1、课程导论：什么是路径跟踪？为什么需要LQR？课程目标与前置知识
1.1 从一个真实场景说起
各位同学，大家好。我是你们这门课的主讲人。
先聊个我亲身经历的事。几年前我参与一个园区无人配送车项目，车是改装的，底盘、转向、电机全是拼凑的。第一次上路测试，车明明沿着车道线走，可一到弯道就「画龙」——左扭一下，右扭一下，最后直接冲上路沿。
我当时蹲在路边，盯着日志数据看了半天。发现什么问题呢？控制指令发出去，车身的实际转角响应总是慢半拍。说白了，就是控制器没算明白「现在该打多少方向」。
这就是路径跟踪要解决的核心问题。
1.2 什么是路径跟踪？
路径跟踪，简单讲就是：让车辆沿着一条预先规划好的路径行驶。
你想想看，自动驾驶系统里，上游的规划模块给你一条路径——可能是一系列点，也可能是一条平滑曲线。你的任务就是控制方向盘、油门、刹车，让车「贴」着这条路径走。
但这里有个坑：路径跟踪 ≠ 轨迹跟踪。
关键区别
- 路径跟踪：只关心空间位置，不关心时间。车可以快一点，也可以慢一点，只要走在路径上就行。
- 轨迹跟踪：既要走在路径上，还要在特定时间到达特定位置。比如「3秒后必须到路口」。
我在项目中遇到过不少新手，把这两个概念混为一谈。结果设计控制器时，非要把时间约束加进去，搞得系统又复杂又容易震荡。其实很多场景下，路径跟踪就够了。
1.3 为什么需要LQR？
好，问题来了：路径跟踪的方法那么多，PID、纯跟踪、Stanley、MPC……为什么我偏偏要讲LQR？
原因有三：
- LQR天然适合「权衡」。路径跟踪的本质是「既要跟踪得准，又要控制得稳」。LQR的目标函数里，你可以直接设置权重——是更看重跟踪精度，还是更看重转向平顺？调一个参数就行。
- LQR有解析解。不像MPC需要在线优化，LQR的增益矩阵可以离线算好。在嵌入式平台上，算力有限，LQR的实时性优势很明显。
- LQR是很多高级方法的基础。比如LQG、iLQR、DDP，都是从LQR衍生出来的。学会了LQR，后面再学MPC、强化学习控制，你会觉得「哦，原来底子在这儿」。
我的个人习惯
做工程选控制器，我一般这么判断：如果系统模型比较准，算力有限，优先上LQR。如果模型不准或者约束多，再考虑MPC。别一上来就上最复杂的，容易把自己绕进去。
1.4 课程目标
这门课学完，我希望你能做到三件事：
- 理解原理：LQR为什么能解路径跟踪问题？状态空间模型怎么建？代价函数怎么设？
- 能动手实现：从车辆运动学模型开始，一步步推导LQR控制器，最后在仿真环境里跑起来。
- 会调参避坑：Q矩阵和R矩阵怎么调？遇到发散、震荡怎么办？我会把踩过的坑都告诉你。
1.5 前置知识
嗯，这里要提醒一下。这门课不是零基础入门，你需要具备以下基础：
| 知识领域 | 具体要求 |
|---|---|
| 线性代数 | 矩阵运算、特征值、二次型。LQR的核心就是解Riccati方程，离不开矩阵。 |
| 自动控制原理 | 状态空间模型、极点配置、稳定性分析。至少要知道什么是「反馈」。 |
| Python基础 | numpy、matplotlib。代码示例会用Python写，仿真也用Python。 |
| 车辆运动学 | 自行车模型、阿克曼转向几何。如果你不熟悉，我会在第二章快速过一遍。 |
我曾经踩过的坑
有一次带实习生做项目，他线性代数基础不错，但控制理论没学扎实。结果Riccati方程解出来了，反馈增益也算对了，但仿真一跑就发散。为什么？因为他忽略了系统可控性检查。所以，前置知识里「状态空间模型」和「可控性」这两块，请务必提前复习。
1.6 本章知识体系
下面这张图，是我自己梳理的本章知识结构。你可以把它当作一张「地图」，后面每学一个知识点，都能在这张图上找到位置。
1.7 写在前面的话
做控制工程这么多年，我最大的体会是：理论是骨架，经验是血肉。LQR的公式你可以在任何一本教材上找到，但「Q矩阵设多大车才不会抖」「R矩阵设多小转向才不迟钝」——这些只能靠实践积累。
这门课里，我会把公式推导讲清楚，但更会花大量篇幅讲「为什么这么设参数」「仿真发散时先查哪里」。你跟着做一遍，比看十遍书都管用。
好，导论就到这里。下一章我们开始搭建车辆运动学模型——这是LQR控制器的「地基」。地基打不牢，后面全是空中楼阁。
公众号:蓝海资料掘金营，微信deep3321