1. 课程导入

欢迎进入《NMPC车辆动力学约束控制工程》课程。本课程面向智能驾驶、底盘域控制与车辆动力学控制的工程实践，围绕非线性模型预测控制（Nonlinear Model Predictive Control，NMPC）在车辆动力学约束控制中的应用展开。与经典PID、LQR或线性MPC不同，NMPC直接处理车辆强非线性、多变量耦合、执行器饱和与轮胎附着极限等约束，使控制器在极限工况下仍能保持稳定、可预测且可解释的控制行为。

一、学习目标：从理论到工程闭环

完成本课程后，学习者应具备以下能力：

• 建模能力：能够建立三自由度、七自由度或简化单轨车辆动力学模型，并明确状态量、控制量与参数物理意义。
• 约束表达能力：能够将轮胎侧偏力饱和、侧倾稳定边界、执行器速率限制、道路边界等工程约束转化为NMPC中的不等式约束。
• 优化问题构造能力：能够写出包含预测时域、控制时域、代价函数、终端约束与松弛变量的NMPC标准形式。
• 实时求解能力：能够选择合适的求解器（如ACADO、CasADi+IPOPT、FORCES Pro、OSQP等），并理解实时迭代与热启动策略。
• 闭环验证能力：能够通过CarSim/Simulink、Prescan或实车数据完成双移线、正弦扫频、低附着制动等典型工况验证。

二、核心概念：NMPC在车辆控制中的定位

NMPC的本质是“在有限预测时域内，反复求解一个带约束的非线性最优控制问题”。其数学形式可概括为：

min  J = Σ (x_k - x_ref)^T Q (x_k - x_ref) + Σ u_k^T R u_k
s.t. x_{k+1} = f(x_k, u_k, Δt)
     x_min ≤ x_k ≤ x_max
     u_min ≤ u_k ≤ u_max
     Δu_min ≤ u_k - u_{k-1} ≤ Δu_max
     g(x_k, u_k) ≤ 0   （如轮胎附着圆、侧倾稳定边界）

其中，x通常包含纵向速度、侧向速度、横摆角速度、侧偏角、位置与航向；u通常包含前轮转角、四轮驱动力矩或制动压力。与线性MPC相比，NMPC的预测模型f是非线性的，因此求解难度更高，但能更真实地描述车辆在大侧偏、低附着、强耦合工况下的行为。

三、方法流程：一个控制周期内发生了什么

NMPC在每个采样周期内执行以下步骤，理解这一流程是后续章节的基础：

1. 状态获取：通过IMU、轮速传感器、GPS/RTK与车辆状态估计器获得当前状态x_k。
2. 参考生成：由路径规划模块给出未来Np步的参考轨迹x_ref与期望横摆角速度。
3. 预测与优化：以当前状态为初值，求解带约束的非线性优化问题，得到控制序列u_0, u_1, ..., u_{Nc-1}。
4. 控制执行：仅将u_0发送给转向、驱动或制动执行器。
5. 滚动更新：下一周期用新的测量状态重复上述过程，形成滚动时域优化。

四、典型应用场景与参数对照

NMPC在车辆动力学控制中的典型场景包括：高速双移线避障、低附着路面紧急制动、四轮独立驱动扭矩矢量分配、侧倾稳定性控制以及自动驾驶换道轨迹跟踪。不同场景对预测时域、控制时域和约束设置的要求差异明显。

五、常见误区与复盘建议

建议在学习过程中建立“模型—约束—求解—验证”的闭环思维。每学完一个模块，都要回到车辆动力学本身思考：这个约束对应哪个物理极限？这个权重变化会如何影响车辆响应？只有把数学形式与工程对象对应起来，才能真正掌握NMPC车辆动力学约束控制。

本课程后续将依次展开车辆动力学建模、轮胎模型、约束建模、NMPC数学形式、求解器选型、实时性优化与典型工况验证。请先建立整体框架认知，再进入具体模块的深入推导与工程实现。