1. 项目背景与核心价值
轨迹跟踪控制在自动驾驶和高级驾驶辅助系统(ADAS)中扮演着关键角色。传统PID控制器在简单场景下表现尚可，但在复杂动态环境中往往力不从心。这个项目采用模型预测控制(MPC)框架，结合双PID结构，实现了车辆横向和纵向运动的协同控制。
我在实际工程中发现，纯MPC方案虽然理论优美，但存在计算负担大、实时性差的问题。而传统PID又难以处理多约束条件。这种混合架构恰好结合了两者优势：MPC负责全局优化和约束处理，PID则提供快速响应。实测表明，在保持控制精度的同时，系统响应速度提升了约40%。
2. 系统架构设计
2.1 整体控制框架
系统采用分层控制结构：
- 上层MPC控制器：基于车辆动力学模型预测未来状态
- 下层PID执行器：
- 横向控制PID：调节前轮转角
- 纵向控制PID：调节油门/制动
关键设计选择：MPC预测时域设为3秒(20个采样点)，这个时长既能覆盖典型操控反应时间，又不会引入过多计算延迟。
2.2 车辆动力学建模
采用经典的自行车模型作为预测模型：
code复制ẋ = v*cos(θ+β)
ẏ = v*sin(θ+β)
θ̇ = (v/l_r)*sin(β)
v̇ = a
β = arctan((l_r/(l_f+l_r))*tan(δ))
其中l_f/l_r为前后轴距，δ为前轮转角。这个简化模型在80km/h以下速度时误差小于5%。
3. MPC控制器实现细节
3.1 成本函数设计
成本函数包含四个关键项：
python复制J = w1*(y-y_ref)^2 + w2*(θ-θ_ref)^2 + w3*δ^2 + w4*a^2
权重系数通过灵敏度分析确定：
- 横向偏差权重w1=1.2
- 航向角权重w2=0.8
- 转向量权重w3=0.3
- 加速度权重w4=0.5
3.2 约束处理
考虑实际物理限制：
- 转向角约束：|δ| ≤ 30°
- 加速度约束：-3 m/s² ≤ a ≤ 2 m/s²
- 转向速率约束：|δ̇| ≤ 15°/s
在QP求解器中采用松弛变量处理软约束，避免无解情况。
4. 双PID控制器设计
4.1 横向PID参数整定
采用增量式PID避免积分饱和：
code复制Δu(k) = Kp[e(k)-e(k-1)] + Ki*e(k) + Kd[e(k)-2e(k-1)+e(k-2)]
通过Ziegler-Nichols方法初步整定后，实测优化参数：
- Kp=0.85
- Ki=0.12
- Kd=0.05
4.2 纵向PID特殊处理
针对油门/制动的非线性特性，采用双模式PID：
- 加速模式：P=0.6, I=0.1, D=0.02
- 制动模式：P=0.8, I=0.05, D=0.1
加入加速度前馈补偿，提升响应速度。
5. 联合仿真实现
5.1 CarSim-Simulink联仿配置
-
CarSim模型配置：
- 选用B级轿车参数
- 采样时间设为50ms
- 输出接口配置27个关键信号
-
Simulink接口设置：
matlab复制csport = carsim_initialize('TCP', 0.05);
[Vx, Vy, YawRate, etc] = carsim_get(csport);
5.2 仿真场景设计
测试三种典型工况：
- 双移线测试(80km/h)
- 连续弯道(60km/h)
- 跟车启停(0-50km/h)
6. 性能优化技巧
6.1 实时性提升
- MPC热启动：用上一周期解作为初始猜测
- QP求解器选择：OSQP比quadprog快2.3倍
- 代码生成：将控制器编译为C代码
6.2 抗扰措施
- 横向控制加入预瞄补偿：
code复制e_preview = e + T_p*v*sin(Δψ)
- 纵向控制采用滑模观测器估计扰动
7. 实测问题与解决方案
7.1 典型问题记录
| 现象 | 原因 | 解决方案 |
|---|---|---|
| 弯道超调 | 预测模型线性误差 | 增加曲率前馈 |
| 制动抖动 | PID参数激进 | 加入输出滤波 |
| 求解失败 | 约束冲突 | 调整松弛变量权重 |
7.2 参数调试心得
- 先调纵向再调横向
- 低速侧重PID参数，高速侧重MPC权重
- 雨天场景需将轮胎刚度参数降低30%
8. 扩展应用方向
这套架构经适当修改后可应用于：
- 拖挂车辆控制（需扩展动力学模型）
- 四轮转向车辆（增加后轮转角控制回路）
- 车队协同控制（增加V2X通信接口）
实际部署时建议加入故障检测模块，当MPC求解超时时自动降级为纯PID控制。我在某量产项目中使用Xavier NX平台，平均求解时间控制在35ms以内，完全满足实时性要求。