前言：前几篇把感知、定位、预测都拆完了，按理说无人车应该已经能"看见"周围、能知道自己在哪、能猜到别车下一步动作——剩下的最后一公里，是把这一切决策变成油门、刹车、方向盘的实际输出。这一步看起来"不起眼"，但它是安全行驶的最后一道关卡：稍微抖一下、转向多一点，乘坐体感就崩了。本篇就来拆解自动驾驶里的"控制理论"——从控制模块在整车架构里的位置出发，到最基础的控制系统三域，到最经典的 PID 控制器，再到更进阶的 LQR 和 MPC，最后看看百度 Apollo 和 MATLAB 工具箱是怎么落地的。欢迎大家一起探讨～

一、控制模块在自动驾驶体系中的位置

在自动驾驶的整套架构里，控制模块（Control）扮演的是"翻译官"的角色——把上游 Planning 模块给出的轨迹"翻译"成油门、刹车、方向盘三个具体的执行动作。

1.1 Control 模块是什么

先看 Control 模块在自动驾驶体系里的上下游关系：

输入侧包含 4 类信息：

• Reference：Planning 给出的目标轨迹，告诉车"接下来要走哪条线"
• 定位信息：Localization 模块输出的车辆当前位置和姿态
• 地图信息：HD-Map 提供的高精度地图信息
• 车辆反馈信号：底盘 Canbus 上报的速度、转角、报错等

输出侧只有 3 个量——油门、刹车、方向盘。这 3 个量最终通过 Canbus 协议下发到底盘执行机构。

定位模块（Localization）、感知模块（Perception）、预测模块（Prediction）都会输出到 Planning 模块，而 Planning 的输出再传给 Control，最终 Control 通过 Canbus 控制车辆。Simulated Model 是仿真环境里的"假车"，用于在仿真阶段验证控制算法。

1.2 CANBUS 与执行机构

Control 模块下达的油门/刹车/方向盘命令，要通过CANBUS（Controller Area Network，控制器局域网总线，车辆底盘交互协议，由车厂决定）才能真正落到执行机构上。CANBUS 的上下游关系分两块：

Chassis（底盘），负责真实车辆的底层信号：

仿真环境，模拟真实车辆的动力学行为：

• 运动学模型：忽略轮胎力，按几何关系描述车辆运动（适合低速、稳态场景）
• 动力学模型：考虑轮胎力、惯性等力学因素（适合高速、极限工况）

这两个模型在 Control 算法开发阶段用于离线仿真验证（Simulated Model），等算法调好后才会部署到真车底盘。

1.3 控制模块的内部处理流程

一个完整的 Control 模块内部，还细分为预处理 → 控制器 → 后处理三段流水线：

Planning、Localization、Canbus → 预处理 → 控制器 → 后处理 → 车辆

预处理（Preprocessing），负责把输入信号"洗干净"：

控制器设计（Controller），是整个模块的核心，设计流程分四步：

• 建模：建立车辆/系统的数学模型
• 系统参数辨识：标定模型参数
• 控制观测器设计：设计观测器估计系统状态
• 参数 Fine Tuning：对控制参数做精细调优

后处理（Postprocessing），负责把控制器输出"打磨"后再下发：

二、控制任务与"为什么重要"

2.1 控制任务的三大类

控制模块的职责，一句话概括就是：让车辆在既定轨迹上平稳运行的学问。Control 模块要做的"翻译"工作，远不止"按一下油门"这么简单。从 Planning 给的轨迹信息，到最终输出执行命令，至少要同时满足三件事：

此外，实时性要求也很高——一般要求100Hz（每秒 100 次）的控制频率，否则在高速场景下"反应慢半拍"就可能出问题。

2.2 为什么控制很重要

用一个类比：自动驾驶的感知/定位/预测模块相当于"驾驶员的眼睛和大脑"，而 Control 模块才是"驾驶员的手脚"——它直接决定了乘客的乘坐体验。

具体来看，控制有三个不可替代的职责：

• 精细执行：对油门、刹车、方向盘的精细控制——不是简单的"开/关"，而是连续可调
• 安全底线：是安全行驶的最后一道关卡——前面任何模块出错，最终都要靠控制来"兜底"
• 抗不确定性：克服外界各种不确定性环境因素（风速、湿滑路面、坡度变化等）

而且，控制问题很复杂，是一套严格的数学分支。

三、控制理论基础

3.1 为什么需要控制

控制系统本质上是一个"消除数学模型和物理模型差异"的过程——因为任何模型都不能 100% 精确描述真实物理系统，控制就是要让实际输出尽可能贴近期望输出。

对于无人车来说，控制要满足三个核心指标：

一个反问：如果控制系统设计得不好，会出现什么现象？答案就是常见的"过冲"、"震荡"、"稳态偏移"——比如定速巡航时车速来回波动，方向盘修来修去修不到正中央。

3.2 控制系统的三个域

控制系统的分析方法有三种"语言"，分别对应不同的视角：

时间域 vs 频率域：时间域是"看波形怎么随时间变化"，频率域是"看系统对不同频率的输入有多敏感"。两者可以通过傅立叶变换（FT/FFT）相互转换——把一个时域信号拆成不同频率的正弦波叠加，反之亦然。

工程上常用的工具是拉普拉斯变换：

拉普拉斯变换是控制理论入门书必讲的内容——它把微分方程转化为代数方程，让复杂系统分析变得可能。傅立叶变换（FT/FFT）则把任意信号拆成一系列正弦波的叠加：

三域之间是相互变换的：

• 时域 ↔ 频域（傅立叶/拉普拉斯变换）
• 时域 ↔ 离散域（采样/保持）
• 频域 ↔ 离散域（双线性变换）

用互联网黑话说，控制理论的"三域"其实就是"同一件事的三种翻译"——就像英文、中文、日文都能描述同一件事，工程师根据场景选最方便的"语言"。

不同领域对特定的需求有不同的解法，控制算法也针对不同域有不同的优势。把信号在三域之间来回切换，本质上扩展了人对物理系统的深刻理解。

四、PID 控制器

4.1 最简单但最有效的控制器

PID（Proportional-Integral-Derivative）是工程上应用最广泛、最有效的控制器，没有之一。

PID 的核心特点：

• Model Free：通用性极强，任何模型都可以用——不管系统是机械、电气、化工，还是无人车
• 反馈控制：输入可以只是当前状态和目标状态（如速度、位置）
• 设计简单：三个参数 K_p、K_i、K_d，调一调就能用

一句话总结：PID 控制器的精髓就是"误差说了算"——但误差有三种"看法"，所以才有了 P/I/D 三个维度。

4.2 比例 P

P：proportional（比例）

核心特性：输出与误差成正比，误差越大，作用越强。

特性拆解：

• 跟误差成正比，误差越大，作用越强——直觉上"越偏得远，越用力修"
• 容易出现震荡，无法收敛——力气用过头了，会来回拉锯
• 越靠近目标，应该作用越小，才能稳定——这正是 P 控制器需要 K_p 调小的原因
• 注意误差为 0 时，控制器输出也是 0——纯 P 控制器有稳态误差问题（见 4.4 节）

类比：你开车时偏离了车道，方向盘打的幅度和偏离距离成正比——P 项就是这种"线性反应"。

4.3 微分 D

D：derivative（微分）

核心特性：阻尼项，减少控制器输出的变化率。

特性拆解：

• 阻尼项，减少控制器输出的变化率——P 项容易"冲过头"，D 项是"提前刹车"
• 考虑将来误差：计算误差的一阶导（变化趋势），和一个正值的常数相乘
• 微分控制可以提升整定时间及系统稳定性——让响应更快更稳

类比：你看到前方 5 米突然有行人，单纯靠 P（按当前距离反应）来不及。还要靠"提前感知"——D 项就是这个"预判能力"。

4.4 积分 I

I：integral（积分）

核心特性：纠正系统累计偏差，缩小稳态误差。

特性拆解：

• 无法解决系统误差导致的稳定 Error 和震荡现象——纯 P 或 PD 控制都会有"稳态误差"（系统差一点点但始终修不到位）
• 纠正系统累计偏差——把过去一段时间的误差累加起来，乘以一个正值常数
• 缩小稳态误差——只要有误差，积分项就一直累积，迟早会把误差"压下去"
• 积分控制会加速系统趋近设定值的过程，并且消除纯比例控制器会出现的稳态误差

一个反问：为什么纯 P 控制器修不到精确目标？答案是 P 项的输出与误差成正比——当误差很小时，输出也很小，但摩擦力等"阻力"可能抵消了这个小输出，所以车总是比目标慢一点点。I 项把"过去所有的小误差"累计起来，慢慢地就能克服这个阻力。

4.5 三个参数怎么调

一句话总结：P 管"快不快"，I 管"准不准"，D 管"稳不稳"。

4.6 频率域表达（传递函数）

PID 控制器也可以写成频率域的传递函数形式：

传递函数的优点是：直接看出系统的零极点，便于分析稳定性。在工程实践中，PID 既可以用时域实现（直接积分微分），也可以用频率域工具设计。

4.7 PID 是线性控制器

PID 控制器是线性控制器——这既是它的优点（简单、好分析），也是它的局限。

不够用的场景：

• 四轴飞行器：是多变量耦合系统（4 个电机互相影响）
• 多自由度机器人：每个关节都是一个独立的 PID，但耦合严重
• 复杂无人车系统：横向+纵向+加减速同时控制

所以在自动驾驶里，PID 一般只用于：

• 纵向 PID 控制器（速度控制）
• 横向 PID 控制器（简单的车道保持）

更复杂的横向控制场景，需要用到后面介绍的LQR或MPC。

4.8 位置式 vs 增量式

PID 控制器按"输出形式"还可分为两种：

无人车的控制主要用位置式——因为执行机构接收的是"目标值"而不是"增量"。

4.9 串联 PID

单个 PID 控制器对单一变量的控制是非常有效的——无人车里可以独立控制量：速度、加速度、位置、Heading。

但很多场景需要同时控制多个变量，并且存在相互干扰（比如方向盘转角会影响车速），这时候就要用串联 PID。

串联控制（Cascade Control）是改善控制质量的有效方法，能应对多变量控制和多干扰项。

核心思想：

• 外环控制器的输出作为内环控制器的设定值
• 内环控制器的输出去操纵控制阀（执行机构）

类比：你想把车从 60 km/h 加速到 80 km/h。外环 PID 比较"目标速度 80"和"实际速度 60"，输出一个"目标加速度 2 m/s²"。内环 PID 比较"目标加速度 2"和"实际加速度 1.5"，输出"油门开度 +5%"。这样即使有风、有坡，内环也能很快修正。

典型的无人车串联 PID 结构：

• 外环：横向位置 → 目标转向角
• 内环：转向角 → 方向盘转角
  

五、复杂控制器设计

PID 控制器简单高效，但在自动驾驶的实际场景里往往不够用——尤其是横向控制，要求"又快又稳又准"。于是就有了"复杂控制器"：设计思路分三步：

这一节先讲第一步：动力学建模——只有先有了一个靠谱的"车辆模型"，才能设计出"靠谱的控制器"。

5.1 车辆模型

车辆模型的作用是表征一个车辆的物理特性，核心是单车模型（Bicycle Model）。

单车模型的关键功能：

• 评估每一个控制输入应用于车辆后会发什么
• 给出未来 N 秒车辆的状态预测（位置、速度、姿态等）

输入：当前 Vehicle State + Control inputs → 输出：未来 Vehicle Trajectory

5.2 单车模型的主要物理定律

单车模型的核心是4 条物理定律（推导基于刚体牛顿第二定律和刚体力矩分析）：

这套模型也叫"简易自行车模型"（Simple Bicycle Model）——把左右轮合并成一个虚拟的轮子，建模复杂度从 4 轮减到 2 轮，计算量大幅下降，精度损失很小。

5.3 横向动力学（线性化后）

线性化的好处：把非线性微分方程变成线性时变（LTV）系统，可以套用 LQR、MPC 等成熟的线性控制理论。

5.4 小误差模型

实际工程里还常用小误差模型——只关心车和目标轨迹的偏差，而不是车的绝对运动。

模型推导过程不详细展开，完整推导可参考：http://intheworld.win/2018/11/24/lqr与汽车横向动力学/

[1] Rajamani, Vehicle dynamics and control, 2011

5.5 系统辨识模型

车辆模型里有些参数是不知道的（比如轮胎侧偏刚度 c_f、c_r，质心位置等）——这些参数需要通过实验采集。

系统辨识（System Identification）就是通过实验方法采集模型参数。常见方法有三类：

Learning-Based 方法：

• 机器学习：用数据驱动方法直接学习控制器（端到端）

工程上，汽车动力学模型大多用白箱辨识——物理结构清晰，可解释性强，便于控制器设计。

六、LQR（线性二次调节器）

6.1 最优控制理论

LQR 是最优控制理论（Optimal Control）的代表方法。

最优控制的核心思想：

• 给定一个系统和环境扰动
• 根据需求条件（Objective）
• 实现最优的控制量决策

控制理论的"复杂度和精准度"演进路径：

复杂度从左往右递增，精准度也从左往右递增。

6.2 LQR 是什么

LQR（Linear Quadratic Regulator，线性二次调节器）是一种基于模型的控制器：

• 通过车辆状态和模型推理，使得误差最小
• 常用于设计横向控制器

状态 X（设计 LQR 需要哪些状态量）：

控制量 U（LQR 的输出）：

6.3 LQR 状态方程

LQR 假设系统是线性等式（L）：

设计目标是尽可能减少误差，同时使用最小的输入量 U：

• 误差小 → 系统跟随目标好
• 输入小 → 省油、平滑

Cost 函数：

其中  和  为正定矩阵（设计参数）：

• Q 大 → 更看重误差（精度优先）
• R 大 → 更看重输入小（省油/舒适优先）

6.4 LQR 的最优解

这里给的是连续空间的求解方法，还有离散空间的表达式——工程实现通常用离散版本。

6.5 LQR 的工程优势

LQR 之所以成为横向控制的主流方案：

• 设计成熟：有标准 Riccati 方程求解工具
• 实时性好：u = -Kx 只需矩阵乘法，CPU 占用极低
• 参数调节直观：调整 Q 和 R 就能在"精度"和"省油/舒适"之间取舍
• 稳定性有保证：LQR 设计出来的控制器天然稳定（闭环稳定）

七、MPC（模型预测控制）

7.1 为什么需要 MPC

LQR 已经很好了，但在自动驾驶里仍然不够用——原因是LQR 无法处理约束。

比如车辆有以下物理约束：

• 方向盘转角不能超过正负35度
• 方向盘转速不能超过一定限值
• 加速度有上下限（a_min  ≤  a  ≤   a_max）
• 横向加速度不能太大（乘客会晕）

LQR 把这些约束当"软约束"（超一点没关系），但 MPC 可以把约束当"硬约束"（绝对不能超）。

7.2 MPC 的核心思想

MPC（Model Predictive Control，模型预测控制）是更为复杂的控制器，也是当前自动驾驶横向控制的主流方案——百度 Apollo 的横向控制就采用了 MPC。

MPC 的基本步骤：

1. 建立模型：用车辆动力学模型预测未来 N 步的状态
2. 计算有限时间范围内的最优控制输入：在预测窗口里求解最优控制序列
3. 执行第一组控制输入：只执行第一步控制，下一时刻重新计算

迭代优化的思想：

• 先计算一系列的控制输入并优化该序列输入
• 执行第一组控制输入
• 循环执行上面两步

类比：你在高速上开车，眼睛不断看前方 100 米的路况（建立模型 + 预测），大脑每秒算出未来 3 秒的转向和刹车序列（优化），但只执行第一步（方向盘打 2°），下一秒重新算。这就是 MPC 的"滚动优化"。

7.3 LQR vs MPC

7.4 MPC 的关键挑战

时效性 vs 准确性：

MPC 的优化窗口（time horizon）越长，理论上越能找到全局最优解；但计算量也越大，实时性变差。

搜索问题：通过车辆动力学模型来减少解空间——MPC 不是"穷举所有可能的转向角"，而是基于动力学模型预测"合理的转向角范围"，在这个范围内搜索最优解。

模型、约束、优化结合：

MPC 的核心是同时优化三个目标：

• Discomfort（舒适性）：jerk 加速度不能太大
• Jerking（顿挫）：加速度变化率不能太大
• Cross Track Error（横向偏差）：跟规划线的横向距离最小

无人车做 MPC 控制时，CPU 负载通常会比 LQR 高一个数量级——这就是为什么有些量产车只敢用 LQR，而研究/高端车型才上 MPC。

7.5 MPC 控制流程图

MPC 的标准控制流程：

y_k → [比较器] → MPC controller → u_k → 真实系统 G → y_k              ↑              └─ 预测系统 G* ← 反馈校正 ← y_k（实际输出）

核心组件：

• 预测系统：用车辆动力学模型预测未来 N 步的状态
• 滚动优化：在预测窗口里求解最优控制序列
• 反馈校正：用实际输出修正模型预测的偏差（应对模型不精确）

7.6 MPC 状态方程

车辆误差跟踪状态方程：

状态 X：

控制量 U：

扰动 C：

连续形式：

离散形式（工程实现）：

7.7 MPC 优化问题

未来 N 个周期的状态方程预测：

目标函数（二次规划形式）：

约束：

改写为标准二次规划形式：

八、Apollo 控制算法与 MATLAB 工具箱

8.1 Apollo 的控制器组合

百度 Apollo 是国内自动驾驶的代表性开源项目，其横向控制器的设计很有代表性：

Apollo 的设计思路：纵向用 PID（简单成熟），横向用 LQR + MPC（精度+约束）——把最合适的控制器放在最合适的位置。

8.2 MATLAB 控制算法工具箱

工程上做控制算法仿真和验证，主要用 MATLAB + Simulink 生态：

MATLAB 平台工具：

控制算法工具箱：

官方学习资源：

• MATLAB 中国官网：https://ww2.mathworks.cn/?s_tid=gn_logo
• MPC 自动驾驶教程：https://ww2.mathworks.cn/help/mpc/ug/automated-driving-using-model-predictive-control.html