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：
$$ J = \sum_{k=1}^{N_p} ||y(k)-y_{ref}(k)||Q^2 + \sum{k=0}^{N_c-1} ||\Delta u(k)||_R^2 $$
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Q=diag([10,1])，R=0.1
3.2 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/s）
4. 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) |
|---|---|---|---|
| MPC | 0.05 | 0.02 | 1.2 |
| PID | 0.15 | 0.08 | 2.5 |
| Stanley | 0.10 | 0.05 | 0.8 |
| PP | 0.12 | 0.06 | 1.5 |
4.2 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。
