1. 无人车自主避障到底在做什么1.1 从一句标题拆出来的真实需求“无人车自主避障控制实验从数字模型到实车部署”这句话第一次看可能觉得就是做个仿真、跑个算法、装到车上。但真正动手做过的人都知道这里面藏着一条完整的工程链路被控对象建模、传感器选型与标定、避障策略设计、控制算法实现、仿真验证、实车调试。任何一个环节掉链子车要么原地转圈要么直接撞墙。我前后做过三轮无人车避障项目从最早用Arduino加超声波模块的玩具车到后来用ROS加激光雷达的阿克曼底盘再到最近一次用模型预测控制MPC做动态避障。踩过的坑比写过的代码还多。这篇文章就把这条链路完整拆开讲清楚每个环节为什么这么做、怎么做、做的时候要注意什么。核心关键词先摆出来无人车、自主避障、数字模型、实车部署、控制算法。这五个词基本覆盖了整个项目的生命周期。数字模型是基础控制算法是核心实车部署是最终考验自主避障是目标无人车是载体。适合谁看如果你正在做毕业设计、参加智能车竞赛、或者在公司做低速无人配送车的避障模块这篇文章可以直接当参考手册用。如果你只是对无人车感兴趣想了解背后的原理也能看懂因为我会尽量用生活化的类比来解释。1.2 为什么不能跳过数字模型直接上实车很多人有一个误区觉得仿真都是“假的”直接上实车调才真实。我早期也这么想结果就是撞坏了两个保险杠、烧了一个电机驱动、还差点把激光雷达摔了。后来老老实实回去建模型、做仿真反而实车调试的时间缩短了一半以上。数字模型的价值在于低成本试错。你可以在仿真里让车以5m/s的速度冲向墙壁一百次调整算法参数观察每次的避障轨迹。实车上你不敢这么干一次失误可能就是几百上千块的损失。而且仿真可以复现极端场景突然出现的行人、传感器噪声、通信延迟这些在实车上很难稳定复现但在仿真里可以精确控制。当然数字模型不能完全替代实车。轮胎打滑、电机死区、传感器安装误差、地面摩擦系数变化这些“现实世界的恶意”在仿真里很难百分百还原。所以正确的做法是数字模型里把算法逻辑调通实车上做参数微调和鲁棒性验证。两者是互补关系不是替代关系。1.3 整体技术栈的选型逻辑做无人车避障技术栈的选择直接决定了后续的开发效率和最终效果。我按几个关键维度来说。计算平台方面如果只是做低速避障比如1m/s以内树莓派4B或者Jetson Nano就够用了。如果要跑MPC或者深度学习模型建议上Jetson Xavier NX或者Orin Nano。我实测下来树莓派跑纯C的避障算法控制频率做到50Hz没问题但一旦加上激光雷达点云处理帧率就掉得厉害。传感器方面超声波便宜但视野窄、刷新慢适合做近距离补盲。红外测距受光照影响大基本淘汰。激光雷达是主流单线雷达如RPLIDAR A1几百块就能买到适合室内低速场景。深度相机如RealSense D435i能提供RGBD信息但室外强光下容易失效。我的建议是室内用单线激光雷达加超声波补盲室外用多线激光雷达加毫米波雷达。底盘方面差速底盘控制简单但转弯半径大。阿克曼底盘更接近真实车辆但控制复杂度高。如果是做算法验证建议从差速底盘开始把避障逻辑跑通再换阿克曼。控制算法方面PID是最基础的但面对动态障碍物时反应不够快。LQR适合线性系统对非线性强的无人车效果一般。MPC模型预测控制是目前的主流选择能处理约束、能预测未来状态但计算量大。ADRC自抗扰控制对扰动抑制效果好适合地面摩擦变化大的场景。模糊PID适合非线性强的系统但规则库调起来很麻烦。我的建议是先用PID把车跑起来再用MPC做避障决策ADRC做底层速度控制。这个组合在我最近的項目里表现很稳。2. 数字模型从物理世界到代码世界2.1 运动学建模把车变成数学公式无人车的运动学模型说白了就是用数学公式描述“轮子转多少车往哪走”。最常用的是自行车模型哪怕你的车是差速底盘也可以用这个模型近似。自行车模型的核心参数有三个轴距L、前轮转角δ、车速v。对于差速底盘前轮转角可以换算成左右轮速差。公式很简单x_dot v * cos(θ) y_dot v * sin(θ) θ_dot v * tan(δ) / L其中(x, y)是车的位置θ是航向角。这个模型假设轮胎不打滑、车体是刚性的。实际使用中低速情况下这个假设基本成立。我一开始觉得这个模型太简单了想用更复杂的动力学模型。后来发现在低速避障场景下运动学模型的精度已经足够了。动力学模型考虑质量、转动惯量、轮胎侧偏刚度反而会因为参数辨识不准而引入更大误差。所以我的建议是低速用运动学高速用动力学。低速一般指3m/s以下。建模的时候有一个坑航向角的定义。不同教材、不同代码库对θ的定义可能不一样有的以x轴正方向为0有的以y轴正方向为0。如果你在仿真里跑得好好的实车上方向反了大概率就是这个问题。我的做法是在代码里统一用弧度制航向角以x轴正方向为0逆时针为正。然后在实车部署前用手推着车走一圈验证航向角变化方向是否正确。2.2 传感器建模给仿真加点“噪声”仿真里如果传感器数据是完美的那算法在实车上大概率会失效。因为真实传感器有噪声、有延迟、有盲区。所以在数字模型里必须给传感器加“佐料”。激光雷达的仿真我一般加三种噪声距离噪声高斯分布标准差0.01m、角度噪声高斯分布标准差0.5度、丢包随机丢弃5%的点。这样仿真出来的点云和真实激光雷达的差距就不大了。深度相机的仿真更麻烦因为涉及光照和纹理。我的做法是在仿真环境里用简单的几何体加纹理然后加高斯噪声和随机遮挡。虽然和真实场景有差距但至少能让算法适应“不完美数据”。超声波传感器的仿真主要加波束角和最小探测距离。超声波不是一条线而是一个锥形区域角度大概30度。最小探测距离一般0.2m太近了测不到。这些特性在仿真里都要体现出来否则算法会以为超声波能测到0距离的障碍物。注意传感器噪声的参数不要拍脑袋定最好查传感器手册或者实测。比如RPLIDAR A1的距离噪声标准差大概是0.01m角度分辨率是1度。这些参数在仿真里设置对了算法迁移到实车时才不会“水土不服”。2.3 环境建模地图、障碍物与动态元素仿真环境一般用Gazebo或者PyBullet搭建。Gazebo和ROS集成好PyBullet轻量、Python接口友好。我两个都用过做避障算法验证推荐Gazebo做强化学习训练推荐PyBullet。环境里要放什么静态障碍物墙壁、柱子、桌子、动态障碍物移动的人、其他车、地面摩擦系数不同区域可以设置不同值。动态障碍物特别重要因为自主避障的核心难点就是“动态”。我一般会设计几个典型场景走廊会车两车相向而行、行人横穿突然出现的动态障碍物、窄道通行两侧墙壁很近、死胡同需要倒车掉头。每个场景都设置不同的参数比如行人速度、出现位置、障碍物大小。环境建模的一个技巧用参数化脚本生成场景。不要手动在Gazebo里拖拽那样效率太低。我一般写一个Python脚本用随机种子生成障碍物位置和动态障碍物轨迹。这样每次跑仿真场景都不一样能更好地测试算法的泛化能力。2.4 仿真与实车的差距在哪里数字模型再精细和实车也有差距。我总结了几条主要的第一轮胎打滑。仿真里轮胎和地面是纯滚动实车上急转弯或者地面有水时轮胎会打滑导致里程计不准。解决办法是在仿真里加打滑模型或者实车上用激光雷达做定位校正。第二电机死区。仿真里给电机一个PWM值轮子就转。实车上PWM值太小电机根本不转。我实测下来很多直流减速电机的死区在10%到20%之间。这个在仿真里要加进去否则低速控制会出问题。第三通信延迟。仿真里传感器数据到控制器是零延迟实车上从激光雷达到工控机、从工控机到电机驱动每个环节都有延迟。总延迟一般在20ms到50ms之间。这个延迟在高速时影响很大仿真里要加延迟模块。第四传感器安装误差。仿真里激光雷达在车体正中心实车上可能偏左5cm、偏前10cm。这个误差会导致避障轨迹偏移。解决办法是在仿真里故意把传感器位置设偏然后标定。3. 避障控制算法从PID到MPC的实战选择3.1 PID最基础但最容易调崩的算法PID是每个做控制的人第一个接触的算法。原理简单根据误差的比例、积分、微分来调整输出。但在无人车避障里PID有个致命问题它不知道未来。举个例子车前方5米有个障碍物PID控制器只有等车靠近了、误差变大了才开始减速。如果车速快等PID反应过来车已经撞上去了。所以PID适合做底层速度控制不适合做避障决策。我早期用PID做避障逻辑是激光雷达检测到前方障碍物距离小于阈值就减速距离小于更小的阈值就转向。这个逻辑在低速0.5m/s下能用但速度一上去就完蛋。而且转向角度是固定的不会根据障碍物距离动态调整。调PID参数的时候我踩过的坑是积分项饱和。车被障碍物挡住误差一直存在积分项越积越大等障碍物移开后车会猛地冲出去。解决办法是加积分限幅或者用积分分离。实操心得PID参数不要一次调三个先调P再调D最后调I。P决定响应速度D抑制超调I消除稳态误差。无人车速度控制P一般从0.5开始试D从0.1开始试I从0开始慢慢加。3.2 LQR线性系统的最优控制LQR线性二次调节器的核心思想是用最小的控制代价让系统状态回到期望值。它需要你定义两个矩阵Q状态权重和R控制权重。Q越大系统越在意状态误差R越大系统越在意控制量大小。LQR适合线性系统无人车的运动学模型在低速下可以线性化所以LQR能用。但LQR的局限是它假设系统是线性的且没有约束。无人车的转向角有物理限制比如最大30度LQR不会考虑这个限制算出来的控制量可能超出物理范围。我用LQR做过轨迹跟踪效果比PID好因为LQR能同时考虑位置误差和航向误差。但调Q和R矩阵很费时间。我的经验是Q矩阵的对角线元素位置误差权重设为1航向误差权重设为2到5。因为航向误差对避障影响更大。R矩阵一般设为单位矩阵如果控制量抖动厉害就加大R。LQR还有一个问题它对模型误差很敏感。如果实际车的轴距和模型里的轴距差1cmLQR的跟踪效果就会下降。所以用LQR之前一定要把模型参数辨识准。3.3 MPC当前避障控制的主流选择MPC模型预测控制是这几年无人车避障的主流算法。它的核心思想是在每个控制周期根据当前状态和模型预测未来N步的状态然后求解一个优化问题找到最优的控制序列只执行第一个控制量下一个周期重新预测。MPC的优势很明显能处理约束、能预测未来、能处理多目标。比如你可以把“避障”写成约束条件车与障碍物距离大于安全距离把“跟踪目标点”写成代价函数。MPC会自动找到一个既避障又跟踪的轨迹。但MPC的缺点也很明显计算量大。如果预测步长N20控制步长M5状态维度是3控制维度是2那优化问题的变量数就是10个左右。用OSQP或者ACADO求解器在Jetson Nano上跑控制频率能做到20Hz到50Hz。如果N再大或者状态维度再高就跑不动了。我最近一次项目用的是MPC做避障决策ADRC做底层速度控制。MPC的输出是期望速度和期望转向角ADRC负责让实际速度和转向角快速跟踪期望值。这个组合的好处是MPC不需要考虑底层执行器的动态特性ADRC能抑制地面摩擦变化和负载变化带来的扰动。MPC的参数调起来也有讲究。预测步长N一般取1到3秒的时间跨度。如果车速1m/s控制周期0.05s那N20到60。控制步长M一般取N的1/4到1/2。代价函数里跟踪误差的权重一般设为1控制量变化率的权重设为0.1到0.5这样能保证控制量平滑。注意MPC的求解器选择很重要。OSQP适合凸优化问题速度快但只能处理线性约束。ACADO适合非线性问题但配置复杂。IPOPT精度高但速度慢。我的建议是先用OSQP把线性MPC跑通如果效果不够再换非线性MPC。3.4 ADRC与模糊PID底层控制的补充方案ADRC自抗扰控制的核心是扩张状态观测器ESO。它把系统内部的不确定性和外部扰动都当成一个“总扰动”然后用ESO估计这个扰动并在控制量里补偿掉。这样就不需要精确的模型了。我用ADRC做速度控制效果比PID好。因为无人车在地毯上跑和在地砖上跑摩擦系数不一样PID的参数要重新调ADRC不用。ADRC的参数主要是观测器带宽ωo和控制器带宽ωc。一般ωo取ωc的3到5倍。ωc越大响应越快但噪声也越大。模糊PID是另一个思路根据误差和误差变化率动态调整PID参数。比如误差大时加大P误差小时减小P。模糊PID适合非线性强的系统但规则库的设计很依赖经验。我试过用模糊PID做转向控制调了三天规则库效果还不如MPC。所以我的建议是底层速度控制用ADRC转向控制用MPCPID作为备用方案。如果计算平台性能不够跑不了MPC那就用PID加模糊规则做避障但车速要限制在0.5m/s以内。4. 实车部署从仿真到现实的最后一公里4.1 硬件选型与接线检查清单实车部署的第一步是硬件选型。我列一个我最近一次项目用的清单供参考。部件型号数量备注计算平台Jetson Xavier NX1跑ROS和MPC激光雷达RPLIDAR A11室内避障深度相机RealSense D435i1补盲和障碍物分类超声波HC-SR044近距离补盲电机驱动TB66122差速底盘编码器霍尔编码器2测速IMUMPU60501航向角底盘差速底盘1轴距0.3m接线的时候电源地要共地。我遇到过激光雷达和Jetson不共地导致激光雷达数据乱跳。还有电机驱动和计算平台要分开供电电机启动瞬间电流大会把计算平台拉死机。我一般用两块电池一块给电机一块给计算平台。实操心得接线完成后先不要装车用万用表测一遍所有电源电压。然后单独测试每个传感器确保数据正常。最后再组装。我见过太多人装完车才发现某个传感器坏了拆起来很麻烦。4.2 传感器标定激光雷达与相机的联合标定激光雷达和相机的联合标定目的是找到两个传感器之间的坐标变换关系。这样激光雷达检测到的障碍物才能投影到相机图像上或者反过来。标定方法一般用棋盘格。把棋盘格放在激光雷达和相机都能看到的地方分别检测棋盘格在激光雷达坐标系和相机坐标系下的位置然后求解变换矩阵。我一般用ROS的camera_calibration和lidar_camera_calibration包。标定的时候要注意棋盘格要放在两个传感器的重叠视野内而且要变换几个不同的位姿。我一般采集10到15组数据然后用最小二乘法求解。标定误差一般在2cm以内就算合格。IMU的标定主要是零偏校准。把车静止放在水平地面上采集1000个数据求平均值作为零偏。然后把这个零偏写到代码里每次读取IMU数据时减去零偏。如果不校准航向角会一直漂移。编码器的标定是测轮径。让车走直线10米记录编码器脉冲数然后反推轮径。我一般测三次取平均。轮径标定不准里程计就会累积误差。4.3 控制频率与通信延迟的实测处理控制频率决定了避障的响应速度。我实测下来激光雷达的刷新率是10HzMPC的控制频率是20Hz底层速度控制是100Hz。这个频率配置在低速1m/s下够用。通信延迟主要来自三个环节传感器采集延迟、算法计算延迟、执行器响应延迟。传感器采集延迟一般5到10ms算法计算延迟取决于MPC的求解时间执行器响应延迟一般10到20ms。总延迟大概30到50ms。处理延迟的方法有两个一是预测补偿在MPC里把延迟考虑进去预测未来延迟时间后的状态。二是降低控制频率让控制周期大于总延迟。我一般用第一种方法因为降低控制频率会影响响应速度。注意如果延迟超过100ms避障算法基本失效。这时候要检查是不是计算平台性能不够或者通信总线比如USB带宽不足。我遇到过USB摄像头和激光雷达抢带宽导致激光雷达数据延迟200ms。解决办法是把摄像头换成CSI接口或者用USB3.0分线器。4.4 实车调试的五个阶段实车调试不能一步到位我一般分五个阶段。第一阶段静态测试。车不动用手推着车走观察激光雷达数据、IMU数据、编码器数据是否正常。这个阶段主要验证传感器和标定。第二阶段低速直线。让车以0.2m/s的速度走直线观察里程计和IMU的航向角是否一致。如果不一致调整轮径参数或者IMU零偏。第三阶段低速避障。在车前方放一个静态障碍物让车以0.3m/s的速度靠近观察是否能停下来或者绕开。这个阶段主要调避障阈值和安全距离。第四阶段动态避障。让一个人从车前方横穿观察车的反应。这个阶段主要调MPC的预测步长和代价函数权重。第五阶段全速运行。把速度提到设计速度比如1m/s在完整场景里跑。这个阶段主要调鲁棒性比如加地面摩擦变化、加传感器噪声。每个阶段都要记录数据用rosbag录下来事后分析。我一般会录激光雷达、IMU、编码器、控制量、MPC求解时间这几个话题。分析的时候用rqt_plot或者自己写Python脚本画图。5. 常见问题与排查技巧实录5.1 仿真跑得好好的实车却撞墙这是最常见的问题。原因一般有三个传感器噪声、模型误差、延迟。排查方法先看激光雷达数据在rviz里显示出来看看和仿真里的点云差距大不大。如果噪声很大就在仿真里加噪声。然后看里程计数据用手推车走直线看看里程计轨迹和实际轨迹偏差多少。如果偏差大就重新标定轮径和IMU。最后看延迟用rostopic delay命令查看激光雷达话题的延迟。我遇到过一次仿真里避障完美实车上直接撞墙。后来发现是激光雷达安装角度偏了5度导致障碍物位置估计偏了。重新标定后问题解决。5.2 避障轨迹抖动严重轨迹抖动一般是控制量变化太剧烈。原因可能是MPC的代价函数里控制量变化率权重太小或者底层速度控制的ADRC参数太激进。解决办法加大MPC代价函数里控制量变化率的权重从0.1加到0.5。然后降低ADRC的控制器带宽ωc从50降到20。如果还抖动就在控制量输出后加一个低通滤波器截止频率设10Hz。实操心得抖动不一定是坏事轻微抖动说明系统响应快。但如果抖动幅度超过控制量的10%就会影响乘坐舒适性和机械寿命。我一般把抖动控制在5%以内。5.3 动态障碍物避不开动态障碍物避不开一般是预测不准。MPC预测的是未来状态但如果障碍物运动模型不对预测就会偏。解决办法在MPC里加障碍物运动预测。简单的方法是假设障碍物匀速直线运动用卡尔曼滤波估计障碍物速度。复杂的方法是用交互多模型IMM滤波能处理障碍物突然变向的情况。我一般用匀速模型加卡尔曼滤波在低速场景下够用。如果障碍物是行人速度一般1m/s到1.5m/s加速度不大匀速模型误差在可接受范围内。5.4 常见问题速查表问题现象可能原因排查方法解决方案车不动电机死区、电源不足测电机两端电压加大PWM最小值、换电池车跑偏轮径标定不准、IMU零偏走直线测偏差重新标定轮径和IMU避障反应慢控制频率低、延迟大查看控制周期和延迟提高控制频率、减少延迟轨迹抖动控制量变化剧烈查看控制量曲线加大控制量变化率权重动态避障失败障碍物预测不准查看障碍物轨迹加卡尔曼滤波预测激光雷达数据乱跳电源不共地、USB带宽不足测电源地、换USB口共地、换USB3.0MPC求解超时预测步长太大、求解器慢查看求解时间减小N、换OSQP求解器5.5 独家避坑技巧技巧一仿真里故意加“最坏情况”。比如把传感器噪声加到实际的两倍把延迟加到100ms。如果算法在这种情况下还能用实车上就稳了。技巧二实车调试时用“安全绳”。用一根绳子拴住车另一端拿在手里。车要撞墙的时候拉绳子。这个比急停按钮反应快。技巧三录数据要录全。不要只录控制量传感器原始数据、标定参数、MPC求解时间都要录。出问题的时候这些数据能帮你快速定位。技巧四参数不要一次调太多。每次只调一个参数记录效果。我见过有人一次调五个参数结果出问题不知道是哪个引起的。技巧五实车部署前先在仿真里跑100次随机场景。如果100次都成功实车成功率大概80%。如果仿真里就有失败实车肯定失败。6. 从项目里带走的经验做无人车避障最深的体会是仿真和实车之间的鸿沟比想象中大得多。数字模型能帮你把算法逻辑调通但实车上的噪声、延迟、摩擦变化只能在实际调试中解决。另一个体会是控制算法没有银弹。PID简单但不够用MPC强大但计算量大ADRC抗扰但参数难调。最好的方案是组合使用MPC做决策ADRC做底层控制PID做备用。根据场景和硬件性能灵活选择。最后安全永远是第一位的。实车调试时一定要有急停按钮一定要有安全绳一定要在封闭场地。我见过太多人为了赶进度在开放场地调试结果车冲出去撞了人。技术可以慢慢调安全不能妥协。这个项目后续还可以扩展的方向多车协同避障车与车之间通信协商避障策略、基于学习的避障用强化学习训练避障策略但需要大量仿真数据、三维避障无人机或者带机械臂的无人车需要在三维空间避障。每个方向都有很多坑但也有很多乐趣。 无人车自主避障控制实战：从数字模型到实车部署全链路解析
1. 无人车自主避障到底在做什么1.1 从一句标题拆出来的真实需求“无人车自主避障控制实验从数字模型到实车部署”这句话第一次看可能觉得就是做个仿真、跑个算法、装到车上。但真正动手做过的人都知道这里面藏着一条完整的工程链路被控对象建模、传感器选型与标定、避障策略设计、控制算法实现、仿真验证、实车调试。任何一个环节掉链子车要么原地转圈要么直接撞墙。我前后做过三轮无人车避障项目从最早用Arduino加超声波模块的玩具车到后来用ROS加激光雷达的阿克曼底盘再到最近一次用模型预测控制MPC做动态避障。踩过的坑比写过的代码还多。这篇文章就把这条链路完整拆开讲清楚每个环节为什么这么做、怎么做、做的时候要注意什么。核心关键词先摆出来无人车、自主避障、数字模型、实车部署、控制算法。这五个词基本覆盖了整个项目的生命周期。数字模型是基础控制算法是核心实车部署是最终考验自主避障是目标无人车是载体。适合谁看如果你正在做毕业设计、参加智能车竞赛、或者在公司做低速无人配送车的避障模块这篇文章可以直接当参考手册用。如果你只是对无人车感兴趣想了解背后的原理也能看懂因为我会尽量用生活化的类比来解释。1.2 为什么不能跳过数字模型直接上实车很多人有一个误区觉得仿真都是“假的”直接上实车调才真实。我早期也这么想结果就是撞坏了两个保险杠、烧了一个电机驱动、还差点把激光雷达摔了。后来老老实实回去建模型、做仿真反而实车调试的时间缩短了一半以上。数字模型的价值在于低成本试错。你可以在仿真里让车以5m/s的速度冲向墙壁一百次调整算法参数观察每次的避障轨迹。实车上你不敢这么干一次失误可能就是几百上千块的损失。而且仿真可以复现极端场景突然出现的行人、传感器噪声、通信延迟这些在实车上很难稳定复现但在仿真里可以精确控制。当然数字模型不能完全替代实车。轮胎打滑、电机死区、传感器安装误差、地面摩擦系数变化这些“现实世界的恶意”在仿真里很难百分百还原。所以正确的做法是数字模型里把算法逻辑调通实车上做参数微调和鲁棒性验证。两者是互补关系不是替代关系。1.3 整体技术栈的选型逻辑做无人车避障技术栈的选择直接决定了后续的开发效率和最终效果。我按几个关键维度来说。计算平台方面如果只是做低速避障比如1m/s以内树莓派4B或者Jetson Nano就够用了。如果要跑MPC或者深度学习模型建议上Jetson Xavier NX或者Orin Nano。我实测下来树莓派跑纯C的避障算法控制频率做到50Hz没问题但一旦加上激光雷达点云处理帧率就掉得厉害。传感器方面超声波便宜但视野窄、刷新慢适合做近距离补盲。红外测距受光照影响大基本淘汰。激光雷达是主流单线雷达如RPLIDAR A1几百块就能买到适合室内低速场景。深度相机如RealSense D435i能提供RGBD信息但室外强光下容易失效。我的建议是室内用单线激光雷达加超声波补盲室外用多线激光雷达加毫米波雷达。底盘方面差速底盘控制简单但转弯半径大。阿克曼底盘更接近真实车辆但控制复杂度高。如果是做算法验证建议从差速底盘开始把避障逻辑跑通再换阿克曼。控制算法方面PID是最基础的但面对动态障碍物时反应不够快。LQR适合线性系统对非线性强的无人车效果一般。MPC模型预测控制是目前的主流选择能处理约束、能预测未来状态但计算量大。ADRC自抗扰控制对扰动抑制效果好适合地面摩擦变化大的场景。模糊PID适合非线性强的系统但规则库调起来很麻烦。我的建议是先用PID把车跑起来再用MPC做避障决策ADRC做底层速度控制。这个组合在我最近的項目里表现很稳。2. 数字模型从物理世界到代码世界2.1 运动学建模把车变成数学公式无人车的运动学模型说白了就是用数学公式描述“轮子转多少车往哪走”。最常用的是自行车模型哪怕你的车是差速底盘也可以用这个模型近似。自行车模型的核心参数有三个轴距L、前轮转角δ、车速v。对于差速底盘前轮转角可以换算成左右轮速差。公式很简单x_dot v * cos(θ) y_dot v * sin(θ) θ_dot v * tan(δ) / L其中(x, y)是车的位置θ是航向角。这个模型假设轮胎不打滑、车体是刚性的。实际使用中低速情况下这个假设基本成立。我一开始觉得这个模型太简单了想用更复杂的动力学模型。后来发现在低速避障场景下运动学模型的精度已经足够了。动力学模型考虑质量、转动惯量、轮胎侧偏刚度反而会因为参数辨识不准而引入更大误差。所以我的建议是低速用运动学高速用动力学。低速一般指3m/s以下。建模的时候有一个坑航向角的定义。不同教材、不同代码库对θ的定义可能不一样有的以x轴正方向为0有的以y轴正方向为0。如果你在仿真里跑得好好的实车上方向反了大概率就是这个问题。我的做法是在代码里统一用弧度制航向角以x轴正方向为0逆时针为正。然后在实车部署前用手推着车走一圈验证航向角变化方向是否正确。2.2 传感器建模给仿真加点“噪声”仿真里如果传感器数据是完美的那算法在实车上大概率会失效。因为真实传感器有噪声、有延迟、有盲区。所以在数字模型里必须给传感器加“佐料”。激光雷达的仿真我一般加三种噪声距离噪声高斯分布标准差0.01m、角度噪声高斯分布标准差0.5度、丢包随机丢弃5%的点。这样仿真出来的点云和真实激光雷达的差距就不大了。深度相机的仿真更麻烦因为涉及光照和纹理。我的做法是在仿真环境里用简单的几何体加纹理然后加高斯噪声和随机遮挡。虽然和真实场景有差距但至少能让算法适应“不完美数据”。超声波传感器的仿真主要加波束角和最小探测距离。超声波不是一条线而是一个锥形区域角度大概30度。最小探测距离一般0.2m太近了测不到。这些特性在仿真里都要体现出来否则算法会以为超声波能测到0距离的障碍物。注意传感器噪声的参数不要拍脑袋定最好查传感器手册或者实测。比如RPLIDAR A1的距离噪声标准差大概是0.01m角度分辨率是1度。这些参数在仿真里设置对了算法迁移到实车时才不会“水土不服”。2.3 环境建模地图、障碍物与动态元素仿真环境一般用Gazebo或者PyBullet搭建。Gazebo和ROS集成好PyBullet轻量、Python接口友好。我两个都用过做避障算法验证推荐Gazebo做强化学习训练推荐PyBullet。环境里要放什么静态障碍物墙壁、柱子、桌子、动态障碍物移动的人、其他车、地面摩擦系数不同区域可以设置不同值。动态障碍物特别重要因为自主避障的核心难点就是“动态”。我一般会设计几个典型场景走廊会车两车相向而行、行人横穿突然出现的动态障碍物、窄道通行两侧墙壁很近、死胡同需要倒车掉头。每个场景都设置不同的参数比如行人速度、出现位置、障碍物大小。环境建模的一个技巧用参数化脚本生成场景。不要手动在Gazebo里拖拽那样效率太低。我一般写一个Python脚本用随机种子生成障碍物位置和动态障碍物轨迹。这样每次跑仿真场景都不一样能更好地测试算法的泛化能力。2.4 仿真与实车的差距在哪里数字模型再精细和实车也有差距。我总结了几条主要的第一轮胎打滑。仿真里轮胎和地面是纯滚动实车上急转弯或者地面有水时轮胎会打滑导致里程计不准。解决办法是在仿真里加打滑模型或者实车上用激光雷达做定位校正。第二电机死区。仿真里给电机一个PWM值轮子就转。实车上PWM值太小电机根本不转。我实测下来很多直流减速电机的死区在10%到20%之间。这个在仿真里要加进去否则低速控制会出问题。第三通信延迟。仿真里传感器数据到控制器是零延迟实车上从激光雷达到工控机、从工控机到电机驱动每个环节都有延迟。总延迟一般在20ms到50ms之间。这个延迟在高速时影响很大仿真里要加延迟模块。第四传感器安装误差。仿真里激光雷达在车体正中心实车上可能偏左5cm、偏前10cm。这个误差会导致避障轨迹偏移。解决办法是在仿真里故意把传感器位置设偏然后标定。3. 避障控制算法从PID到MPC的实战选择3.1 PID最基础但最容易调崩的算法PID是每个做控制的人第一个接触的算法。原理简单根据误差的比例、积分、微分来调整输出。但在无人车避障里PID有个致命问题它不知道未来。举个例子车前方5米有个障碍物PID控制器只有等车靠近了、误差变大了才开始减速。如果车速快等PID反应过来车已经撞上去了。所以PID适合做底层速度控制不适合做避障决策。我早期用PID做避障逻辑是激光雷达检测到前方障碍物距离小于阈值就减速距离小于更小的阈值就转向。这个逻辑在低速0.5m/s下能用但速度一上去就完蛋。而且转向角度是固定的不会根据障碍物距离动态调整。调PID参数的时候我踩过的坑是积分项饱和。车被障碍物挡住误差一直存在积分项越积越大等障碍物移开后车会猛地冲出去。解决办法是加积分限幅或者用积分分离。实操心得PID参数不要一次调三个先调P再调D最后调I。P决定响应速度D抑制超调I消除稳态误差。无人车速度控制P一般从0.5开始试D从0.1开始试I从0开始慢慢加。3.2 LQR线性系统的最优控制LQR线性二次调节器的核心思想是用最小的控制代价让系统状态回到期望值。它需要你定义两个矩阵Q状态权重和R控制权重。Q越大系统越在意状态误差R越大系统越在意控制量大小。LQR适合线性系统无人车的运动学模型在低速下可以线性化所以LQR能用。但LQR的局限是它假设系统是线性的且没有约束。无人车的转向角有物理限制比如最大30度LQR不会考虑这个限制算出来的控制量可能超出物理范围。我用LQR做过轨迹跟踪效果比PID好因为LQR能同时考虑位置误差和航向误差。但调Q和R矩阵很费时间。我的经验是Q矩阵的对角线元素位置误差权重设为1航向误差权重设为2到5。因为航向误差对避障影响更大。R矩阵一般设为单位矩阵如果控制量抖动厉害就加大R。LQR还有一个问题它对模型误差很敏感。如果实际车的轴距和模型里的轴距差1cmLQR的跟踪效果就会下降。所以用LQR之前一定要把模型参数辨识准。3.3 MPC当前避障控制的主流选择MPC模型预测控制是这几年无人车避障的主流算法。它的核心思想是在每个控制周期根据当前状态和模型预测未来N步的状态然后求解一个优化问题找到最优的控制序列只执行第一个控制量下一个周期重新预测。MPC的优势很明显能处理约束、能预测未来、能处理多目标。比如你可以把“避障”写成约束条件车与障碍物距离大于安全距离把“跟踪目标点”写成代价函数。MPC会自动找到一个既避障又跟踪的轨迹。但MPC的缺点也很明显计算量大。如果预测步长N20控制步长M5状态维度是3控制维度是2那优化问题的变量数就是10个左右。用OSQP或者ACADO求解器在Jetson Nano上跑控制频率能做到20Hz到50Hz。如果N再大或者状态维度再高就跑不动了。我最近一次项目用的是MPC做避障决策ADRC做底层速度控制。MPC的输出是期望速度和期望转向角ADRC负责让实际速度和转向角快速跟踪期望值。这个组合的好处是MPC不需要考虑底层执行器的动态特性ADRC能抑制地面摩擦变化和负载变化带来的扰动。MPC的参数调起来也有讲究。预测步长N一般取1到3秒的时间跨度。如果车速1m/s控制周期0.05s那N20到60。控制步长M一般取N的1/4到1/2。代价函数里跟踪误差的权重一般设为1控制量变化率的权重设为0.1到0.5这样能保证控制量平滑。注意MPC的求解器选择很重要。OSQP适合凸优化问题速度快但只能处理线性约束。ACADO适合非线性问题但配置复杂。IPOPT精度高但速度慢。我的建议是先用OSQP把线性MPC跑通如果效果不够再换非线性MPC。3.4 ADRC与模糊PID底层控制的补充方案ADRC自抗扰控制的核心是扩张状态观测器ESO。它把系统内部的不确定性和外部扰动都当成一个“总扰动”然后用ESO估计这个扰动并在控制量里补偿掉。这样就不需要精确的模型了。我用ADRC做速度控制效果比PID好。因为无人车在地毯上跑和在地砖上跑摩擦系数不一样PID的参数要重新调ADRC不用。ADRC的参数主要是观测器带宽ωo和控制器带宽ωc。一般ωo取ωc的3到5倍。ωc越大响应越快但噪声也越大。模糊PID是另一个思路根据误差和误差变化率动态调整PID参数。比如误差大时加大P误差小时减小P。模糊PID适合非线性强的系统但规则库的设计很依赖经验。我试过用模糊PID做转向控制调了三天规则库效果还不如MPC。所以我的建议是底层速度控制用ADRC转向控制用MPCPID作为备用方案。如果计算平台性能不够跑不了MPC那就用PID加模糊规则做避障但车速要限制在0.5m/s以内。4. 实车部署从仿真到现实的最后一公里4.1 硬件选型与接线检查清单实车部署的第一步是硬件选型。我列一个我最近一次项目用的清单供参考。部件型号数量备注计算平台Jetson Xavier NX1跑ROS和MPC激光雷达RPLIDAR A11室内避障深度相机RealSense D435i1补盲和障碍物分类超声波HC-SR044近距离补盲电机驱动TB66122差速底盘编码器霍尔编码器2测速IMUMPU60501航向角底盘差速底盘1轴距0.3m接线的时候电源地要共地。我遇到过激光雷达和Jetson不共地导致激光雷达数据乱跳。还有电机驱动和计算平台要分开供电电机启动瞬间电流大会把计算平台拉死机。我一般用两块电池一块给电机一块给计算平台。实操心得接线完成后先不要装车用万用表测一遍所有电源电压。然后单独测试每个传感器确保数据正常。最后再组装。我见过太多人装完车才发现某个传感器坏了拆起来很麻烦。4.2 传感器标定激光雷达与相机的联合标定激光雷达和相机的联合标定目的是找到两个传感器之间的坐标变换关系。这样激光雷达检测到的障碍物才能投影到相机图像上或者反过来。标定方法一般用棋盘格。把棋盘格放在激光雷达和相机都能看到的地方分别检测棋盘格在激光雷达坐标系和相机坐标系下的位置然后求解变换矩阵。我一般用ROS的camera_calibration和lidar_camera_calibration包。标定的时候要注意棋盘格要放在两个传感器的重叠视野内而且要变换几个不同的位姿。我一般采集10到15组数据然后用最小二乘法求解。标定误差一般在2cm以内就算合格。IMU的标定主要是零偏校准。把车静止放在水平地面上采集1000个数据求平均值作为零偏。然后把这个零偏写到代码里每次读取IMU数据时减去零偏。如果不校准航向角会一直漂移。编码器的标定是测轮径。让车走直线10米记录编码器脉冲数然后反推轮径。我一般测三次取平均。轮径标定不准里程计就会累积误差。4.3 控制频率与通信延迟的实测处理控制频率决定了避障的响应速度。我实测下来激光雷达的刷新率是10HzMPC的控制频率是20Hz底层速度控制是100Hz。这个频率配置在低速1m/s下够用。通信延迟主要来自三个环节传感器采集延迟、算法计算延迟、执行器响应延迟。传感器采集延迟一般5到10ms算法计算延迟取决于MPC的求解时间执行器响应延迟一般10到20ms。总延迟大概30到50ms。处理延迟的方法有两个一是预测补偿在MPC里把延迟考虑进去预测未来延迟时间后的状态。二是降低控制频率让控制周期大于总延迟。我一般用第一种方法因为降低控制频率会影响响应速度。注意如果延迟超过100ms避障算法基本失效。这时候要检查是不是计算平台性能不够或者通信总线比如USB带宽不足。我遇到过USB摄像头和激光雷达抢带宽导致激光雷达数据延迟200ms。解决办法是把摄像头换成CSI接口或者用USB3.0分线器。4.4 实车调试的五个阶段实车调试不能一步到位我一般分五个阶段。第一阶段静态测试。车不动用手推着车走观察激光雷达数据、IMU数据、编码器数据是否正常。这个阶段主要验证传感器和标定。第二阶段低速直线。让车以0.2m/s的速度走直线观察里程计和IMU的航向角是否一致。如果不一致调整轮径参数或者IMU零偏。第三阶段低速避障。在车前方放一个静态障碍物让车以0.3m/s的速度靠近观察是否能停下来或者绕开。这个阶段主要调避障阈值和安全距离。第四阶段动态避障。让一个人从车前方横穿观察车的反应。这个阶段主要调MPC的预测步长和代价函数权重。第五阶段全速运行。把速度提到设计速度比如1m/s在完整场景里跑。这个阶段主要调鲁棒性比如加地面摩擦变化、加传感器噪声。每个阶段都要记录数据用rosbag录下来事后分析。我一般会录激光雷达、IMU、编码器、控制量、MPC求解时间这几个话题。分析的时候用rqt_plot或者自己写Python脚本画图。5. 常见问题与排查技巧实录5.1 仿真跑得好好的实车却撞墙这是最常见的问题。原因一般有三个传感器噪声、模型误差、延迟。排查方法先看激光雷达数据在rviz里显示出来看看和仿真里的点云差距大不大。如果噪声很大就在仿真里加噪声。然后看里程计数据用手推车走直线看看里程计轨迹和实际轨迹偏差多少。如果偏差大就重新标定轮径和IMU。最后看延迟用rostopic delay命令查看激光雷达话题的延迟。我遇到过一次仿真里避障完美实车上直接撞墙。后来发现是激光雷达安装角度偏了5度导致障碍物位置估计偏了。重新标定后问题解决。5.2 避障轨迹抖动严重轨迹抖动一般是控制量变化太剧烈。原因可能是MPC的代价函数里控制量变化率权重太小或者底层速度控制的ADRC参数太激进。解决办法加大MPC代价函数里控制量变化率的权重从0.1加到0.5。然后降低ADRC的控制器带宽ωc从50降到20。如果还抖动就在控制量输出后加一个低通滤波器截止频率设10Hz。实操心得抖动不一定是坏事轻微抖动说明系统响应快。但如果抖动幅度超过控制量的10%就会影响乘坐舒适性和机械寿命。我一般把抖动控制在5%以内。5.3 动态障碍物避不开动态障碍物避不开一般是预测不准。MPC预测的是未来状态但如果障碍物运动模型不对预测就会偏。解决办法在MPC里加障碍物运动预测。简单的方法是假设障碍物匀速直线运动用卡尔曼滤波估计障碍物速度。复杂的方法是用交互多模型IMM滤波能处理障碍物突然变向的情况。我一般用匀速模型加卡尔曼滤波在低速场景下够用。如果障碍物是行人速度一般1m/s到1.5m/s加速度不大匀速模型误差在可接受范围内。5.4 常见问题速查表问题现象可能原因排查方法解决方案车不动电机死区、电源不足测电机两端电压加大PWM最小值、换电池车跑偏轮径标定不准、IMU零偏走直线测偏差重新标定轮径和IMU避障反应慢控制频率低、延迟大查看控制周期和延迟提高控制频率、减少延迟轨迹抖动控制量变化剧烈查看控制量曲线加大控制量变化率权重动态避障失败障碍物预测不准查看障碍物轨迹加卡尔曼滤波预测激光雷达数据乱跳电源不共地、USB带宽不足测电源地、换USB口共地、换USB3.0MPC求解超时预测步长太大、求解器慢查看求解时间减小N、换OSQP求解器5.5 独家避坑技巧技巧一仿真里故意加“最坏情况”。比如把传感器噪声加到实际的两倍把延迟加到100ms。如果算法在这种情况下还能用实车上就稳了。技巧二实车调试时用“安全绳”。用一根绳子拴住车另一端拿在手里。车要撞墙的时候拉绳子。这个比急停按钮反应快。技巧三录数据要录全。不要只录控制量传感器原始数据、标定参数、MPC求解时间都要录。出问题的时候这些数据能帮你快速定位。技巧四参数不要一次调太多。每次只调一个参数记录效果。我见过有人一次调五个参数结果出问题不知道是哪个引起的。技巧五实车部署前先在仿真里跑100次随机场景。如果100次都成功实车成功率大概80%。如果仿真里就有失败实车肯定失败。6. 从项目里带走的经验做无人车避障最深的体会是仿真和实车之间的鸿沟比想象中大得多。数字模型能帮你把算法逻辑调通但实车上的噪声、延迟、摩擦变化只能在实际调试中解决。另一个体会是控制算法没有银弹。PID简单但不够用MPC强大但计算量大ADRC抗扰但参数难调。最好的方案是组合使用MPC做决策ADRC做底层控制PID做备用。根据场景和硬件性能灵活选择。最后安全永远是第一位的。实车调试时一定要有急停按钮一定要有安全绳一定要在封闭场地。我见过太多人为了赶进度在开放场地调试结果车冲出去撞了人。技术可以慢慢调安全不能妥协。这个项目后续还可以扩展的方向多车协同避障车与车之间通信协商避障策略、基于学习的避障用强化学习训练避障策略但需要大量仿真数据、三维避障无人机或者带机械臂的无人车需要在三维空间避障。每个方向都有很多坑但也有很多乐趣。