共计 2103 个字符，预计需要花费 6 分钟才能阅读完成。

1. 为什么选择 MPC？传统 PID 的局限性

刚开始做轨迹跟踪时，我也像大多数人一样首选 PID 控制器。但实际在 CarSim 里跑 S 弯道和 8 字轨迹时，发现了几个头疼的问题：

• 车速超过 60km/ h 后，前轮转角会出现明显振荡
• 遇到曲率突变的路段，横向误差经常超过 0.3 米
• 调参时顾得上前半段轨迹就顾不上后半段

后来读到 MPC 的预测机制才恍然大悟——PID 就像「闭着眼睛开车」，只根据当前误差调整；而 MPC 则是「老司机」，能提前预判未来 3 - 5 秒的路况。举个例子：当车辆接近急弯时，MPC 会在入弯前就开始平滑地打方向，而不是等到偏离轨迹才急打方向盘。

2. MPC 控制器的核心设计

2.1 车辆模型搭建

在 CarSim 中我们采用简化自行车模型（动力学模型可导出为 DLL 供后续调用）：

\begin{cases}
\dot{x} = v \cdot \cos(\psi + \beta) \\
\dot{y} = v \cdot \sin(\psi + \beta) \\
\dot{\psi} = \frac{v}{l_r} \sin(\beta) \\
\beta = \arctan(\frac{l_r}{l_f + l_r} \tan(\delta_f))
\end{cases}

注意 ：CarSim 的车辆参数（如质量、轮胎刚度）需要与模型匹配，否则会出现「仿真漂移」现象。我建议先在静态工况下验证模型一致性。

2.2 CarSim 联合仿真配置

推荐使用 S -Function 接口（比 DLL 更方便调试）：

1. 在 VS 中配置 CarSim S-Function 模板工程
2. 修改 vehicle_inputs.c 获取方向盘转角、油门等信号
3. 通过 simfile.par 设置仿真步长（建议 0.05s）

关键代码片段（C++）：

// 获取 CarSim 输出状态
void get_carsim_states(double* states) {states[0] = vs->u;       // 纵向速度
    states[1] = vs->v;       // 横向速度
    states[2] = vs->wz;      // 横摆角速度
    states[3] = vs->Phi;     // 全局航向角
}

3. Python/C++ 实现示例

Python 版（使用 Casadi）

import casadi as cs

def build_mpc_controller():
    # 定义状态变量（x,y,ψ,v）x = cs.MX.sym('x',4)
    u = cs.MX.sym('u',2)  # [前轮转角, 加速度]

    # 离散化模型（欧拉法）x_next = x + dt * vehicle_model(x,u)

    # 构造 QP 问题
    Q = np.diag([10, 10, 5, 1])  # 状态权重
    R = np.diag([0.1, 0.1])      # 控制权重
    cost = (x-ref).T @ Q @ (x-ref) + u.T @ R @ u

    # 添加约束（前轮转角±30 度）constraints = [-0.523 <= u[0] <= 0.523 ]

    # 创建求解器
    nlp = {'x':cs.vertcat(x,u), 'f':cost, 'g':cs.vertcat(*constraints)}
    solver = cs.nlpsol('solver', 'ipopt', nlp)

C++ 版（OSQP 求解器）

// 构造 QP 矩阵
Eigen::SparseMatrix<double> P(2*N, 2*N); 
P.setIdentity();
P *= 0.1; // 控制量权重

// 设置 OSQP 求解器
OSQPSettings settings;
osqp_set_default_settings(&settings);
settings.eps_abs = 1e-4; // 收敛阈值

OSQPData data = {n, m, P.data(), ...};
osqp_setup(&work, &data, &settings);

4. 调参避坑经验

4.1 预测时域选择

• 城市道路：3 秒（N=20 @ dt=0.15s）
• 高速场景：5 秒（N=25 @ dt=0.2s）

血泪教训 ：预测时域过长会导致：
1. 求解时间超过实时要求
2. 远处轨迹点权重过低反而降低精度

4.2 权重矩阵调参

推荐分层调参法：

1. 先调横向误差权重（Qy=10~50）
2. 再调航向角误差（Qψ=5~20）
3. 最后微调控制量权重（R=0.1~1）

我常用的「8 字轨迹」测试参数：

Q = \begin{bmatrix}
50 & 0 & 0 \\
0 & 20 & 0 \\
0 & 0 & 10
\end{bmatrix}, \quad
R = \begin{bmatrix}
0.5 & 0 \\
0 & 0.3
\end{bmatrix}

5. 性能验证对比

从数据可以看出，MPC 在保持轨迹精度的同时，控制平滑性提升 50% 以上。特别是在曲率变化大的路段（如 8 字交叉处），MPC 的优势更加明显。

6. 进阶扩展思路

如果想进一步提升性能，可以尝试：

1. LSTM+MPC 混合架构 ：用 LSTM 预测未来轨迹点，替换固定参考轨迹
2. 自适应权重调整 ：根据曲率动态调整 Q 矩阵权重
3. 多速率控制 ：路径规划层 (10Hz) + 跟踪层 (50Hz)

我在 GitHub 上开源了一个基础示例项目（链接见文末），包含 CarSim 2022 的仿真文件和一键对比脚本，欢迎 Star 交流！