当前位置：首页 > news >正文

基于二阶自抗扰ADRC和MPC的路径跟踪控制，使用ADRC对前轮转角进行补偿，对车辆的不确定性...

news 2026/6/11 5:42:37

基于二阶自抗扰ADRC和MPC的路径跟踪控制，使用ADRC对前轮转角进行补偿，对车辆的不确定性和外界干扰具有一定抗干扰性，有参考论文，Carsim版本为2019，Matlab版本为2021

最近在研究车辆路径跟踪控制的问题，发现结合二阶自抗扰控制（ADRC）和模型预测控制（MPC）的方法挺有意思的。ADRC的自适应性和抗干扰能力确实能为系统带来不少优势，而MPC的优化特性又能很好地规划路径。下面分享一下我的学习和仿真过程。

一、ADRC的基本思想

ADRC的核心思想是通过状态观测器实时估计系统的不确定性，并通过反馈机制进行补偿。对于车辆的前轮转角控制，ADRC可以有效抑制外界干扰和系统参数的变化。代码实现起来其实不难，关键是要设计好状态观测器的参数。

% ADRC状态观测器部分 function [x_hat, z_hat] = adrc_observer(x, u, x_hat_prev, z_hat_prev, r) % x: 系统状态 % u: 控制输入 % x_hat_prev: 上一时刻的状态估计 % z_hat_prev: 上一时刻的观测器状态 % r: 观察器增益 % 状态观测器更新 x_hat = x_hat_prev + r*(x - x_hat_prev) + u; z_hat = z_hat_prev + r*(x_hat - z_hat_prev); end

从代码可以看出，ADRC通过引入观测器增益r，可以快速跟踪系统的状态变化。这在车辆控制中非常有用，尤其是面对路面摩擦力变化或风扰等不确定性时。

二、MPC的优化特性

MPC的优势在于它能够基于模型对未来状态进行预测，并通过优化算法找到最优控制序列。对于路径跟踪问题，MPC可以很好地平衡车辆的转向和速度控制。

% MPC优化问题 function [u_opt] = mpc_optimizer(x_current, ref_path, horizon) % x_current: 当前状态 % ref_path: 参考路径 % horizon: 优化时域 % 定义优化变量 u = optimvar('u', horizon, 1); % 定义状态转移方程 x = x_current; for i = 1:horizon x = x + u(i); % 添加路径跟踪误差约束 cost = cost + (x - ref_path(i))'^2; end % 解决优化问题 options = optimoptions('fmincon','Algorithm','interior-point'); problem = optimproblem('Objective',cost,'Variables',u); u_opt = solve(problem, options); end

这段代码简化了MPC的优化过程，实际应用中可能需要更复杂的模型和约束条件。不过从逻辑上看，MPC确实能够通过滚动优化找到一条最优路径。

三、ADRC与MPC的结合

在实际应用中，ADRC和MPC的结合可以互补优势。ADRC负责实时补偿系统的不确定性，而MPC则负责路径规划和优化。这种组合在车辆控制中表现不错。

% 车辆控制主程序 function [x_next] = vehicle_control(x_current, u_adrc, u_mpc) % x_current: 当前状态 % u_adrc: ADRC输出 % u_mpc: MPC输出 % 组合控制信号 u_total = u_adrc + u_mpc; % 状态更新 x_next = x_current + u_total; end

从代码中可以看出，ADRC和MPC的控制信号是叠加的关系。这种设计既能保证系统的抗干扰能力，又能实现路径的精准跟踪。