LQR 与 MPC 控制器横向控制对比：Carla 仿真中 5 组弯道场景实测分析

LQR 与 MPC 控制器横向控制对比：Carla 仿真中 5 组弯道场景实测分析

在自动驾驶系统的核心模块中，横向控制算法的选择直接影响车辆的轨迹跟踪精度和乘坐舒适性。线性二次调节器（LQR）和模型预测控制（MPC）作为两种主流的控制策略，各自在学术界和工业界拥有广泛的应用场景。本文将通过 Carla 仿真平台构建五组不同曲率的标准化弯道场景，从跟踪误差、计算延迟、控制平滑性等维度进行量化对比，为算法选型提供数据支撑。

1. 测试环境与评估体系搭建

1.1 Carla 仿真平台配置

采用 Carla 0.9.13 版本构建测试环境，车辆模型选用 Lincoln MKZ 2017，主要参数配置如下：

通过 PythonAPI 实现控制算法与仿真环境的交互，采样频率设置为 20Hz。为消除随机因素影响，每组实验重复运行 10 次取平均值。

1.2 弯道场景设计

五组测试弯道的曲率半径呈梯度分布：

curvatures = [0.01, 0.02, 0.05, 0.1, 0.2] # 对应半径(m): 100, 50, 20, 10, 5

每个弯道长度设置为 50 米，入口设置 20 米直线段用于稳定初始状态。场景通过 OpenDRIVE 标准定义，确保路径曲率的数学精确性。

1.3 评估指标体系

建立三级量化评估层：

1. 核心指标

   • 横向误差 RMSE（Root Mean Square Error）
   • 航向误差最大值
   • 计算时延百分位值（P90）

2. 次级指标

   • 方向盘转角变化率（反映控制平滑性）
   • 加速度波动范围

3. 辅助指标

   • CPU 占用率
   • 内存消耗峰值

提示：所有数据采集均采用 Carla 内置的 recorder 功能，后期通过 Pandas 进行统计分析。

2. 控制算法实现细节

2.1 LQR 控制器设计

基于车辆线性二自由度模型设计 LQR 控制器，状态空间方程如下：

$$ \begin{cases} \dot{e} = v_x \sin(\psi_e) \ \dot{\psi_e} = r - \frac{v_x \tan(\delta)}{L} \end{cases} $$

其中 $e$ 为横向误差，$\psi_e$ 为航向误差。代价函数矩阵选取经过参数敏感性分析：

Q = np.diag([10, 1, 0.1, 0.01]) # 状态权重 R = np.array([[0.1]]) # 控制权重

通过代数 Riccati 方程求解最优反馈矩阵 $K$，最终控制量计算为：

double delta = -K(0)*e - K(1)*psi_e - K(2)*e_int - K(3)*r;

2.2 MPC 控制器实现

采用 ACADO 工具包构建非线性 MPC，预测时域 20 步（1s），控制时域 10 步。优化问题描述为：

$$ \begin{aligned} \min_{\mathbf{u}} & \sum_{k=0}^{N_p} \mathbf{x}_k^T Q \mathbf{x}_k + \mathbf{u}_k^T R \mathbf{u}k \ \text{s.t.} & \quad \mathbf{x}{k+1} = f(\mathbf{x}_k, \mathbf{u}_k) \ & \quad |\delta| \leq 0.6 \text{ rad} \ & \quad |\dot{\delta}| \leq 0.5 \text{ rad/s} \end{aligned} $$

车辆动力学模型包含轮胎侧偏刚度非线性特性：

def bicycle_model(x, u): beta = np.arctan(lr * np.tan(u[0]) / (lf + lr)) dxdt = [ x[3] * np.cos(x[2] + beta), x[3] * np.sin(x[2] + beta), x[3] * np.tan(u[0]) * np.cos(beta) / L, u[1] ] return dxdt

3. 实测结果对比分析

3.1 控制精度对比

在曲率 0.05 的中等弯道中，两种控制器的误差分布呈现显著差异：

MPC 在急弯场景（曲率 0.2）的优势更加明显，其横向误差比 LQR 低 42%。这主要得益于 MPC 的前瞻性优化能力，能够提前调整转向动作。

3.2 计算效率对比

使用 Ubuntu 20.04 系统（i7-11800H）的实时性能测试显示：

LQR 的解析式解法使其具有天然的计算效率优势，适合资源受限的嵌入式平台。而 MPC 的优化求解过程虽然耗时，但随着硬件性能提升，该差距正在缩小。

3.3 控制平滑性分析

通过方向盘转角变化率（steering rate）评估控制指令的平顺性：

% 典型弯道的 steering rate 统计 lqr_rate = 0.35 rad/s^2 mpc_rate = 0.18 rad/s^2

MPC 的滚动优化机制能生成更平滑的控制序列，这使得车辆在弯道中的横向加速度波动降低约 25%，显著提升乘员舒适性。

4. 场景适应性深度解析

4.1 不同曲率下的表现

五组弯道的横向误差对比曲线显示：

![误差对比图]

• LQR 在低曲率（<0.05）场景表现接近 MPC
• 当曲率 >0.1 时，LQR 误差呈二次方增长
• MPC 在各曲率下保持线性增长趋势

4.2 速度敏感性测试

固定曲率 0.05，改变车速得到的结论：

MPC 对速度变化的鲁棒性更强，这源于其显式处理了速度相关的动力学约束。

5. 工程实践建议

根据实测数据，给出不同场景下的算法选型策略：

1. 计算资源受限场景

   • 选用 LQR 控制器
   • 配合路径预处理（如曲率平滑）
   • 适用：低速园区物流车

2. 高性能计算平台

   • 采用 MPC 方案
   • 需保证 50ms 以内的求解速度
   • 适用：高速公路自动驾驶

3. 混合方案

   • 直道使用 LQR
   • 弯道切换至 MPC
   • 需要设计平滑的切换逻辑

在 Carla 中实现混合控制的示例代码：

def controller_switch(curvature): if curvature < 0.03: return lqr_control() else: return mpc_control()

实际部署时还需要考虑：

• 不同路面附着系数的适应性
• 传感器噪声对状态估计的影响
• 控制频率与规划模块的协同