燃油车速控制：MPC+ADRC双层架构设计与实现

1. 燃油车速控制的双层架构设计

在传统燃油车控制系统中，油门响应延迟和制动滞后效应一直是难以克服的痛点。经过多次实车测试验证，我们采用MPC+ADRC的双层控制架构，将预测控制与扰动抑制能力有机结合，形成了完整的解决方案。

1.1 系统整体架构解析

该控制系统采用分层设计理念：

• 上层MPC控制器：以10Hz频率运行，基于车辆动力学模型预测未来1秒内的运动状态，输出最优加速度指令。其核心优势在于能够显式处理控制约束，如加速度变化率限制。
• 下层ADRC控制器：以100Hz频率工作，将加速度指令转化为节气门/制动执行器信号。通过扩张状态观测器(ESO)实时估计并补偿发动机扭矩波动、路面坡度等扰动。

这种架构设计充分考虑了燃油车的两个典型特性：

1. 发动机扭矩响应的非线性（特别是小开度区域的死区特性）
2. 制动系统的液压延迟（通常有200-300ms的滞后）

1.2 关键参数匹配原则

在参数配置时需要遵循以下匹配关系：

• MPC预测时域N与采样周期dt的乘积应略大于系统最大延迟（通常取1-1.5倍）
• ADRC的带宽应设置为MPC控制频率的5-10倍
• 执行器约束范围需根据实车标定数据确定

提示：在长城H6车型的实测中，当N=10、dt=0.1s时，MPC计算耗时稳定在15-20ms，完全满足实时性要求。

2. MPC控制器实现细节

2.1 车辆动力学建模

采用简化纵向动力学模型：

code复制dv/dt = a - (c0 + c1*v + c2*v²)/m

其中c0、c1、c2分别为滚动阻力、线性风阻和二次风阻系数。在代码实现时需要特别注意：

python复制# 风阻系数预处理（避免重复计算）
c2_v2 = np.outer(v_range, v_range) * c2  # v_range为速度预测向量

2.2 优化问题构建技巧

使用CVXPY构建QP问题时，推荐采用以下配置：

python复制prob = cp.Problem(
    cp.Minimize(
        cp.sum_squares(v - v_target) 
        + 0.1*cp.sum_squares(u)
        + 0.01*cp.sum_squares(a)  # 平滑项
    ),
    constraints
)

关键调试参数说明：

• 速度误差权重：通常设为1.0（基准值）
• 控制量权重：根据执行器特性调整（0.1-0.5）
• 加速度平滑项：可抑制高频振荡（0.01-0.05）

2.3 实时性优化方案

通过以下方法提升计算效率：

1. 热启动：复用上一周期解作为初始猜测
2. 矩阵稀疏化：利用Scipy的CSC格式存储
3. 定点化处理：对ECOS求解器启用定点运算

实测数据显示，经过优化后单次求解时间可从50ms降至12ms。

3. ADRC控制器实现要点

3.1 自抗扰核心算法解析

ADRC实现包含三个关键组件：

1. 跟踪微分器(TD)：安排过渡过程

   c复制// 改进型fhan函数实现
   float fhan(float x1, float x2, float r, float h) {
       float d = r*h*h;
       float a0 = h*x2;
       float y = x1 + a0;
       float a1 = sqrt(d*(d+8*fabs(y)));
       float a2 = a0 + sign(y)*(a1-d)/2;
       return -r*(a0+y)*(fabs(y)>=d) - r*a2*(fabs(y)<d);
   }
   

2. 扩张状态观测器(ESO)：

   c复制z1 += h*(z2 - beta1*e + b0*u);
   z2 += h*(-beta2*e);
   

3. 非线性状态反馈：

   c复制float u0 = k1*fal(e1,alpha1,delta) + k2*fal(e2,alpha2,delta);
   

3.2 参数整定经验

基于大量实车测试总结的调参规律：

注意：在冷启动工况下，建议将b0设置为温度的函数，以补偿机油粘度变化的影响。

4. 代码生成与实车部署

4.1 MATLAB Coder配置规范

确保生成代码的实时性需要特殊配置：

matlab复制cfg = coder.config('lib');
cfg.DynamicMemoryAllocation = 'off'; 
cfg.EnableVariableSizing = false;
cfg.IntegrityChecks = false;
cfg.ResponsivenessChecks = false;

4.2 内存管理技巧

针对嵌入式平台的内存优化方案：

1. 预分配所有工作数组
2. 将矩阵运算拆解为标量操作
3. 使用查表法替代复杂函数计算

4.3 实车测试数据

在某SUV车型上的测试结果：

5. 典型问题排查指南

5.1 控制振荡分析

现象：车速在目标值附近持续波动

• 检查MPC的预测时域是否过短（N<5）
• 验证ADRC的β1是否过大（超过200）
• 确认执行器延迟参数是否准确

5.2 响应迟缓处理

现象：加速指令执行滞后

1. 检查TD的快速因子r是否过小
2. 验证ESO的扰动补偿是否生效
3. 排查制动系统液压延迟参数

5.3 代码生成常见错误

1. 动态内存分配错误：

   matlab复制% 错误示例
   x = zeros(N,1);  % N为变量
   
   % 正确做法
   x = zeros(10,1); % 固定大小
   

2. 浮点溢出问题：

   c复制// 在ADRC中加入限幅保护
   u = constrain(u, -1.0, 1.0); 
   

6. 扩展应用方向

本方案的核心架构可延伸至以下场景：

6.1 ACC自适应巡航

需要在MPC目标函数中加入：

python复制cost += rho*sum_squares(d - d_safe) 

其中d_safe = max(tau*v, d_min)

6.2 经济性巡航控制

修改目标函数为：

python复制cost = fuel_consumption(v,a) + eta*arrival_time

需要建立燃油消耗率MAP图

6.3 四驱车型扭矩分配

扩展状态变量包含：

• 前后轴扭矩分配比
• 轮速差约束
• 滑移率限制

在实际工程应用中，我们发现将MPC的预测时域与ADRC的带宽按照1:5的比例配置，可以获得最佳的控制效果。这种组合既保证了前向预测的准确性，又具备快速的扰动抑制能力。特别是在处理长坡道工况时，ADRC对坡度变化的快速辨识能力，有效弥补了MPC模型误差带来的控制偏差。