自动驾驶控制算法解析：从b站老王案例看PID与模型预测控制的实战对比

1次阅读

没有评论

共计 1552 个字符，预计需要花费 4 分钟才能阅读完成。

在 b 站老王的自动驾驶项目里，最让人头疼的就是过弯道时车辆像喝醉了一样左右摇摆。实测数据显示：

使用传统 PID 控制时，60km/ h 过 90 度弯横向误差最大达到 0.8 米
紧急制动时产生明显 ” 点头 ” 现象（俯仰角超 3 度）

这些问题背后的根本原因是：

系统延迟 ：从感知到执行的 200ms 延迟相当于 5.6 米的盲开距离（60km/ h 时）
耦合干扰 ：转向和制动控制相互影响，PID 的独立控制结构难以处理

就像用三根弹簧拉小车：

u(t) = K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d \frac{de(t)}{dt}

优势：计算快（<1ms）、调参直观
致命伤：处理延迟就像用后视镜开车

提前计算未来 N 步的最优解：

\min_{u} \sum_{k=1}^{N} (\|x_k - x_{ref}\|_Q + \|u_k\|_R)
\quad \text{s.t.} \quad x_{k+1} = Ax_k + Bu_k

关键突破：

显式处理延迟（将延迟建模为系统状态）
天生支持多约束（方向盘转角限制 / 制动压力梯度）

class PIDController {
public:
    void update(double error, double dt) {integral_ = clamp(integral_ + error * dt, -i_max_, i_max_); // 抗饱和核心
        double p = kp_ * error;
        double i = ki_ * integral_;
        double d = kd_ * (error - last_error_) / dt;
        last_error_ = error;
        return p + i + d;
    }
private:
    double integral_{0}, last_error_{0};
    double i_max_{1.0}; // 积分限幅
};

MPCResult solveQP(const MatrixXd& H, const VectorXd& f,
                 const MatrixXd& A_constraint, const VectorXd& b_constraint) {
    // 使用 OSQP 或 qpOASES 求解
    Eigen::VectorXd u_opt = QPSolver::solve(H, f, A_constraint, b_constraint);
    return {u_opt.head(ctrl_dim), solver_time_us};
}

性能注释 ：
– i7-1185G7 上平均求解时间 2.8ms（预测时域 N =10）
– 内存占用 <512KB

先调 Kp 直到出现轻微震荡
然后加 Kd 直到震荡消失
最后加 Ki 补偿稳态误差

QP 求解超时 ：将 H 矩阵预处理为对角占优
雅可比矩阵瓶颈 ：用自动微分工具（Ceres Solver）

ROS2 配置建议 ：

mpc_controller:
  prediction_horizon: 10   # 时域步数
  q_weights: [10.0, 1.0]   # 状态权重
  r_weights: [0.1]         # 控制量权重
  solver_timeout: 5ms      # 超时保护

在 CARLA 中设计测试场景：