LPV-RMPC在高速车辆路径跟踪中的应用与实现

1. 项目概述

这个项目实现了一套基于线性参变(LPV)框架的鲁棒模型预测控制(RMPC)系统，专门用于高速场景下的车辆路径跟踪(PTC)。目前实测在20-25m/s车速下能稳定完成变速单移线，在10-15m/s车速下可实现变速双移线操作。系统采用分层控制架构，上层通过LMI方法在线求解带约束的优化问题，输出前轮转角和附加横摆力矩；下层则通过凸优化算法完成四轮转矩分配。

我在实际开发中发现，这套方案特别适合处理高速变道时出现的参数时变问题。比如当车速从20m/s加速到25m/s时，车辆的动力学特性会发生显著变化，传统固定参数的控制器很难兼顾不同速度下的控制性能。而LPV框架通过实时调整模型参数，配合RMPC的鲁棒性，能够有效应对这种变化。

2. 核心算法设计

2.1 LPV模型构建

项目采用经典的二自由度自行车模型作为基础，但与传统方法不同的是，我们将关键参数处理为调度参数。核心状态方程如下：

code复制A = [0,1,0,0;
     0, -(Caf+Car)/(m*vx), (Caf+Car)/m, (lr*Car - lf*Caf)/(m*vx);
     0,0,0,1; 
     0, (lr*Car - lf*Caf)/(Iz*vx), (lf*Caf - lr*Car)/Iz, -(lf²*Caf + lr²*Car)/(Iz*vx)];

其中vx为纵向车速，Caf和Car分别是前后轮的侧偏刚度。在实际编码时，我特别将这些参数设计为实时可调的，通过外部输入更新。这样做的好处是：

1. 车速变化时，模型能自动调整动力学特性
2. 考虑轮胎非线性时，可以通过查表法更新侧偏刚度
3. 便于后续的LMI求解器处理时变特性

注意：矩阵A中的vx出现在分母位置，这意味着低速时系统会变得非常敏感。实际实现时需要添加速度下限保护，避免除以零的情况。

2.2 鲁棒模型预测控制器设计

RMPC的核心在于通过LMI方法处理系统的不确定性。我们在S函数中实现了以下关键步骤：

matlab复制function sys=mdlDerivatives(t,x,u)
    % 实时获取LPV参数
    rho = [1/u(2), u(2)];  % u(2)为当前车速倒数
    
    % 构造LM