1. 项目概述为什么横向轨迹跟踪是自动驾驶绕不开的坎做了几年车辆控制相关的仿真工作我越来越觉得横向轨迹跟踪是底盘控制里最“磨人”的一个方向。它不像纵向控制那样只管跟车距、踩刹车横向控制要在高速运动状态下让车辆精确贴合期望路径同时还得保证乘客坐着不难受、车辆在物理极限内不失控。这个“基于多算法的车辆横向轨迹跟踪 Carsim、Simulink 联合仿真”项目本质上是把三种主流控制策略放到同一个平台上横向对比用同一辆车、同一条路、同一个测试工况去考核它们的表现。项目里包含了完整的 Matlab 代码、Simulink 模型和 Carsim 车辆模型配置能够完成从“期望轨迹生成 → 控制算法解算 → 车辆动力学响应 → 误差统计分析”的闭环仿真链路。用大白话说这个项目解决的是这样一个问题给一辆车一个目标轨迹比如一个双移线或者一个带曲率变化的弯道你希望车自己沿着这条线走那用什么算法控制方向盘最靠谱是简单粗暴的纯跟踪还是计算量稍大的线性二次型调节器 LQR抑或是号称“带约束优化”的模型预测控制 MPC这三种算法在这个项目里可以全部跑出来直接对比横向误差、横摆角误差、控制量曲线和计算耗时结论非常直观。这个项目比较适合三类人第一类是在校研究生尤其是做车辆工程、控制工程课题的学生拿这个做课程设计或者毕业论文的仿真支撑非常合适第二类是刚入行底盘控制或者自动驾驶算法岗的工程师用它来建立对整个横向控制链条的整体认知比一上来就看论文用真车试要稳妥得多第三类是自学做项目积累经验的开发者整套代码和模型是完整可跑的能省掉大量搭环境的痛苦。我在实际跑这套东西的过程中踩了不少坑也把很多“文档里不会写”的经验攒下来了。下面我从模型原理、算法选型、联合仿真配置、结果分析和常见问题几个维度逐层拆解尽量把这个项目讲透。2. 车辆横向动力学模型所有控制算法的数学地基2.1 为什么精度和实时性必须做权衡横向控制算法跑的都是在“车辆模型”上做预测或者做状态反馈。这里的车辆模型不是越精确越好因为模型越精细参数越多、计算越慢控制周期一被拉长实时性就崩了。常见的方案是用一个简化却抓住了核心特征的“自行车模型”。它假设车辆左右两侧轮胎的动力学特性完全对称于是把四个车轮等效成前轴一个轮、后轴一个轮整车被简化成一个横向有侧偏、纵向有速度的刚体模型。这个模型忽略了悬架运动、载荷转移、轮胎的非线性大滑移等复杂因素但足够描述车辆在中低速工况下的横摆和侧向运动特征是工程上最常用的折中方案。这里有一层更实际的逻辑如果做联合仿真控制算法里用的预测模型和 Carsim 里跑的高精度车辆模型是两套东西。Carsim 提供的是“真实车辆”的响应控制算法内部是“简化模型”的近似。两套模型的差异本身就是控制算法的鲁棒性测试的一部分。模型匹配得好控制效果好模型差得多也能看出来哪个算法更强壮。2.2 自行车模型的核心数学公式拆解自行车模型的推导过程在很多教材里都有这里我直接给工程应用里最常用的形式。以车身坐标系为参考车辆状态通常取为横向位置偏差、横摆角偏差和横摆角速度横向位置偏差变化率[ \dot{e_y} v_x e_\psi ]其中 (v_x) 是纵向车速(e_\psi) 是横摆角偏差。这个式子说明横向偏差的变化由纵向速度和航向偏差共同决定直观理解就是车头方向偏了车就会一边往前走一边越发偏离目标线。横摆角偏差变化率[ \dot{e_\psi} \gamma - v_x \kappa ]其中 (\gamma) 是横摆角速度(\kappa) 是参考轨迹的曲率。这个式子描述了车辆实际转动角速度与目标轨迹所需转动角速度之差。横摆角速度动态[ \dot{\gamma} \frac{2C_f 2C_r}{I_z v_x} \text{(...)} \frac{2C_f l_f - 2C_r l_r}{I_z v_x} \text{(...)} ]完整公式写出来会比较长核心逻辑是横摆角速度由前轮转角 (\delta) 和车辆横向速度共同决定前轮侧偏刚度和后轮侧偏刚度系数在这里起着决定性作用。前轮转角到横摆角速度的传递函数在工程上非常重要。它近似是一个二阶振荡环节增益随车速增大而增大阻尼随车速增大而减小。这解释了为什么高速工况下车辆横摆响应更灵敏、更容易失控也是 LQR 和 MPC 在设计时都要考虑控制增益随车速变化的原因。2.3 控制周期和模型精度对算法表现的影响仿真步长一般设置成 1ms 到 10ms。Carsim 内部求解动力学方程用的是变步长积分精度很高但输出到 Simulink 的数据会按照你设置的采样时间进行插值。控制算法运行的周期一般取 10ms 到 50ms也就是说控制算法每 10ms 或者 20ms 才计算一次方向盘转角。这里有一个工程结论MPC 对模型精度的敏感度最高因为 MPC 在每一个控制周期内做优化时都是基于内部模型来预测未来一段时间的轨迹模型一旦不准预测的轨迹就不准计算出来的最优控制序列也就跟着跑偏。LQR 的敏感度相对低一些因为它本质上是反馈闭环每一步都测量当前状态做增益计算模型不准顶多导致增益不是最优但发散的可能性较低。纯跟踪则更依赖预瞄距离的选取对模型精度要求其实不算高它更多是几何方法。3. 控制算法选型纯跟踪、LQR、MPC 的对比与选型理由3.1 三种算法在同一工程框架下的定位差异这个项目最核心的价值就是“对比”。我把三种算法的工程定位先说一下算法核心思想计算复杂度约束处理能力适用工况纯跟踪几何追踪预瞄点极低无低速、曲率变化平缓路径LQR线性状态反馈最优控制低无可限幅中高速、稳定性优先MPC滚动时域优化高强输入约束、状态约束高速、急转弯、复杂路径纯跟踪把一个控制问题简化成一个几何问题从车辆当前位置出发沿目标轨迹向前找一个预瞄距离 (L_d)然后计算出为了到达这个预瞄点所需要的圆弧曲率再由曲率反算出前轮转角。它的优点是极简单、极稳定、极容易实现缺点是预瞄距离 (L_d) 的选取对效果影响很大车速越高需要的预瞄距离越长而预瞄太长会导致切弯。LQR 的核心是把模型在某个工作点线性化构建一个状态反馈控制器通过最小化一个无限时域的二次型性能指标来求取最优反馈增益。MPC 则是每次控制周期都求解一个有限时域的优化问题目标函数同时包含跟踪误差、控制量幅值和控制量变化率惩罚并能显式地处理前轮转角限位和前轮转角变化率限位。3.2 纯跟踪算法的实现细节与预瞄距离标定纯跟踪算法的核心公式是这样[ \delta \arctan\left(\frac{2 L \sin(\alpha)}{L_d}\right) ]其中 (\delta) 是前轮转角(L) 是轴距(\alpha) 是车辆当前航向与预瞄方向之间的夹角(L_d) 是预瞄距离。这个公式的推导基于阿克曼转向几何认为车辆沿圆弧运动时圆弧半径 (R) 满足关系 (L_d 2R \sin(\alpha))再由车辆运动学关系得到上式。工程实现时预瞄距离 (L_d) 通常取为[ L_d k_d v_x L_{d0} ]其中 (k_d) 是预瞄时间系数一般取 0.1 到 0.5 秒(L_{d0}) 是基础预瞄距离一般取 2 到 5 米。我在实际调参中发现车速 30km/h 的时候(k_d0.2) 秒、(L_{d0}3) 米效果不错车速 80km/h 的时候预瞄距离必须加大到 15 米以上否则车辆会出现明显的蛇形。纯跟踪在低速下非常好用但速度一高横向误差就有明显的稳态趋势因为它本质上是“看一个点走”缺少对路径未来变化的提前预判。3.3 LQR 的设计流程与权重矩阵调参思路LQR 的设计流程比较固定。第一步是把车辆动力学模型写成状态空间形式[ \dot{x} A x B u ]其中状态量 (x) 通常取横向偏差、横向偏差变化率、横摆角偏差、横摆角速度控制量 (u) 取前轮转角。第二步是确定性能指标[ J \int_{0}^{\infty} (x^T Q x u^T R u) dt ]第三步是通过求解代数黎卡提方程得到最优反馈增益矩阵 (K)控制律为 (u -K x)。权重矩阵 (Q) 和 (R) 的调参是最常见的坑。我的经验是先固定 (Q) 的对角元素优先把横向偏差的权重调大比如设为 5 到 10然后逐步增加横摆角偏差权重最后调整 (R)。(R) 不能太小否则前轮转角会非常敏感方向盘会剧烈抖动但 (R) 也不能太大否则跟踪误差会明显增大。我的一个实用经验是(R) 的数量级通常比 (Q) 中横向偏差权重要小 2 到 3 个数量级就是说如果横向偏差权重取 5(R) 可以取 0.01 到 0.05。这里存在一个数学上的平衡关系(Q) 和 (R) 的相对大小直接决定了控制能量和跟踪精度之间的取舍调参的本质就是在“使劲打方向减少误差”和“少打方向保持舒适”之间找一个平衡点。3.4 MPC 的预测模型、约束设计与求解器配置MPC 在工程上比前两种算法高一个段位因为它能做“带约束的最优控制”。在这个项目里MPC 的控制周期一般取 20ms 到 50ms预测时域取 10 到 30 步控制时域取 3 到 10 步。预测模型仍然是自行车模型但是需要离散化成线性时变形式[ x_{k1} A_k x_k B_k u_k ]在每个控制周期里MPC 求解如下优化问题[ \min_{u_0,...,u_{N-1}} \sum_{k0}^{N-1} \left( x_k^T Q x_k u_k^T R u_k \Delta u_k^T S \Delta u_k \right) ]约束条件包括[ u_{min} \leq u_k \leq u_{max} ][ \Delta u_{min} \leq \Delta u_k \leq \Delta u_{max} ](u_{min}) 和 (u_{max}) 对应前轮转角物理限位一般乘用车在正负 30 度到 40 度之间。(\Delta u) 约束对应方向盘转角变化率的限制这个约束如果设得太紧车辆在紧急避障时会显得“反应迟钝”设得太松方向盘又容易出现高频抖动实车上是绝对不能接受的但在仿真阶段很多人会忽略。MPC 在 Carsim 联合仿真中控制效果看起来最好的原因不仅是它有约束处理能力更重要的是它每次都在重新预测和重新优化控制序列具有滚动更新的自我纠错能力。3.5 三种算法在项目指标体系下的对比维度项目里进行对比时不能只看横向误差一个指标。我建议至少从四个维度评估横向误差的最大值峰值跟踪能力反映避障或过急弯时的极限偏差横向误差的均方根值综合跟踪精度反映全程平均表现前轮转角控制的平顺性控制量变化率的最大值和标准差反映执行器磨损和乘坐舒适度算法单步计算耗时反映实时性为后续硬件在环 HIL 或实车控制器部署做评估这个项目跑下来在常规工况下 MPC 的横向误差均方根值通常比 LQR 低 30% 到 50%比纯跟踪低 60% 到 80%。但在平滑路径上LQR 的控制量平顺性往往最好因为 MPC 的约束边界在起作用时控制量变化率会出现阶段性跳变。纯跟踪在中低速简单路径上的表现并不差计算耗时几乎可以忽略不计。这些结论在下面的仿真实例里会清楚地体现出来。4. Carsim 与 Simulink 联合仿真环境搭建从车辆配置到接口打通4.1 Carsim 车辆模型参数配置与数据准备搭建联合仿真环境第一步是配置 Carsim 车辆模型。以一款中型轿车为基准我用的参数大致是整车质量 1500kg前轴到质心距离 1.1m后轴到质心距离 1.6m轴距 2.7m前轮侧偏刚度约 80000N/rad后轮侧偏刚度约 100000N/rad质心高度 0.55m轮距 1.5m。当然实际车的侧偏刚度不是一个固定值Carsim 里面提供了完整的轮胎表可以查不同载荷、不同侧偏角下的侧偏力。需要重点注意的一个参数是“质心到前轴距离”和“质心到后轴距离”。这两个参数加上车速直接决定了车辆横摆响应的固有频率和阻尼比进而影响所有控制算法里车辆模型的准确性。在 Carsim 里有一条便捷做法先在车辆参数页面确认好轴距和质心位置再把前轮侧偏刚度与后轮侧偏刚度的比值调成与真实工况匹配。如果你发现 LQR 在高速仿真中车辆横摆振荡、误差发散先别急着怀疑算法去检查一下模型参数是不是和控制算法内部模型差得太多。4.2 Simulink 模型接口配置与控制算法集成Carsim 和 Simulink 联合仿真的核心是通过一个 S-Function 接口模块实现数据交换。Carsim 输出的信号一般包括车辆纵向速度、横向速度、横摆角速度、全局坐标系下的位置 X 和位置 Y、横摆角等。Simulink 输入给 Carsim 的信号一般是前轮转角和驱动力矩或油门信号。接口模块的方法是在 Simulink 中拖动 Carsim S-Function 模块双击打开配置界面选择一个已经生成好的 Carsim 仿真数据库文件.sim 或 .par 文件然后启动 Carsim 中的 Simulink 联合仿真选项。实际工程中常遇到的一个情况是Carsim 库文件路径必须在 Matlab 的当前路径中可见否则 S-Function 模块会报错“无法找到模型文件”。这个报错不算致命但很烦人解决方案是使用绝对路径并且把路径加入 Matlab 的 path 环境。另一个坑是 Carsim 中仿真时间设置一定要和 Simulink 中的仿真停止时间一致。曾经有人在这上面浪费过半天时间——Carsim 只仿真了 5 秒Simulink 跑到 10 秒后半程数据全是常数零。4.3 期望轨迹生成模块的编写期望轨迹是本项目里容易被低估的一部分。我建议用 Matlab 脚本生成期望轨迹数据再通过 Lookup Table 模块导入 Simulink。这样做的好处是轨迹可复用、可修改、可对比不同路径的测试都统一走同一个模块。以双移线路径为例可以用如下思路生成轨迹vx 72 / 3.6; % 车速 72 km/h t 0:0.01:15; % 仿真时间 15s s vx * t; % 纵向位置随时间变化 % 双移线的横向位移设计 Y zeros(size(s)); % 在特定纵向区段内插入正弦过渡曲线 idx1 s 20 s 40; idx2 s 40 s 60; Y(idx1) ...; % 第一个偏移段 Y(idx2) ...; % 第二个偏移段 % 计算期望横摆角近似dY/ds psi_ref atan2(gradient(Y), vx * 0.01);需要明确期望轨迹可以生成在全局坐标系下车辆的实际位置也由 Carsim 输出在全局坐标系下。那么横向误差的计算就需要做一个坐标系变换[ e_y -\sin(\psi_{ref}) (X_{veh} - X_{ref}) \cos(\psi_{ref}) (Y_{veh} - Y_{ref}) ]这个公式是联合仿真项目里最容易出错的地方之一。坐标变换做错了横向误差符号会反或者误差幅值会成倍跳变而不会为零。我通常建议先在 Matlab 里单独验证轨迹生成脚本和误差计算函数再放进 Simulink这样能避免把两个模块的问题混合在一起排查。4.4 仿真工况设置双移线、蛇形路径与定曲率弯道仿真工况的设计直接决定了对比结论的有效性。我给这个项目设计了三种典型工况工况速度区间路径特征考察点双移线60-80 km/h先向左再向右连续换道避障场景下的瞬态跟踪能力蛇形路径30-50 km/h周期性正弦转向连续转向下的稳定性与控制平顺性定曲率弯道60-100 km/h曲率恒定圆弧稳态跟踪精度与弯道速度适配性双移线工况ISO 3888 风格是车辆稳定性测试的经典工况它能考察车辆在剧烈变向时的横向误差峰值同时能暴露算法是否产生激进的转向动作。蛇形路径更像日常行驶中连续变道的场景周期性的转向输入会让车辆的横摆响应出现相位滞后控制算法的“预判能力”在这里体现得最明显。定曲率弯道看似简单却最能反应算法的稳态跟踪误差——纯跟踪在定曲率弯道上容易出现固定数值的稳态横向偏差而 MPC 因为预测到了未来轨迹的曲率稳态误差基本可以收敛到零附近。三种工况全部跑完后把误差数据导出到 Matlab workspace再用统一的脚本计算性能指标。这里有一个很好的做法把三种算法的性能指标输出到同一个结构体中再写一个绘图函数把误差对比曲线统一绘制。这样图表的表达力远比零散截图强论文里也好用。5. 仿真结果深度解读从误差曲线到控制行为的差异分析5.1 双移线工况下的横向误差与控制量特征双移线工况我从 72km/h 的速度开始跑目标轨迹是在纵向 0-120m 范围内完成一次模拟高速公路避障的侧向偏移。先看纯跟踪算法横向误差曲线的特征是一个典型的“时间滞后误差”——入弯初期误差为正车辆在目标轨迹内侧出弯时误差为负车辆冲出目标轨迹外侧峰值误差约 0.8m。这个数值在真实高速公路工况下是绝对不可接受的但作为低速泊车场景的表现已经够用。LQR 算法的峰值误差大概在 0.35m比纯跟踪好了不止一个量级。但 LQR 在双移线的第二个移线阶段出现了一个有意思的现象控制量曲线有一个明显的反向峰值也就是在目标轨迹从向左变成向右的瞬间方向盘先猛打了一个反方向角度。原因在于 LQR 是一个线性反馈控制器它不对未来轨迹做预测当误差突然反向时状态量的变化立刻反应到控制量上这个“控制滞后”在物理上表现为车辆轨迹的“切弯”现象。MPC 在同样的双移线工况下峰值误差大约 0.18m控制量也更加平滑。一个关键原因是 MPC 的预测时域覆盖了整个双移线过渡段它在进行第一段偏移时就已经预见了第二段反向偏移因此在误差出现反向之前就逐渐减少了控制量的幅值。方案实现了“路径预判”效果自然好。5.2 定曲率弯道的稳态误差论证定曲率弯道工况能很清楚地说明“预判”的价值。半径为 80m 的圆弧以 60km/h 的速度跟踪。纯跟踪在这个工况中呈现出一个恒定的稳态横向误差车辆在弯道内侧稳定偏移偏移量与预瞄距离 (L_d) 直接相关。(L_d) 越大稳态误差越大但动态调节过程越平缓(L_d) 越小稳态误差越小但容易产生蛇形振荡。这个trade-off是纯跟踪无法同时解决的。LQR 的稳态误差比纯跟踪小得多大约在 0.05m 量级原因在于 LQR 是积分意义上的最优控制它能保证系统在常值扰动下状态收敛。但严格讲 LQR 在定曲率弯道下是存在稳态误差的因为它的模型是线性定常的外部的曲率输入可以被等效成一个常值扰动。如果要完全消除稳态误差工程做法是在状态反馈中加入积分项或者在前馈通道中显式加入曲率补偿项。我在项目实现中发现(u -Kx \delta_{ff}) 和 (u -Kx) 在定曲率弯道上横向误差可以差出三倍。MPC 在定曲率弯道上的稳态误差几乎为零原因是 MPC 的目标函数中包含了对未来曲率的预测当预测轨迹与目标轨迹重合时系统找到了一个稳态平衡点。这里必须补充一个重要结论稳态误差为零并不代表物理上方向盘转角为零弯道中 MPC 输出的前轮转角大约是 2.8 度这是一个“前馈控制量”和“反馈修正量”叠加的结果。5.3 算法计算耗时与实时性评估结果在这个项目里我用 Matlab 的 tic/toc 和 Simulink 的时间戳测了三种算法的单次控制周期计算耗时。测试环境是一台中端配置的笔记本Matlab 版本为 R2022a。在同样的预测时域设置为 20 步、控制时域为 5 步的条件下算法平均单步计算耗时实时性评价纯跟踪约 0.2ms极强任何实时环境均可运行LQR含黎卡提求解约 0.8ms强嵌入式控制器轻松运行MPC基于 quadprog约 12-35ms勉强实时需代码优化或专用求解器这里的 MPC 耗时会随着约束条件激活状态波动。当车辆在中低速无急转弯工况时优化问题约束不激活计算耗时接近下限当车辆进入紧急避障工况转向约束被激活后求解迭代次数增加耗时明显上升。在实际做实时系统部署时MPC 通常会使用基于快速梯度法或者内点法的嵌入式求解器替代 Matlab 环境的 quadprog 求解器能把单步耗时压到 2ms 以下。这同时也说明项目里 MPC 效果好是付出了计算代价换来的这份账要算清楚。6. 常见问题排查与避坑实操手册6.1 联合仿真模型不匹配导致的结果发散我遇到的第一个大坑就是 Carsim 车辆模型参数和 Simulink 控制算法内部模型参数不匹配。具体表现是 LQR 在低速工况下表现正常但是车速一超过 80km/h前轮转角就开始振荡横向误差直接发散。排查思路是这样先检查 Simulink 模型中的状态空间矩阵 A 和 B 是否随车速变化而更新。很多初学者把 A 和 B 矩阵设成常量——这在固定车速仿真里没问题但如果仿真过程中车速在变化常量模型迟早出问题。解决方案是使用 Simulink 的 S-Function 或者 Matlab Function 模块在每个控制周期根据当前车速重新计算 A 和 B 矩阵。这个看似复杂的操作实际上只需要写一个二三十行的函数就能实现。还有一个经验如果你发现 LQR 的控制量在初始时刻有一个巨大的跳变多半是车辆模型里的初始横摆角和目标轨迹的初始横摆角不一致。解决办法是在仿真开始前把车辆初始位置和航向设置成与轨迹起点完全一致或者在控制器运行时对误差初始值做软启动处理对控制量做低通滤波这样能避免起始瞬间的转向冲击。6.2 MPC 求解失败与约束冲突问题MPC 的求解失败是最让人头疼的。表现是 Simulink 仿真中途报错“QP problem is infeasible”或者是开始输出 NaN 的控制量。原因一般是约束条件过严。比如前轮转角约束设为正负 25 度但在紧急避障时 MPC 计算出需要 30 度的前轮转角才能跟踪上目标轨迹问题就无解了。工程上解决方案有三种一是放宽约束限位二是在目标函数中加入松弛变量slack variable允许约束在极端情况下被适当放宽三是缩短预测时域因为预测时域越长越容易遇见不可达状态序列。另外还有一种情况容易被忽略控制时域和预测时域设置不合理。比如预测时域设为 30 步但控制时域只有 1 步MPC 几乎退化成一步最优预瞄跟踪精度大幅下降。我的建议是保持预测时域不小于控制时域的 5 倍这个比例在车辆横向控制中基本都是安全且有效的。6.3 轨迹跟踪误差在直线段不为零的问题在实际调试中我发现一个怪现象车辆在进入直线段后横向误差不能完全收敛到零而是一个几十厘米的常数偏置。一开始我以为是坐标变换误差检查了好几遍发现算法逻辑没有错。后来发现问题是目标轨迹生成时仿真步长不够细期望轨迹点之间的间距过大导致在直线和曲线衔接处轨迹变成了折线。车辆在折线段行驶时LQR 和 MPC 需要不断修正方向但纯几何上的折线误差始终存在。解决方案很简单把轨迹生成脚本的步长从 0.1s 提高到 0.01s重新生成轨迹后问题消失。另一个原因是期望横摆角的计算方式如果把期望横摆角直接取为相邻轨迹点连线方向与全局 X 轴的夹角那么轨迹点越稀疏角度量化误差越大。需要做进一步的平滑处理比如使用滑动窗口平均或样条插值。6.4 软件版本兼容性注意事项这个项目对 Matlab 和 Carsim 的版本兼容性要求比较苛刻。Carsim 通过 S-Function 和 Simulink 通信时不同的 Carsim 版本对 Matlab 版本有明确的适配关系。只要版本不兼容S-Function 编译时就会出现链接错误或者运行时报错。建议动手之前先查询 Carsim 官方兼容性列表确认好版本对应关系再搭环境。另一个靴子落地是 64 位系统和 32 位编译器的搭配问题Matlab 在 Windows 上编译 C Mex 文件需要配置好 C 编译器环境如果之前没配置过建议先在 Matlab 命令行运行 mex -setup 完成配置再运行 Carsim 的接口模块。我见过不少人在这一步直接被劝退本以为是模型问题结果仅仅是因为编译器没配置。7. 实战经验总结与后续扩展方向整套联合仿真跑下来我的一个核心体会是横向轨迹跟踪没有绝对最优的算法只有针对特定工况和需求的最优选择。纯跟踪的低计算量在工程部署中依然是启动阶段执行器控制的保底方案在低速泊车、农机导航等场景下依然大量使用LQR 以极低的计算成本提供了不错的中高速跟踪品质在实际量产控制器中被用作主要横向控制器的例子非常多MPC 的效果最好约束处理能力强但计算量、调参复杂度和实时性要求都高目前在高端车型和自动驾驶系统上更常见。从项目扩展角度看这个框架还能顺延出很多有价值的方向在 MPC 的代价函数里加入舒适性指标如加加速度惩罚可以有效抑制方向盘抖动把纯跟踪和 MPC 结合用纯跟踪结果为 MPC 提供初值能够显著缩短求解时间给 LQR 增加自适应增益调度的功能用查询表实现在不同车速下切换不同增益是工程中最实用的 LQR 写法还可以加入侧偏角限制作为状态约束防止轮胎工作在非线性区这对高速低附着路面的安全控制意义重大。项目代码在复现时建议保留每次仿真跑出的数据文件把三种算法的结果做成统一格式的 mat 文件存储。后续做统计分析和图表绘制时不仅省事也方便对比多次调参后的差异。我自己的习惯是每跑完一组实验就用一个脚本把误差峰值、均方根值、控制量标准差、单步耗时四个指标打印出来然后归档到实验记录里。长期积累下来你会对每个参数变化对结果的影响形成一套非常敏锐的直觉这种直觉比任何理论推导都来得实用。最后再分享一个细节Carsim 的车辆模型在联合仿真中默认是会受到风阻和滚动阻力影响的而这些阻力项在你控制算法的模型里往往不存在。这意味着控制器在巡航时需要额外克服一个“阻力扰动”纯跟踪和 LQR 由于缺少预测会把这个扰动当成误差来处理。如果你想精确对比算法建议在 Carsim 中关闭风阻和轮胎滚动阻力。等到算法对比完成再打开这些阻力项用来测试算法对未建模扰动的鲁棒性。这个小小的开关能让你的对比结论更干净也能让你的算法抗扰测试更有说服力。
