1. 项目背景与核心目标

在智能驾驶系统开发中，换道避撞是一个关键场景。传统方法往往将路径规划和运动控制分开处理，导致系统响应滞后。这个项目创新性地将人工势场法（APF）与模型预测控制（MPC）相结合，通过CarSim和Simulink联合仿真，实现了从环境感知到控制执行的全流程验证。

关键突破：APF算法实时生成势场地图，MPC控制器根据势场梯度进行轨迹优化，二者协同工作使车辆能够动态规避移动障碍物。

2. 系统架构设计

2.1 硬件在环仿真平台

采用CarSim提供高精度车辆动力学模型，Simulink运行控制算法，通过以下接口实现数据交互：

• 输入：方向盘转角/油门刹车信号（CarSim→Simulink）
• 输出：期望横纵向加速度（Simulink→CarSim）

2.2 软件模块划分

graph TD A[环境感知] --> B[人工势场规划] B --> C[MPC轨迹优化] C --> D[CarSim车辆模型] D --> A

3. 核心算法实现

3.1 人工势场法改进

针对传统APF的局部最优问题，我们引入动态障碍物预测：

def potential_field(ego_pos, obs_pos, goal_pos): # 斥力场计算（含速度预测） obs_vel = estimate_velocity(obs_pos_history) future_pos = obs_pos + obs_vel * prediction_horizon repulsive = k_rep * (1/dist(ego_pos,future_pos) - 1/safe_dist)**2 # 引力场计算 attractive = k_att * dist(ego_pos, goal_pos) return repulsive + attractive

3.2 MPC控制器设计

采用线性时变模型预测控制框架：

1. 状态方程：

   x(k+1) = A(k)x(k) + B(k)u(k) y(k) = C(k)x(k)

2. 代价函数：

   J = Σ(||x(k)-x_ref||_Q + ||u(k)||_R) + ρ*ε

3. 约束处理：
   • 动力学约束
   • 执行器饱和约束
   • 安全距离软约束（通过松弛变量ε实现）

4. 联合仿真关键配置

4.1 CarSim参数设置

4.2 Simulink接口配置

1. 采样时间同步：CarSim和控制器均设为0.01s
2. 信号映射：
   • CarSim输出：车速、横摆角、质心位置
   • Simulink输入：目标加速度、前轮转角

5. 典型问题解决方案

5.1 数值不稳定现象

症状：MPC求解器报"QP不可行"解决方法：

1. 检查权重矩阵Q,R的正定性
2. 适当增大松弛变量权重ρ
3. 验证状态量单位一致性（角度用弧度制）

5.2 联合仿真不同步

调试步骤：

1. 在Simulink中添加Scope模块监控原始信号
2. 检查CarSim的VS Solver设置是否为实时模式
3. 验证TCP/IP端口号是否冲突（默认48179）

6. 实测性能对比

场景：80km/h紧急避障

7. 工程经验分享

1. 势场参数整定技巧：

   • 先固定k_att=1.0，从0.1开始调整k_rep
   • 在静态障碍物场景下测试，确保不发生震荡
   • 逐步增加动态障碍物复杂度

2. MPC实时性优化：

   // 使用Hotstart技术加速QP求解 for(int i=0; i<MPC_HORIZON-1; i++){ qpOASES_updateH( H_new[i], g_new[i] ); }

3. 可视化调试工具链：

   • CarSim RT：实时显示车辆动力学状态
   • Simulink 3D Animation：重建势场分布
   • Python后处理脚本：自动生成性能报告

这个方案已成功应用于我们的L3级自动驾驶开发平台，特别是在高速匝道合流场景中表现出色。建议进一步研究势场与学习算法的结合，以应对更复杂的城市道路环境。