自动驾驶深度学习(第18/100天)运动控制:让规划轨迹变成真实的“手和脚”

阅读约13分钟 | 关键词：PID控制、前馈+反馈、模型预测控制（MPC）、横向控制、纵向控制

前一篇我们讲了决策与规划——系统决定“要变道”并生成了一条平滑的期望路径。但有了路径不等于车会自动沿着它走。谁来执行方向盘转动、油门踩深踩浅、刹车轻重？这就是运动控制模块的任务。

运动控制是自动驾驶的“最后一公里”，它将规划模块输出的期望轨迹（位置、速度、加速度、曲率）转换为具体的方向盘转角、油门开度、制动压力等执行器指令，并实时补偿外界扰动（如横风、路面坡度、车辆载重变化）。今天，我们讲清楚两种最主流的控制方法：PID控制和模型预测控制（MPC），以及它们在横向（转向）和纵向（速度）控制中的应用。

🎮 一、控制问题的本质

定义状态量：比如横向偏移（距离车道中心线的距离）、航向角误差、车速等。

控制器的目标：通过调整控制量（方向盘转角、加速度/制动力），使状态量尽快、稳定地趋近于期望值，同时保证舒适性（变化平缓）和安全性（不超物理极限）。

横向控制 vs 纵向控制

· 横向控制：控制方向盘转角，使车辆跟随规划的路径（车道中心线）。输出是前轮转角或方向盘转角。
· 纵向控制：控制油门和刹车，使车辆达到期望速度或与前车保持安全距离。输出是加速度/减速度请求，再转换为踏板开度。

两者需要协同工作，否则会相互干扰（例如急刹车时转向会变得不稳定）。

⚙️ 二、PID控制：经典且广泛应用的“比例-积分-微分”

PID（Proportional-Integral-Derivative）是一种不依赖精确模型、仅根据误差进行反馈的控制算法。它已经存在了超过一个世纪，在工业控制中无处不在，也是早期及许多量产车最基本的控制方法。

工作原理

控制器计算期望值（如期望的横向偏移=0）与实际值（实际横向偏移）的误差 e(t)，然后输出控制量 u(t) 为三项之和：

u(t) = Kp × e(t) + Ki × ∫ e(t) dt + Kd × de(t)/dt

· 比例项 (P)：误差越大，控制量越大。单独使用P会导致稳态误差（比如永远差5cm达不到中心线）。
· 积分项 (I)：累积过去的误差，消除稳态误差。但积分过大容易引起超调或震荡。
· 微分项 (D)：预测误差的变化趋势，阻尼系统响应，减少超调。对噪声敏感。

在自动驾驶中的应用示例

横向PID：输入为车辆当前位置与规划路径的横向偏差和航向角偏差，输出为方向盘转角。工程师通常会设置两套独立的PID（一个用于偏差，一个用于航向角），并加权求和。

纵向PID：输入为速度误差（期望车速 - 实际车速），输出为期望加速度。再通过一个低层映射表转换为油门踏板百分比或制动压力。

PID的优缺点

优点：简单、参数物理意义明确、无需精确模型、计算量极小、可靠。

缺点：难以处理耦合（横向和纵向相互作用）、无法预见未来、对变化的路况（如不同速度下车辆转向响应不同）需要多个PID参数表（增益调度）。在极限工况下（湿滑路面、紧急避障）性能较差。

🧠 三、模型预测控制（MPC）：更智能的未来预见者

MPC在近年来的高端智驾系统中逐渐成为主流，尤其是高速NOA和城市NOA，因为它能显式地处理约束（方向盘转角限幅、加速度舒适度限制）并预测未来。

核心思想

在每个控制周期，MPC根据当前车辆状态和动态模型，预测未来N个步长（如3秒）的系统行为，然后求解一个优化问题——寻找最优的控制序列（比如未来1秒内每0.05秒的方向盘转角），使得预测的轨迹与期望轨迹的偏差最小，同时满足约束。然后只执行控制序列的第一个控制量，下一周期重新计算（滚动时域）。

与PID的关键区别

· 预见性：MPC能看到未来的期望路径（比如前方即将出现的弯道），提前转动方向盘，而不是像PID那样等到进入弯道有了偏差才开始纠正。
· 约束处理：MPC可以直接限制方向盘转动速率、最大转角、最大加速度，确保舒适和安全。
· 多目标协调：可同时最小化横向偏差、速度偏差、转向能耗等，并设置权重。

MPC的挑战

· 计算量大：需要在线求解优化问题（二次规划QP），对算力要求高。但现代芯片已能支持10-50Hz的MPC运行。
· 依赖模型：需要车辆的动力学模型（如自行车模型、轮胎特性），模型不准确会影响控制效果。
· 参数调优复杂：预测时域、控制时域、权重矩阵需要大量标定工作。

🚗 四、横向控制对比：PID vs MPC 实测感受

· PID：在高速直道和缓弯中表现很稳。进入急弯时，方向盘会“等一下”才转动，车身出现明显的外偏再修正，感觉像是“画龙”或“生硬”。
· MPC：进入弯道前就能提前平滑地转动方向，过弯全程贴近车道中心，乘客几乎感觉不到修正动作。在车道线短暂缺失时，MPC能利用模型“推断”车辆在未来几米内的运动，保持更长时间的稳定。

结论：对于30万以下、智驾功能以LCC和高速NOA为主的车型，优化良好的PID仍够用；但对于城市NOA、复杂曲率匝道，MPC能提供明显更好的舒适性和安全性。

📊 五、纵向控制中的PID与MPC

纵向控制相对横向简单，因为纵向动力学模型比较准确（可通过标定获得）。常见做法：

· 上层：ACC根据前车距离和速度，计算出期望加速度（通常用PID或MPC）。
· 下层：将期望加速度通过逆模型（或查表）转换为油门踏板开度或制动压力，并执行。

MPC在纵向控制中的优势主要是能预见上坡、下坡、限速变化，提前调整油门，避免忽快忽慢。

🛠️ 六、工程实践中的常见问题与对策

1. 时延补偿

从传感器采样、感知、规划到控制指令发出，整个链路有约50-100ms的延迟。PID和MPC都需要考虑这个延迟。通常做法：将延迟建模为一阶惯性，或在优化中加入时间偏移。

2. 抗积分饱和（Anti-windup）

长时间有误差（例如坡道起步），积分项会累积到很大，导致超调。解决方案：限制积分项上限，或当执行器饱和时停止积分。

3. 不同速度下的参数自适应

车辆在低速和高速下对方向盘的响应不同。PID增益调度表按车速分段标定；MPC模型参数也会随车速变化。

4. 安全冗余

控制模块通常有独立的监控单元，如果检测到控制器输出异常（如方向盘转角突变），会立即触发安全降级（如退出辅助驾驶，提示接管）。

📌 今日思考题

1. 设想你驾驶一辆车通过一个长下坡急弯。如果用PID横向控制，可能会在弯道中出现“外偏-修正”的往复摆动；而MPC则可以更平滑。请从“预见性”和“约束处理”两个角度解释差异原因。
2. 为什么单纯靠PID很难做到在湿滑路面上稳定控制？MPC能通过哪些方式改进？

关键词回顾
PID控制 模型预测控制 横向控制 纵向控制 增益调度 时延补偿 约束处理

🎯 明天预告（第19天 / 动态篇）

结合今天的控制知识，解读一则行业事件：某品牌智驾在雨夜弯道中失控，分析是控制算法、感知还是决策的缺陷？

本系列为100天深度学习计划，每日1篇。欢迎随时提问。