《Vehicles》：Vehicle Trajectory Tracking Control Using MIMO-MPC Combined with IMM-AUKF Road Adhesion Coefficient Estimation
编辑推荐：
本研究探讨了一条基于仿真的估计-控制链，该链将交互式多模型自适应无迹卡尔曼滤波器（IMM-AUKF）与多输入多输出模型预测控制器（MIMO-MPC）集成在一起。采用七自由度车辆模型和Pacejka轮胎模型来表征非线性车辆动力学。控制器根据估计的附着状态更新模型
本研究探讨了一条基于仿真的估计-控制链，该链将交互式多模型自适应无迹卡尔曼滤波器（IMM-AUKF）与多输入多输出模型预测控制器（MIMO-MPC）集成在一起。采用七自由度车辆模型和Pacejka轮胎模型来表征非线性车辆动力学。控制器根据估计的附着状态更新模型和回归区域转向约束，并联合分配前/后轮转向与纵向力指令。修订后的实验采用0.5 ms的车辆模型积分步长以及统一的20 ms估计器/控制器更新周期。在高附着双移线（DLC）工况下，所提出的控制链将车速均方根误差从0.7950 m/s降低至0.1833 m/s，平均附着估计均方根误差从0.1567降低至0.0812。在变附着单移线（SLC）工况下，横向均方根误差从0.1816 m降低至0.1649 m，车速均方根误差从0.7983 m/s降低至0.2505 m/s，平均附着估计均方根误差从0.1622降低至0.0949。航向误差未得到一致改善，研究人员将其报告为设计权衡。上述结果为可复现的仿真证据提供了支持，而硬件在环和实车验证仍是未来工作。
**论文解读：基于IMM-AUKF与MIMO-MPC的车辆轨迹跟踪控制集成框架研究**
**1. 研究背景与问题分析**
主动车辆安全控制须在复杂驾驶工况下同时满足轨迹跟踪精度与姿态稳定性要求。在工程应用中，传统“横向模型预测控制（MPC）+纵向比例-积分-微分（PID）”架构因其结构清晰、实现成本低而被广泛采用。然而，在强动态换道和路面附着突变工况下，该架构的横纵向解耦假设无法充分捕捉车辆横纵向耦合动力学特性。已有研究表明，MPC及其约束设计在轨迹跟踪中具有有效性，但横向与纵向控制通道仍普遍被分开设计，纵向PID与横向MPC之间缺乏统一优化目标与一致性约束。
针对模型失配问题，路面附着估计研究持续发展，包括基于动力学的估计方法、无迹卡尔曼滤波器（UKF）框架下的可信度评估、非线性UKF观测器、渐消记忆机制、Sage–Husa方法以及交互式多模型（IMM）机制等，这些研究提高了估计精度与工况适应性，但估计结果尚未被充分转化为路径跟踪控制器的在线模型参数更新和约束边界信息。此外，极限工况下的约束重构同样关键，回归区域约束被证明能通过可恢复状态域约束改善极限工况下的稳定恢复能力。综合来看，当前研究揭示了一个关键缺口——附着估计、横纵向耦合控制与在线转向约束更新仍相对独立，尚未建立起能够替代传统“横向MPC+纵向PID”架构的统一方案。
**2. 研究内容与总体框架**
研究人员构建了一条连接IMM-AUKF附着估计、回归区域转向约束与耦合MIMO-MPC分配的闭环链路。其核心贡献在于可执行的信息流：估计器提供在线附着先验，约束层将该先验转化为转向边界，控制器在该边界下联合分配转向与纵向力增量。该研究如实报告了该集成方案在各指标上的收益与局限性，而非声称所有跟踪通道均获得一致改善。该研究发表于《Vehicles》。
**3. 主要关键技术方法**
研究人员采用了七自由度车辆动力学模型与Pacejka魔术公式轮胎模型表征非线性车辆动力学。估计模块采用基于Sage–Husa自适应噪声估计的UKF（AUKF），并构建双模型IMM结构实现工况自适应估计。控制模块采用线性时变预测模型，将附着估计映射为Pacejka等效侧偏刚度参数更新，并通过回归区域概念构建附着相关的转向角动态边界。控制器将转向与纵向力分配统一为多输入多输出模型预测控制（MIMO-MPC）优化问题，采用二次规划（QP）在线求解，结合增量约束与有界软约束实现执行器变化率限制。仿真中车辆模型积分步长为0.5 ms，估计器和控制器统一以20 ms周期更新。基准架构为前轮转向横向MPC、独立整定的纵向PID、速度相关的比例后轮转向规则和单模型UKF，两种方案使用相同的车辆/轮胎模型、参考轨迹、积分步长、估计器/控制器周期和评估指标。
**4. 研究结果**
**4.1 高附着路面双移线工况**
高附着双移线（DLC）工况用于验证控制器在连续大曲率换道下的轨迹跟踪与横纵向耦合稳定性。评估指标包括横向误差均方根误差（RMSE）、航向误差RMSE、车速误差RMSE和平均附着估计RMSE。结果表明，所提出控制链的横向RMSE为0.2290 m，峰值横向误差为0.7007 m，基准分别为0.1793 m和0.6135 m，即在此参数整定下横向误差无优势。航向RMSE为1.2427°，基准为0.4879°，航向通道是本控制器整定的局限而非一致性能提升的证据。然而，车速通道改善显著：车速RMSE从0.7950 m/s降至0.1833 m/s（降低76.95%），峰值车速误差从1.8605 m/s降至0.5788 m/s（降低68.89%）。平均四轮附着估计RMSE从UKF的0.1567降至IMM-AUKF的0.0812，降低48.19%。控制输入经有限速率限制后输出，QP结果仅在退出状态、数值有限性和约束残差有效时被接受，否则保留上一物理约束内的指令。
**4.2 变附着路面单移线工况**
单移线（SLC）工况在3 s前四轮附着系数为0.85，3 s后突变为0.35，用于评估估计器收敛性与闭环响应能力。变附着过程中，多模型权重根据观测一致性自适应重新分配，抑制估计跳变并缩短收敛过程。结果表明，横向RMSE从基准的0.1816 m降至所提出方法的0.1649 m（改善9.19%），峰值横向误差从0.6631 m降至0.5942 m（改善10.38%）。航向结果同样为权衡：所提出方法的航向RMSE为1.4947°，峰值为5.2483°，基准为0.4423°和1.6471°，横摆瞬态集中在附着突变附近。车速RMSE从0.7983 m/s降至0.2505 m/s（降低68.62%），峰值车速误差从1.9063 m/s降至0.9568 m/s（降低49.81%）。平均附着估计RMSE从0.1622降至0.0949（降低41.51%）。
**4.3 控制器性能对比分析**
综合对比表明，所提出方案并未在所有跟踪通道呈现一致优势。DLC工况下速度与附着估计RMSE显著降低但横摆和横向误差增大；SLC工况下横向、车速和附着估计RMSE降低但航向误差增大。从机制角度看，该框架实现了估计、约束重构和优化的因果集成。车速通道在两类工况下均获改善（DLC降低76.95%，SLC降低68.62%），姿态通道仍是主要局限。计时结果显示，DLC中控制器例程平均耗时4.095 ms（95百分位7.356 ms，最大值31.764 ms），SLC中平均4.231 ms（95百分位7.941 ms，最大值42.761 ms），估计器加控制器的平均值分别为5.061 ms和5.166 ms，但虚拟机最大值超出20 ms更新间隔，尚不能确立即时性能。
**5. 研究结论与讨论**
本研究建立并验证了IMM-AUKF-MIMO-MPC仿真链，该链路包含附着驱动的回归区域约束，采用了统一的20 ms估计器/控制器更新、因果协方差修正、有界软回归约束、QP可行性验证和物理指令限制。IMM-AUKF在两个修订工况中均改善了平均附着估计RMSE，耦合控制器大幅改善了车速跟踪，修订的SLC工况还改善了横向RMSE。然而，两类工况下的航向指标均差于基准，该局限在结论中被如实保留而非被总体性声明掩盖。桌面计时结果表明平均在线计算低于20 ms更新间隔，但虚拟机最大值超出该间隔，因此该工作提供的是可复现的仿真证据和明确的实现基线，而非嵌入式实时就绪的声明。
讨论部分指出，研究结果仅为仿真证据而非车辆部署就绪的证明。仿真假设参考轨迹、车辆状态和关键动态输入对控制器和估计器可用，而实际自动驾驶系统中定位漂移、传感器噪声、测量延迟、执行器延迟和异步采样可能降低估计一致性与闭环控制精度。对开路面、极低摩擦冰雪路面、连续弯道和紧急避障等工况可能引入更强的轮胎力不对称性、更长的瞬态激励和更严重的约束冲突。基准对比旨在隔离所提出集成框架与传统解耦架构（横向MPC+纵向PID+单模型UKF）的差异。未来工作将包括嵌入式或硬件在环计时验证、实车测试、对开附着和低摩擦路面、传感器噪声与延迟建模，以及以舒适性为导向的横摆/冲击度（jerk）整定。
