变预测时域MPC在自动驾驶轨迹跟踪中的应用

1. 轨迹跟踪控制的行业痛点与MPC优势

在自动驾驶和机器人运动控制领域，轨迹跟踪一直是个经典难题。传统PID控制虽然简单直接，但在处理非线性系统时（特别是涉及轮胎侧偏刚度变化的情况）往往力不从心。我曾在多个自动驾驶项目中亲眼目睹这样的场景：车辆在干燥沥青路面表现良好，一旦遇到湿滑路面或紧急避障，轮胎侧向力特性突变，传统控制器的跟踪误差就会急剧增大。

模型预测控制（MPC）之所以成为解决这类问题的利器，核心在于其三大特性：

• 显式处理系统约束（如轮胎摩擦圆限制）
• 基于模型的前瞻性优化
• 滚动时域的实施策略

但常规固定时域的MPC在面对轮胎刚度变化时，依然存在两个致命缺陷：

1. 预测时域过长会导致优化问题过于复杂，实时性难以保证
2. 预测时域过短则无法充分体现系统动态特性，尤其在低附着路面

2. 变预测时域MPC的架构设计

2.1 时域自适应调整机制

我们的核心创新在于引入时变预测时域N(k)，其调整逻辑基于轮胎侧偏刚度估计值。具体实现时，构建了一个双层观测器架构：

code复制轮胎力观测层 → 刚度估计器 → 时域调整策略
　　　↓
MPC优化层

关键参数映射关系如下表所示：

实际项目中我们发现，当时域超过20步时，QP求解时间会呈指数增长。因此建议在嵌入式平台部署时，采用conda等稀疏求解器进行加速。

2.2 轮胎刚度在线估计技巧

通过实车测试，我们总结出几个关键经验：

1. 激励信号设计：在直线行驶段注入0.5Hz以内的正弦转向角，幅度控制在5°以内以避免失稳
2. 卡尔曼滤波器的Q矩阵需要根据车速动态调整，建议公式：

   code复制Q = diag([0.1*vx, 0.05*vy])
   

3. 在估计器输出端加