基于MFAC（无模型自适应控制）的车辆路径跟踪控制； 复现中科院一区论文A Novel Dual Successive Projection-Based Model-Free Adaptive Control Method and Application to an Autonomous Car； 主要内容为基于CarSim的半实物仿真；所需版本：CarSim2020、MATLAB2018b以上；

最近在研究车辆路径跟踪控制相关内容，发现了中科院一区一篇超有意思的论文——A Novel Dual Successive Projection-Based Model-Free Adaptive Control Method and Application to an Autonomous Car，并且打算基于此做个复现，采用的是基于CarSim的半实物仿真。这过程中，用到的软件版本为CarSim2020以及MATLAB2018b以上。

一、MFAC无模型自适应控制简介

MFAC（无模型自适应控制），简单来讲，它不依赖于被控对象精确的数学模型。在车辆路径跟踪控制场景下，传统控制方法往往需要花费大量精力去建立车辆动力学精确模型，但实际中车辆运行工况复杂，精确建模困难重重。而MFAC则另辟蹊径，通过在线估计受控系统的伪偏导数，实现对系统的有效控制。

二、基于CarSim与MATLAB的联合仿真搭建

1. 环境准备

确保安装好CarSim2020和MATLAB2018b以上版本。这里要注意软件安装路径等设置，后续可能会涉及到路径调用等问题。

2. CarSim设置

在CarSim中，需要对车辆模型进行相关参数配置，比如车辆的质量、轴距、轮胎特性等。这些参数对车辆动力学特性有着关键影响。以设置车辆质量为例，在CarSim的参数设置界面中找到“Vehicle Mass”选项，根据实际研究的车辆类型输入准确数值。

3. MATLAB中的代码实现

在MATLAB中，我们要实现基于MFAC的控制算法。下面简单展示部分关键代码及分析：

% 初始化参数
lambda = 0.95; % 遗忘因子
eta = 0.01; % 步长
theta = zeros(2,1); % 初始伪偏导数估计值
u_prev = 0; % 上一时刻控制输入
y_prev = 0; % 上一时刻输出

for k = 1:N % N为仿真步数
    % 获取当前时刻CarSim输出的车辆状态，例如横向偏差y
    y = get_CarSim_output(); 
    % MFAC核心算法
    phi = [y - y_prev; u_prev];
    theta = theta + eta * (y - phi' * theta) * phi / (lambda + phi' * phi);
    u = u_prev + theta(1) * (y - y_prev) / theta(2);
    % 将控制输入u发送到CarSim中
    send_control_input_to_CarSim(u); 
    u_prev = u;
    y_prev = y;
end

代码分析：

• 首先初始化了一系列参数，像遗忘因子lambda，它在更新伪偏导数估计值时起到调节历史数据影响程度的作用。步长eta则控制每次迭代中伪偏导数估计值的更新幅度。
• 在循环中，通过getCarSimoutput()函数获取CarSim输出的车辆状态，这里假设获取的是横向偏差y，这是路径跟踪控制中的关键反馈信息。
• phi向量的构建结合了当前与上一时刻的输出和控制输入，用于计算伪偏导数的更新量。
• 根据MFAC算法更新伪偏导数估计值theta，进而得到当前时刻的控制输入u，并通过sendcontrolinputtoCarSim(u)函数将控制输入发送回CarSim，实现闭环控制。

三、仿真结果与分析

经过上述设置与代码实现，运行基于CarSim和MATLAB的联合仿真。从结果来看，基于MFAC的车辆路径跟踪控制在不同工况下都展现出了较好的跟踪性能。车辆能够较为准确地沿着预设路径行驶，横向偏差等指标都在可接受范围内。

基于MFAC（无模型自适应控制）的车辆路径跟踪控制； 复现中科院一区论文A Novel Dual Successive Projection-Based Model-Free Adaptive Control Method and Application to an Autonomous Car； 主要内容为基于CarSim的半实物仿真；所需版本：CarSim2020、MATLAB2018b以上；

当然，在复现过程中也遇到了不少问题，比如软件之间的数据交互延迟、参数调优困难等。但通过不断调整和尝试，都逐步得到了解决。后续还可以进一步优化算法，考虑更多实际因素对车辆路径跟踪的影响，比如路面摩擦系数变化、车辆载荷变动等。

这次基于MFAC的车辆路径跟踪控制复现之旅，不仅深入了解了MFAC算法的魅力，也熟悉了CarSim与MATLAB联合仿真的流程，收获满满。希望这篇博文能给同样在相关领域探索的小伙伴一些启发。