains.append(X_ss[1, 0]) gains = np.array(gains)

在代码里没有直接用某个稳态增益公式，而是直接对状态矩阵求逆，这是工程上更稳的做法。把每个车速下的r_ss - Vx/L曲线画出来，看随车速增加是向上弯还是向下弯。当前参数下车速越高增益增长越慢，属于不足转向；如果增益在高车速下反而加速上升，就是过多转向，必须警惕。

4.2 瞬态响应指标：从特征根看固有频率和阻尼比

瞬态性能由 A 矩阵的特征根决定：

eigenvalues = np.linalg.eigvals(A) wn = np.sqrt(eigenvalues[0].real**2 + eigenvalues[0].imag**2) zeta = -eigenvalues[0].real / wn print(f"natural freq: {wn:.3f} rad/s, damping ratio: {zeta:.3f}")

二自由度模型的阻尼比随车速变化非常明显。低速时阻尼比大、响应慢；随着车速增加，阻尼比下降，横摆振荡更容易被激发。ESP 算法里经常用这个阻尼比作为“横摆响应活跃度”的参考量。如果阻尼比小于 0.5，就要考虑前轮侧偏刚度取值是否过大、或者质心位置是否过度靠后。

4.3 参数扫描：前后侧偏刚度对横摆增益的影响

做一个简单的参数扫描，把前轮侧偏刚度从 60000 扫到 100000N/rad，其他参数不变，看稳态横摆增益和阻尼比的变化：

Cf_range = np.linspace(60000, 100000, 10) gains_cf = [] damping_cf = [] for Cf_i in Cf_range: A11 = -(Cf_i + Cr) / (m * Vx) A12 = -Vx - (Cf_i * lf - Cr * lr) / (m * Vx) A21 = (Cr * lr - Cf_i * lf) / (Iz * Vx) A22 = -(Cf_i * lf**2 + Cr * lr**2) / (Iz * Vx) A_i = np.array([[A11, A12], [A21, A22]]) B_i = np.array([[Cf_i / m], [Cf_i * lf / Iz]]) X_ss = -np.linalg.inv(A_i) @ B_i gains_cf.append(X_ss[1, 0]) eig = np.linalg.eigvals(A_i) wn = np.sqrt(eig[0].real**2 + eig[0].imag**2) damping_cf.append(-eig[0].real / wn)

这个扫描在生产中的意义很大：它告诉你，调大前轮侧偏刚度会让横摆增益下降、阻尼比提高，代价是转向响应变钝。相反，后轮侧偏刚度下降会让车辆趋近过多转向，极限工况下容易甩尾。所以在实车上，要处理“转向灵敏”和“稳定性”的矛盾，通常从前后轴荷分配上下手，而不是单纯换轮胎。

5. 实车标定前用二自由度模型做的 3 个验证技巧

5.1 验证侧偏刚度标定值是否可信

拿到整车参数表后，先做一步反推：用二自由度模型跑一个 60km/h 车速、2 度前轮转角的稳态仿真，记录横摆角速度稳态值。如果这个值和同条件下的实车转向机器人测试数据相差超过 10%，优先怀疑的应该是侧偏刚度而不是轮胎模型。侧偏刚度随垂直载荷呈近似线性变化，所以用名义载荷下的数据时，一定要确认前后轴荷分配是否和实车满载状态一致。特别提醒：有些参数表给的是“单胎刚度”，而二自由度模型需要“前轴总刚度”，两者相差一个轮荷再乘以 2，直接套用会差近一倍。

5.2 用传递函数零极点检查信号采样率

在做硬件在环或快速控制原型时，二自由度模型经常作为参考模型跑在控制器里。模型本身是连续的，但控制器是离散的，采样率选多少合适，可以从传递函数极点频率反推。对第 3 章那个参数，横摆响应固有频率约在 8rad/s 左右，按 10 倍采样规则，采样率至少要到 80Hz，实际建议 100Hz 以上。如果采样率太低，离散化后的模型在转向阶跃下会产生虚假振荡，容易被误判为底盘不稳定。

5.3 用二自由度模型生成 ESP 测试的前置参考轨迹

最后一个实用技巧：利用模型生成不同不足转向梯度下的理论横摆率曲线，作为 ESP 介入阈值的初步参考。具体做法是，在仿真中把delta_f设成斜坡输入，记录横摆角速度的时间序列，再叠加上 10%、20% 的横摆率偏差，这些偏差曲线就是你后续在实车上验证 ESP 激活边界时的第一版标定目标。这样可以避免一上来就拿实车去试探车辆极限状态，把风险前置到仿真阶段。

这套用二自由度模型做前置验证的流程，能省掉不少实车调参时间。关键是始终记住模型的边界：线性轮胎假设在 0.4g 以上就会失真，纵向速度变化大时要把矩阵 A 做成关于Vx的函数而不是固定值。守住这两条，单轮二自由度模型在开发和测试两端都能当可靠的工程工具用。

本文还有配套的精品资源，点击获取