企业官网建设流程全解析

做轨迹跟踪也有一阵子了，从纯跟踪（Pure Pursuit）到LQR再到MPC都试过。日常做工程验证，最后用得最顺手的还是Stanley控制器，配合Carsim和Simulink联仿跑轨迹跟踪。这套方案最大的优点就是：控制器结构直观、参数少、路径随便换，整体调试效率很高。Carsim提供接近真实车辆的动力学模型，Simulink里专心写控制逻辑，两者互补，仿真效果不管是横摆稳定性还是横向误差表现都相当扎实。

这篇文章我打算把整套方案从头到尾拆开讲清楚，从Stanley控制器的原理、Carsim模型怎么配、Simulink接口怎么搭、路径数据怎么改进，到控制器核心代码怎么实现、k值怎么整定、有哪些调试大坑，一条线穿下来。适合正在做自动驾驶轨迹跟踪方向的学生、刚起步的工程师，以及所有想找一个“赶紧跑起来”的联仿方案的人。

1. 项目概述与整体设计思路

1.1 Stanley控制器是什么，为什么选它

Stanley控制器最早来源于DARPA无人车挑战赛，是斯坦福大学参赛车辆上用的跟踪方法。它的控制思想特别简单：把车辆相对参考路径的偏差拆成两个部分，一个是航向误差，一个是横向误差，然后直接把这俩误差映射成前轮转角。

核心控制律就是大名鼎鼎的公式：

δ = ψ_e + arctan( k · e / v )

其中δ是前轮转角，ψ_e是车辆当前航向角与最近路径点切线方向的夹角差，e是车辆到最近路径点的横向距离（带符号），v是纵向车速，k是增益系数。

为什么我最终选了Stanley而不是纯跟踪或者MPC？可以从一句话概括：纯跟踪是在“看远处的点”，Stanley是在“盯着当前偏离量不放”。纯跟踪用一段预瞄圆弧去拟合当前位置和目标路径点，好处是控制平滑，但预瞄距离一选不好，切弯很容易“抄近路”；MPC效果确实好，能做约束优化，但计算代价大，调权重矩阵也费时间，跑一个普通双移线测试还得配一个QP求解器，实际联仿调试周期非常长。Stanley的几何意义最贴近驾驶员的操作：方向不对了要修正航向，偏离车道线了要拉回中间，两个误差加在一起就是方向盘转角，不需要预测模型也不需要滚动优化，一个公式就能跑出很好的效果。

如果你把驾驶类比成走路，Stanley就像是在走一条用粉笔画的线。你每一步都在判断两件事：脚尖朝向跟线平不平行，以及人离线偏了多远。两个因素综合考虑，调整下一步的方向。这就是Stanley做的事，只不过车辆不能像人一样“迈步”，它是通过前轮转角来改变航向和横向位置的。

1.2 Carsim与Simulink联合仿真的整体链路

Carsim是车辆动力学仿真软件，内部有非常完整的车辆模型，包括轮胎侧偏特性、悬架K&C特性、转向系统传动比、空气阻力等。Simulink则是控制系统建模环境，用来写控制器的首选。轨迹跟踪联仿就是让两者组成闭环：控制器在Simulink里算出前轮转角，发给Carsim车辆模型；Carsim根据车辆动力学计算出位姿（x, y坐标、横摆角、横摆角速度）和车速，再返回给Simulink；Simulink收到反馈后计算下一个控制量，如此循环。

这个链路看起来简单，但为什么要强调“Carsim”而不是直接在Simulink里搭一个自行车模型来仿真？关键在于车辆模型的保真度。如果只验证控制算法原理，自行车模型当然够用；但一旦涉及车辆速度较高、路径曲率较大、路面附着变化等情况，实际车辆会出现侧偏、侧倾、响应延迟等动力学现象。Carsim能够把这些因素带进来，让控制器在更接近真实的环境里被检验。一套在Carsim里能跑稳的控制器，放到真车上的成功率会高很多。反过来，如果只在理想运动学模型里调试，很多参数在真车上往往会直接发散或者振荡。

整个联仿的消息流可以这样理解：

Simulink控制器计算转角 → 作为外部转向信号输入Carsim车辆模型 → Carsim内部求解器计算车辆动力学 → 输出车辆位姿和速度状态 → 控制器根据状态在下一个控制周期重新计算转角。

这个闭环每个控制周期都会更新一次，控制周期通常设置成1ms到10ms之间，具体选多少后面在第2章详细说。

1.3 可改路径和效果极佳，是怎么做到的

标题里说的“可改路径，效果极佳”不是虚的，这两点背后其实都有设计上的讲究。

先说“可改路径”。绝大多数轨迹跟踪Demo把参考路径写死在模型里，换一条路线就要重画流程甚至改模型。我这套方案里，路径只是以离散坐标点（二维或三维数组）的形式存放在工作区变量里，控制器每个控制周期从该数组读取路径点，计算最近点、误差、转角。也就是说，路径是一份“数据”而不是“模型的一部分”。要换一条路线，只需要生成一个新的坐标数组，替换工作区里的变量，重新运行仿真即可。双移线换成正弦弯道、环形弯道，只需要两三行MATLAB脚本的事。想在GUI界面里改也完全可行，后面会有具体的实现。

再说“效果极佳”。这其实来自三个因素的叠加：一是Stanley算法本身在横向误差收敛上具有良好的特性，误差会以指数速度收敛到零附近，不会出现纯跟踪那种过弯罚站式的响应延迟；二是Carsim提供的车辆反馈信号精度足够高，位置、航向、速度都是整车级模型算出来的，控制器的反馈质量决定了闭环品质；三是参数整定，k值一旦在合适范围内，整个闭环会相当平滑，收敛速度快，稳态误差小。三者缺一不可。

2. 环境准备与模型搭建要点

2.1 Carsim车辆模型的关键配置

配置Carsim模型的思路是：把路面和驾驶员这些“干扰项”尽量简化，把车辆动力学保留真实，让控制器去应对真正的挑战。

第一，车型选择。Carsim自带很多车辆模型，我通常选一个具备完整转向系统、悬架和轮胎模型的常规前驱轿车模型，轴距在2.7到3.0米之间，整车质量在1400到1600公斤左右。这一类模型比较接近常见家用车的运动特性，调试出来的参数移植性较好。量产跑车模型或者带明显大侧偏刚度的模型，对横向控制而言反而更容易掩盖参数问题。

第二，道路设置。轨迹跟踪测试的参考路径本身就在控制器里，Carsim里的道路只需要提供平整的路面条件。建议把道路设为长直道或者空旷场地，路面附着系数固定为0.85左右。我见过有同学在Carsim里建了带坡度和弯道的真实道路模型，然后再在控制器里添加一条平面路径，结果横向误差一直抖，排查半天才发现是路面侧倾带来的额外扰动。想验证控制器的鲁棒性，加扰动的方式有很多种，但初期调试应当尽量减少环境干扰。

第三，驾驶员模型和转向接口。联仿时方向盘必须由控制器控制，所以Carsim内置驾驶员模型要关掉，转向输入切换为外部信号输入。具体操作就是在Carsim主界面的驾驶员模型（Driver Model）里选择无驾驶员或者外部转向输入，然后配置外部输入输出通道。速度控制可以保持Carsim自带的定速巡航功能，也可以由Simulink控制油门和制动踏板，选择前者可以让初期调试聚焦在横向控制上。等横向跟踪稳定之后再加纵向速度控制也不迟。

第四，仿真步长。Carsim底层车辆模型的求解步长通常可以保持在默认值（大约是1ms），Simulink控制器的采样周期可以设置成1ms或者5ms甚至10ms。但要注意，控制周期越长，由离散化带来的相位延迟就越大。高速场景下10ms的控制周期会让车辆在两次控制之间“自由奔跑”一段不小距离，容易产生振荡。我的初始配置习惯是控制器采样1ms，确保性能瓶颈在算法本身而不是离散化延迟上。

2.2 Simulink联合仿真接口设置

Carsim和Simulink联仿的工程细节不少，版本匹配是我遇到的第一道坎。Carsim不同的版本配套的MATLAB版本有一定适用范围，装好之后在Carsim主界面里选择Simulink仿真模式，生成对应的Simulink模型文件。这个模型文件里包含一个Carsim S-Function模块，它封装了车辆模型和输入输出接口。

打开生成的模型文件之后，你会看到那个S-Function模块旁边带着输入输出端口。输入端口的信号是Carsim接收的外部控制量，通常包括前轮转角（或方向盘转角）；输出版本的信号是车辆状态，包括车辆X坐标、Y坐标、航向角、横摆角速度、纵向车速等。把这些端口和自建的控制器模块连起来，一个最小闭环就成型了。

联仿过程中最容易翻车的点是编译环境。Simulink运行S-Function需要编译C代码，如果MATLAB里没有配置可用的C编译器，就会出现“无法编译S-Function”或者“找不到编译器”的错误。解决方法是安装与MATLAB版本匹配的官方C编译器，比如MinGW-w64或Microsoft Visual C++编译器，然后在MATLAB命令行执行配置命令，让MATLAB识别到编译器。配置好之后，再运行Carsim生成模型就没有问题。

接口信号单位也要提前确认，这是很多人莫名其妙翻车的地方。Carsim输出的位置坐标一般以米为单位，车速通常以km/h为单位，航向角则可能是角度也可能是弧度。Simulink侧做控制时最好统一使用国际单位制：距离用米，速度用m/s，角度用弧度。Carsim大多有单位显示设置，直接在设置里把速度单位改成m/s，角度单位改成rad，一劳永逸。航向角这一个变量的单位错，会让你整个控制器看起来“逻辑完全没问题但结果完全不对”。

2.3 参考路径数据的准备与导入

路径数据的准备是整个方案灵活性的基石。我先说路径的文件组织方式，再说如何高效导入Simulink。

参考路径本质上就是一个N行2列的矩阵，第一列是路径点的X坐标，第二列是路径点的Y坐标，排列顺序就是车辆前进的路径顺序。不同的路径生成脚本可以写在同一个MATLAB初始化文件里，比如直线加双移线：

% 双移线参考路径 t = (0:0.1:30)'; x = t; y = zeros(size(t)); for i = 1:length(t) if t(i) >= 10 && t(i) <= 20 y(i) = 3.5 * (1 - cos(2*pi*(t(i)-10)/10)) / 2; end end refPath = [x, y];

再比如圆环路径：

% 半径20m的圆环路径 theta = linspace(0, 2*pi, 500)'; refPath = [20*cos(theta), 20*sin(theta)];

生成之后把refPath变量存在MATLAB工作区即可。控制器模块通过参数引用的方式读取这个变量。相比用From Workspace模块，我更喜欢用MATLAB Function模块直接引用refPath数组，因为From Workspace模块在需要传输二维矩阵时往往需要额外处理时间列，操作起来绕，直接用参数传数组最干净。

路径点在时序上的密度也需要注意。路径点太稀疏会导致控制器在计算切线方向时产生锯齿状波动，路径点太密又会增加最近点搜索的计算量。经验值是直线路径每米一个点，弯道路径每0.5米一个点，这样切线方向的计算比较平滑，最近点的搜索范围也很小。

3. Stanley控制器核心实现与参数整定

3.1 控制律的几何含义

第二章把环境搭好了，这一章进入核心：控制器本身。公式δ = ψ_e + arctan(k·e/v)里的每一项都对应一个明确的物理意义。

第一项ψ_e是航向误差。它表示车辆当前朝向与路径在该处的切线方向之间的角度差。如果车头指向已经偏离了路径方向，那么前轮首先要做一个额外的转角来纠正这个方向差。比如车辆航向偏右，那就需要左转一点，把车头拉回到与路径一致的方向上。

第二项arctan(k·e/v)是横向误差反馈项。e是车辆到最近路径点之间的距离，符号表示车辆在路径哪一侧；该项通过将横向误差映射为转角来消除距离偏差。这个映射函数选得很巧妙：使用arctan而非线性比例，好处是转角有自然限幅。当横向误差很大时，这一项趋向于±π/2，不会无限增长；当误差很小时，这一项近似等于k·e/v，又保持了线性反馈特性。分母里的v是车速项，意味着车速越高，同样大小的横向误差产生的转角越小，这是有物理依据的——高速时车辆响应快，只需要小幅转向就能迅速纠正横向偏差，过大的转角反而会引起侧滑和振荡。

你可能注意到了，这个控制器没有积分项。这意味着它本质上是一个比例控制器，理论上会存在稳态误差。但在实际测试中，由于车辆运动学本身对横向误差具有“天然积分”特性——只要存在航向误差把车拉向路径，横向误差就会不断缩小直到趋近于零——所以Stanley即使没有积分项也能把横向误差收敛到非常小的范围内。这一点跟普通PID控制里的比例控制不太一样，因为被控对象是车辆位姿，本身就带有积分特性。

3.2 在Simulink中实现Stanley逻辑

Stanley控制器的Simulink实现最推荐的方式是使用MATLAB Function模块。把算法逻辑封装在一个MATLAB函数里，代码简洁、容易调试、改动路径参数也方便。

控制器函数示例：

function delta = stanley_controller(x, y, psi, v, refPath, idxPrev) % Stanley轨迹跟踪控制器 % 输入： % x, y 车辆当前位置(m) % psi 车辆航向角(rad) % v 纵向车速(m/s) % refPath 参考路径 Nx2 [x_r, y_r] % idxPrev 上一时刻最近点索引（用于窗口搜索） % 输出： % delta 前轮转角(rad)，左正右负 N = size(refPath, 1); % 1. 窗口搜索最近路径点 halfW = 30; idxStart = max(1, idxPrev - halfW); idxEnd = min(N, idxPrev + halfW); dist2 = (refPath(idxStart:idxEnd,1) - x).^2 + ... (refPath(idxStart:idxEnd,2) - y).^2; [~, idxLocal] = min(dist2); idx = idxStart + idxLocal - 1; % 2. 计算路径点切线方向 if idx >= N psi_r = atan2(refPath(N,2) - refPath(N-1,2), ... refPath(N,1) - refPath(N-1,1)); else psi_r = atan2(refPath(idx+1,2) - refPath(idx,2), ... refPath(idx+1,1) - refPath(idx,1)); end % 3. 计算横向误差（带符号） tx = cos(psi_r); ty = sin(psi_r); dx = x - refPath(idx,1); dy = y - refPath(idx,2); % 路径法向量，方向为路径左侧（左手规则） e = -dx * ty + dy * tx; % e>0表示车辆在路径左侧 % 4. 计算航向误差，并映射到[-pi, pi] psi_e = atan2(sin(psi - psi_r), cos(psi - psi_r)); % 5. Stanley控制律 k = 1.0; delta = psi_e + atan(k * e / max(v, 0.1)); % 6. 前轮转角饱和限制 maxDelta = 0.7; % 约40度 delta = max(-maxDelta, min(maxDelta, delta)); end

这个函数里最值得说明的是几个容易弄错的细节。

第一个是最近点搜索。理论上可以全路径遍历求最小距离，但路径点数量一旦上千，每一控制周期遍历全数组虽然速度上也够，却不够优雅。更好的做法是窗口搜索：因为车辆移动具有连续性，上一时刻确认的最近点附近一定范围内的新最近点几乎不会逃走，所以只需在上一次的索引附近搜索。halfW设置成30通常已经足够，即使车辆在极短时间内大幅横跳也能被覆盖到。

第二个是路径终点处理。当索引idx到达路径最后一个点时，不能再取idx+1来算切线方向，直接退化为用最后两个点计算的切线方向，避免数组越界。

第三个是横向误差e的符号定义。我这里的法向量取的是路径切线的逆时针90度方向（也就是路径左侧），所以e > 0表示车辆在路径左侧。控制律中加上这个带符号的e之后，如果车辆在路径左侧，需要向右打方向，这个符号关系是符合驾驶直觉的。需要注意的是，Carsim输出的X、Y坐标系方向会影响“左侧”的判断，如果发现转向方向老是反的，把e的符号翻转一下即可。

第四个是速度保护。低速或者速度为0时，公式里k·e/v会出现除零，因此代码里通过max(v, 0.1)把分母下限限制在0.1 m/s附近。这个保护在实际测试中非常重要，车辆刚起步的瞬间如果没有保护，转角会直接被打到饱和值，车一启动就是反向一甩。

3.3 增益k怎么调

Stanley控制器需要整定的参数主要就是k，但就是这一个参数，很多人调试时也能纠结半天。

先给出经验范围：k通常在0.5到5之间。低速（5~10m/s）场景下建议从0.8起步，高速（15m/s以上）场景建议从1.0到1.5起步。k偏大，横向误差的收敛速度快，但过弯时容易振荡；k偏小，车辆行驶平滑度好，但误差收敛慢，在一些大曲率弯道里会产生明显的“偏离”。这个平衡点需要通过实验慢慢找。

我习惯的整定流程是这样的：先用固定路径（推荐双移线）做实验，路径固定，车速固定，只改k。第一组实验设k=1.0，跑完之后观察横向误差曲线。如果误差曲线在进入弯道后有明显的振荡——表现为误差在零点附近来回穿越几次再收敛——把k减半再试。如果误差曲线在弯道中间一直存在一个稳定的正偏差，迟迟不拉回零，把k增大一点再试。重复这个动作，直到误差曲线看起来“收敛快但不过冲”。

有一个实验现象需要特别说明：低速大误差时，k·e/v的值很容易超过60度甚至直接逼近90度，此时转角会接近饱和，表现出来就是方向盘猛地打到底。这不是参数错误，而是Stanley控制律的特性——低速时大横向误差需要近乎极限的转角来修正。如果这个现象导致车辆抖动或者明显过冲，说明k太大了，或者初始横向误差本身就太大。要解决后者，应该让参考路径的起点尽量接近车辆的初始位置，而不是依赖控制器去“硬拉回线”。

4. 实操过程与效果验证

4.1 联仿运行的完整流程

环境都配好了，控制器也写完了，从零到一跑起来需要一套顺手的流程。我的标准操作步骤如下：

第一步，启动Carsim，加载事先配置好的车辆模型。在Carsim主界面确认车辆类型、道路、仿真输入输出通道设置无误。在仿真模式（Simulink选项）里生成Simulink模型文件。

第二步，打开MATLAB，运行初始化脚本。初始化脚本负责两件事：加载参考路径变量refPath，以及设置车辆初始状态。车辆初始位置要求尽量靠近参考路径起点，这个在4.3节还会细说。脚本里顺手把k值、仿真时间等参数也集中定义好，方便后续修改。

第三步，打开Carsim生成的Simulink模型，把S-Function模块的输入端和输出端打开，接入自己的Stanley控制器模块，完成闭环连接。

第四步，检查所有信号单位和模块采样时间，确认控制器的采样步长、S-Function的采样步长、仿真总时长设置无误。通常仿真总时长设置成车辆跑完整条路径的时间估算值，宁可多给几秒观察余量。

第五步，先以低速（比如5m/s）跑一遍。Simulink里点击运行，然后打开Carsim动画窗口观察车辆路径跟随情况，同时把横向误差和航向误差这两条曲线拉到Scope里观察。低速跑通之后，再逐步提高设定车速，观察误差曲线是否仍在合理范围。

第六步，确认所有轨迹和误差数据符合预期后，把实验结果导出，包括误差均值、最大误差、误差RMS等指标。后续写报告或者做演示直接有数据支撑。

这套流程走顺之后，换一条路径重新测试只需要不到一分钟：改初始化脚本里的路径变量，重新运行Simulink，完事。

4.2 不同路径下的效果评估

我给大家描述一下我实际在几条典型路径上的测试结果，虽然不同车辆模型参数下数字会略有浮动，但趋势是一致的。

第一条是双移线。这是最标准的测试路径，模拟车辆连续变道再回原车道。在车速10m/s、k=1.2的条件下，全程横向误差控制在±0.08米以内，最大误差出现在第一次变道切入的过渡阶段，大约0.12米左右。车辆在弯道中能保持平滑的横摆角速度变化，没有出现明显的超调或者甩尾趋势。

第二条是正弦弯道。这个路径用来考察控制器对连续曲率变化的响应能力，参考路径的横向位置按正弦规律变化。由于曲率连续、没有突变点，控制器表现反而比双移线更稳定，最大横向误差约0.06米，误差曲线没有明显的相位滞后。这里能直观看到Stanley的一个优点：只要路径光滑，控制器几乎不需要额外调参就能跟得很好。

第三条是环形弯道，半径20米，车速8m/s。这是检验大曲率跟踪能力的关键场景。入弯初期因为车辆初始位置与路径切线方向有一定夹角，最大误差一度到0.2米左右，但经过3秒左右的调整，误差迅速收敛到0.05米以内。这个现象说明Stanley控制器没有“预瞄能力”，全靠误差反馈，但它的误差收敛速度足够快，能在很短时间内把车辆拉回轨道。

综合来看，评估控制效果不能只盯某一个时刻的误差值。我通常用三个指标：全程横向误差RMS（均方根值）、最大横向误差、以及误差收敛时间。RMS反映总体跟踪精度，最大误差反映最恶劣工况下的表现，收敛时间反映系统对扰动的恢复能力。这三个指标综合考虑，才能说明一套轨迹跟踪方案的“效果极佳”到底极佳在哪。

4.3 路径修改的实操方案

“可改路径”不能只在理论上说，我直接把具体操作写出来。

假如我现在要把双移线改成一段S形曲线路径，只需要在初始化脚本里这样修改：

t = (0:0.2:40)'; x = t; y = 3 * sin(0.2 * t); refPath = [x, y];

重新运行脚本，工作区里的refPath就被替换成了新路径。Simulink模型里的MATLAB Function模块每次仿真启动时会从参数读取refPath的当前值，因此无需改动任何模型结构，仿真直接就能跑新路径。

如果想从Excel表格读取路径数据，也可以用一行读取语句完成：

loadedData = readmatrix('path.xlsx'); refPath = loadedData(:, 1:2);

这套“改数据不改模型”的设计理念带来的便利，在实际多组路径对比测试中体验特别明显。你不需要为每条路径重新搭模型、重新连线、重新配置，只需要准备一份坐标数据。

有一点必须提醒：修改路径后要重新确认车辆初始位置与路径起点的相对关系。如果车辆初始位置离新路径起点太远（比如超过5米），仿真最开始会看到一个剧烈的“归线”过程，方向盘瞬间打到饱和，车辆猛地拐一个大弯。这其实不是控制器性能不好，而是初始横向误差过大导致的物理现象。解决方法是调整初始脚本里的车辆初始坐标，让车辆初始位置跟在路径起点附近，或者把路径起点设置成从车辆初始位置附近开始。这也是做轨迹跟踪最基础的一条经验：初始状态的设置，直接影响你对控制器性能的第一印象。

5. 常见问题与排查技巧实录

5.1 联仿常见问题速查表

我做这个项目的过程中积累了不少调试经验，也见过不少同行踩坑，整理成一张表，方便检索对照。

5.2 调试心得与避坑经验

调试这个项目时我踩过几个印象深刻的坑，写出来希望后来人少走弯路。

第一个坑是仿真一开始就上高速。我第一次搭好整套系统时，心里着急，直接把车速设到20m/s，结果车辆一进入弯道就振荡发散，Scope里的误差曲线直接画成心电图。当时第一反应是控制器写错了，反复检查代码半天没发现问题，后来把车速降到5m/s，一切正常。这件事给我的教训是：控制器调试要遵循“低速验证逻辑、高速验证性能”的原则。低速下先把符号、单位、接口这些基础问题全部排除干净，再一步步提高车速去调节参数，才能把“控制器问题”和“车辆动力学问题”分开来定位。

第二个坑是航向角单位。Carsim默认设置里航向角的输出可能是角度制，而我在MATLAB Function里直接用了rad，两者一混，会导致车辆在直线路段上看起来都在走，但一旦进入转弯路段就出现明显的转向不足或者转向过度。排查方法也很直接：在某个已知直线路径上，用Scope观察车辆航向角与参考路径切线方向之差，如果这个差值稳定不变但显示数值偏大几十倍，那大概率就是单位问题。

第三个坑是初始状态与路径起点的匹配。有一段时间我在复现一条新路径时，发现车辆总是在仿真前3秒拼命往一个方向打满方向盘，像疯了一样。后来打印出初始时刻的横向误差发现是20多米，控制器为了纠偏只能拼命打方向。这不是控制器bug，而是“初始条件不友好”。正确做法是让起始点离路径起点足够近，或者干脆把路径起点定义在车辆初始位置处。这个坑在纯仿真平台下被很多人忽视，因为车辆模型不会真“出事故”，但调试体验会非常差。

第四个坑是转角饱和限制的影子效应。我一开始在控制器出口加了±40度饱和，但没注意Carsim前轮实际最大转角只有约35度，两个饱和值不一致，结果在某些极限工况下误差曲线仍然振荡。原因是Carsim内部还有一道转角限制，控制器的饱和值比执行器的最大值还大，等于白设了。检查一下Carsim车型的转向限位参数，让Simulink里的饱和上限和Carsim实际限位保持一致，问题立刻消失。

还有一个值得一提的小技巧：仿真过程中把Scope里的误差曲线和Carsim动画同时打开。动画给人直观印象，误差曲线给出量化判断，两者结合调试效率特别高。很多人在动画里看着车辆“好像走得很准”，但误差曲线一拉出来才发现横向误差有0.3米，这种凭借直觉判断控制质量的方式很不靠谱。先把量化指标立起来，再去看动画验证运动过程是否合理，这个顺序不能反。

最后再分享一个个人习惯：每次跑完一组实验，我会把k值、车速、路径类型、横向误差RMS、最大横向误差这些信息记在一个本子上或者表格里。参数整定这种工作，单靠记忆靠不住，把历史数据和改动对应起来，才能快速找到最优参数区间。这套Stanley加Carsim联仿的方案，我后面也扩展过变车速跟踪和分段路径切换测试，Stanley的底子非常能扛，只要Carsim接口这一层弄熟了，往上做加法都很顺手。希望这篇记录能帮你把车稳稳地跑在线路上。