1. 课程导入
欢迎进入《复杂道路路径跟踪与鲁棒控制工程》。本课程面向智能驾驶、移动机器人与车辆动力学控制方向的学习者，目标是建立一套从“期望路径”到“车辆真实轨迹”的完整工程认知：既理解路径跟踪的数学本质，也掌握在真实复杂道路条件下保证稳定性、精度与舒适性的鲁棒控制方法。
一、学习目标：从会算到会调、会验
本课程不是单纯的公式推导课，而是以工程落地为导向的系统课程。完成学习后，你应当具备以下能力：
- 建模能力：能够建立车辆运动学与动力学模型，理解自行车模型、横向误差模型、曲率与前轮转角之间的关系。
- 算法能力：掌握纯跟踪、Stanley、LQR、MPC 等路径跟踪算法的原理、参数含义与适用边界。
- 鲁棒能力：能够分析模型不确定性、时延、噪声、侧风、路面附着变化对跟踪性能的影响，并设计补偿或鲁棒控制策略。
- 工程能力：能够完成参数标定、仿真验证、实车调试与故障复盘，形成可复现的工程闭环。
二、核心概念：路径、轨迹、误差与控制
学习本课程前，需要先厘清几个高频概念。路径通常指空间中的几何曲线，不含时间信息；轨迹则是路径加时间参数化，包含速度与加速度。路径跟踪的目标是让车辆后轴中心或质心沿期望路径运动，同时控制航向角与横向误差收敛。
横向误差 e_y 表示车辆当前位置到期望路径的垂直距离，航向误差 e_psi 表示车辆航向与路径切线方向的夹角。二者共同构成路径跟踪的核心状态。控制输入通常是前轮转角 delta 与纵向加速度 a_x，而执行器还受到转角速率、最大转角、驱动与制动能力约束。
鲁棒控制关注的是：当被控对象模型 P(s) 与实际车辆存在偏差时，控制器 K(s) 能否维持稳定与性能。常见不确定性包括质量与转动惯量变化、轮胎侧偏刚度非线性、传感器延迟、定位跳变与执行器滞后。
三、整体知识框架与学习路径
本课程按“建模—算法—鲁棒—工程”四层递进组织。第一层建立车辆与误差模型，解决“被控对象是什么”；第二层学习经典与现代跟踪算法，解决“怎么跟”；第三层引入鲁棒性分析与补偿设计，解决“跟不稳怎么办”；第四层进入工程实现与验证，解决“如何在真实车辆上跑通”。
| 层次 | 核心问题 | 关键方法 | 典型输出 |
|---|---|---|---|
| 建模层 | 车辆如何响应转向与速度 | 自行车模型、横向误差状态方程 | 状态空间模型、参数表 |
| 算法层 | 如何计算期望前轮转角 | Pure Pursuit、Stanley、LQR、MPC | 控制器代码与仿真曲线 |
| 鲁棒层 | 模型不准、干扰存在时如何保持性能 | 扰动观测器、增益调度、鲁棒约束 | 鲁棒性测试报告 |
| 工程层 | 如何标定、调试与验证 | 场景回放、实车标定、故障复盘 | 可复现的调参流程 |
四、典型工程应用场景
复杂道路路径跟踪广泛存在于自动驾驶乘用车、物流配送车、矿区无人驾驶、农业机械与移动机器人中。不同场景的侧重点不同：城市道路关注低速避障与舒适性，高速场景关注稳定性与侧向加速度约束，矿区与农田则更关注路面不平、附着差异与载荷变化。
例如，在园区低速接驳场景中，车辆常以 15～25 km/h 运行，路径曲率变化频繁，定位可能因树荫遮挡出现跳变。此时控制器需要较强的抗噪能力与平滑输出。而在高速匝道场景中，车速可达 60～80 km/h，横向加速度接近舒适上限，模型失配与执行器延迟会显著放大跟踪误差，鲁棒性设计尤为关键。
五、常见误区与复盘提示
- 误区一：只调增益，不看模型。 增益能改善局部性能，但无法消除模型结构性偏差，尤其在曲率突变时容易振荡。
- 误区二：忽略时延与执行器约束。 仿真中理想转向在实车上存在延迟与速率限制，直接导致相位滞后与超调。
- 误区三：用单一场景验证。 直线跟得好不代表弯道稳定，低速稳定不代表高速安全，必须覆盖曲率、速度、附着与噪声组合。
- 误区四：把定位噪声当成控制问题。 有时误差根源在感知与定位，控制器再强也无法弥补输入污染。
工程调试建议顺序：
1. 校验路径点与曲率计算是否正确
2. 标定车辆轴距、转向比与延迟
3. 低速直线验证横向误差收敛
4. 中速弯道验证航向误差与超调
5. 加入噪声、时延与附着变化做鲁棒测试
6. 记录数据并复盘参数敏感度本课程后续将围绕上述框架逐层展开。你需要始终带着三个问题学习：当前模型假设是否成立？控制器在边界条件下是否仍然稳定？工程实现中哪些环节会引入新的不确定性？把这三个问题贯穿始终，路径跟踪与鲁棒控制就不再是零散公式，而是一套可落地、可验证、可迭代的工程方法。