⚡ electrical engineering

Path-Tracking Control for a Rear-Wheel-Drive Vehicle Governed by an Implicit ODE via State-Dependent Model Predictive Control

本文提出了一种状态依赖模型预测控制（SDMPC）框架，该框架将隐式车辆动力学与状态依赖漂移平衡点精确地整合进单一凸优化形式中，从而为后轮驱动车辆在摩擦力受限的漂移流形上以及通过缺乏平衡点的复杂机动过程中的路径跟踪控制提供了鲁棒性保障。

原作者： Javad Zolfaghari, A.S.M. Harithuddin, A.A. Nuraini, Raja Kamil, Reza Jazar

发布于 2026-08-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Javad Zolfaghari, A.S.M. Harithuddin, A.A. Nuraini, Raja Kamil, Reza Jazar

原始论文采用 CC BY 4.0 许可（https://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

想象一辆汽车正在一条弯道急转的道路上行驶。在正常驾驶时，轮胎紧紧抓地，汽车对方向盘的反应也十分可预测。但当驾驶员将一辆后轮驱动汽车推向极限，使其在受控的侧滑（漂移）中横向移动时，物理特性发生了彻底的变化。轮胎不再仅仅是抓地，而是在滑动，它们产生的力量取决于压在上面的重量。随着汽车加速或制动，这种重量会不断发生转移。这创造了一个复杂的循环：汽车的运动改变了轮胎上的重量，进而改变了抓地力，又进而改变了运动本身。对于试图操控这种汽车的计算机而言，这个循环是一个数学上的噩梦。描述汽车运动的方程并不仅仅告诉计算机下一步会发生什么；它们将答案隐藏在问题之中，要求计算机去解开一个解本身就是问题一部分的谜题。

这正是来自马来西亚博特拉大学和塔莱顿州立大学的研究人员试图解决的挑战。他们想要构建一个计算机控制器，能够引导一辆后轮驱动车辆完成高难度、高速的漂移，其精准度能媲美人类专家，同时又不会面临失控的风险。难点在于，用于自动驾驶汽车的标准计算机模型通常会简化物理过程以加快计算速度。它们假设汽车是在直线行驶，或者假设抓地力是恒定的。这些简化处理在平缓转弯时表现良好，但在汽车在抓地力边缘横向侧滑时，则会彻底失效。虽然存在其他能够处理全套复杂性的先进方法，但由于它们计算量过于庞大，需要超级计算机才能实时运行，因此在高速行驶的汽车上毫无用处。研究人员需要寻找一个中间地带：一个既能理解漂移汽车复杂且多变的物理特性，又足够快能在现代车辆配备的普通计算机硬件上运行的系统。

为了实现这一目标，团队开发了一种名为“状态相关模型预测控制”（State-Dependent Model Predictive Control）的新型控制策略。其核心思想是将汽车复杂且变化的特性视为一组可以即时更新的规则，而非一个难以捉摸的谜团。计算机不再根据一个简单的固定模型来猜测汽车的行为，而是观察汽车当前的状态——其速度、角度以及滑动的速率——并针对那一瞬间重新计算物理规则。它通过将重量与抓地力之间那种隐藏的、循环的关系直接嵌入到其计算中来实现这一点。通过这样做，计算机避免了使用简化模型所带来的误差。它创建了一个对汽车未来路径的预测，该预测在当前情境下在数学上是精确的，而无需在每次转动方向盘时都去解开一个庞大且耗时的谜题。

研究人员在两个截然不同的场景中测试了该系统，以观察其表现如何。首先，他们要求计算机引导汽车沿着一个完美的圆周行驶。在这项测试中，汽车必须以特定的角度和速度保持稳定的漂移。系统成功地调节了车辆，即使汽车是从一个偏离目标的初始位置开始，也能将其保持在圆周路径上。它平稳地修正了误差，使汽车回到理想的漂移状态，而没有出现剧烈抖动或失去稳定性。这证明了新方法能够处理稳定漂移中的复杂物理特性，即使在初始条件非常严苛的情况下，也能保持车辆的平衡。

第二个测试则更具挑战性。研究人员编写程序让汽车行驶一个“8”字形路径，即一条自身交叉的路径。这种动作非常棘手，因为它要求汽车从向左漂移切换到向右漂移。当汽车经过“8”字形的中心点时，道路会在瞬间变直，随后又向另一侧弯曲。就在那一刻，不存在可以维持的稳定漂移状态；汽车必须通过一个常规稳定漂移规则不再适用的临界点。大多数控制系统都会在此处挣扎，可能会偏离路径或完全失去漂移状态。然而，新的控制器完美地完成了这一过渡。它引导汽车通过零曲率点，平滑地反转了滑动的方向，并仅产生极小的偏差便让车辆保持在预定路径上。汽车维持了其速度和抓地力，在没有失去控制的情况下执行了完整的滑动方向反转。

这些模拟结果表明，这种新方法为控制处于极限状态下的车辆提供了一个强大的解决方案。它填补了过于不精确的简单快速控制器与过于缓慢且不切实际的复杂精确控制器之间的空白。通过直接解决汽车物理特性中隐藏的数学循环，该系统实现了高精度的控制，且计算成本在现实应用中是可控的。虽然这些结果是通过使用特定车辆参数的计算机模拟实现的，但它们展示了一条清晰的前行路径。这项工作表明，构建能够处理最激进驾驶动作的自主系统是可能的，可以将高速漂移中混沌的物理现象转化为可预测、可控的运动。研究人员指出，未来的工作需要将这些想法应用于实际硬件及不同的车型，但此处奠定的基础表明，漂移的数学规律是可以被驯服的。

技术摘要：基于状态相关模型预测控制（SDMPC）的后驱车辆路径跟踪控制

问题陈述
控制在接近或超过轮胎摩擦极限范围内的后轮驱动（RWD）车辆面临两个截然不同的结构性挑战。首先，其运动方程是隐式的：纵向载荷转移导致法向力（决定轮胎力的变量）取决于纵向加速度，而纵向加速度本身又是状态导数。因此，状态导数出现在其自身控制方程的右侧，导致无法进行标准的显式积分，必须通过迭代求解。其次，漂移的参考轨迹并非固定的设定值，而是由路径曲率索引的状态相关平衡流形。现有方法通常难以应对这一问题：线性时变（LV）MPC 依赖于一阶泰勒近似，这会在预测时域内累积误差；而全非线性模型预测控制（NMPC）虽然精度高，但需要在嵌入式汽车硬件上在线求解非凸优化问题，这在计算上是难以实现的。

方法论
本文提出了一种**状态相关模型预测控制（SDMPC）**框架，旨在弥合线性 MPC 的计算效率与 NMPC 的预测精度之间的鸿沟。

精确 SDC 构建： 作者将隐式的、非线性的单轨车辆模型（结合了修正椭圆法（MEM）复合滑移轮胎力、执行器动力学以及 Frenet 坐标系下的路径运动学）重新表述为精确的**状态相关系数（SDC）**形式： $\dot{z} = A(z)z + B(z)U$ 。
- 为了解决隐式 ODE 结构，作者通过引入物理状态导数（ $\dot{x}_1, \dot{x}_2, \dot{x}_3$ ）作为显式状态来扩充状态向量。
- 由载荷转移引起的代数耦合通过涉及项 $1/(1 - f_{11})$ 的精确因子分解直接吸收进状态相关矩阵 $A(z)$ 和 $B(z)$ 中（其中 $f_{11}$ 是纵向加速度对自身的偏导数）。这消除了对泰勒级数残差或不动点迭代的需求。
- 由此产生的 10 状态模型在整个扩充状态空间内都是精确的，而不仅仅是在特定工作点附近的线性化。
收敛时域控制： 控制器采用逐次线性化方法，在每个预测节点处精确评估 SDC 矩阵。这允许构建编码了真实非线性动力学的批量预测矩阵（ $\Phi$ 和 $\Gamma$ ）。优化问题保持为凸二次规划（QP），从而确保了计算的可行性。
两种控制方案：
- 平衡跟踪： 对于恒定曲率路径，控制器将扩充状态调节至一个状态导数为零的固定漂移平衡态。
- 直接输出跟踪： 对于不存在单一平衡点的复杂机动（例如零曲率过渡），控制器被重新设计为驱动特定的输出向量（包括质心侧偏角、加速度和路径误差）趋于零，其中期望的质心侧偏角根据弧长进行显式调度。

核心贡献

隐式 ODE 求解： 本文提出了首个将 SDMPC 应用于后驱漂移控制的研究，该研究在 SDC 框架内精确解决了运动方程的隐式特性，避免了线性化残差问题。
扩充状态表示： 引入了一种 10 状态 SDC 模型，将稳态漂移条件（ $\dot{x}_i = 0$ ）直接嵌入动力学中，无需单独进行离线平衡计算。
精度与成本的权衡： 研究表明，SDMPC 通过使用精确的 SDC 因子分解，实现了与全 NMPC 相当的预测精度，同时保留了线性 MPC 的凸 QP 结构，实现了精度与计算成本之间的优选平衡。
通用跟踪： 该框架从简单的平衡稳定扩展到了直接输出跟踪，能够处理涉及质心侧偏角符号反转及无平衡点存在的零曲率过渡等机动过程。

结果
控制器通过两项仿真研究进行了验证：

圆周路径（固定平衡）： 控制器成功将车辆调节至圆周路径上的后尖峰（post-cusp）漂移平衡态。它在包含大幅度横向和航向误差的“严重程度阶梯”初始条件下表现出了鲁棒性。系统恢复过程平滑，即使初始偏差显著或方向相反，横向误差也能收敛至零。
“8”字路径（动态输出跟踪）： 控制器在需要通过回旋曲线（零曲率）完成完整质心侧偏角符号反转的自相交“8”字轨迹上进行了测试。在这种场景下，不存在单一的稳态平衡点。输出跟踪方案成功跟踪了调度的质心侧偏角剖面，实现了在零曲率处的过渡以及每圈两次的质心侧偏角符号反转。跟踪误差保持在较小范围内（弧段内横向误差 < 2 cm，过渡期间峰值约为 1.8 m）并能快速恢复。

意义与声明
本文声称 SD architecture 为隐式、摩擦受限的车辆动力学提供了一个统一的解决方案。它断言，一个精确的预测模型可以在同一架构内同时处理平衡跟踪（针对恒定曲率）和直接输出跟踪（针对无平衡点的复杂几何形状）。

作者对其实际声明进行了明确限定：

计算成本数据（SDMC ~3.8 ms vs. NMPC ~50–200 ms）是基于桌面 CPU 的单线程测量值，而非硬件在环（HIL）基准测试。
稳定性结果是针对测试场景的经验验证；论文并未针对随移动且基于曲率索引的参考轨迹提供正式的李雅普诺夫（Lyapunov）稳定性证明或递归可行性保证。
结果基于特定的车辆参数集和 MEM 轮胎模型；对模型失配的鲁棒性以及实验验证被确定为未来的必要研究步骤。

综上所述，这项工作证明了精确的 SDC 因子分解可以在凸优化框架内实现对隐式车辆动力学的高保真预测，从而在不具备全非线性 MPC 计算负担的情况下，实现极端漂移条件下的鲁棒路径跟踪。

类似论文