自动驾驶轨迹跟踪：基于135模型与MPC的Simulink实现

1. 项目概述

在自动驾驶系统的开发过程中，轨迹跟踪是最基础也是最具挑战性的任务之一。作为一名从事车辆控制算法开发多年的工程师，我想分享一个基于135动力学模型的轨迹跟踪解决方案。这个方案结合了横向MPC和纵向MPC控制算法，通过Simulink和CarSim的联合仿真环境，实现了对五次多项式轨迹和圆形轨迹的高精度跟踪。

这个项目的核心价值在于：

• 采用135动力学模型平衡了计算复杂度和模型精度
• 横向MPC和纵向MPC的解耦设计提高了控制效率
• Simulink和CarSim的联合仿真验证了算法的实用性
• 包含两种典型轨迹（五次多项式和圆形）的实现案例

2. 135动力学模型详解

2.1 模型结构与假设

135动力学模型是对车辆运动特性的简化表示，它基于以下关键假设：

1. 忽略悬架动态，假设车辆为刚性体
2. 轮胎力采用线性模型
3. 忽略空气动力学影响
4. 假设路面平整且摩擦系数恒定

模型的状态方程可以表示为：

code复制ẋ = v*cos(θ)
ẏ = v*sin(θ)
θ̇ = v*tan(δ)/L
v̇ = a

其中：

• (x,y)为车辆质心位置
• θ为航向角
• v为车速
• δ为前轮转角
• L为轴距
• a为加速度

2.2 模型参数辨识

在实际应用中，我们需要通过实验数据来辨识模型参数。关键步骤包括：

1. 设计激励信号（阶跃、斜坡等）
2. 采集车辆响应数据
3. 使用最小二乘法等优化方法估计参数
4. 验证模型精度

注意：模型参数的准确性直接影响控制效果，建议在多种工况下进行验证。

3. MPC控制器设计与实现

3.1 横向MPC设计

3.1.1 预测模型

横向MPC使用简化的自行车模型作为预测模型：

code复制x(k+1) = A*x(k) + B*u(k)
y(k) = C*x(k)

其中状态量x=[e, ė, Δψ, Δψ̇]，控制量u=δ

3.1.2 成本函数设计

成本函数包含三个主要部分：

1. 跟踪误差惩罚：Q*(e² + Δψ²)
2. 控制量变化惩罚：R*Δδ²
3. 终端代价：P*(e_N² + Δψ_N²)

3.1.3 约束处理

需要考虑的约束包括：

• 方向盘转角限制
• 转向速率限制