MPC轨迹跟踪：自行车模型与优化控制实践

1. 运动学模型MPC轨迹跟踪的核心原理

轨迹跟踪问题本质上是一个典型的控制问题——如何让车辆（或其他移动机器人）按照预定的路径行驶。模型预测控制（MPC）之所以适合这类问题，是因为它能够考虑未来多个时间步的状态，并优化控制输入序列。

在自动驾驶或移动机器人领域，常用的运动学模型是自行车模型（Bicycle Model）。这个模型简化了车辆的运动特性，假设前后轮可以合并为一个等效轮。模型的状态通常包括：

• x, y：车辆在二维平面中的位置
• θ：车辆的航向角
• v：车辆的速度

控制输入通常是：

• a：加速度（油门/刹车）
• δ：前轮转向角

这个模型的非线性特性使得直接求解最优控制问题变得困难。MPC通过以下方式解决这个问题：

1. 在每个控制周期，基于当前状态预测未来N步的系统行为
2. 将非线性优化问题转化为二次规划问题
3. 只执行第一步的控制输入，然后在下一个周期重复这个过程

2. 自行车模型实现细节

2.1 状态更新方程

自行车模型的核心是状态更新方程，它描述了车辆状态如何随时间演变。在Matlab中实现时，有几个关键点需要注意：

matlab复制function x_next = bicycle_model(x, u, L, dt)
    beta = atan(tan(u(2))/2); % 转向等效角
    x_next = x + [
        x(4)*cos(x(3)+beta);
        x(4)*sin(x(3)+beta);
        x(4)*sin(beta)/(L/2);
        u(1);
    ] * dt;
end

这个函数中，有几个容易出错的细节：

1. β角的计算：很多人会忘记除以2，这会导致转向响应过于敏感
2. 航向角更新：分母中的L/2容易被误写为L
3. 速度更新：直接使用控制输入u(1)作为加速度

实际调试中发现，当车辆速度较低时，这个模型可能会出现数值不稳定的情况。一个实用的改进是添加速度下限保护：

matlab复制v = max(x(4), 0.1); % 防止速度为0导致数值问题

2.2 模型参数选择

车辆轴距L的选择对控制性能影响很大：

• 对于小型车辆，L通常在2-3米