基于模型预测控制的自动驾驶汽车轨迹跟踪研究报告

基于模型预测控制的自动驾驶汽车轨迹跟踪研究报告基于模型预测控制的自动驾驶汽车轨迹跟踪研究摘要轨迹跟踪控制是自动驾驶汽车运动控制层的核心功能，其性能直接决定车辆能否安全、平稳地沿规划路径行驶。本文围绕基于模型预测控制（ModelPredictiveControl,MPC）的自动驾驶汽车轨迹跟踪问题展开系统研究。首先建立了考虑轮胎非线性特性的车辆动力学模型与轨迹跟踪误差模型；其次设计了基于线性时变模型预测控制（LTV-MPC）的轨迹跟踪控制器，将车辆动力学约束、执行器饱和约束及道路边界约束统一纳入优化问题；然后针对控制器的实时性问题，提出了基于qpOASES求解器的在线求解策略；最后通过Carsim/Simulink联合仿真平台验证了控制器在不同车速和道路曲率条件下的跟踪精度与稳定性。结果表明，所设计的MPC控制器在60km/h速度下最大横向跟踪误差不超过0.15m，航向角误差控制在3°以内，较传统PID控制器具有显著优势。1.引言自动驾驶汽车的运动控制系统通常采用分层架构，自上而下分为路径规划层、轨迹规划层和轨迹跟踪控制层。其中，轨迹跟踪控制层的任务是驱动车辆精确地沿上层生成的参考轨迹行驶，同时保证车辆在行驶过程中的稳定性和安全性。这一功能模块的实现质量直接影响乘客的乘坐舒适性以及车辆在复杂交通场景中的行驶安全。现有轨迹跟踪控制方法主要包括PID控制、纯追踪控制、Stanley控制、滑模控制以及模型预测控制等。其中，PID控制虽然结构简单、易于实现，但在高速工况和大曲率道路条件下难以同时兼顾跟踪精度与车辆稳定性；纯追踪和Stanley等几何方法对车辆动力学特性考虑不足，在极限工况下容易失效；滑模控制具有较强的鲁棒性，但抖振问题制约了其实际应用效果。模型预测控制因其能够显式处理多变量约束、预测系统未来行为并进行滚动优化，近年来在自动驾驶车辆运动控制领域受到广泛关注。MPC的核心优势在于：第一，能够在优化问题中直接施加车辆物理约束（如转向角限幅、转向速率限制）和安全约束（如道路边界）；第二，利用预测模型提前感知参考轨迹的曲率变化，实现预见性控制；第三，通过滚动优化和反馈校正机制增强系统对模型误差和外部扰动的鲁棒性。本文以自动驾驶汽车为研究对象，建立包含轮胎非线性特性的车辆动力学模型，设计基于线性时变MPC的轨迹跟踪控制器，并通过联合仿真验证控制性能。2.车辆动力学建模2.1车辆单轨动力学模型进行轨迹跟踪控制器设计时，需要在模型精度与计算复杂度之间取得平衡。本文采用经典的三自由度车辆单轨模型，包含纵向运动、横向运动和横摆运动三个自由度。模型基于以下假设：车辆行驶于平坦路面，忽略俯仰和侧倾运动；左右车轮集中到车辆中轴线上；悬架系统视为刚性连接。设定车辆质心在地面固定坐标系XY中的位置为(x,y)，横摆角为φ，质心处纵向速度为v_x，横向速度为v_y，横摆角速度为ω。车辆质心处的动力学方程可表示为：m(ẍ−ẏφ̇)=2F_xfcosδ−2F_yfsinδ+2F_xrm(ÿ+ẋφ̇)=2F_xfsinδ+2F_yfcosδ+2F_yrI_zφ̈=2a(F_xfsinδ+F_yfcosδ)−2bF_yr其中，m为整车质量，I_z为绕z轴的转动惯量，a和b分别为质心到前轴和后轴的距离，δ为前轮转向角，F_xf、F_xr分别为前后轮胎纵向力，F_yf、F_yr分别为前后轮胎横向力。轮胎受力与轮胎侧偏角、滑移率密切相关。在横向动力学主导的轨迹跟踪场景中，轮胎横向力采用Pacejka魔术公式轮胎模型描述：F_y(α)=Dsin[Carctan(Bα−E(Bα−arctan(Bα)))]其中，α为轮胎侧偏角，B、C、D、E为魔术公式拟合参数，由轮胎特性决定。前后轮胎侧偏角可通过车辆运动状态计算：α_f=δ−arctan((v_y+aω)/v_x)α_r=−arctan((v_y−bω)/v_x)在中小侧偏角范围内，轮胎横向力与侧偏角近似线性关系：F_yf=C_fα_f,F_yr=C_rα_r其中C_f和C_r为前后轮胎的等效侧偏刚度。2.2轨迹跟踪误差模型设参考轨迹由规划层给定，包括参考位置(x_ref,y_ref)、参考航向角φ_ref和参考速度v_ref。定义跟踪误差状态：•横向位置误差e_y：车辆质心到参考轨迹的垂直距离•航向角误差e_φ：车辆实际航向角与参考航向角之差•纵向速度误差e_v：车辆实际速度与参考速度之差在Frenet坐标系下，以参考轨迹的切向和法向建立误差动力学方程：ė_y=v_xsine_φ+v_ycose_φė_φ=ω−κ_refv_x/(1−κ_refe_y)ė_v=a_x−v̇_ref其中κ_ref为参考轨迹曲率，a_x为纵向加速度。将误差模型与车辆动力学模型结合，选取状态向量ξ=[v_y,ω,e_y,e_φ,v_x]^T，控制向量u=[δ,a_x]^T，建立完整的轨迹跟踪误差状态空间模型。为便于MPC求解器处理，将连续模型离散化，采样周期取T_s=0.02s。3.模型预测控制器设计3.1控制问题描述轨迹跟踪MPC控制器的设计目标是：在车辆动力学约束和执行器约束条件下，最小化预测时域内跟踪误差和控制增量的加权二次型代价函数。该问题在每个采样时刻求解一次优化问题，将最优控制序列的第一个元素施加于被控系统，下一采样时刻重新测量状态并重复上述过程。线性时变MPC（LTV-MPC）的基本思路是在当前工作点对非线性模型进行一阶泰勒展开，获得线性化模型，然后在预测时域内基于该线性模型进行优化。核心思想是牺牲一定的全局最优性换取在线求解的可行性。3.2线性化与离散化在任意工作点(ξ_0,u_0)处对非线性状态空间模型进行一阶泰勒展开，忽略高阶项：ξ̇≈f(ξ_0,u_0)+∂f/∂ξ_(ξ_0,u_0)(ξ−ξ_0)+∂f/∂u_(ξ_0,u_0)(u−u_0)定义偏差变量ξ̃=ξ−ξ_0，ũ=u−u_0，得到线性时变模型：ξ̃̇=A(t)ξ̃+B(t)ũ其中A(t)和B(t)为在当前工作点计算的雅可比矩阵。对该模型进行离散化，并引入控制增量Δu(k)=u(k)−u(k−1)作为新的控制变量，构造增广状态空间模型：x(k+1)=A_dx(k)+B_dΔu(k)y(k)=C_dx(k)其中增广状态x=[ξ̃;ũ_prev]，A_d、B_d、C_d为相应维度的离散矩阵。这种增广形式的优势在于将控制增量直接纳入优化变量，便于对控制变化速率施加约束。3.3代价函数设计MPC优化问题的代价函数由三部分组成：状态跟踪误差项、控制增量惩罚项和终端代价项。在离散形式下，预测时域为N_p，控制时域为N_c（N_c≤N_p），代价函数表示为：J=Σ_(i=1)^(N_p)y(k+ik)−y_ref(k+ik)_Q²+Σ_(i=0)^(N_c−1)Δu(k+ik)_R²+y(k+N_pk)−y_ref(k+N_pk)_P²其中，Q为状态误差加权矩阵，对角元素分别对应横向速度误差、横摆角速度误差、横向位置误差、航向角误差和纵向速度误差的权重；R为控制增量加权矩阵，对角元素分别对应转向角增量和加速度增量的权重；P为终端代价矩阵，用于保证闭环稳定性。权重矩阵的选取需要权衡跟踪精度与乘坐舒适性之间的关系。较大的Q值能加快误差收敛但会带来较大的控制动作，R值增大则可抑制控制量变化速率，避免急剧转向或急加速。3.4约束条件设计MPC方法的核心优势在于约束处理能力。本文在优化问题中施加以下约束：执行器饱和约束：转向角受机械限位约束δ≤δ_max=35°，转向角速度受执行器动态特性约束Δδ≤Δδ_max=15°/采样周期；纵向加速度受驱动/制动能力约束a_x≤a_max=4m/s²，加速度变化率Δa_x≤Δa_max=3m/s³。车辆动力学稳定性约束：为保证轮胎工作在线性区内，对侧偏角施加约束α_f≤4°，α_r≤4°；同时限制横摆角速度ω≤μg/v_x，其中μ为路面附着系数，g为重力加速度。道路边界约束：将横向位置误差限制在可行驶区域内，e_y≤e_y,max，其中e_y,max根据车道宽度和车辆宽度确定，通常取0.5~0.8m。所有约束在预测时域内以线性不等式形式统一表示为：u_min≤u(k+i)≤u_maxΔu_min≤Δu(k+i)≤Δu_maxG_yy(k+i)≤g_y将不等式约束转化为关于优化变量ΔU=[Δu(k);Δu(k+1);...;Δu(k+N_c−1)]的线性约束矩阵形式，得到标准的二次规划（QP）问题。3.5二次规划问题与求解将代价函数展开并代入预测模型，轨迹跟踪MPC问题转化为如下标准二次规划形式：min_(ΔU)(1/2)ΔU^THΔU+f^TΔUs.t.A_ineqΔU≤b_ineq其中，H为Hessian矩阵（由预测模型和权重矩阵构成的正定矩阵），f为梯度向量（由当前状态和参考轨迹决定），A_ineq和b_ineq为约束矩阵。本文采用qpOASES求解器进行在线求解。qpOASES是一个开源的活跃集法二次规划求解器，具有数值稳定性好、适合小规模在线优化问题等特点。它利用上次求解结果作为热启动（warmstart），在连续采样时刻问题结构相似的情况下能大幅缩短求解时间。实测单步求解时间在5~15ms范围内，满足实时控制需求。4.参考轨迹生成与预处理MPC控制器需要未来N_p步的参考轨迹信息，这要求规划层不仅输出当前时刻的目标状态，还需提供预测时域内的轨迹序列。本文采用基于三次B样条曲线的平滑轨迹生成方法。首先，全局路径规划器输出离散路径点序列；其次，对路径点进行B样条插值，获得连续平滑的参考路径；再次，根据速度规划结果沿路径采样，获得包含位置、航向角、速度和曲率信息的密集轨迹点；最后，根据预测时域长度截取所需的参考序列。在曲率较大路段，为防止车辆因速度过高而失稳，需根据曲率自适应调整参考速度：v_ref(s)=min(v_cruise,√(a_lat,max/κ(s)))其中v_cruise为巡航速度，a_lat,max为允许的最大横向加速度，κ(s)为路径曲率。5.仿真验证与结果分析5.1仿真平台搭建为验证所设计控制器的有效性，在Carsim/Simulink联合仿真环境中开展测试。Carsim提供高保真整车动力学模型（包含完整的悬架系统、转向系统和轮胎模型），Simulink中实现MPC控制器和参考轨迹生成模块。仿真车辆为D级轿车，关键参数为：整车质量m=1723kg，绕z轴转动惯量I_z=4175kg·m²，质心到前轴距离a=1.232m，质心到后轴距离b=1.468m，前轮侧偏刚度C_f=66900N/rad，后轮侧偏刚度C_r=62700N/rad。MPC控制器参数设置为：采样周期T_s=0.02s，预测时域N_p=20，控制时域N_c=10，权重矩阵Q=diag(100,100,5000,8000,50)，R=diag(10,5)。5.2双移线工况测试双移线（DoubleLaneChange）是ISO标准紧急避障工况，曲率变化剧烈，对轨迹跟踪控制器的性能要求较高。设置车速为60km/h，路面附着系数为0.85。测试结果表明，MPC控制器在整个双移线过程中保持了良好的跟踪性能。车辆实际轨迹与参考轨迹的最大横向偏差出现在第二次换道过程中，约为0.12m，航向角最大偏差为2.8°。控制器在曲率突变前约10步即开始提前调整转向角，体现了MPC的预见性优势。车辆横向加速度峰值出现在急转段，约为0.55g，处于安全范围内。5.3高速巡航工况测试在80km/h速度下进行了包含连续弯道的复合轨迹跟踪测试。随着车速提升，车辆动力学耦合效应增强，轮胎等效侧偏刚度下降，控制难度明显增大。MPC控制器在该工况下最大横向误差为0.18m，航向角最大误差为3.5°。相较于60km/h工况，误差增大但仍在道路边界约束之内，车辆保持稳定行驶。5.4对比分析将本文设计的MPC控制器与传统PID控制器进行对比。在同样的双移线工况且车速为60km/h的条件下，PID控制器的最大横向跟踪误差达到0.30m，且存在明显的超调和振荡；而MPC控制器的最大误差为0.12m，轨迹平滑且无明显振荡。在大曲率路段，PID控制器出现了较大的修正滞后，其原因在于PID属于无预见性的反馈控制，无法提前响应曲率变化。5.5实时性验证统计各采样时刻的优化求解耗时，qpOASES求解器在测试工况下的平均求解时间为8.6ms，最大求解时间为13.2ms，均小于采样周期20ms，满足实时控制需求。在约束活跃期（如在转向限幅附近），求解时间有所增加但仍保持在安全范围内。6.结论本文围绕自动驾驶汽车轨迹跟踪控制问题，设计并验证了基于线性时变模型预测控制的轨迹跟踪控制器。通过建立车辆动力学模型与轨迹