控制简介
基本控制输入：
- 转向
- 加速
- 制动
控制器的任务：使用控制输入让车辆通过轨迹上的路径点
控制的要求：
- 准确性
- 可行性
- 平稳度
控制流程
控制器输入：
- 目标轨迹：位置、速度
- 车辆状态：本地化模块计算位置、车辆传感器数据（速度、转向、加速度）
控制器输出：
- 控制输入的值
PID控制
P：比例，意味着车辆距离目标轨迹越远，控制器越难将车辆拉回到目标轨迹
D：微分，当车辆越接近目标轨迹，需要控制器更加稳定，增加一个阻尼项，最大限度减少控制器输出的变化速度
I：积分，纠正车辆的任何系统性偏差，控制器对系统的累计误差进行惩罚
PID优劣对比
优点：
简单，只需要知道车辆与目标轨迹之间的误差。
缺点：
- 只是一种线性算法，不能处理较复杂的系统，无人驾驶中，要运用多个不同的PID控制转向和速度，不能同时控制横向与纵向。
- 依赖于实时误差测量，遇到测量延迟时可能会失效
线性二次调节器LQR
基于模型的控制器，使用车辆的状态来使误差最小化。Apollo用LQR进行横向控制
L：线性
横向控制的四个组件：
- 横向误差
- 横向误差的变化率
- 朝向误差
- 朝向误差的变化率
四个组件组成集合x，捕获车辆的状态
控制输入集合u
x（上方带点）是x向量的变化率（导数）
捕捉状态里的变化，表现如何受当前状态和控制输入影响
Q：二次项（*）
为了减少成本，要使控制输入小一些，所以要保持误差的运行总和以及控制输入的运行总和（通过平方的方法，将当前状态和误差输入的向量平方）
成本函数：
Q、R是x和u的权重集合
通过数值计算器最小化成本函数
如：
模型预测控制MPC
三个步骤（重复进行）：
- 建立车辆模型
- 使用优化引擎计算有限时间范围内的控制输入
- 执行第一组控制输入
计算一系列控制输入，优化该序列，但控制器只实现该序列中的第一组控制输入，再执行循环。
若执行一系列控制输入序列，因为用的是近似测量与计算，结果会与目标值误差偏离较大，要在每个时间步不断地重新评估控制输入的最优序列。
时间范围与车辆模型
车辆模型：
- 近似于车辆的物理特性
- 估计了输入一组控制输入之后车辆的状态变化
- 决定MPC预测未来的能力，要想要高准确度，时间则比较长，准确度和快速获取结果之间要做出取舍
- 发送车辆模型，使用优化引擎计算有限时间范围内的控制输入。优化引擎通过搜索密集数学空间寻求最佳解决方法，依赖于车辆模型的约束条件缩小搜索范围
MPC优化
优化引擎间接评估控制输入，对车辆轨迹进行建模，成本函数计算轨迹成本。
成本函数主要基于与目标轨迹的偏差，其次还有速度加速度舒适度等
模型、约束、成本函数结合解决优化问题
在不同优化引擎中找到最佳选择
MPC优劣对比
优点：
- 考虑车辆模型，更精确
- 适用于不同的成本函数，可以在不同情况下优化不同的成本
缺点：
- 复杂
- 缓慢
- 难以实现
综述
