第3章：PID与MPC控制算法面试高频问题
本章聚焦自动驾驶控制方向最常考的两种算法——PID与MPC。面试官通过基础原理、工程细节、场景选择三个维度考察候选人的理论深度和实战判断力。
知识结构：PID vs MPC对比表
| 维度 | PID | MPC |
|---|---|---|
| 模型依赖 | 无模型（仅误差） | 需要预测模型 |
| 约束处理 | 不直接支持 | 天然支持（输入/状态约束） |
| 计算开销 | 低（kHz级） | 高（Hz~几十Hz） |
| 适用场景 | 低速、简单路径跟踪 | 高速、复杂工况、有安全约束 |
| 调试难度 | 经验调参 | 需要模型标定 + 优化求解 |
| 面试频率 | ★★★★★ | ★★★★★ |
面试问题 1
请描述PID控制器的基本原理及其在自动驾驶中的应用。
考察点：基础理论理解、工程直觉、能否联系实际场景。
回答框架：3句话：① 比例消除当前误差，积分消除稳态误差，微分抑制振荡；② 举例：纵向速度环用PI，横向用PD；③ 说明局限性（无模型、无约束、调参依赖经验）。
示例回答：PID通过比例、积分、微分三个分量控制。在自动驾驶中，纵向上常用PI控制车速（积分克风阻），横向上常用PD控制前轮转角（D项抑制振荡）。但PID无法处理动力学约束和时延，高速场景需搭配前馈或模型补偿。
可能追问：① 积分饱和怎么处理？② 微分项对噪声敏感怎么解决？③ 前馈如何设计？
面试问题 2
MPC相比于PID有哪些优势和挑战？在什么场景下你会选择MPC？
考察点：算法对比能力、工程落地认知、场景判断力。
回答框架：① 优势：显式约束处理、多目标优化、滚动预测；② 挑战：计算实时性、模型精度、标定成本；③ 场景：高速避障、窄路通行、有人-无人混行等需安全约束的场景。
示例回答：MPC能同时优化跟踪精度、平顺性和控制能耗，并硬性约束转向/制动极限。我在L4泊车项目中用MPC处理曲率突变，避免PID引起的方向急变。代价是求解延迟，常见策略是降维（简化轮胎模型）或用嵌入式求解器（ACADO）。
可能追问：① MPC的预测时域如何选取？② 非线性MPC和线性MPC的区别？③ 遇到模型失配怎么鲁棒设计？
面试问题 3
设计一个车辆横向控制器时，你会选择PID还是MPC？请说明你的设计流程。
考察点：系统设计能力、模型认知、工程取舍。
回答框架：① 分析需求：车速范围、曲率变化、精度要求；② 若低速且简单路径，选PID+前馈（省算力）；③ 若高速/大曲率/有安全约束，选MPC；④ 给出仿真验证指标（横向误差±15cm，横摆率振荡< 3°/s）。
示例回答：假定车速≤30km/h且路径曲率≤0.2，我会用PD+前馈：PD负责反馈误差，前馈根据曲率计算稳态转角，最后用低通滤波抑制微分噪声。若车速>60km/h，改用MPC，预测时域设为15步，约束前轮角±30°、横摆角速度±5°/s。
可能追问：① 前馈量怎么算（基于阿克曼模型）？② 如何验证控制器鲁棒性（改变路面附着系数）？③ 你的控制器在“下着雨的匝道”上表现如何？
项目案例模板：MPC路径跟踪控制器
| 要素 | 内容 |
|---|---|
| 项目名称 | 基于线性时变MPC的自主泊车路径跟踪控制器 |
| 业务背景 | 解决地下停车库中曲率< 8m的连续弯道，要求全程横向误差< 15cm |
| 规模指标 | 10辆车×1000次泊车测试，通过率98.6%，平均求解时间6.3ms |
| 技术栈 | LTV-MPC、CasADi、IPOPT、ROS2、Matlab/Simulink |
| 核心难点 | 轮胎非线性饱和+泊车终点精度要求±5cm；使用近似线性化+终端代价函数 |
| 面试高频追问 | ① 为什么不用NMPC？② 求解失败怎么处理？③ 如何标定轮胎模型参数？ |
| 可迁移回答话术 | “我从简单线性MPC开始，逐步加入滑移角补偿；失败时启用fallback PID+降速策略确保安全。” |