控制就是驱动车辆前行的策略——转向、加速、制动 最大限度地降低与目标轨迹的偏差（cost误差最小）
控制器要求：准确、平行、平稳、可行
控制的输入：
- 目标轨迹：路径规划、轨迹规划
- 车辆状态：坐标（x，y）、速度、加速度、方向
控制的输出：转向、加速、制动
三种控制策略
- 比例积分微分控制(PID)
- 线性二次调节器(LQR)
- 以及模型预测控制(MPC)
1.比例积分微分控制(PID)
这个控制器的优点在于它非常简单，只需知道与目标轨迹有多大的偏离，
PID 的第一个组件为 P 代表“比例”(proportional)，设想一辆车正试图遵循目标轨迹，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，控制器就越难将其拉回目标轨迹。在实践中 P 控制器的一个问题在于，它很容易超出参考轨迹，当车辆越来越接近目标轨迹时 ，我们需要控制器更加稳定
PID 控制器中的 D 代表“微分”（derivative）D 项致力于使运动处于稳定状态，PD 控制器类似于 P 控制器，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
PID 控制器中的I 表示积分(Integral)，该项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，在这种情况下 我们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，我们可以将 P、I 和 D 组件结合，构成 PID 控制器
优点：PID 控制器很简单，但它在很多情况下的效果很好，对于 PID 控制器，你只需知道你的车辆与目标轨迹之间的偏差，
缺点：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，很难将横向和纵向控制结合起来，
另一个问题在于 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
2.线性二次调节器(LQR)
x（车辆状态）：横向误差、横向误差的变化率、朝向误差、朝向的变化率，
u（控制输入）：转向、加速、制动
LQR 的L代表”线性控制“，这种类型的模型可以用等式来表示，
x*为理想状态、当前状态 x 、控制输入 u
Q、R分别代表x、u的权重集合
cost求最优
3.模型预测控制(MPC)
- 1.建立车辆模型
- 2.使用优化引擎计算有限时间范围内的控制输入
- 3.然后执行第一组控制输入
MPC 是一个重复过程，
它将（模型、约束、成本）结合 （不同环境下也会有不同的cost）
主要过程：
1 模型预测：控制时域，预测时域，在预测时域根据控制量，预测模型的输出。
给出模型的方式，状态方程，动态矩阵，广义矩阵。
状态方程：根据运动方程建立模型。
动态矩阵：根据系统的阶跃或者脉冲响应，通过矩阵的方式建立模型。
2 滚动优化：根据预测的输出，得到目标函数的值，由期望与实际的偏差，调整控制量，调优目标函数。
优化目标：比如实际的加速度跟期望的加速度误差平方和最小。
优化求解：最优化求解方法。
是一个从当前状态到一个有限时域的最优化，不是一次离线的全局最优。
3 反馈校正：预测值实施控制后，观测实体的实际反馈，对比期望的效果与实际的效果，进行模型的调整或者是补偿模型不准导致的偏差。
芯片制作
