控制
控制简介
控制是驱使车辆前行的策略。对于汽车而言，最基本的控制输入为转向、加速和制动。通常，控制器使用一系列路径点来接收轨迹。控制器的任务是使用控制输入让车辆通过这些路径点。
基本控制输入有：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
控制器预计有两种输入：目标轨迹与车辆状态。
目标轨迹来自规划模块，在每个轨迹点，规划模块指定一个位置和参考速度，在每个时间戳都对轨迹进行更新。
车辆状态包括：通过本地化模块来计算的车辆位置、从车辆内部传感器获取的数据（如速度、转向和加速度）。
通过使用这两个输入来计算目标轨迹与实际行进轨迹之间的偏差。
控制器的输出是控制输入（转向、加速和制动）的值。当偏离目标轨迹时，应该采取行动来纠正偏差。将使用方向盘控制行驶方向（即转向）、使用油门加速、使用刹车减速（即制动）这三个值传递给车辆，进行无人驾驶了。
PID控制
PID的第一组件为P代表“比例”(Proportional)P控制器在车辆开始偏离时立即将其拉回目标轨迹。比例控制意味着，车辆偏离越远，控制器越难将其拉回目标轨迹。
D代表“微分”（Derivative）D项致力于使运动处于稳定状态。它增加了一个阻尼项，可最大限度地减少控制器输出的变化速度
I代表积分（Integral）I控制器负责纠正车辆的任何系统性偏差。例如，转向可能失准，这可能造成恒定的转向偏移，这就需要稍微向一侧转向以保持直行。为解决这一问题，控制器会对系统的累积误差进行惩罚。
将P、I和D组件结合构成PID控制器。
PID优劣对比
- PID控制器很简单，只需要知道与目标轨迹有多大的偏离。在很多情况下的效果很好。
- 但是PID控制器只是一种线性算法，对于非常复杂的系统而言，这是不够的
- PID控制器依赖于实时误差测量，这意味着受到测量延迟限制时可能会失效
- 车辆越偏离轨道，越难拉回既定轨道。
LQR（线性二次调节器）
线性二次调节器（Linear Quadratic Regulator 或LQR）是基于模型的控制器，它使用车辆的状态来使误差最小化。
Apollo使用LQR进行横向控制。横向控制包含四个组件：横向误差、横向误差的变化率、朝向误差和朝向误差的变化率。变化率与导数相同，用变量名上一个点代表。我们称这四个组件的集合为X，这个集合X捕获车辆的状态。除了状态之外，该车有三个控制输入：转向、加速和制动。我们将这个控制输入集合称为U。
Apollo使用LQR进行横向控制
横向控制包含四个组件（称这四个组件的集合为X）：
- 横向误差
- 横向误差的变化率
- 朝向误差
- 朝向误差的变化率
三个控制输入（称这个控制输入集合为U）：
- 转向
- 加速
- 制动
模型预测控制MPC
模型预测控制（或MPC）是一种更复杂的控制器，它非常依赖于数学优化，但基本上可以将MPC归结为三个步骤：
- 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
MPC是一个重复过程，它着眼未来，计算一系列控制输入，并优化该序列。但控制器实际上只实现了序列中的第一组控制输入，然后控制器再次重复该循环。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。
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