#Apollo开发者#

学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往：

 《自动驾驶新人之旅》免费课程—> 传送门

《Apollo Beta宣讲和线下沙龙》免费报名—>传送门

文章目录

前言

控制器设计

比例积分微分控制

线性二次调节器

模型预测控制

Tips

总结

---

前言

        见《自动驾驶学习笔记（一）——Apollo平台》

        见《自动驾驶学习笔记（二）——Apollo入门》

        见《自动驾驶学习笔记（三）——场景设计》

        见《自动驾驶学习笔记（四）——变道绕行仿真》

        见《自动驾驶学习笔记（五）——绕行距离调试》

        见《自动驾驶学习笔记（六）——Apollo安装》

        见《自动驾驶学习笔记（七）——感知融合》

        见《自动驾驶学习笔记（八）——路线规划》

控制器设计

        控制器设计目标：使车辆行驶的轨迹尽可能贴近Planning层规划的轨迹，如下图所示：

        控制器的输入信息：Planning层计算出来的行驶路线，由一系列轨迹点组成，如下图所示：

        控制的执行器：加速、制动、转向，如下图所示：

        可行性约束：所有物理量的值不能突变，如下图所示：

        平稳度约束：速度尽可能稳定，方向尽可能稳定，如下图所示：

        实现上述控制器设计，常见的算法有三种：PID、LQR、MPC。

比例积分微分控制

        PID（Proportional Integral Derivative Control），比例积分微分控制，这种算法比较常见，也很典型，本文不做过多介绍。

线性二次调节器

        LQR（Linear Quadratic Regulator），线性二次调节器其中的L是指被控对象的状态与控制变量之间是线性关系，Q是指在求解最优参数时为保证绝对值之和最小引入了一个2次方。本文以车辆的横向控制为例介绍LQR的基本思路。

        如下图所示，车辆的状态向量x包括：横向偏移量cte、cte变化率、朝向交偏移量θ、θ变化率，控制车辆的执行器包括：转型、加速、制动。x和u之间是线性的关系。

        控制器设计目标是让x逼近零，实现这个目标的同时也要求投入尽可能少的成本，即u的变化量可能小，所以这里引入控制成本函数如下公式，其中的Q和R是一对权重比例系数。

        因为x中有正有负，为了在cost求极值时方便一些，引入了他们的2次方，并设置了向量各个部分的权重比例系数，如下公式：

        对cost函数求极值，当cost最小时，得到u和x之间的关系式如下：

        这里K即要设计的控制器，是一个很复杂的函数。

模型预测控制

        MPC（Model Predictive Control），模型预测控制的不步骤如下：

        1）建立车辆模型；

        2）监测当前的车辆状态；

        3）通过该模型计算，车辆从当前状态进入下一个目标状态，需要输出的u；

        4）车辆执行这个u；

        5）监测新的车辆状态，重复2）到4）的步骤，过程期间适时优化1）中的车辆模型

Tips

        PID通常用于纵向的速度控制

        LQR通常用于横向的方向控制

        MPC通常只用于学术研究

总结

        以上就是本人在学习自动驾驶时，对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识，欢迎评论区留言、点赞、收藏和关注，这些鼓励和支持都将成文本人持续分享的动力。

        另外，如果有同在小伙伴，也正在学习或打算学习自动驾驶时，可以和我一同抱团学习，交流技术。

---

        版权声明，原创文章，转载和引用请注明出处和链接，侵权必究！

        文中部分图片来源自网络，若有侵权，联系立删。