共计 1418 个字符，预计需要花费 4 分钟才能阅读完成。

1. 控制算法对比：为什么选择 MPC？

传统 PID 控制在车辆轨迹跟踪中面临三个主要挑战：

• 难以处理系统非线性（如轮胎力饱和）
• 无法显式考虑执行器约束（转向角速率限制）
• 多变量耦合时参数整定困难

相比而言，MPC 具有以下优势：

1. 前馈补偿能力 ：通过预测模型提前计算控制量
2. 约束处理 ：直接将物理限制写入优化问题
3. 多目标优化 ：通过权重矩阵协调跟踪误差与控制消耗

2. 车辆模型构建关键步骤

2.1 动力学模型线性化

采用自行车模型作为预测模型基础：

\begin{aligned}
\dot{v}_x &= v_y\dot{\psi} + \frac{F_{x}}{m} \\
\dot{v}_y &= -v_x\dot{\psi} + \frac{F_{yf}+F_{yr}}{m} \\
\ddot{\psi} &= \frac{l_fF_{yf}-l_rF_{yr}}{I_z}
\end{aligned}

线性化时注意：

• 工作点选择：典型车速区间（如 30-80km/h）
• 轮胎模型简化：小侧偏角下 $F_y ≈ C_α$
• 离散化方法：优先采用零阶保持器

2.2 CarSim 接口配置

关键配置文件示例（CarSim 的 VS Command）：

[SIMULATION]
sample_time = 0.02  ; 必须与 Simulink 步长一致

[VEHICLE]
wheelbase = 2.7    ; 轴距需与模型匹配
max_steer = 0.6    ; 约束条件依据 

3. MPC 核心代码实现

3.1 优化问题构建

function [u, cost] = mpc_controller(x0, ref_traj, model)
    % 构造预测矩阵
    [A, B] = calc_jacobian(x0, model);

    % 二次型权重（需现场调试）Q = diag([10, 5, 2, 1]);  % 状态误差
    R = 0.1;                  % 控制量惩罚

    % 调用 quadprog 求解
    options = optimoptions('quadprog','Display','off');
    u = quadprog(H, f, A_cons, b_cons, [], [], lb, ub, [], options);
end

3.2 实时性优化技巧

1. 热启动 ：复用上一周期解作为初值
2. 降维处理 ：固定部分优化变量
3. 代码生成 ：使用 MATLAB Coder 加速

4. 参数调试避坑指南

4.1 采样周期选择

• 理论下限：执行器响应延迟的 1 /5（通常≥10ms）
• 经验公式：$T_s ≈ \frac{t_{min}}{N_p}$（$t_{min}$ 为最短动态过程）

4.2 权重矩阵调节

建议调试顺序：

1. 先调 Q 矩阵确保跟踪收敛
2. 再调 R 矩阵避免控制量振荡
3. 最后添加终端权重保证稳定性

5. 典型问题解决方案

执行器饱和处理 ：

% 在约束条件中添加速率限制
delta_ub = min(last_steer + rate_lim*Ts, max_steer);
delta_lb = max(last_steer - rate_lim*Ts, -max_steer);

结果对比 ：
| 指标 | PID | MPC |
|————–|———|———|
| 最大横向误差 | 0.42m | 0.18m |
| 转向波动度 | 15deg/s | 8deg/s |

6. 开放讨论

在实际部署时，我们发现：
– 预测时域 $N_p$=20 时跟踪误差最小
– 但计算延迟会增加 35ms

您会如何权衡精度与延迟？ 欢迎在评论区分享：
1. 采用更简化的模型？
2. 减少预测时域？
3. 其他优化方案？

本文代码库已开源：github.com/xxx/mpc_carsim（包含双移线工况测试案例）