1. 项目概述与背景
去年做车辆控制项目时，我花了三个月时间在Simulink和CarSim联合仿真环境中对比测试了三种主流控制器（PID、ADRC、MPC）的轨迹跟踪性能。当时为了赶项目节点，连续一周每天调试到凌晨三点，最终积累了不少实战经验。今天就把这套经过实战检验的仿真模型拆解给大家看，重点分析不同控制器在双移线、避障等典型工况下的表现差异。
这个项目的核心目标是比较三种控制算法在车辆轨迹跟踪场景中的适用性。我们选择了三种典型测试轨迹：双移线（考验瞬态响应）、避障轨迹（验证突变适应能力）、正弦轨迹（评估稳态精度）。所有仿真基于Matlab2018b和CarSim8.02联合环境，硬件配置为i7-9750H处理器和32GB内存。
重要提示：CarSim8与Matlab2018的接口对中文路径支持极差，建议所有工程文件存放在纯英文路径下。我曾因为这个问题浪费了两天时间排查数据传输失败的原因。
2. 控制器设计与实现细节
2.1 PID控制器实现
PID作为最基础的控制算法，在Simulink中的实现确实简单。我的模型结构如下：
- 输入层：获取CarSim输出的横向位置偏差（lat_error）和航向角偏差（yaw_error）
- 控制层：采用串级PID结构，外环控制横向位置，内环控制航向角
- 输出层：将PID输出转换为方向盘转角指令（steer_cmd）
调参过程中发现几个关键点：
- 车速超过60km/h时，比例系数Kp需要随车速动态调整。我的经验公式是：
code复制Kp = base_Kp * (1 + 0.015*(Vx - 60)) // Vx为车速(km/h) - 微分时间Td不宜过大，否则在避障轨迹的突变点会出现明显的控制量振荡
- 使用Matlab自带的PID自动整定工具可以大幅提高效率：
matlab复制pidTuner(lat_error_model, 'pid')
实测表现：
- 正弦轨迹跟踪误差：±0.12m
- 双移线最大偏差：0.35m
- CPU耗时：0.2ms/step
2.2 ADRC控制器实现
ADRC（自抗扰控制）的核心在于扩张状态观测器（ESO）。我在S-function中实现了非线性ESO，关键代码如下：
c复制void mdlOutputs(SimStruct *S, int_T tid) {
real_T *y = ssGetOutputPortRealSignal(S,0);
real_T e = z1 - y_meas;
z1 += h*(z2 - beta01*e);
z2 += h*(z3 - beta02*fal(e,alpha1,delta) + b*u);
z3 += h*(-beta03*fal(e,alpha2,delta));
}
参数整定要点：
- 观测器带宽需要与车辆动力学特性匹配。对于轿车模型，建议：
code复制beta01 = 100, beta02 = 300, beta03 = 1000 - 非线性函数fal的参数选择：
code复制alpha1 = 0.5, alpha2 = 0.25, delta = 0.1 - CarSim输出的横摆角速度必须经过低通滤波（截止频率10Hz）
实测发现ADRC在横摆角跟踪上优势明显：
- 侧滑工况下的扰动识别比传统观测器快200ms
- 双移线工况的横摆角跟踪误差<0.5°
- 但横向位置控制精度略逊于MPC
2.3 MPC控制器实现
MPC的实现最为复杂，关键步骤包括：
- 车辆模型线性化：
matlab复制[A,B,C,D] = linmod('vehicle_model'); sys = ss(A,B,C,D); - QP求解器配置：
- 使用Fast_MPC替代默认quadprog
- 采样时间设置为0.02s
- 权重矩阵动态调整：
matlab复制Q = diag([10*(1+0.02*Vx), 5, 1, 0.1]); // 横向误差权重随车速增加 R = 0.1*eye(1);
最优参数组合：
- 预测时域：10步（对应0.2s）
- 控制时域：3步
- 在线优化耗时：1.2ms/step（开启热启动）
3. 工况测试与结果分析
3.1 双移线工况
双移线是最能暴露控制器缺陷的测试场景。三种控制器的表现对比如下：
| 指标 | PID | ADRC | MPC |
|---|---|---|---|
| 最大横向误差 | 0.35m | 0.28m | 0.15m |
| 方向盘抖动 | 高频抖动 | 低频波动 | 平滑 |
| 超调量 | 15% | 8% | 3% |
| CPU占用 | 0.2ms | 0.8ms | 1.5ms |
MPC的预判能力在此工况下展现明显优势，其代价函数中考虑未来多步状态的特点，使得车辆在进入弯道前就开始调整方向。
3.2 避障工况
避障轨迹包含突变点，对控制器的鲁棒性要求极高。测试中发现：
- PID在突变点会出现明显的控制量饱和，需要加入抗饱和措施：
matlab复制pid_block.OutputSaturation = [-500 500]; // 限制输出范围 - ADRC的ESO能有效估计突变扰动，但需要调整观测器带宽
- MPC通过约束处理可以完美避免控制量突变
3.3 正弦工况
正弦轨迹主要考察稳态精度，三种控制器表现：
- PID：误差±0.12m，但需要精细调参
- ADRC：误差±0.08m，参数适应性较好
- MPC：误差±0.05m，计算量最大
4. 实战经验与避坑指南
4.1 CarSim联合仿真技巧
- 时钟同步设置：
matlab复制set_param(gcs, 'FixedStep', '0.02') // 必须与CarSim步长一致 - 数据接口配置：
- 使用CarSim S-Function接口
- 输入输出变量名严格匹配CarSim模板
4.2 模型调试建议
- 实时监控关键信号：
matlab复制scope.addSignal('lat_error'); scope.addSignal('steer_angle'); - 参数批量测试脚本：
matlab复制param_sweep = linspace(0.1, 1.0, 10); for i = 1:length(param_sweep) set_param('model/Kp', 'Value', num2str(param_sweep(i))); simout = sim('model'); results(i) = max(simout.error); end
4.3 性能优化方案
- MPC加速技巧：
- 启用热启动（warm start）
- 减少约束条件数量
- 使用编译版QP求解器
- 代码生成优化：
matlab复制cfg = coder.config('lib'); cfg.DynamicMemoryAllocation = 'off';
5. 不同控制器的适用场景建议
根据三个月的测试经验，我的控制器选型建议是：
-
PID控制器：
- 适用场景：低速（<60km/h）、规律轨迹
- 优势：实现简单、计算量小
- 劣势：参数敏感、抗扰动差
-
ADRC控制器：
- 适用场景：存在未知扰动、需要快速估计的系统
- 优势：抗扰能力强、参数适应性好
- 劣势：观测器设计复杂
-
MPC控制器：
- 适用场景：高速、复杂轨迹、有硬件加速条件
- 优势：控制精度高、可处理约束
- 劣势：计算量大、需要精确模型
最后分享一个调试技巧：在CarSim中开启"Movie"模式实时观察车辆轨迹，比单纯看数据曲线直观得多。记得把仿真速度设为1x，否则可能错过关键细节。