控制

控制模块简介

控制模块负责生成控制命令来驾驶车辆并保持其所需的轨迹 [1]。在本文档中，我们概述了当前的方法，从简单的 PID 控制器 到更先进的 模型预测控制 (Model Predictive Control, MPC) 。

用于路径点跟踪的 PID 控制器

概述：

PID控制器是我们自动驾驶流程中的基本控制算法之一。它连续计算“误差”值作为所需设定点（在本例中为路径点）与当前车辆位置之间的差异。

组件：

顾名思义，PID 控制器包括三个组件：

  • 比例（Proportional, P）：提供控制输出以校正当前位置误差。
  • 积分 (Integral, I)：纠正过去累积的错误。
  • 微分（Derivative,D)：根据当前的变化率来预测和对抗未来的误差趋势。

应用：

我们使用 PID 控制器主要用于路点跟踪、保持车道位置并确保车辆遵循预定路径且偏差最小。

用于轨迹跟踪的模型预测控制

概述：

模型预测控制 (MPC) [2] 是一种先进的控制技术，它使用车辆动力学模型来预测其在定义范围内的未来状态。在每个时间步，MPC 算法都会考虑车辆动力学、约束和所需轨迹，解决优化问题以找到最佳控制输入。

主要特征：

MPC 控制器涉及三个关键功能来决定执行哪些操作来控制车辆的运动：

  • 预测模型：根据车辆的当前状态和潜在的控制输入来预测车辆的未来状态。
  • 优化：不断解决优化问题，以确定预测范围内的最佳控制操作。
  • 滚动优化机制：仅实施优化序列的第一个控制动作，并在下一个时间步重新评估，以适应不断变化的条件。

应用：

MPC 控制器在需要精确轨迹跟踪的场景中将发挥重要作用，特别是在具有动态障碍物、急转弯和变化的路况的复杂驾驶环境中。通过预测未来状态和约束，与传统控制器相比，MPC 提供了增强的路径跟踪精度和鲁棒性。

实施路线图：

  1. 维护和微调现有的 PID 控制器，以确保基本的路径点跟踪功能。
  2. 开发代表车辆动力学的数学模型。
  3. 集成与我们的 MPC 系统架构兼容的优化求解器。
  4. 设计和实现 MPC 框架，确保其考虑车辆约束。
  5. 在各种场景的模拟中测试 MPC，并细化模型和控制器参数。在各种场景的模拟中测试 MPC，并细化模型和控制器参数。
  6. 在实际测试中逐步部署和评估 MPC，从低复杂性环境开始，逐步升级到更具挑战性的场景。

参考文献

  1. Paden, Brian, et al. "A survey of motion planning and control techniques for self-driving urban vehicles." IEEE Transactions on intelligent vehicles 1.1 (2016): 33-55.
  2. Rajamani, Rajesh. "Vehicle dynamics and control." Springer Science & Business Media, 2011.