1. 项目背景与核心目标
车辆横向轨迹跟踪是自动驾驶和线控转向系统的关键技术，直接影响行驶安全性和舒适性。这个项目通过Simulink与Carsim联合仿真平台，对比研究MPC、PID、Stanley和PP四种控制算法在轨迹跟踪中的性能表现。作为一名从事车辆控制算法开发多年的工程师，我认为这种多算法对比研究对实际工程选型具有重要参考价值。
联合仿真的优势在于：Carsim提供高精度的车辆动力学模型，能准确模拟真实车辆行为；Simulink则提供灵活的控制算法开发环境。二者结合既保证了仿真的真实性，又便于算法快速迭代。项目最终产出包括完整的仿真模型和详细的联合运行说明文档，这对想入门车辆控制算法开发的工程师来说是个很好的学习资源。
2. 仿真平台搭建与配置
2.1 工具链选型与配置
我们选择Carsim 2019作为车辆动力学仿真工具，搭配Matlab/Simulink R2022b进行控制算法开发。这个组合在业内被广泛使用，主要考虑以下几点：
- Carsim的车辆模型经过大量实测数据验证，可信度高
- Simulink的模块化设计便于算法快速实现和调试
- 两者之间的接口成熟稳定，数据交互实时性好
注意：安装时要确保Carsim和Matlab的版本兼容性，建议参考官方文档的版本匹配表。我们遇到过因版本不匹配导致接口通信失败的问题。
2.2 车辆动力学建模
采用经典的二自由度车辆模型（自行车模型）作为控制算法设计的基础，包含：
- 横向运动方程：m(v̇ + ur) = Fyf + Fyr
- 横摆运动方程：Izṙ = aFyf - bFyr
其中关键参数包括：
- m：车辆质量（kg）
- Iz：横摆转动惯量（kg·m²）
- a,b：前后轴到质心的距离（m）
- Fyf,Fyr：前后轮侧向力（N）
这个简化模型在保证主要动力学特性的同时，大大降低了计算复杂度，适合实时控制。
2.3 联合仿真框架设计
仿真系统采用三层架构：
- 参考轨迹层：生成标准测试轨迹（双移线、圆周等）
- 控制算法层：实现四种控制算法
- 车辆动力学层：Carsim运行高精度车辆模型
数据流向为：Carsim输出车辆状态→Simulink计算控制指令→Carsim接收指令并更新车辆状态，形成闭环。在调试时，建议先单独测试各层功能，再逐步集成。
3. 控制算法实现细节
3.1 MPC控制器设计
模型预测控制的核心是滚动优化，我们的实现步骤如下：
预测模型：基于二自由度模型离散化得到状态空间方程 x(k+1) = Ax(k) + Bu(k) y(k) = Cx(k)
目标函数设计： J = Σ(||y(k+i)-r(k+i)||²_Q + ||Δu(k+i)||²_R) 其中Q、R为权重矩阵，需要根据控制需求调整
约束条件：
- 转向角范围：-30° ≤ δ ≤ 30°
- 转向角速度：|Δδ| ≤ 10°/s
优化求解：使用Matlab的quadprog函数在线求解
经验分享：MPC的预测时域和采样周期需要仔细权衡。我们最终选择预测时域2s，采样周期0.05s，在精度和计算量之间取得了较好平衡。
3.2 PID控制器实现
PID控制器的设计要点：
误差定义：
- 横向误差ey：车辆质心到参考轨迹的垂直距离
- 航向误差eψ：车辆航向与参考轨迹方向的夹角
控制律： δ = Kpey + Ki∫eydt + Kd*dey/dt
参数整定方法：
- 先调Kp使系统快速响应但不震荡
- 再调Kd抑制超调
- 最后调Ki消除稳态误差
我们通过试凑法得到的参数为：Kp=0.3, Ki=0.05, Kd=0.1。PID的优势是结构简单，但需要针对不同车速分别调参。
3.3 Stanley控制器开发
Stanley算法基于几何原理，实现步骤如下：
- 计算航向误差eψ和横向误差ey
- 转向角由两部分组成： δ = eψ + arctan(k*ey/v) 其中k为增益系数，v为车速
- 加入前馈项补偿路径曲率： δff = L/R L为轴距，R为转弯半径
关键点是增益k的选择，我们通过仿真确定k=2.5时在各种速度下都能保持稳定。
3.4 PP控制器实现
预瞄控制器的设计要点：
预瞄距离计算： ld = l0 + kv*v 典型值l0=5m, kv=0.2
预瞄点误差计算： ey = yref(ld) - yvehicle
控制律： δ = Kpey + Kψψ̇ 其中ψ̇为横摆角速度反馈
预瞄距离与车速的自适应关系是PP控制的精髓，需要根据车辆动态特性仔细调整参数。
4. 仿真结果对比分析
4.1 测试场景设置
我们设计了三类测试场景：
- 双移线测试：60km/h，评估瞬态响应
- 圆周测试：半径50m，评估稳态精度
- 随机曲率测试：评估算法适应性
每种场景下都记录横向误差、航向误差和控制量变化。
4.2 性能指标对比
| 算法 | 最大横向误差(m) | RMS横向误差(m) | 最大航向误差(°) | 计算时间(ms) |
|---|---|---|---|---|
| MPC | 0.08 | 0.03 | 0.5 | 15 |
| PID | 0.20 | 0.10 | 2.0 | 1 |
| Stanley | 0.15 | 0.07 | 1.2 | 2 |
| PP | 0.12 | 0.05 | 1.0 | 3 |
从数据可以看出：
- MPC精度最高但计算量大
- PID最简单但性能一般
- Stanley和PP在精度和计算量上取得了较好平衡
4.3 典型问题与解决方案
Carsim-Simulink通信延迟：
- 现象：控制指令滞后导致系统不稳定
- 解决：调整仿真步长为0.01s，启用实时同步选项
MPC求解失败：
- 现象：quadprog返回无解
- 解决：松弛约束条件，增加迭代次数
PID控制器震荡：
- 现象：车辆轨迹出现高频摆动
- 解决：降低Kp，增加Kd
预瞄距离选择：
- 现象：PP控制在高车速时发散
- 解决：调整预瞄距离公式中的kv参数
5. 工程应用建议
根据我们的实践经验，不同算法的适用场景如下：
MPC：适用于高精度要求的自动驾驶场景，如自动泊车、紧密编队等。需要较强的计算平台支持。
PID：适合对成本敏感的批量应用，如商用车车道保持系统。优点是易于实现和调试。
Stanley：适合高速场景，如高速公路自动驾驶。几何特性使其对车速变化鲁棒。
PP：适合追求舒适性的乘用车应用，如自适应巡航中的车道居中。
在实际项目中，可以考虑算法组合使用。例如高速用Stanley，低速用MPC，通过仲裁器平滑切换。
