基于 Matlab Simulink 的自动驾驶车道保持 ADAS 辅助模型
摘要：
随着自动驾驶技术的发展，车道保持系统在智能交通领域中扮演着重要角色。本文基于 Matlab
Simulink 平台，设计了一种自动驾驶车道保持 ADAS（Advanced Driver Assistance System
）辅助模型，并探讨了将经典的 PID 控制器替换为 LQR（线性二次调节器）或 MPC（模型预测控制）
的可能性。
1. 引言
自动驾驶技术的快速发展为提高行车安全性和驾驶舒适性提供了巨大的潜力。车道保持系统作为自动
驾驶的基本模块之一，旨在使车辆在行驶过程中保持在道路的正确车道内。本文以 Matlab
Simulink 为工具，通过建立 ADAS 辅助模型，实现对车辆的自动车道保持控制。
2. 模型设计
2.1. 模型概述
ADAS 辅助模型是基于车辆动力学和环境感知的综合模型。它包括感知系统、控制器和执行器等关键
组件。感知系统负责获取车辆周围的环境信息，如车道线和障碍物等；控制器接收环境信息并根据预
设的算法进行决策；执行器根据控制器的指令对车辆进行转向操作。
2.2. PID 控制器
传统的 PID 控制器在自动驾驶车道保持中起着重要作用。PID 控制器通过对车辆的误差、积分和微分
进行综合调节，以实现车辆的稳定行驶。然而，PID 控制器的设计需要依赖大量的经验和试错，且对
非线性系统的适应性有限。
3. LQR 控制器
LQR 控制器是一种基于状态反馈的线性二次调节器，它通过最小化状态偏差和控制输入的平方代价函
数来优化控制性能。相比于 PID 控制器，LQR 控制器能够更好地处理非线性系统，提高车辆的鲁棒性
和稳定性。在本模型中，我们将探索将 PID 控制器替换为 LQR 控制器的可能性，并分析其在车道保
持中的效果。
4. MPC 控制器
MPC 控制器是一种基于模型预测的控制方法，它通过预测未来系统状态和优化控制输入来实现最佳控
制决策。MPC 控制器具有良好的非线性和时变系统适应性，并能够在长时间范围内进行控制优化。在
本模型中，我们还将探讨将 PID 控制器替换为 MPC 控制器的可行性，并比较不同控制器在车道保持
控制中的性能差异。
5. 实验结果与分析
