引用格式
英文：Stano P, Montanaro U, Tavernini D, et al. Model predictive path tracking control for automated road vehicles: A review[J]. Annual Reviews in Control, 2023, 55: 194-236.
主要贡献
本文系统综述了自动驾驶公路车辆路径跟踪控制中模型预测控制（MPC）的研究进展，聚焦于MPC分类、预测模型构建以及控制问题建模等核心内容。
在MPC分类方面，文章对比了LTI-MPC、LTV-MPC、LPV-MPC、NMPC、HMPC和NNMPC等多种类型，并总结了鲁棒MPC与学习型MPC的应用场景。研究表明，线性化模型在低速与常规工况下具有较好实时性，而NMPC在中高速与近极限工况下能够提供更高的路径跟踪精度，但计算负担较大。新兴的NNMPC与学习型MPC则展现出弥补模型不完备性与提升适应性的潜力。
在预测模型方面，文章总结了从运动学单轨模型、动力学单轨模型到双轨模型和多自由度模型的层次化发展。结果表明，运动学模型计算量小，适合低速工况，但难以反映高速下的轮胎侧偏与载荷转移效应。双轨及高自由度动力学模型能更全面描述车辆状态，但实时性受到制约。
在控制问题建模方面，文章系统分析了预测域与控制域长度、采样时间、代价函数和约束条件设计对性能与实时性的影响。研究指出，适当缩短控制域可降低计算量，而合理的预测域长度与模型复杂度选择是性能与实时性的平衡关键。
在性能对比与未来趋势上，文章总结了MPC在与PID、Stanley、滑模、LQR等方法对比中的优势，尤其在处理多输入多输出与约束方面展现出独特价值。但同时，NMPC的实时性瓶颈、模型与实际偏差及高速工况下的预测不足仍是亟待研究的问题。未来方向包括结合数据驱动方法的NNMPC与学习型MPC，以进一步提升控制精度与适应性。
可引用角度
该文可被引用的研究方向主要包括以下几类：
首先，在理论研究方面，涉及MPC路径跟踪控制、预测模型构建、代价函数与约束设计的研究均可引用该文。尤其是在探讨非线性预测模型适用性、实时性与性能权衡以及不同MPC类型对比时，本文的综述可作为重要参考。此外，其他类型自动驾驶车辆与移动机器人的路径跟踪研究，也可借鉴该文的分类框架与分析思路。
其次，在应用研究方面，作为一篇系统综述，本文适合被引用于自动驾驶乘用车、商用车以及无人运输车辆等工程研究。文章关于模型选型、预测域与控制域配置的讨论，可作为工程设计与仿真分析的参考，其对不同控制器表现的总结有助于论证控制方法的合理性与适应性。
最后，在对比研究方面，本文归纳了PID、LQR、滑模、Stanley等控制方法与MPC的差异，并对LTI-MPC、LTV-MPC、LPV-MPC与NMPC等的优缺点进行了分类比较。因此，在进行不同控制器性能对比、研究MPC实时性优化或探索NNMPC与学习型MPC时，本文均具有参考价值。
致谢：感谢Stano等学界同行对本课题组论文的引用。
