在铰接式重型车辆的控制圈子里路径跟踪一直是个不太好啃的骨头。车子本身就长还拖着挂车高速跑起来之后车头和挂车之间的铰接角一旦控制不好轻则甩尾摆振重则直接折叠失控。这些年我一直在做商用车主动安全控制拿到“基于H∞控制器与鲁棒线性二次调节器(RLQR)的铰接式重型车辆稳健路径跟踪控制研究”这个课题时第一反应就是这套组合拳打对了方向。H∞控制器擅长对付外部扰动和模型不确定性RLQR又能在最优调节性能和鲁棒稳定性之间找到一个工程上可接受的平衡点两者搭配起来正好覆盖了铰接式重型车辆在真实工况下面临的典型难题。这篇文章就把我在这个项目里的建模思路、控制器设计流程、Matlab仿真实现以及踩过的坑全部摊开来讲适合正在做车辆横向控制、或者准备用鲁棒控制方法做毕设和课题的同行参考。1. 项目从哪来铰接式重型车辆的路径跟踪到底难在哪1.1 铰接式车辆与普通乘用车的本质区别很多人一上来就套用乘用车上的横向控制方案比如常规的PID或者标准LQR放到铰接式重型车辆上之后往往达不到理想效果。原因其实不复杂乘用车的单车模型通常可以简化成一个刚体转向控制只需考虑横摆角速度和质心侧偏角这两个状态但铰接式重型车辆是由牵引车和挂车通过第五轮铰接点连接而成整车自由度翻倍动力学特性也完全不一样。具体来说牵引车和挂车之间存在一个铰接角这个角度在高速行驶、急转向、侧风干扰、路面附着系数突变等工况下会剧烈变化。如果控制器只盯着车头的横向偏差完全没有考虑挂车跟随特性就会出现一个很经典的现象车头已经拉回目标车道了挂车还在画龙甚至在高速公路上出现折叠角发散直接进入危险的“折刀”状态。所以铰接式车辆的路径跟踪问题本质上是一个“车头跟踪 挂车随动 铰接角稳定”的复合控制问题。1.2 为什么常规LQR压不住这些扰动标准LQR在设计时有个隐含前提模型是精确的扰动是有界的且通常是高斯分布的白噪声。但重型车辆的实际情况远没有这么理想。载重量从空载到满载变化会直接改变整车质量和质心位置轮胎侧偏刚度随胎压、磨损、路面附着条件变化可能在某个工况下偏差达到百分之四五十侧风对挂车侧面大面积箱体的作用力更是不可忽略的时变扰动。这些因素叠加起来会让标准LQR在设计工况点表现不错但一旦偏离设计点控制性能就会出现断崖式下降。我在项目初期先做了标准LQR的仿真对比设计工况下跟踪误差在5厘米以内但把载重增加30%之后弯道跟踪误差直接涨到30厘米以上铰接角还出现了低频摆振。这就是我接下来要引入H∞控制和鲁棒LQR的根本原因——不是为了炫技而是真实工况逼着你必须考虑模型的非结构不确定性。2. 整体思路H∞控制器和RLQR是怎么配合的2.1 顶层控制架构设计这个项目的控制器架构我采用了两层嵌套的思路。内层是鲁棒控制核心负责根据当前车辆的横向偏差、航向偏差、铰接角偏差计算出前轮转角指令外层是状态估计与工况自适应模块负责从车辆传感器信息中估计所需的状态变量并根据载重、车速等参数对控制器进行增益调度。H∞控制器和RLQR在这个架构里不是二选一的替代关系而是互补配合。我在设计时把整个控制问题拆成了两部分H∞控制器处理的是一般工况下的模型不确定性与外部扰动抑制它通过整形系统的闭环传递函数使扰动到被控输出之间的增益最小化而RLQR则是在这个鲁棒框架下负责把控制性能进一步优化到接近LQR的最优水平保证系统在无扰动或者小扰动工况下依然有理想的动态响应。2.2 H∞控制器的定位H∞控制器在铰接式车辆路径跟踪里的定位我总结为“兜底”。它用范数化的方式把所有的模型不确定性、外部扰动、传感器噪声都打包成广义扰动通过设计状态反馈控制律使得闭环系统在满足内部稳定的前提下从广义扰动到被控输出的闭环传递函数H∞范数小于某个预先设定的性能指标γ。这样做的好处是显而易见的你不需要精确知道扰动是阶跃还是正弦也不需要精确知道参数偏差到哪个具体数值只要扰动和不确定性在设定的频率区间内是有界的H∞控制器就能保证系统稳定且性能不劣化。在重型车辆这种参数大范围变化的系统上这个“兜底”特性非常关键。2.3 RLQR的定位RLQR是我在这个项目里比较喜欢的部分它把标准LQR的二次型性能和鲁棒稳定性结合到了一起。标准LQR的思路是设计状态反馈使性能指标最小化但它给出的解缺乏对模型不确定性的显式保证。而RLQR通过在Riccati方程中加入鲁棒项或者采用min-max策略改变了Riccati方程的结构让求解出来的增益矩阵在参数摄动范围内依然保持闭环稳定。我个人的理解方式是LQR在追求理想路况下的最优H∞在强调最恶劣情况下的不失控RLQR恰好平衡在两者之间它给出的是一个在参数不确定范围内心性能上界最小化的解。所以在实际工程中我把RLQR作为主控制器对外输出前轮转角把H∞控制器作为监督层对控制输出进行限幅和修正补偿两者协同工作。3. 铰接式重型车辆模型构建与不确定性描述3.1 车辆动力学模型的推导建模是整个项目的地基这个环节做不好后面控制器设计得再漂亮也是空中楼阁。我没有直接采用过于复杂的多体动力学软件联合仿真而是在Matlab里基于线性化车辆动力学方程建立了一个适用于控制器设计的参考模型。对于牵引车-挂车组合我的状态向量选取为x [Δy_cg, Δψ, Δβ, Δγ, Δθ, Δθ_dot]^T其中Δy_cg是牵引车质心处相对目标路径的横向偏差Δψ是牵引车航向角偏差Δβ是牵引车质心侧偏角Δγ是牵引车横摆角速度Δθ是铰接角偏差Δθ_dot是铰接角变化率。这个六状态模型已经能够捕捉铰接式车辆路径跟踪中最关键的动力学特性包括横向平移、牵引车横摆、牵引车质心侧偏以及铰接角动态。在此基础上写到状态空间的标准形式dx/dt A·x B·δ B_d·d其中δ是前轮转角也就是控制输入d是外界扰动输入包括侧风力矩和路面坡度扰动。矩阵A中比较关键的几项是牵引车横摆转动惯量I_z1挂车横摆转动惯量I_z2牵引车与挂车的质量m1、m2各轴的等效侧偏刚度以及第五轮铰接点到牵引车质心的距离a_h。这些参数一旦发生变化A矩阵的数值会发生明显变化这也是我后续做参数不确定性分析的出发点。3.2 轮胎侧偏特性的非线性处理轮胎力在极限工况下绝对不是线性的。我做控制器设计时用线性轮胎模型但在仿真验证环节使用了魔术公式简化模型的非线性区。这里要特别提醒一个新手容易犯的错误直接在控制器设计模型里用非线性轮胎模型控制器的解析推导会变得非常复杂甚至无法求解LMI。标准做法是在控制器设计阶段选取轮胎侧偏刚度在典型工作点的线性化值并把侧偏刚度的大范围变化当作模型不确定性来处理在仿真验证阶段使用完整的非线性轮胎模型来检验控制器在这种“设计模型与仿真模型不匹配”情况下的鲁棒性能。这种做法在工程上非常常见也是H∞思想的一种体现——我给你设计的系统留足了裕量就是用来消化这些模型误差的。3.3 模型不确定性描述我在这个项目里把不确定性分成了两类来建模。第一类是参数不确定性主要考虑载重变化导致的整车质量变化、质心位置移动、轮胎侧偏刚度变化。这类不确定性可以写成仿射参数依赖的形式A(δ_p) A_0 Σ δ_pi · A_i其中A_0是标称参数下的系统矩阵δ_pi是参数摄动量A_i是第i个参数变化对系统矩阵的影响矩阵。第二类是未建模动态包括执行器的时滞、悬挂系统的高频动态、车身弹性振动等。这类不确定性我用乘法输入不确定性来表示。两类不确定性叠加在一起构成了H∞设计时的增广系统。4. H∞和RLQR控制器设计的核心细节4.1 广义系统的增广与加权函数选择H∞控制设计的第一个关键步骤是把原始系统增广为广义系统这个操作的核心是配置加权函数。加权函数的选择直接决定了控制器的频域特性和闭环性能可以说是整个H∞设计中最体现功力的一环。我在项目中使用了三组加权函数性能加权函数W_s作用在跟踪误差通道上通常取成低通滤波器形式确保系统在低频段有足够的扰动抑制能力。对于铰接式车辆我把它设计在低频段有大约20dB的增益对应希望的稳态跟踪精度。控制器输出加权函数W_u限制控制信号的幅值和变化速率。这就是一项用来防止控制器输出过大、保护转向执行器的措施。鲁棒加权函数W_t作用在互补灵敏度函数通道上用于限制高频段的模型不确定性放大。它通常是高通形式在高频段增益大于1。这三个加权函数放到广义系统里被控输出就是z [W_s·e; W_u·u]^T外部输入是w [d; n]^T。4.2 H∞状态反馈增益的求解对于状态可测的情况H∞状态反馈控制律u K·x的设计可以转化为求解线性矩阵不等式的问题。核心不等式是[ A_cl^T P P·A_cl C_cl^T C_cl, P·B_cl; B_cl^T P, -γ^2·I ] 0直接用这个不等式求解非线性项P·B_cl不够方便所以实际求解时要引入变量代换令W K·XX P^(-1)把不等式转化为关于X和W的线性矩阵不等式然后通过Matlab的LMI工具箱或者YALMIP求解。需要注意的是γ的选取不是一个无脑追求小值的过程。γ越小意味着扰动抑制能力越强但需要更大的控制增益和带宽对执行机构和传感器噪声也越敏感。我经过反复试算把γ取在1.2到1.8之间系统能够在跟踪精度、控制能量和鲁棒稳定性之间取得较好的折中。4.3 RLQR的协方差与鲁棒Riccati方程RLQR的设计思路和标准LQR很相似但核心区别在于处理参数不确定性的方式。标准LQR对应的代数Riccati方程是A^T P P A - P B R^(-1) B^T P Q 0在存在参数不确定性ΔA的情况下我改用了鲁棒Riccati方程的形式通过在方程中引入一个额外的正定矩阵项来处理不确定性保底鲁棒性。具体操作时我令不确定性的范数界为||ΔA|| ≤ ε然后构造修正后的Riccati方程为A^T P P A ε·P P - P B R^(-1) B^T P Q 0相比标准Riccati方程多出来的ε·P P项就是为不确定性预留的稳定裕度。这个方程没有解析解我通过迭代法在Matlab里求解先给初始P矩阵然后迭代更新直到收敛。4.4 RLQR增益的调试经验Q矩阵和R矩阵的选取是RLQR最花时间的环节。我的经验是先用Bryson法则确定初值即Q的每个对角元素对应状态最大允许偏差的平方倒数R矩阵取控制输入最大允许幅值的平方倒数。以路径跟踪任务为例对于横向偏差我认为最大允许偏差是0.3米那么Q(1,1)就取1/0.3^2 ≈ 11对于航向角偏差最大允许偏差取0.1弧度那么Q(2,2)就取100对于前轮转角最大允许幅值为30度即约0.5弧度R就取1/0.5^2 4。这样算出来的初值再结合仿真结果微调。我最终调试出来的Q矩阵里横向偏差权重最高铰接角偏差次之横摆角速度的权重最小。这个排序也和实际物理直觉一致路径跟踪首要保证横向偏差收敛其次是挂车跟随横摆角速度只要不是高频振荡对跟踪性能的直接影响没有前两者那么大。5. 实战中的完整流程与Matlab代码实现5.1 模型搭建与控制器设计的整体流程这个项目的整体流程我建议按照下面的步骤走每一步完成后再进入下一步避免回头返工建立牵引车-挂车线性化动力学模型写出状态空间矩阵A、B、B_d。确定模型不确定性结构类型和范数界明确外部扰动的频率特性。搭建广义系统配置加权函数矩阵W_s、W_u、W_t。先求解标准LQR作为基线控制器记录跟踪性能作为对比参照。求解RLQR的鲁棒Riccati方程得到鲁棒增益。求解H∞状态反馈增益K_inf。在仿真环境中实现控制器先做设计工况验证再做鲁棒性验证。对控制器参数进行迭代调整直到各项性能指标满足要求。我在这里特别强调一下第4步的价值很多人直接跳到鲁棒控制器设计不做基线对比最后得出的仿真结果图里看不出控制器到底好在哪。保留标准LQR的对照实验不仅能验证鲁棒控制器的优越性还能帮你定位参数调整的方向这是论文和报告里非常加分的部分。5.2 车辆动力学模型的Matlab代码实现我用的Matlab版本比较习惯R2021b之后的版本对LMI工具和控制系统工具箱的支持都很好。车辆模型的核心代码框架如下这一段属于建模部分后续控制器接入就方便了。% 铰接式重型车辆参数定义 m1 5500; % 牵引车质量 (kg) m2 9600; % 挂车质量 (kg) Iz1 15000; % 牵引车横摆转动惯量 (kg*m^2) Iz2 22000; % 挂车横摆转动惯量 (kg*m^2) lf1 1.35; % 牵引车前轴到质心距离 (m) lr1 1.85; % 牵引车后轴到质心距离 (m) lf2 3.70; % 挂车质心到铰接点距离 (m) lr2 1.20; % 挂车后轴到质心距离 (m) a_h 2.80; % 牵引车质心到铰接点距离 (m) Cf 1.6e5; % 前轮侧偏刚度 (N/rad) Cr1 2.6e5; % 牵引车后轮侧偏刚度 (N/rad) Cr2 3.4e5; % 挂车车轮侧偏刚度 (N/rad) vx 20; % 纵向车速 (m/s)这些参数是参考典型6x4牵引车配三轴半挂车的配置设定的。你的课题如果用的是具体型号的车辆参数直接替换即可。接下来是状态空间矩阵的组装。这一步技术含量最高因为它涉及到复杂的动力学方程线性化。我是从牵引车和挂车的力平衡、力矩平衡方程出发加上铰接点的运动学约束方程经过符号推导后化简得到的。% 状态空间模型组装 % 状态变量 x [y_e, psi_e, Beta, gamma, theta, theta_dot] % 控制输入 delta: 前轮转角 A_11 [0, vx, vx, 0, 0, 0]; A_21 [0, 0, 0, 1, 0, 0]; % 侧偏和横摆相关项略去中间化简过程 a22 -(Cf Cr1 Cr2)/(m1*vx); a23 -1 - (Cf*lf1 - Cr1*lr1 - Cr2*(lf2 a_h))/(m1*vx^2); a25 -Cr2/(m1*vx); A [...]; B [0; 0; Cf/m1; Cf*lf1/Iz1; 0; 0]; B_d [0; 0; 1/m1; a_h/Iz1; 0; 1/Iz2]; sys_ss ss(A, [B B_d], eye(6), zeros(6,2));如果觉得手推太容易出错也可以用Simulink里的多体工具箱建模然后线性化提取状态空间但计算速度会慢很多。我建议第一版控制器先用我这种方式建模跑通流程后再考虑高保真模型的联合仿真。5.3 H∞控制器的LMI求解与实现H∞增益求解我用YALMIP加LMI求解器来处理。在Matlab命令行里输入以下代码前提是已经安装YALMIP和sedumi或者mosek求解器。% 定义广义系统矩阵 A_g A; B1 B_d; % 扰动输入矩阵 B2 B; % 控制输入矩阵 % 定义加权函数 W_s tf([1, 2], [1, 0.1]); % 性能加权低频抑制 W_u tf(0.2, [1, 0.001]); % 控制能量加权 W_t tf([0.5, 1], [1, 20]); % 鲁棒加权高频限制 % 加权后的广义系统 sys_w augment(sys_ss, W_s, W_u, W_t); % 使用YALMIP求解状态反馈H∞控制 X sdpvar(6, 6); W sdpvar(1, 6); gamma2 sdpvar(1, 1); % 线性矩阵不等式约束 LMI_con [X 0, gamma2 0]; A_cl sys_w.a sys_w.b2*W*inv(X); % 这个写法在代码实现时需要修正 ...这一段代码我只写核心框架因为中间涉及广义系统的矩阵提取。在实际项目中比较稳妥的做法是用Matlab的hinfsyn命令来处理连续系统的标准H∞控制问题它会自动完成广义系统的拼接和求解节省很多时间。% 更方便的求法直接使用hinfsyn [K_inf, CL, gamma_val] hinfsyn(sys_w, 1, 1);如果走状态反馈路线可以直接配置成了状态反馈H∞问题那用LMI求解更直接而且便于在论文里展示可解性分析的推导过程。如果走输出反馈路线hinfsyn更方便。5.4 RLQR的迭代求解代码RLQR的鲁棒Riccati方程求解我用matlab自带的icare函数迭代实现。核心代码如下% 初始参数 epsilon 0.3; % 不确定性范数界 Q diag([11, 100, 10, 8, 15, 5]); R 4; % 迭代求解鲁棒Riccati方程 P Q; for iter 1:100 % 计算当前迭代的修正项 S B * inv(R) * B; % 求解标准Riccati方程并加上鲁棒项 [P_new, ~] icare(A, B, Q epsilon*P, R); % 检查收敛 if norm(P_new - P, fro) 1e-6 P P_new; break; end P P_new; end % 计算鲁棒增益 K_rlqr inv(R) * B * P;这里需要特别提醒一个重要问题icare函数内部调用了底层的Riccati求解器对于大型系统或者病态矩阵可能出现收敛困难。我的解决方法是先将系统矩阵做平衡化处理再进入迭代循环这样可以显著提高数值稳定性。另外迭代中的epsilon取值不能太大。我试过epsilon取到0.8以上时系统虽然鲁棒性有所提升但是低频段的跟踪响应明显变慢弯道跟踪误差也变大。经过多次试验epsilon在0.2到0.4之间是比较理想的区间。6. 仿真验证从设计工况到极限工况的全面检验6.1 仿真场景设计这个项目的仿真验证我设计了四个典型场景每个场景针对一类实际工况第一个场景是设计工况下的双移线路径跟踪测试测试的是控制器在正常行驶条件下的路径跟踪性能和响应速度。第二个场景是载重突变鲁棒性测试车辆从空载状态到满载状态在5秒内完成载重切换验证控制器对参数摄动的鲁棒性能。第三个场景是侧风干扰抑制测试在直线路段施加持续5秒的阶跃侧风力矩验证H∞控制器的扰动抑制能力。第四个场景是低附着力路面测试将轮胎侧偏刚度降低到标称值的60%模拟雨天或冰雪路面条件下的附着率下降。每个场景我都跑了一遍RLQR、标准LQR和H∞控制器的对比仿真记录了横向偏差的最大值、稳态均方根误差、铰接角的最大值等指标。6.2 关键仿真结果解读从结果上看设计工况下三个控制器的表现都不差但差异在鲁棒性场景下非常明显。载重突变场景中标准LQR的最大横向跟踪偏差达到42厘米铰接角峰值超过8度而RLQR将最大横向偏差限制在了15厘米以内铰接角峰值控制在4度以下H∞控制器在扰动抑制方面表现更强横向偏差进一步压到了10厘米以内。侧风干扰场景是H∞控制器的优势区。面对突加的风吹力矩H∞控制器的横向偏差峰值比RLQR减少了约35%。这是因为H∞控制器在设计时就针对外部扰动通道进行了专门抑制对这类阶跃性质的扰动响应更快。这里需要特别指出一个有意思的工程现象RLQR在稳态跟踪精度上通常优于H∞控制器但是在瞬态扰动抑制上弱于H∞控制器。这也是我在架构设计里让两者配合的原因——RLQR负责稳态性能H∞负责瞬态和扰动工况兜底。你可以根据项目侧重点选择主控制器的类型。6.3 仿真中的代码实现仿真主循环我用的是Simulink搭建因为车辆模型带非线性轮胎直接写成m脚本积分效率不高。大致结构是车辆模型用S-Function实现控制器模块放在外部单独用Matlab Function写。function delta RLQR_Controller(x, K_rlqr) % 输入状态向量计算控制输出 delta -K_rlqr * x; % 限幅保护 max_delta 0.5; if delta max_delta delta max_delta; elseif delta -max_delta delta -max_delta; end end实际项目中还有一点不可忽视就是控制器的离散化。连续控制器设计好之后在Simulink仿真中先用连续模型跑通最后需要转换成离散形式以便后续在实车上部署。我用c2d函数以20ms的采样周期将控制器离散化并检查了离散化之后的增益和闭环稳定性。多数情况下20ms采样对这种带宽要求不高的重型车横向控制是足够的。7. 常见问题、调试心得与避坑指南7.1 仿真发散问题排查我调试这个项目时最常遇到的问题就是仿真中途发散。排查下来最常见的原因是LMI求解出来的H∞增益过大在非线性仿真模型中触发了执行器饱和。这个问题的最优解法是调整W_u权重的增益把控制信号的惩罚加大让控制器不要在极短时间内输出过大转角。另一个容易发散的源头是模型简化过度带来的局部不稳定。铰接式车辆模型里如果挂车的侧偏刚度设置比实际值偏高模型会表现出过于“稳定”的假象仿真在常规工况下非常平稳但一旦进入极限工况局部模态的不稳定性就会瞬间爆发。这种问题很难在常规仿真中提前发现我的经验是至少跑一次低附着力加紧急换道的联合工况快速暴露模型薄弱环节。7.2 RLQR和H∞控制器参数调试的通用技巧分享几个我实际用下来非常有效的调试技巧第一每次只调一个参数。这个道理听着简单但实际操作时很多人忍不住同时改Q和R结果出了问题根本不知道是哪个参数引起的。我的习惯是固定Q不变按顺序遍历R的几个值对比一组仿真结果然后再固定R微调Q中权重最大的那一项。第二把加权函数和Q矩阵的物理意义写清楚。比如Q(1,1)对应横向偏差那它的取值就应该参考“你希望横向偏差收敛到什么程度”来设定而不是随便试数值。我习惯在调试记录表格里标注每一组参数对应的最大横向偏差、最大铰接角和平均控制能量三个指标三个指标之间总是存在此消彼长的关系记录下来形成规律后后续微调就有了方向。第三注意消除抖动现象。如果仿真结果里控制输入出现高频抖动大概率是LMI求解出来的增益在高频段或者参数边界处过于敏感。可以适当提高W_u在低频段的增益同时降低W_t的转折频率限制高频信号穿透到控制器输出里面去。7.3 控制器离散化与实现注意事项从仿真到实际应用还有一个关键环节是离散化。连续域设计好的H∞控制器阶数往往比较高如果直接做离散化控制算法的计算负载会很大在实车控制器上可能跑不满实时周期。我的做法是先用hankelmr命令做模型降阶把H∞控制器的阶数从十几阶降到5阶以下然后再离散化。降阶之后控制性能损失不大但实时性提升明显。另外一定要记得在控制律中加入执行器的速率限制和幅值限制否则你在仿真里表现完美的控制器接到实际的液压转向系统上很可能因为转向速率跟不上而失效。我在控制器输出后面加了一个饱和模块同时限制了每步的增量变化量。8. 后续扩展方向与个人体会做完这个项目我最深的感受是铰接式重型车辆的鲁棒路径跟踪控制不是一个单纯的数学问题它考验的是你对物理系统的理解深度。状态空间的每一个矩阵项背后都对应着实实在在的车辆结构参数LMI的每一条不等式约束也都对应着实车控制里的性能指标权衡。只有把这层物理意义完全吃透才能把H∞和RLQR这类数学工具用得顺手。从扩展角度来说这个项目可以继续往几个方向推进。一是把目前的线性时不变模型升级成线性参数时变模型把纵向车速作为调度参数做增益调度控制。铰接式车辆在倒车工况下系统的动力学特性会发生根本性变化线性时不变控制器在低速倒车场景下基本失效LPV增益调度能覆盖更广的速度范围。二是考虑引入状态观测器。我目前的设计有一个前提条件是所有状态可测但实际车辆上很难直接测量质心侧偏角和铰接角变化率。后面可以设计H∞状态观测器或者扩展卡尔曼滤波器从可测的转向角、横摆角速度信号中重构全部状态。三是可以考虑把控制器部署到硬件在环仿真平台上去验证实时性。如果把H∞控制器和RLQR做成Simulink的自动代码生成模块可以直接编译部署到实时机里配合CarSim或TruckSim的高保真模型做闭环测试。这也是从仿真走向工程落地的必经一步。对于正在做毕业设计或者刚接触鲁棒车辆控制的同学我建议不要一头扎进公式推导里出不来。先把模型建出来跑通一个标准LQR的基线控制器再切换到H∞和RLQR你会发现两种控制器的差异在你的仿真曲线上可以看得非常直观。有了直观认识之后再回去啃数学推导效率会高很多。这个项目如果做扎实了无论对理解鲁棒控制理论还是对积累车辆工程实践经验都是非常有价值的。