鲁棒模型预测控制在车辆路径跟踪中的应用与实践

做车辆路径跟踪控制的人，大概率都经历过这种场景：仿真里跑得好好的模型预测控制（MPC）控制器，一上实车就各种拉胯，不是弯道偏出去，就是直线画龙，甚至直接发散。问题出在哪？十有八九是模型失配和外部扰动在作祟。今天我要分享的这套鲁棒模型预测控制（RMPC）方案，就是冲着这个问题去的。它不是用更精细的模型硬扛不确定性，而是把不确定性当成控制设计的一部分，从原理层面保证系统在真实环境里依然稳定。这篇文章会从问题拆解、模型搭建、控制器设计到仿真验证，完整讲讲我在这套方案上的探索过程和踩过的坑，适合正在做智能车辆控制、或者想往鲁棒控制方向深入的同学参考。

1. 为什么普通MPC在路径跟踪上容易翻车

1.1 路径跟踪控制到底在解决什么问题

路径跟踪控制，说白了就是让车辆沿着一条预先规划好的参考路径行驶，同时保持期望的纵向速度。听上去很简单，但实际上这是一个典型的约束优化问题：你既要让车辆精确贴合参考路径，又不能忽略执行机构的物理极限，比如前轮转角饱和、横摆角速度限制、侧向加速度舒适性上限。

以我常用的车辆动力学模型为例，状态量取纵向速度、横向速度、横摆角速度、横摆角和横向位置五个，控制量是前轮转角和纵向加速度。路径跟踪的目标就是通过调整这两个控制量，让横向位置误差和横摆角误差尽可能收敛到零。这在高速工况下尤其困难，因为车辆动力学耦合性强，速度越高，系统增益变化越剧烈，控制难度呈指数上升。

传统MPC的思路是：在每个控制周期，基于当前测量状态，求解一个有限时域的最优控制问题，把第一步控制量施加给执行器，然后滚动优化重复这个过程。这个"预测-优化-滚动"的框架本身非常适合车辆路径跟踪，因为它天然可以处理约束和时变系统。但问题在于，标准MPC假设模型是完美的，预测模型和被控对象完全一致，这在仿真里成立，在实车上几乎不可能。

1.2 标准MPC的三大局限

第一个局限是模型失配。车辆动力学模型高度非线性和时变。轮胎的侧偏刚度会随垂向载荷、路面附着系数、轮胎磨损程度变化，比如同一辆车在新沥青路面和湿滑路面上，轮胎侧偏刚度差异可能超过30%。如果你在控制器里使用的是标称刚度，那实际系统的动态特性早已偏离模型，预测自然不准。这是导致控制器性能下降的最主要原因之一。

第二个局限是未建模动态。车辆本身是一个极为复杂的非线性系统，悬架运动、空气动力学效应、转向系统的时间延迟、执行器的动态特性，这些在简化模型中都被忽略掉了。尤其在高频工况下，这些未建模动态会与控制器发生相互作用，可能引发极限环振荡甚至失稳。

第三个局限是外部扰动。侧风、路面坡度、路面起伏这些外部因素，都会对车辆动力学产生持续性的扰动。侧风对高速行驶的车辆尤其致命，一个强烈的侧风阵风就能让车辆产生明显的侧向偏移。标准MPC没有显式处理这些扰动的机制，它只能依赖反馈来被动抵抗，而模型预测控制的反馈是基于状态误差的，当扰动大到一定程度，反馈补偿就会出现滞後，导致跟踪性能明显下降。

注意：我这里说的"普通MPC翻车"并不是说标准MPC一无是处。实际上在工况温和、模型较准的场景下，标准MPC已经能取得相当不错的性能。只是如果你要做的是全天候、全工况覆盖的车辆控制系统，就必须正视不确定性这个问题。

2. RMPC的核心思路：把不确定性当成敌人来设计

2.1 两种主流的鲁棒MPC路线

既然标准MPC输在不确定性上，那解决办法就分两个方向：一个是减少不确定性，一个是主动抵抗不确定性。前者靠更好的建模，比如引入自适应参数估计；后者就是鲁棒控制的路子，在控制设计阶段就把不确定性考虑进去。

鲁棒模型预测控制目前有两大主流技术路线。第一种是Min-Max MPC，核心思想是：在每个控制周期，在预测模型考虑所有可能的不确定性时，优化最坏情况下的性能指标。也就是说，控制器会问自己"如果扰动正好在最坏方向上，我怎么保证安全性和性能不崩溃"。这种思路理论上很完美，鲁棒性最强，但计算负担非常大，因为你要同时优化控制量并搜索最坏扰动，这是个双层优化问题。在车辆控制这种对实时性要求极高的场景，计算代价几乎是致命的，所以Min-Max MPC更多停留在学术研究层面。

第二种是Tube-based RMPC，也是我在这套方案中采用的路线。它把系统拆成两条线：一条是标称系统，也就是不考虑不确定性时的理想系统，由标准MPC驱动；另一条是真实系统相对标称系统的误差系统，用一个固定的线性反馈控制器来收紧这个误差。这样一来，"不确定性会把系统推离标称轨迹"这件事就变成了一个确定性的集合约束问题——无论扰动有多大，真实系统状态都始终被限制在一个以标称状态为中心的"管道"（tube）内，所以叫Tube-based。

2.2 为什么我选了Tube-based方案

说实话，工程上选择Tube-based而不是Min-Max，原因很直接：可行性。车辆控制的控制周期通常在20到50毫秒，这意味着求解器必须在几毫秒内返回结果。Tube-based RMPC的设计是在线求解一个标准MPC问题，外加一个离线计算好的不变集和反馈增益，在线计算量比标准MPC多不了多少，实时性完全能吃得住。

举个直观例子。我某个项目里用的求解器是内点法实现的，标准MPC单步求解平均耗时约12毫秒。换成Tube-based结构后，在线部分依然是等价的标称MPC问题，实时求解耗时几乎没有变化，大约12到13毫秒。但系统的抗扰能力明显提升，侧风扰动下的最大横向误差从40多厘米降到了15厘米以内。这就是固定反馈增益在"管道"里的功劳。

另外一个工程上的现实考虑是调参。Min-Max MPC的鲁棒项和性能项耦合在一起，调一个参数会牵动全局，很难凭直觉调节。而Tube-based的结构天然解耦：标称MPC管性能，反馈增益管鲁棒性，两者各管一摊，调试起来逻辑清晰，这对工程实践非常友好。

3. 车辆动力学建模与预测模型搭建

3.1 从自行车模型到预测模型

做路径跟踪控制，模型选择是个经典的权衡题。太简单的模型会漏掉关键动力学特性，太复杂的模型又会让预测时域内的求解时间爆炸。我在这里用的是标准的自行车模型加线性轮胎模型，这也是多数工程级车辆控制系统的主流选择。

自行车模型把车辆看成两轮，前轮和后轮各承担一半侧向力，忽略载荷转移和悬架运动。模型的状态方程可以写成：

横向速度的一阶微分和横摆角速度的一阶微分，分别由横向力平衡和力矩平衡方程决定。推导过程不展开细说，核心结论是：车辆运动可以由一个线性时变或线性时不变的状态空间方程描述，状态矩阵里的关键参数是前轮和后轮的侧偏刚度、轴距、质量和横摆转动惯量。把这些代数关系整理成矩阵就是标准的状态空间形式，离散化之后就是MPC预测模型。

注意：模型里最敏感的参数就是轮胎侧偏刚度。不同的轮胎、不同的胎压、不同的路面附着，侧偏刚度可能相差巨大。在仿真里，你可以把这个参数设成精确值，但到了实车上，几乎不可能精确测量。这也是为什么我在RMPC设计中把这个参数显式建模为不确定参数，而不是当成一个常数。

3.2 不确定性建模是RMPC的关键一步

RMPC和标准MPC的区别，从建模这一步就开始了。在RMPC框架中，你不仅要建立系统的标称模型，还要显式描述模型的不确定性范围。

我把模型中的不确定性分成两类。第一类是参数不确定性，主要是轮胎侧偏刚度的变化。我采用的描述方式是：前后轮侧偏刚度分别是一个标称值加一个不确定区间，区间范围根据实测和文献数据取变化幅度的正负15%到20%。这一类不确定性会改变系统状态矩阵本身的数值，在数学上描述为系统矩阵在某个凸包内变化。

第二类是外部有界扰动，包括侧风、路面不平造成的力扰动。这类扰动数值不好精确建模，但可以合理假设幅度有界。我通常把等效侧向力扰动限制在某个区间内，区间的边界可以通过实验数据去估算，比如在某个强度侧风下的最大侧向力。

这两类不确定性合并到状态方程里，就得到了一个带扰动的模型：状态更新等于标称系统矩阵乘以状态向量，加上控制矩阵乘以控制量，再加一个描述不确定性影响的附加项。这个附加项就是整个RMPC设计所针对的"敌人"，它决定了鲁棒不变集的计算。

3.3 离散化与参数选择

模型搭建的一个容易被忽略的细节是离散化。车辆动力学系统在连续时间域里描述很顺，但MPC是在离散时间域里求解的，所以必须做离散化。我采用的采样周期是50毫秒，也就是控制频率20赫兹。这个频率足以覆盖车辆动力学的关键带宽，同时给求解器留出足够的时间。

离散化的数值过程我用的是零阶保持法，控制量在一个采样周期内保持常值，这符合实际执行器中DAC的输出特性。零阶保持离散化的结果是，离散状态矩阵和连续系统之间有一个矩阵指数关系，工程上这一步直接用数值工具计算即可。

一个关键的参数是预测时域N的选择。太短的预测时域会让控制器"短视"，在弯道里反应迟钝；太长的预测时域会增加求解负担，还会让远期的预测失去意义，因为模型不确定性在长时间预测中会被放大。我在大部分工况下选择N等于20，对应预测范围1秒。1秒的预测范围对车辆路径跟踪来说刚够兼顾"看到"前方弯道的变化，同时保持求解的实时性。在高速工况，比如80km/h以上，我会考虑把时域稍微缩短到15步，因为高速下远期预测的不确定性太大，预测太远意义不大。

4. 鲁棒控制器设计与实现

4.1 标称系统MPC设计

Tube-based RMPC的第一步，是先设计一个处理标称系统的MPC控制器。记住，这个标称MPC不考虑任何不确定性，它假设系统的状态更新完全符合标称模型。这样设计的好处是，你可以把注意力集中在性能优化上，不必纠结鲁棒性问题，纯粹的MPC设计方法论都可以直接套用。

标称MPC的代价函数我采用标准的二次型形式，包含横向位置误差项、横摆角误差项、控制量惩罚项和控制增量惩罚项。权重矩阵的选择是这门手艺里最玄学的部分。横向位置误差的权重我通常取得较大，纵横向误差权重的比例大约在5比1到10比1之间。横摆角误差的权重中等，因为横摆角误差直接影响路径跟踪的收敛性，但权重太大会导致转向动作过于激进。控制量惩罚项的权重需要仔细调，太大会让控制量变得迟钝，太小会让前轮转角频繁达到饱和边界。

约束条件的设定同样是标称MPC的重要环节。我设置了前轮转角幅值约束，通常为30度，以及前轮转角变化率约束，防止转向命令太猛导致执行器跟不上。侧向加速度约束也加上了，一个是出于舒适性考虑，另一个是防止车辆进入轮胎非线性区。期望纵向加速度限制在正负3m/s^2以内，这个约束对车辆动力学的保持非常重要，侧向加速过大会让轮胎工作点远离线性区，模型的可靠性就会直线下降。

4.2 鲁棒不变集的计算与反馈增益设计

Tube-based RMPC的灵魂，是离线计算一个鲁棒不变集。这个不变集的含义是：如果真实系统状态相对标称状态的误差在这个集合内，那么无论未来发生什么有界扰动，这个误差永远都会待在这个集合内。换句话说，它给真实系统画了一个安全区域，控制器就保证系统不会掉出这个区域。

计算鲁棒不变集的过程是迭代的。先根据扰动幅度计算一个初始的误差集合，然后应用误差反馈控制律，反复迭代更新集合。每一步迭代，误差集合都会收缩或保持不变，最终收敛到一个最小鲁棒不变集。这个收敛过程会有严格的理论保证，前提是误差系统的反馈增益选择了合适的值，使得误差系统稳定。

反馈增益K的选择直接决定了不变集的大小。K越大，抑制扰动的能力越强，不变集越小，但代价是控制动作更加激进，且对噪声测量更加敏感。我的做法是求解一个离散代数黎卡提方程来得到最优的LQR增益，然后将这个增益作为误差反馈增益。理论分析可以证明，LQR增益同时满足鲁棒稳定性条件，而且它在工程上有很强的直觉：最优反馈来抑制误差，听起来就靠谱。

提示：由于教材和各类在线资料里关于离散黎卡提方程的推导版本差异较多，我在这里不加赘述，只强调一个结论：把LQR增益当作反馈增益，配合不确定性边界来迭代计算不变集，实际效果一直很稳定。所谓"稳定"，是指不管我后续怎么调整标称MPC参数，这个反馈增益逻辑上始终能保证误差集合有界。

4.3 控制律结构与在线实现

完整的Tube-based RMPC控制律包含三个部分：标称MPC输出的标称控制量，误差反馈修正项，以及约束收紧后的状态约束集。在线运行时的结构非常简洁，每个控制周期的计算流程如下。

第一步，测量当前真实状态向量，然后计算误差状态，即真实状态减去当前标称状态。第二步，用离线设计的反馈增益乘以误差状态，得到修正控制量。第三步，取标称MPC解出的最优控制量加上修正控制量，作为最终施加给车辆的控制输入。第四步，将修正后的状态估计传给下一时刻使用。

这里有一个工程细节值得注意：标称状态不是测量得到的，而是通过标称模型滚动计算出来的。很多人会在这里搞混，认为标称状态就是上一次的测量状态。实际上标称状态是模型演化的状态，它不受真实扰动影响。正因为如此，真实状态被扰动推开后，误差状态才会被反馈控制器感知到，从而触发修正。这一点是整个Tube-based结构发挥作用的关键机制。

4.4 约束收紧的设计逻辑

在线解算标称MPC时，不能使用原始的系统约束，因为你要为真实系统可能出现的误差预留空间。做法是"约束收紧"，也就是把原始约束的内缩一个与不变集相关的量。原始约束减去这个预留量，剩下的就是标称系统允许的约束区域。这样设计的目的是保证：哪怕真实系统状态相对标称状态偏移到了不变集的边界，它依然落在原始约束范围内。

约束收紧量怎么确定？原理上需要用闵可夫斯基和与闵可夫斯基差的概念，即要求原始约束包含不变集与标称约束的闵可夫斯基和。工程上的近似做法是，分别对每个约束维度计算一个收缩量，收缩量等于一个由不变集在该维度上的投影确定的常数。这种按维度收紧的近似做法虽然不是理论上最优的，但在工程上非常实用，计算量小，逻辑也很直白。

收紧量算完你会发现，有些约束会变得比较保守，比如前轮转角原始限制是30度，收紧后可能变成24度。这是鲁棒性的代价，但往往值得。就算控制权限被压缩了一点，也比模型失配导致整个约束失效要强得多。

5. 仿真与实车验证案例

5.1 仿真环境的搭建与测试工况

我在这套方案的验证阶段搭建了一个高精度的仿真环境。之所以说高精度，是因为仿真车辆模型用的是完整的非线性动力学模型，包含魔术公式轮胎模型、悬架运动学、转向系统动力学和空气动力学阻力。相比之下，控制器内部模型只有一个简化的线性自行车模型，两者之间的差异，就是控制器在真实世界中会面临的模型失配。

仿真工况我设置了三个典型场景。第一个是双移线工况，模拟高速超车后并线回原车道，这是路径跟踪控制的标准测试场景，能同时检验控制器的横向跟踪精度和稳定性。第二个是蛇形绕桩工况，路径频繁变化方向，检验控制器对连续转向的响应能力和稳定性。第三个是侧风扰动工况，模拟车辆以100km/h行驶时突然遭遇侧风，检验控制器在外部持续扰动力作用下的鲁棒性。

5.2 标准MPC与RMPC的对比

仿真对比结果很有说服力。在双移线工况中，标准MPC在路面附着良好时横向跟踪误差峰值约20厘米，这是可以接受的。但当我把路面附着系数调低30%，模拟湿滑路面的情况，标准MPC的最大横向误差猛增到接近60厘米，并且在第二弯道处开始出现轻微振荡，说明控制器边缘不稳定。

同一工况下，Tube-based RMPC的最大横向误差始终控制在25厘米以内。无论路面附着系数怎么变，跟踪性能的波动都很小。这就是设计了不确定性边界的好处，控制器已经预先考虑了模型参数的变化范围，所以参数变了它反而不慌。

蛇形绕桩工况的结果更明显。标准MPC在高频换向时出现了明显的相位滞后，控制量频繁触及约束边界，表现出"心有余而力不足"的状态。RMPC则表现从容，不仅跟踪误差更小，控制量的波动也更小，这要归功于误差反馈修正项在标称MPC的基础上提供了额外的阻尼效果。

5.3 关键仿真结果汇总

这里我想特别强调侧风工况的结果。侧风在模型中是一个常值推力叠加一个正弦变化的阵风分量。标准MPC在处理这个扰动时显得非常被动，最大侧向偏离达到40厘米，恢复的调节时间也很长。而RMPC凭借不变的误差反馈和约束收紧设计，在扰动最强时依然能把最大偏差压在15厘米以内，而且恢复时间缩短了一半以上。这个结果完美地验证了Tube-based结构的核心逻辑：你不去预测扰动，但用反馈去保证"扰动造成的后果有界"。

实车验证方面，我调试验证过约1:10比例的缩尺模型车平台。测试条件是在室外柏油路面进行，路面条件不均匀，沙粒和裂缝带来的扰动比仿真里更随机。结果与仿真趋势高度一致，标准MPC在转向过猛时会频繁触发执行器限幅，令跟踪精度在弯道内明显下降，而RMPC在整个测试过程中没有出现一次执行器饱和，跟踪稳定性和精度都满足预期。

6. 常见问题与排查技巧实录

6.1 鲁棒不变集计算不收敛怎么办

这是我在初学RMPC时踩过的最大的坑。鲁棒不变集的迭代计算，有时会发现在某些参数设定下就是不收敛，误差集合越迭代越大，或者振荡。排查这个问题的核心在于反馈增益K是否合适。如果K的选取让误差系统接近稳定边界，那不变集自然计算不出来。解决方法是把K的增益调大一些，让误差系统有更大的稳定裕度，然后重新计算不变集。

另一个原因是扰动的边界取得过大。如果你把不确定性范围描述得太大，超过了控制器的抑制能力，那不变集就会趋向无穷大。这种时候需要衡量一下：是模型失配真的这么大，还是边界取得太保守。我的经验是，扰动边界宁可取实测值，也别取得太宽泛，太宽泛的边界会让约束收紧量非常大，控制器性能会变得过度保守。

6.2 求解器求解时间超标

在线计算部分是标称MPC，求解效率和标准MPC一样。如果出现求解时间超标，多数情况是预测时域太长或者约束过于复杂，导致二次规划问题的规模偏大。我遇到的另一种情况是，某些控制器参数下，约束条件会变得不可行，求解器需要花大量时间迭代检测不可行性。

排查方法是先检查每个时刻的可行域。如果不可行频繁出现，问题大概率出在约束收紧量上。收紧量过大，会让标称MPC在一个很窄的可行域内优化，几乎注定不可行。适当减小鲁棒边界或者增大控制量的约束范围，问题通常就能解决。

注意：调试RMPC有一个很有用的技巧——把鲁棒项的影响"关掉"测试。也就是暂时把收紧量设为0，把误差反馈增益也设为0，看看问题是否消失。如果此时问题还在，那肯定是标称MPC的问题，与鲁棒性设计无关。这个二分排查法在多数控制问题上都有用。

6.3 状态估计误差对鲁棒性的影响

还有一件需要警惕的事：RMPC理论通常假设状态是精确已知的，但实车中状态来自传感器和状态估计器，估计误差是不可避免的。状态估计误差和外部扰动一样，都会让真实状态偏离标称状态，进而影响系统表现。

我处理这个问题的一个土办法是，在观测噪声偏大的时候，把扰动边界适当扩大，让不变集容纳外部扰动的同时也容纳一部分估计误差。代价是控制变得更保守，但避免了估计误差导致的实际状态跑出不变集的风险。如果你想追求更严谨的效果，可以用一个包含观测噪声的扩展扰动模型来设计不变集，这也是一个标准做法，只是计算过程会复杂一些。

6.4 参数整定的节奏和顺序

最后分享一个我认为比较关键的参数整定顺序。整套RMPC的参数很多，一股脑全调一定是一团乱麻。我自己的整定顺序是：先锁定采样周期和预测时域这组基本参数，然后整定标称MPC的权重矩阵，让它在模型精确的仿真环境里表现优秀。下一步设置初始的扰动边界，离线计算反馈增益和鲁棒不变集，再逐步提高扰动测试强度，观察不变集和约束收紧量是否匹配。最后微调约束收紧量和反馈增益，平衡鲁棒性和快速性。

这套顺序的核心思想是：先把确定性场景下的性能调好，再加入不确定性，一步步逼近真实工况。如果你跳过第一步直接上鲁棒环节，出了问题根本不知道是标称控制器的问题还是鲁棒设计的问题。调试复杂控制器，最忌讳的就是多个变量同时乱动。

7. 个人体会与后续扩展方向

7.1 我对RMPC工程化落地的一些思考

这套RMPC方案从头到尾做下来，我最大的感触是：管好不确定性比打好性能更重要。很多控制算法在标称条件下性能指标华丽，但一到真实环境就露馅。RMPC的优势恰恰在于它把不确定性当作一个核心约束去设计，所以你得到的不是一个在实验室里才成立的控制器，而是一个拿到什么环境都不会太差的控制器。

工程化的另一个体会是，RMPC和标准MPC的代码结构差异其实不大。如果你的代码架构足够清晰，从标准MPC升级到RMPC，其实只是增加了离线计算不变集的模块、一个误差反馈乘法的步骤、以及约束收紧那三四处改动。一个维护良好的标准MPC代码库，差不多一两周就能迁移到RMPC框架。

7.2 几个值得做的扩展方向

这套方案目前用的是线性自行车模型，加上线性的约束收紧。下一步我计划把非线性的魔术公式轮胎模型引入到标称预测模型中，形成非线性模型预测控制的鲁棒版本。非线性模型的预测精度更高，在极限工况比如漂移或紧急避障中优势会更明显，但求解实时性的挑战也会更大。

自适应方向的扩展也很有潜力。目前的扰动边界是固定的，如果我们能实时估计轮胎刚度的变化，比如通过轮胎状态观测器，就能动态调整不确定性边界，让控制器在常规工况下不那么保守，在恶劣工况下主动收紧边界。这种"自适应鲁棒"思路在学术上已经有了不少研究，我相信在工程上也会是未来的方向。

最后，还有一个扩展方向是多车协同场景的鲁棒控制。单车的RMPC思路可以扩展到车队系统，把车辆间的间距约束和通信延迟不确定性一起纳入鲁棒框架。这会让RMPC的应用范围从单车的路径跟踪，拓展到更宏观的智能交通场景。不过这套东西涉及分布式优化和通信建模，复杂度高了不少，我也还在探索中。

7.3 最后的经验分享

如果让我给后来者一个最核心的建议，那就是一定要先搞清楚"你的不确定性到底有多大"。很多RMPC入门者把精力花在复杂的理论推导上，却忽略了对实际工况不确定性的量化。边界取得不准，再漂亮的控制器设计也是纸上谈兵。多花时间做实验、统计误差、评估模型失配，这些"脏活"才是RMPC落地效果好的真正前提。

关于工具链选择，我用的是基于C++的实时求解器，配合Python做离线设计和仿真验证，整个开发流程比较顺畅。如果你刚起步，可以先用MATLAB的模型预测控制工具箱搭一个原型，验证核心逻辑，再迁到C++做实时部署。工具的切换不是重点，重点是你把RMPC的机制在代码里吃透了，迁移就是体力活。

这套基于鲁棒模型预测控制的车辆路径跟踪方案，我前后折腾了大半年，从理论推导到仿真验证再到平台试验，算是把这条路走通了一遍。期间踩过的坑远比这里写下的多，但回报是，我对控制系统的理解加深了一个层次。希望这篇文章能帮你少走一些弯路，也欢迎你在实践中有不同的发现，我们可以互相印证，把这条路一起走得更宽。