学Simulink——基于Simulink的自适应巡航控制（ACC）仿真建模示例

目录

手把手教你学Simulink

一、引言：从“定速巡航”到“智能跟车”——为什么需要ACC？

二、被控对象：车辆纵向动力学模型

1. 状态变量

2. 动力学方程

三、Step 1：定义ACC控制目标

A. 期望车间时距（Time Headway）

B. 间距误差

C. 速度误差

四、Step 2：ACC控制器设计（分层架构）

A. 上层：速度规划器

B. 下层：PID控制器

C. 参数整定

五、Step 3：前车行为建模

六、Simulink 建模仿真

模型架构

步骤详解

1. 搭建本车动力学模型

2. 模拟前车运动

3. 计算车间距

4. 构建ACC控制器子系统

5. 添加执行器约束

七、仿真场景与结果分析

场景1：跟停-起步（前车 90 km/h → 停 → 起）

场景2：前车紧急制动（-5 m/s²）

性能对比表

八、工程实践要点

1. 传感器模型

2. 执行器饱和处理

3. CACC 扩展

九、扩展方向

1. 模型预测控制（MPC-ACC）

2. Stop&Go 功能

3. 弯道 ACC

十、总结

核心价值：

附录：所需工具箱

手把手教你学Simulink

——基于Simulink的自适应巡航控制（ACC）仿真建模示例

一、引言：从“定速巡航”到“智能跟车”——为什么需要ACC？

传统定速巡航（CC）无法应对前方车辆，存在追尾风险。 自适应巡航控制（Adaptive Cruise Control, ACC）通过：

• 实时感知前车距离与相对速度
• 自动调节本车速度
• 保持安全车间距

✅ ACC 是 L1/L2 级自动驾驶的核心功能，融合了：

• 纵向动力学建模
• 状态反馈控制
• 安全约束处理

🎯 本文目标：手把手教你使用 MATLAB + Simulink 完成：

• 建立车辆纵向动力学模型（含发动机/制动简化模型）
• 设计基于间距策略的 PID + 速度规划 ACC 控制器
• 在 Simulink 中实现跟停-起步、弯道减速、安全避撞 最终实现：在 0~30 m/s 车速范围内，保持期望时距 1.2 s，加速度舒适（|a| < 2 m/s²），无碰撞。

二、被控对象：车辆纵向动力学模型

1. 状态变量

• ( v )：本车速度（m/s）
• ( x )：本车位置（m）

2. 动力学方程

采用一阶惯性环节模拟油门/制动响应：

[ \\begin{aligned} \\dot{v} &= \\frac{1}{\\tau} (-v + K u) \\ \\dot{x} &= v \\end{aligned} ]

其中：

• ( u \\in [-1, 1] )：归一化控制输入（1=全油门，-1=最大制动）
• ( K = 3 , \\text{m/s}^2 )：最大加速度能力
• ( \\tau = 0.3 , \\text{s} )：执行器延迟时间常数

💡 优点：避免复杂发动机模型，聚焦控制逻辑。

三、Step 1：定义ACC控制目标

A. 期望车间时距（Time Headway）

[ d_{\\text{des}}(t) = d_0 + T_h \\cdot v(t) ]

其中：

• ( d_0 = 5 , \\text{m} )：静止安全距离
• ( T_h = 1.2 , \\text{s} )：时距（行业标准 1.0~1.8 s）

B. 间距误差

[ e_d(t) = d(t) – d_{\\text{des}}(t) ] 其中 ( d(t) = x_{\\text{lead}}(t) – x(t) – L_{\\text{ego}} )（( L_{\\text{ego}} = 4.5 , \\text{m} ) 为车长）

C. 速度误差

[ e_v(t) = v_{\\text{des}}(t) – v(t) ]

⚠️ 注意：当无前车时，( v_{\\text{des}} = v_{\\text{set}} )（设定巡航速度）

四、Step 2：ACC控制器设计（分层架构）

A. 上层：速度规划器

根据前车状态决定本车期望速度 ( v_{\\text{des}} )：

if d > d_safe_max
v_des = v_set; % 无车或远车 → 定速巡航
elseif d < d_collision
v_des = 0; % 极近 → 紧急制动
else
v_des = v_lead; % 跟车 → 跟随前车速度
end

🔑 关键：引入安全裕度防止误触发。

B. 下层：PID控制器

控制律： [ u = K_p e_v + K_i \\int e_v dt + K_d \\dot{e}_v ]

但直接跟踪 ( v_{\\text{des}} ) 可能导致间距过大/过小 → 改用间距误差反馈：

[ u = K_p (e_d + T_h e_v) + K_i \\int e_d dt ]

💡 物理意义：

• ( e_d )：纠正当前间距
• ( T_h e_v )：预判未来间距变化（阻尼项）

C. 参数整定

• ( K_p = 0.8 )
• ( K_i = 0.2 )
• ( K_d = 0 )（用 ( T_h e_v ) 代替）

🛠️ 调试技巧：先调 ( K_p ) 至临界，再加 ( K_i ) 消除稳态误差。

五、Step 3：前车行为建模

模拟典型场景：

本文以 跟停-起步 为主：

% 前车速度（分段函数）
if t < 10
v_lead = 25; % 90 km/h
elseif t < 20
v_lead = 25 – 2.5*(t-10); % 减速至 0
elseif t < 30
v_lead = 0; % 停车
else
v_lead = 2*(t-30); % 起步加速
end

六、Simulink 建模仿真

模型架构

[Lead Vehicle] → [Radar Sensor] → d, v_lead
│
[ACC Controller] ← v_ego, x_ego ← [Ego Vehicle]
│
▼
[u] → [Vehicle Dynamics] → v_ego, x_ego

步骤详解

1. 搭建本车动力学模型

使用 Transfer Fcn 模块实现一阶系统：

• 分子：[K]
• 分母：[tau, 1]
• 输入：u
• 输出：v_ego
• Integrator → x_ego

2. 模拟前车运动

• 用 Signal Builder 或 MATLAB Function 生成 x_lead, v_lead
• 或用另一个 Integrator 模拟前车

3. 计算车间距

• d = x_lead – x_ego – 4.5
• 加 Saturation 防止负距离

4. 构建ACC控制器子系统

创建子系统 “ACC_Controller”：

• 内部逻辑：
• 计算 ( d_{\\text{des}} = 5 + 1.2 \\cdot v_{\\text{ego}} )
• ( e_d = d – d_{\\text{des}} )
• ( e_v = v_{\\text{lead}} – v_{\\text{ego}} )（若跟车）
• ( u = K_p (e_d + 1.2 \\cdot e_v) + K_i \\int e_d dt )
• 模式切换：
  • 用 Switch 模块判断是否有前车（如 ( d < 150 , \\text{m} )）

5. 添加执行器约束

• 控制输出 u → Saturation（-1 ~ 1）
• 加速度限制：|a| < 3 m/s²（通过限制 ( \\dot{u} ) 或后处理）

七、仿真场景与结果分析

场景1：跟停-起步（前车 90 km/h → 停 → 起）

场景2：前车紧急制动（-5 m/s²）

• 本车最大减速度：-3.0 m/s²
• 避免碰撞：间距始终 > 4 m

性能对比表

八、工程实践要点

1. 传感器模型

• 实际雷达有噪声和延迟
• 在 d, v_lead 信号加 Band-Limited White Noise 和 Transport Delay

2. 执行器饱和处理

• 启用 PID 模块的 Anti-windup
• 设置输出限幅：u ∈ [-1, 1]

3. CACC 扩展

• 若支持 V2V 通信，可加入前车加速度信息
• 提升 string stability（队列稳定性）

九、扩展方向

1. 模型预测控制（MPC-ACC）

• 显式处理加速度约束
• 优化乘坐舒适性（jerk 最小化）

2. Stop&Go 功能

• 低速（< 5 km/h）下自动跟停/起步
• 需融合超声波/摄像头数据

3. 弯道 ACC

• 根据 GPS/地图曲率调整 ( v_{\\text{set}} )
• 防止弯道超速

十、总结

本文完成了 基于 Simulink 的 ACC 仿真建模，实现了：

✅ 掌握 ACC 分层控制架构 ✅ 构建间距-速度协同 PID 控制器 ✅ 在 Simulink 中验证跟停、避撞、舒适性 ✅ 达成“安全、舒适、自动化”的纵向控制

核心价值：

• ACC 是智能驾驶的“第一公里”
• 它用简单的反馈，解决了复杂的跟车问题
• Simulink 让汽车电子控制算法快速原型验证

🚗👁️🛡️ 记住： 真正的智能，不是开得更快，而是跟得更稳。ACC 不追求极致性能，而是在安全与效率之间找到最优平衡——这不仅是工程的智慧，更是对生命的尊重。

附录：所需工具箱

💡 教学建议：