核心内容摘要
Qwen3-Reranker-4B实战：手把手教你搭建多语言文本排序系统
《无人驾驶车辆模型预测控制》
基于运动学模型和MPC模型预测控制的轨迹跟踪控制CarSim/Simulink联合仿真模型已针对原书及代码中的错误进行勘误该联合仿真模型可完美复现圆形在学习龚建伟教授等所著《无人驾驶车辆模型预测控制》一书时
“基于运动学模型的模型预测控制”是理解MPC在轨迹跟踪中应用的关键章节。
本篇博文将带你完整复现该章节的核心内容包括车辆运动学模型建立离散化与状态空间表达MPC控制器设计含预测、滚动优化CarSim 与 Simulink 联合仿真平台搭建附可运行的 MATLAB/Simulink 示例代码结构说明⚠️ 注本文不提供完整源码下载链接避免版权问题但会详细说明实现逻辑与关键代码片段助你自主构建仿真系统。
为什么选择运动学模型在低速通常 15 m/s或路径曲率变化平缓的场景下车辆运动学模型Kinematic Bicycle Model因其结构简单、计算高效常被用于轨迹跟踪控制的初步验证。
其核心假设包括忽略轮胎侧偏力即无侧滑前后轮速度方向与车体方向一致车辆为刚体仅考虑平面运动该模型虽忽略动力学细节但足以反映车辆转向几何关系非常适合MPC算法入门与教学演示。
运动学模型建模与离散化连续时间模型车辆状态向量定义为x [ x , y , ψ , v ] T \mathbf{x} [x,\ y,\ \psi,\ v]^Tx[x,y,ψ,v]T其中x , y x, yx,y车辆质心位置ψ \psiψ航向角v vv纵向速度控制输入为u [ a , δ f ] T \mathbf{u} [a,\ \delta_f]^Tu[a,δf]Ta aa纵向加速度或通过油门/制动间接控制δ f \delta_fδf前轮转角运动学方程如下x ˙ v cos ( ψ ) y ˙ v sin ( ψ ) ψ ˙ v L tan ( δ f ) v ˙ a \begin{aligned} \dot{x} v \cos(\psi) \\ \dot{y} v \sin(\psi) \\ \dot{\psi} \frac{v}{L} \tan(\delta_f) \\ \dot{v} a \end{aligned}x˙y˙ψ˙v˙vcos(ψ)vsin(ψ)Lvtan(δf)a其中L LL为轴距。
离散化处理一阶欧拉法设采样周期为T s T_sTs则离散状态更新为matlabx(k
x(k) Ts v(k) cos(psi(k));y(k
y(k) Ts v(k) sin(psi(k));psi(k
psi(k) Ts v(k)/L tan(delta_f(k));v(k
v(k) Ts a(k);✅ 实际MPC中常对模型进行线性化围绕当前工作点以构建线性时不变LTI预测模型便于求解二次规划QP问题。
MPC控制器设计要点预测模型构建将非线性运动学模型在当前状态点线性化得到x k 1 A k x k B k u k c k \mathbf{x}_{k1} A_k \mathbf{x}_k B_k \mathbf{u}_k \mathbf{c}_kxk1AkxkBkukck利用该模型递推未来N p N_pNp步的状态预测形成预测输出向量Y \mathbf{Y}Y与控制序列U \mathbf{U}U的线性关系Y H x ( k ) G U \mathbf{Y} \mathbf{H} \mathbf{x}(k) \mathbf{G} \mathbf{U}YHx(k)GU
目标函数设计典型二次型代价函数J ( Y − R ) T Q y ( Y − R ) U T Q u U Δ U T Q Δ u Δ U J (\mathbf{Y} - \mathbf{R})^T \mathbf{Q}_y (\mathbf{Y} - \mathbf{R}) \mathbf{U}^T \mathbf{Q}_u \mathbf{U} \Delta \mathbf{U}^T \mathbf{Q}_{\Delta u} \Delta \mathbf{U}J(Y−R)TQy(Y−R)UTQuUΔUTQΔuΔU其中R \mathbf{R}R参考轨迹来自全局路径Q y \mathbf{Q}_yQy跟踪误差权重Q u , Q Δ u \mathbf{Q}_u, \mathbf{Q}_{\Delta u}Qu,QΔu控制量及变化率惩罚项
约束处理前轮转角限幅$ \delta_f \leq \delta_{\max}$转角变化率限制$ \Delta \delta_f \leq \Delta \delta_{\max}$纵向加速度范围a min ≤ a ≤ a max a_{\min} \leq a \leq a_{\max}amin≤a≤amax这些约束可直接嵌入QP求解器如 quadprog 或 mpc toolbox。
CarSim / Simulink 聚合仿真搭建接口配置在 CarSim 中选择 “Send/receive via Simulink” 模式设置通信变量输出CarSim → Simulinkx , y , ψ , v , ψ ˙ x, y, \psi, v, \dot{\psi}x,y,ψ,v,ψ˙等输入Simulink → CarSim前轮转角δ f \delta_fδf、驱动/制动指令可简化为加速度a aa 建议使用 CarSim 内置的 “User-defined variables” 功能自定义接口信号。
Simulink 模型结构[Reference Path]↓[MPC Controller] ← [Vehicle State from CarSim]↓[Control Output: δ_f, a] → CarSimMPC模块可用 MATLAB Function Block 或 S-Function 实现参考轨迹生成可读取预存的( x r e f , y r e f ) (x_{ref}, y_{ref})(xref,yref)数组并通过插值得到当前期望点
关键参数设置示例参数 值采样时间T s T_sTs
02 s预测步长N p N_pNp20控制步长N c N_cNc5轴距L LL
8 mδ max \delta_{\max}δmax30° (≈
52 rad)Δ δ max \Delta \delta_{\max}Δδmax10°/step
仿真结果展示典型场景在 双移线Double Lane Change 场景下横向位置误差稳定在 ±
1 m 以内航向角跟踪平滑无明显超调前轮转角响应符合车辆物理极限 可通过 CarSim 的 Plot 功能或 Simulink Scope 对比实际轨迹与参考轨迹。
代码结构说明MATLAB部分虽然无法直接分享完整工程文件但核心MPC求解函数结构如下matlabfunction [delta_f, a] mpc_kinematic_controller(x_current, ref_traj, params)% x_current: [x, y, psi, v]% ref_traj: [x_ref(1:Np), y_ref(1:Np), psi_ref(1:Np)]%
线性化运动学模型计算A, B, C[A, B, C] linearize_kinematic_model(x_current, params.L, params.Ts);%
构建预测矩阵 H, G[H, G] build_prediction_matrices(A, B, C, params.Np);%
构建QP问题min
5U’H_qpU f_qp’U[H_qp, f_qp] build_cost_function(H, G, x_current, ref_traj, params.Qy, params.Qu);%
定义约束A_ineq U b_ineq[A_ineq, b_ineq] build_constraints(params);%
调用quadprog求解U_opt quadprog(H_qp, f_qp, A_ineq, b_ineq, [], [], [], [], [], opts);%
提取第一步控制量delta_f U_opt(
;a U_opt(
;end 提示首次调试建议先在纯Simulink环境中用简化的车辆模型验证MPC逻辑再接入CarSim。
七、
常见问题与调试建议CarSim 与 Simulink 通信失败→ 检查变量名是否完全匹配单位是否一致CarSim 默认使用 km/h、deg 等MPC求解不收敛或控制量突变→ 调整权重矩阵增大Q u Q_uQu抑制控制剧烈变化→ 缩短预测时域N p N_pNp轨迹跟踪滞后→ 引入 前馈补偿如根据曲率调整参考速度→ 使用 时变参考点Look-ahead point而非最近点结语通过复现《无人驾驶车辆模型预测控制》
的内容不仅能深入理解MPC在轨迹跟踪中的数学原理还能掌握工业级仿真工具链CarSim Simulink的协同开发方法。
此基础框架可进一步扩展至动力学模型、多目标优化、障碍物避让等高级场景。
如果你正在学习自动驾驶控制算法不妨动手搭建这一系统——从理论到仿真的跨越正是工程师成长的关键一步。