车辆越接近轮胎附着极限，稳定控制和极限驾驶越需要知道质心侧向速度 $v_y$；但恰恰是这个量，在量产车上通常没有直接传感器。纵向速度可以由轮速、GNSS等信号获得，侧向速度则往往要依靠模型反演。问题在于，轮胎温度、磨损、路面与抓地力一变，固定轮胎模型就会产生偏差；视觉、激光雷达或高精度GNSS虽能补充运动信息，却增加成本，也可能受环境遮挡和信号中断影响。
arXiv论文《IMU-Centric Moving Horizon Estimation for Lateral Dynamics Estimation Across Vehicles and Grip Conditions》给出了一条明确路线：只围绕IMU、可用的纵向速度、转向角和纵向加速度构建移动窗估计（MHE），不要求外部里程计持续更新，也不要求事先辨识一整套高维Pacejka参数。作者用平面单轨模型描述车辆，用一个紧凑的正弦饱和轮胎模型吸收附着变化，再把状态、输入修正量和前后轴有效侧向力容量放进有边界的非线性优化问题中联合求解。
核心变化：不再把轮胎参数当作永远正确的常数
论文采用四维状态
$$x=[v_x,\ v_y,\ r,\ a_y]^\top,$$
其中 $v_x$、$v_y$ 分别为质心纵向与侧向速度，$r$ 为横摆角速度，$a_y$ 为侧向加速度；输入为转向角 $\delta$ 和纵向加速度 $a_x$。车辆动力学仍是经典单轨结构：前后轴侧向力共同决定 $\dot v_y$，二者相对质心的力矩决定 $\dot r$。作者还把 $a_y$ 显式纳入状态，并通过侧向力平衡约束它与模型一致，使IMU的侧向加速度测量可以直接进入代价函数。
真正决定方法可迁移性的，是论文提出的Sine Saturation Tire（SST）代理。前、后轴侧偏角分别由 $v_x$、$v_y$、$r$、轴距参数和转向角计算，每个车轴的侧向力写成：
$$F_{y,i}=\eta_{y,i}F_{z,i}\sin(B_i\alpha_i),\quad i\in{f,r}.$$
$B_i$ 是固定的曲率因子，$\eta_{y,i}$ 则是在线估计、带上下界并受正则化约束的“有效侧向力容量系数”。小侧偏角下，模型近似线性，其等效侧偏刚度为 $\eta_{y,i}B_iF_{z,i}$；侧偏增大时，正弦函数自然给出平滑且有界的力。于是，估计器不必同时识别Magic Formula的大量形状、峰值和偏移参数，只需调节前后轴两个幅值变量，就能补偿抓地力变化和未建模误差。
这里必须避免一个误读：$\eta$ 不是严格意义上的路面摩擦系数，也不是Pacejka参数。它是SST代理内部的有效容量尺度，混合反映真实附着能力、模型简化、载荷估计误差等因素。它适合做在线“抓地能力指示”，不应未经额外标定就当作可溯源的轮胎摩擦测量值。
为什么移动窗口比单步递推更适合这个问题
EKF、UKF每到一个采样时刻递推一次，计算高效，但标准形式不擅长直接施加硬边界；在轮胎接近饱和、非线性明显时，局部线性化或固定参数也容易留下持续偏差。MHE则保留最近一段时间的状态与测量，在每次窗口滑动后重新求解约束非线性规划。论文并没有宣称MHE在所有问题上都优于卡尔曼滤波；在线性、高斯且无约束时，合适到达代价下二者可以等价。它的优势来自本问题恰好同时具备强非线性、力饱和、未知参数和物理边界。
论文的目标函数包含五类信息：窗口起点与先验状态之间的到达代价、动力学一致性残差、测量残差、轮胎容量参数偏离先验的正则项，以及输入修正量。后者尤其值得工程人员注意：测得的 $\delta$ 与 $a_x$ 并不被绝对信任，而是允许优化器加入一个受惩罚的小修正，以吸收时延、标定误差和噪声。修正后的输入、状态和 $\eta$ 都受上下界约束，避免优化结果进入明显不物理的区域。
连续模型用四阶Runge-Kutta离散，优化采用多重射击法；实现基于CasADi和IPOPT。相邻时刻的窗口仅移动一步，因此作者将上一轮状态、输入轨迹和拉格朗日乘子整体平移作为热启动，以减少迭代次数。这不是算法装饰，而是MHE能否进入高频车载回路的关键工程环节。
从概率角度看，这套代价函数相当于近似高斯扰动下的最大后验估计：到达代价压缩窗口之前的历史信息，测量项拉近传感器轨迹，模型残差允许现实车辆偏离理想方程，参数正则则防止低激励时把噪声误判为抓地变化。各权重不是普通“调参旋钮”，而是在先验、传感器、动力学可信度和适应速度之间分配置信度。
可观测性：IMU不是在任何工况下都能“看见”侧向速度
该方法测量输出为 $[v_x,r,a_y]^\top$，已知输入为 $[\delta,a_x]^\top$，待恢复的核心状态是 $v_y$，同时还要辨识前后轴两个 $\eta$。论文用非线性Lie导数的可观测—可辨识秩条件说明：当车辆有足够横向激励、轮胎力曲线处于局部有斜率的区域时，$a_y$ 会通过前后轮侧偏角对 $v_y$ 产生非零敏感度，因此侧向速度在局部可观测。
前后轴容量能否分开，则依赖两类约束：侧向加速度给出前后轴力之和，横摆动力学给出绕质心的力矩。只要两个车轴均出现不可忽略的侧偏激励，且转向角不处于退化条件，这两组信息就可能区分前、后轴贡献。
反过来，低速、直线行驶、转角和侧偏近零时，敏感度会塌缩。此时任何仅依赖这些信号的算法都无法凭空创造信息。论文的处理不是声称消除不可观测性，而是通过参数边界、正则化与到达代价阻止 $\eta$ 在低激励窗口中漂移。这一区分很重要：约束能够保持数值稳定，却不能把无信息工况变成有信息工况。
三类车辆实验说明了什么
作者在三个平台、两类数据来源上验证框架。前两类是公开REVS车辆动力学数据库中的1965 Ferrari 250 LM和1963 Corvette Grand Sport，均由人类驾驶，在Palm Beach International Raceway采集；参考侧向速度来自后处理的双天线GNSS/INS。第三类是A2RL阿布扎比自动驾驶赛车联赛排位赛中的Super Formula EAV-25，赛道为Yas Marina北布局，参考值来自光学速度传感器。
Ferrari案例采用0.1秒、10步的窗口。结果图显示，MHE在激烈弯道中跟随参考侧向速度，同时对 $a_y$ 和 $r$ 的IMU噪声起到滤波作用；即使论文标出的 $|a_y|<1,\mathrm{m/s^2}$ 低激励区间，估计也保持稳定。
Corvette案例进一步把估计结果用于轮胎特性重构。作者分别使用“参考侧向速度+滤波IMU”和“MHE侧向速度+MHE侧向加速度”计算前后轴归一化侧向力—侧偏角散点，再各自拟合Pacejka曲线。两组拟合高度重合，说明简化SST用于在线状态估计，并没有抹掉数据中从线性区进入饱和区的主要非线性轮胎特征。
Super Formula案例则故意把 $\eta$ 初始化得明显偏低。MHE在第一个弯内快速修正容量参数，侧向速度在不足一秒的尺度上收敛，到弯心已基本跟上参考轨迹。对照的纯模型UKF若使用同圈数据事后拟合的轮胎参数，精度很好；但把Pacejka峰值因子设低后会留下持续偏差。论文据此支持的结论是：MHE可以在没有准确先验附着水平时在线吸收容量失配，而固定错误轮胎参数的过滤器缺少同等补偿通道。
实时性、窗口长度与模型复杂度的取舍
全部实验是离线完成的。作者在Intel Core i9-14900HX上，以10毫秒采样周期测试求解时间：$N=10$ 时平均3.9毫秒、范围3.65—4.68毫秒；$N=30$ 时平均6.3毫秒、范围5.98—8.25毫秒。它证明高端CPU上存在实时余量，但还不能直接证明车规ECU、最坏时延约束或长期在线运行已经达标。
论文对 $N=5$ 到100，即0.05秒到1秒窗口做了敏感性分析。过短窗口更容易受噪声影响，动力学约束积累不足；过长窗口又会累积SST与真实轮胎之间的模型失配，而且论文假定一个窗口内 $\eta$ 为常数。$B$ 在标称值上下偏移20%也会增加侧向速度RMSE：取值过小，极限附近的非线性增长不足；取值过大，则过早弯曲和饱和。由此可见，低维模型减少了标定负担，却没有让模型选择消失，窗口长度和曲率因子仍是必须验证的工程参数。
产业判断与数据边界
直接判断：这项工作的近期价值不是替代所有车辆状态估计器，而是为缺少昂贵侧向速度传感器、又经常跨越不同轮胎与抓地条件的赛车、试验车和高动态控制平台，提供一个可解释的在线校正层。 它最有竞争力的地方，是把“固定轮胎标定失效”转化为两个有物理边界的低维优化变量，同时保持对现有IMU与车载信号的兼容。
**不能越过的数据边界也很清楚：**论文只有三种高性能车辆、两条赛道环境，重点是持续横向激励；没有给出城市拥堵、低附着冰雪、越野、强横坡、量产低成本IMU、传感器故障或长时间GNSS缺失条件下的验证。单轨基线忽略侧倾、俯仰、外倾、联合滑移和道路横坡；REVS案例还因参数缺失忽略空气动力与纵向载荷转移，并近似估计横摆惯量。论文未提供可用于跨研究横向比较的完整数值误差表，主要证据来自曲线、轮胎特性重构和灵敏度图。因此，目前最稳妥的结论是“实验显示准确、稳定且具有平台迁移潜力”，而不是“已经证明可覆盖所有车型与路况”。
对于量产落地，下一步至少需要在目标ECU上做最坏执行时间测试，建立低激励时的参数冻结或分层更新策略，并把传感器偏置、横坡、载荷转移与联合滑移纳入验证。论文提出的高频轻量滤波器加低频约束优化层，也许比让完整MHE独自承担全部实时任务更接近工程现实。
结语
这篇论文的贡献可以概括为：用时间窗口换取约束能力，用低维SST代理换取跨轮胎条件的适应性，再用IMU侧向加速度与横摆动力学分别约束力之和、力之矩，从而重构不可直接测量的侧向速度。它没有取消车辆模型，也没有取消标定，而是把最脆弱的高维轮胎先验压缩成可在线更新、可限制、可解释的容量变量。
对车辆控制行业而言，这是一个务实信号：在高动态状态估计中，真正有效的“泛化”未必来自完全无模型，也可以来自保留足够物理结构、主动承认参数会变化，并让优化器在明确边界内适应变化。
参考资料
- Seuffo Akouan’ha Ngoune, Alessandro Toschi, Paolo Burgio, Marko Bertogna. IMU-Centric Moving Horizon Estimation for Lateral Dynamics Estimation Across Vehicles and Grip Conditions, arXiv:2609.10202, 2026；论文已被ITSC 2026接收。
- 作者开源实现：Aseuffo/IMU-Centric-MHE。
- 论文使用的公开车辆数据入口：REVS Program Vehicle Dynamics Database。
- 自动驾驶方程式赛车实验背景：Abu Dhabi Autonomous Racing League。