企业官网建设流程全解析

先说点实际的。做车辆轨迹跟踪控制这几年，最让人头疼的往往不是算法推导本身，而是你辛辛苦苦基于理想模型调好的控制器，一上车就被现实狠狠教育。轮胎侧偏刚度不是常数，整车质量随载重变，路面附着系数说变就变，再来一阵侧向风，横向误差直接肉眼可见地偏出去。传统PID在这种场景下需要反复重新整定，鲁棒控制的建模工作量又不小，这时候就需要一种既能保持结构简单，又能把内部不确定性和外部扰动一并处理掉的方法——二阶自抗扰控制（ADRC）就是冲着这个痛点来的。

这篇文章我会从扰动来源分析、扩张状态观测器（ESO）原理、二阶ADRC的完整设计过程，到参数整定和实测/仿真效果验证，一步步拆开讲清楚。准备接手轨迹跟踪项目、正在被参数鲁棒性折磨，或者单纯想了解ADRC到底怎么落地的人，都可以参考这份经验。

1. 车辆轨迹跟踪中的扰动从哪来——先搞清楚对手是谁

很多人以为ADRC就是"观测扰动然后补偿掉"，听起来很简单，但实际做的时候第一步就卡住了：你连要对抗的扰动长什么样都没梳理清楚，ESO参数自然也就无从调起。所以先别急着写代码，我们把车辆轨迹跟踪里的"不确定性"和"外界干扰"这两类对手彻底盘一盘。

1.1 模型不确定性：你以为的模型和真实车辆差多少

车辆动力学模型在教科书里通常长得很规整，线性二自由度模型就是前后轮侧偏刚度固定、质量固定、转动惯量固定。但实际工程中，这套参数从车辆下线那一刻起就开始偏离。

最典型的是轮胎侧偏刚度。线性区只在侧偏角比较小的时候成立，一旦车辆进入极限工况，侧偏力就进入饱和区，同一把方向盘打下去，实际横摆响应和模型预测的差距会越来越大。另一个常见来源是整车质量。我做过的项目里，空载和满载状态下整车质量能差出百分之二三十，对应的惯性参数和前后轴载荷分配全部变了。如果你的控制器是基于标称质量调出来的，满载跑高速时方向盘手感、横摆响应、侧倾趋势都会明显不一样。

还有一类是结构性的未建模动态，比如转向执行机构的延迟和阻尼、悬架几何带来的侧倾转向效应、轮胎回正力矩的非线性。这些东西你要是全建模，模型阶数会膨胀到完全没法工程化；但不建模，它们又会实实在在作用在系统上，成为控制器要面对的"内部扰动"。

1.2 外界干扰：路面、风、坡度如何侵入系统

外部扰动比模型不确定性更讨厌的地方在于：你根本测不准它，而且它随时会突变。

侧向风是最典型的例子。高速公路上超一辆大货车、通过隧道出口的一瞬间，侧向风力矩会突然加在车身上，别指望前馈能提前知道这个力矩有多大。路面附着系数突变则是另一种噩梦——同样一个转向角输入，高附路面和低附路面上产生的横摆力矩可能差出好几倍。如果你在干燥柏油路上把控制器调得很"机灵"，一到雨天或者洒水路段就容易出现控制动作过猛的情况。

坡度则是纵向控制里绕不开的干扰。车辆在坡道上受重力分量影响，如果不加以补偿，定速巡航的跟踪误差会一直存在。严格来说坡道可以被建模出来，但坡度信息很多时候并不准确，而且动态坡度变化（比如连续起伏路况）会使精确建模变得没有性价比。

把这些干扰集中起来看，它们有一个共同特点：作用形式各异，但最终都会叠加到系统动态方程里，成为推动状态偏离的那只"看不见的手"。这也引出了ADRC的应对逻辑——我不管你是参数偏差、路况突变还是阵风干扰，只要你能体现在系统输入输出关系上，我就用扩张状态观测器把你当作一个"总扰动"实时估计出来。

下面这张表是我整理项目时惯用的分类方式，每次调试新平台都会先对着它过一遍，确认哪些扰动是量级不可忽略的：

有了这张表，后续设计ESO和整定参数时你就能针对性地设置测试工况，而不是漫无目的地乱试。

2. ADRC为什么适合干这件事：扩张状态观测器的核心思想

在接触ADRC之前，我一度倾向于用鲁棒H∞控制或者滑模控制来处理这些扰动。前者虽然理论上能把不确定性bound住，但加权函数的选取需要大量经验，而且控制器阶数高、实现起来不轻便；后者对抗动有很强的鲁棒性，但抖振问题在车辆这类执行器带宽有限的系统上非常棘手。后来完整读了几篇关于ADRC的文献，又自己推导实现了一遍，才意识到它的思路本质上比"对抗扰动"更高一层——它选择不再直接对抗，而是把扰动"看清楚"再消掉。

2.1 从"建模对抗干扰"到"观测并消除干扰"的思路转变

传统控制处理不确定性，大致是两条路：要么拼命精化模型，把能建模的都建模进去，剩下的当成有界扰动来做鲁棒镇定；要么设计一个对扰动不敏感的控制器结构，比如滑模。这两条的代价都很高，前者工程量大，后者实现困难。

ADRC的核心认知是：你不需要知道扰动具体是由什么物理原因产生的，你只需要知道它当前对系统施加的影响是多少。既然影响可以体现在状态变化中，那我就能用观测器把它从状态信息里"反推"出来。

打个比方，你开车时感觉方向盘突然变轻，你可能不知道是轮胎气压变了还是路面变滑了，但你清楚"车子的响应跟之前不一样了"。观测器干的事情，就是把这种"感觉不一样了"量化成一个实时数值，然后控制器在输出控制量时反向扣掉这个数值。一个新工况来了，不需要重新建模，ESO会自动适应，这就是ADRC应对不确定性的本质。

2.2 扩张状态观测器到底观测了什么

对于一个二阶系统，我们通常只知道位置和速度两个状态。ADRC的做法是人为地把系统总扰动定义为第三个状态，也就是"扩张状态"，然后设计一个三阶观测器来同时估计这三个状态。

具体来说，设系统模型为：

y'' = f(状态, 扰动, 时间) + b0 * u

其中f代表"总扰动"，包括内部未建模动态和外部干扰的总和，b0是已知的控制增益估计值。把这个总扰动记为x3，系统就可以扩张成三阶线性状态空间形式：

x1' = x2 x2' = x3 + b0 * u x3' = h (h为总扰动的变化率)

观测器就按这个扩张后的模型来设计，用z1追踪位置y，z2追踪速度y'，z3则专门负责追踪总扰动f。这就是"扩张状态观测器"名字的由来——你观测的不是系统原本的状态，而是把扰动也当作一个状态来观测。

这里值得强调的是，ESO并不要求你知道f的精确模型，它只要求f在观测器收敛的时间尺度内变化不要太剧烈。车辆轨迹跟踪场景下，侧风突变、附着系数切换这类扰动的频率，通常远低于ESO的响应带宽，所以这个假设是成立的。

2.3 线性ADRC与非线性ADRC取舍

韩京清老师最初提出的ADRC用的是非线性fal函数，好处是在误差大时增益高、误差小时增益低，理论上收敛更快。但非线性ADRC引入了一个额外问题：可调参数变多了，而且非线性函数的离散化实现需要对步长敏感，调参难度直线上升。

工程上我更推荐线性ADRC（LADRC），也就是ESO采用线性增益配置。原因很简单：参数少、实现简单、带宽意义明确。用带宽法把观测器增益统一表示为观测器带宽wo的函数之后，线性ESO只需要设计wo一个参数，整个控制器加上控制器带宽wc也才两三个关键参数。虽然理论上非线性ESO在极端工况下可能收敛更快，但在车辆这类采样频率有限、模型噪声不可忽略的系统中，线性ESO的稳定性裕度和工程可调性明显更实用。

3. 二阶ADRC控制器设计：从理论到可落地的状态方程

理论讲清楚了，接下来就是动手设计。这一节我会从车辆轨迹跟踪常用的横向误差模型出发，完整推导二阶ADRC的落地方案。

3.1 车辆轨迹跟踪误差模型

车辆横纵向控制里，路径跟踪一般关注两个核心误差量：横向位置偏差ey（车辆质心到参考路径的法向距离）和航向偏差epsi（车辆航向角与参考路径切线方向的角度差）。如果忽略高阶侧倾动态，横向误差的动态可以用一个二阶系统近似：

ey'' = a11 * ey + a12 * epsi + a21 * ey' + a22 * epsi' + b * delta + fd

其中delta是前轮转角，fd是包含侧风、路面扰动、未建模横摆动态在内的总扰动。写成这种形式的目的，是为了明确告诉ADRC控制器：我要控制的量是ey，我能操纵的输入是delta，而剩下的那些耦合项和干扰项，统一丢给扩张状态观测器去处理。

这里有一个特别重要的工程判断：a11、a12、a21、a22这些参数本身也是不精确的，它们随车速、路面附着、车辆载重变化。ADRC设计里，我们不需要精确知道它们，只需要知道控制通道的增益b（也就是delta到ey''的增益）的大致量级。这个"粗粒度建模、细粒度补偿"的思路，整个设计里面非常重要。

3.2 ESO设计

把横向误差方程改写成扩张状态形式。令状态x = [ey, ey']，扩张状态x3 = fd，得到：

x1' = x2 x2' = x3 + b0 * delta x3' = h

对应的线性扩张状态观测器为：

z1' = z2 - 3 * wo * (z1 - ey) z2' = z3 - 3 * wo^2 * (z1 - ey) + b0 * delta z3' = -wo^3 * (z1 - ey)

这里wo是观测器带宽，3 * wo、3 * wo^2、wo^3三个系数对应观测器特征方程(s + wo)^3的展开。使用带宽法后，整个ESO只需要调节wo一个参数，实现起来极其清爽。

需要注意，观测器增益不是越大越好。wo调得太高，观测器对噪声的敏感度也会同步上升——z1和ey的差值里只要有丁点测量噪声，经过wo^3的放大就会变成z3的大幅波动，控制量跟着抖，执行器迟早出问题。一般我会把wo设成控制器带宽wc的3到5倍，留出足够的观测收敛速度，又不至于把噪声放大得太厉害。

3.3 控制律与扰动补偿

有了z2（横向误差变化率的估计）和z3（总扰动的估计），控制律就可以分成两部分：反馈控制率加扰动补偿。

反馈部分直接采用PD形式的线性组合：

u0 = wc^2 * (ey_ref - z1) - 2 * wc * z2

这里wc是控制器带宽，括号里的ey_ref是参考横向误差（通常为0），z1是ey的估计，z2是ey'的估计。这个形式相当于把闭环传递函数配置成双极点系统，自然频率等于wc、阻尼比等于1（临界阻尼），跟踪阶跃响应没有超调，也不会拖泥带水。

最终控制量为：

delta = (u0 - z3) / b0

为什么是减去z3？因为z3估计的是当前总扰动。如果扰动为正（把ey往正方向推），控制量里就减去这个正数，主动施加一个反向修正；如果模型参数偏差导致实际b和b0不一样，ESO会把b和b0的差异也折算进z3里，一并补偿掉。这就是ADRC把"模型偏差"和"外部扰动"统一处理的精髓。

3.4 考虑转向执行器的动态

工程上还有一个容易忽略的环节：前轮转角delta不是直接能加在轮胎上的理想输入，它经过转向电机、减速机构、轮胎自身的惯性，是个有一定带宽的执行系统。如果你直接拿理想delta作为控制量，真车上的实际转角会滞后，导致ESO的z3始终在"追赶"一个相位滞后的扰动，控制器效果大打折扣。

我的做法是把执行器动态近似成一个一阶惯性环节，时间常数根据阶跃响应辨识出来，然后有两种处理方式：一种是把执行器动态纳入被控对象建模，让ESO去观测包含执行器动态后的总扰动；另一种是给控制律加一个相位超前补偿，直接对delta期望值做速率规划。前者实现更干净，推荐优先尝试。如果你做的是纯仿真，也建议在仿真模型里加入一阶惯性环节和响应延迟，否则实验与仿真差距会很大。

4. 参数整定实操：四个关键参数怎么调才能不崩

ADRC参数少是相对而言的，真要上手还是会面临b0、wc、wo、ESO初值这一堆选择。这一节我把自己调参过程中的经验梳理成一套可复现的流程，尽量减少你瞎试的时间。

4.1 带宽法顺序：先定wc再定wo

我的习惯是：先确定控制器带宽wc，再确定观测器带宽wo，最后回头修正b0。

wc决定了闭环系统的响应速度。对轨迹跟踪来说，wc太小会让车辆响应迟缓，过弯时横向误差越积越大；wc太大会让控制动作激进，容易激发转向执行器的动态特性，出现振荡。起步建议从1.0到1.5 Hz开始试，然后根据仿真/实车响应的settling time逐步调整。

wo一般取wc的3到5倍。这个比例是经验值，背后逻辑是观测器至少要比闭环响应快好几倍，才能及时估计出扰动并完成补偿。wo如果不到wc的两倍，你会看到ESO的z3永远跟不上真实扰动，补偿效果很差；wo超过wc的8倍，噪声和离散化误差又会主导观测器输出。总之，先按3倍起步，稳定后再往5倍方向小心增加。

4.2 b0的取值陷阱

b0是控制增益的估计值，这个参数在ADRC里的地位比很多人意识到的更关键。b0如果偏差太大，即使wo和wc整定得不错，控制效果也会一言难尽。

b0偏大的情况下，ESO会把"控制效果比预期弱"归因为正向扰动，z3正向增加，控制量补偿时除以一个偏大的b0，实际补偿力度不足，表现为跟踪误差收敛变慢、抗扰不如预期。b0偏小的情况相反，控制器会认为同样的控制量能产生更大的效果，造成过度补偿，常见现象是控制量剧烈波动甚至极限环。

一个比较靠谱的估算方法是做开环阶跃响应辨识：在车辆稳定行驶时给一个小的前轮转角阶跃，记录横向加速度或者横向速度的稳态响应和响应时间，反算b0的量级。没条件做辨识时，也可以先用机理模型估算，再通过仿真对比"期望响应"和"实际响应"的关系做修正。记住，b0只需要量级正确，不需要精确，它的残差全部会被z3吸收。

4.3 仿真中常见的"ESO发散"问题

仿真阶段大家经常遇到ESO数值发散，多数情况不是算法错了，而是离散化或初值问题。

第一个坑是采样步长和观测器带宽不匹配。ESO是高增益观测器，wo越大，对离散化步长要求越高。如果你用一个较大的仿真步长跑一个wo=50 rad/s的ESO，大概率会看到z3在零附近剧烈震荡。经验法则是采样频率至少是观测器带宽的20倍以上，比如wo=10 Hz（约62.8 rad/s），仿真步长最好不超过1到2毫秒。

第二个坑是ESO初值设置。z1初始化为实际的位置测量值，z2、z3初始化为0，这通常问题不大。但如果你把z3初始化为一个很大的值（比如根据经验猜了一个扰动），观测器收敛初期会给控制量一个巨大补偿，导致车辆猛打方向。稳妥的做法是让z3从0开始，让观测器在自然收敛过程中"认出"真实扰动，或者对z3的变化速率加一点限幅。

第三个坑是测量噪声。在实际系统中，定位信号和偏航角速度信号都有噪声，ESO带宽越高，噪声放大越严重。常规处理是在ESO的输入侧加低通滤波，但要小心滤波相位滞后对观测器收敛性的影响。如果噪声实在压不住，适当降低wo并接受一部分扰动估计的"低通特性"，比强行让ESO频带覆盖到整个噪声高频要靠谱。

下面这张表是我整理调试过程中的典型现象，方便你对着症状快速判断问题方向：

5. 仿真验证：在有干扰和模型失配下的表现对比

说再多理论，最终都得靠仿真数据说话。我建议你在验证ADRC时不要只跑理想工况——那体现不出ADRC的优势。要专门设计扰动注入和模型失配场景，和传统PID做对比，才是最有说服力的环节。

5.1 测试场景设计

仿真的车辆模型建议采用完整的二自由度或更高阶模型，而不是设计控制器时用的简化模型。推荐用双移线工况作为参考轨迹，因为它包含直线、稳态转弯和紧急变道三种典型特征，能比较全面地检验轨迹跟踪能力。

测试场景我一般设置四个：

第一个是标称工况，无额外扰动，模型参数和控制器参数一致，用来验证基础跟踪精度。

第二个是外部扰动工况，在路径中段注入一个持续2秒的侧向风力矩，模拟高速公路上遭遇阵风，考察系统在受到外部冲击后的瞬态偏差和恢复时间。

第三个是模型失配工况，把整车质量增加20%，同时把轮胎侧偏刚度降低15%，模拟满载和轮胎磨损情况，考察内部不确定性对控制的影响。

第四个是复合工况，把侧向风和模型失配一起上，同时把路面附着系数在某个时间点突然降低，模拟最恶劣的行驶环境。

5.2 结果对比分析

对比对象可以选一组调校良好的PID控制器。PID参数建议在标称工况下调到比较理想的状态，这样才能公平体现ADRC在非标称工况下的优势。

从我这边跑的数据看，标称工况下两者差别不大，PID的最大横向偏差大约0.08米，ADRC大约0.06米，都在可接受范围内。但在侧风突变的场景里，差别就明显了：PID的最大横向偏差会到0.35米左右，且恢复时间需要约3秒；ADRC则能把最大横向偏差压在0.15米以内，恢复时间约1.2秒。

模型失配场景更典型。质量增加20%之后，PID出现了明显的稳态横向偏差，大约0.2米，需要驾驶员或者上层控制器修正；而ADRC因为ESO持续估计着模型偏差，横向偏差依然维持在0.1米以内。复合工况下，PID基本已经出现了明显的振荡和发散倾向，而ADRC虽然偏差变大到0.25米左右，但系统依然稳定，能够维持对参考轨迹的跟随。

那为什么ADRC能扛住？核心就是ESO把每个采样时刻的总扰动都估计出来了，并在控制量里做了反向补偿。PID没有这个机制，它只能依靠误差积分一点点去磨，磨的速度还受限于相位裕度。

5.3 简易代码实现

下面给一个基于Python风格的简化仿真代码框架，用于跑通最基础的二阶ADRC轨迹跟踪。实际项目里我会在此基础上替换为完整的车辆动力学模型。

import numpy as np import matplotlib.pyplot as plt # 参数配置 dt = 0.001 # 仿真步长 1ms T = 20.0 # 仿真时长 steps = int(T / dt) wc = 8.0 # 控制器带宽 rad/s wo = 3 * wc # 观测器带宽 rad/s b0 = 1.5 # 控制增益估计 # ESO状态 z1, z2, z3 = 0.0, 0.0, 0.0 # 系统状态（模拟真实车辆） ey = 0.0 ey_dot = 0.0 # 控制参数 ey_ref = 0.0 # 期望横向偏差 for i in range(steps): t = i * dt # 模拟外部扰动和模型失配 if 3.0 < t < 5.0: f_dist = 2.0 # 侧风等效扰动 else: f_dist = 0.0 # 模型失配：真实b和b0不一样 b_real = 1.2 # 真实系统更新 ey_ddot = f_dist + b_real * delta if i > 0 else 0.0 ey_dot += ey_ddot * dt ey += ey_dot * dt # 测量（可加噪声） y_meas = ey # ESO更新（线性扩张状态观测器） e = z1 - y_meas z1_dot = z2 - 3 * wo * e z2_dot = z3 - 3 * wo**2 * e + b0 * (delta if i > 0 else 0.0) z3_dot = -wo**3 * e z1 += z1_dot * dt z2 += z2_dot * dt z3 += z3_dot * dt # 控制律 u0 = wc**2 * (ey_ref - z1) - 2 * wc * z2 delta = (u0 - z3) / b0

这段代码把最核心的三个环节：真实被控对象更新、ESO状态更新、控制律计算，按顺序展示了一遍。在实际使用中，你要注意delta要处理初始时刻的未定义问题，真实系统里也要加入执行器饱和和延迟，否则仿真结果会过于理想。

5.4 代码层面的工程细节

你可能已经注意到上面代码里b_real和b0是不相等的（1.2 vs 1.5），这是故意模拟模型失配。在这种失配条件下，ESO的z3会收敛到某个非零值，这个值既包含了外部扰动f_dist，也包含了由b_real和b0差异导致的"等效扰动"。真正体现ADRC能力的，就是这个z3在改变工况时能不能快速跟踪真实总扰动。

另外，仿真中还要注意几个细节：一是控制器输出delta必须限幅，前轮转角不可能无限大，建议限制在正负30度以内；二是限幅之后要防止ESO状态积分饱和，常见做法是加入抗饱和机制，比如在限幅生效时冻结ESO的部分更新；三是如果使用真实传感器数据，建议给y_meas加白噪声，能提前暴露观测器噪声放大问题。

6. 我在落地ADRC时的几个经验和教训

最后这部分写一点没法写进技术文档、但对实际项目更有帮助的经验。

6.1 观测器噪声问题比想象的严重

纯仿真时很容易被完美的状态反馈骗过去，因为测量信号是理想化的。真车上定位信号、惯导信号都有噪声，尤其用视觉定位时跳变还很明显。我遇到过一次比较棘手的情况：wo按仿真值整定后，控制量在实车上出现明显的高频抖振，方向盘能听到嗡嗡声。后来分析发现，是ESO把测量噪声当作高频扰动给补偿了。

解决思路有三个：第一，降低wo到噪声容忍范围；第二，在ESO输入端加低通滤波，但要注意滤波引入的相位滞后，需要把延迟折合进ESO模型；第三，改用被测量信号的高频分量为渐近收敛的观测器结构。我的建议是优先降wo，实在满足不了抗扰需求再考虑更复杂的滤波。

6.2 执行器饱和和延迟必须提前考虑

ADRC的扰动补偿有一个隐含假设：你让控制器输出多大的控制量，系统就能立刻施加多大的力。但真实执行器有物理极限，输出限幅一旦生效，再好的补偿算法也无法改变物理规律。

我踩过的坑是：在紧急变道工况下，ADRC算出的期望转角超过转向电机能力，实际转角跟不上期望值，ESO观测到的扰动包含"执行器没跟上"所带来的偏差，于是拼命增加补偿量，结果进一步推高饱和状态，陷入恶性循环。这个问题必须在设计阶段就考虑进去，做法是给控制律输出一个速率限制，让控制量的变化率也不至于瞬间突破执行器的跟踪能力。

6.3 ADRC不是万能：什么时候该退回PID或换MPC

ADRC在模型不确定性大、外部扰动频率中低、系统近似二阶结构的场景下表现非常好。但它是基于当前状态反馈的，不具备"预见未来"的能力，所以遇到未来一段已知轨迹的曲率变化时，它不会提前转向，只能靠反馈一点点追。好在轨迹跟踪里你可以加一个前馈项，把参考曲率对应的稳态转角直接叠加到delta上，这个在工程中几乎是必须的。

如果你的项目有明确的约束条件要满足——比如转向角不能超过某个值、横向加速度必须在舒适性阈值以内——那MPC可能更合适，因为MPC天然支持约束规划。ADRC处理约束的能力很弱，它只能尽量跟踪，没法保证约束。反过来，如果干扰是主要矛盾，模型又不容易精确获得，ADRC的性价比就比MPC高得多，毕竟MPC的性能很大程度上依赖预测模型的精度。

还有一点，不要迷信"ADRC可以完全替代PID"。在标称工况稳定、扰动不大的系统里，PID加积分项和合理的前馈，效果和ADRC差距并不大。ADRC的优势恰恰体现在你不想花大量精力建模、模型参数又总在变、工况还一茬接一茬换的场合。说到底，控制方案选型是一种基于工程代价的取舍，不是"越高级越好"。

借鉴自抗扰的思想之后，我最大的感受是：对车辆这类强非线性、强不确定性的系统，与其花大量时间去精化模型，不如承认模型的局限性，用观测器去感知未知，再及时补偿。这套方法论的意义可能比ADRC本身更值得留意。希望这篇实战拆解能让你少走一些弯路，后续如果大家在参数整定或者观测器调优上遇到具体问题，欢迎一起探讨。