4. 轨迹跟踪控制高频问题
本节覆盖自动驾驶控制算法面试的三大核心算法——PID、LQR、MPC。你需要掌握每个算法的核心原理、适用场景以及横向对比（实时性、稳定性、约束处理、模型依赖）。面试中常以追问链方式考察深度理解。
PID / LQR / MPC 核心对比
| 维度 | PID | LQR | MPC |
|---|---|---|---|
| 原理模型 | 无模型（误差比例+积分+微分） | 线性二次型最优（状态反馈） | 模型预测+滚动优化 |
| 实时性 | 极高（微秒级） | 高（毫秒级） | 中（需在线优化） |
| 稳定性保证 | 需手动整定 | 理论最优（Riccati方程） | 约束下可达稳态 |
| 约束处理 | 无 | 无 | 显式支持 |
| 典型场景 | 高速车道保持、油门控制 | 横向控制（如车辆侧向运动） | 避障、轨迹跟踪 |
面试常见开场：“请对比 PID、LQR、MPC，并说明在自动驾驶中分别用于哪些场景。” —— 本节所有问答均围绕这一核心问题展开。
📌 面试问题 1
“请简述 PID、LQR、MPC 的核心原理，并说明各自适用场景。”
面试官考察点
- 对三种算法本质的理解（模型依赖 vs 无模型）
- 能否快速匹配场景（实时性、约束、线性/非线性）
- 语言表达的结构化（先原理、后场景、再对比）
回答框架
- 分层回答：分别给出 PID、LQR、MPC 一句话原理
- 场景注射：PID 用于低速/简单系统（如油门），LQR 用于线性模型（如横向控制），MPC 用于有约束/非线性（如避障）
- 一句话总结选型逻辑
简短示例回答
PID 基于误差的 P-I-D 调节，无需模型，实时性高，适合高速车道保持中的油门控制。LQR 基于线性模型和二次型最优，适合车辆横向动力学控制。MPC 基于模型预测和滚动优化，能显式处理约束，适合轨迹跟踪和避障，但计算量大。
可能追问
- “MPC 比 LQR 的优势到底是什么？”
- “LQR 需要模型，模型不准怎么办？”
- “三种算法在实车上的采样周期分别是多少？”
避坑提醒：不要只说原理而忽略场景。面试官期望看到你“知道什么时候用什么”，而不是背公式。
📌 面试问题 2
“你在实际项目中如何整定 PID 参数？有没有遇到过积分饱和问题？”
面试官考察点
- 工程实践经验（非理论）
- PID 参数调试流程（Ziegler‑Nichols 或手动）
- 对积分饱和的理解和处理方式
回答框架
- 先说明整定方法（先 P 后 I 再 D，或 Z‑N 临界比例法）
- 具体案例：如纵向控制中先调 P 使响应快速，再调 I 消除稳态误差
- 积分饱和：原因（积分累积过大），解决方法（抗积分饱和、条件积分）
简短示例回答
我用临界比例法对横向控制器整定：先加大 P 使系统进入等幅振荡，记录临界增益和周期，再按经验公式计算 PID 参数。遇到 throttle 长时间饱和时会出现积分饱和，我采用 clamping 法——输出限幅时冻结积分项。
可能追问
- “条件积分与抗积分饱和的区别？”
- “在发动机非线性区域 PID 如何自适应？”
- “调试过程中如何观察响应曲线？”
避坑提醒：不要只说“手动调参”这么模糊。要有具体步骤或算法名称（如 Z‑N 规则、Simulink 响应分析）。
📌 面试问题 3
“在自动驾驶中，LQR 和 MPC 分别用于哪些控制环？请从稳定性和实时性角度对比。”
面试官考察点
- 系统级理解（控制环分层）
- 稳定性分析能力（LQR 的 Riccati 解 vs MPC 的约束鲁棒）
- 实时性权衡（计算延迟 vs 控制性能）
回答框架
- 先说分层结构：路径规划 -> 运动控制（横向+纵向）
- LQR 常用于横向控制（侧向动力学），MPC 用于纵向+横向耦合或避障
- 稳定性：LQR 理论无限时域稳定，MPC 需验证终端约束
- 实时性：LQR 解析解（微秒级），MPC 在线 QP（毫秒级）
简短示例回答
LQR 适合横向控制环，因为车辆动力学在低速时可线性化，Riccati 方程离线求解，实时性高；MPC 用于纵横向耦合或避障，因为能处理转向/油门约束，但需在线优化，采样频率通常在 20‑50 Hz。稳定性上 LQR 保证全局渐近稳定，MPC 需通过终端代价函数保证递归可行性。
可能追问
- “LQR 的多变量耦合如何处理？”
- “MPC 的预测时域怎么选？”
- “能不能用 LQR 代替 MPC？什么时候会失败？”
避坑提醒：不要混淆“最优控制”和“模型预测控制”。LQR 也是最优控制，但无限时域；MPC 是有限时域滚动优化。
🚀 项目案例：自动驾驶纵向与横向联合控制
项目名称
基于 LQR+MPC 的混合控制策略在园区低速无人车上的应用
业务背景
园区封闭道路无人接驳车，需要平顺的纵向加减速和精确的横向跟踪，同时避免碰撞障碍物。纵向采用 PID 油门/刹车，横向采用 LQR + 前馈；紧急避障时切换至 MPC。
规模指标
- 车辆数：30 辆
- 最高速度：8 m/s (30 km/h)
- 跟踪误差：< 0.1 m (横向)，< 0.3 m/s (纵向)
- 控制频率：纵向 100 Hz，横向 50 Hz，MPC 20 Hz
技术栈
- 算法：PID（纵向）、LQR（横向）、MPC（避障）
- 工具：MATLAB / Simulink 建模，C++ 实车部署
- 求解器：OSQP（MPC 的 QP 求解）
- 测试：CARLA 仿真 + 实车路试
核心难点
- 模式切换抖动：从 LQR 切换到 MPC 时控制量跳变，加入线性插值和切换逻辑
- 参数实时适配：LQR 权重 Q/R 随车速变化，建立查表策略
- MPC 计算延迟：优化 horizon 为 10，采用热启动加速求解
面试高频追问
- “为什么横向不用 PID 而用 LQR？”
- “MPC 切换时如何保证平滑？请讲具体实现。”
- “查表的 Q/R 表是如何标定的？”
可迁移回答话术
“本案例中我们采用分层混合控制：纵向简单用 PID，保证实时性；横向用 LQR 获得最优跟踪；当预测到碰撞风险时切换至 MPC 显式处理转向和刹车约束。切换采用插值缓变，避免跳变。这体现了‘简单场景用简单算法，复杂场景用复杂算法’的工程哲学。”
🏢 大厂模拟面试
面试官提问：“我们在做 L4 级自动驾驶的轨迹跟踪控制，车辆动力学较强非线性，你打算用 LQR 还是 MPC？为什么？”
候选人回答：“嗯……我觉得都可以吧，LQR 更快，MPC 更精确。”
普通答案：“我选择 MPC，因为能处理非线性。LQR 适合线性系统。”
优秀答案：“如果实时性允许（控制频率>20Hz），我优先用 MPC，因为能在预测步中考虑轮胎摩擦圆等非线性约束。如果硬件受限（例如只有工业级 MCU），我会用 LQR 配合前馈补偿以及自适应增益调度来处理部分非线性。”
专家答案：“我会先评估车辆行驶工况。低速（<5 m/s）下轮胎几乎线性，LQR 足以应付且实时性极高；中速（5-15 m/s）非线性增强，此时用 LTV‑MPC（线性时变 MPC），在每个采样点线性化车辆模型；高速则必须使用 NMPC 或学习模型预测控制。另外，如果控制器需要硬实时保证，我倾向于 LQR + 前馈 + 抗扰动观测器，因为 MPC 求解时间不确定。”
面试官追问：“你说的 LTV‑MPC 线性化具体怎么做？能展开一下雅可比矩阵的推导吗？”
💡 提示：专家答案体现了“分层思维”和“工程权衡”，这是大厂非常看重的。不要只给出一个答案，要给出“在不同条件下如何决策”的逻辑。