自抗扰控制(ADRC)在自动驾驶轨迹跟踪中的应用

1. 项目概述：当车辆控制遇上自抗扰技术

去年参与的一个自动驾驶项目让我深刻体会到传统PID控制在复杂路况下的局限性——面对突然的侧风干扰或路面附着系数变化，系统响应要么过于激进导致乘客不适，要么过于保守影响跟踪精度。直到接触到自抗扰控制（ADRC）技术，这个困扰我们团队多时的问题才迎刃而解。

二阶自抗扰ADRC轨迹跟踪控制本质上是一种不依赖精确数学模型的控制策略，其核心思想是通过扩张状态观测器（ESO）实时估计并补偿系统内外部扰动。相比传统控制方法，它能将车辆质量变化、轮胎非线性特性等内部不确定性，以及风阻、坡道等外部干扰统一视为"总扰动"，在控制律中直接进行动态补偿。我们实测数据显示，在相同工况下，ADRC可使横向跟踪误差降低40%以上，且无需针对不同车型反复调参。

2. 核心原理拆解：ADRC的三重防御体系

2.1 跟踪微分器（TD）——理想轨迹的"整形师"

在车辆轨迹跟踪中，直接给定期望轨迹的阶跃信号会导致控制指令突变。我们采用离散形式的TD进行平滑处理：

c复制// 以横向控制为例的TD实现
v1 = v1 + h*v2;
v2 = v2 + h*fhan(v1-y, v2, r, h0);

其中fhan()是非线性函数，r决定跟踪速度，h为步长。实测表明，当r取0.5-1.5时，既能保证响应速度，又不会引发执行器饱和。这个预处理环节使得后续控制量变化率始终在转向电机可执行范围内。

2.2 扩张状态观测器（ESO）——系统状态的"CT扫描仪"

二阶ESO的独特之处在于将各类扰动统一视为附加状态变量z3。以纵向控制为例，其状态空间方程为：

code复制ẋ1 = x2
ẋ2 = bu + z3
ż3 = f(t)

通过配置观测器带宽ω0（通常取3-5倍系统带宽），ESO能实时估计出包含空气阻力、质量变化等在内的总扰动。我们在实车测试中发现，当载重从1人增加到5人时，ESO能在2秒内准确捕捉到动力特性变化，而传统观测器需要5秒以上。

2.3 非线性状态误差反馈（NLSEF）——精准打击的"智能武器"

不同于PID的线性组合，NLSEF采用更灵活的非线性函数。常用fal函数形式为：

code复制fal(e,α,δ) = { |e|^α sign(e),    |e|>δ
              { e