企业官网建设流程全解析

写这篇东西的起因，是我前阵子在一个低速无人车横向控制项目上吃了不少苦头。一开始用的是纯PID，低速、平整路面上问题不大，一旦路面上有侧向坡度、阵风或者轮胎附着不对称，跟踪误差就明显变大。后来换成滑模控制，鲁棒性上来了，但控制量抖得厉害，整车像得了帕金森。最后我把它做成“滑模+自适应”融合的方案，才把问题压住。这个解决过程，我决定用Simulink完整地走一遍，把滑模-自适应融合抗扰路径跟踪的建模、推导、调参和踩坑都记录下来。这篇文章适合两类人：一类是已经会PID、想做更鲁棒控制的学生或工程师；另一类是控制律写得出来、但不知道Simulink里怎么把公式变成能跑的模型的读者。

先说结论：这套方案用运动学模型做路径跟踪外环，控制量是“期望横摆角速度”，底层再用前轮转角去逼近；滑模负责整个闭环的鲁棒性，自适应负责在线估计扰动的上界。Simulink里我用MATLAB Function块写控制律，用Integrator块做自适应律的积分更新，用饱和限幅避免执行器超出物理范围。整个模型差不多是四层结构：参考路径生成、车辆运动学、滑模控制器、自适应估计。下面我把每一层从原理到实现拆开讲，并给出可直接复现的参数和步骤。

1. 为什么是滑模和自适应“绑”在一起：先踩过两个坑再说

很多做车辆横向控制的人最开始都会迷信滑模，觉得它抗扰能力强、对模型误差不敏感。这话没错，但前提是你能忍受抖振，并且能给出扰动的上界。这两个条件在工程现场都很苛刻。

1.1 抖振不是参数没调好，是滑模控制本身的“出厂设置”

滑模控制的本质是设计一个滑模面，然后用不连续的控制律把系统状态强行压到滑模面上。这个“不连续”是靠符号函数sign实现的，控制量在正负两个方向高频切换。理想情况下系统可以无限频率切换，但实际执行器、被控对象都有惯性，于是你看到的就是控制指令在目标值附近反复剧抖，整个平台嗡嗡作响。

我一开始用的时候，试图通过减小切换增益来压抖，结果抖是轻了，抗扰能力也一起没了，弯路直接变弯道，误差到了不可接受的程度。后面才明白，抖振的根源是符号切换不连续，单纯的增益缩放解决不了根子问题。工程上的常规补救是边界层法，也就是把sign换成饱和函数sat(s/Φ)，Φ就是边界层厚度，Φ越小越接近原版滑模，Φ越大控制越平滑但稳态精度会牺牲。这一步算是最基础的抖振抑制手段，后面我会给出具体的调法。

1.2 扰动上界没人能提前告诉你，这正是自适应的切入点

滑模控制的到达条件里有一个关键量：扰动上界。你需要保证切换增益大于扰动上界，系统才能被压到滑模面上并维持。问题是，路面坡度、阵风、轮胎状态这些扰动，没有哪个厂商会给你一个准确的包络线。很多教程喜欢假设扰动上界“已知”，我在实际项目里发现这个假设基本不成立。你能估计出来的只是大致的量级，比如“侧向风大概这个量级”，但精确到一个数？做不到。

后来我接的项目里，导师提醒了一句：既然上界未知，那就让控制器自己估。自适应控制刚好擅长干这个——它可以通过在线积分更新，一步步逼近扰动上界。这个思想落地到Simulink里异常简单：一个Integrator块，输入是自适应率乘以误差函数，输出就是一个逐渐收敛的估计值。但这里面藏了好几个坑，比如估计值可能一直涨、可能震荡、可能跟主控制通道形成代数环。这些我放到第4部分详细说。

1.3 滑模保证鲁棒，自适应解决“上界从哪来”

把两者捏在一起，逻辑就通了：滑模负责在大范围不确定性下守住稳定性，自适应负责在线估计扰动上界，免去人工试凑的麻烦。融合之后，控制器里不再出现一个固定的、靠手工填的“大常数”，取而代之的是一组自适应增益，它会根据滑模面的大小自动调整。也就是说，扰动越大，它越用力；扰动减小，增益也会回落，而不是全程打满。

路径跟踪场景里，这些扰动通常表现为等效的横向力扰动和航向扰动。比如横向位置上，轮胎侧偏、侧向坡度会让车辆产生一个额外的横向漂移；航向角上，道路横坡角和侧风作用会让车头偏离参考切线方向。把这些扰动灌进运动学方程，就是状态方程里的扰动项。下面我开始搭模型，先把路径跟踪的数学结构说清楚。

2. 路径跟踪的模型和前戏：滑模面到底架在什么量上

路径跟踪的经典做法是让车辆去追逐一条参考路径。这个参考路径可以用路径上的位置、参考航向、参考曲率来描述。控制系统要做的就是让实际车辆与参考路径之间的横向偏差、航向偏差尽量小。为了让问题能建模，我先用简化的运动学自行车模型。

2.1 变量定义与状态方程

我这里定义两个核心偏差：

• e_y：车辆质心到参考路径中心的横向位置偏差，单位米
• e_ψ：车辆实际航向角与参考路径切线航向角的差值，单位弧度

再用v表示纵向车速，ω_ref表示参考路径的曲率造成的参考横摆角速度，ω表示车辆实际横摆角速度。状态方程为：

de_y/dt = v·sin(e_ψ) + d_y

de_ψ/dt = ω - ω_ref + d_ψ

这里d_y、d_ψ分别是等效的横向扰动和航向扰动，它们含义很广，可以是风、横坡、轮胎侧偏不一致等一切说不清道不明的剩余项。第一个式子里的sin(e_ψ)在工程上通常作小角度近似，写成e_ψ即可，代价是航向偏差不能太大，一般小于10度完全够用。

控制量用什么？我选ω_cmd，也就是期望横摆角速度。这是很多实际项目的中间量——上层路径跟踪控制器算出一个期望横摆角速度，下层底盘执行器通过转向角去逼近它。好处是上层模型干净，换什么样的车都能用，不用关心轮胎参数；坏处是你得保证底层确实能跟踪得上这个横摆角速度。对低速运动学模型，前轮转角δ与横摆角速度ω之间有关系：tan(δ) ≈ L·ω/v，L是轴距。仿真验证时我用这个关系把ω_cmd反算成δ送进车辆模型。

2.2 滑模面怎么架：位置偏差和航向偏差都得进来

选择滑模面有诀窍。只选e_y，航向偏差不直接进滑模面，响应慢；只选e_ψ，横向位置可能漂移。我用的滑模面是位置偏差变化率、位置偏差、航向偏差的线性组合：

s = de_y/dt + λ·e_y + β·e_ψ

其中λ和β都是大于0的权重。这个设计的好处是：当s被镇定到0时，e_y和e_ψ会以指数形式收敛到0，而且收敛速度由λ、β决定。它的物理含义比单量滑模面更贴近“路径跟踪”本身——车不但要离参考线近，车头方向也得顺着参考线。

这一步是最容易出错的地方。很多人把滑模面设在“误差的积分”上或者“误差的高阶导数”上，调参时发现系统要么慢吞吞，要么控制量异常大。工程上选滑模面要遵循一条原则：你要镇定的量，必须是你有的量。我们只有位置偏差和航向偏差的测量/估计，那就老老实实在这两个量上做文章。

2.3 控制律推导：等效控制加切换项

把s对时间求导，代入状态方程：

ds/dt = (v+β)·(ω - ω_ref) + λ·v·e_ψ + (v·d_ψ + λ·d_y)

为了看清楚，把右边分成两部分。第一部分是模型已知的名义项，第二部分是包含扰动的综合扰动项。等效控制的思路很简单：假设没有扰动，让ds/dt=0，解得一个控制量，它能把系统维持在s=0上。这里解出来：

ω_eq = ω_ref - (λ·v/(v+β))·e_ψ

这个式子很有意思：它不是简单地给一个参考横摆角速度，而是额外加了一项航向偏差的负反馈。如果车头偏左了，就要求车辆额外向左横摆，把车头掰回来。这一个等效项在低速跟踪中已经能解决大半问题，真正鲁棒的部分靠下面这第二项：

ω_sw = - ρ_hat / (v+β) · sat(s/Φ)

其中ρ_hat是自适应估计出来的扰动上界，sat是饱和函数，Φ是边界层厚度。最终控制量：

ω_cmd = ω_eq + ω_sw

ρ_hat的含义可以通俗理解为“控制器为了对抗扰动而需要额外输出的强度”。它越大，控制系统对扰动的压制越狠。但它不能是一个随便拍脑袋写的常数，否则扰动小的时候控制太鲁莽，扰动大的时候又不够用。这就轮到了第4部分的自适应律。

3. 控制律落地到Simulink的四种姿势：模块怎么分、代码怎么写

这里的章节名有些夸张，“四种姿势”其实是在说四种模块分工。真正的Simulink模型在顶层我分成四个大块：参考路径生成、车辆运动学、控制器、自适应估计。下面逐个说。

3.1 顶层结构：四层分工，每层只干一件事

参考路径生成块负责把参考路径的时间序列喂给系统。这里我采用双移线（Lane Change）工况，因为它同时包含了直线和连续弯道，对路径跟踪控制器是非常苛刻的测试。车子要连续两次变道，既有横向位移的大幅变化，又有曲率的正负交替。代码里可以写一个Dual Lane Change曲线生成函数，输出参考位置、参考航向角、参考曲率，再换算成参考横摆角速度ω_ref = v·k_ref。

车辆运动学块我直接用Simulink连续状态模块搭，两个积分器分别积e_y和e_ψ。注意这里速度v我假设是常数，低速无人车场景通常取3到8米/秒。积分器的初值给了个初始横向偏差0.5米，用来模拟起步时车辆不在地图中心线上的情况。

控制器块写成一个MATLAB Function，输入是[e_y, e_ψ, v, ω_ref, ρ_hat]，输出是ω_cmd。滑模面、等效控制、切换控制全部在这个函数里算。自适应估计块单开一个，用Integrator做积分，输入是跟滑模面相关的驱动信号，输出就是ρ_hat。这样分是为了让你在Scope里一眼看清“扰动估计在怎么变化”，调试起来比把所有东西糊在一个函数里清爽太多。

3.2 MATLAB Function块怎么写：控制律只需要十几行

我强烈建议控制逻辑用MATLAB Function而不是S-Function。S-Function的功能确实强大，但调试麻烦，编译一次要等半天，对学习阶段完全是负担。MATLAB Function块相当于在Simulink里开了一个小沙盒，写起来和普通MATLAB脚本一样，还能直接连接信号线。下面是我实测可用的核心代码：

function omega_cmd = smc_controller(ey, epsi, v, omega_ref, rho_hat, lambda, beta, Phi) % 滑模-自适应融合路径跟踪控制器 s = v*epsi + lambda*ey + beta*epsi; omega_eq = omega_ref - lambda*v/(v+beta)*epsi; sat_s = max(min(s/Phi, 1), -1); omega_sw = -rho_hat/(v+beta)*sat_s; omega_cmd = omega_eq + omega_sw; end

这段代码里s的写法就是把de_y/dt≈v·e_ψ代进去，跟第2部分的状态方程一一对应。Phi是边界层厚度，下面调试部分我会给出一个经验值范围。需要注意的是MATLAB Function块的参数lambda、beta、Phi可以直接在模块参数里定义，不用每次改代码。

3.3 前轮转角换算与车辆模型：不能只有控制器，还得有个“真实车”

控制器输出的ω_cmd不能直接灌进运动学状态方程，因为运动学方程的状态量是e_y和e_ψ，控制输入其实是横摆角速度。所以我加了一个执行器模型：把ω_cmd换算成前轮转角，再做一个一阶惯性延迟，模拟转向系统响应：

δ = atan(L·ω_cmd/v)，然后输出到车辆模型时通过一个时间常数约0.1秒的一阶滞后环节。

这一步是很多新手容易忽略的：控制器算出的量是“期望值”，实际车不可能瞬间响应。在Simulink里加一个Transport Delay或一阶滞后模块，马上就能看到控制性能的差异。不加延迟的系统可能会表现得过于完美，加了一点延迟之后，抖动问题才会暴露出来，也更接近真实项目。

4. 自适应律的积分更新：放在哪个模块、怎么防发散

自适应是整条链路里最微妙的部分。滑模本身是粗暴的，自适应却需要细调。下面是自适应律的公式和Simulink实现方式，以及我在实际调试中遇到的三类发散问题。

4.1 自适应律长什么样：对扰动上界做在线估计

自适应律我采用的是带σ修正的形式：

dρ_hat/dt = γ·(|s| - σ·ρ_hat)

这里γ是自适应增益，σ是σ修正系数。这个公式的直觉解释是：只要滑模面不为零，就说明还有扰动没有被压制住，估计值ρ_hat就持续增大；一旦s接近零，增大会停止。σ那一项是一个“漏液”项，作用是防止估计值在s很小的边缘场景下持续漫无目的地增长。没有σ的话，系统会有一种慢性病：当扰动已经很小，s已经在边界层里以很小的值振荡，|s|虽然小但不是零，积分器会慢慢把ρ_hat推到很大的值。结果就是切换增益越来越大，控制量越来越猛，本来稳定的系统突然开始持续发抖。加上σ，估计值会有一个平衡点，不会无限膨胀。

我在选参数的时候推导一下平衡状态：在理想情况下s的均值为0，ρ_hat的稳态由σ限制，大致在ρ_hat≈(平均|s|)/σ的量级。如果σ太小，这个稳态值非常大；σ太大，自适应的响应又变得迟钝。这个权衡非常典型，也是这个方案调试的精髓。

4.2 Simulink里的接线方式：核心是一个积分器

自适应块的接线如下：MATLAB Function算出滑模面s，经过取绝对值后减去σ·ρ_hat的反馈乘积，再整体乘上γ，送入Integrator积分。Integrator初始值设为0.1，这代表你最初假设的扰动上界，也算给控制器一个基础鲁棒性。Integrator的输出一路送进控制器块当ρ_hat，另一路送进Scope观察估计收敛过程。

这里有一个关键提醒：自适应反馈回路非常容易出现代数环。原因是ρ_hat的更新又依赖s，而控制律又依赖ρ_hat，Simulink在求解时就需要先猜ρ_hat的值，形成代数环。好在我这个表达式不是严格代数依赖，积分器自带状态，Simulink能处理，但如果你的MATLAB Function里直接用ρ_hat去解非线性方程，那就会卡住。保险做法是在反馈通路里加一个Memory块或Unit Delay，打断代数环，代价是自适应估计会有一拍的滞后。对低速项目来说这一拍完全可以接受，我用的是Zero-Order Hold加0.01秒采样时间，模拟实际控制器按周期更新的情况。

4.3 防发散三件事：限幅、降增益、看积分初值

我调自适应的时候，踩过的坑基本都集中在发散上。

第一，估计值需要限幅。我在Integrator后面接一个Saturation块，上限是0.8，下限是0，单位是弧度每秒的等效扰动强度。这个上限由执行器能力决定，不是随便定的。如果前轮最大转角就那么大，控制器就算估计出再大的扰动上界也执行不出来，反而会导致饱和，所以限幅的最大值至少要保证换算出来的控制量不超过执行器极限。

第二，自适应增益γ不能贪大。γ大了，估计值收敛快，但s的微小振荡会被放大，ρ_hat会跟着抖，整个系统会产生“次级抖振”——控制量波形上看不出高频抖动，但低频振荡幅度很大。我建议先用γ=0.005到0.02之间试，观察Scope里ρ_hat的波形是否平滑收敛，再慢慢加大。

第三，积分初值影响起步阶段的冲击。我一开始把初值设成0，意思是“我完全不知道扰动有多大”，结果仿真一开始s从一个较大值出发，ρ_hat要花时间冲上去，系统就出现一个比较大的瞬时偏差。后来我把初值设成0.1或0.2，相当于给控制器一个“基础鲁棒性预算”，起步阶段的冲击一下子小了。

5. 求解器、代数环和连续/离散混用：仿真搭起来最容易卡壳的三件事

模型搭好后，跑不通甚至跑出来的结果不可思议，多半是Simulink环境设置问题。我印象最深的一个现象是仿真到某个时间点变得极慢，进度条一个小时才走0.5秒。查了半天，发现是求解器被符号函数的切换点拖住了。

5.1 求解器怎么选：变步长容易慢，定步长注意稳定性

如果你在控制律里用了sign函数，变步长求解器（比如默认ode45）会在切换点附近拼命缩小步长，试图捕捉那个瞬间跳变，仿真速度会呈指数级恶化。这就是我用饱和函数sat替代sign的另一个重要原因：它消除了不连续点，让整个系统在时间上连续。用sat函数后，ode45默认设置就可以正常跑。

如果你后续要把模型转成定点仿真或者做硬件在环，固定步长会更合适，我建议步长取0.01秒。此时注意控制带宽跟步长的关系，如果滑模面增益λ太大，系统最高频率可能超过1/（2·步长），会出现数字振荡。实践中我一般把λ限制在5以下，固定步长0.01秒就没问题。

5.2 代数环：什么是它、为什么会出现、怎么打断

代数环是Simulink里最让人抓狂的一类问题。它出现在信号从模块A输出，经过模块B又直接返回A输入，且没有任何一个模块引入内部状态或延迟的时候。Simulink会尝试每步迭代求解这个循环，求解不出来就报错或者仿真卡死。

在滑模-自适应方案里，最容易出现代数环的位置有两个：一是ρ_hat反馈回路（我在4.2里提到的）；二是控制器输出ω_cmd代入车辆模型算e_ψ，e_ψ又喂回控制器。如果你的控制器MATLAB Function没有任何滤波器或者状态记忆，Simulink会把它整体看作直通模块，模型就会报“代数环”警告。解法之一是在控制输出后加一个一阶惯性环节（1/(T·s+1)）。这个环节物理意义上是执行器延迟，它同时把代数环打破了。就算在仿真里，一阶惯性滤波对抖振也有额外压制作用，属于一石二鸟。

5.3 连续块还是离散块：别把估计器做成“假连续”

我建议整个模型用连续时间仿真。自适应律用连续积分器Integrator表达，车辆模型也用连续积分器。很多人习惯性地在每个环节加ZOH（零阶保持）模拟离散控制器更新，这没问题，但注意采样周期必须小于系统动态的响应时间常数。低速车辆路径跟踪的时间常数大约在0.5到1秒量级，那么0.01秒的采样周期完全够。如果为了演示方便把采样周期设成0.1秒，相当于控制器每100毫秒才更新一次，系统可能在边缘稳定甚至不稳定。

另外，有一个细节容易坑人：MATLAB Function块本身不记忆状态，如果你在里面定义一个变量，然后在else分支里引用上一个采样时刻的值，那是不合规矩的，结果会乱。所以凡是需要记忆的量（比如ρ_hat）必须外置成Integrator或者其他带记忆的模块，不能藏在Function内部“存变量”。

6. 调参实测记录：抖振怎么压、跟踪精度怎么提

参数怎么定，是很多人卡在最后一步的原因。公式推导再漂亮，参数给不出可用范围，读者就只能在黑暗里乱试。下面我把一套我调好后可以在Simulink里复现的参数组合给出来，并解释每个参数是怎么试出来的。

6.1 基础工况与初始参数

仿真工况我设置如下：纵向车速v=5 m/s，轴距L=2.0 m，双移线参考路径，初始横向偏差0.5 m，初始航向偏差0.03 rad，外加一个在3秒到5秒之间出现的侧向风扰动，等效为d_y约0.15 m/s²、d_ψ约0.05 rad/s²。这一组参数能同时检验跟踪能力和抗扰动能力。

这个表是起点，不是终点。我实际调的时候是按“先滑模后自适应、先比例后积分”的思想推进的。先把自适应率γ设成0.0001，近似关掉自适应，用固定ρ_hat=0.2调λ、β、Φ；确定这三者之后，再把γ逐步调大，观察跟踪曲线是否变好以及是否会震荡。

6.2 抖振压制的实操过程：不是越用力越好

第一次把完整模型跑起来时，控制量波形是锯齿状的。我当时第一反应是Φ太小，于是开始加大，从0.1加到0.5。抖动确实减小了，但位置稳态误差从1厘米级别涨到了5厘米级别。这很不划算。后来换成从切换增益上下功夫：自适应估计出来的ρ_hat波动是造成锯齿的原因之一，而ρ_hat波动又源于s在边界层里的振荡。于是我把γ降下来，同时把σ调大了一点点，形成阻尼效果。锯齿明显减小。

再后来我发现另一个容易被忽略的地方：车辆模型里的微分运算。e_ψ经过小角度近似后，de_y/dt≈v·e_ψ，但如果我在仿真里直接测de_y/dt再喂给滑模面，Simulink求导会把噪声放大，间接放大抖振。最干净的方式是用状态方程代换，写成v·e_ψ+λ·e_y+β·e_ψ，这也是我在3.2代码里直接写的形式。这样既避免了对e_y求导，还让滑模面计算跟模型动态一致。这个小改动对波形质量的提升非常明显。

6.3 跟踪精度上不去的三板斧：对基准、看转速、查限幅

跟踪精度不够时，首先检查参考横摆角速度ω_ref有没有正确传到控制器。这个值应该由参考路径曲率乘车速得到，如果路径生成模块里忘了算，控制器就会在弯道里一直追不上。其次看控制量有没有频繁撞限幅。我在Scope里加了ω_cmd的显示，如果它经常顶到±1 rad/s的限幅线，说明跟踪需求超过当前执行器能力，要么降车速，要么换更宽的转向极限。最后看ρ_hat有没有收敛到一个较大水平但又被限幅卡住。如果被卡住，说明扰动确实大，但不代表控制器能力不足，而是执行器本身不够，需要跟机械设计沟通。

调好之后，仿真的典型结果是：前1秒经历初始偏差修正，位置误差从0.5米降到0.05米；3秒扰动注入后，瞬时误差跳到0.08米，之后被压回0.02米以内；控制量全程无高频毛刺，自适应估计值从0.2上升到约0.55后平稳，不再继续增长。这组波形基本说明方案成立。

6.4 一个反直觉的经验：边界层厚度不是越小越好

很多教材强调边界层厚度是“精度和抖振的折中”，理论上Φ趋近0就退化成理想滑模。但实际仿真里，Φ取太小反而会让自适应律疯狂波动。原因是s在0附近振荡时，饱和函数输出在±1之间跳，这直接驱动了ρ_hat的积分输入，估计值会变得很吵。Φ在0.05到0.2之间是比较合理的操作区间。我实测下来Φ=0.08对精度和光滑性的平衡最好，但不同车速、不同执行器延迟下最优值会变，建议你在自己模型里扫一下这个参数。

7. 这套方案在真实车上的边界，以及我最后的建议

所有仿真调好之后，最关键的问题来了：它能直接装上车吗？答案是否定的。但在上车之前，把它的边界想清楚，可以省掉一台实车试错的时间。

7.1 模型简化的代价：什么时候这套方案会翻车

我全文用的都是运动学模型，它假设车辆轮胎没有侧偏，速度恒定，路面附着无限好。低速（低于8 m/s）、光滑路面、小航向偏差，这三个条件同时满足时，运动学模型足够准确。但如果车速提到15 m/s以上或者路面湿滑，轮胎侧偏角不再是忽略项，运动学模型的预测和真实车辆动态会出现偏差，此时仍然让滑模面去压制所有误差，控制量会发生大的震荡。如果你要上高速场景，建议把车辆模型换成二自由度动力学模型，状态里加入侧偏角和横摆加速度，滑模面的设计思路不变，但控制量和等效项都要重新推导。

另外，我的方案里假设纵向车速v恒定。路径跟踪里车速一变，控制系数跟着变，虽然程序里写成实时可调，但如果纵向车速变化过快，横向控制器和纵向控制器会发生耦合。真实车辆里这通常需要协调控制，不能把横向控制单独拿出来当闭环。

7.2 传感器噪声和执行器延迟是实测最大的敌人

仿真里我们的状态是干净的、完美测量的，真实车辆上e_y和e_ψ来自相机或激光雷达，存在噪声和延迟。一个常见现象是：控制律在仿真里很漂亮，一接上传感器数据却疯狂震颤，原因是滑模面对测量噪声非常敏感。解决方向有两个：一是增加测量滤波，但在滑模控制里滤波会引入相位延迟，反而破坏到达条件；二是设计观测器，用融合的状态估计替代直接测量，这也是更工程化的路线。自适应增益在这个时候要重新标定，传感器噪声会让ρ_hat持续增大，因为没有完美的零误差状态，|s|总是有底噪，这时候σ修正的作用就非常关键了。

7.3 我个人的几条实操建议

如果你打算拿这套代码做毕业设计或者实际项目，我建议按以下顺序推进：先用纯直线路径跑通模型，确认没有代数环；再换双移线路径验证跟踪能力；最后叠加扰动看自适应是否起作用。中间卡住的时候，优先怀疑Simulink求解器设置，其次怀疑代数环，最后才是控制参数。我前前后后跑废了十几版模型，最后发现大多数问题不在控制律里，而在“信号有没有接对、单位有没有统一、延迟有没有考虑”这三件事上。

坦白说，滑模-自适应融合不是唯一抗扰路径跟踪方案，你把滑模换成LQR或者PID加前馈，也能达到类似效果。但滑模和自适应结合确实给我提供了一个很顺的思路：一个保证稳定性，一个处理未知性，两者配合起来，公式不算复杂，Simulink实现也不绕，非常适合作为控制类项目练手。你如果已经按上面的参数复现成功，下一步可以试试把底层模型从运动学换成动力学，然后观察控制量会发生什么变化。这个过程会逼着你重新思考“模型精度和控制复杂度之间的取舍”，而这一课，比任何控制算法都更值钱。