智能驾驶进阶8——控制

控制理论

简介

Apollo自动驾驶框架的基本结构

• 控制的输入主要来源于规划模块以及反馈阶段信息（如localization和HD Map）
• 控制的输出是控制指令，与canbus进行交互
  • canbus 车辆交互标准
• 控制模块也会从底层车辆得到反馈信号（车辆本身in vehicle reference frame：速度信息、四轮转速信息、车辆健康状况信息、底盘是否报错信息、危险信息）
• simulated model，车辆的运动学和动力学模型，控制模块如果是基于模型的控制算法的话，需要首先对车辆建模，同时仿真中需要车辆在环。

控制模块

• 预处理——控制器——后处理

• 预处理

  • 对输入信号的检查，对不正常信号的过滤
  • 做一些紧急处理
  • 做一些滤波操作，例如信号的平滑等

• 控制器

  • 模型建立
  • 系统识别和分析
  • 控制器观测器设计以及参数调优等

• 后处理

  • 将信号发送给执行器（限制的处理以及信号滤波）
    • 油门、刹车、转向这种执行器本身有上下限、滞后（回滞曲线），所以需要对信号进行一些相关处理。

• 控制：在车辆允许的条件下让车辆尽可能按照规划的技术路径走，弥补数学模型和物理世界执行之间的不一致性。

  • 稳定性，包括所有场景下的车辆行为稳定和安全
  • 稳定状态的行为，减少或者消除规划和实际车辆行为的差别
  • 瞬时状态的行为，避免超过（比如图内曲线超过峰值）或者非收敛的（如c、d图）
    

• 判断自动驾驶系统是否满足性能要求

  • 时域：输出在时间轴上要满足的要求

    • steady state gain
    • rising time
    • setting time：达到终值的±2%或者5%
    • overshoot：瞬态方向时的超调量（通过设计调整使最大最小都不超过峰值）
    • undershood

  • 频域

    • X轴是输入频率，Y轴是输出和输入的比例，理想状态Y值为1
    • pass band
    • cutoff frequency

  • 离散域

  • 对系统来说，在time domain跟frequency domain中的系统需求是可以等价转换的。系统在时域中的要求、响应、数学表达跟频域是可以相互对应的。

  • 其他指标

控制器

• 如何设计好的控制模块
  • PID控制器，具有通用性
  • 基本原理
    • U是参考量，它和反馈信号之间的差距用error 表示，即图中的e。比例控制P的意思是该控制量与误差成比例，用Kp*e(t) 表示。当Kp比较小的时候，接近终值的速度会非常慢，如右图的红线所示，但是它有超调与undershoot现象。当Kp设置比较大时，则达到稳态速度变快，但会超调，如右图紫色曲线所示。如果系统中存在损耗，比如汽车上坡的动力或者摩擦损耗，使得比例控制每次增加的控制量就等于或者小于损耗时，出现稳态误差，这就是引入积分控制的目的，它可以将之前的误差进行积分，消除稳态误差。而微分控制的目的是使系统更快的从瞬态转化为稳态。系统的控制量就是P+I+D三项的和。

基于模型的控制方法

• PID控制由比例单元P、积分单元I和微分单元D组成。
  • 基础是比例控制
  • 积分控制可消除稳态误差，但可能增加超调
  • 微分控制可加快大惯性系统响应速度以及减弱超调趋势

建模

• 分析建模
• 拟合建模
• 模型
  • 动力学模型：控制
  • 运动学模型：几何模型，感知、预测

系统辨识

• 确定未知参数的三种方法
  • 白盒：对于基于第一原理（如牛顿定律）的模型结构，可以由测量数据估计模型的参数。
  • 灰盒：用于只有部分模型结构可知，通过数据重建的方法来获取模型的其它部分的方法。
  • 黑盒：模型结构和参数都在未知的情况下，只能通过输入输出数据来估计的方法。
• 基于学习的系统辨识方法

控制器设计

• 步骤
  • 滤波器设计
    • 线性与非线性
    • 数字滤波与模拟信号滤波
    • 离散滤波和连续滤波
    • 对频域信号细分为低通滤波和高通滤波
    • 根据实现方式，分为高斯滤波、卡尔曼滤波、贝叶斯滤波（预测、跟踪）
  • 控制器设计
  • 观察器设计