自抗扰控制(ADRC)在车辆轨迹跟踪中的实践与优化

1. 项目概述：当车辆控制遇上自抗扰技术

去年在某个自动驾驶测试项目中，我们遇到了一个棘手的问题：传统PID控制器在应对突发侧风干扰时，车辆轨迹跟踪误差突然增大到无法接受的程度。这促使我开始深入研究二阶自抗扰控制（ADRC）在车辆轨迹跟踪中的应用。ADRC最吸引我的特点是它不需要精确的数学模型，却能有效处理系统内部不确定性和外部干扰——这正是实际车辆控制中最头疼的问题。

这个项目要实现的是：基于ADRC设计一个轨迹跟踪控制器，使车辆在面对参数变化（如载重变化）、路面附着系数变化（干湿路面切换）以及突发干扰（侧风、颠簸）时，仍能保持稳定的跟踪性能。与常见的MPC（模型预测控制）和LQR（线性二次调节器）相比，ADRC在计算复杂度和抗干扰能力之间取得了更好的平衡，特别适合算力有限的嵌入式平台。

2. ADRC核心原理拆解

2.1 自抗扰控制的三重防御体系

ADRC的核心思想可以用人体免疫系统来类比：当病毒入侵时，免疫系统不会等待精确识别病毒种类后才行动，而是立即启动通用防御机制。ADRC同样通过以下三个关键组件构建防御体系：

1. 跟踪微分器(TD)
   负责安排过渡过程，解决超调与快速性矛盾。例如在车辆转向控制中，TD可以将突变的方向盘输入转化为平滑的理想转向角变化曲线，避免直接跟踪阶跃信号导致的轮胎打滑。

2. 扩张状态观测器(ESO)
   ADRC的灵魂所在。以二阶系统为例，ESO会将所有未建模动态和外部干扰统一视为"总扰动"，并通过状态观测实时估计。在车辆模型中，这意味着：

   • 质量变化（乘客上下车）
   • 轮胎刚度非线性
   • 风阻系数变化
     这些都会被ESO捕获并补偿。

3. 非线性状态误差反馈(NLSEF)
   采用非线性组合取代传统PID的线性组合。我们实际测试发现，使用fal函数比传统PD控制能减少约30%的稳态误差。

2.2 车辆模型中的ADRC实现

对于车辆横向控制，通常简化为二自由度自行车模型：

code复制ẍ = f(x,ẋ,w) + bu

其中f(·)包含所有未知动态，w代表外部干扰。ADRC的关键突破在于：不需要知道f(·)的具体形式，ESO会将其与w一起估计为总扰动z₃。最终控制律简化为：

code复制u = (u₀ - z₃