从PID到滑模：Matlab/CarSim联合仿真的车队纵向控制实践

提到车队纵向控制，很多做智能网联汽车仿真的同行第一反应就是搭个PID，觉得能跟上车就行。我最早也是这么干的，结果在真实工况里连续翻了两次车：一次是前车急加速时跟车间距被拉得过大，另一次是车队在中途突然切入一辆车导致后车速度振荡到让人头晕。后来我把控制器换成了滑模控制，在Matlab里写算法、用CarSim出车辆模型，做了联合仿真，才把跟车误差和稳定性同时压住。这篇就完整记录一下我当时是如何从PID切换到滑模，并在Matlab与CarSim里把整个纵向控制器跑通的。

这篇文章适合正在做编队行驶、AEB、ACC相关课题的学生和工程师，也适合想从PID类方法往鲁棒控制方向转的人。你会看到完整的滑模控制律推导、Simulink模块搭建方式、CarSim联合仿真的接口配置，以及最让人头疼的抖振问题怎么一步步处理掉。

1. 为什么车队纵向控制要换滑模——PID的两次“翻车”

先说个背景。车队纵向控制的核心说白了就一句话：让后车根据前车的状态调整自己的油门和刹车，始终保持一个安全且合理的间距，同时整个车队的车速要平稳，不能出现“前后摆动”或者“越来越紧”的失稳现象。听起来简单，但真做起来，控制器要面对的车辆系统并不听话。

1.1 车队跟车真正难在哪

一个小型乘用车的纵向动力学可以用简化模型描述：

m·a = F_drive - F_res

其中F_res是滚动阻力、空气阻力、坡度阻力的总和。问题是m会随载重变化，空气阻力系数和路面坡度也不固定，发动机到车轮之间还有一阶惯性和传动延迟。真正写控制律时，你倾面的是一个带有不确定性的非线性系统，而不是教科书里那个干干净净的二阶积分器。

我遇到的第一次“翻车”就是在一次载重变化测试中。同一辆车，空载和满载之间质量能差出20%~30%，PID参数在空载下调得很好，满载后跟随响应迟滞，前车一个中等强度的制动，后车就把安全间距压到了接近零。

还有一次是在坡道上。PID控制器把坡度带来的重力分力当作系统扰动，比例项拼命加控制量去补偿，结果车速出现明显的低频振荡，车内乘客体感很不好。

1.2 参数不确定性和外部干扰才是滑模的用武之地

这个时候我意识到，车队跟随问题真正的难点不是“跟踪一个参考速度”，而是“在系统存在不可测扰动和参数偏移时，仍能保持良好的跟踪性能”。这正好是滑模控制的强项。

滑模控制的核心思想是设计一个滑模面，并强行把系统状态“拉”到这个面上，再让状态沿着这个面滑动到平衡点。因为滑模面一旦建立，系统的动态行为就由滑模面方程决定，而不是由原系统的精确模型决定。这带来一个非常实用的性质：对匹配的不确定性具有不变性，通俗讲就是只要扰动和参数偏差都在系统输入通道里，控制器可以无视它们，依然维持设计好的动态品质。

这就是我决定切换方案的原因。PID是线性调节器，面对非线性扰动时本质上是“被动补偿”；滑模则是“主动切换”，用不连续控制项把不确定性直接拍下去。当然，它也有代价，比如抖振，但那个我们可以用工程手段缓解，后面细说。

2. 滑模面与趋近律：先把控制律推明白再写代码

做控制最忌讳模型没理清就上手调参。我建议先把滑模控制律在纸面上完整推一遍，再进Simulink搭模块。这里的推导用到的是车队纵向控制的经典框架，你也可以直接拿去做编队扩展。

2.1 车距策略选型：固定车距还是恒定车头时距

车距策略决定了误差定义，必须最先定下来。固定车间距策略要求相邻两车始终保持一个常数距离，稳态很简单，但车速越高，这种策略对通信时延和制动能力越敏感，稍有不慎就会追尾。恒定车头时距策略则把期望车距设置为：

d_des = h·v_i + d0

其中h是车头时距（秒），d0是最小静止间距（米）。车速越快，期望间距越大，这更符合真实驾驶习惯。我的项目里选的是CTH策略，参数取h=0.5s，d0=4m。这个策略的另一个好处是能推导出便于滑模设计的线性误差方程。

2.2 滑模面设计：误差不仅要小，还得平滑收敛

对第i辆车，定义它与前车的实际间距误差：

e_i = x_{i-1} - x_i - d_des

其中x是纵向位置。一次求导得到：

e_dot_i = v_{i-1} - v_i - h·a_i

这里用了CTH策略的导数关系，注意a_i是后车加速度，是从CarSim里读出来的信号。我的滑模面取为：

s_i = e_dot_i + λ·e_i

λ是滑模面系数。这个面设计成“误差的导数加上误差的比例”，物理意义是让间距误差和间距误差变化率同时趋于零。λ越大，收敛越快，但放进实际系统里会放大高频噪声，所以后面整定时要从0.2左右开始慢慢试。

2.3 趋近律选取与控制增益的底线

有了滑模面，下一步是让s_i在有限时间内到达并保持在零。这里我用指数趋近律：

s_dot_i = -ε·sgn(s_i) - k·s_i

ε决定到达滑模面的速度，k决定沿滑模面趋近的速度。把s_i并入车辆动力学模型求解控制输入时，会得到一个类似这样的控制律：

u_i = a_{i-1} + λ·(v_{i-1} - v_i - h·a_i) + k·s_i + ε·sgn(s_i)

其中u_i是期望加速度，作为下层执行器的目标值。工程上还会加一个输出限幅，比如把u_i限制在[-3, 2] m/s²之间，避免大油门大刹车导致执行器饱和。

这里有一个非常关键的选型逻辑：ε不能拍脑袋定。从趋近律条件s·s_dot < 0出发，ε必须大于系统不确定性的上界。换句话说，坡度造成的重力扰动、风阻变化、质量偏移，折算到加速度量纲后是多少，ε就要比这个大一点，留出余量。实测下来，整车质量变化20%对应的加速度扰动上界大概在0.5~0.8 m/s²左右，我一开始ε取1.0，效果不错。

3. Simulink里的控制器实现：离散化与抗噪处理

数学推导完成之后，接下来就是把控制律变成能跑的模型。我不建议用纯Simulink积木方式搭控制律，因为滑模里面有符号函数、限幅、条件判断，用MATLAB Function写更清晰，剖面也更贴近以后做嵌入式移植的方式。

3.1 控制器模块结构与输入信号组织

控制器子系统的输入我预留了五个信号：前车位置、前车速度、前车加速度、本车位置、本车速度。CarSim输出的本车加速度也可以直接引来，但注意先做滤波，因为CarSim输出的加速度噪声在联合仿真里是不均匀的。

模型结构建议这样组织：最外层是CarSim的车辆模型接口，车辆模型输出运动学信号进入控制器子系统；控制器经算法计算后输出期望加速度，再经过一个驱动/制动逆模型模块，转换成驱动力矩和制动力矩，送回CarSim。

驱动/制动逆模型是容易被忽略的一环。CarSim需要的输入是各轮的驱动力矩和制动压力，而控制器输出的是加速度。两者之间需要一个转换关系，简单做法是用稳态映射：驱动力矩 = 期望加速度 × 等效质量 × 车轮半径，再除以传动效率。虽然粗糙，但在纵向控制仿真里足够用。

3.2 MATLAB Function里的核心代码与限幅

下面这段代码是我在Simulink的MATLAB Function里实际用的简化版本，你可以直接参考：

function a_des = smc_ctrl(x_prev, v_prev, a_prev, x_i, v_i, a_i, p) h = p.h; d0 = p.d0; lambda = p.lambda; eps = p.eps; k = p.k; phi = p.phi; d_des = h * v_i + d0; e1 = x_prev - x_i - d_des; e2 = v_prev - v_i - h * a_i; s = e2 + lambda * e1; % 饱和函数替代符号函数，防抖振 sat_s = min(max(s / phi, -1), 1); a_des = a_prev + lambda * e2 + k * s + eps * sat_s; % 执行器限幅 a_lim = 3.0; a_des = max(-a_lim, min(a_des, a_lim)); end

注意我在最终版本里用饱和函数sat(s/φ)替代了符号函数sgn(s)，这是为了后面的抖振问题预留的处理手段。参数p通过Simulink的Parameter结构传入，我习惯把整定参数集中放在模型工作空间里，不用每次改代码。

3.3 离散化坑点：采样时间与数值微分

滑模控制本质上是连续时间设计，但仿真和执行都是离散的。采样时间如果太大，滑模的“切换”会变成严重的高频跳跃，误差会比预期大得多。我的经验是纵向控制回路采样时间至少设到10ms，最好5ms。CarSim的求解步长和Simulink的模型步长要保持一致或者倍数关系，否则数据传递时会有虚假的高频成分。

还有数值微分问题。滑模面里需要用到e的导数，我一开始直接对位置信号做差分，结果高频噪声被放大了好几倍，控制量抖得像锯齿。后来我改用从CarSim直接输出速度信号来计算e2，只有v和a是直接测量量，完全避开了差分求导。能直接测的量千万不要自己算，这是联合仿真的基本教训。

4. CarSim与Simulink联合仿真：接口配置和车辆模型准备

CarSim是个老牌的车辆动力学软件，它内部已经有了非常细致的底盘、轮胎、悬架模型，你的控制器只负责“发号施令”，车辆怎么响应交给CarSim去算。联合仿真就是把CarSim当成被控对象，把Simulink当成控制器，两边通过接口总线通信。

4.1 先把车辆模型和驾驶场景设置好

进入CarSim之前，我用的是它的内置B级车模型，改了一下整车质量和质心位置，模拟满载工况。道路场景我选用平直双向两车道，并在中间段设置了一个坡度段和一个低附着系数段，用来测试控制器在真实路况下的鲁棒性。

CarSim的驾驶脚本里，我给前车设置了完整的速度曲线：先匀速，再以1.5 m/s²加速度加速到80km/h，稳定行驶后做一次急减速到40km/h，最后再加速。这组工况涵盖了正常跟车、急加速、急刹车三种情况，基本能把控制器的优缺点暴露干净。

4.2 输入输出通道的正确接法

联合仿真接口的配置是最容易把人卡住的地方。以CarSim 2019之后的版本为例，在CarSim主界面选Simulink接口后，你会看到一个通道配置面板，里面分Import和Export两组。

Export组是CarSim输出给Simulink的量，我选择了车辆纵向位置X、纵向速度Vx、纵向加速度Ax、横摆角速度（备用）。Import组是Simulink输出给CarSim的量，我选择了左侧驱动轮和右侧驱动轮的驱动力矩，以及四个车轮的制动压力。注意CarSim的力矩单位是N·m，制动压力单位是MPa，转换错一个数量级整车就乱跳。

接好线之后，在Simulink里会自动生成一个CarSim主模块，模块上方是ImportChannels，下方是ExportChannels。必须把总线命名和CarSim里的变量名一一对应，少一个都不行。我建议把两组信号拉成总线对象，方便后续扩展。

4.3 联合仿真易错点与检查顺序

我整理了三条最容易踩的坑。

第一，仿真开始前要在CarSim里点一次“Send to Simulink”，把车辆参数和模型文件输出到当前工作目录。如果提示找不到模型文件，原因是路径里有中文或空格，CarSim有时候不认，把工程放到纯英文路径下就解决了。

第二，Simulink求解器类型设成定步长，这也是必须的。CarSim的底层模型是变步长的，但联合仿真接口按定步长交换数据比较稳定，我设的是固定步长1ms，仿真速度可以接受。

第三，不要同时从CarSim和MATLAB内存里读取车辆状态。有一次我为了省事，在MATLAB Function里写了一个全局变量用来缓存位置，结果CarSim输出的位置和内存缓存不一致，两个信号打架，跟车误差一度摇摆不定。后来统一以CarSim输出通道为唯一数据源，问题立刻消失。

5. 抖振处理：从sign到sat，再到参数试出来的经验

滑模控制最出名的问题就是抖振。理论上，符号函数在高频切换能维持理想的滑动模态，但真实系统里执行器有延迟、传感器有噪声、模型是离散的，符号函数的切换频率会被推到极限，导致控制输出持续震颤。这次联合仿真里，我用的是tanh和饱和函数相结合的方式，效果可以量化对比。

5.1 抖振的根因和它为什么在离散系统里更严重

抖振的根源在于控制律里的不连续项。当状态一旦跨过滑模面，符号函数立刻翻转控制量方向，理论上这发生在无穷小的时间内。但实际系统里，采样间隔限制了状态检测频率，执行器延迟削弱了翻转后的响应，结果状态不会精确停在滑模面上，而是在面附近来回穿越，形成自持振荡。

离散化之后情况更糟。连续系统里抖振频率理论上可以无限高，幅度由趋近律参数决定；离散系统里，每个采样周期才做一次决策，等价的“开关频率”就是采样频率的一半。如果采样步长10ms，抖振频率最高50Hz，这个频率落在车辆纵向悬挂的敏感区间里，乘客体感会非常不舒服。

5.2 边界层法：效果立竿见影但要会取舍

解决方案是在滑模面附近设定一个边界层，用饱和函数代替符号函数：

sgn(s) → sat(s/φ)，当|s|≤φ时输出s/φ，当|s|>φ时输出sgn(s)

通俗讲，就是在滑模面附近把“开关”换成了“比例调节”。好处是控制量连续了，抖振明显缓解；代价是滑模的鲁棒性会打折扣，因为边界层内的控制等效成了一个高增益线性控制器，对外部扰动的抑制能力不如纯不连续项强。

φ的大小就是一个典型的取舍问题。φ太小，抖振压不住；φ太大，边界层变成厚厚一条“软带”，系统误差会变大。我第一次试φ=0.1，控制量振幅降到原来一半，但误差偏大；后来调到φ=1.5，抖振基本消失，误差也还在可接受范围内。

5.3 一组实测对比数据与取舍逻辑

我在CarSim里用同一工况对比了几组参数，记录了一下稳定跟车段的平均车距误差和控制量变化率，给你做个参考：

从表里能看出，纯符号函数误差最小但控制量质量最差；φ从0.5到1.5之间是比较好的折中。我最后选的φ=1.2，另外还加了一个低通滤波，把控制量做了截止频率20Hz的平滑。这一步之后，CarSim输出的车辆加速度曲线已经非常干净了。

6. 参数整定顺序与结果分析：从能跑到跑好的过程

滑模控制器参数不多，但耦合性强。调稳到调好，我花了大半天时间。这里分享一下我的整定顺序和一个完整工况下的数据结论。

6.1 整定的顺序和判断指标

我的整定顺序是：先定车距策略参数（h和d0），再定滑模面系数λ，接着定趋近律增益k和ε，最后处理边界层厚度φ和滤波截止频率。这个顺序的逻辑是：先保证误差定义合理，再保证收敛性，然后保证鲁棒性，最后改善控制品质。

判断指标我主要看三个：一是在前车急加速和急减速时，车距误差是否超限；二是速度收敛过程是否有超调和振荡；三是控制加速度曲线是否有高频分量，也就是抖振。还有一个容易被忽略的指标是加速度的一阶导数jerk，它直接关系乘坐舒适性。滑模控制因为切换特性，jerk会比PID大，我会把jerk限制在2.5 m/s³以内，超过就适当增大φ。

6.2 一组仿真结果与故障排查

最终确定的参数是：h=0.5s，d0=4m，λ=0.4，k=0.8，ε=1.0，φ=1.2。工况就是前面说的“匀速—加速—急减速—再加速”标准循环，车队一共6辆车，我重点观察第5辆车的跟随表现，因为队列越靠后，误差累积越明显。

实测下来，稳定跟车段的车距误差控制在0.15m以内，急加速段的误差峰值不超过0.3m，急减速段的误差峰值大概是0.25m，全程没有出现速度振荡或车距收敛的迹象。而在同样的工况下，之前PID控制器的误差峰值接近0.8m，并且减速完成后有一次明显的回摆。

调试中印象最深的一次问题是：控制器在中途坡度路段出现了一小段误差增大，我一度以为是ε取小了，把ε从1.0加到1.5，结果误差改善不明显，控制量反而开始抖。后来检查发现是CarSim的坡度输出信号在联合仿真接口里出现了短暂跳变，滤波器没覆盖到。我在坡度信号入口加了一个一阶惯性滤波，问题立刻消失。这件事之后我学乖了：仿真里异常先怀疑信号入口，不要一上来就怀疑控制参数。

6.3 让鲁棒性检验更真实的几个建议

仿真跑通之后，我建议你做几组额外的压力测试，而不是只看标准工况。第一，把车辆质量按50%载荷增加到满载，观察ε是否需要增大；第二，把前车的急减速强度提高到接近刹车极限，观察车距误差是否会突破安全阈值；第三，在有坡道的路面测试控制器的力矩补偿是否及时。这些测试我都做过，最终ε从1.0调到了1.2，λ从0.4降到了0.35，原因是在满载和坡度叠加时，0.4的λ会让车距误差收敛过快，刹车稍微急一点就触发执行器饱和。

另外，简单提一个关于CarSim道路模型的细节：CarSim默认输出给Simulink的是车辆在大地坐标系下的位置和速度，如果你的控制器使用跟车距离误差，要注意两车的位置必须在同一坐标系下，最好都选择大地坐标的绝对位置，再在控制器里做差。如果有人用传感器相对距离信号自定义变量导出，坐标基准不一致会导致跟车距离计算完全错误，我一开始就在这个问题上多花了两个小时排查。

最后分享一个我后来一直在用的经验：滑模控制器的参数整定过程，一定要留一份“标准工况+录波”的模板数据。每次改参数前，先跑一遍标准工况，保存车距误差曲线和控制量曲线的截图，改完再跑一遍，对比两张图。参数试过几十组之后，你会形成一种直觉，知道哪里该动λ、哪里该动ε。这种手感比任何理论分析都值钱。

如果你接下来打算把车队规模从6辆扩展到12辆或者更多，滑模控制器本身不需要大改，但要关注通信拓扑和时延。带有时延的队列，滑模面里最好引入前车加速度前馈和通信时延补偿，否则队列尾部会出现明显的“鞭梢效应”。这个扩展我当时也做了，后面有机会整理成另一篇再聊。