智能车运动控制：从自行车模型到MPC实现

1. 智能车运动控制基础：从自行车模型到MPC框架

在智能驾驶领域，运动控制算法相当于车辆的"小脑"，负责将上层决策转化为精确的执行动作。停车场自动倒库这类低速场景中，工程师们常采用经典的自行车模型（Bicycle Model）作为控制基础。这个看似简单的模型背后，蕴含着对车辆运动特性的深刻抽象。

1.1 自行车模型构建原理

自行车模型的核心思想是将四轮车辆简化为两轮系统：

• 前轮代表转向轮，综合了实际车辆前轴两个轮胎的转向特性
• 后轮代表驱动轮，承载了动力传递的核心功能

在MATLAB中，我们通常这样定义状态向量和控制向量：

matlab复制states = @(x) [x(1);  x(2);  x(3); x(4)]; % [X坐标(m), Y坐标(m), 航向角(rad), 车速(m/s)]
controls = @(u) [u(1); u(2)]; % [前轮转角(rad), 加速度(m/s²)]

这个模型的运动学方程可以表示为：

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

其中β=arctan((lr/L)*tan(δ))，lr是后轴到质心的距离，L是轴距。这种建模方式在低速场景（<30km/h）下误差通常在可接受范围内，但当车速提高时，轮胎侧偏特性会变得显著，此时就需要考虑更复杂的动力学模型。

1.2 模型线性化技巧

为了适配MPC框架，我们需要对非线性模型进行线性化处理。常用的方法是在工作点附近进行一阶泰勒展开：

matlab复制% 连续时间系统线性化
A_continuous = jacobian(f(x,u), x);
B_continuous = jacobian(f(x,u), u);

% 离散化处理（前向欧拉法）
dt = 0.1; % 典型控制周期100ms
A_discrete = eye(4) + A_continuous*dt; 
B_discrete = B_continuous*dt;

实际工程中，离散化方法的选择会影响控制器的性能。除了前向欧拉法，零阶保持（ZOH）和一阶保持（FOH）也是常见选择，它们在不同采样频率下的稳定性表现各异。

提示