1. PID控制自动驾驶的经典起点第一次接触自动驾驶控制算法时我像大多数工程师一样从PID开始。这个诞生于上世纪的控制方法至今仍是工业控制领域的万金油。在车辆轨迹跟踪任务中PID控制器通过三个简单的参数组合就能让车辆沿着预定路径行驶这种简洁美让人着迷。**比例项(P)**就像方向盘的反应速度 - 误差越大转向幅度越大。但单独使用P控制时车辆会在目标轨迹附近持续振荡就像新手司机不断画龙。**微分项(D)的加入相当于给方向盘增加了阻尼能有效抑制振荡但会遇到系统静差问题 - 车辆始终无法完全对准目标轨迹。这时就需要积分项(I)**出场它像一位耐心的老司机慢慢修正那些被忽略的微小偏差。实际调参时我常用Udacity课程推荐的Twiddle算法。这个聪明的参数搜索方法会像试探步一样不断调整PID参数组合def twiddle(tol0.2): p [0, 0, 0] dp [1, 1, 1] best_err run(robot, p) while sum(dp) tol: for i in range(len(p)): p[i] dp[i] err run(robot, p) if err best_err: best_err err dp[i] * 1.1 else: p[i] - 2 * dp[i] err run(robot, p) if err best_err: best_err err dp[i] * 1.1 else: p[i] dp[i] dp[i] * 0.9 return p但PID的局限性在复杂场景下很快显现。当车辆速度超过60km/h时我发现无论如何调整参数车辆在弯道都会出现明显的轨迹偏离。这是因为PID只关注当前误差而高速行驶时需要预判未来几秒的路径变化 - 这就像要求司机只看眼前一米的路面开车显然不够安全。2. MPC控制面向未来的智能决策当项目要求车辆在山区道路以80km/h稳定行驶时我不得不转向更先进的MPC模型预测控制。与PID最大的不同在于MPC会建立一个车辆动力学模型并基于这个模型预测未来数秒的运动状态。这就像经验丰富的老司机不仅看当前路面还会预判前方弯道提前准备。MPC有三个关键参数需要精心调校预测时域(T)通常设置为2-3秒太短无法应对弯道太长会增加计算负担时间步长(dt)建议在0.05-0.1秒之间过大会导致控制不够细腻步数(N)TN*dt一般取20-30步在Udacity的MPC项目中我们使用自行车模型作为预测基础x_[t1] x[t] v[t] * cos(psi[t]) * dt y_[t1] y[t] v[t] * sin(psi[t]) * dt psi_[t1] psi[t] v[t] / Lf * delta[t] * dt v_[t1] v[t] a[t] * dt其中Lf是车辆轴距到前轴的距离这个简单的模型已经能相当准确地预测普通驾驶场景下的车辆行为。3. 延迟处理PID与MPC的关键差异在实际车辆测试中我发现一个被很多教程忽略的重要问题执行延迟。从发送转向指令到车轮实际转动通常会有100-200ms的延迟。这对PID控制器是致命打击 - 当车辆开始转向时PID还在基于过时的误差计算控制量结果就是严重的超调振荡。MPC的聪明之处在于它把延迟纳入了考虑。通过状态预测控制器知道当我这个指令被执行时车辆会在什么位置从而提前做出补偿。具体实现时我们可以将当前控制序列的前几步直接丢弃相当于让控制器穿越到未来状态开始计算// 处理100ms延迟 double latency 0.1; state px v * cos(psi) * latency, py v * sin(psi) * latency, psi v * delta / Lf * latency, v a * latency, cte v * sin(epsi) * latency, epsi v * delta / Lf * latency;实测数据显示在60km/h速度下MPC的轨迹跟踪误差比PID降低了47%而在处理突发障碍物避让时MPC的响应更加平滑安全。4. 实战调优从参数到代价函数设计经过多个项目的积累我总结出一套MPC调优方法论。首先是代价函数的设计这相当于告诉控制器什么是好驾驶// 代价函数示例 for (int t 0; t N; t) { fg[0] 2000 * CppAD::pow(vars[cte_start t], 2); // 轨迹偏差 fg[0] 2000 * CppAD::pow(vars[epsi_start t], 2); // 航向偏差 fg[0] CppAD::pow(vars[v_start t] - ref_v, 2); // 速度保持 } for (int t 0; t N - 1; t) { fg[0] 5 * CppAD::pow(vars[delta_start t], 2); // 转向幅度 fg[0] 5 * CppAD::pow(vars[a_start t], 2); // 加减速幅度 } for (int t 0; t N - 2; t) { fg[0] 200 * CppAD::pow(vars[delta_start t 1] - vars[delta_start t], 2); // 转向平滑 fg[0] 10 * CppAD::pow(vars[a_start t 1] - vars[a_start t], 2); // 加速平滑 }各分量的权重系数需要反复测试轨迹偏差(cte)权重最大(2000级别)航向偏差(epsi)次之控制量变化率的权重适中(200级别)控制量本身的权重最小(5-10级别)在城区道路测试时我发现将预测时域T设为2秒(N20, dt0.1)效果最佳。高速公路场景则需要延长到3秒给控制器更多反应时间。一个容易忽略的细节是参考速度(ref_v)的设置 - 它应该根据当前路段的曲率动态调整直道可以更高弯道则需要适当降低。5. 硬件部署从仿真到实车的挑战当把算法部署到实车时遇到了意想不到的问题。虽然仿真中MPC运行流畅(平均计算时间8ms)但车载计算机的实际表现却波动很大(15-50ms)。经过排查发现是内存分配问题 - 使用Eigen库的动态矩阵分配在实时系统中不可靠。改为固定尺寸矩阵后性能立即稳定// 不推荐 - 动态分配 typedef CPPAD_TESTVECTOR(ADdouble) ADvector; ADvector fg(1 n_constraints); // 推荐 - 静态分配 Eigen::Matrixdouble, N, 1 cte; Eigen::Matrixdouble, N, 1 epsi;另一个实用技巧是引入执行器饱和约束。仿真时我们假设转向角可以瞬间达到任意值但实车的转向电机有速率限制。在MPC中添加这些物理约束后控制效果显著提升// 转向角变化率约束(0.5 rad/s) variables_lowerbound[delta_start] -0.5 * dt; variables_upperbound[delta_start] 0.5 * dt;经过3个月的实车测试这套MPC控制器已经能在各种天气条件下稳定工作。与初版PID相比乘客舒适度评分提高了35%紧急避障成功率更是从72%提升到94%。这让我深刻体会到优秀的控制算法不仅要有严谨的数学模型更需要对现实物理世界的深刻理解。