💻 computer science

LPV-MPC for Lateral Control in Full-Scale Autonomous Racing

本文介绍了一种用于全尺寸自动驾驶赛车横向控制的线性变参数模型预测控制（LPV-MPC）方法，该方法在 IAC AV-24 赛车上成功实现了超过 160 英里/小时的稳定控制，并详细阐述了控制器设计、参数提取、系统实现及最终比赛表现。

原作者： Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Hassan Jardali, Ihab S. Mohamed, Durgakant Pushp, Lantao Liu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常酷的故事：印第安纳大学的一个团队（IU-LART）如何让一辆全尺寸的自动驾驶赛车在赛道上以超过 160 英里/小时（约 260 公里/小时）的惊人速度飞驰，而且全程没有人类司机插手。

为了让你轻松理解，我们可以把这项技术想象成教一个“超级赛车手”如何在极限边缘跳舞。

1. 核心挑战：在刀尖上跳舞

想象一下，你正在开一辆普通的家用轿车，你只需要轻轻转动方向盘就能平稳过弯。但在赛车场上，尤其是像印第安纳波利斯赛车场（IMS）这样的高速椭圆形赛道，情况完全不同：

速度极快：车子快得像子弹，任何微小的错误都会被放大。
轮胎在“尖叫”：为了在高速下转弯，轮胎必须发生“侧滑”（就像在冰面上漂移），而不是像普通开车那样稳稳地滚动。
时间紧迫：他们只有很少的练习时间，而且赛车非常昂贵，撞坏了修不起。

传统的自动驾驶方法（比如简单的几何追踪）就像是用自行车模型来开赛车：假设轮胎永远不打滑。这在高速下完全行不通，因为赛车必须利用轮胎的侧滑来产生巨大的抓地力。

2. 解决方案：LPV-MPC（会“读心”的超级导航）

为了解决这个问题，团队开发了一种叫做 LPV-MPC 的控制器。我们可以用几个生动的比喻来解释它：

A. MPC（模型预测控制）：像下棋一样思考

普通的自动驾驶司机（比如纯追踪算法）就像是一个只看眼前的司机：看到前面路弯了，就立刻打方向盘。
而 MPC 就像是一个高明的国际象棋大师：

它不仅仅看现在，还会预测未来几秒会发生什么。
它会问：“如果我现在的方向盘打 10 度，3 秒后我会不会冲出赛道？如果我打 15 度，会不会太急？”
它在脑海中快速模拟了无数种可能的情况，然后选出最优的一条路，既快又稳。

B. LPV（线性变参数）：会“变魔术”的模型

赛车在不同速度、不同弯道（曲率）和不同倾斜度（赛道有坡度，像碗一样）下，表现完全不同。

如果用一个固定的模型（比如假设车速永远是 100 公里/小时），就像用一把尺子去量所有东西，在高速下会出错。
LPV 就像是一个智能的变形金刚。它知道：
- 当车速变快时，它自动调整“性格”（模型参数）。
- 当赛道变弯时，它重新计算“策略”。
- 当赛道有坡度（Banking）时，它知道重力在帮忙，从而调整转向力度。
- 简单说：它不是死记硬背，而是根据当前的速度和路况，实时重写自己的驾驶规则。

3. 他们是怎么做到的？（系统识别与调教）

在让赛车跑起来之前，团队必须先了解这辆车的“脾气”。

像医生做 CT 扫描：他们收集了赛车在练习赛中的数据，特别是轮胎在高速下的表现。
拟合“魔法公式”：他们使用了一种叫“魔术公式”（Pacejka）的数学模型来描述轮胎。这就像是在给轮胎画一张性格地图，告诉电脑：“在侧滑 2 度时，轮胎能产生多大的抓地力”。
结果：他们成功地在电脑上建立了一个非常接近真实赛车的“数字双胞胎”。

4. 实战表现：160 英里/小时的奇迹

在 2025 年 1 月的拉斯维加斯比赛中，这辆 IAC AV-24 赛车展示了惊人的能力：

极速：最高达到了 163.1 英里/小时（约 72 米/秒）。
稳定性：虽然速度极快，但赛车始终紧紧咬住预定的赛道线，没有失控。
误差控制：虽然因为硬件偏差（比如方向盘有点歪）导致车子稍微偏左了一点点（约 1 米），但在如此高的速度下，这已经是非常惊人的精度了。
反应速度：电脑每秒钟计算 100 次，每次计算只需要 5.78 毫秒（比眨眼快几千倍），确保它能实时修正方向。

5. 局限与未来：虽然很棒，但还能更好

作者也很诚实，指出了目前的不足：

硬件偏差：因为赛车是椭圆赛道特制的，左右重量不对称，加上方向盘本身有点“歪”，导致车子总是稍微偏左。这就像你穿了一只稍微大一点的鞋，跑起来总有点偏。
纵向控制：目前的系统主要管“怎么转弯”，管“油门和刹车”的部分比较简单。未来需要更聪明的油门控制，特别是在多车混战时。
模型极限：虽然模型很准，但在极端情况下（比如急加速导致后轮打滑），简单的线性模型还是有点力不从心。

总结

这篇论文的核心成就在于：他们成功地将一种复杂的、能随速度变化的数学模型（LPV-MPC），装进了一辆真实的、全尺寸的赛车里，并让它以F1 赛车级别的速度在赛道上安全飞驰。

这就好比给一辆车装上了一个拥有超级大脑的副驾驶，这个副驾驶不仅能看清前方的路，还能瞬间计算出未来几秒的无数种可能，并根据车速和路况实时调整自己的驾驶哲学，最终在极限边缘稳稳地跑完全程。

开源彩蛋：最棒的是，他们把这个“超级大脑”的代码开源了，任何人都可以去下载研究，推动自动驾驶赛车技术的发展。

这是一份关于论文《LPV-MPC for Lateral Control in Full-Scale Autonomous Racing》（全尺寸自动驾驶赛车中的线性变参数模型预测控制横向控制）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：自动驾驶赛车（如印第安纳波利斯赛车挑战赛 IAC）是评估车辆控制策略在物理极限下性能的理想测试场。赛车需要在极高的速度下（超过 160 mph / 71.5 m/s）保持稳定性和精确的路径跟踪。
核心挑战：
- 非线性动力学：高速下轮胎侧偏角大，车辆动力学呈现强非线性，传统的线性模型或运动学模型（如纯追踪 Pure Pursuit）假设轮胎无滑移，在极限工况下失效。
- 计算限制：车载系统（如 dSPACE Autera）计算资源有限，需要在毫秒级时间内求解复杂的优化问题。
- 环境不确定性：赛道存在倾角（Banking，最高达 20 度）、路面摩擦系数变化以及风扰等外部干扰。
- 耦合效应：纵向速度、横向动力学和转向执行器之间存在复杂的耦合关系。
- 数据稀缺：受限于比赛规则，团队无法获得大量测试数据，且练习赛道时间极短，难以进行繁琐的参数整定。

2. 方法论 (Methodology)

论文提出了一种基于**线性变参数模型预测控制（LPV-MPC）**的横向控制框架，部署在 IAC AV-24 全尺寸自动驾驶赛车上。

A. 车辆动力学建模

单轨模型（Bicycle Model）：采用简化的单轨模型描述车辆横向动力学，将车辆视为具有质量 $m$ 和偏航转动惯量 $I_z$ 的刚体。
状态空间扩展：
- 定义跟踪误差状态向量 $\tilde{x} = [e_y, \dot{e}_y, e_\psi, \dot{e}_\psi, \delta]^\top$ ，其中包含横向位置误差、横向速度误差、航向误差、航向角速度误差以及转向角 $\delta$ （作为状态变量）。
- 将转向速率 $\dot{\delta}$ 作为控制输入 $u$ ，以便在 MPC 中显式处理转向速率和角度约束。
LPV 参数调度：模型被构建为线性变参数（LPV）系统，其矩阵 $A, B, C, D$ $A, B, C, D$ 随调度参数 $p = [v_x, \kappa, \phi]^\top$ $p = [v_{x}, κ, ϕ]^{⊤}$ 实时变化：
- $v_x$ ：纵向速度。
- $\kappa$ ：路径曲率。
- $\phi$ ：赛道倾角（Banking angle）。
重力补偿：在横向动力学方程中显式加入重力分量 $g \sin(\phi)$ ，以补偿赛道倾角对侧向力的影响，防止过转向或不稳定。

B. 系统辨识与参数估计

轮胎模型：采用 Pacejka "Magic Formula" 非线性轮胎模型来描述侧向力与侧偏角的关系。
参数提取：
- 利用迭代期望最大化（EM）算法和非线性最小二乘优化，结合惯性测量单元（IMU）测量的侧向加速度，估算 Pacejka 参数（ $B_p, C_p, D_p, E_p$ ）。
- 通过线性化近似得到线性侧偏刚度 $C_f$ 和 $C_r$ ，用于 MPC 的线性化模型。
- 验证了物理信息神经网络（PINN）与 EM 方法的一致性。

C. 控制问题 formulation

目标函数：最小化跟踪误差（状态误差）、控制量（转向速率）以及侧偏角（ $\beta$ ）的惩罚项。引入侧偏角惩罚项以增强高速下的车辆稳定性。
约束条件：
- 系统动力学约束（离散化后的 LPV 模型）。
- 转向角限制（ $\delta_{min} \le \delta \le \delta_{max}$ ）。
- 转向速率限制（ $u_{min} \le \dot{\delta} \le u_{max}$ ）。
求解器：使用 acados 框架，采用实时迭代序列二次规划（SQP-RTI）策略。利用 HPIPM 求解器处理约束二次规划子问题，并采用高斯 - 牛顿近似处理非线性目标函数。
安全机制：当优化求解失败（如低速数值不稳定或计算超时）时，系统自动切换至备用的纯追踪（Pure Pursuit）控制器。

3. 关键贡献 (Key Contributions)

全尺寸高速实车验证：首次在全尺寸自动驾驶赛车（IAC AV-24）上实现了 LPV-MPC 横向控制，并在超过 160 mph (71.5 m/s) 的速度下实现了稳定运行。
自适应 LPV 框架：提出了一种考虑纵向速度、路径曲率和赛道倾角变化的 LPV 模型，克服了传统固定模型或恒定速度假设在高速赛车场景下的局限性。
系统辨识与实施细节：详细描述了从 IMU 数据中提取轮胎动力学参数（Pacejka 参数）的完整流程，并开源了基于 Python 的实现框架（acados），为社区提供了可复现的基准。
性能分析：提供了包括跟踪误差、动力学响应、模型误差及计算时间的全面分析，揭示了高速下线性模型的局限性及改进方向。

4. 实验结果 (Results)

实验场景：2025 年 1 月 9 日在拉斯维加斯赛车场（LVMS）进行的 IAC 比赛计时赛环节。
速度表现：
- 最高速度达到 163.1 mph (72 m/s)。
- 最佳单圈时间 34.18 秒，平均速度 157.98 mph。
跟踪精度：
- 横向位置误差（Cross-track error, $e_y$ ）：平均约为 -1.02 米（车辆始终略微偏左，归因于硬件转向偏移和不对称配重，模型未完全补偿），标准差 0.38 米。
- 航向误差（Heading error, $e_\psi$ ）：全程保持在 ±1° 以内。
- 随着速度增加，横向误差呈线性增长趋势，但在高速段（>55 m/s）模型预测误差稳定在 0.06 米左右。
计算性能：
- 控制循环频率为 50 Hz。
- 平均计算时间为 5.78 ms，最大峰值未超过 10 ms，证明了在嵌入式硬件上实时运行 100 Hz 控制的可行性。
动力学表现：
- 在最高速度下，车辆实现了高达 27 m/s² 的侧向加速度。
- 在急加速导致后轮纵向滑移时，观察到模型误差短暂激增，表明纵向 - 横向耦合效应在极端工况下未被完全捕捉。

5. 意义与局限性 (Significance & Limitations)

意义：
- 证明了基于优化的控制策略（MPC）在资源受限的嵌入式系统上处理全尺寸、超高速赛车任务的可行性。
- 展示了显式处理赛道倾角（Banking）和速度变化对车辆动力学影响的重要性。
- 开源代码促进了自动驾驶赛车领域的算法复现与比较。
局限性：
- 横向误差：由于硬件转向偏移和车辆不对称配重未建模，导致存在持续的横向位置偏差（约 1 米）。
- 线性模型假设：虽然 LPV 处理了部分非线性，但在极高侧偏角或强耦合工况（如急加速导致轮胎力饱和）下，线性化模型仍会产生误差。
- 纵向控制：当前的纵向控制较为简单（PID），在复杂赛道或多车博弈场景下可能不足。
- 终端代价：为了计算效率省略了终端代价项，理论上可能影响闭环稳定性。

总结：该论文展示了一种高效、稳健的 LPV-MPC 解决方案，成功解决了全尺寸自动驾驶赛车在极限速度下的横向控制难题，为未来更复杂的赛车场景（如多车对抗、非椭圆赛道）奠定了坚实的技术基础。