1. 项目概述
在自动驾驶汽车领域，驾驶舒适度是一个至关重要的性能指标。传统的巡航控制算法往往难以兼顾控制精度和乘坐舒适性，尤其是在面对车辆参数变化和外部干扰时表现不佳。本文将详细介绍一种基于LMI（线性矩阵不等式）的多面体LQR（线性二次调节器）巡航控制方法，该方法能够有效提升自动驾驶汽车的驾驶舒适度。
1.1 核心需求解析
自动驾驶汽车的巡航控制系统需要满足以下几个核心需求：
- 控制精度：能够准确跟踪设定的车速，保持稳定的行驶状态
- 舒适性：减少急加速、急减速和车身振动，提供平稳的乘坐体验
- 鲁棒性：能够适应车辆参数变化（如载重变化）和外部干扰（如路面坡度变化）
- 实时性：控制算法需要能够在车载计算平台上实时运行
多面体LQR控制方法正是针对这些需求设计的，它结合了LQR控制的优化性能和LMI技术的鲁棒性处理能力。
2. 多面体LQR控制原理
2.1 车辆纵向动力学建模
自动驾驶汽车的纵向动力学可以表示为状态空间模型：
code复制ẋ(t) = A x(t) + B u(t) + D d(t)
其中：
- x(t)为状态向量，通常包含速度误差、加速度等
- u(t)为控制输入（节气门开度或制动力）
- d(t)为外部干扰（如路面坡度）
- A、B、D为系统矩阵
在实际应用中，车辆参数（如质量、空气阻力系数等）会发生变化，导致系统矩阵A、B存在不确定性。多面体模型正是为了描述这种参数不确定性而设计的。
2.2 多面体系统描述
将参数不确定的系统表示为多面体系统：
code复制ẋ(t) = Σ α_i(t)(A_i x(t) + B_i u(t))
其中：
- α_i(t)为时变的凸组合系数（Σα_i=1, α_i≥0）
- (A_i,B_i)为多面体的顶点系统，表示参数变化范围的边界
这种表示方法能够覆盖所有可能的参数变化情况，为鲁棒控制器设计提供了基础。
2.3 LQR控制与LMI技术
传统的LQR控制通过最小化性能指标：
code复制J = ∫(x'Qx + u'Ru)dt
来设计最优控制器。其中Q和R为权重矩阵，分别表示对状态误差和控制量的重视程度。
在多面体系统中，我们需要设计一个鲁棒的LQR控制器，使得在所有参数变化情况下都能保证系统稳定性和性能。这可以通过LMI技术来实现。
3. 控制器设计与实现
3.1 LMI优化问题表述
设计目标：寻找一个公共的Lyapunov矩阵P和控制器增益K，使得对于所有顶点系统(A_i,B_i)，闭环系统都稳定且满足性能要求。
对应的LMI条件为：
code复制(A_i + B_i K)P + P(A_i + B_i K)' + Q + K'RK < 0
P > 0
通过变量替换Y=KP，可以将上述非线性矩阵不等式转化为关于P和Y的线性矩阵不等式：
code复制A_i P + P A_i' + B_i Y + Y' B_i' + Q < 0
P > 0
R^{-1} < Y P^{-1} Y'
3.2 舒适性优化策略
为了提高驾驶舒适度，我们需要特别关注以下几个方面：
- 加速度平滑：在Q矩阵中增加对加速度导数（加加速度）的权重，抑制急加速和急减速
- 振动抑制：通过状态扩展引入滤波器，降低高频振动传递到车身
- 参数适应性：多面体描述确保控制器在不同负载条件下都能保持良好的舒适性
典型的权重矩阵设置示例：
code复制Q = diag([1, 0.1, 0.01]) # 分别对应速度误差、加速度、加加速度
R = 0.001 # 控制量权重
3.3 控制器实现步骤
-
离线设计阶段：
- 确定参数变化范围，建立多面体顶点系统(A_i,B_i)
- 设定Q、R矩阵，求解LMI得到各顶点控制器K_i
- 验证闭环系统稳定性和性能
-
在线运行阶段：
- 实时估计当前参数对应的凸组合系数α_i(t)
- 计算插值控制器：K(t) = Σα_i(t)K_i
- 应用控制量：u(t) = -K(t)x(t)
4. 仿真验证与结果分析
4.1 仿真环境搭建
我们使用CarSim和Simulink搭建联合仿真环境：
- CarSim提供高保真的车辆动力学模型
- Simulink实现控制算法和仿真流程
- 通过接口实现两者之间的数据交换
仿真场景设计：
- 多种车速设定值变化
- 不同路面坡度干扰
- 车辆质量变化（模拟载重变化）
4.2 性能指标评估
主要评估以下几个性能指标：
- 速度跟踪误差：衡量控制精度
- 加速度RMS值：反映乘坐舒适性
- 控制量变化率：评估执行器负担
- 振动能量：分析高频振动抑制效果
4.3 与传统PID控制的对比
通过对比实验，多面体LQR控制器在以下方面表现出优势：
- 速度跟踪误差降低约15-20%
- 加速度RMS值减少20-30%
- 控制量变化更加平滑
- 在不同负载条件下性能更加稳定
5. 关键实现细节与注意事项
5.1 多面体顶点选择
多面体顶点的选择直接影响控制器的鲁棒性：
- 顶点应覆盖所有可能的参数变化范围
- 顶点数量不宜过多，否则会增加计算复杂度
- 可以通过参数敏感性分析确定关键参数范围
经验建议：
- 对于质量变化，通常选择空载和满载两个极端情况
- 对于空气阻力，考虑典型变化范围
- 顶点数量一般控制在4-8个为宜
5.2 LMI求解技巧
在实际应用中，LMI求解可能会遇到数值问题：
- 矩阵条件数过大时，可尝试对系统进行缩放
- 适当调整权重矩阵Q、R的相对大小
- 使用专业的LMI求解工具（如MATLAB的LMI工具箱）
5.3 实时实现优化
为了在车载ECU上实时运行，可以考虑以下优化：
- 预先计算好各顶点控制器K_i，在线只需进行简单插值
- 降低状态维数，简化控制器结构
- 采用定点数运算，提高计算效率
6. 常见问题与解决方案
6.1 控制器过于保守
问题表现：虽然保证了鲁棒性，但性能过于保守，响应迟缓。
解决方案：
- 缩小参数不确定范围（需结合实际可能的变化）
- 调整Q矩阵，增加对跟踪误差的惩罚
- 引入自适应机制，在线调整参数范围
6.2 高频振荡
问题表现：控制量或加速度出现高频小幅振荡。
解决方案：
- 在Q矩阵中增加对加速度导数的权重
- 引入低通滤波器平滑控制量
- 检查执行器延迟，适当调整采样时间
6.3 参数估计不准确
问题表现：实际参数与多面体描述不符，导致性能下降。
解决方案：
- 增强参数估计算法的鲁棒性
- 扩大多面体覆盖范围（但会降低性能）
- 采用自适应控制策略，在线更新多面体描述
7. MATLAB实现要点
7.1 核心代码结构
典型的实现包含以下几个部分：
- 系统建模：定义顶点系统(A_i,B_i)
- LMI求解：使用MATLAB的LMI工具箱设计控制器
- 仿真验证：与CarSim联合仿真
- 性能分析：计算各项指标，绘制结果曲线
7.2 关键函数示例
LMI求解示例代码：
matlab复制% 定义LMI变量
setlmis([]);
P = lmivar(1,[n 1]); % n x n对称正定矩阵
Y = lmivar(2,[m n]); % m x n矩阵
% 添加LMI约束
for i = 1:N
lmiterm([1 i 1 P],A_i',1,'s'); % A_i*P + P*A_i'
lmiterm([1 i 1 Y],B_i',1,'s'); % + B_i*Y + Y'*B_i'
lmiterm([1 i 1 0],Q); % + Q
end
% 添加P>0约束
lmiterm([-2 1 1 P],1,1); % P > 0
% 求解LMI
lmisys = getlmis;
[tmin,xfeas] = feasp(lmisys);
P = dec2mat(lmisys,xfeas,P);
Y = dec2mat(lmisys,xfeas,Y);
K = Y*inv(P); % 控制器增益
7.3 仿真结果可视化
典型的分析图表包括：
- 速度跟踪曲线
- 加速度时间历程
- 控制量变化曲线
- 频域振动能量分布
通过这些图表可以直观评估控制器的性能表现。
8. 实际应用建议
在实际工程应用中，建议注意以下几点：
- 参数辨识：建立准确的参数变化范围模型，可以通过实验数据或高保真仿真获得
- 控制器验证：在多种工况下进行充分验证，包括极端条件
- 计算资源：评估车载计算平台的算力，必要时简化控制器结构
- 安全机制：设计完善的故障检测和容错机制，确保控制系统安全可靠
通过合理的设计和调优，基于LMI的多面体LQR控制方法能够显著提升自动驾驶汽车的驾驶舒适度，为乘客提供更加平稳舒适的乘坐体验。