5车编队协同控制实践：从单车ACC到队列稳定

如果只是做一辆车的自适应巡航，市面上的成熟方案已经很多：毫米波雷达测相对距离和相对速度，控制模块输出油门刹车请求，车间保持一个安全时距，这套逻辑从乘用车到商用车都验证得很充分。但当我开始接手一个“5辆车组成编队，通过ACC自适应协同控制保持队列行驶”的Demo时，发现事情完全变了性质——单车ACC调得再顺，把它按“摄像头看前车+雷达测距”的方式简单串联成5辆车，车队会像多米诺骨牌一样，从头车到队尾的间距误差一路放大，最后一辆车要么越来越近，要么频繁点头刹车。

这个项目本质上要做的，是把“单车巡航”升级成“队列协同”：每辆车不能只看前车屁股离我多远，还要估算前车正在加速还是减速、加速度有多大，再结合车距和相对速度一起做控制。听上去只是多了“前车加速度”这一个输入量，但从控制律设计、信息流拓扑到仿真调参，每个环节都要重新推一遍。这篇就当作一次完整复盘，把5车编队协同控制的建模思路、核心控制律、编队稳定性条件、仿真验证以及从仿真到实车的坑，一次性讲清楚。适合正在做车队控制、CACC或打算拿仿真平台练手的工程师和学生参考，也适合刚接触纵向运动控制的读者当入门案例看。

1. 5辆车的编队到底想解决什么：从单车ACC到“车队级误差传导”

1.1 为什么单车ACC做得再好，不等于编队做得好

先看单车ACC的核心逻辑。车距传感器测得本车与前车的实际间距 (d)，控制器把它和目标间距 (d_{des}) 比较，误差进入控制器，输出加速度请求或扭矩请求，让车加速或减速。目标间距通常不取固定值，因为车速越高，同样车距下的碰撞时间越短，所以工程上广泛采用“恒定车时距”策略：

[ d_{des} = h \cdot v_{ego} + d_0 ]

(h) 就是车时距，单位秒，一般取0.8到1.5秒；(d_0)是静态安全距离，比如3到5米。车速越高，目标间距越大，这很符合人的驾驶直觉。

但这个策略放在单车场景没问题，放到5辆车串联的编队里就产生了“误差传导路径”：第2辆车跟随第1辆产生一点误差，第3辆车跟随第2辆会把这一点误差吸收还是放大？如果放大，到第5辆车时误差可能已经超过舒适范围甚至安全边界。我最早搭仿真时输了一个前车正弦波速度扰动，纯单车ACC参数在每辆车上都工作正常，结果第5辆车的间距误差峰值是第2辆车的1.8倍，而且有明显相位滞后——这种“越跟越紧、越跟越抖”就是典型的队列不稳定。所以编队项目一上来就要换一套目标：不只是某个车间距误差小，还要让误差从队头到队尾不放大、不震荡。

1.2 项目定义：车辆模型、编队形式与可量化目标

把这个项目说具体一点。5辆车，编号从 (i=1) 到 (i=5)，编号1为头车，编号2到5为跟随车。车辆行驶在单一车道内，研究纵向运动的协同控制，不做横向换道和转向规划。每辆车用一阶惯性模型描述纵向加速度响应：

[ \tau_i \dot{a}_i + a_i = u_i ]

其中 (u_i) 是控制输入（期望加速度），(\tau_i) 是动力系统延迟常数。这个模型虽然简单，但抓住了最重要的物理约束：期望加速度指令给下去，实际加速度不是瞬达到，而是按一阶惯性趋近。(\tau) 一般取0.3到0.5秒，和真实车辆发动机/电机的响应特性量级一致。

定义第 (i) 辆跟随车与前车（编号 (i-1)）的实际车间距为 (gap_i = x_{i-1} - x_i - L)，(L) 是车长，通常统一取4.5米。间距误差定义为：

[ e_i = gap_i - (h \cdot v_i + d_0) ]

控制目标是让5辆车的 (e_i) 全部收敛到0附近，同时满足三件事：车速跟随头车无静差、车间距在舒适范围内不触发急加速急减速、误差沿车队向后传递时衰减而不是放大。最后一个目标和前两个不同，只靠单车的误差反馈大概率做不到，这也是项目里最需要“协同”这两个字的原因。

2. 把“前车加速度”和“车距”装进同一个控制律

2.1 从PD反馈到加速度前馈：控制律的递进过程

先说最直觉的控制器：比例微分PD。控制律是：

[ u_i = k_p e_i + k_d \dot{e}_i ]

其中 (\dot{e}i = (v{i-1} - v_i) - h \cdot a_i) 是误差变化率，物理意义是相对速度减去由车时距决定的期望速度变化量。这个控制器只依赖“现在差多少”和“差得变化多快”，很多教材里的ACC实现就是这一层。我第一版仿真用的就是它，结果在一个固定场景里看出明显问题：当前车以恒定的负加速度（比方说-1.5m/s²）减速时，PD控制下的跟随车无法消除稳态间距误差，车距会一直小于目标值，直到前车结束减速。

原因不难理解：前车持续减速时，跟随车需要一个持续的加速补偿才能维持目标间距不被压缩，而PD控制的输出只来源于误差本身，当误差变为0时控制器就不再输出补偿，车距已经错了。解决这个问题的办法，就是把前车的加速度直接加进控制律作前馈：

[ u_i = k_p e_i + k_d \dot{e}i + \beta a{i-1} ]

这就是这个项目标题里“考虑前车加速度”的实体对应。(\beta) 是前馈增益，理想情况下是1.0，实际项目里要逐个车标定，后面第5章会讲原因。加入这一项之后，前车突然刹车时，本车在误差变大之前就已经获得了减速指令，响应提前了一个“感知+反应”周期，这就是从“事后修正”到“事前预判”的关键转变。

我习惯用一个和生活经验直接对应的类比：你开车跟在前车后面，只看前车刹车灯亮了才踩刹车，这是反应式控制；如果在前车亮灯瞬间你就能知道它脚下刹车踏板踩了多深，你是会提前而且平稳地减速。前车加速度就是这个“脚下深度”的物理度量。只靠距离和相对速度，你永远是在误差产生后才追，无论PD增益调多高都追不回物理延迟；有了加速度前馈，系统才真正把前车的驾驶意图纳入自己控制决策里。

2.2 控制参数的物理含义与初始标定

跟车场景用什么车身姿态、什么控制参数，需要先懂参数的物理含义。(k_p) 过大，车距稍微偏一点就猛加速，车队频繁拉扯，能耗和乘坐体验都差；(k_p) 过小，误差收敛慢，遇到前车减速时车距压缩明显。(k_d) 是阻尼项，负责抑制误差变化率，调大一些能让系统更“沉稳”，但太大会引入高频噪声，因为相对速度信号本身有传感器噪声，微分环节会放大它。

我在这个项目里给参数设了一个安全起点：(h=1.0)秒，(d_0=5)米，(k_p=0.4)，(k_d=0.8)，(\beta=1.0)。然后在一个仿真工况里做敏感性扫描，把(k_p)从0.2扫到0.8，(k_d)从0.4扫到1.6，观察第3辆车的间距误差峰值和加速度抖动，最后落在(k_p=0.45)、(k_d=0.9)。注意，这个参数不是全局最优，只是一个在“稳定性、响应速度、舒适性”之间平衡的选择。

这里必须强调一个调参顺序问题：先调单车跟车，把第2辆车跟第1辆车的响应调到满意；再加车，观察误差从第2辆传到第3辆的变化；再继续加到5辆。不要一开始就5辆车一起跑，否则出了问题你根本分不清是第几辆车的控制器引起的，还是队列级相互作用引起的。我见过不少项目组直接上5辆车矩阵仿真，发现第5辆车疯狂震荡，调了半天其实只是第2辆车的(k_d)太大，属于典型的“定位错误”浪费时间。

2.3 进阶控制器：滑模与MPC的替换方案

前馈PD的好处是直观、好调、计算量小，但极限工况下（前车剧烈变速、整车质量变化、路面坡度变化）它的鲁棒性还不够。所以项目里我把前馈PD作为“主控基线”，并行对比了两个进阶方案。

滑模控制的核心思路是定义一个滑模面，让控制量把系统状态“推”到滑模面上并维持。针对这个编队场景，滑模面可以取成：

[ s_i = \dot{e}_i + \lambda e_i ]

(\lambda) 决定了收敛速率。令 (\dot{s}i = -k \cdot sat(s_i))，反解出期望加速度 (u_i)，最终的控制律同样包含前车加速度项 (a{i-1})，因为误差的二阶导数里带前车加速度。滑模的好处是当车辆参数（质量、阻力系数）存在不确定性时，切换项能把扰动压住，不依赖精确模型；代价是如果切换增益(k)调得太大，控制量会高频抖动，乘用车编队里这种抖动会直接反映在坐椅加速度上，人受不了。实际测试里我用饱和函数 (sat(s)) 代替符号函数，边界层厚度取0.2左右，既保留了鲁棒性，又避免了抖动。

**MPC（模型预测控制）**则是把前车加速度显式视为“可测扰动” (w_k = a_{i-1,k})，在预测模型里做前馈补偿。它和前馈PD的区别在于：MPC不只看到当前的前车加速度，还能利用未来一段时间的前车速度曲线（如果通过通信能拿到）做滚动优化，把今后几秒的响应都算进去。代价函数写成：

[ J = \sum_{j=1}^{N} \left( q_e e_{i,k+j}^2 + q_v (v_{i,k+j} - v_{i-1,k+j})^2 + q_u u_{i,k+j}^2 + q_{\Delta u} \Delta u_{i,k+j}^2 \right) ]

约束条件包括最大加速度3m/s²、最小减速度-4m/s²、加加速度变化率限制。MPC的优势是天然处理约束，间距不够时会主动提前减速，不会像滑模一样先冲撞约束再拉回；劣势是计算量大、需要调(N, q_e, q_v, q_u)五个以上参数，而且性能高度依赖预测精度。我在项目里的结论是：如果只是5辆车、中等工况，前馈PD完全够用；如果要做实车演示或处理剧烈加减速，优先上MPC。

3. 编队协同的“信息流”设计：5辆车的误差如何避免滚雪球

3.1 信息拓扑：只靠雷达感知 vs 车车通信广播

控制律定了之后，下一个决定成败的问题是：每辆车用什么方式获取前车加速度和车距信息？这决定了信息流拓扑，也就决定了队列的稳定性上限。

第一种拓扑叫“前车感知型”，每辆车通过毫米波雷达和摄像头估计前车的距离、相对速度，并通过自车IMU推算前车绝对加速度。这条路最贴近现有ACC硬件，但有个硬伤：距离越远信号噪声越大，前车加速度只能通过相对加速度差分得到，而差分运算会放大接收机噪声，必须加低通滤波。滤波一加，加速度信号就有相位延迟，编队的高速响应能力下降。

第二种拓扑是“车车通信型”，前车把自己的加速度、速度通过车联网消息以10到50Hz的频率广播给后车。后车不用靠差分去猜前车加速度，直接读取数值，延迟小、精度高。在这种拓扑下，每辆车可以不只是“看前车”，还能听“领航车”的广播。我这里做了一个比选表格：

项目里最终用的是“前车感知+领航车广播”的混合拓扑：距离误差仍用雷达实测，前车加速度和领航车状态走车车通信。这样既保了安全性上的冗余（雷达是主传感器），又拿到了协同控制所需的稳定信息源。

3.2 队列稳定性的判断逻辑与参数边界

编队控制里有一个和单车稳定性孑然不同的概念：队列稳定性。车队沿纵向有误差传播函数，第(i)辆车的间距误差相对于第(i-1)辆车间距误差的传递函数 (T(s)) 的幅频特性，决定了误差是从队头向队尾放大还是衰减。理想的队列稳定条件是：(|T(j\omega)| < 1) 对所有频率成立，也就是一个误差“从后往前看”是越传越小的。

纯PD控制下，这个条件对(\omega)的低频段通常能满足，高频段却容易超标。高频误差来自前车加速度的快速变化，比如急刹车或起步。没有加速度前馈时，后车要等间距误差变大才开始反应，这个“等”的过程本身就是相位滞后，相位一滞后，幅值就容易放大。加上前车加速度前馈后，高频段的误差传递被直接前移抵消，(T(s))的峰值明显下降。用工程语言说，前车加速度前馈相当于给队列误差传递函数配了一个高频补偿零点，它是做队列稳定性的核心手段，不只是舒适性优化。

实际仿真中我验证过一个极限：把前车输入做成一个频率从0.1Hz到1Hz的扫频速度扰动，纯PD的第5辆车间距误差幅值在第0.4Hz附近达到输入幅值的1.4倍，而带加速度前馈的系统全程低于0.9倍。差距就是这么直接。

3.3 协同控制的具体架构：内环执行器+外环队列

协同控制不等于中央控制器给所有车发指令，那在高速工况下通信延迟和故障风险都不可控。这个项目采用的是“分布式本地控制+全局信息广播”架构：每辆车自己接收传感器数据、自己跑控制律、自己输出油门刹车请求，同时把自己状态广播给后车；领航车额外广播自己的加速度，作为整个车队的参考输入。第(i)辆车的控制器，在原有前馈PD基础上把前车加速度替换为“前车加速度+领航车加速度的加权组合”：

[ u_i = k_p e_i + k_d \dot{e}i + \beta_1 a{i-1} + \beta_2 a_1 ]

领航车加速度(a_1)什么时候重要？如果整个车队都在加速或减速，只靠相邻前车信息，误差要一辆一辆传过来，队尾反应永远慢半拍；如果把领航车加速度直接广播给第3、第4、第5辆车，它们可以同时朝同一个方向加减速，队列就像“一根绳子牵着走”，而不是“一节一节推着走”。(\beta_1)和(\beta_2)的比例需要按车辆在队列中的位置调整：离领航车越远，(\beta_2)相对(\beta_1)应该越大。这个权重设计也是“协同”这个标题里最有工程讲究的部分。

4. 仿真验证：从零搭一套5车编队模型的过程与结果

4.1 仿真环境与模型搭建思路

我用的是Simulink，但整个控制器和车辆动力学都可以用普通微分方程手搭，不依赖专用工具箱。模型分四层：

1. 车辆纵向动力学层：每辆车一个“一阶惯性+阻力+坡度”模块，输入控制加速度，输出位置、速度、实际加速度；
2. 车距测量层：按相邻两车的位置差计算实际车距，加一个测量延迟模块（模拟雷达在20ms到50ms的采样延迟）；
3. 控制律层：每车独立计算前馈PD控制，控制频率100Hz；
4. 通信层：模拟前车加速度广播，用传输延迟模块加一个固定delay，默认延迟50ms。

模型里车辆参数、控制器参数、通信延迟全部做成立外部参数，这样跑参数扫描时不用重新编译模型。仿真总时长60秒，采样步长固定为0.01秒。

4.2 测试工况与参数表

参数表列出核心设置：

头车速度曲线设成典型的动态工况：0到10秒匀速25m/s；10到20秒以1.5m/s²加速度加速到40m/s；20到35秒匀速；35到45秒以-2m/s²减速到20m/s；45到60秒再做一组小幅正弦波动，刻意考验车队的动态跟随能力。这个曲线模拟了“高速汇入、减速下匝道、巡航微调”三类真实路况。

4.3 结果对比与逐项解读

跑完两组对比——纯PD和“前馈PD+领航车广播”——统计指标如下：

最有信息量的不是第5辆误差变小，而是误差衰减规律：纯PD的间距误差从第2辆到第5辆逐车放大，第5辆是第2辆的1.8倍；带前馈的版本误差从第2辆到第5辆逐车衰减，第5辆是第2辆的0.6倍。这就是从“不稳定队列”到“稳定队列”的直接证据。加速度RMS下降说明协同广播让所有车辆同时响应，队尾不再需要大幅修正，乘坐体验也好了。

另外我单独做了通信延迟敏感性测试：延迟从50ms加到200ms，前馈PD的最大间距误差从1.2m恶化到2.6m，但仍优于纯PD的4.8m。这说明前馈PD对通信延迟有较好的容忍度，但如果要做真正的CACC，延迟超过150ms后需要人为降低前馈增益，不能硬扛。

4.4 调参过程中的几个关键经验

这个项目调参过程中有几个点值得单独拿出来说：

• 前馈系数不要一上来就拉满。(\beta=1.0)在理想模型下最好，但现实里执行器有延迟，前馈过大会导致本车“反应过头”，先突然减速又突然补油。我从0.5起步，以0.1步进往上加，观察第5辆车的加速度曲线是否出现反冲。
• 车时距(h)是最敏感的参数。(h)从1.0降到0.8，间距跟随更紧，但对通信延迟的敏感度急剧上升；降到0.6，在延迟200ms时直接出现负间距（模型里的追尾）。如果要做实车，强烈建议(h)不要低于0.9。
• 控制器要从队尾看效果。调参时只看第2辆车的响应会给你一种“完全没问题”的错觉，必须把第5辆车的误差曲线翻出来看。我甚至建议先在第3辆车上调好阻尼，再加入第4和第5辆，否则很容易被“中间车辆局部稳定”掩盖“整队不稳定”。

5. 从仿真走向实车：延迟、执行器差异与降级策略

5.1 传感器延迟和数据不同步问题

仿真里我假装所有数据都是同一时刻采样，实车不是这样。毫米波雷达的数据更新周期通常是20到50ms，IMU是100Hz甚至更高，车车通信消息到达时间更不固定。不同数据源的延迟不一致，会导致控制律里“距离误差是50ms前的，前车加速度是20ms前的”，两路数据一叠加，相当于在反馈回路里混入了等效噪声。

我的处理办法是给每一路输入建一个小缓冲，统一对齐到一个主时钟上。对齐之后，对以前车加速度信号再做一个一阶低通滤波，截止频率约1.5Hz。这个滤波会牺牲一点响应速度，但能把通信丢包和传感器量化噪声挡住，换来的是控制指令平稳。滤波和时间对齐这两件事，优先级高于控制器本身——很多编队实车抖动问题不是算法差，而是数据没用对。

如果某些场景里收不到前车加速度（比如通信中断），就不要硬猜，切到“差分估计模式”：用本车速度变化率和相对速度差分估计前车加速度，并在估计值上加强滤波。这个模式下要同时把前馈增益降到0.7，因为差分估计的高频噪声比真值广播大得多。

5.2 同型号车辆在执行器层的天然差异

实车编队和仿真最大的区别之一，就是“同一批车，动力响应各不相同”。仿真里我可以把所有车的(\tau_i)都设为0.4秒，实际上一号车的响应可能偏快、三号车的刹车响应偏慢，这种差异在单车巡航时感受不出来，在编队里会被误差传递链放大。

项目里做了两件事解决这个问题。第一，逐车标定加速度响应闭环：对每辆车下发一组阶梯加速度指令，记录实际加速度到达目标值的时间常数(\tau_i)，再反算补偿系数补偿到控制器里，让所有车的执行层响应尽量一致。第二，把前馈增益从理想值1.0改成标定值(\beta_i)，每辆车不同。标定之后，车队间距误差的分布明显均匀了，不再出现“总在某一辆车附近累积误差”的现象。

5.3 车距阈值与紧急降级逻辑

协同控制做得再好，也不能把所有安全寄托在通信和前馈上。实车编队一定要加相对独立的安全监督模块：实时计算自车与前车的“碰撞预测距离”，也就是相对距离减去按当前相对速度和估计反应时间算出的停车距离，一旦低于阈值，立即切断协同控制输出，转入独立的紧急减速逻辑。这个模块的传感器独立于协同控制，逻辑也不依赖通信数据和前车加速度广播，纯粹靠本车的雷达测距完成。

降级策略要分层：第一层，通信丢包超过500ms，前馈增益平滑过渡到0.7，时间常数200ms，防止控制量跳变；第二层，前车速度信号不可用时，切换到单车ACC模式，目标间距切换到更保守的1.2秒车时距；第三层，碰撞预测距离低于安全阈值，直接触发最大减速度请求。这三层的切换不只要“能切”，还要“切得平滑”。我见过实车上因为切换时控制量从20%油门瞬间跳到80%油门导致车辆明显闯动的案例，所以切换逻辑里必须给控制量变化率加限幅。

做了一轮从模型到测试场的完整验证之后，我的体会是：5车编队协同控制这个题目，真正难的从来不是某一辆车的跟车算法，而是误差在队列里的逐级传导，以及如何通过“前车加速度+头车信息”的协同引入把一个原本会放大的过程压制住。仿真里把前馈PD跑通很容易，但把通信延迟、执行器差异、传感器噪声全加进来，控制参数又要重新标一遍。如果你也在做类似的编队项目，我建议先从两车跟随起步，把前馈项的响应调到满意，再逐级加车；每加一辆车，都要回头重看队尾误差曲线，不要指望下一种控制算法能解决全部问题。最后提醒一点，车时距参数 (h) 在实车编队中务必保守，0.9秒以下带来的间距密度收益，远抵不过一旦通信延迟波动引发的队列共振风险。