💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载
⛳️座右铭：行百里者，半于九十。
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容介绍
摘要：针对智能车辆轨迹跟踪横向控制中多种算法缺乏统一工况对比的问题，本文基于车辆二自由度动力学模型，在 CarSim/Simulink 联合仿真平台上搭建了横向控制验证框架，并对模型预测控制（MPC）、PID 控制、纯追踪（Pure Pursuit, PP）控制与 Stanley 控制四种算法进行了同轨迹条件下的对比研究。联合仿真以 CarSim 提供高保真车辆动力学响应，Simulink 承载控制算法，通过 S-Function 接口实现数据交互。四种控制器追踪同一条参考轨迹，以横向误差与航向误差作为统一评价指标。仿真结果表明：MPC 凭借滚动优化与约束处理能力，在综合跟踪精度上表现最优；Stanley 在航向误差收敛方面具有优势但对横向偏差的抑制稍弱；PP 控制结构简单、中低速工况下跟踪平稳，但在曲率变化较大处存在固有滞后；PID 控制响应直接，参数整定依赖经验，在速度变化工况下鲁棒性有限。本文的联合仿真框架与对比结果可为车辆横向控制算法的选型与参数整定提供参考。
关键词：模型预测控制；二自由度动力学；轨迹跟踪；横向控制；CarSim/Simulink 联合仿真
1 引言
轨迹跟踪是智能车辆自动驾驶系统的核心功能之一，其任务是在给定参考路径与目标车速的条件下，通过操纵方向盘使车辆稳定、精确地沿期望轨迹行驶。横向控制作为轨迹跟踪的执行层环节，直接决定车辆的路径跟随精度与行驶稳定性。由于车辆本身具有强非线性与参数时变特性，且轮胎力在极限工况下呈现饱和效应，设计兼顾精度与鲁棒性的横向控制器一直是车辆工程领域的研究热点。
在众多控制方法中，模型预测控制（MPC）因能够显式处理多约束优化问题而受到广泛关注。MPC 以车辆动力学模型为基础，在每个采样时刻求解有限时域内的最优控制序列，并将首个控制量作用于系统，滚动推进。其优势在于可同时兼顾跟踪误差最小化与控制量平滑性，并对前轮转角、侧向加速度等物理量施加约束。然而 MPC 的在线优化计算负担较大，参数调节维度较多，对模型精度的依赖也较强。
与之相对，经典控制方法以更低的计算代价获得了广泛的工程应用。PID 控制依据横向误差的比例、积分、微分反馈生成转向指令，结构简单、物理意义明确，但参数整定往往依赖经验试凑，面对速度或曲率变化时适应性有限。纯追踪（PP）控制是一种几何方法，通过选取预瞄点计算期望曲率，以圆弧逼近参考路径，中低速工况下跟踪平顺，但预瞄距离的选择对性能影响显著，曲率突变处易产生切角或滞后。Stanley 控制同样基于几何关系，以前轮中心为参考点，同时考虑横向偏差与前轮航向偏差，其控制律中前馈项与反馈项的配合使车辆在航向收敛上具有较好表现。
上述四种方法各有侧重，但现有研究多针对单一算法进行改进或验证，缺乏在完全相同的车辆模型、参考轨迹与仿真环境下的横向对比数据。鉴于此，本文构建 CarSim/Simulink 联合仿真平台，以二自由度动力学模型作为控制器设计基础，对 MPC、PID、PP 与 Stanley 四种横向控制算法在统一工况下进行系统对比，以横向误差与航向误差为量化指标，分析各算法在轨迹跟踪中的表现特征与适用边界。
2 车辆动力学模型与联合仿真框架
2.1 二自由度动力学模型
控制器设计所依据的车辆模型为线性二自由度模型，仅考虑车辆的横向运动与横摆运动，忽略侧倾、俯仰及垂向 dynamics。该模型将前后轴左右车轮等效为单轮，轮胎侧偏力与侧偏角呈线性关系，适用于侧向加速度不超过约 0.4g 的常规工况。模型的状态量通常取侧向速度与横摆角速度，输入量为前轮转角。虽然二自由度模型对极限工况下的非线性特性描述能力有限，但其结构简洁、状态维度低，能够满足 MPC 等优化型控制器在线求解的实时性要求，也便于 PID、PP 与 Stanley 控制器从中提取所需的误差状态量。
2.2 CarSim/Simulink 联合仿真配置
联合仿真的核心在于两个软件之间的数据交换与时间同步。CarSim 负责运行高保真车辆动力学模型，输出车辆的实际位置、航向角、车速、横摆角速度等状态信息；Simulink 中搭建的控制器模块接收这些状态量与参考轨迹信息，计算并输出前轮转角至 CarSim 的输入接口。
配置流程如下：首先在 CarSim 中选定目标车型并设置仿真工况（路面附着系数、初始车速等），在输入输出接口配置界面中，将前轮转角设为 Simulink 输入变量，将车辆全局坐标、航向角、横摆角速度及质心侧偏角设为输出变量。随后将 Simulink 模型路径关联至 CarSim，编译生成 S-Function 模块并嵌入 Simulink 模型。仿真步长通常设定为 0.001 s 以保证数值稳定性，Simulink 求解器与 CarSim 求解器在每一通信步长内交换一次数据，控制器运算周期可根据实际需求独立设定或与仿真步长一致。
参考轨迹以时间-位置序列的形式预先加载于 Simulink 工作空间，四种控制器共用同一组轨迹数据与车辆初始状态，确保对比条件的一致性。
3 四种横向控制算法设计
3.1 MPC 控制器
MPC 控制器的设计遵循预测模型、滚动优化与反馈校正的基本框架。以二自由度动力学模型为基础，将其离散化为状态空间形式，状态量取横向偏差、横向偏差变化率、航向偏差与航向偏差变化率，控制量取前轮转角。在每个控制周期，MPC 以当前测量状态为起点，基于模型预测未来有限时域内的系统响应，求解使跟踪误差与控制增量加权代价函数最小化的最优控制序列，并将第一个控制量输出至 CarSim。代价函数中同时纳入对前轮转角幅值及转角变化率的约束，以避免过大的转向速率引发车辆失稳。预测时域与控制时域的选取需在跟踪精度与计算负荷之间取得平衡：时域过短会导致对曲率变化的预见性不足，时域过长则增加在线求解负担。
3.2 PID 控制器
PID 控制器以车辆与参考路径之间的横向偏差作为反馈信号。比例项根据当前偏差的大小成比例地生成转向修正量，积分项用于消除稳态偏差，微分项则提供阻尼以抑制超调与振荡。控制器输出经限幅后作为前轮转角指令。PID 的性能高度依赖于增益参数的整定：较大的比例增益可加快响应但易引发振荡，积分增益过大可能导致积分饱和与超调加剧，微分增益对噪声敏感。本文中 PID 参数基于典型工况进行初步整定后固定，以保持对比的公平性。
3.3 纯追踪（PP）控制器
PP 控制器是一种几何追踪方法。在每一时刻，以车辆后轴中心为基准，沿参考路径向前选取距离为预瞄距离的一点作为目标点，计算车辆当前航向与目标点方向之间的夹角，进而由几何关系推导出使车辆沿圆弧到达目标点所需的前轮转角。预瞄距离是 PP 控制的核心参数：较短的预瞄距离使车辆对路径变化响应迅速，但容易在直线段产生振荡；较长的预瞄距离使转向平顺，但在弯道处会提前切向内侧，造成稳态横向偏差。本文中预瞄距离取为车速的函数，以兼顾不同速度工况下的跟踪表现。
3.4 Stanley 控制器
Stanley 控制器以前轴中心为参考点，其转向指令由两部分叠加而成：一部分与前轴中心到参考路径最近点的横向偏差成正比，另一部分与前轴处车辆航向与路径切线方向的夹角相关。前馈项根据航向偏差直接给出基础转向角，反馈项则根据横向偏差进行修正。该控制律的特点是当横向偏差增大时，反馈项会引导车辆航向偏向路径，从而加速偏差收敛。与 PP 不同，Stanley 不依赖预瞄距离，而是直接利用前轴处的几何误差信息，因此在航向跟踪上通常表现出较好的收敛性，但在曲率不连续或横向偏差突变时可能出现较大的转向速率需求。
4 仿真方案与结果分析
4.1 仿真工况设置
为充分考察四种算法在不同路径特征下的表现，设计包含直线段、定曲率弯道与变曲率弯道的复合参考轨迹。仿真在相同路面附着系数与初始车速条件下进行，车辆从轨迹起点出发，控制器在每个采样周期计算前轮转角并发送至 CarSim。仿真结束后，从 CarSim 输出数据中提取车辆实际位置与航向角，与参考轨迹逐点比对，计算横向误差（车辆实际位置到参考路径的垂直距离）与航向误差（车辆航向角与参考路径切线方向的角度差）。
4.2 横向误差对比
从横向误差的总体水平来看，MPC 在四者中表现最为均衡。在直线段，MPC 通过滚动优化使横向误差快速收敛至较小范围；进入弯道后，其对未来路径曲率的预见能力使车辆提前建立合适的航向角，避免了明显的入弯滞后。Stanley 的横向误差在直线段收敛速度较快，但在弯道入口处由于前轴参考点的几何特性，横向误差会出现短时增大，随后在反馈项作用下逐步减小。PP 在定曲率弯道中保持较为稳定的横向偏差，该偏差与预瞄距离正相关，本质上源于几何追踪的固有切角效应；在变曲率路段，预瞄距离与当前曲率的失配使偏差有所波动。PID 的横向误差响应直接，但在弯道中表现出一定的超调与振荡趋势，参数固定时难以在所有路段保持一致的抑制效果。
4.3 航向误差对比
航向误差反映了车辆姿态与路径切线方向的对齐程度。Stanley 在航向误差控制上具有结构性优势，其控制律中显式包含航向偏差项，使车辆在产生航向偏离时能够获得较为直接的修正力矩，因此航向误差在多数路段保持在较小范围内。MPC 的航向误差同样收敛良好，且由于约束的存在，航向修正过程更为平顺，未出现剧烈的转向动作。PP 的航向误差与预瞄距离密切相关：预瞄距离偏大时，车辆在弯道中的实际航向滞后于路径切线方向；预瞄距离偏小时，航向响应敏感但易在直线段产生高频小幅振荡。PID 的航向误差在稳态弯道中可收敛至零附近，但过渡过程中存在明显的瞬态峰值。
4.4 综合比较与讨论
四种算法的性能差异根源于其控制机理的不同。MPC 的优势在于将跟踪问题转化为带约束的优化问题，能够在精度与平顺性之间进行显式的权衡，但其计算成本与参数调节复杂度在四者中最高，对模型精度的依赖也意味着当实际车辆特性偏离二自由度模型假设时，跟踪性能可能出现退化。PID 以最直接的方式利用误差信息，实现简单、计算量极小，但“当前误差驱动当前控制”的机制缺乏对路径曲率的前瞻性，在高速或大曲率工况下需要更高的增益才能维持精度，而高增益又带来稳定性风险。PP 与 Stanley 同属几何方法，前者以预瞄点引导车辆逼近路径，后者以航向偏差与横向偏差的联合反馈驱动前轴对准路径。PP 的跟踪行为平滑、乘客舒适性较好，但切角导致的稳态偏差是其结构性局限；Stanley 在航向对齐上表现突出，但对横向偏差的抑制在曲率变化处不够平滑。
从工程选型的角度，若计算资源允许且对跟踪精度有较高要求，MPC 是首选方案，但需投入相当的精力进行模型标定与参数调试。若追求极低的实现成本与可解释性，PP 或 PID 在工况相对温和的场景下足以满足需求。Stanley 则适用于对航向精度敏感、路径曲率连续变化的场景。
5 结论
本文基于车辆二自由度动力学模型，在 CarSim/Simulink 联合仿真平台上对 MPC、PID、PP 与 Stanley 四种横向控制算法进行了同轨迹条件下的对比研究，得出以下结论：
（1）MPC 在综合跟踪精度与转向平顺性上表现最优，其滚动优化机制与约束处理能力使其在弯道入弯与变曲率路段均能保持较低的横向误差与航向误差，但计算负担与参数调节成本最高。
（2）Stanley 在航向误差收敛方面具有结构性优势，前轴参考点与航向反馈项的设计使其姿态跟踪能力较强，但横向偏差在弯道入口处的收敛过程不够平滑。
（3）PP 控制在中低速工况下跟踪平稳、实现简单，预瞄距离是决定其性能的关键参数，切角效应导致的稳态横向偏差是其固有局限。
（4）PID 控制响应直接、计算量最小，但参数固定时对工况变化的适应性有限，弯道过渡过程中存在超调与振荡倾向。
本文的联合仿真框架与对比数据可为车辆横向控制算法的初步选型提供参考。后续工作可考虑将车速变化纳入工况设计，考察各算法在纵横向耦合条件下的适应性，并进一步探索 MPC 参数自适应策略以降低调参负担。
📚第二部分——运行结果
🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
🌈第四部分——本文完整资源下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取
本文完整资源下载
