【论文泛读】A Comparative Evaluation of Lateral Control Techniques for Autonomous Vehicles
A Comparative Evaluation of Lateral Control Techniques for Autonomous Vehicles
自动驾驶车辆横向控制技术比较评估
arXiv: 2311.07987v1
期刊: Annual Reviews in Control 57 (2024) 100910
作者: A. Artuñedo, J. Godoy, J. Villagra
阅读日期: 2026-04-01
📋 摘要
本文对自动驾驶车辆横向控制技术进行了全面的实验对比评估，比较了 5 种主流控制方法：LQR、PID、MFC、SAMFC 和 NLMPC。通过系统性调优和真实车辆实验，提供了关于各控制器在不同驾驶场景下性能表现的客观数据。
🎯 核心研究问题
- 不同横向控制方法在真实车辆上的性能对比如何？
- 模型基础 vs 无模型方法各有什么优劣？
- 如何公平地比较不同控制结构的性能？
- 计算成本与性能之间如何权衡？
🔬 对比的控制器
1. LQR (Linear Quadratic Regulator)
- 类型: 模型基础
- 原理: 通过离散代数 Riccati 方程求解最优反馈增益
- 可调参数: q1, q2, q3, q4, NLQR
- 特点: 基于车辆动力学模型，计算效率高
2. PID (Proportional-Integral-Derivative)
- 类型: 无模型
- 原理: 经典并联形式 PID，带滤波微分
- 可调参数: Kp, Ki, Kd, NPID, dp
- 特点: 实现简单，工业应用广泛
3. MFC (Model-Free Control)
- 类型: 无模型
- 原理: 基于超局部模型，实时估计系统扰动
- 可调参数: Kp, Kd, α, dp
- 核心公式: u = (1/α) × (-F̂ + ÿr + Kp·e + Kd·ė)
- 特点: 无需系统模型，适应性强
4. SAMFC (Speed-Adaptive MFC)
- 类型: 无模型（速度自适应）
- 原理: 根据车速动态调整控制激进程度
- 可调参数: Kp, Kd, α0, vx,0, Kα, dp
- 适应律: α 随车速增加而增加（低速平滑，高速激进）
- 特点: 专门针对车辆横向控制设计
5. NLMPC (Nonlinear Model Predictive Control)
- 类型: 模型基础
- 原理: 时变线性化模型的模型预测控制
- 可调参数: hp (预测时域), hc (控制时域), wu̇ (控制率权重), dp
- 特点: 考虑未来状态预测，计算成本高
📊 评估指标
跟踪质量
- IAE(Integral Absolute Error): 积分绝对误差
- MLE(Maximum Lateral Error): 最大横向误差
稳定性指标
- Mε: 低频振荡（1.1-4Hz）
- 计算公式: Mε = (1/n) × Σ max(10*log(Pε,i) + λε)
- 阈値 λε = 80dB, 缩放因子 sε = 0.015
- 仅考虑直道段（曲率<0.01 m⁻¹，长度>5s）
舒适性指标
- Mζ: 高频振荡（4-10Hz）
- 计算: 所有 5 秒段中的最大功率值
- 阈値 λζ = 80dB, 缩放因子 sζ = 0.04
- 使用最大而非平均值，惩罚任何区段的高频振荡
🛣️ 实验轨迹
| 轨迹 | 最大速度 | 加速度 | 长度 | 驾驶目的 | 用途 |
|---|---|---|---|---|---|
| T1 | 35 km/h | 0.4 m/s² | 471m | 安静 | 调优/测试 |
| T2 | 71 km/h | 1.0 m/s² | 1392m | 中等 | 测试 |
| T3 | 66 km/h | 2.2 m/s² | 354m | 激进 - 中速 | 测试 |
| T4 | 120 km/h | 2.5 m/s² | 500m | 高速 | 测试 |
| T5 | 100 km/h | 1.5 m/s² | 2120m | 激进 - 高速 | 调优 |
| T6 | 70 km/h | 2.0 m/s² | 1959m | 中等 | 调优 |
🔧 调优方法
多目标优化问题
min J(x, p) = (max{IAEi}, max{Mε,i}, max{Mζ,i}) 约束：ẋ = f(x, p) p ∈ [pmin, pmax]Pareto 前沿求解
- 使用 MATLAB 的 ParetoSearch 算法
- 在 T1、T5、T6 三条轨迹上调优
- 选取各轨迹指标的最大值作为优化目标
调优阈値约束
- IAE > 0.35m → 曲线跟踪差
- Mε > 0.25 → 可能导致不稳定
- Mζ > 0.7 → 舒适性损失
Setup 选择规则
- Setup 1: IAE 最小的 5 个点中 Mε 最小者
- Setup 3: IAE 最大的 5 个点中 Mε 最小者
- Setup 2: Setup 1 和 Setup 3 连线角平分线最近点
🧪 鲁棒性测试
蒙特卡洛模拟
- 次数: 217,400 次模拟
- 轨迹: T5（最激进轨迹）
- 随机参数:
- 车辆质量: N(1372kg, 137.2kg)
- 转动惯量: N(1990 kg·m², 199.0 kg·m²)
- 摩擦系数: U[0.5, 1.17]
- 轮胎侧偏刚度：N(80157 N/rad, 16031 N/rad)
有效性判据
- 成功完成轨迹
- 全程横向误差 < 3m
📈 实验结果摘要
跟踪质量（IAE 均值）
| 控制器 | T1 | T2 | T3 | 均值 |
|---|---|---|---|---|
| NLMPC-1 | 0.063 | 0.050 | 0.051 | 0.055 |
| SAMFC-2 | 0.077 | 0.066 | 0.118 | 0.087 |
| MFC-1 | 0.184 | 0.074 | 0.138 | 0.132 |
| LQR-1 | 0.239 | 0.146 | 0.128 | 0.171 |
| PID-1 | 0.235 | 0.083 | 0.132 | 0.150 |
关键发现
NLMPC 优势明显
- 在所有轨迹上 IAE 最低
- 计算成本最高（10-25ms）
- 跟踪质量最好，但计算负担大
SAMFC 表现均衡
- 跟踪质量接近 NLMPC
- 计算成本低（<2ms）
- 鲁棒性测试通过率>90%
LQR 和 PID 性能较差
- 最大横向误差显著更高
- 在曲线段表现不佳
无模型方法优势
- 不需要精确系统模型
- 计算成本低
- 对参数变化鲁棒性强
🤔 深入分析
控制器对比总结
| 方面 | NLMPC | SAMFC | LQR | MFC | PID |
|---|---|---|---|---|---|
| 跟踪质量 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ | ⭐⭐ |
| 稳定性 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |
| 舒适性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐ |
| 计算成本 | ⭐ (高) | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 鲁棒性 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |
| 实现难度 | 高 | 中 | 中 | 中 | 低 |
轨迹表现特征
T1 (安静驾驶)
- 所有控制器都能很好跟踪
- 曲线段误差增加明显
- NLMPC 和 SAMFC 表现最优
T2 (中等驾驶)
- LQR 在 71km/h 过弯时误差显著
- 其他控制器表现良好
- NLMPC-1 继续领先
T3 (激进 - 中速)
- 最严苛的横向/纵向加速度
- 急弯入口处误差最大
- SAMFC 出现最大单次误差但平均 IAE 低
T4 (高速)
- 120km/h 高速场景
- LQR 误差最大
- NLMPC 略优于其他
💡 核心结论
1. 无模型 vs 模型基础
- 模型基础 (NLMPC)：性能最优，但计算成本高，依赖准确模型
- 无模型 (MFC/SAMFC)：性能接近，计算高效，适应性强
2. 速度自适应的重要性
- SAMFC 通过速度自适应显著优于 MFC
- 动态调整控制激进程度是关键
3. 权衡关系
- 低 IAE（跟踪好）通常伴随高 Mε/Mζ（不稳定/不舒适）
- 需要根据应用场景选择合适的配置
4. 实际部署建议
- 高性能需求：NLMPC（如果有足够计算资源）
- 均衡性能：SAMFC（推荐大多数场景）
- 资源受限：MFC 或 PID（简单场景）
🔗 参考文献重点
- MFC 基础: Fliess & Join (2013) - Model-free control
- SAMFC: Moreno-Gonzalez et al. (2022, 2023) - 速度自适应版本
- MPC 综述: Stano et al. (2022, 2023) - 自动驾驶 MPC 应用