无人驾驶实战-第十一课（控制理论）

在七月算法上报了《无人驾驶实战》课程，老师讲的真好。好记性不如烂笔头，记录一下学习内容。 课程入口，感兴趣的也可以跟着学一下。

—————————————————————————————————————————

无人驾驶中控制系统的输入与输出

 

控制系统在无人驾驶系统中的位置

CANBus

车辆底盘交互协议（由车厂来决定），包括Chassis（底盘） 、速度、四轮转速、健康状况、底盘报错、自动驾驶状态

控制的任务

Planning的轨迹信息，不同环境下的轨迹跟踪（雨雪、陡坡、石头路）。保证车辆可行性，保证车辆舒适性，实时性要求高（100Hz）

控制系统为什么重要？

控制是对车辆油门、刹车、方向盘的精细控制，是安全行驶的最后关卡，克服外界各种不确定性环境因素（风速、湿滑）  

控制模块：让车辆在既定轨迹上平稳运行的学问，控制问题很复杂，是一套严格的数学分支

控制系统的预处理

数据清洗：不正常信号、planning异常值 

合理性检查：定位信息、车辆底盘信号 

紧急处理：前方突然出现障碍物（Emergency Stop） 

信号Smooth：去除信号噪声、Lag Compensation

控制系统的后处理

Saturation/Limitation 处理：执行器的固有缺陷补偿 

信号Smoothing：简单的平滑处理和异常检查

ontroller 控制器设计：建模，系统参数辩识，控制观测器设计，参数Fine Tuning

控制系统：消除数学模型和物理模型差异性的过程 

对于无人车： Stability：稳定性，对于任何环境的都需要稳定（安全）；稳态误差：尽可能小，保证执行上层命令；动态误差：在动态工程中也需要保证很多性能。

制的理论基础

时间域（Time Domain）：超调量、超调时间、稳态调整时间（整体时间）、上升时间

频率域（Frequency Domain）：通过频率（Pass Band）、停止频率（Stop Band）、带宽、截止频率

离散域（z变换）

拉普拉斯变换：时域 → 频域

傅立叶变换（FT，FFT）

控制系统三域是可以相互变换的，不同领域对特定的需求有不同的解法。控制算法也正对不同域有不同的优势，扩展了人对物理系统的深刻理解。

PID

最简单但是应用最广最有效的控制器，任何模型都可以，反馈控制，输入可以是速度、位置等。

P：proportional。比例跟误差成正比，误差越大，作用越强 容易出现震荡，无法收敛。越靠近目标，应该作用越小，才能稳定。注意在误差是0的时候，控制器的输出也是0。

D：derivative 微分。阻尼项，减少控制器输出的变化率。考虑将来误差，计算误差的一阶导，并和一个正值的常数相乘，微分控制可以提升整定时间及系統稳定性。

I：integral 积分。纠正系统累计偏差，缩小稳态误差。考虑过去误差，将误差值过去一段时间和（误差和）乘以一个正值的常数，积分控制会加速系統趋近设定值的过程，并且消除纯比例控制器会出现的稳态误差。

PID控制器是世界上最好用的控制器，需要的信息少：当前状态、目标。无人车里面用于控制转向和加速度。

PID是线性控制器 复杂系统是不够的：四轴飞行器、多自由度机器人 依赖于实时误差，不能有测量时延

位置式：输出控制量大小的实际值 

增量式： 输出只是控制量的增量 递推式算法 

无人车的应用： 速度使用的是位置式 方向盘使用的位置式

串联控制：改善控制质量的有效方法，应对多变量控制和多干扰项。外环控制器的输出作为内环控制器的设定值，内环控制器的输出去操纵控制阀、

复杂控制器设计

控制任务：按照Planning要求到达目标，适应不同路况，适配不同车型 

动力学建模：横向模型和纵向模型 

控制器设计：横向控制和纵向控制

模型表征一个车辆的物理特性， 评估每一个控制输入应用于车辆后会发生什么

小误差模型

横向动力学模型：Heading误差，横向误差

系统辨识模型

模型有些参数式不知道的，需要确定系统模型，这个叫系统辨识。系统辩识：通过实验的方法采集参数；White Box：汽车大多是白箱辩识；Black Box：有点像神经网络；Grey Box。 Learning-Based 方法 机器学习

最优控制理论

Optimal Control：给定一个系统和环境扰动，根据需求条件（Objective），实现最优的控制量决策。

复杂度从左往右递增， 精准度从左往右递增。

LQR（线性二次调节器）

LQR = linear quadratic regulator

基于模型的控制器 ：通过车辆状态和模型推理，使得误差最小，可用于设计横向控制器。

状态X： 横向误差及其变化率，Heading误差及其变化率

控制量U： 方向盘、油门、刹车

LQR 状态方程：线性等式（L）。尽可能减少误差，同时使用最小的输入量U。这样做可以做到省油、平滑等特性。

Cost 函数 Q和R为正定矩阵

MPC（模型预测控制）是更为复杂的控制器。

基本步骤： 1.建立模型；2.计算有限时间范围内的最优控制输入；3.执行第一组控制输入 

迭代优化的思想： 先计算一系列的控制输入并优化该序列输入；执行第一组控制输入；循环执行上面两步 

LQR VS MPC：LQR针对固定的时间区间（一般为无限长时间）进行最佳化，而MPC针对不同的时间区间分别进行最佳化

模型、约束、优化结合

MPC控制流程图 

预测系统，车辆动力学模型， 滚动优化，反馈矫正。