分布式驱动车辆轨迹跟踪：MPC上层决策与稳定性约束边界解析

做分布式驱动电动汽车的轨迹跟踪，我印象最深的不是第一次把路径误差压到零点几米，而是低附着路面上误差曲线看着很漂亮、车辆却横着滑出去的那一次。跟踪误差收敛和车辆稳定性，在普通路面工况下可以当成两个问题分开解；一旦摩擦系数掉到0.3左右，这两个目标就会在轮胎附着极限上互相争抢。这篇文章要聊的就是这套分层控制方案的核心环节——上层模型预测控制（MPC）如何决策前轮转角，以及它跟稳定性控制的边界在哪里。适合正在做分布式驱动车辆控制、或者刚把MPC仿真跑通但不确定怎么处理约束的人参考。

1. 分层控制架构：为什么“跟踪”和“稳定”不能塞进同一个控制器

1.1 执行器带宽差异，决定了谁干活快谁干活慢

分布式驱动平台最值钱的家底，是四个轮子都能独立输出转矩。轮边电机或轮毂电机的转矩响应能做到几十毫秒甚至十几毫秒级别，而且左右轮转矩差可以直接产生附加横摆力矩，不需要等轮胎侧偏力慢慢建立。相较之下，转向执行器从指令到实际前轮转角，中间隔着一整套机械传动和助力环节，响应带宽低一个数量级；轮胎侧向力本身也要通过滑移角逐渐建立。一个控制架构如果不考虑这个带宽差异，把所有任务都压在转向系统上，高速工况下会非常被动。

所以工程上几乎默认采用分层结构：上层只负责决策“往哪走”——用MPC算出前轮转角；下层负责决策“怎么稳”——把总驱动需求和附加横摆力矩分配到四个轮子。这样做不是为了分层而分层，而是让慢的执行器干慢的活、快的执行器干快的活。分布式驱动车辆的执行器数量大于被控输出数量，属于典型的过驱动系统，这种结构天然需要一层分配器来协调四个轮子的转矩，而不是简单地把驾驶员的油门踏板信号等比例发给四个电机。

1.2 物理极限下的目标冲突：压轨迹误差还是保住稳定裕度

再说一个我调试时反复撞过的问题。轨迹跟踪要求横向误差小，控制器会倾向给更大的前轮转角；但轮胎侧向力有物理上限。给定路面附着系数 μ，侧向加速度上限大约就是 μg。以72km/h（20m/s）在 μ=0.3 的冰面上行驶为例，侧向加速度上限只有约 2.9m/s²，对应能维持的最大弯道曲率只有约 0.0073/m。如果规划路径要求的曲率超过这个值，任何控制器都不可能靠转向完全贴住参考线。这时候如果MPC还在拼命压误差，只会把前轮滑移角一路推到饱和点，车辆开始侧滑，误差反而越控越大。

这个现象说明，跟踪与稳定在极限工况下不是两个独立目标，而是同一个轮胎附着预算下的两类约束。处理思路有两条：一个是做包含转向、制动、驱动在内的大自由度集中式控制器；另一个是分层，让上层MPC在预测中就把稳定性包络作为约束考虑进去，同时用下层差动转矩提供快速冗余。后者结构更清晰、标定路径也更短，这也是本文采用的分层思路。

2. 预测模型的取舍：为什么二自由度模型是MPC的默认选择

2.1 二自由度动力学模型的完整状态方程

MPC预测模型的选择，决定了控制器观察世界的角度。低速泊车场景用运动学自行车模型就够了；高速变道和稳定性控制，必须用动力学模型。二自由度自行车模型把整车简化成一个刚性平面，保留侧向运动和横摆运动两个自由度，状态方程如下：

m * (v_y_dot + v_x * r) = F_yf + F_yr I_z * r_dot = l_f * F_yf - l_r * F_yr

其中 v_y 是侧向速度，r 是横摆角速度，v_x 按当前纵向速度处理，l_f、l_r 是质心到前后轴的距离。轮胎力在线性区近似为：

F_yf = -C_f * α_f，α_f = δ_f - (v_y + l_f * r) / v_x F_yr = -C_r * α_r，α_r = -(v_y - l_r * r) / v_x

把这两组式子代进去，就能得到以 [v_y, r] 为状态、前轮转角 δ_f 为输入的连续时间状态方程。做轨迹跟踪时，再扩展误差状态 [e_y, e_ψ]，e_y 是车辆在参考路径上的横向偏差，e_ψ 是航向偏差，路径曲率 ρ 作为扰动项进入模型。这样一来，MPC 看到的就不再是绝对坐标位置，而是“距离参考线还有多远、偏了多少角度”，问题被转化成一个标准的调节问题。

2.2 运动学模型和动力学模型的适用边界

我见过不少初学者一上来就上动力学模型，结果低速工况下数值先爆了。原因很简单：模型的分母里全是 v_x，车速很低时矩阵条件数极差，状态预测直接发散。反过来，如果全程只用运动学模型，控制器完全没有侧滑概念，轮胎饱和时它还以为指令能立刻转换成侧向加速度，稳定性控制根本无从谈起。

实际项目里比较稳的做法是分速段切模型。低速大曲率用运动学模型，车速超过某个阈值（比如10-15m/s）切到动力学模型，切换处做一步过渡平滑，避免控制器指令跳变。这个阈值本身没有标准答案，跟轴距、质心高度、转向特性都有关系，通常用高保真整车动力学软件离线扫一遍不同速度下的阶跃转向响应来确定。另外提醒一句，即使切到了动力学模型，线性轮胎假设在接近附着极限时依然失真，所以预测模型里最好给轮胎刚度留一点余量，不要用实验室标定值直接用，后面会细说。

2.3 离散化、参数标定与鲁棒性留量

预测模型最后都要离散化。采样周期取 20-50ms 比较常见，太小求解压力大，太大路径预测精度和稳定性都会变差。v_x 变化不大时，用零阶保持在一个周期内把 A、B 离散化即可；大范围变速工况，建议把离散后的 A_d、B_d 按 v_x 做表，周期内插值。这里有个细节：离散化之前要检查系统的数值形态，尤其低速时 v_x 出现在分母上，直接欧拉法会引入额外相位滞后，严重时预测误差在几个周期内就会放大到不可接受。

模型参数里最影响MPC性能的是前后轴等效侧偏刚度 C_f、C_r。实验室测出来的值往往偏理想，实车轮胎老化、胎压变化、载荷转移都会改变实际刚度。我的做法是：先用标定值跑通，再人为把刚度降低15%左右对比一轮仿真。如果降低15%后跟踪误差仍在可接受范围，这套参数基本够用；如果发散了，说明模型余量不够。真实车辆控制里 μ 也需要在线估计，因为后面所有稳定性约束限值都以 μ 为尺度，μ 估错了，约束算得再精细也没用。

3. MPC上层控制器：前轮转角是怎么被一步一步决策出来的

3.1 把全局路径变成每一拍的误差输入

轨迹跟踪MPC的输入不只是“当前误差”，而是未来一段预测时域内的误差序列。实现上，每个控制周期先把车辆当前位置投影到参考路径最近点，得到当前的 e_y、e_ψ；再沿路径向前取 N 个预测点，根据当前 v_x 和采样周期估算车辆在未来 k*Ts 时刻的大概位置，把对应点的参考航向、参考横向偏差组织成参考序列。曲率 ρ 也按同样的方式取序列，作为前馈扰动。

这里有个工程选择：按时域取点，也就是每隔固定时间取一个参考点，适合速度相对稳定的高速工况；按空间域取点，也就是按弧长取 N 个点，更适合加减速明显的工况。两者各有代价，空间域参考序列计算量稍大，但对变速更鲁棒；时域实现简单，一旦 v_x 剧烈变化，远处的参考点会严重偏离实际可达位置。我个人在高速跟踪场景偏好时域加中等预测时域，低速复杂弯道再切空间域。误差坐标下的预测模型写出来大致是：

[e_y_dot; e_ψ_dot; v_y_dot; r_dot] = A * [e_y; e_ψ; v_y; r] + B * δ_f + B_ρ * ρ

其中 A 与 v_x、C_f、C_r 有关。有了这个模型，MPC 才能回答一个核心问题：如果我此刻给一组前轮转角序列，未来 N 步车辆会处在什么位置、横摆状态是什么样。这是“预测控制”里“预测”二字的真正含义。

3.2 代价函数设计：权重的数量级比数值本身更重要

MPC 每一拍都在最小化一个代价函数，相当于把“跟线跟得准不准”和“转向动作猛不猛”放在同一个天平上称。典型形式是：

J = Σ (Q_ey * e_y² + Q_eψ * e_ψ² + Q_vy * v_y² + Q_r * r²) + R_δ * δ_f² + R_Δδ * Δδ_f² + ρ_soft * ε²

这里最容易翻车的不是公式，而是单位量纲。e_y 单位是米，e_ψ 单位是弧度，r 单位是弧度每秒，三者数值天然差两个数量级。如果权重直接都设成1，优化器会把几乎全部注意力放在横向误差上，横摆状态被当成摆设，结果就是路径误差看着不错，车辆动态却一团糟。

我的经验是先做一步状态归一化：统计典型工况下每个状态的量级，比如 e_y 取0.5m、e_ψ 取0.05rad、v_y 取1m/s、r 取0.3rad/s，然后把权重写成 Q = diag([q_ey, q_eψ, q_vy, q_r])，再乘上对应量级平方的倒数。之后调参只看 q 的相对大小，不用再纠结单位。初始值方面，q_ey 和 q_eψ 先给到同一量级，q_vy、q_r 可以更小，因为它们更多是稳定性信息而不是跟踪信息。

还有个容易被忽略的点：路径曲率前馈。稳态转弯时前轮本来就需要一个基本转角，如果不加前馈，MPC 只能靠反馈一点点追出这个转角，弯道入口处会有明显滞后。动态稳态的前馈项一般取 δ_ff = (L + K_us * v_x²) * ρ，其中 K_us 是不足转向梯度。加上之后，MPC 的反馈压力小很多，控制量也更平滑，弯道入口的跟踪性能提升非常明显。

3.3 约束的层次化：哪些必须硬，哪些必须软

MPC 比 LQR 强的地方就是能带约束，但约束不是越多越好。我把约束分成两类来设计。

硬约束，宁可让问题无解也不能违反。前轮转角机械限位 δ_max，直接写死；转角变化率 Δδ_max，对应转向执行器的响应能力，也必须硬；横摆角速度上限 r_max 建议给摩擦系数留10-15%余量，也就是 r_max = 0.85 * μ * g / v_x，速度越高上限越小。算个具体数字：80km/h 干沥青路面 μ=0.85 时，r_max 大约 0.38rad/s；同样的速度 μ=0.3 的冰雪路面，r_max 直接掉到 0.13rad/s 左右，相差近三倍。这说明稳定性约束必须随路况实时缩放，不能写死一个固定值。

软约束，也就是用松弛变量放开的约束，主要是质心侧偏角 β 包络和横向误差。β 是稳定性判据，但极限操纵过程中 β 短暂超限不等于马上翻车，把它设成硬约束会导致 QP 在每次过弯都接近无解，控制器反而在约束边界处剧烈抖动。更好的做法是让 β 上限随 μ、v_x 变化，并加一个松弛变量 ε，在代价函数里用 ρ_soft * ε² 控制它的价格。横向误差软约束的理由更直接：跟踪精度是性能指标，不是安全指标，窄路或紧急避障场景里，让 MPC 为了守住厘米级误差而放弃稳定约束，得不偿失。

3.4 QP求解细节与实时性兜底

目标函数是二次的、约束是线性的，每一拍要解一个标准二次规划，写成紧凑形式是：

min 0.5 * u_opt^T * H * u_opt + f^T * u_opt s.t. A_ineq * u_opt ≤ b_ineq

其中 u_opt 包含预测时域内的全部 Δδ 序列和一个松弛变量。H、f 由代价函数权重与预测矩阵组合而成，每个控制周期根据当前 v_x 重新组装。状态维数只有4、控制输入只有1个，N 取10-15时决策变量也就十几个，只要不写傻循环，求解耗时完全可以压到几毫秒以内。

实时性兜底有三件事。第一，预测矩阵的组装要预分配内存，不要在控制循环里反复动态申请数组，嵌入式环境尤其明显。第二，如果求解器偶尔超时，不要直接放弃这一拍控制，最稳妥的兜底是“上一拍解的平移热启动”：把上一拍的 Δδ 序列整体平移一个周期作为初值，并保留上一拍的 δ 输出兜底，保证执行器指令连续。第三，QP 无解时优先检查硬约束是否太紧，不要盲目加大松弛惩罚。我调试初期就栽在“β 硬约束加小松弛惩罚”的组合上，高速过弯时 QP 频繁无解，车辆直接沿直线冲出去；改成软包络并校验惩罚项数量级之后，问题才消失。

4. β-r相平面、直接横摆力矩与下层转矩分配的衔接

4.1 稳定包络：从相平面分析到可用的约束边界

稳定性控制绕不开质心侧偏角 β 和横摆角速度 r 组成的相平面。对二自由度模型遍历不同初始条件，观察哪些 (β, r) 状态在给定输入下能回到稳定平衡点，可以画出一个稳定域边界。这个边界大致是包围原点的凸包，形状随 μ、v_x 变化：速度越高、附着越低，包络越窄。工程上不会真在 MPC 里跑相平面扫描，而是用一个解析近似：r 的极限由摩擦力决定，β 的极限由横向速度积累决定，再加一个两者的耦合项，比如 β 偏大时允许的 |r| 要同步收窄。

这个包络以状态约束形式进入 MPC 的预测，作用是让控制器在决策前轮转角时就主动避开危险区，而不是等车辆真横摆了再靠下层补救。严格说，MPC 与稳定性包络的结合，才是这套方案里“把稳定性前置”的核心，也是它跟单纯路径跟踪器最大的区别。

4.2 直接横摆力矩的生成逻辑

有了名义参考值之后，如果实际车辆偏离参考，最快的纠偏手段是左右轮转矩差产生的直接横摆力矩 M_z。基本流程是：由前轮转角和车速计算名义参考横摆角速度 r_ref = v_x / (L + K_us * v_x²) * δ，并用摩擦极限限幅；β 参考在普通乘用车工况下取零附近；然后通过一个带限幅的 PD 或 PI 控制器，把 (r_ref - r) 和 β 的偏差映射成 M_z。这部分控制器不需要多高级，胜在计算量小、响应快，是转向带宽不够时真正的后手。

需要强调，M_z 和 δ_f 不是竞争关系而是互补关系。δ_f 来自 MPC 的轨迹跟踪决策，决定“车往哪走”；M_z 来自稳定性闭环，决定“车别横过来”。一个慢一个快，一个管轨迹一个管姿态，互补关系正是分层架构最核心的价值。

4.3 四轮转矩分配的小型优化问题

现在手上有三个输入：驾驶员或速度环给出的总纵向力 F_x_des、稳定性层给出的 M_z、每个轮子的物理能力边界。分配层负责把前两者折算成四个轮子的转矩指令。典型优化目标是让四个轮胎的利用率尽可能均匀，也就是不让任何单个轮胎逼近附着极限：

min Σ ((F_xi² + F_yi²) / (μ * F_zi)²)

约束条件是：

Σ F_xi = F_x_des (d / 2) * (F_xfr - F_xfl) + (d / 2) * (F_xrr - F_xrl) = M_z |F_xi| ≤ min(T_max / r_w, μ * F_zi)

其中 d 是轮距，r_w 是轮胎滚动半径。F_yi 来自轮胎模型，跟当前滑移角相关，所以这个优化不是单纯线性问题；工程实现常用加权最小二乘迭代，或者把 F_yi 当作上一拍的已知值做近似。四个轮子、两个等式约束、几个箱式约束，决策变量很小，一个微型 QP 或解析解就能在几十微秒内完成。这里唯一的坑是电机峰值转矩不是常数，温度、电压、SOC 都会降额，分配约束不能写死，要接电机能力查询表。

5. 从仿真到实车：调试顺序、验收工况和踩坑记录

5.1 工况设计：先把极限工况的失败模式找出来

轨迹跟踪与稳定性控制的调试，不能只跑一个双移线就收工。我的验收清单大致分四类。双移线最基础，考察连续两次紧急变道时的路径误差和横摆衰减；正弦扫频或正弦停滞考察横摆响应带宽和阻尼特性，MPC 时域参数不合适时在这个工况下会看得很清楚。低附着大曲率弯道专门验证 μ 约束是否真的被激活，如果整个过程中 r 从未碰过约束边界，说明工况不够极限，约束形同虚设。变附着路面暴露转矩分配的问题，一侧高附着一侧低附着时，左右轮力不等会额外产生横摆，分配层必须主动修正。最狠的是干燥路面突然进入冰面的 μ 突变工况，这一步考察的是 μ 估计和约束缩放的速度匹配。

每个工况都要记录几条曲线：横向偏差、横摆角速度跟踪、β 包络余量、四个轮子转矩指令。看曲线时重点不是看误差尖峰大小，而是看约束激活后指令是否平滑、包络余量是否连续变化，这两点直接反映控制器是否在“边界内工作”。

5.2 参数整定的先后顺序

MPC 里能调的参数一大堆，没有顺序乱调会浪费大量时间。我的顺序固定五步。

第一步定采样周期和预测时域，这两个参数决定整个系统的时间基准，中途不要随便改。第二步在低速线性区调跟踪权重，先让路径误差收敛、控制量不发散，顺便检验状态归一化做对没有。第三步把速度拉上去，如果控制量出现高频振荡，优先加大 Δδ 的权重 R_Δδ，而不是压低跟踪权重。第四步才把 μ、β、r 约束从松弛状态逐步收紧，重点观察约束边界附近的行为：是在边界内平稳滑过，还是反复进出边界导致抖动。第五步整定下层转矩分配权重，从四轮均分起步，逐步加入 M_z 修正项，直到横摆响应与 MPC 预测一致。

这个顺序的本质是先保证能控，再保证稳定，最后优化性能。跳过任何一步直接调最终性能指标，出了问题很难定位是哪个环节的锅。仿真环境里我用高保真整车动力学软件跑批量离线仿真，一次跑几十组参数看同一个评价指标；实车上则先把 MPC 转角输出限幅到标定值的一半，确认执行器和信号链路没问题再逐步放开。

5.3 实测踩坑记录：现象、根因、处理

最后分享几个实录的坑，都是花过时间的教训，列成表方便查阅。

前两个坑是控制算法层面的，第三个是建模层面的，第四、五个是系统工程层面的。我的体会是：MPC 公式和求解器只是地基，真正决定这套系统能不能上车的是约束的可实现性。前轮转角约束、μ缩放、执行器模型、电机降额，任何一个环节失真，上层算得再准也白搭。

回头总结这套方案，最让我受益的其实不是MPC本身，而是“把稳定性边界前置到预测控制里”这个思路。刚开始做的时候我也迷信过更大的预测时域和更复杂的模型，后来发现真正难的是让每个约束都可信、可执行、可标定。下一篇我准备把下层转矩分配的公式推导和实车标定细节展开写，包括四轮利用率目标函数的变形、加权最小二乘的闭式解，以及电机降额约束怎么建模，感兴趣的朋友可以直接往下看。