【无人驾驶路径跟踪控制】无人驾驶路径跟踪控制常用方法

系列文章目录

提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加
TODO:写完再整理

文章目录

  • 系列文章目录
  • 前言
  • 一、无人驾驶路径跟踪控制需求
  • 二、控制方案一:PID控制
  • 三、控制方案二:纯跟踪算法(pure_persuit)
  • 四、控制方案三:线性二次调节器(LQR)
  • 五、控制方案四:模型预测控制(MPC)


前言

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!

本文先对无人驾驶路径跟踪控制常用方法做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章


提示:以下是本篇文章正文内容

一、无人驾驶路径跟踪控制需求

控制器预计有两种输入:目标轨迹和车辆状态。

控制器输出:控制出入(转向、加速和制动)的值

.
.

二、控制方案一:PID控制

优点:PID控制使用简单,不依赖特定模型,大多数情况下适用。

缺点:对于复杂的系统不适用,PID控制器依赖于实时误差测量,这意味着测量延迟限制时可能会失效。

原理看我另外一篇博客:
https://blog.csdn.net/qq_35635374/article/details/121155753
.
.

三、控制方案二:纯跟踪算法(pure_persuit)

pure_persuit算法是由自行车模型推导而来的
原理看我另外一篇博客:
【control】pure pursuit纯追踪算法

.

四、控制方案三:线性二次调节器(LQR)

线性二次调节器(LQR)是基于模型的控制器,使用车辆状态来使误差最小化,Apollo使用LQR进行横向控制。

横向控制包含四个组件:横向误差、横向误差的变化率、朝向误差和朝向的变化率。

除状态外,还有是三个控制输入:转向、加速和制动。

.
.

五、控制方案四:模型预测控制(MPC)

一种更为复杂的控制器,依赖于控制理论和优化优化,MPC分为三个步骤:1.建立车辆模型;2.优化引擎计算有限时间范围内的控制输入;3.执行一组的控制输入。重复执行。

优点:考虑了车辆模型,比PID控制更精确,适用于不同的代价函数。

缺点:相对更复杂、更缓慢、更难以实现。
模型预测控制具体原理科看我另外一篇博客

https://blog.csdn.net/qq_35635374/article/details/121177403


你可能感兴趣的:(7,控制control,自动驾驶,机器学习,神经网络)