第四章 自动驾驶控制理论基础面试：PID、MPC、LQR、纯追踪算法
本章聚焦面试高频的四种控制算法，从原理、选型、调优到项目落地全面拆解。掌握各算法的核心差异与面试表达框架，能大幅提升回答的结构化程度与说服力。
🎯 面试加分点：回答控制算法问题时，建议先用一句话概括核心思想，然后按“原理 → 适用场景 → 调优方法 → 与其他算法对比”的框架展开，最后用项目案例验证理解深度。
问答卡片 1：PID 控制原理与应用
| 面试问题 | |
| 请解释 PID 控制原理，并举例说明在自动驾驶中的典型应用。 | |
| 面试官考察点 | 1. 是否理解比例、积分、微分的物理意义；2. 能结合具体场景（如车道保持、定速巡航）说明参数作用；3. 了解 PID 局限性与改进思路。 |
| 回答框架 | 定义 → 三个项的作用 → 示例场景 → 参数整定方法 → 局限性简述。 |
| 简短示例回答 | PID 通过误差的比例（P）、积分（I）、微分（D）计算控制量。在车道保持中，P 项根据横向偏差输出转向，I 消除稳态误差，D 抑制振荡。常用 Ziegler-Nichols 法整定参数，但面对曲率突变时易超调，可加入前馈或模糊 PID 改进。 |
| 可能追问 | 积分饱和如何克服？微分项对噪声敏感怎么办？如何选择采样时间？ |
| 避坑提醒 | 不要只背公式；避免说“PID 很简单没什么好讲的”；强调实际工程中积分限幅、抗饱和等细节。 |
问答卡片 2：MPC 与 PID 的对比
| 面试问题 | |
| MPC 相比 PID 有哪些优势？又存在什么不足？在自动驾驶中如何选择？ | |
| 面试官考察点 | 1. 对 MPC 原理的理解（滚动优化、约束处理）；2. 能否分析两类算法的适用边界；3. 对计算实时性的认识。 |
| 回答框架 | 先对比核心差异 → MPC 优势（多目标、约束、预测）→ 不足（计算量大、模型敏感）→ 选型建议。 |
| 简短示例回答 | MPC 通过模型预测未来状态并滚动优化，能显式处理执行器饱和、碰撞约束等，适合高速或复杂场景。但计算量比 PID 大一个数量级，对车辆动力学模型精度敏感。工程上，低速泊车常用 PID，高速巡航或紧急避障则用 MPC。 |
| 可能追问 | MPC 的预测时域和控制时域如何选取？线性 MPC 与非线性 MPC 的区别？如何加快求解速度？ |
| 避坑提醒 | 不要盲目推崇 MPC 而否定 PID；避免只谈理论不谈实现难点（如求解器选型、模型失配）；建议用具体项目数据说明实时性要求（例如 50ms 内必须输出控制量）。 |
问答卡片 3：LQR 与纯追踪算法在路径跟踪中的区别
| 面试问题 | |
| LQR 和纯追踪（Pure Pursuit）都是常用的路径跟踪算法，请分析它们的核心区别以及在什么情况下分别适用。 | |
| 面试官考察点 | 1. 对两种算法数学本质的理解（LQR 基于模型最优控制，纯追踪基于几何）；2. 能否结合实际车辆动力学评价优劣；3. 对曲率、速度适应性等工程细节的把握。 |
| 回答框架 | LQR 原理（状态反馈、二次型最优）→ 纯追踪原理（预瞄点、横向误差几何关系）→ 核心区别 → 选型场景。 |
| 简短示例回答 | LQR 基于车辆动力学模型和 Riccati 方程求解最优反馈增益，兼顾跟踪精度与控制能量，但需精确模型。纯追踪基于预瞄距离的几何关系，实现简单、参数少，适合低速路径跟踪。在弯道曲率突变的场景下，LQR 跟踪误差更小，而纯追踪容易产生过冲。若车辆模型已知且算力充裕，优先 LQR；若仅需快速原型或低速场景，纯追踪更稳妥。 |
| 可能追问 | LQR 的 Q、R 矩阵如何调参？纯追踪的预瞄距离如何根据车速动态调整？能否将 LQR 与纯追踪结合？ |
| 避坑提醒 | 避免把 LQR 复杂化（比如强行推导 Riccati 方程细节）而忽略对比重点；纯追踪的预瞄距离要说明是车速的函数，不是固定值；建议画一个简单对比表（实时性、精度、模型依赖）来辅助回答。 |
💡 面试建议：三种算法对比常作为综合题出现，建议提前准备一张速查表，包含原理类型、计算复杂度、约束处理能力、典型应用场景。用“首先…其次…最后”的结构组织回答。
📁 项目案例：高速公路自适应巡航（ACC）控制仿真
| 真实项目模板 | |
| 项目名称 | 高速公路自适应巡航控制系统仿真（ACC） |
| 业务背景 | 某主机厂要求开发一款自适应巡航控制器，能在高速环境下实现跟车、定速、紧急减速等功能，要求切换平顺、无碰撞风险。 |
| 规模指标 | 仿真场景包含 200+ 工况（前车切入、切出、急刹、弯道限速）；纵向加速度误差 <0.3 m/s²；跟车间距误差 <1.5m；决策周期 20ms，控制周期 10ms。 |
| 技术栈 | Matlab/Simulink 搭建车辆动力学模型；C++ 实现 MPC 控制器（OSQP 求解器）；ROS 实现仿真节点通讯；Python 用于评价指标可视化。 |
| 核心难点 | 1. 约束处理：同时考虑加速度限制、 jerk 限制、最小安全间距；2. 模式切换：定速→跟车→减速的平滑过渡（通过权重调整）；3. 预测模型误差：线性化二自由度模型在高速下的失配情况，引入前馈补偿。 |
| 面试高频追问 | • 为什么选择 MPC 而不是 PID？ • OSQP 求解器的收敛性如何保证？ • 如何处理预测时域内前车运动不确定性问题？ • 仿真与实车测试的主要差异在哪里？ |
| 可迁移回答话术 | “该项目核心是通过 MPC 实现多约束下的纵向控制。我负责设计代价函数，其中状态量包括相对距离和速度差，控制量是期望加速度。通过权重矩阵调节跟车舒适性与追踪精度，并用热启动策略将求解时间压缩到 8ms 以内。遇到前车紧急切入时，通过减小预测时域来提升响应速度。这个思路同样适用于其他需要处理约束的控制场景，比如轨迹跟踪中的横向/纵向联合控制。” |
⚠️ 项目案例避坑：避免只谈过程不谈量化指标；不要忽略仿真与实车的 gap（比如模型不确定性、通讯延迟）；如果被追问“为什么不用纯追踪”，要从约束处理、舒适性、预测能力三个角度对比，体现系统思考。