无人驾驶控制技术：PID与LQR算法对比与实践

1. 无人驾驶控制技术概述

无人驾驶车辆的核心在于如何实现精准稳定的运动控制。在众多控制算法中，PID和LQR因其各自独特的优势，成为工业界和学术界广泛采用的基础控制方案。这两种算法看似简单，但在实际车辆控制中却有着截然不同的表现特性。

PID控制器诞生于上世纪20年代，经过百年发展已成为工业控制领域的"常青树"。它通过比例（P）、积分（I）、微分（D）三个环节的线性组合，实现对系统误差的快速响应和消除。在车辆控制中，PID的突出优势在于：

• 结构简单，参数物理意义明确
• 不需要精确的数学模型
• 对高频噪声有一定抑制能力
• 实现成本低，计算量小

而LQR（线性二次调节器）则是现代控制理论的经典代表，它通过构建状态空间模型，求解Riccati方程得到最优控制律。相比PID，LQR的特点在于：

• 基于系统全局状态进行优化
• 天然考虑多变量耦合关系
• 可以显式处理控制约束
• 理论上有严格的稳定性证明

在真实的无人车开发中，我们常常面临一个关键抉择：是采用传统的PID分治策略，还是使用更"现代"的LQR统一控制？这个选择直接影响着车辆的控制性能和开发效率。

2. 纵横向控制需求分析

2.1 纵向控制核心指标

纵向控制主要关注车辆的加速、减速和定速巡航能力。评价纵向控制效果的关键指标包括：

1. 速度跟踪精度：实测速度与期望速度的偏差，通常要求在城市道路场景下误差不超过±0.3m/s

2. 加速度平滑性：加速度变化率(jerk)应小于2m/s³，避免乘客不适感

3. 响应延迟：从指令发出到开始执行的时间应小于200ms

4. 抗干扰能力：在坡度变化±5%时，速度波动不超过±0.5m/s

2.2 横向控制核心挑战

横向控制的核心是保证车辆沿规划路径行驶，主要面临以下挑战：

1. 路径跟踪精度：在城市道路中，横向偏差通常需要控制在0.1m以内

2. 航向角匹配：车辆朝向与路径切线的夹角误差应小于3°

3. 曲率适应性：能稳定跟踪曲率半径大于5m的弯道

4. 速度耦合效应：高速行驶时转向响应会明显变慢，需要动态补偿

2.3 纵横向耦合现象

在实际驾驶中，纵向和横向运动存在明显的耦合效应：

1. 速度-转向耦合：高速过弯时，需要适当降低车速以保证稳定性

2. 加速度-侧偏耦合：急加速可能导致转向不足，急减速可能导致转向过度

3. 载荷转移效应：加减速引起的重量转移会影响轮胎侧偏刚度

这些耦合关系使得单独设计纵向和横向控制器难以达到最优性能，需要考虑联合控制策略。

3. 双PID控制方案实现

3.1 纵向PID设计要点

纵向PID控制器的输入通常是速度误差，输出为油门/刹车指令。关键设计考虑：

1. 分区间控制：将控制区间划分为刹车区、过渡区和油门区，避免两者同时作用

2. 动态限幅：根据当前速度和路面状况动态调整输出限幅值

3. 抗积分饱和：采用条件积分或积分分离策略，防止长时间误差累积

典型参数范围：

• 比例系数Kp：0.5～2.0
• 积分时间Ti：3～10s
• 微分时间Td：0.1～0.5s

3.2 横向PID设计技巧

横向PID以路径偏差和航向偏差为输入，输出前轮转角指令。特殊处理包括：

1. 预瞄距离调整：根据速度动态调整前视距离，通常取车速的0.8～1.2倍

2. 曲率前馈：在弯道处加入基于路径曲率的前馈补偿项

3. 微分先行：对测量信号单独滤波后再计算微分项，减少噪声影响

参数经验值：

• 横向偏差Kp：0.1～0.3
• 航向偏差Kp：0.05～0.15
• 微分增益：0.01～0.05

3.3 参数整定实战方法

现场调参的实用技巧：

1. 先调P再调D最后调I：确保基本响应后再处理稳态误差

2. 阶跃测试法：给定期望值阶跃变化，观察超调量和稳定时间

3. 临界比例法：先将I和D置零，增大P直至系统等幅振荡，记录临界增益和周期

4. Ziegler-Nichols公式：根据临界参数计算初始PID值

注意：调参时应逐步改变车速，验证不同工况下的鲁棒性。常见问题是低速过调、高速响应慢。

4. LQR控制原理与实现

4.1 车辆动力学建模

LQR设计的基础是建立准确的车辆动力学模型。常用的二自由度自行车模型包括：

1. 纵向动力学： m·a = Fx - Ff - Fw - Fg 其中Ff为滚动阻力，Fw为空气阻力，Fg为坡度阻力

2. 横向动力学： m·v²/R = Fyf + Fyr Iz·γ' = a·Fyf - b·Fyr 其中Fyf、Fyr为前后轴侧偏力

3. 轮胎模型： 采用线性侧偏刚度假设： Fyf = -Cf·αf Fyr = -Cr·αr

4.2 状态空间表达

将模型线性化后得到状态空间方程：

ẋ = A·x + B·u y = C·x + D·u

其中典型状态变量选择： x = [v, γ, e, Δψ]ᵀ u = [δ, a]ᵀ

A矩阵反映系统固有特性，B矩阵表示控制输入影响，需要根据具体车型参数计算。

4.3 权重矩阵设计

LQR性能指标： J = ∫(xᵀQx + uᵀRu)dt

Q和R矩阵的设计原则：

1. 对角线元素对应各状态量和控制量的权重
2. 通常先设为单位矩阵，再逐步调整
3. 经验调整方向：
   • 增大Q中e的权重提高路径跟踪精度
   • 增大R中δ的权重减少转向波动
   • 考虑各物理量的量纲统一

4.4 Riccati方程求解

通过求解代数Riccati方程得到最优反馈矩阵K：

AᵀP + PA - PBR⁻¹BᵀP + Q = 0 K = R⁻¹BᵀP

在实际工程中，通常使用现成求解器如MATLAB的lqr()函数。

5. 联合控制策略对比

5.1 双PID分治方案

架构特点：

• 纵向和横向完全独立设计
• 通过上层协调器交换信息
• 实现简单，调试直观

优势：

• 模块化设计，故障隔离性好
• 单环节失效不会导致系统崩溃
• 参数物理意义明确

劣势：

• 难以处理强耦合工况
• 整体性能非最优
• 参数组合爆炸问题

5.2 LQR统一方案

架构特点：

• 建立统一状态空间模型
• 全局优化控制输入
• 显式考虑耦合关系

优势：

• 理论最优性能保证
• 自动处理多变量耦合
• 参数调整维度低

劣势：

• 依赖模型准确性
• 计算复杂度较高
• 故障诊断困难

5.3 混合架构设计

结合两者优势的折中方案：

1. LQR作为核心控制器
2. PID用于执行器级控制
3. 增加前馈补偿环节
4. 采用自适应权重调整

典型架构分层：

• 规划层：生成参考轨迹
• 协调层：LQR主控
• 执行层：PID实现

6. 实车调试经验分享

6.1 测试准备要点

1. 安全措施：

   • 设置急停开关
   • 限定测试区域
   • 准备遥测记录设备

2. 测试场景设计：

   • 直线加速/减速
   • 定半径圆周行驶
   • 双移线测试
   • 蛇形绕桩

3. 数据记录项：

   • 控制指令
   • 车辆状态
   • 环境信息
   • 时间同步

6.2 典型问题排查

1. 纵向振荡：

   • 检查油门/刹车响应延迟
   • 降低微分增益
   • 增加执行器滤波

2. 横向过冲：

   • 调整预瞄距离
   • 加入转向速率限制
   • 检查轮胎侧偏刚度参数

3. 耦合失稳：

   • 验证质量分布参数
   • 检查坐标变换一致性
   • 降低高速下的转向增益

6.3 性能优化技巧

1. 速度自适应： 根据车速动态调整控制参数： Kp = Kp0 + Kv·v

2. 路面估计： 在线识别摩擦系数，调整控制限幅： μ = a_max/g

3. 载荷补偿： 考虑乘客/货��重量变化： m_eff = m_nominal + Δm

4. 温度补偿： 针对电池和电机特性变化： P_max = P_rated·(1 - 0.005·ΔT)

7. 前沿发展方向

7.1 模型预测控制(MPC)

相比LQR的改进：

• 处理显式约束
• 有限时域优化
• 滚动时域实施

挑战：

• 实时性要求高
• 模型精度敏感
• 参数整定复杂

7.2 自适应控制

在线调整策略：

1. 模型参考自适应
2. 直接参数自适应
3. 神经网络补偿

应用场景：

• 载荷变化剧烈
• 路面条件未知
• 车辆参数时变

7.3 强化学习

新兴方法特点：

• 无显式模型
• 数据驱动
• 端到端优化

工程化挑战：

• 训练成本高
• 可解释性差
• 实时性瓶颈

在实际工程中，我们通常会根据项目需求和资源条件，选择最适合的控制架构。对于大多数量产项目，经过精心调校的双PID方案仍然是最可靠的选择；而对性能要求更高的应用，LQR或MPC则能提供更优的控制品质。