为减小侧向运动对整车质量与道路坡度估计精度的影响，提出了一种考虑侧向运动的估计算法，利用加速度修正车辆动力学模型，采用遗忘因子提高新数据适应车辆系统时变特性的最小二乘算法估计整车质量，并将质量估计结果实时输入道路坡度估计中；建立车辆运动学和动力学两个坡度估计模型，并在模型中添加加速度修正项，设计强跟踪滤波算法分别针对2种模型进行道路坡度估计，时变交互多模型融合算法根据两个坡度估计模型的权重系数和模型间的转移概率得到道路坡道估计值。本文算法在中国第一汽车股份有限公司技术中心农安汽车试验场进行了实车试验和评估，与未考虑侧向的融合估计算法相比，提高了车辆横向运动时的道路坡度估计精度。

提出了一种具有动态交互感知池化层的多长短期记忆神经网络（DIP-LSTM）模型结构，使得场景中相邻的车辆通过池化（Pooling）共享各自LSTM网络隐藏态，获取历史轨迹特征，进而实现自车与周围多车的时间空间关系的交互性建模，并输出车辆未来的预测轨迹。使用美国的NGSIM和德国的High-D自然驾驶车辆轨迹数据集对模型进行训练与测试，并对模型的精度、鲁棒性和迁移性（普适性）进行验证。研究结果表明：与传统模型的预测方法相比，考虑多车交互信息的DIP-LSTM网络的预测方法在预测精度与长时域预测上具有优势，且模型具有良好的迁移性和鲁棒性，显著提高了车辆轨迹预测模型的实用性和普适性。

针对现有电伺服作动器在负载回落阶段负载势能被浪费的问题，提出了基于能量回收的新型电伺服作动器的实现方案。该方案通过与传动系统并联的蓄能器来回收负载回落时耗散的势能，在负载举升时将其用于提供辅助推力。结合功率键合图理论引入了一种复杂能域下的机械系统动态能耗分析方法，建立了新型电伺服作动器的动态能耗模型，并进行了对比仿真实验。结果表明，所设计的电伺服作动器使得系统响应时间缩短了约36.9%，所需的电机启动转矩降低了约43.3%；在举升负载时的能耗降低了约31%，在负载回落时能够回收36%的势能；在工作过程中滚珠螺旋副的承载大大降低，有助于减少摩擦热、延长丝杠的使用寿命。