当前位置：首页 > news >正文

智能车竞赛控制策略：直道、弯道与十字路口的核心算法与调参实战

news 2026/7/31 13:51:23

1. 从赛道元素到控制逻辑：一个车手的视角

全国大学生智能汽车竞赛，对于每一个参赛队员来说，最核心的战场就是那条铺在地上的赛道。它由一条简单的黑色引导线和白色的背景组成，但在这条线上，却演化出直道、弯道、十字路口等千变万化的元素。对于四轮车组别，如何让车在这条线上又快又稳地跑起来，是贯穿整个备赛周期的核心课题。今天，我们不谈复杂的算法理论，就从最接地气的角度，聊聊如何让我们的“小车”看懂并征服直道、弯道和十字这三个最基础的赛道元素。这不仅仅是代码的堆砌，更是对传感器数据、车辆动力学和控制逻辑的深刻理解与融合。

很多新手队伍一开始容易陷入一个误区：拿到一套开源代码，调调参数，车就能跑了。但往往在直道上就左右摇摆，过弯时要么冲出赛道要么速度骤降，遇到十字更是直接“迷路”。其根本原因在于，没有理解不同赛道元素下，控制策略需要进行的根本性切换和适配。直道求稳、弯道求顺、十字求准，这背后对应的是完全不同的控制目标和参数集。本文将围绕这三个核心场景，拆解从图像识别到控制输出的完整链路，分享我们在实际调车中积累的、那些代码注释里不会写的“手感”和“经验”。

2. 直道控制：速度与稳定的基石

直道是赛道的主体，也是车辆积累速度优势、为弯道做准备的关键路段。很多人觉得直道简单，不就是让车沿着线走吗？但实际上，直道控制的好坏，直接决定了整个赛程的平均速度和控制器的稳定性。一个在直道上都左右抖动的车，进入弯道后失控的概率会大大增加。

2.1 图像处理与中线提取的“净度”

直道控制的首要前提，是获得一条干净、连续的中线。摄像头采集到的原始图像包含大量噪声：光线不均、赛道反光、背景干扰等。我们的第一步，是通过一套可靠的图像处理流程来提取赛道黑色引导线的边缘。

通常，我们会进行灰度化、二值化（动态阈值或大津法）、然后进行扫描寻线。在直道上，由于引导线曲率近乎为0，我们可以采用一种高效的“中线拟合”策略。具体来说，在图像ROI（感兴趣区域）的底部几行，向左向右扫描找到赛道左右边沿，取中点作为底部基准点。然后向上逐行扫描，但在直道区域，可以适当减少横向搜索的宽度和行数，因为边沿基本是垂直的。将得到的多个中点，使用最小二乘法进行直线拟合，这条拟合出的直线，就是当前直道的“中线”。

注意：这里的“直道”是感知结果。我们的判断依据是拟合出的直线误差小，且曲率计算值低于某个阈值（例如0.001）。即使赛道物理上是微微弯曲的，只要曲率很小，我们都将其纳入“直道控制模式”来处理，这是为了控制策略的平滑切换。

得到这条拟合中线后，我们并不是直接使用其上的每个点，而是将其转换到以车模为中心的世界坐标系（或车身坐标系）下。最关键的一个输出量是横向偏差（Lateral Error），即车模当前位置到该拟合中线的垂直距离。在直道中，这就是我们PID控制器最主要的输入量。

2.2 纯追踪与PID的权衡：为什么不用更复杂的算法？

对于直道跟踪，最经典、最有效的莫过于PID控制。横向偏差e作为输入，方向盘转角（或差速）作为输出。但这里有几个细节决定了直道的稳定性：

P项（比例）：这是主力。参数Kp直接决定了系统对偏差反应的灵敏度。Kp太大，车会在中线附近高频振荡，像“画龙”；Kp太小，反应迟钝，遇到微小弯曲时纠偏无力，容易累积误差。在直道上，由于期望偏差长期为0，我们可以采用相对较大的Kp以获得快速纠偏能力。
D项（微分）：这是“阻尼器”，输入是横向偏差的变化率de/dt。它能有效预测偏差的趋势，抑制振荡。在高速直道上，D项至关重要。例如，车由于惯性开始向左偏，D项会在偏差e还未变大时，就根据偏左的速度de/dt产生一个向右的纠正力矩，从而抑制超调。Kd的调参需要精细，太小不起作用，太大则会让系统对噪声（如图像处理的抖动）过于敏感，引起高频抖动。
I项（积分）：直道中需谨慎使用。积分项用于消除静态误差，但如果赛道本身是绝对笔直的，且车辆对称性良好，理论静态误差为0。引入I项容易因为传感器零漂或微小不对称而累积，导致车辆缓慢偏向一侧。通常，我们只在长期存在固定偏置（如摄像头安装有轻微角度偏差）时才启用一个很小的Ki，并且需要设置积分限幅和抗饱和处理。

那么，为什么在直道不用更高级的算法如纯追踪（Pure Pursuit）？纯追踪的本质是前瞻，它计算一个预瞄点，然后控制车辆转向去逼近那个点。在直道上，预瞄点可以设得很远，这本身能带来更好的平滑性。但在竞速场景下，纯追踪在直道的“绝对居中”性能上不如PID直接。PID的目标是让当前横向偏差归零，响应更直接。而纯追踪为了平滑，会容忍当前时刻微小的不居中。我们的策略往往是：在直道使用以横向偏差为输入的PID，追求极致的中线对齐；在弯道切换至以预瞄点偏差为输入的纯追踪或PID，追求平滑过渡。这就涉及到模式切换的逻辑。

2.3 直道下的速度规划：为弯道蓄力

直道不仅是控制稳定的舞台，更是速度发挥的区间。一个优秀的速度控制器，会让车在直道上加速到当前赛道和车辆性能允许的安全极限。这个“极限”如何确定？

首先，需要根据直道的长度进行规划。通过摄像头或编码器累积距离，识别出进入长直道后，可以命令速度环（另一个PID）的目标值逐步攀升至最高速V_max。但V_max不是一个固定值，它受限于：

电机性能与电池电压：随着比赛进行，电池电压下降，最大输出功率也会下降。
轮胎与地面摩擦系数：不同场地（木板、地毯、PVC）的抓地力不同，最大加速度和可承受的侧向力也不同。
车辆机械稳定性：速度过高，微小的转向抖动都可能被放大，导致车辆“发飘”。

因此，我们通常会在赛前测试中，通过多次实验，找到一个在不同电量下都相对安全的直道最高速。更高级的做法是引入加速度前馈：在速度PID输出的基础上，叠加一个基于目标加速度计算的前馈量，可以极大改善速度跟踪的动态响应，让加速更跟脚。

一个关键的实操经验是：直道末端的速度管理。在进入弯道前，必须在直道上完成减速。减速点需要提前量。我们不能等到图像识别出弯道才开始刹车，那样为时已晚。通常的做法是，结合赛道记忆或前瞻性判断：当识别到前方一定距离的赛道曲率开始持续增大（即使当前还在直道），就启动平滑减速程序，让车速在入弯点前降到预设的过弯安全速度。这个“曲率-速度”映射表，是调车时最重要的经验数据之一。

3. 弯道控制：平滑与速度的博弈

弯道是展现控制算法精髓的地方，也是超车和拉开差距的关键。弯道控制的核心矛盾是：如何在有限的摩擦圆内，平衡纵向速度（想快）和横向转向需求（要转弯），保证车辆不冲出赛道。

3.1 弯道识别与曲率估计：从像素到弧度

首先，车需要知道自己即将进入一个弯道，并且知道这个弯有多“弯”。在图像处理阶段，我们不再用直线拟合，而是需要提取一条能反映弯曲趋势的中线。这时，可以采用滑动窗口搜索法，或者对提取的点集进行二次曲线甚至高次曲线拟合。

曲率C的计算是关键。对于离散的中线点集(x_i, y_i)，我们可以使用三点求曲率公式，或者对拟合的曲线方程求二阶导。一个更工程化的方法是计算弦切角变化率。取车前方一段固定距离的弧段，计算弧段起点和终点处中线切向角的变化量Δθ，除以弧长L，即得到平均曲率C ≈ Δθ / L。这个C值就是弯道缓急的量化指标。

根据C的大小，我们可以对弯道进行分级：小弯（C较小）、中弯、急弯（C很大，如锐角弯）。不同等级的弯道，对应完全不同的控制参数集。

3.2 控制策略切换：PID、纯追踪与差速的协同

进入弯道，控制策略必须切换。

转向控制：在弯道，继续使用以当前横向偏差为目标的PID会非常危险。因为车辆具有惯性，在弯道中，为了跟随曲线，车辆需要有一个持续的、朝向弯心的转角。如果只用当前偏差控制，车会不断“追着”中线跑，产生画龙式的振荡，极易在弯心处因转向过度而甩尾。
- 纯追踪（Pure Pursuit）成为主流选择：它的思想非常符合人类驾驶——眼睛看着远方的一个点（预瞄点），打方向让车朝那个点开。预瞄距离Ld是一个动态参数，它与车速v正相关（Ld = k * v），这样车速快时看得远，车速慢时看得近。通过调整车前方Ld处的中线点作为目标点，计算该点与车体的横向偏差，再用一个PID控制器去消除这个偏差，车辆就能平滑地跟随弯道。
- 预瞄点的选择艺术：k值的设定是调参的重点。k太大，预瞄点太远，在急弯中车会“切弯”，可能内侧压线甚至切到赛道外；k太小，预瞄点太近，车会显得“迟钝”，转向动作滞后，走线不够平滑。我们的经验是，k值需要与弯道曲率联动：大曲率（急弯）时，适当减小k，让预瞄点近一些，转向更及时；小曲率时，增大k，让行驶更平滑。
差速控制：对于四轮车，尤其是后轮差速驱动的车型，差速控制是过弯的“神器”。阿克曼转向模型告诉我们，车辆转弯时，内外侧车轮应具有速度差。我们可以根据转向角度δ和轮距W，计算理论的内外轮速比。在软件中，我们通过给左右轮电机设定不同的目标速度来实现差速。
- 差速系数：设定一个差速系数d，例如d = 0.1。则左轮目标速 = 基础目标速 * (1 - d * 转向比例)，右轮目标速 = 基础目标速 * (1 + d * 转向比例)。这里的转向比例是归一化的方向盘转角。
- 差速的效果：适当的差速可以减小转弯半径，让过弯更灵活；更重要的是，它能减少轮胎的滑动摩擦，降低过弯时的能量损耗，并提升出弯加速的响应。但差速过大，会导致内侧轮拖拽，反而增加不稳定因素。

3.3 弯道速度规划：慢进快出

“慢进快出”是赛道驾驶的黄金法则，对智能车同样适用。弯道速度规划的目标，是在不冲出赛道的前提下，最大化平均速度。

入弯减速：如前所述，减速必须在直道末端完成。入弯点的速度V_in由弯道曲率C决定。我们通过实验建立一张C-V_max表，即不同曲率下车辆能安全通过的最高速度。入弯速度应略低于这个V_max以留出安全余量。减速过程必须是平滑的，急减速会导致车辆重心前移，前轮抓地力增加而后轮抓地力减小，容易诱发转向过度（甩尾）。
弯中速度维持：进入弯道后，速度应保持相对稳定。剧烈的加减速会改变轮胎的纵向和侧向力分配，影响过弯稳定性。通常，在弯道中段，我们保持一个恒定的、较低的速度。
出弯加速：这是争夺时间的关键。出弯加速点不能等到车辆完全摆正才开始，那样会损失大量时间。应该在车辆通过弯心（apex）后，方向盘开始回正的过程中，就逐步、线性地增加目标速度。此时，转向角减小，轮胎的侧向力需求降低，富余的抓地力可以用于纵向加速。出弯加速的斜率需要仔细调校，太猛会导致驱动轮打滑（尤其是前驱或后驱车），太慢则损失时间。

一个常见的坑是：弯道中的图像丢失。在急弯处，摄像头可能因为视角问题，只能拍到一侧边沿，甚至完全拍不到线（“丢线”）。这时，控制算法必须要有丢线处理机制。我们的策略是：进入弯道前，记录下最后一次有效中线的方向和曲率。一旦丢线，就根据记录的曲率，结合编码器里程计，进行死 reckoning（航位推算），持续生成一段预测的中线，并基于此进行控制。同时，扩大图像搜索范围，积极尝试重新捕线。这个预测的时长和权重，是保证弯道鲁棒性的关键。

4. 十字路口处理：策略与鲁棒性的双重考验

十字路口是赛道元素的重大切换点，也是很多车辆“翻车”的地方。处理十字的核心难点在于：图像特征的剧变，以及路径选择的不确定性（虽然竞赛中十字通常是直行，但算法需要能稳定识别并处理）。

4.1 十字路口的图像特征识别

摄像头在十字路口看到的，不再是单一的引导线，而是一个黑色的“十字形”或“T字形”区域。常规的边沿扫描算法会失效，因为会扫到多个边沿。识别十字的关键在于特征判断：

横向扫描发现多个跳变点：在图像中间行进行横向扫描，正常情况下（直道/弯道），只会找到两个跳变点（左边缘、右边缘）。而在十字路口，由于横线的存在，可能会找到四个甚至更多跳变点。
有效行数突然减少：从图像底部向上逐行扫描时，在十字横线以下的部分，可以正常找到左右边沿。但扫描到横线所在行时，该行可能全是黑色（横线），导致无法找到有效的左右边沿，从而造成“有效行”数量锐减。
补线趋势发生突变：当底部行识别到左右边沿后，向上寻线。在十字区域，向上寻线可能会沿着横线向左或向右走，导致补线计算出的中线方向突然发生90度左右的变化。

基于这些特征，我们可以设计一个十字路口的状态机：

状态0（巡航）：正常寻线。
状态1（十字疑似）：检测到横向多跳变点或有效行数开始异常减少。进入此状态后，可以启动一个短时的计时器或距离计数器。
状态2（十字确认）：在计数器范围内，持续检测到十字特征（如有效行数低于阈值，或中线方向持续异常）。确认为十字路口。
状态3（十字通过）：进入十字处理逻辑。
状态4（十字恢复）：离开十字区域，尝试重新捕获纵向引导线，回归正常巡航状态。

4.2 通过策略：直行与转向的抉择

对于最常见的十字直行，策略相对明确：忽略横向的干扰，坚持原来的方向前进。

惯性导航通过法：一旦确认进入十字路口（状态2），立即锁定进入十字前的最后时刻的车身朝向角（由陀螺仪积分得到）和速度。在状态3（十字通过）期间，暂时屏蔽摄像头的中线识别结果，控制策略切换为“保持航向角”模式。使用陀螺仪的角速度进行PD控制，努力保持车辆沿着进入十字前的方向直线行驶。同时，结合编码器里程计，估算车辆穿过十字区域所需的距离或时间。
补线预测通过法：不完全依赖惯性，而是在进入十字时，根据历史中线点，预测出一条穿过十字的虚拟中线。在十字区域内，控制器就跟踪这条虚拟中线。这种方法对陀螺仪的零漂不敏感，但要求预测算法足够鲁棒。

无论哪种方法，一个关键点是退出十字的判断。不能等到图像完全恢复正常才退出十字模式，那样可能会因为处理滞后而导致车辆在十字后走偏。通常，我们使用编码器计算车辆从进入十字点开始行驶的距离，当距离超过十字的大致物理宽度（例如30cm）后，就主动切换到“恢复模式”（状态4）。在恢复模式下，控制器尝试重新捕获纵向引导线，但控制权重会从虚拟路径/惯性导航逐步过渡到真实的图像中线，实现平滑切换。

如果是十字转弯（在某些赛题中出现），则需要更复杂的处理：需要在十字中心点进行路径切换。这通常依赖于精确的赛道元素地图和定位。在十字中心，根据任务要求（左转/右转），将跟踪的目标路径切换到新的方向。这涉及到全局路径规划，是更高阶的挑战。

4.3 十字区域的特殊调参与避坑指南

十字路口是对系统鲁棒性的终极测试，这里有几个血泪教训：

速度管理：必须以一个保守的、稳定的速度通过十字。高速通过十字时，任何微小的方向偏差或处理延迟都会被放大，极易导致车辆斜着冲出去。通常，十字通过速度会设定为略低于弯道速度。
控制参数切换：进入十字模式后，转向PID的参数通常需要调整。因为此时跟踪的可能是虚拟路径或惯性角度，与跟踪真实图像中线的动态特性不同。可能需要降低P和D的增益，防止因信号源切换而产生的突变和振荡。
传感器融合的重要性：在十字区域，摄像头信息可能短暂失效或混乱，此时陀螺仪和编码器的价值就凸显出来了。一个校准良好的陀螺仪，能在短时间内提供相对可靠的航向角变化信息，是惯性通过法的基石。编码器则提供了距离基准，用于判断通过状态。
防误触发机制：赛道上的其他干扰，如起跑线、斑马线（虽然规则一般不允许）或者光线造成的阴影，可能产生类似十字的特征。因此，十字判定条件不能太宽松。需要结合多个特征综合判断（如多跳变点+有效行数减少+方向突变），并且特征需要持续一定时间或距离，才能确认。同时，可以设置一个最小触发间隔，防止短时间内反复误入十字状态。

5. 状态融合与切换：让车拥有“驾驶意识”

至此，我们分别讨论了直道、弯道、十字的控制。但一辆智能车在赛道上是一个连续运行的整体，它需要自动地在这些状态间无缝、平滑地切换。这需要一个顶层的决策与状态管理模块。

5.1 基于曲率与特征的状态判别

这个模块的输入，是图像处理层输出的特征：当前中线的曲率C、拟合误差、有效行数、是否检测到十字特征等。输出则是当前应处的驾驶状态（直道、弯道、十字）。

一个简单的判别逻辑流如下：

十字优先：持续检测十字特征。一旦满足十字确认条件，立即进入“十字通过”状态，并屏蔽其他状态转换。
曲率判别：若非十字状态，则计算中线曲率C。
- 若|C| < C_threshold_straight，且持续一段时间，则判定为直道。
- 若|C| >= C_threshold_straight，则判定为弯道。还可根据C的大小进一步细分为小弯、中弯、急弯。
状态保持与滞后：为了防止在状态边界附近频繁切换（例如直道末端曲率稍微波动就切弯道），需要加入滞后区间和最小保持时间。例如，从直道进入弯道的曲率阈值C_in要略大于从弯道回到直道的阈值C_out（C_in > C_out）。并且，进入一个新状态后，必须在该状态保持至少N个控制周期（如50ms）才能再次切换。

5.2 控制参数的平滑过渡

状态切换不仅仅是逻辑的切换，更是控制参数的切换。例如，从直道（PID参数组A）进入弯道（参数组B），如果直接硬切换，会导致控制量突变，车辆顿挫甚至失控。

因此，需要实现参数的平滑过渡（插值）。在状态切换的过渡期内（例如0.5秒内），当前的参数值由旧参数组和新参数组根据时间或距离进行线性（或其它曲线）插值得到。

// 伪代码示例 if (状态 == 切换中) { float factor = elapsed_time / transition_time; // 过渡因子，0->1 current_Kp = old_Kp * (1 - factor) + new_Kp * factor; current_Kd = old_Kd * (1 - factor) + new_Kd * factor; // ... 其他参数 }

同样，对于预瞄距离Ld、目标速度V_target等，也需要平滑过渡。这保证了车辆行为是连续的，乘坐感（虽然没人乘）更平滑，也更符合物理规律。

5.3 实战中的调试心法

理论最终要落到调车上。面对直道、弯道、十字，调试顺序有讲究：

先调直道：在绝对平直的地面上，让车慢速运行，只使用很小的P值，目标是让车能稳定地沿着线走，不振荡。然后逐步提高速度，同时调整P和D，直到在最高速下直道运行依然稳定。直道是基础，基础不牢，地动山摇。
再调小弯道：找一个弧度不大的弯道，测试纯追踪算法。先固定一个较低的速度，调整预瞄距离系数k，让车能平滑转过弯道，走线合理（既不切内线也不甩外线）。然后微调转向PID的参数。
加入差速：在弯道中引入差速控制，从小系数开始，观察过弯是否更顺畅、更快速。差速和转向控制是耦合的，调整差速后，可能需要回头微调一下转向参数。
调试弯道速度规划：建立初步的曲率-速度表。在弯道入口处设置减速点，调试减速的平滑度；在弯心后调试出弯加速的时机和斜率。这是一个反复迭代的过程，需要大量测试来找到速度和稳定性的平衡点。
最后攻克十字：在直道和弯道都稳定后，再测试十字。首先确保十字识别要非常可靠，不能误触发。然后以很低的速度测试通过策略，重点观察通过十字后能否迅速、准确地重新捕获引导线。逐步提高通过速度，并调整十字区域的控制参数。
全局联调与优化：让车跑完整圈，记录每个弯道的曲率和实际通过速度，优化速度规划表。观察状态切换点是否平滑，有无顿挫。使用上位机软件实时绘制跟踪曲线、偏差曲线、速度曲线，是分析问题不可或缺的手段。