四轮转向车辆MPC轨迹跟踪控制实践

1. 项目背景与核心价值

四轮转向车辆在轨迹跟踪控制领域一直是个有趣的研究方向。相比传统前轮转向车辆，四轮转向系统通过后轮主动转向能够显著提升车辆在高速行驶时的稳定性，同时在低速工况下改善转向灵活性。这种双重优势使得四轮转向技术在高性能车辆和特种作业车辆中越来越受青睐。

但四轮转向也带来了更复杂的控制问题——前后轮转向角如何协调？不同车速下转向特性如何动态调整？这正是模型预测控制（MPC）大显身手的地方。MPC通过滚动优化和反馈校正，能够很好地处理这类多输入多输出系统的约束优化问题。我在参与某电动赛车项目时，就曾遇到过传统PID控制在高速过弯时后轮转向角振荡的问题，后来切换到MPC框架才彻底解决。

这个项目的创新点在于：在经典MPC轨迹跟踪框架基础上，引入了四轮转向系统的协同控制策略。不仅要跟踪参考轨迹，还要优化前后轮转向角的分配，实现横摆角速度和侧偏角的双重控制目标。这种复合控制策略能让车辆在雪地测试中保持更好的循迹性，实测轨迹偏差比传统方法减小了约40%。

2. 系统建模与控制器设计

2.1 车辆动力学模型构建

建立准确的动力学模型是MPC控制的基础。我们采用经典的二自由度自行车模型，但针对四轮转向特性做了重要扩展：

code复制状态方程：
ẋ = v*cos(θ + β)
ẏ = v*sin(θ + β)
θ̇ = v/l * (tan(δ_f) - tan(δ_r)) / (1 + (v^2/(l^2))*(a*tan(δ_r)-b*tan(δ_f)))
β = atan((b*tan(δ_f) + a*tan(δ_r))/(a+b))

其中δ_f和δ_r分别是前后轮转向角，这个模型考虑了车速v对车辆转向特性的影响。在Matlab/Simulink中实现时，我特别注意到当车速低于5km/h时，需要启用低速模式，否则会导致β角计算出现奇异值。

2.2 MPC控制器设计要点

控制器的设计目标是使实际轨迹(x,y)跟踪参考轨迹(x_ref,y_ref)，同时保持理想的横摆特性。代价函数设计为：

code复制J = Σ(||x-x_ref||²_Q + ||u||²_R) + ρ*ε

其中包含三个关键设计选择：

1. 状态权重矩阵Q：需要加大横向误差的权重，我们取Q=diag([1,10])
2. 控制量权重矩阵R：为防止转向角突变，取R=diag([0.1,0.1])
3. 松弛变量ε：处理轮胎摩擦圆约束，权重ρ=1e4

在Carsim联合仿真时发现，预测时域取N=20步（对应3秒）能在计算量和控制效果间取得较好平衡。采样时间超过50ms会导致高速工况下控制性能明显下降。

3. 四轮转向协同控制策略

3.1 前后轮转向角分配逻辑

四轮转向的核心优势在于可以根据车速动态调整前后轮转向比K=δ_r/δ_f。我们的策略是：

• 低速工况（v<30km/h）：后轮反向转向，K∈[-0.3,0]，减小转弯半径
• 中速工况（30≤v<80km/h）：后轮小角度同向转向，K∈[0,0.2]
• 高速工况（v≥80km/h）：后轮同向转向，K∈[0.1,0.3]，增强稳定性

这个分配逻辑需要嵌入到MPC的约束条件中。实际调试时发现，在过渡区采用线性插值比阶跃切换更平滑，能避免横摆角速度突变。

3.2 轮胎侧偏角约束处理

四轮转向车辆更容易达到轮胎侧偏极限，必须显式处理摩擦圆约束：

code复制|F_yf| ≤ μ*F_zf
|F_yr| ≤ μ*F_zr

在MPC中将其转化为线性不等式约束。一个实用技巧是：根据路面附着系数μ自适应调整约束边界，我们在雪地测试时设置μ=0.3，干沥青路设为1.0。

4. 实车测试关键问题与解决方案

4.1 执行器延迟补偿

实测发现转向电机响应有约80ms延迟，这会导致MPC预测失准。我们采用两种补偿方式：

1. 在状态观测器中增加延迟补偿模块
2. 在MPC中前移参考轨迹的时间轴

第二种方法在dSPACE快速原型系统上实现更简单，效果也更好。测试数据显示，补偿后横向误差RMS值降低了27%。

4.2 参数不确定性的鲁棒处理

车辆质量、轮胎侧偏刚度等参数在实际中会变化。我们采用以下策略增强鲁棒性：

1. 在线更新关键参数：通过RLS算法实时估计轮胎侧偏刚度
2. 使用Tube-MPC方法：在最优解周围设置鲁棒管
3. 添加积分项：消除稳态误差

特别是在载重变化大的场景（如物流车），参数自适应能显著提升控制性能。实测载重从空载到满载变化时，不加自适应的跟踪误差会增大2倍以上。

5. 不同场景下的参数整定建议

根据我们的测试经验，给出典型场景下的参数设置参考：

调试心得：先固定Q矩阵调R，待跟踪性能稳定后再微调Q。转向比K的范围设置要留有余量，实际控制量很少会达到边界值。

6. 控制性能优化技巧

6.1 参考轨迹预处理

原始参考轨迹往往存在曲率突变，直接跟踪会导致控制量剧烈波动。我们采用三次样条插值+低通滤波的预处理流程：

1. 对离散参考点进行样条插值（MATLAB的spapi函数）
2. 设计Butterworth低通滤波器（截止频率0.5Hz）
3. 重新采样生成平滑参考轨迹

实测表明，预处理后转向角变化率降低了40%，乘客舒适性明显提升。

6.2 热启动策略加速求解

MPC的在线求解速度是关键。我们采用的热启动策略包括：

• 用上一时刻的解作为初始猜测
• 在QP求解器中激活warm start选项
• 对Hessian矩阵进行Cholesky分解复用

在dSPACE MicroAutoBox上测试，热启动可将单步求解时间从15ms降至8ms，满足50ms的控制周期要求。

7. 与自动驾驶系统的集成方案

7.1 与规划模块的接口设计

轨迹跟踪控制器需要与上游的路径规划模块协同工作。我们定义的接口规范包括：

• 输入：参考轨迹（x,y,θ,v,κ）及其置信度
• 输出：实际位姿及跟踪误差
• 异常代码：如超出摩擦圆、求解失败等

特别要注意的是，当规划轨迹曲率超过车辆物理极限时，需要触发replan请求而不是强行跟踪。

7.2 多速率调度策略

典型的多速率调度方案：

• 规划层：100ms周期
• 控制层：50ms周期
• 执行层：10ms周期

我们采用生产者-消费者模式，使用环形缓冲区解决数据同步问题。关键是要在控制层做插值补偿，避免使用过时的规划结果。