基于MATLAB分布式驱动电动汽车轨迹跟踪与稳定性控制

基于MATLAB分布式驱动电动汽车轨迹跟踪与稳定性控制
①控制器上层采用模型预测控制（MPC）决策出前轮转角(δ)和附加横摆力矩(ΔMz)，实现对无人驾驶分布式电驱动车辆在双移线（DLC）变道场景下的轨迹跟踪控制与稳定性控制。
②控制器下层是基于二次规划（QP）的转矩优化分配。
③对于学习分布式驱动车辆的控制及转矩分配有很好的帮助效果。

以下文字及示例代码仅供参考

以下是一个基于 MATLAB/Simulink 的 分布式驱动电动汽车轨迹跟踪与稳定性控制的完整实现方案，涵盖：

• 上层控制器：模型预测控制（MPC）
  • 决策前轮转角 δ 和附加横摆力矩 ΔMz
• 下层控制器：二次规划（QP）优化分配
  • 将期望的横摆力矩和纵向力合理分配到四个车轮
• 控制场景：双移线变道（Double Lane Change, DLC）

📌 系统结构概述

[参考轨迹] → [MPC控制器] → [QP分配器] → [4轮转矩输出]
                            ↑
                       [车辆状态反馈]

✅ 车辆动力学模型（Bicycle Model）

% 单轨模型（简化车辆运动学）
function dx = vehicle_model(x, u, params)
    % x = [x; y; psi; vx; vy; r]
    % u = [delta; Fx_front; Fx_rear; Mz]

    m = params.m;
    Iz = params.Iz;
    lf = params.lf;
    lr = params.lr;
    vx = x(4);
    vy = x(5);
    r = x(6);

    beta = atan2(vy, vx);           % 侧偏角
    Fy_f = -params.Cf * (beta + lf*r/vx - u(1));  % 前轮侧向力
    Fy_r = -params.Cr * (beta - lr*r/vx);         % 后轮侧向力

    dxdt = [
        vx*cos(psi) - vy*sin(psi);
        vx*sin(psi) + vy*cos(psi);
        r;
        (u(2)+u(3))/m - r*vy;
        (Fy_f + Fy_r)/m + r*vx;
        (lf*Fy_f - lr*Fy_r + u(4)) / Iz
    ];
end

🧠 上层控制器：模型预测控制（MPC）

目标函数设计

最小化轨迹误差（横向位移、航向角），并约束输入变化量。

% 设置 MPC 参数
N = 10;                  % 预测步长
Q = diag([10, 10, 1]);   % 横向误差、航向误差、速度误差权重
R = diag([0.1, 0.1]);    % 输入权重（前轮转角、横摆力矩）

% 构建 MPC 问题（使用 MATLAB Optimization Toolbox）
mpcobj = mpc(vehicle_ss, Ts, N, N);
setWeights(mpcobj, 'MV', R(1), 'MVRate', 0.01);
setWeights(mpcobj, 'Output', Q);
setConstraints(mpcobj, [], [], [-0.5; -500], [0.5; 500]); % δ ∈ [-0.5, 0.5], ΔMz ∈ [-500, 500]

注：你也可以使用 ACADO ToolKit 或 CasADi 实现更高效的非线性 MPC。

🧠 下层控制器：二次规划（QP）分配器

将 MPC 输出的总力矩和纵向力分配到四个车轮，满足轮胎力椭圆约束。

% 定义变量：四个车轮驱动力 Fx_i
% 约束条件：
%     Fx_fl + Fx_fr + Fx_rl + Fx_rr = F_total
%     lf*(Fx_fl + Fx_fr) - lr*(Fx_rl + Fx_rr) = ΔMz
%     Fx_i >= 0 （仅驱动）
%     Fx_i <= μ*N_i （摩擦限制）

% 构造 QP 问题
H = eye(4);  % 最小化驱动力平方和（平滑分配）
f = zeros(4,1);

Aeq = [
    1 1 1 1;                    % 总驱动力
    lf lf -lr -lr              % 横摆力矩
];
beq = [F_total; delta_Mz];

lb = [0; 0; 0; 0];             % 驱动时不能为负
ub = [mu*N_fl; mu*N_fr; mu*N_rl; mu*N_rr];  % 摩擦限制

% 使用 quadprog 求解
Fx_opt = quadprog(H, f, [], [], Aeq, beq, lb, ub);

📈 参考轨迹生成：双移线变道（DLC）

% 生成 DLC 参考轨迹
t = 0:Ts:T_sim;
x_ref = 20 * t;                   % 纵向位移
y_ref = 1.75 * erf(t/1.2);        % 横向位移（erf函数模拟平滑变道）

ref_traj = [x_ref' y_ref'];

📊 Simulink模块建议结构

📦 示例Simulink结构图

[Reference Trajectory] --> [MPC Controller] --> [QP Allocator] --> [Wheel Torque Inputs]
                                                  ↑
                                             [Vehicle Feedback]

🧪 运行流程说明

1. 初始化车辆状态、参数、参考轨迹
2. 在每个控制周期中：
   • 获取当前车辆状态
   • 利用 MPC 计算最优 δ 和 ΔMz
   • 通过 QP 分配得到四个车轮驱动力
   • 输入到整车模型进行仿真
   • 更新状态并绘制结果

📚 推荐参考资料

• 《Model Predictive Control for Autonomous and Electric Vehicles》
• IEEE论文：“Torque Vectoring and Yaw Control for Electric Vehicles Using Quadratic Programming”
• MATLAB官方示例：
  • mpc_car 示例
  • quadprog 函数文档
• GitHub开源项目：
  • ACADO for MPC
  • Apollo Auto（百度自动驾驶系统）