1. 项目概述
车辆轨迹跟踪控制是自动驾驶和智能交通系统的核心技术之一。LQR(线性二次调节器)作为经典的最优控制算法,因其数学严谨性和工程实用性,在车辆控制领域有着广泛应用。本文将分享一个完整的LQR轨迹跟踪控制实践案例,从理论推导到仿真实现。
我在实际工程中发现,很多开发者虽然了解LQR的基本原理,但在具体实现时仍会遇到参数整定困难、模型失配等问题。这次分享会重点解析这些工程实践中的关键细节,包括车辆动力学建模、权重矩阵选择、实时性优化等核心环节。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 控制模型构建
2.1 车辆动力学模型
采用经典的自行车模型作为基础:
code复制ẋ = v cos(θ + β)
ẏ = v sin(θ + β)
θ̇ = (v/l_r) sinβ
β = arctan((l_r/(l_f+l_r))tanδ_f)
其中(x,y)为车辆质心位置,θ为航向角,v为车速,δ_f为前轮转角,l_f和l_r分别为前后轴到质心的距离。
注意:在小角度假设下(|δ_f|<15°),可将模型线性化为状态空间形式,这是应用LQR的前提条件。
2.2 误差状态方程
定义跟踪误差状态向量:
code复制e = [e_y; e_θ; e_v]
其中e_y为横向位置误差,e_θ为航向角误差,e_v为速度误差。通过泰勒展开可得线性化误差动态:
code复制ė = A e + B u
A和B矩阵的具体形式与车辆参数相关,需要根据实际车型标定。
3. LQR控制器设计
3.1 代价函数设计
LQR的核心是优化如下二次型代价函数:
code复制J = ∫(e^T Q e + u^T R u)dt
其中Q和R分别为状态和控制的权重矩阵。经过多次实测验证,推荐初始设置:
code复制Q = diag([10, 5, 1])
R = diag([0.1])
这个配置在大多数乘用车上能取得平衡的性能。
3.2 Riccati方程求解
通过求解代数Riccati方程得到最优反馈增益矩阵K:
code复制A^T P + P A - P B R^{-1} B^T P + Q = 0
K = R^{-1} B^T P
在实际工程中,通常使用MATLAB的lqr()函数或Python的control.lqr()进行求
