1.一种电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，包括：步骤1，根据电动汽车的运动特性，构建纵向、横向、横摆的非线性三自由度车辆动力学模型，并搭建轮胎力估计动力学模型；

步骤2，基于步骤1中构建的轮胎力估计动力学模型，构建自适应滑膜观测器来估计轮胎侧向力，得到实时轮胎侧向力；

步骤3，基于步骤1中构建的非线性三自由度车辆动力学模型，搭建无迹卡尔曼滤波器，并将步骤2中估计的实时轮胎侧向力输入无迹卡尔曼滤波器中；

步骤4，结合步骤1中构建的非线性三自由度车辆动力学模型与步骤2中自适应滑膜观测器估计的实时轮胎侧向力，对步骤3中构建的无迹卡尔曼滤波器引入最大相关熵准则，构造最大相关熵无迹卡尔曼滤波器，引入原子搜索优化算法对最大相关熵无迹卡尔曼滤波器进行非高斯噪声寻优处理，得到搭建完成的最终滤波器，通过搭建完成的滤波器对车辆质心侧偏角的实时估计。

2.根据权利要求1所述的电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，步骤1中，根据电动汽车的纵向运动、横向运动、横摆运动建立的非线性三自由度车辆动力学模型的方程如下式所示：其中，非线性三自由度车辆动力学模型的方程中四个车轮的纵向力通过下式计算：其中， 为车轮的纵向力，o=q时表示前轮，o=h时表示后轮，j=l时表示左轮，j=r时表示右轮； 为车辆纵向速度； 为轮胎纵向力； 为轮胎侧向力； 为横摆角速度；m为电动汽车总质量；a为前轴到质心的距离；b为后轴到质心的距离； 为前轮转角； 为纵向加速度； 为侧向加速度；为绕z轴的转动惯量；为质心侧偏角； 和 分别为车辆前轴和后轴的轮距；为对所示量的微分； 为车轮驱动力矩； 为车轮转速；J为车轮转动惯量； 为车轮滚动半径。

3.根据权利要求2所述的电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，步骤1中，搭建的轮胎力估计动力学模型的表达式为：其中， 为车辆的横向速度， 和 分别表示前轮的总纵向力和总横向轮胎力， 表示后轮的总横向力；

轮胎力估计动力学模型中轮胎垂直力的计算公式为：其中， 、 、 、 分别表示前左轮、前右轮、后左轮、后右轮的轮胎垂向力，为簧下质量； 为簧上质量； 为重心高度， 为重力加速度。

4.根据权利要求3所述的电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，步骤2中，构建的自适应滑膜观测器的表达式为：其中， 和 分别表示最终估计的前轮和后轮轮胎侧向力， 和 分别是前轮和后轮对应的自适应滑膜观测器的反馈增益， 和 分别表示前轮和后轮的滑膜增益系数，和 分别为估计的前轮和后轮总侧向力， 是横摆角速度的估计值， 和 分别表示前轮和后轮侧向力滑膜观测器的反馈增益； 为饱和函数；

得到的实时轮胎侧向力的计算公式为：

其中， 、 、 、 分别为前左轮、前右轮、后左轮、后右轮的实时轮胎侧向力。

5.根据权利要求4所述的电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，步骤3中，搭建无迹卡尔曼滤波器具体包括：根据非线性三自由度车辆动力学模型，建立质心侧偏角估计状态方程与测量方程，表达式如下：其中， 为状态变量， 为测量变量， 为输入变量，f为非线性状态函数，h为测量函数， 和 分别为无迹卡尔曼滤波器的状态噪声和测量噪声；

将质心侧偏角、横摆角速度作为状态量，横摆角速度作为测量量，前轮转角、纵向车速、四个车轮的纵向力、四个车轮的侧向力作为控制量。

6.根据权利要求5所述的电动汽车质心侧偏角与轮胎侧向力联合估计方法，其特征在于，步骤4具体包括：定义非线性离散时间系统模型为：

其中， 为状态矢量， 为k+1时刻的状态量， 为已知控制输入， 为k+1时刻的观测量， 和 分别为最大相关熵无迹卡尔曼滤波器的状态噪声和测量噪声；

通过以下步骤得出最大相关熵无迹卡尔曼滤波器：首先，根据UT变换获得一组sigma点集，表达式如下：当 时， ；

当 时， ；

其中， 为初始点集； 为k时刻状态估计量； 为对应i时刻的点集；

表示矩阵方阵对应i时刻的第i列； 表示矩阵方阵对应i‑n时刻的第i‑n列，n为大于0的自然数， 为过程变量， ，s表示采样点的分布函数控制参数，表示待选参数；

然后根据非线性离散时间系统模型形成2n+1个sigma点集，表达式为：其中， 表示与i时刻对应的根据当前时刻k预测的k+1时刻生成的点集，为i时刻的sigma点集；

系统状态量的进一步预测及协方差矩阵为：其中， 为k+1时刻状态估计量；M为大于0的自然数， 为k+1时刻的状态方差矩阵； 为状态噪声的协方差矩阵； 、 为采样点对应的权值，具体值为：当 时，

其中， 和 为初始权值， 为非负的权系数；

然后根据上一步预测值，产生新的sigma点集，表达式如下：当 时， ；

当 时， ；

其中， 是更新后的初始点集； 为更新后的对应i时刻的sigma点集；

将更新后的sigma点集代入观测方程，得到相应的观测sigma点集，表达式为：其中， 为对应i时刻的观测点集；

进一步得到以下的非线性模型的表达式：

其中， k+1时刻的过程变量； 为k+1时刻的测量过程噪声矩阵；

为k+1时刻的观测状态量， 为k+1时刻的观测量；

对k+1时刻的状态方差矩阵 和k时刻的测量噪声协方差矩阵 的联合矩阵进行Cholesky分解，表达式如下：其中， 为过程变量矩阵；

基于过程变量矩阵对非线性模型的表达式进行调整，得到：其中， 、 、 均为自定义的过程变量；

定义基于相关熵的代价函数为：

其中， 为代价函数， 为核函数；

基于相关熵的性质，当函数 最大时可以得到状态的最优估计，得到修改后的协方差为：其中， 和 为过程变量， 为修改后的状态协方差， 为修改后的测量协方差， 为修改后的协方差，diag表示对角矩阵；

令 ，则有：

；

因此，修改后的观测协方差为：

其中， 为修改后的观测协方差；

系统观测先验均值和协方差为：

其中， 为系统先验均值， 为i时刻观测状态量；

其中， 为系统先验协方差， 为观测估计值；

互协方差矩阵和卡尔曼增益矩阵为：

其中， 为互协方差矩阵；

其中， 为卡尔曼增益矩阵；

最终，计算状态更新和协方差更新，完成最大相关熵无迹卡尔曼滤波器的搭建，状态更新和协方差更新的表达式为：其中， 为更新后的状态估计量；

其中， 为更新后的状态协方差；

在通过原子搜索优化算法优化最大相关熵无迹卡尔曼滤波器中的噪声协方差矩阵，将最大相关熵无迹卡尔曼滤波器中的状态噪声协方差矩阵Q和测量噪声协方差矩阵R上的元素被设置为原子搜索优化算法的寻优维度D，如下式所示：其中， 、 为状态噪声值，为测量噪声值；

将最大相关熵无迹卡尔曼滤波器的估计值与传感器测量值之间的均方根误差作为原子搜索优化算法的适应度函数，完成最终滤波器的搭建，其中，适应度函数 的表达式为：其中，t为采样时刻， 为h时刻的真实测量变量； 为h时刻由最大相关熵无迹卡尔曼滤波器输出的估计值；

最后通过搭建完成的滤波器对车辆质心侧偏角的实时估计。