一、课程导论：为什么车道保持需要控制算法？PID与LQR的江湖地位
1.1 从一次真实的路测说起
我记得那是2018年，我在某主机厂做L2级辅助驾驶的实车测试。那天天气不错，高速路上标线清晰，按理说车道保持应该稳如老狗。结果呢？车辆在车道里画起了龙——左修一下，右修一下，坐在后排的测试经理脸都绿了。
问题出在哪？说白了，就是控制算法没调好。你想想看，方向盘打多了，车就晃；打少了，又压线。这个度怎么拿捏？嗯，这就是我们今天要聊的核心——车道保持控制算法。
核心观点：没有控制算法的车道保持，就像蒙着眼开车。你只能靠感觉，但感觉这东西，在工程上靠不住。
1.2 为什么车道保持需要控制算法？
先问个问题：车辆本身不是能自己走直线吗？为什么还需要算法？
其实，车辆是个典型的非线性、时变、多扰动系统。你想想看：
- 轮胎侧偏刚度会随车速变化
- 路面附着系数会随天气变化
- 车辆质心位置会随载重变化
- 还有侧风、路面倾斜、传感器噪声...
这些因素叠加在一起，车辆的实际轨迹和期望轨迹之间，永远存在偏差。控制算法的任务，就是把这个偏差收敛到零，而且要收敛得快、稳、准。
我在项目中遇到过最头疼的情况：某次测试，车辆在弯道中突然遇到路面接缝，横向偏差瞬间跳了15cm。如果控制算法反应慢了，车就直接冲出去了。那次之后，我对控制器的鲁棒性有了刻骨铭心的认识。
避坑指南：我曾经以为只要PID调得好，什么工况都能应付。后来发现，在高速大曲率弯道+低附着路面的组合工况下，纯PID很容易出现振荡甚至发散。这时候就需要更高级的控制策略了。
1.3 PID与LQR：两种控制哲学的碰撞
说到车道保持控制算法，江湖上最常用的两把刀，就是PID和LQR。
| 对比维度 | PID控制 | LQR控制 |
|---|---|---|
| 设计思路 | 基于误差的反馈调节 | 基于状态空间的最优控制 |
| 数学模型 | 不需要精确模型 | 需要建立车辆动力学模型 |
| 调参方式 | 试凑法、经验法 | 基于代价函数的最优化 |
| 鲁棒性 | 对模型误差不敏感 | 对模型精度要求较高 |
| 最优性 | 非最优控制 | 二次型最优控制 |
| 工程实现 | 简单、成熟、广泛 | 相对复杂、需要状态观测 |
你可能会问：那到底该用哪个？
我个人习惯这样选型：
- 简单场景、快速原型验证 → 先用PID，调起来快，效果够用
- 高速、大曲率、多约束场景 → 上LQR，能同时考虑多个性能指标
- 量产项目 → 往往是PID+LQR混合使用，取长补短
1.4 一个简单的例子：PID控制器的直观理解
先看一段最基础的PID代码，用于车道保持中的横向偏差控制：
class PIDController:
def __init__(self, kp, ki, kd):
self.kp = kp # 比例系数
self.ki = ki # 积分系数
self.kd = kd # 微分系数
self.prev_error = 0.0
self.integral = 0.0
def compute(self, error, dt):
# 比例项：当前偏差
p_term = self.kp * error
# 积分项：历史偏差累积
self.integral += error * dt
i_term = self.ki * self.integral
# 微分项：偏差变化率
derivative = (error - self.prev_error) / dt
d_term = self.kd * derivative
# 更新状态
self.prev_error = error
return p_term + i_term + d_term这段代码看起来简单，但实际调参时坑很多。我曾经在高速测试时，因为积分项饱和，导致车辆在出弯时出现了明显的超调——方向盘猛地回正，把测试工程师吓了一跳。
注意：PID的积分项在车道保持中要慎用。长时间的大偏差会导致积分饱和，出弯时反而成为干扰。我建议加上积分限幅和抗饱和机制。
1.5 LQR的引入：为什么需要更优的控制？
PID虽然好用，但它有个根本问题：它只关注当前误差，不考虑未来状态。
你想想看，在弯道中，车辆不仅有当前的横向偏差，还有未来的曲率变化、车速变化、侧向加速度约束...这些信息，PID是看不到的。
LQR就不一样了。它基于状态空间模型，可以同时考虑：
- 横向偏差
- 航向角偏差
- 前轮转角
- 侧向速度
- 横摆角速度
通过设计代价函数，LQR能找到一个在多个性能指标之间最优平衡的控制律。说白了，就是让车辆既不走偏，又不猛打方向，还能快速响应。
我记得第一次在仿真中对比PID和LQR时，效果差异非常明显。同样的弯道，PID需要反复修正，而LQR几乎是一步到位。当然，代价就是建模和调参的工作量大了不少。
1.6 本课程的学习路径
接下来的课程，我会带着大家一步步深入：
- 车辆运动学与动力学建模 — 这是LQR的基础，也是很多工程师容易忽略的地方
- PID控制器的设计与调参 — 从Ziegler-Nichols到工程经验法
- LQR控制器的推导与实现 — 从理论到代码，手把手教你
- 仿真对比与实车验证 — 用数据说话，看看到底谁更优
- 工程落地中的坑与解决方案 — 这些是我用真金白银换来的教训
写在最后：控制算法没有银弹。PID和LQR各有优劣，关键是要理解它们的本质，知道在什么场景下用哪个。这也是我设计这门课的初衷——不是教你背公式，而是帮你建立工程直觉。
好了，导论就到这里。下一章，我们开始搭建车辆模型。准备好了吗？