内容重构：本文系统研究了基于无迹卡尔曼滤波（UKF）与平方根容积卡尔曼滤波（SRCKF）的分布式驱动车辆状态联合估计方法。重点在于实现对车辆横摆角速度、质心侧偏角、纵向与横向速度等关键状态参数的高精度动态估计。通过构建非线性车辆动力学模型与传感器测量模型，在Simulink环境中搭建了联合仿真平台，对比分析了UKF与SRCKF在不同工况下的滤波性能，验证了SRCKF在数值稳定性、抗噪能力与估计精度方面的优势。该方法有效解决了传统状态估计中因模型非线性与噪声不确定性带来的收敛性问题，为智能车辆的状态感知提供了可靠的技术路径。 适合人群：具备车辆工程、控制科学与工程或自动化等相关专业的背景，熟悉MATLAB/Simulink仿真工具，从事智能驾驶、车辆动力学控制、状态估计算法开发的研究生、科研人员及工程技术开发者。 使用场景及目标：①提升分布式驱动电动汽车在复杂行驶条件下对不可直接测量状态（如质心侧偏角）的感知能力；②为车辆稳定性控制系统（如ESP、DYC）提供精确的状态反馈输入；③支撑高级驾驶辅助系统（ADAS）与自动驾驶系统的环境认知与决策控制模块；④作为学术研究基础，用于复现、改进与对比先进非线性滤波算法。 阅读建议：建议读者深入理解车辆二自由度动力学模型的建模过程，掌握UKF与SRCKF的核心算法原理及其在处理强非线性系统时的差异，重点关注状态方程与观测方程的构建、噪声协方差调优及滤波器初始化策略，并结合提供的Simulink模型进行仿真实验与参数敏感性分析。