第5章：模型预测控制（MPC）的代码实现

1. 建立 QP 模型：

---

1.1 车辆模型：

注：使用车辆横向动力学模型 + 纵向动力学模型（误差模型）

---

1.2 QP 问题模型：

注：详细推导见 笔记100：使用 OSQP-Eigen 对 MPC 进行求解的方法与代码-CSDN博客 中对【线性系统 + 线性约束】问题的 QP 问题的构建过程；

• 构建代价函数：

• 构建约束：

注1：其中 

注2：其中  ，因为本身车辆模型提供的状态空间方程的状态量 x 就是误差量，对于误差量而言他的目标值就是0；

---

a

a

a

a

a

2. 代码实现

---

• 头文件 common.h ：定义各种结构体

#include <fstream>
#include <iostream>
#include <string>
#include <lgsvl_msgs/VehicleControlData.h>
#include <nav_msgs/Odometry.h>
#include <std_msgs/Header.h>
#include <sensor_msgs/Imu.h>
#include "map.h"
#include "reference_line.h"
#include "ros/ros.h"
#include "tf/tf.h"// 车辆状态信息
struct VehicleState {double x;                   // 车辆在【全局坐标系】中的 -- x值double y;                   // 车辆在【全局坐标系】中的 -- y值double heading;             // 车辆在【全局坐标系】中的 -- 车辆朝向（车辆横摆角/航向角，也即车辆欧拉角中的偏航角 yaw）double kappa;               // 车辆在【全局坐标系】中的 -- 曲率（转弯半径的倒数）double velocity;            // 车辆在【全局坐标系】中的 -- 线速度double angular_velocity;    // 车辆在【全局坐标系】中的 -- 角速度（横摆角变化率）double acceleration;        // 车辆在【全局坐标系】中的 -- 加速度double vx;                  // 速度在【车身坐标系的x轴】上的分量double vy;                  // 速度在【车身坐标系的y轴】上的分量double vz;                  // 速度在【车身坐标系的z轴】上的分量double pitch;               // 欧拉角 -- 在【车身坐标系】绕x轴转角 -- 俯仰角double yaw;                 // 欧拉角 -- 在【车身坐标系】绕y轴转角 -- 偏航角double roll;                // 欧拉角 -- 在【车身坐标系】绕z轴转角 -- 横滚角double target_curv;         // 期望点的曲率// 起点处车辆的信息double planning_init_x;     // 车辆起点在【全局坐标系】中的 -- x值double planning_init_y;     // 车辆起点在【全局坐标系】中的 -- y值// addeddouble start_point_x;double start_point_y;double relative_x = 0;double relative_y = 0;double relative_distance = 0;double last_velocity = 0;       // 上一个时间步的 -- 车辆线速度double last_v_err = 0;          // 上一个时间步的 -- 车辆线速度误差double last_v_time = 0;         // 上一个时间步的 -- 速度时间戳double last_acc = 0;            // 上一个时间步的 -- 加速度double cur_v_err = 0;           // 当前时间步的 -- 速度误差double cur_v_time = 0;          // 当前时间步的 -- 速度时间戳double cur_acc = 0;             // 当前时间步的 -- 加速度
};// 轨迹（目标）点
struct TrajectoryPoint {double x;           // 目标点在【全局坐标系】中的 -- x值double y;           // 目标点在【全局坐标系】中的 -- y值double heading;     // 目标点在【全局坐标系】中的 -- 目标点处的切线与全局坐标系的x轴之间的夹角（目标航向角）double kappa;       // 目标点在【全局坐标系】中的 -- 目标点处的曲率double v;           // 目标点在【全局坐标系】中变化的 -- 速度double a;           // 目标点在【全局坐标系】中变化的 -- 加速度
};// 目标轨迹（vector容器中装有所有的路径点）
struct TrajectoryData {std::vector<TrajectoryPoint> trajectory_points;
};// 车辆横向动力学模型（误差型）中状态量x包含的4个分量
struct LateralControlError {double lateral_error;       // 横向误差double heading_error;       // 航向误差double lateral_error_rate;  // 横向误差变化率double heading_error_rate;  // 航向误差变化率
};// 控制命令
struct ControlCmd {double steer_target;    //横向控制命令：方向盘转角double acc;             //总想控制命令：油门开度
};typedef std::shared_ptr<LateralControlError> LateralControlErrorPtr;

---

• 头文件 mpc_controller.h ：定义车辆模型涉及到的所有矩阵和信息

#pragma once
#include <math.h>
#include <fstream>
#include <iomanip>
#include <memory>
#include <string>
#include "Eigen/Core"
#include "common.h"
#include "mpc_osqp.h"
namespace shenlan {
namespace control {
using Matrix = Eigen::MatrixXd;class MPCController {
public:MPCController();~MPCController();void LoadControlConf();void Init();bool ComputeControlCommand(const VehicleState &localization, const TrajectoryData &planning_published_trajectory, ControlCmd &cmd);protected:double Wheel2SteerPct(const double wheel_angle);void UpdateState(const VehicleState &vehicle_state);void UpdateMatrix(const VehicleState &vehicle_state);// 计算横向误差（未定义）void ComputeLateralErrors(const double x, const double y, const double theta, const double linear_v, const double angular_v, const double linear_a, LateralControlErrorPtr &lat_con_err);// 计算纵向误差（未定义）void ComputeLongitudinalErrors(const VehicleState &vehicle_state);void ComputeErrors(const double x, const double y, const double theta, const double linear_v, const double angular_v, const double linear_a, LateralControlErrorPtr &lat_con_err);void ToTrajectoryFrame(const double x, const double y, const double theta, const double v, const TrajectoryPoint &ref_point, double *ptr_s, double *ptr_s_dot, double *ptr_d, double *ptr_d_dot);TrajectoryPoint QueryNearestPointByPosition(const double x, const double y);// 全局规划路径中的所有点：std::vector<TrajectoryPoint> trajectory_points_;// 车辆的物理参数汇总：double ts_ = 0.0;           // 两个控制命令之间的时间间隔double cf_ = 0.0;           // 前轮侧偏刚度double cr_ = 0.0;           // 后轮侧偏刚度double wheelbase_ = 0.0;    // 车辆纵轴长度double mass_ = 0.0;         // 车辆总质量double lf_ = 0.0;           // 车辆纵轴中的lfdouble lr_ = 0.0;           // 车辆纵轴中的lrdouble iz_ = 0.0;           // 汽车的转动惯量double steer_ratio_ = 0.0;  // 方向盘的转角到轮胎转动角度之间的比值系数Eigen::MatrixXd matrix_a_;Eigen::MatrixXd matrix_a_coeff_;Eigen::MatrixXd matrix_ad_;Eigen::MatrixXd matrix_b_;Eigen::MatrixXd matrix_bd_;Eigen::MatrixXd matrix_state_;Eigen::MatrixXd matrix_r_;Eigen::MatrixXd matrix_q_;Eigen::MatrixXd matrix_q_updated_;const int basic_state_size_ = 6;    // 状态量x的大小（横向误差 / 横向误差变化率 / 航向误差 / 航向误差变化率 / 纵向位置误差 / 纵向速度误差）const int controls_ = 2;            // 控制量u的大小（方向盘转角 / 汽车加速度）double station_error_ = 0.0;        // 纵向位置误差double speed_error_ = 0.0;          // 纵向速度误差int mpc_max_iteration_ = 0;         // MPC求解器的参数 -- QP求解器最大迭代次数double mpc_eps_ = 0.0;              // MPC求解器的参数 -- 计算阈值const int horizon_ = 10;            // MPC有限时域长度double max_acceleration_ = 0.0;                     // 车辆最大加速度double max_deceleration_ = 0.0;                     // 车辆最小加速度double max_lat_acc_ = 0.0;                          // 转向时的最大横向加速度double minimum_speed_protection_ = 0.1;             // 车辆最小速度double steer_single_direction_max_degree_ = 0.0;    // 方向盘的最大转角double wheel_single_direction_max_degree_ = 0.0;    // 车轮的最大转角
};}  // namespace control
}  // namespace shenlan

• 源文件 mpc_controller.cpp ：

#include "mpc_controller.h"
#include <algorithm>
#include <iomanip>
#include <utility>
#include <vector>
#include "Eigen/LU"
#include "math.h"
using namespace std;
namespace shenlan {
namespace control {// 函数作用：构造函数
MPCController::MPCController() {}
// 函数作用：析构函数
MPCController::~MPCController() {}// 函数作用：初始化车辆物理参数
void MPCController::LoadControlConf() {ts_ = 0.01;                                 // 两个控制命令之间的时间间隔cf_ = 155493.663;                           // 前轮侧偏刚度cr_ = 155493.663;                           // 后轮侧偏刚度wheelbase_ = 1.0;                           // 车辆纵轴长度max_acceleration_ = 0.8;                    // 车辆最大加速度           （总加速度）max_deceleration_ = -0.8;                   // 车辆最小加速度           （总加速度）max_lat_acc_ = 5.0;                         // 转向时的最大横向加速度   （横向加速度）steer_ratio_ = 1.0;                                                                                     // 传动比steer_single_direction_max_degree_ = 40.0;                                                              // 方向盘的最大转角（角度）wheel_single_direction_max_degree_ = steer_single_direction_max_degree_ / steer_ratio_ / 180 * M_PI;    // 车轮最大转角（弧度）const double mass_fl = 55.0;                            // 左前悬的质量const double mass_fr = 55.0;                            // 右前悬的质量const double mass_rl = 65.0;                            // 左后悬的质量const double mass_rr = 65.0;                            // 右后悬的质量const double mass_front = mass_fl + mass_fr;            // 前悬质量const double mass_rear = mass_rl + mass_rr;             // 后悬质量mass_ = mass_front + mass_rear;                         // 总车质量lf_ = wheelbase_ * (1.0 - mass_front / mass_);          // 汽车前轮到中心点的距离lr_ = wheelbase_ * (1.0 - mass_rear / mass_);           // 汽车后轮到中心点的距离iz_ = lf_ * lf_ * mass_front + lr_ * lr_ * mass_rear;   // 汽车的转动惯量mpc_eps_ = 0.01;                // MPC求解器的参数 -- 计算阈值mpc_max_iteration_ = 1500;      // MPC求解器的参数 -- 最大迭代次数return;
}// 函数作用：初始化 -- 横向动力学模型中的矩阵 + 代价函数J中的矩阵
void MPCController::Init() {LoadControlConf();// 初始化（连续型）车辆横向动力学模型 -- 矩阵Amatrix_a_ = Matrix::Zero(basic_state_size_, basic_state_size_);matrix_a_(0, 1) = 1.0;matrix_a_(1, 2) = (cf_ + cr_) / mass_;matrix_a_(2, 3) = 1.0;matrix_a_(3, 2) = (lf_ * cf_ - lr_ * cr_) / iz_;matrix_a_(4, 5) = 1;matrix_a_(5, 5) = 0.0;matrix_a_coeff_ = Matrix::Zero(basic_state_size_, basic_state_size_);matrix_a_coeff_(1, 1) = -(cf_ + cr_) / mass_;matrix_a_coeff_(1, 3) = (lr_ * cr_ - lf_ * cf_) / mass_;matrix_a_coeff_(2, 3) = 1.0;matrix_a_coeff_(3, 1) = (lr_ * cr_ - lf_ * cf_) / iz_;matrix_a_coeff_(3, 3) = -1.0 * (lf_ * lf_ * cf_ + lr_ * lr_ * cr_) / iz_;// 初始化（连续型）车辆横向动力学模型 -- 矩阵Bmatrix_b_ = Matrix::Zero(basic_state_size_, controls_);matrix_b_(1, 0) = cf_ / mass_;matrix_b_(3, 0) = lf_ * cf_ / iz_;matrix_b_(4, 1) = 0.0;matrix_b_(5, 1) = -1.0;// 初始化（离散型）车辆横向动力学模型 -- 矩阵Admatrix_ad_ = Matrix::Zero(basic_state_size_, basic_state_size_);// 初始化（离散型）车辆横向动力学模型 -- 矩阵Bdmatrix_bd_ = Matrix::Zero(basic_state_size_, controls_);matrix_bd_ = matrix_b_ * ts_;// 初始化（离散型）车辆横向动力学方程 -- 状态量xmatrix_state_ = Matrix::Zero(basic_state_size_, 1);// 初始化代价函数J -- 矩阵Rmatrix_r_ = Matrix::Identity(controls_, controls_);matrix_r_(0, 0) = 3.25;     // 方向盘转角matrix_r_(1, 1) = 1.0;      // 车辆加速度（总价速度）// 初始化代价函数J -- 矩阵Qmatrix_q_ = Matrix::Zero(basic_state_size_, basic_state_size_);matrix_q_(0, 0) = 3.0;      // 横向误差matrix_q_(1, 1) = 0.0;      // 横向误差变化率matrix_q_(2, 2) = 15.0;     // 朝向误差matrix_q_(3, 3) = 0.0;      // 朝向误差变化率matrix_q_(4, 4) = 0.0;      // 纵向位置误差matrix_q_(5, 5) = 10;       // 纵向速度误差return;
}// 函数作用：计算目标点和车辆当前位置之间距离的平方
double PointDistanceSquare(const TrajectoryPoint &point, const double x, const double y) {const double dx = point.x - x;const double dy = point.y - y;return dx * dx + dy * dy;
}// 函数作用：将弧度值归化到 [-M_PI, M_PI] 之间，防止弧度值超过量纲
double NormalizeAngle(const double angle) {double a = std::fmod(angle + M_PI, 2.0 * M_PI);if (a < 0.0) a += (2.0 * M_PI);return a - M_PI;
}// 函数作用：
double MPCController::Wheel2SteerPct(const double wheel_angle) {return wheel_angle / wheel_single_direction_max_degree_ * 100;
}// 函数作用：计算控制命令
bool MPCController::ComputeControlCommand(const VehicleState &localization, const TrajectoryData &planning_published_trajectory, ControlCmd &cmd) {// 所有轨迹点（全局规划器提供的全局路径）trajectory_points_ = planning_published_trajectory.trajectory_points;// 更新当前时间步的状态空间变量 x_0（均为误差量）UpdateState(localization);// 更新状态矩阵 Ad// 解释：因为矩阵Ad的计算涉及到车速vx，所以每往后走一个时间步，都要同步更新一下系统横向动力学模型中的Ad矩阵UpdateMatrix(localization);// 初始化控制量u的矩阵Matrix control_matrix = Matrix::Zero(controls_, 1);// 车辆当前的目标状态量 x_ref（也都是误差量，恒定为 0 向量）Matrix reference_state = Matrix::Zero(basic_state_size_, 1);// 初始化控制量u中每个分量的上下限值// 方向盘转角，车辆加速度Matrix lower_bound(controls_, 1);Matrix upper_bound(controls_, 1);lower_bound << -M_PI/6, max_deceleration_;upper_bound << M_PI/6, max_acceleration_;// 初始化状态量x中每个分量的上下限值// 横向误差，横向误差变化率，航向误差，航向误差变化率，纵向位置误差，纵向速度误差Matrix lower_state_bound(basic_state_size_, 1);Matrix upper_state_bound(basic_state_size_, 1);const double max = std::numeric_limits<double>::max();lower_state_bound << -1.0 * max, -1.0 * max, -1.0 * M_PI, -1.0 * max, -1.0 * max, -1.0 * max;upper_state_bound << max, max, M_PI, max, max, max;// 初始化需要发送给carla模拟器的控制命令// 方向盘转角，车辆加速度std::vector<double> control_cmd(controls_, 0);// 初始化QP求解器MpcOsqp mpc_osqp(matrix_ad_,        // Admatrix_bd_,         // Bdmatrix_q_,          // Qmatrix_r_,          // Rmatrix_state_,      // x0lower_bound,        // 不等式约束upper_bound,        // 不等式约束lower_state_bound,  // 不等式约束upper_state_bound,  // 不等式约束reference_state,    // 车辆当前位置匹配的目标点的 -- 目标状态量 xrefmpc_max_iteration_, // QP求解器最大迭代次数horizon_,           // 有限时域长度mpc_eps_);          // 计算阈值// 调用QP求解器开始计算具体的控制命令if (!mpc_osqp.Solve(&control_cmd)) {std::cout << "MPC OSQP solver failed" << std::endl;}else {std::cout << "MPC OSQP problem solved" << std::endl;control_matrix(0, 0) = control_cmd.at(0);control_matrix(1, 0) = control_cmd.at(1);}// 发布控制命令double steer_angle_feedback = control_matrix(0, 0);double acc_feedback = control_matrix(1, 0);cmd.steer_target = steer_angle_feedback;cmd.acc = acc_feedback;return true;
}// 函数作用：更新状态空间变量x
void MPCController::UpdateState(const VehicleState &vehicle_state) {// 智能指针std::shared_ptr<LateralControlError> lat_con_err = std::make_shared<LateralControlError>();// 计算状态量x中的每个分量（存储在变量 lat_con_err 中）ComputeErrors(vehicle_state.x, vehicle_state.y, vehicle_state.heading, vehicle_state.velocity, vehicle_state.angular_velocity, vehicle_state.acceleration, lat_con_err);// 更新状态量x中的每个分量matrix_state_(0, 0) = lat_con_err->lateral_error;       // 横向误差matrix_state_(1, 0) = lat_con_err->lateral_error_rate;  // 横向误差变化率matrix_state_(2, 0) = lat_con_err->heading_error;       // 朝向误差matrix_state_(3, 0) = lat_con_err->heading_error_rate;  // 朝向误差变化率matrix_state_(4, 0) = station_error_;                   // 纵向位置误差matrix_state_(5, 0) = speed_error_;                     // 纵向速度误差
}// 函数作用：更新矩阵 A_d （计算车辆横向动力学模型 -- 矩阵A + 矩阵Ad）
void MPCController::UpdateMatrix(const VehicleState &vehicle_state) {// 防止车辆速度为0double v;v = std::max(vehicle_state.velocity, minimum_speed_protection_);// 计算（连续型）车辆横向动力学模型 -- 矩阵Amatrix_a_(1, 1) = matrix_a_coeff_(1, 1) / v;matrix_a_(1, 3) = matrix_a_coeff_(1, 3) / v;matrix_a_(3, 1) = matrix_a_coeff_(3, 1) / v;matrix_a_(3, 3) = matrix_a_coeff_(3, 3) / v;// 计算（离散型）车辆横向动力学模型 -- 矩阵AdMatrix matrix_i = Matrix::Identity(matrix_a_.cols(), matrix_a_.cols());matrix_ad_ = (matrix_i - ts_ * 0.5 * matrix_a_).inverse() * (matrix_i + ts_ * 0.5 * matrix_a_);
}// 函数作用：计算状态空间变量x的每个分量
void MPCController::ComputeErrors(const double x, const double y, const double theta, const double linear_v, const double angular_v, const double linear_a, LateralControlErrorPtr& lat_con_err) {// 查询距离车辆当前位置最近的路径点作为目标点TrajectoryPoint target_point;target_point = QueryNearestPointByPosition(x, y);const double dx = x - target_point.x;const double dy = y - target_point.y;const double cos_target_heading = std::cos(target_point.heading);const double sin_target_heading = std::sin(target_point.heading);double lateral_error = cos_target_heading * dy - sin_target_heading * dx;                                           // 横向误差（使用的是车身坐标系和全局坐标系的变换公式计算的）double heading_error = NormalizeAngle(theta - target_point.heading);                                                // 航向误差auto lateral_error_dot = linear_v * std::sin(heading_error);                                                        // 横向误差变化率double ref_heading_rate = target_point.kappa * target_point.v;                                                      // 航向误差变化率station_error_ = -(dx * cos_target_heading + dy * sin_target_heading);                                              // 纵向位置误差speed_error_ = target_point.v - linear_v * std::cos(abs(heading_error)) / (1 - target_point.kappa * lateral_error); // 纵向速度误差lat_con_err->lateral_error = lateral_error;lat_con_err->heading_error = heading_error;lat_con_err->lateral_error_rate = lateral_error_dot;lat_con_err->heading_error_rate = angular_v - ref_heading_rate;
}// 函数作用：返回全局规划路径上，距离车辆当前位置最近的点
TrajectoryPoint MPCController::QueryNearestPointByPosition(const double x, const double y) {double d_min = PointDistanceSquare(trajectory_points_.front(), x, y);size_t index_min = 0;for (size_t i = 1; i < trajectory_points_.size(); ++i) {double d_temp = PointDistanceSquare(trajectory_points_[i], x, y);if (d_temp < d_min) {d_min = d_temp;index_min = i;}}return trajectory_points_[index_min];
}}  // namespace control
}  // namespace shenlan

---

• 头文件 mpc_osqp.h ：定义 QP 问题所涉及的所有矩阵和信息

#pragma once
#include <algorithm>
#include <limits>
#include <memory>
#include <utility>
#include <vector>
#include "Eigen/Eigen"
#include "osqp/osqp.h"
namespace shenlan {
namespace control {class MpcOsqp {
public:/*** @brief Solver for discrete-time model predictive control problem.* @param matrix_a The system dynamic matrix* @param matrix_b The control matrix* @param matrix_q The cost matrix for control state  costfunction* @param matrix_lower The lower bound control constrain matrix* @param matrix_upper The upper bound control constrain matrix   * @param matrix_initial_state The initial state matrix* @param max_iter The maximum iterations*/MpcOsqp(const Eigen::MatrixXd &matrix_a, const Eigen::MatrixXd &matrix_b,   // Ad, Bdconst Eigen::MatrixXd &matrix_q, const Eigen::MatrixXd &matrix_r,   // Q , Rconst Eigen::MatrixXd &matrix_initial_x,                            // 初始状态空间const Eigen::MatrixXd &matrix_u_lower,                              // 控制变量下界const Eigen::MatrixXd &matrix_u_upper,                              // 控制变量上界const Eigen::MatrixXd &matrix_x_lower,                              // 状态变量下界const Eigen::MatrixXd &matrix_x_upper,                              // 状态变量上界const Eigen::MatrixXd &matrix_x_ref,                                // 车辆当前位置匹配的目标点的 -- 目标状态量xconst int max_iter,                                                 // QP 求解器的最大迭代次数const int horizon,                                                  // MPC 的有限时域长度const double eps_abs);                                              // QP 求解器的计算阈值bool Solve(std::vector<double> *control_cmd);private:void CalculateKernel(std::vector<c_float> *P_data, std::vector<c_int> *P_indices, std::vector<c_int> *P_indptr);                // 求 Pvoid CalculateEqualityConstraint(std::vector<c_float> *A_data, std::vector<c_int> *A_indices, std::vector<c_int> *A_indptr);    // 求 A_cvoid CalculateGradient();                                                                                                       // 求 qvoid CalculateConstraintVectors();                                                                                              // 求 l 和 uOSQPSettings* Settings();OSQPData* Data();void FreeData(OSQPData *data);template <typename T>T *CopyData(const std::vector<T> &vec) {T* data = new T[vec.size()];memcpy(data, vec.data(), sizeof(T) * vec.size());return data;}private:Eigen::MatrixXd matrix_a_;              // AdEigen::MatrixXd matrix_b_;              // BdEigen::MatrixXd matrix_q_;              // QEigen::MatrixXd matrix_r_;              // REigen::MatrixXd matrix_initial_x_;      // x_0const Eigen::MatrixXd matrix_u_lower_;  //const Eigen::MatrixXd matrix_u_upper_;  //const Eigen::MatrixXd matrix_x_lower_;  //const Eigen::MatrixXd matrix_x_upper_;  //const Eigen::MatrixXd matrix_x_ref_;    // x_refsize_t state_dim_;size_t control_dim_;size_t num_param_;int num_constraint_;int max_iteration_;size_t horizon_;double eps_abs_;Eigen::VectorXd gradient_;              // q 矩阵Eigen::VectorXd lowerBound_;            // l 向量Eigen::VectorXd upperBound_;            // u 向量// 注：没有定义矩阵 P 和 A_c ，因为这俩都是稀疏矩阵，而且很大，如果直接存储太消耗资源，所以使用列压缩的方式转化为了3个特征数组
};}  // namespace control
}  // namespace shenlan

• 源文件 mpc_osqp.cpp ：

#include "mpc_osqp.h"
namespace shenlan {
namespace control {// 函数作用：有参构造函数
MpcOsqp::MpcOsqp(const Eigen::MatrixXd &matrix_a,           // Adconst Eigen::MatrixXd &matrix_b,           // Bdconst Eigen::MatrixXd &matrix_q,           // Qconst Eigen::MatrixXd &matrix_r,           // Rconst Eigen::MatrixXd &matrix_initial_x,   // x_0（当前时间步系统初始状态量）const Eigen::MatrixXd &matrix_u_lower,     // 控制量u的下界（维数：2 -- 横向1个 + 纵向1个）const Eigen::MatrixXd &matrix_u_upper,     // 控制量u的上界const Eigen::MatrixXd &matrix_x_lower,     // 状态量x的下界（维数：6 -- 横向4个 + 纵向2个）const Eigen::MatrixXd &matrix_x_upper,     // 状态量x的上界const Eigen::MatrixXd &matrix_x_ref,       // x_ref（当前时间步目标状态量，恒定为 0）const int max_iter,                        // QP 求解器的最大迭代次数const int horizon,                         // MPC 的有限时域长度const double eps_abs)                      // QP 求解器的计算阈值: matrix_a_(matrix_a),                   // 6 * 6    非定值matrix_b_(matrix_b),                   // 6 * 2    定值matrix_q_(matrix_q),                   // 6 * 6    定值matrix_r_(matrix_r),                   // 2 * 2    定值matrix_initial_x_(matrix_initial_x),   // 6 * 1    非定值matrix_u_lower_(matrix_u_lower),       // 2 * 1    定值matrix_u_upper_(matrix_u_upper),       // 2 * 1    定值matrix_x_lower_(matrix_x_lower),       // 6 * 1    定值matrix_x_upper_(matrix_x_upper),       // 6 * 1    定值matrix_x_ref_(matrix_x_ref),           // 6 * 1    定值（恒定为0）max_iteration_(max_iter),   horizon_(horizon),eps_abs_(eps_abs) {state_dim_ = matrix_b.rows();                                       // 状态量数目：6control_dim_ = matrix_b.cols();                                     // 控制量数目：2num_param_ = state_dim_ * (horizon_ + 1) + control_dim_ * horizon_; // 代价函数涉及参数数目：6 * (10 + 1) + 2 * 10
}// 函数作用：计算 P 矩阵，并将稀疏矩阵 P 表示为 csc_matrix（压缩列存储）格式
void MpcOsqp::CalculateKernel(std::vector<c_float> *P_data, std::vector<c_int> *P_indices, std::vector<c_int> *P_indptr) {// P_data       稀疏矩阵 P 内的所有非零数值// P_indices    稀疏矩阵 P 内每一列上的非零数字的行索引值// P_indptr     稀疏矩阵 P 内截止到到当前列（不含当前列）所有非零数字的数量// 注意：这三个数组是将稀疏矩阵 P 的内容提炼了出来，将这三个数组传入，就知道他们原本代表的稀疏矩阵 P 的样子了// 注意：这三个数组均为函数 csc_matrix() 的参数，函数的作用是通过传入的三个数组，恢复稀疏矩阵 P 原有的样子// 初始化数组 columns// 这个数组没什么特别的含义，只是一个中间量，是为了后面求解数组 P_data / P_indices / P_indptr 更方便// 这个数组用来按列存放稀疏矩阵 P 中每个非零元素，从左到右按顺序遍历稀疏矩阵 P 的每一列，一次寻找一列内的所有非零元素，存放内容为 pair(非零元素所在行索引 ， 非零元素值)std::vector<std::vector<std::pair<c_int, c_float>>> columns;// 外侧数组 -- 外壳// 内侧数组 -- 代表按列columns.resize(num_param_);// 临时变量// 作用：用来计数到目前为止遍历到的稀疏矩阵 P 中非零元素的个数int value_index = 0;// 数组 columns 中 -- 稀疏矩阵 P 的左上角对角阵 diag(Q , Q , ... , Q) 对应的部分（N + 1个Q）（N = horizon_）for (size_t i = 0; i <= horizon_; ++i) {        // 按 Q 块for (size_t j = 0; j < state_dim_; ++j) {   // 按列// 使用函数 emplace_back() 在数组 columns 的尾部添加新元素 -- pair(行索引 ， 非零数值)columns[i * state_dim_ + j].emplace_back(i * state_dim_ + j, matrix_q_(j, j));++value_index;}}// 数组 columns 中 -- 稀疏矩阵 P 的右下角对角阵 diag(R , R , ... , R) 对应的部分（N个R）const size_t state_total_dim = state_dim_ * (horizon_ + 1);for (size_t i = 0; i < horizon_; ++i) {         // 按 R 块for (size_t j = 0; j < control_dim_; ++j) { // 按列columns[i * control_dim_ + j + state_total_dim].emplace_back(i * control_dim_ + j + state_total_dim, matrix_r_(j, j));++value_index;}}// 到此为止得到完整的数组 columns ；// 临时变量// 作用：用来计数遍历到当前列（不包含该列）时，累计的非零元素的数量int ind_p = 0;// 使用数组 columns 得到数组 P_data / P_indices / P_indptr// 对于 P 矩阵，相当于按列遍历for (size_t i = 0; i < num_param_; ++i) {               // 按列P_indptr->emplace_back(ind_p);for (const auto &row_data_pair : columns[i]) {      // columns[i] 里的内容为第 i 列中所有非零元素的 pair 对P_data->emplace_back(row_data_pair.second);P_indices->emplace_back(row_data_pair.first);++ind_p;}}P_indptr->emplace_back(ind_p);
}// 函数作用：计算 q 矩阵
// 注意：车辆在每个时间步的目标状态量 x_ref 都是 0 向量，因为状态量本社就是误差量，我们的目的就是让误差量全为 0
void MpcOsqp::CalculateGradient() {gradient_ = Eigen::VectorXd::Zero(state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, 1);for (size_t i = 0; i < horizon_ + 1; i++) {gradient_.block(i * state_dim_, 0, state_dim_, 1) = -1.0 * matrix_q_ * matrix_x_ref_;}
}// 函数作用：计算 A_c 矩阵，并将稀疏矩阵 A_c 表示为 csc_matrix（压缩列存储）格式
void MpcOsqp::CalculateEqualityConstraint(std::vector<c_float> *A_data, std::vector<c_int> *A_indices, std::vector<c_int> *A_indptr) {static constexpr double kEpsilon = 1e-6;Eigen::MatrixXd control_identity_mat = Eigen::MatrixXd::Identity(control_dim_, control_dim_);// 初始化矩阵 A_cEigen::MatrixXd matrix_constraint = Eigen::MatrixXd::Zero(state_dim_ * (horizon_ + 1) + state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, state_dim_ * (horizon_ + 1) + control_dim_ * horizon_);// 填充矩阵 A_cEigen::MatrixXd state_identity_mat = Eigen::MatrixXd::Identity(state_dim_ * (horizon_ + 1), state_dim_ * (horizon_ + 1));matrix_constraint.block(0, 0, state_dim_ * (horizon_ + 1), state_dim_ * (horizon_ + 1)) = -1 * state_identity_mat;for (size_t i = 0; i < horizon_; i++) {matrix_constraint.block((i + 1) * state_dim_, i * state_dim_, state_dim_, state_dim_) = matrix_a_;}for (size_t i = 0; i < horizon_; i++) {matrix_constraint.block((i + 1) * state_dim_, i * control_dim_ + (horizon_ + 1) * state_dim_, state_dim_, control_dim_) = matrix_b_;}Eigen::MatrixXd all_identity_mat = Eigen::MatrixXd::Identity(num_param_, num_param_);matrix_constraint.block(state_dim_ * (horizon_ + 1), 0, num_param_, num_param_) = all_identity_mat;// 将矩阵 A_c 表示为按列压缩格式std::vector<std::vector<std::pair<c_int, c_float>>> columns;columns.resize(num_param_ + 1);int value_index = 0;// 得到 columns 数组，用来后续辅助生成 3 个特征数组for (size_t i = 0; i < num_param_; ++i) {  // colfor (size_t j = 0; j < num_param_ + state_dim_ * (horizon_ + 1); ++j) {  // rowif (std::fabs(matrix_constraint(j, i)) > kEpsilon) {// (row, val)columns[i].emplace_back(j, matrix_constraint(j, i));++value_index;}}}// 求出按列压缩 A_c 的 3 个特征数组int ind_A = 0;for (size_t i = 0; i < num_param_; ++i) {A_indptr->emplace_back(ind_A);for (const auto &row_data_pair : columns[i]) {A_data->emplace_back(row_data_pair.second);A_indices->emplace_back(row_data_pair.first);++ind_A;}}A_indptr->emplace_back(ind_A);
}// 函数作用：计算约束向量 l 和 u
void MpcOsqp::CalculateConstraintVectors() {// 不等式约束形成的上下界：[xmin , xmin , ... , xmin | umin , umin , ... umin ]Eigen::VectorXd lowerInequality = Eigen::MatrixXd::Zero(state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, 1);Eigen::VectorXd upperInequality = Eigen::MatrixXd::Zero(state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, 1);// 控制量 u 的上下界for (size_t i = 0; i < horizon_; i++) {lowerInequality.block(control_dim_ * i + state_dim_ * (horizon_ + 1), 0, control_dim_, 1) = matrix_u_lower_;upperInequality.block(control_dim_ * i + state_dim_ * (horizon_ + 1), 0, control_dim_, 1) = matrix_u_upper_;}// 状态量 x 的上下界for (size_t i = 0; i < horizon_ + 1; i++) {lowerInequality.block(state_dim_ * i, 0, state_dim_, 1) = matrix_x_lower_;upperInequality.block(state_dim_ * i, 0, state_dim_, 1) = matrix_x_upper_;}// 等式约束形成的上下界：[ -x0 , 0 , 0 , ... , 0 ]Eigen::VectorXd lowerEquality = Eigen::MatrixXd::Zero(state_dim_ * (horizon_ + 1), 1);Eigen::VectorXd upperEquality;lowerEquality.block(0, 0, state_dim_, 1) = -1 * matrix_initial_x_;upperEquality = lowerEquality;lowerEquality = lowerEquality;// 合并等式约束和不等式约束lowerBound_ = Eigen::MatrixXd::Zero(2 * state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, 1);lowerBound_ << lowerEquality, lowerInequality;upperBound_ = Eigen::MatrixXd::Zero(2 * state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, 1);upperBound_ << upperEquality, upperInequality;
}// 函数作用：配置 QP 问题的参数
// 注1：返回值是一个 OSQPSettings 结构体的指针
// 注2：OSQPSettings 是 OSQP 库中的一个结构体，用于配置 OSQP 求解器的参数，该结构体中的所有属性都是 QP 问题的参数
// 注3：osqp_set_default_settings 是 OSQP 中的一个函数，作用为将指针指向的 OSQPSettings 结构体初始化为默认的设置值，用户可以根据具体需求进行调整
OSQPSettings* MpcOsqp::Settings() {// 分配内存：// 解释：c_malloc 函数作用是分配内存并返回一个 void* 类型的指针，并使用 reinterpret_cast 函数将指针类型强制转化为 OSQPSettings* 类型OSQPSettings* settings = reinterpret_cast<OSQPSettings *>(c_malloc(sizeof(OSQPSettings)));// 指针为空代表分配内存失败if (settings == nullptr) {return nullptr;}else {osqp_set_default_settings(settings);settings->polish = true;settings->scaled_termination = true;settings->verbose = false;settings->max_iter = max_iteration_;    // QP 最大迭代次数settings->eps_abs = eps_abs_;           // QP 计算精度return settings;}
}// 函数作用：配置 QP 问题的矩阵和向量
// 注1：返回值是一个 OSQPData 结构体的指针
// 注2：OSQPData 是 OSQP 库中的一个结构体，用于存储二次规划（QP）问题的输入数据，OSQPData 包含了定义 QP 问题所需的所有矩阵和向量
OSQPData* MpcOsqp::Data() {// 分配内存：OSQPData* data = reinterpret_cast<OSQPData *>(c_malloc(sizeof(OSQPData)));size_t kernel_dim = state_dim_ * (horizon_ + 1) + control_dim_ * horizon_;                  // QP 问题需要求解的变量的数量【( x_0 ~ x_N ) + ( u_0 ~ u_N-1 )】size_t num_affine_constraint = 2 * state_dim_ * (horizon_ + 1) + control_dim_ * horizon_;   // QP 问题约束的数量if (data == nullptr) {return nullptr;}else {data->n = kernel_dim;               // 需要求解的变量的数量data->m = num_affine_constraint;    // 约束的数量 = 等式约束的数量 + 不等式约束的数量// 初始化稀疏矩阵 P 的 3 个特征数组std::vector<c_float> P_data;std::vector<c_int> P_indices;std::vector<c_int> P_indptr;// 计算稀疏矩阵 P 的 3 个特征数组CalculateKernel(&P_data, &P_indices, &P_indptr);// 通过 3 个特征数组计算出 P 阵，并将 P 阵传入data->P = csc_matrix(kernel_dim, kernel_dim, P_data.size(), CopyData(P_data), CopyData(P_indices), CopyData(P_indptr));// 将数组 q 传入data->q = gradient_.data();// 初始化稀疏矩阵 A_c 的 3 个特征数组std::vector<c_float> A_data;std::vector<c_int> A_indices;std::vector<c_int> A_indptr;// 计算稀疏矩阵 A_c 的 3 个特征数组CalculateEqualityConstraint(&A_data, &A_indices, &A_indptr);// 通过 3 个特征数组计算出 A_c 阵，并将 A_c 阵传入data->A = csc_matrix(state_dim_ * (horizon_ + 1) + state_dim_ * (horizon_ + 1) + control_dim_ * horizon_, kernel_dim, A_data.size(), CopyData(A_data), CopyData(A_indices), CopyData(A_indptr));// 将上下界约束 l 和 u 传入data->l = lowerBound_.data();data->u = upperBound_.data();return data;}
}// 函数作用：释放 data 指针指向位置的内存
// 注：使用 c_malloc 函数分配内存，使用 c_free 函数释放内存，这两个函数是配套使用的
void MpcOsqp::FreeData(OSQPData* data) {c_free(data->A);c_free(data->P);c_free(data);
}// 函数作用：求解 QP 问题
// 返回值：当前时刻的控制命令
bool MpcOsqp::Solve(std::vector<double>* control_cmd) {CalculateGradient();CalculateConstraintVectors();OSQPData* data = Data();OSQPSettings* settings = Settings();// 注：OSQPWorkspace 是 OSQP 库中的一个类，用于管理和操作 OSQP 求解器的工作空间，包括定义问题、设置参数、执行求解等功能；这里创建了一个名为 osqp_workspace 的指针指向了这个工作空间OSQPWorkspace* osqp_workspace = nullptr;// 注：osqp_setup 函数是用来初始化 OSQP 求解器的工作空间的函数；这个函数的作用是根据传入的数据(data)和设置(settings)来设置和配置 OSQP 求解器的工作环境，以便后续能够使用 OSQP 求解器来解决具体的凸二次规划问题osqp_workspace = osqp_setup(data, settings);// 注：osqp_solve 函数的作用是调用 OSQP 求解器来解决已经设置好的凸二次规划问题；osqp_solve(osqp_workspace) 表示你正在使用 osqp_workspace 所指向的 OSQP 求解器工作空间来执行求解操作osqp_solve(osqp_workspace);// 完成求解后，求解过程中涉及的所有信息都会存储在 workspace 的 info 中，获得的结果都会存储在在 workspace 的 solution 中；// 这里取出了求解器的状态信息：//      1. 求解器状态小于 0：表示求解过程中出现了错误或者未能达到收敛状态//      2. 求解器状态为   1：表示求解器已经收敛并找到了最优解//      3. 求解器状态为   2：表示求解器达到了最大迭代次数而停止auto status = osqp_workspace->info->status_val;if (status < 0 || (status != 1 && status != 2)) {osqp_cleanup(osqp_workspace);FreeData(data);c_free(settings);return false;}else if (osqp_workspace->solution == nullptr) {// 注：如果 solution 为 nullptr，表示求解器没有成功生成解osqp_cleanup(osqp_workspace);FreeData(data);c_free(settings);return false;}size_t first_control = state_dim_ * (horizon_ + 1);     // 第一个控制量所在位置的索引值// 因为 QP 问题的变量是 [ x_0 , x_1 , ... , x_N-1 ，x_N  | u_0 , u_1 , ... , u_N-1 ]// 而我们需要的只是当前时刻的控制量 u_0 ，而 u_0 在变量中的位置的索引是 6*(N+1)// 给控制命令赋值为 u_0for (size_t i = 0; i < control_dim_; ++i) {control_cmd->at(i) = osqp_workspace->solution->x[i + first_control];}// 清理内存osqp_cleanup(osqp_workspace);FreeData(data);c_free(settings);return true;
}}  // namespace control
}  // namespace shenlan

---

• 头文件 reference_line.h ：补全参考线信息

#include <vector>
#include <iostream>
#include <math.h>
namespace shenlan {
namespace control {class ReferenceLine {
public:ReferenceLine(const std::vector<std::pair<double, double>>& xy_points);~ReferenceLine() = default;// 函数作用：计算参考线。参考线的每个点需要包含以下信息//    1) xy_pionts_       路径点坐标//    2) headings         路径点朝向角//    3) accumulated_s    路径点累计路程//    4) kappas           路径点曲率//    5) dkappas          路径点曲率的变化率bool ComputePathProfile(std::vector<double>* headings, std::vector<double>* accumulated_s, std::vector<double>* kappas, std::vector<double>* dkappas);private:std::vector<std::pair<double, double>> xy_points_;      // 用vector装载规划的全局路径上所有点的坐标
};}  // namespace control
}  // namespace shenlan

• 源文件 reference_line.cpp ：

#include "reference_line.h"
namespace shenlan {
namespace control {// 函数作用：拷贝构造函数
ReferenceLine::ReferenceLine(const std::vector<std::pair<double, double>>& xy_points) { xy_points_ = xy_points; }// 函数作用：由于全局路径规划期仅仅给出了全局路径信息（即所有点的xy坐标），而没有任何关于这条全局路径的其他几何信息（如每个路径点的 朝向角/距离/曲率/曲率变化率）；
//          而我们在局部规划中使用的参考线其实是和全局路径重合的，也就是说参考线上的所有路径点就是全局路径的所有路径点；
//          但是要注意，我们需要的参考线不能仅仅只有每个路径点的坐标，还需要有每个路径点的各个几何信息（如 朝向角/距离/曲率/曲率变化率）；
//          因此我们直接计算全局路径中每个路径点的几何信息，然后汇总到一起，就是我们需要的参考线信息；
bool ReferenceLine::ComputePathProfile(std::vector<double>* headings, std::vector<double>* accumulated_s, std::vector<double>* kappas, std::vector<double>* dkappas) {headings->clear();      // 装载每个路径点的 -- 朝向角accumulated_s->clear(); // 装载每个路径点的 -- 到达该点时所累积的路径长度（起点到该点的几何路径长度）kappas->clear();        // 装载每个路径点的 -- 曲率dkappas->clear();       // 装载每个路径点的 -- 曲率变化率if (xy_points_.size() < 2) return false;std::vector<double> dxs;                            // 路径点处的 -- dxstd::vector<double> dys;                            // 路径点处的 -- dystd::vector<double> y_over_s_first_derivatives;     // 路径点处的 -- 一阶偏x导数std::vector<double> x_over_s_first_derivatives;     // 路径点处的 -- 一阶偏y导数std::vector<double> y_over_s_second_derivatives;    // 路径点处的 -- 二阶偏x导数std::vector<double> x_over_s_second_derivatives;    // 路径点处的 -- 二阶偏y导数// 计算每个路径点的x，y差值（即dx，dy）std::size_t points_size = xy_points_.size();for (std::size_t i = 0; i < points_size; ++i) {double x_delta = 0.0;double y_delta = 0.0;if (i == 0) {x_delta = (xy_points_[i + 1].first - xy_points_[i].first);y_delta = (xy_points_[i + 1].second - xy_points_[i].second);} else if (i == points_size - 1) {x_delta = (xy_points_[i].first - xy_points_[i - 1].first);y_delta = (xy_points_[i].second - xy_points_[i - 1].second);} else {x_delta = 0.5 * (xy_points_[i + 1].first - xy_points_[i - 1].first);y_delta = 0.5 * (xy_points_[i + 1].second - xy_points_[i - 1].second);}dxs.push_back(x_delta);dys.push_back(y_delta);}// 计算每个路径点的朝向角for (std::size_t i = 0; i < points_size; ++i) {headings->push_back(std::atan2(dys[i], dxs[i]));}// 计算每个路径点处的累计路径长度double distance = 0.0;accumulated_s->push_back(distance);     // 第一个路径点（起点）的 index = 0 ，且在该点处的累计路径长度为 0double fx = xy_points_[0].first;        // 起点横坐标double fy = xy_points_[0].second;       // 起点纵坐标double nx = 0.0;double ny = 0.0;for (std::size_t i = 1; i < points_size; ++i) {nx = xy_points_[i].first;ny = xy_points_[i].second;double end_segment_s = std::sqrt((fx - nx) * (fx - nx) + (fy - ny) * (fy - ny));accumulated_s->push_back(end_segment_s + distance);distance += end_segment_s;fx = nx;fy = ny;}// 计算每个路径点相对于路径长度ds的x和y的一阶导数for (std::size_t i = 0; i < points_size; ++i) {double xds = 0.0;double yds = 0.0;if (i == 0) {xds = (xy_points_[i + 1].first - xy_points_[i].first) / (accumulated_s->at(i + 1) - accumulated_s->at(i));yds = (xy_points_[i + 1].second - xy_points_[i].second) / (accumulated_s->at(i + 1) - accumulated_s->at(i));} else if (i == points_size - 1) {xds = (xy_points_[i].first - xy_points_[i - 1].first) / (accumulated_s->at(i) - accumulated_s->at(i - 1));yds = (xy_points_[i].second - xy_points_[i - 1].second) / (accumulated_s->at(i) - accumulated_s->at(i - 1));} else {xds = (xy_points_[i + 1].first - xy_points_[i - 1].first) / (accumulated_s->at(i + 1) - accumulated_s->at(i - 1));yds = (xy_points_[i + 1].second - xy_points_[i - 1].second) / (accumulated_s->at(i + 1) - accumulated_s->at(i - 1));}x_over_s_first_derivatives.push_back(xds);y_over_s_first_derivatives.push_back(yds);}// 计算每个路径点相对于路径长度ds的x和y的二阶导数for (std::size_t i = 0; i < points_size; ++i) {double xdds = 0.0;double ydds = 0.0;if (i == 0) {xdds = (x_over_s_first_derivatives[i + 1] - x_over_s_first_derivatives[i]) / (accumulated_s->at(i + 1) - accumulated_s->at(i));ydds = (y_over_s_first_derivatives[i + 1] - y_over_s_first_derivatives[i]) / (accumulated_s->at(i + 1) - accumulated_s->at(i));} else if (i == points_size - 1) {xdds = (x_over_s_first_derivatives[i] - x_over_s_first_derivatives[i - 1]) / (accumulated_s->at(i) - accumulated_s->at(i - 1));ydds = (y_over_s_first_derivatives[i] - y_over_s_first_derivatives[i - 1]) / (accumulated_s->at(i) - accumulated_s->at(i - 1));} else {xdds = (x_over_s_first_derivatives[i + 1] - x_over_s_first_derivatives[i - 1]) / (accumulated_s->at(i + 1) - accumulated_s->at(i - 1));ydds = (y_over_s_first_derivatives[i + 1] - y_over_s_first_derivatives[i - 1]) / (accumulated_s->at(i + 1) - accumulated_s->at(i - 1));}x_over_s_second_derivatives.push_back(xdds);y_over_s_second_derivatives.push_back(ydds);}// 计算每个路径点处的曲率for (std::size_t i = 0; i < points_size; ++i) {double xds = x_over_s_first_derivatives[i];double yds = y_over_s_first_derivatives[i];double xdds = x_over_s_second_derivatives[i];double ydds = y_over_s_second_derivatives[i];double kappa = (xds * ydds - yds * xdds) / (std::sqrt(xds * xds + yds * yds) * (xds * xds + yds * yds) + 1e-6);// 注1：曲率计算公式的分母上加上一个很小的数，防止除法失效// 注2：这里对曲率的计算使用的是精确公式，而代码中我们在进行动力学建模，计算连续误差型状态空间方程的状态量x时（如：航向误差变化率），则是将曲率视为了半径的倒数，这是一种对曲率的估算方式；kappas->push_back(kappa);}// 计算每个路径点处的曲率变化率for (std::size_t i = 0; i < points_size; ++i) {double dkappa = 0.0;if (i == 0) {dkappa = (kappas->at(i + 1) - kappas->at(i)) / (accumulated_s->at(i + 1) - accumulated_s->at(i));} else if (i == points_size - 1) {dkappa = (kappas->at(i) - kappas->at(i - 1)) / (accumulated_s->at(i) - accumulated_s->at(i - 1));} else {dkappa = (kappas->at(i + 1) - kappas->at(i - 1)) / (accumulated_s->at(i + 1) - accumulated_s->at(i - 1));}dkappas->push_back(dkappa);}return true;
}}  // namespace control
}  // namespace shenlan

---

• 主函数：

#include "mpc_controller.h"
using namespace std;bool first_record_ = true;      // 起点标志
VehicleState vehicle_state_;    // 车辆状态
ControlCmd cmd_pub;             // 控制命令
ros::Publisher acc_pub;         // 声明了一个 ROS 发布者对象【将信息发布到一个或多个主题（Topic）上，使得其他 ROS 节点可以订阅（Subscribe）并接收这些消息】// 函数作用：通过读取 IMU 传感器的数据，得到车辆当前的姿态信息
void IMUCallback(const sensor_msgs::Imu::ConstPtr& msg) {// 角速度（绕z轴转动的角速度）vehicle_state_.angular_velocity = msg->angular_velocity.z;// 加速度（线性加速度）vehicle_state_.acceleration = sqrt(msg->linear_acceleration.x * msg->linear_acceleration.x + msg->linear_acceleration.y * msg->linear_acceleration.y);
}// 函数作用：通过读取 ODOM 传感器的数据，得到车辆当前的位置信息
void odomCallback(const nav_msgs::Odometry::ConstPtr& msg) {if(first_record_) {vehicle_state_.planning_init_x = msg->pose.pose.position.x;vehicle_state_.planning_init_y = msg->pose.pose.position.y;first_record_ = false;}vehicle_state_.x = msg->pose.pose.position.x;vehicle_state_.y = msg->pose.pose.position.y;vehicle_state_.last_velocity = vehicle_state_.velocity;vehicle_state_.last_v_time = vehicle_state_.cur_v_time;vehicle_state_.last_v_err = vehicle_state_.last_velocity - 5;// 将 ROS 消息中的姿态信息（四元数表示的 orientation）转换为欧拉角（roll, pitch, yaw）形式，并存储到 vehicle_state_ 结构体的对应成员变量中// 1. 声明了一个名为 q 的 tf::Quaternion 类型的变量，用于存储姿态信息的四元数表示；tf::Quaternion q;// 2. 将 ROS 消息中的姿态信息（msg->pose.pose.orientation）转换为 tf::Quaternion 类型并放在 q 变量内；//    quaternionMsgToTF() 是一个 ROS 中的函数，用于将 ROS 消息中的四元数表示转换为 TF 库中的四元数表示；tf::quaternionMsgToTF(msg->pose.pose.orientation, q);// 3. 将 q 转换为一个 3x3 的旋转矩阵，然后调用 getRPY 方法，将该旋转矩阵转换为欧拉角（Roll, Pitch, Yaw），并存储到 vehicle_state_ 的对应成员变量中；tf::Matrix3x3(q).getRPY(vehicle_state_.roll, vehicle_state_.pitch, vehicle_state_.yaw);vehicle_state_.heading = vehicle_state_.yaw;vehicle_state_.velocity =  std::sqrt(msg->twist.twist.linear.x * msg->twist.twist.linear.x + msg->twist.twist.linear.y * msg->twist.twist.linear.y);vehicle_state_.cur_v_err = vehicle_state_.velocity - 5;vehicle_state_.cur_v_time = ros::Time::now().toSec();       // 利用 ROS 提供的时间函数获取当前系统时间，并将其转换为秒数
}// 主函数
int main(int argc, char** argv) {// 声明文件流对象，用于打开和读取文件：std::ifstream infile;infile.open("src/mpc_control/data/reference_line.txt");     // 将文件流对象与文件连接起来assert(infile.is_open());                                   // 若失败，则输出错误消息，并终止程序运行std::vector<std::pair<double, double>> xy_points;   // 存放所有参考点的坐标std::string x;                                      // 临时变量std::string y;                                      // 临时变量std::string s;                                      // 使用该变量逐行读取文件内容while (getline(infile, s)) {std::stringstream word(s);word >> x;word >> y;double pt_x = std::atof(x.c_str());double pt_y = std::atof(y.c_str());xy_points.push_back(std::make_pair(pt_x, pt_y));}// 关闭文件流：infile.close();// 补全每个参考点的信息：（当前只有每个参考点的位置坐标）std::vector<double> headings;std::vector<double> accumulated_s;std::vector<double> kappas;std::vector<double> dkappas;std::unique_ptr<shenlan::control::ReferenceLine> reference_line = std::make_unique<shenlan::control::ReferenceLine>(xy_points);reference_line->ComputePathProfile(&headings, &accumulated_s, &kappas, &dkappas);// 通过参考线信息构建目标轨迹：TrajectoryData planning_published_trajectory;for (size_t i = 0; i < headings.size(); i++) {TrajectoryPoint trajectory_pt;trajectory_pt.x = xy_points[i].first;trajectory_pt.y = xy_points[i].second;trajectory_pt.v = 5.0;                  // 目标速度trajectory_pt.a = 0.0;                  // 目标加速度trajectory_pt.heading = headings[i];trajectory_pt.kappa = kappas[i];planning_published_trajectory.trajectory_points.push_back(trajectory_pt);}// 使用 ROS 的 API 进行初始化和设置 ROS 节点的基本步骤// 1. ros::init 是 ROS 提供的初始化函数，用于初始化 ROS 系统；它需要传入命令行参数 argc 和 argv 以及一个节点名称 control_pub ；ros::init(argc, argv, "control_pub");// 2. ros::NodeHandle 是 ROS 中的一个类，用于与 ROS 系统进行通信；这里创建了一个名为 nh 的 NodeHandle 对象，用于管理 ROS 节点的通信和资源；ros::NodeHandle nh;// 3. ROS_INFO 是 ROS 提供的一个宏，用于打印消息到ROS的日志系统中，这里表示节点初始化完成；ROS_INFO("init !");// 4. subscribe 是 NodeHandle 对象的方法，用于订阅ROS主题；//    这行代码创建了一个名为 sub 的订阅者对象，订阅了主题 "/odom" ，缓冲区大小为 10 ，回调函数为 odomCallback；当节点收到来自 "/odom" 主题的消息时，将调用 odomCallback 函数进行处理；ros::Subscriber sub = nh.subscribe("/odom", 10, odomCallback);// 5. 创建了一个名为 sub_imu 的订阅者对象，订阅了主题 "/imu_raw" ，缓冲区大小为 10 ，回调函数为 IMUCallback；当节点收到来自 "/imu_raw" 主题的消息时，将调用 IMUCallback 函数进行处理；ros::Subscriber sub_imu = nh.subscribe("/imu_raw", 10, IMUCallback);// 6. advertise 是 NodeHandle 对象的方法，用于发布ROS主题；//    这行代码创建了一个名为 control_pub 的发布者对象，发布类型为 lgsvl_msgs::VehicleControlData 的消息到主题 "/vehicle_cmd"，并指定了发布队列的大小为1000 ；//    这意味着节点可以同时缓存 1000 条待发布的消息，超过这个数量后新的消息将被丢弃；ros::Publisher control_pub = nh.advertise<lgsvl_msgs::VehicleControlData>("/vehicle_cmd", 1000);// 7. 在 ROS 中创建了一个新的发布者对象 acc_pub ，用于向主题 "/acc_pub_cmd" 发布消息类型为 lgsvl_msgs::VehicleControlData 的数据；acc_pub = nh.advertise<lgsvl_msgs::VehicleControlData>("/acc_pub_cmd", 1000);// MPC 控制部分：ControlCmd cmd;std::unique_ptr<shenlan::control::MPCController> mpc_controller = std::make_unique<shenlan::control::MPCController>();mpc_controller->Init();lgsvl_msgs::VehicleControlData control_cmd;lgsvl_msgs::VehicleControlData control_cmd_pub; ros::Rate loop_rate(100);while (ros::ok()) {mpc_controller->ComputeControlCommand(vehicle_state_, planning_published_trajectory, cmd);control_cmd.header.stamp = ros::Time::now();cout << "vehical_state_.last_v_err: " << vehicle_state_.last_v_err << endl;cout << "vehical_state_.cur_v_err: " << vehicle_state_.cur_v_err << endl;cout << "cur_acc: "  << (vehicle_state_.cur_v_err - vehicle_state_.last_v_err) / (vehicle_state_.cur_v_time - vehicle_state_.last_v_time) << endl;cout << "cmd.acc: "  << cmd.acc << endl;control_cmd.acceleration_pct = cmd.acc;control_cmd.target_gear = lgsvl_msgs::VehicleControlData::GEAR_DRIVE;control_cmd.target_wheel_angle = -cmd.steer_target;control_pub.publish(control_cmd);control_cmd_pub.acceleration_pct = vehicle_state_.acceleration;acc_pub.publish(control_cmd_pub);ros::spinOnce();loop_rate.sleep();}return 0;
}

---