1. 车辆动力学模型自动驾驶的“肌肉与骨骼”想象一下你正在教一个刚拿到驾照的朋友如何在复杂的城市道路上安全驾驶。你不仅要告诉他方向盘打多少、油门踩多深还得解释为什么在湿滑路面急转弯会打滑为什么上坡时需要提前加速。对于自动驾驶汽车来说车辆动力学模型扮演的正是这个“驾驶教练”的角色它是连接“大脑”决策规划和“手脚”执行机构的关键桥梁。简单来说车辆动力学模型就是一套数学方程用来描述车辆在各种外力作用下的运动规律。它回答了“当我给方向盘一个指令车辆会如何响应”以及“当路面湿滑时同样的指令会导致什么结果”这类核心问题。没有这个模型自动驾驶系统就像一个只会背交规但不会开车的“本本族”空有路线规划却无法精准、平稳地控制车辆。我刚开始接触这个领域时也犯过很多新手会犯的错误试图用一个超级复杂的模型去解决所有问题结果仿真跑得慢控制器设计更是无从下手。后来才明白模型的选择没有“最好”只有“最合适”。这篇文章我就结合自己踩过的坑和项目经验带你从最基础的运动学模型一路深入到更贴近现实的动力学模型最后看看如何把它们用在真实的控制器里。无论你是刚入行的工程师还是对自动驾驶技术原理感兴趣的学生都能找到实用的“干货”。2. 运动学自行车模型从几何关系起步2.1 模型简介与使用场景运动学自行车模型是我推荐所有新手入门的第一个模型。它最大的特点就是“简单”。它把四个轮子的汽车简化成一辆只有前后两个轮子的“自行车”并且只关心车辆的几何运动关系完全忽略轮胎打滑、车身侧倾这些复杂的物理效应。这听起来是不是太理想化了确实但它有不可替代的优势。计算速度极快一个简单的微控制器就能实时运算模型直观易懂状态变量少非常适合用来理解车辆控制的基本逻辑。在实际项目中它常常是低速场景下的首选比如自动泊车、园区内的低速接驳、或者城市拥堵路段的跟车。在这些场景下车速低轮胎基本不会发生明显的侧向滑移运动学模型的精度完全够用。我记得在一个自动泊车项目初期团队为了快速验证路径规划算法的可行性就直接用了这个模型。它帮助我们在一周内就搭建起了从规划到控制的仿真闭环虽然模型粗糙但足以验证算法的核心逻辑是否通畅为后续的精细化开发节省了大量时间。2.2 状态变量与核心假设要建立模型我们首先要定义清楚我们要描述车辆的哪些状态。在运动学自行车模型中我们通常关心以下四个核心状态位置 (x, y)车辆在地图全局坐标系下的坐标单位是米。这告诉我们车“在哪里”。航向角 (θ)车头方向与全局坐标系X轴的夹角单位是弧度。这告诉我们车“朝向哪里”。速度 (v)车辆质心沿车身方向的速度大小单位是米/秒。这告诉我们车“跑多快”。而我们的控制输入通常有两个前轮转角 (δ)方向盘转动对应的前轮偏转角度单位是弧度。控制“往哪转”。纵向加速度 (a)由油门或刹车产生的加速度单位是米/秒²。控制“加速还是减速”。这个模型基于几个关键假设理解它们至关重要车辆像刚体一样运动不会变形。车辆只在平面上运动忽略上下颠簸。前轮和后轮都没有侧向滑移。这是最核心的简化意味着轮胎永远朝着它滚动的方向不会像在冰面上那样“横着滑”。在低速下这个假设基本成立。速度方向与车身方向一致。因为假设没有侧滑所以车的速度矢量永远指向车头正前方。2.3 横向运动建模转向的几何奥秘横向运动主要指车辆位置和朝向的变化。我们可以纯粹从几何关系推导出来。假设在极短的时间dt内车辆沿着一个圆弧运动。车辆质心的运动速度可以分解到全局坐标系的X和Y方向上。因为速度方向与车身航向角θ一致所以x方向速度dx/dt v * cos(θ) y方向速度dy/dt v * sin(θ)这部分很好理解就是速度的矢量分解。接下来是航向角的变化率也就是车辆转弯的角速度θ̇。这里需要一点几何知识。当前轮转过一个角度δ时车辆的转弯半径R可以近似为轴距L除以tan(δ)。根据圆周运动公式角速度ω等于线速度v除以半径R。因此角速度θ̇ v / R (v / L) * tan(δ)这个公式是运动学模型的核心之一。它清晰地告诉我们转弯的剧烈程度角速度与车速成正比与前轮转角的正切值成正比与轴距成反比。轴距越长的车比如卡车转向就越不灵活。所以横向运动的完整描述就是ẋ v * cos(θ) ẏ v * sin(θ) θ̇ (v / L) * tan(δ)2.4 纵向动力学建模加速与刹车的背后运动学模型本身只描述了几何运动要控制车速我们需要引入最简单的纵向动力学。这里我们使用牛顿第二定律F m * a。车辆在前进方向上受到的力主要包括驱动力 (F_drive)由电机或发动机产生通过传动系统作用到驱动轮上。行驶阻力主要包括空气阻力与速度平方成正比、滚动阻力与车重和路面状况有关。在坡道上还要考虑坡度阻力。制动力 (F_brake)由刹车系统产生。因此纵向动力学方程可以写为m * v̇ F_drive - F_brake - F_drag - F_roll - F_slope其中v̇就是纵向加速度a。空气阻力F_drag 0.5 * ρ * Cd * A * v²ρ是空气密度Cd是风阻系数A是迎风面积。滚动阻力F_roll m * g * frfr是滚动阻力系数。在实际的控制器设计中为了简化我们常常不直接去计算这些复杂的力而是把a直接作为控制输入。这意味着我们的控制器输出一个“期望加速度”指令底层的执行器电机控制器、刹车控制器会自己去努力实现这个加速度目标。所以纵向动力学常常被简化为v̇ a这里的a就是一个有范围限制的控制量比如-5 m/s²到3 m/s²分别对应最大制动减速度和最大加速能力。2.5 模型组合与控制器设计示例现在我们把横向和纵向模型组合起来就得到了一个完整的、可用于控制的四状态模型状态向量 [x, y, θ, v]ᵀ 控制输入 [δ, a]ᵀ 系统方程 ẋ v * cos(θ) ẏ v * sin(θ) θ̇ (v / L) * tan(δ) v̇ a这个模型是非线性的主要是因为cos(θ),sin(θ),tan(δ)这些三角函数的存在。直接用它来做最优控制如LQR比较困难通常需要围绕一个参考点进行线性化。一个简单的MPC控制器设计思路假设我们有一个参考轨迹它给出了每一时刻期望的[x_ref, y_ref, θ_ref, v_ref]。我们可以定义误差状态e [x - x_ref, y - y_ref, θ - θ_ref, v - v_ref]ᵀ。在参考点附近对上述非线性方程进行一阶泰勒展开得到一个线性的误差动力学模型。然后模型预测控制器MPC就可以在每个控制周期内求解一个未来有限时域内的优化问题计算出最优的控制序列[δ, a]使得跟踪误差最小同时满足控制约束比如方向盘转角不能超过30度加速度在物理极限内。2.6 实际应用中的约束与参数理论模型是理想的但真实车辆有物理极限。在控制器设计中我们必须把这些约束条件加进去。下面是一个典型家用轿车的参数和约束示例参数/约束符号典型值说明车辆轴距L2.5 - 2.8 m前后轮中心距影响转弯半径最大前轮转角δ_max±0.52 rad (≈30°)方向盘打到头的极限最大加速度a_max2.0 - 3.0 m/s²取决于电机/发动机功率最大减速度a_min-5.0 - -8.0 m/s²紧急制动能力比加速猛速度范围v_min, v_max0 m/s, 35 m/s (126 km/h)静止和最高车速限制在MPC的优化问题中这些约束会直接写成不等式-0.52 rad ≤ δ ≤ 0.52 rad -5.0 m/s² ≤ a ≤ 3.0 m/s² 0 m/s ≤ v ≤ 35 m/s不满足这些约束的解是无效的优化器会主动避开。这就是为什么运动学模型虽然简单但配合MPC后依然能生成既平滑又安全的控制指令。3. 动力学自行车模型引入轮胎与惯性3.1 何时需要更复杂的模型当你把用运动学模型设计的控制器放到高速仿真或者实车测试时可能会发现一个问题在车速较高比如超过60 km/h或者进行急转弯时车辆的实际轨迹和模型的预测开始出现明显偏差。车子好像变得“迟钝”了转向响应没那么直接甚至感觉车尾有点“甩”。这就是运动学模型的局限性显现了——它忽略了车辆的惯性力和轮胎的侧偏特性。动力学自行车模型就是为了解决这个问题而生的。它仍然使用“自行车”的简化把左右轮合并但引入了关键的两点轮胎侧向力和车身转动惯量。这使得模型能够描述车辆在惯性作用下的“横摆”运动以及轮胎在侧向力作用下产生的“侧偏角”。这个模型是大多数现代汽车电子稳定系统ESP和高速自动驾驶控制器的理论基础。3.2 核心状态与坐标系转换动力学模型通常工作在车身坐标系下。以车辆质心为原点x轴指向车头正前方y轴指向驾驶员左侧右手坐标系。在这个坐标系下我们关心的状态变了纵向速度 (vx)车辆质心沿车身x轴方向的速度分量。横向速度 (vy)车辆质心沿车身y轴方向的速度分量。这个状态是运动学模型没有的它直接反映了车辆的“侧滑”程度。横摆角速度 (r)车辆绕垂直轴z轴旋转的角速度也就是θ̇。这是动力学模型计算出来的而不是像运动学模型那样由几何关系直接给出。全局位置和航向 (X, Y, ψ)通常也需要但有时在控制中作为外层状态。控制输入依然是前轮转角δ和总纵向力Fx或加速度ax。3.3 轮胎侧向力与“魔术公式”动力学建模的核心难点和精髓在于轮胎模型。轮胎不是刚体它在承受侧向力时会产生变形导致轮胎的实际运动方向与它的平面方向有一个夹角这就是侧偏角 (α)。侧向力Fy主要就是这个侧偏角α的函数。在最简单的线性轮胎模型中我们假设侧向力与侧偏角成正比Fyf -Cαf * αf 前轮 Fyr -Cαr * αr 后轮其中Cαf和Cαr分别是前、后轮的侧偏刚度单位是牛/弧度。负号表示力的方向与侧偏角方向相反。侧偏角如何计算呢以前轮为例它由两部分组成一是方向盘直接给出的转角δ二是由于车身整体运动质心有横向速度vy和旋转r导致的前轮速度方向与车身x轴的夹角。在小角度假设下可以推导出αf ≈ δ - (vy lf * r) / vx αr ≈ - (vy - lr * r) / vx这里lf和lr是质心到前、后轴的距离。公式直观地解释为如果车身正在向左横滑vy为正那么即使前轮转角δ为0前轮相对地面的运动方向也是向右偏的从而产生一个负的侧偏角αf进而产生一个向右的侧向力来纠正横滑。然而线性模型只在侧偏角很小通常小于5度时准确。当轮胎接近附着极限时侧向力会饱和非线性非常强。这时就需要更复杂的非线性轮胎模型比如著名的Pacejka “魔术公式”。它用一组正弦函数来拟合轮胎力与侧偏角、滑移率、垂向载荷的复杂关系精度很高是进行高保真车辆动力学仿真的标配。不过公式参数多计算也更复杂。3.4 建立完整的动力学方程有了轮胎力我们就可以根据牛顿-欧拉方程来列写动力学方程了。在非惯性系车身坐标系下需要引入哥氏加速度项。质心平动方程m * (v̇x - r * vy) Fx 纵向 m * (v̇y r * vx) Fyf Fyr 横向左边括号里v̇x和v̇y是相对加速度-r*vy和r*vx是哥氏加速度。右边是合力。绕质心转动方程横摆动力学Iz * ṙ lf * Fyf - lr * FyrIz是车辆绕z轴的转动惯量。这个方程决定了车辆是“转向不足”还是“转向过度”。如果前轮侧向力Fyf产生的力矩占主导车辆有增加转向的趋势可能过度如果后轮侧向力Fyr产生的力矩大车辆有回正或甩尾的趋势。将线性轮胎模型的Fyf,Fyr和αf,αr的表达式代入上面三个方程就能得到一个关于状态[vx, vy, r]和控制输入[δ, Fx]的非线性微分方程组。这就是完整的动力学自行车模型。3.5 线性化与状态空间形式非线性模型虽然精确但用于控制器设计如LQR非常困难。工程上的标准做法是在工作点附近进行线性化。我们假设车辆在一个稳态下行驶比如以恒定速度Vx沿直线行驶vy0, r0, δ0或者以恒定速度Vx和恒定横摆角速度R进行稳态圆周行驶。在工作点附近我们对非线性方程进行一阶泰勒展开忽略高阶项。同时为了做轨迹跟踪我们不仅关心车身本身的速度更关心车辆相对于一条参考轨迹的误差。因此通常会定义新的误差状态横向位置误差 (ey)车辆质心到参考轨迹的垂直距离。航向误差 (eψ)车辆航向与参考轨迹切线方向的夹角。纵向速度误差 (ev)实际速度与参考速度的差。经过一系列推导过程略复杂但本质是求偏导我们可以得到一个线性时不变LTI系统的状态空间方程ẋ A * x B * u其中状态向量x可能是[vy, r, ey, eψ, ev]ᵀ控制向量u是[δ, Fx]ᵀ。矩阵A和B中的元素完全由车辆参数质量m、转动惯量Iz、轴距lf, lr、侧偏刚度Cαf, Cαr和工作点速度Vx决定。这个线性模型是设计LQR横向控制器、预测模型用于线性MPC的基石。它清晰地揭示了车辆横向运动的动态特性比如横摆阻尼、侧向位移的固有频率等。3.6 典型参数与仿真设置要让模型跑起来你需要一套合理的车辆参数。下面是一组对应于普通中型轿车的典型参数你可以用它来搭建自己的第一个动力学模型仿真参数符号典型值物理意义整车质量m1500 kg车辆总重横摆转动惯量Iz2500 kg·m²车辆绕垂直轴转动的惯性质心到前轴距离lf1.2 m影响前轮侧偏角大小质心到后轴距离lr1.3 m影响后轮侧偏角大小前轮侧偏刚度Cαf80000 N/rad前轮每产生1度侧偏角所需的力后轮侧偏刚度Cαr80000 N/rad后轮每产生1度侧偏角所需的力空气阻力系数Cd0.3与车型有关迎风面积A2.2 m²车辆正投影面积滚动阻力系数fr0.01与轮胎和路面有关在Python或MATLAB/Simulink中你可以用这些参数构建模型然后输入一个方向盘转角阶跃信号观察车辆的横摆角速度和侧向加速度响应这就是经典的“阶跃转向”测试可以用来分析车辆的不足/过度转向特性。4. 曲线坐标系模型为轨迹跟踪量身定制4.1 为什么需要另一种模型无论是运动学还是动力学模型其状态如x, y, θ都是基于全局坐标系的。但在轨迹跟踪任务中我们最关心的不是“我在世界上的绝对位置”而是“我偏离预定轨迹有多远”。直接使用全局坐标来计算误差不仅不直观而且当参考轨迹弯曲时误差计算会变得复杂。曲线坐标系模型或称Frenet坐标系模型完美地解决了这个问题。它的核心思想是在参考轨迹的每一个点上建立一个局部坐标系。这个坐标系的s轴沿着轨迹切线方向n轴垂直于轨迹指向左侧。这样车辆的位置就可以用两个非常直观的量来描述纵向进度 (s)车辆投影在参考轨迹上的弧长。横向偏差 (d 或 n)车辆质心到该投影点的垂直距离。此外还有一个关键状态航向误差 (μ 或 eψ)车辆实际航向与轨迹在该点切线方向的夹角。这种表示方法的优势是巨大的控制目标变得极其清晰——无论轨迹如何弯曲控制器的任务就是让横向偏差d和航向误差μ尽快归零同时让纵向进度s跟上期望的速度曲线。4.2 模型推导与关键公式曲线坐标系模型的推导比前两者稍显复杂因为它涉及到运动学在曲线坐标系下的投影。这里我给出最常用的形式并解释其含义。首先引入一个重要的中间变量质心侧偏角 (β)。它描述了车辆质心速度方向与车身朝向之间的夹角。对于前轮转向的车辆它与前轮转角δ有关β arctan( (lr / L) * tan(δ) )其中L lf lr是轴距。当δ较小时可以近似为β ≈ (lr / L) * δ。现在假设参考轨迹在s点的曲率为κ(s)曲率半径R 1/κ。车辆在曲线坐标系下的动力学可以描述为纵向进度变化率ṡ (v * cos(μ β)) / (1 - κ(s) * d)分母(1 - κ*d)是一个几何修正项。当车辆在弯道外侧d为正时实际走过的弧长会比轨迹进度s的变化要长。横向偏差变化率ḋ v * sin(μ β)这其实就是横向速度在法向的投影。航向误差变化率μ̇ (v / lr) * sin(β) - (κ(s) * v * cos(μ β)) / (1 - κ(s) * d)第一部分(v/lr)*sin(β)来源于运动学模型中由后轮推导的航向角变化率注意这里用了后轴等效。第二部分是因为轨迹本身在弯曲即使车辆沿着轨迹走其航向相对于全局坐标系也在变化需要减去这个变化率。这个模型通常再配合纵向动力学v̇ a就构成了一个以[s, d, μ, v]为状态以[δ, a]为输入的非线性系统。它本质上是一个运动学模型在曲线坐标系下的表达但通过状态的定义天生适合跟踪任务。4.3 在MPC中的应用实践曲线坐标系模型是模型预测控制MPC的宠儿。在MPC的每一步算法都需要预测未来一段时间内系统的行为。使用这个模型预测的状态直接就是跟踪误差d和μ这使得构建优化问题的代价函数变得非常自然和直接。例如一个典型的代价函数可能是J Σ ( w_d * d_k² w_μ * μ_k² w_δ * Δδ_k² w_a * a_k² )其中w_d,w_μ是误差项的权重w_δ,w_a是控制变化率和控制量的权重用于保证舒适性。MPC通过优化未来控制序列最小化这个代价函数。在实际工程中我们会对这个非线性模型进行线性化和离散化。在每个控制周期以当前状态和当前轨迹点的曲率κ为工作点对模型进行一阶泰勒展开得到一个时变的线性模型因为κ(s)在变。然后将其离散化用于构建一个二次规划QP问题。现代求解器可以在几毫秒内解出这个QP输出最优的转向和加速度指令。我参与过的一个高速公路自动驾驶项目横向控制器就采用了基于曲线坐标系线性化模型的MPC。实测下来在曲率连续变化的高速弯道上它能将横向误差稳定地控制在10厘米以内方向盘动作也非常平滑比传统的PID或纯追踪算法表现好得多。5. 模型对比与选型指南5.1 三维度对比复杂度、精度与效率经过前面三章的详细拆解你现在手头有了三个主要的武器。是时候做一个全面的对比看看在什么情况下该亮出哪一件了。我们可以从三个核心维度来审视它们模型复杂度、模拟精度和计算效率。运动学模型无疑是复杂度最低的。它只有几个简单的几何和运动方程物理意义一目了然。但它的精度严重依赖于“无侧滑”的假设。在干燥铺装路面的低速场景30 km/h这个假设基本成立精度尚可。一旦速度提升或路面附着系数降低精度会迅速下降。不过它的计算效率是最高的几乎不消耗什么算力。动力学模型在复杂度上跃升了一个等级。你需要理解轮胎侧偏特性、转动惯量、哥氏力等概念。它的精度在大多数驾驶工况下都非常高能够预测车辆的横摆、侧滑等动态是进行车辆稳定性分析和高保真仿真的必备工具。但代价是计算量较大尤其是使用非线性轮胎模型时实时求解可能需要较强的处理器。曲线坐标系模型在模型复杂度上介于两者之间它的核心是坐标变换和运动学投影。它的精度与所嵌入的内核模型有关。如果你在曲线坐标系下使用的是运动学内核那它的精度局限就和运动学模型一样如果嵌入的是动力学内核那精度就和动力学模型一致。它的最大优势不在于绝对的物理精度而在于控制精度和设计友好性。它将问题直接转化为误差最小化计算效率很高特别适合优化控制。5.2 适用场景与控制器匹配选择模型一定要看应用场景和控制目标。低速、结构化环境比如自动泊车、园区物流、仓库搬运。车辆速度很低对控制的实时性要求高但对精度的容忍度也相对较高。运动学模型是这里的不二之选。它简单可靠能快速生成可行的轨迹和控制指令。中高速、稳定性要求高比如高速公路巡航、城市快速路变道。车速快需要考虑惯性效应和轮胎力的饱和。这时必须使用动力学模型。无论是用于设计经典的LQR控制器还是作为预测模型嵌入MPC动力学模型都能提供更真实的行为预测从而设计出更稳定、更安全的控制器。许多汽车的ESP系统其内部模型就是简化版的动力学模型。路径/轨迹跟踪这是自动驾驶的核心任务之一。无论底层是运动学还是动力学模型在控制器上层曲线坐标系模型的思维都极其有用。它将复杂的全局跟踪问题分解为独立的纵向速度跟踪和横向偏差消除问题。MPC控制器与曲线坐标系模型是天作之合能够很好地处理路径曲率变化、控制约束等问题。5.3 工程实践中的混合与分层策略在实际的自动驾驶系统中我们往往不是死守一个模型而是采用分层或混合的策略。一种常见的架构是分层控制规划层使用简单的运动学模型进行全局路径规划和局部轨迹生成因为这一步需要快速搜索大量可能路径。控制层横向控制使用基于曲线坐标系内核可能是线性化动力学模型的MPC或LQR负责精准跟踪轨迹消除横向误差。纵向控制可能使用一个独立的PID或模型匹配控制器负责跟踪速度曲线保持车距。另一种策略是自适应模型。系统可以根据实时状态动态选择或融合模型。例如在低速时使用运动学模型当检测到车速提高或横向加速度变大时平滑地切换到动力学模型。或者使用一个参数可变的模型其中轮胎侧偏刚度等参数可以根据估计的路面附着系数进行在线调整。在我经历的一个L3级高速自动驾驶项目中最终的控制方案就是混合式的横向MPC使用了一个嵌入线性化动力学模型的曲线坐标系误差模型而纵向控制则采用了一个前馈反馈的控制器前馈部分基于车辆逆动力学模型计算所需的基本扭矩反馈部分用PID处理误差。这种组合在保证性能的同时也满足了系统对确定性和实时性的苛刻要求。模型不是纸上谈兵最终都要服务于稳定、安全、舒适的驾乘体验这才是我们钻研车辆动力学模型的根本目的。