★ FEATURED ARTICLE 1. 项目概述与背景车辆横向轨迹跟踪是自动驾驶和智能辅助驾驶系统的核心技术之一它决定了车辆能否准确跟随预设路径行驶。在实际工程应用中不同控制算法各有优劣如何选择合适的算法成为工程师面临的关键问题。这个项目通过Carsim和Simulink联合仿真的方式系统比较了四种主流控制算法在轨迹跟踪中的表现。我曾在多个自动驾驶项目中负责横向控制模块的开发发现很多团队在选择算法时往往凭经验或跟风缺乏系统的评估方法。这个仿真研究正好填补了这一空白它不仅能直观展示各算法的差异还能为实际工程选型提供数据支持。2. 联合仿真平台搭建2.1 工具选型与配置Carsim 2019和Matlab/Simulink R2022b的组合是目前最成熟的车辆动力学联合仿真方案。Carsim提供高精度的车辆动力学模型其内置的轮胎模型、悬架特性等参数都经过大量实车验证。Simulink则以其灵活的算法搭建能力著称特别适合控制算法的快速原型开发。在接口配置上需要特别注意采样时间必须保持一致通常设为0.01s信号命名规范要统一避免混淆单位系统要匹配Carsim默认使用英制单位而Simulink常用公制提示首次联调时建议先验证最简单的正弦输入能否正确传递再逐步增加复杂度。我曾在一个项目中花了三天才发现是单位制不匹配导致的问题。2.2 车辆动力学建模二自由度模型虽然简化但包含了横向控制最关键的动力学特性横向运动$m(\dot{v}ur)F_{yf}F_{yr}$横摆运动$I_z\dot{r}aF_{yf}-bF_{yr}$其中$m$为车辆质量$v$为横向速度$u$为纵向速度$r$为横摆角速度$F_{yf}, F_{yr}$为前后轮侧向力在Simulink中实现时需要将Carsim输出的实际车辆状态如横摆角速度、侧偏角等与模型预测值进行对比验证。我通常会设置一个模型验证模块当误差超过5%时发出警告。3. 控制算法实现细节3.1 MPC控制器设计MPC的核心在于预测模型和优化问题的构建。在这个项目中我们使用以下代价函数$$ J \sum_{k1}^{N_p} ||y(k)-y_{ref}(k)||Q^2 \sum{k0}^{N_c-1} ||\Delta u(k)||_R^2 $$约束条件包括转向角限制$|\delta| \leq \delta_{max}$转向速率限制$|\Delta \delta| \leq \Delta \delta_{max}$实际调试中发现三个关键点预测时域$N_p$一般取20-30步对应2-3秒控制时域$N_c$取5-10步即可权重矩阵Q和R需要通过试凑法确定通常先设Qdiag([10,1])R0.13.2 PID参数整定技巧PID控制虽然简单但参数整定很有讲究。我的经验方法是先设$K_p$使系统能有响应但不震荡加入$K_d$抑制超调最后加$K_i$消除稳态误差对于横向控制典型参数范围为$K_p$: 0.3-0.8$K_i$: 0.01-0.05$K_d$: 0.05-0.2注意在不同车速下需要调整参数。建议建立参数与车速的映射表实现增益调度。3.3 Stanley算法实现Stanley控制器的核心公式$$ \delta \theta_e \arctan(\frac{ke}{v}) $$其中$\theta_e$为航向误差$e$为横向误差$k$为增益系数$v$为车速调试关键增益$k$通常取0.5-2.0需要添加低通滤波器平滑输出在低速时要限制分母$v$的最小值如0.5m/s4. 仿真结果分析4.1 性能指标对比我们定义了三个关键指标最大横向误差均方根误差(RMSE)稳定时间测试数据如下表算法最大误差(m)RMSE(m)稳定时间(s)MPC0.050.021.2PID0.150.082.5Stanley0.100.050.8PP0.120.061.54.2 场景适应性分析通过设计不同场景测试各算法的鲁棒性双移线测试MPC表现最优正弦波轨迹Stanley响应最快低附着路面PP算法最稳定车速突变PID需要重新调参5. 工程应用建议根据项目经验给出以下实用建议量产项目优先考虑PID前馈控制成熟可靠自动驾驶Demo展示用MPC视觉效果更好商用车适合PP算法更接近驾驶员习惯高速场景Stanley是性价比之选实现时的几个坑Carsim模型单位要统一Simulink求解器选定步长ode4实时性要求高的场景需要代码生成测试时要覆盖极限工况6. 扩展与优化方向这个基础框架可以进一步扩展加入纵向控制实现全轨迹跟踪集成视觉/雷达的轨迹预测开发自适应调参算法考虑轮胎非线性特性我在最近的一个项目中尝试将MPC与学习算法结合预测时域内的参考轨迹不再固定而是根据学习模型动态调整在复杂城市场景下效果提升明显。
阅读完成 · 觉得有帮助？
