基于模型的控制:LQR,模型建立如果不准确,会给控制带来不确定性。
运动学和动力学?
大货车很多参数不了解的话,有时候不如用运动学。所以说,建模不精准不如用运动学。
LQR
模型是状态空间线性的。目标函数是输入和对象状态的二次型函数
二次型问题是在线性系统的约束下,选择适当的控制输入使得目标函数最小。
重点却不重要
LQR公式推导
https://blog.csdn.net/heyijia0327
LQR 的直观推导及简单应用_白巧克力亦唯心的博客-CSDN博客
LQR最优设计:设计出状态反馈控制器K使得目标函数最小。
LQR的优缺点
全状态反馈、控制率设计简单、多变量系统
缺点:适用于线性系统;需要全状态反馈;需要精确的模型;多次迭代对实时性要求高
纵向控制 位置、速度串级PID
L2++是由规划的,控制是跟踪轨迹,预瞄点(目标点)。
不需要:车道线的拟合、转换。
元素很丰富,时间t,x,y,v,a
并联PID不好的原因?
位置环 :加速
速度环:减速
参数调节不好的话,如场景
位置500m,本车100.前车50。
期望先加速度后减速。
上边例子很牵强。
横向控制
纵向控制算法从154行开始
主要作用:判断轨迹是不是合理,转换下格式,
设置一个预瞄的时间
这个函数很重要,计算error的过程,查询匹配点的过程
设置位置误差和速度误差
存一下匹配点的速度和加速度
做一次限制和做一次滤波
做很多次限制和滤波
加速度的结果是
qa:
Apollo filter的解析
巴特沃斯低通滤波
【运动控制】Apollo6.0的LpfCoefficients解析
发动机很肉,延迟很大。
很好的博客
Apollo代码学习(五)---横纵向控制_apollo纵向控制 论文_follow轻尘的博客-CSDN博客
侧向控制的代码
二自由度车辆运动学模型
ADAS对于拐弯比较大的时候,是可以出错的。横向控制有边界。
横纵向是没办法真正解耦的。
Lattice是糅合在一起的。EM是解耦的。
横向是依赖于纵向的,速度变化的,LQR也要变化。
航向角:质心速度与x轴的夹角。
横摆角:车身纵轴线与x轴的夹角。
质心侧偏角:质心速度与车身纵轴线的夹角。
车辆横摆角=车辆航向角-质心侧偏角
横摆角==航向角。工程上
做工程,有的东西,过去就过了,不理解也可以使用。
基于车-路偏差的动力学模型
公式推导,面试之前推最好。
K=dlqr(A,B,Q,R)
https://www.zhihu.com/people/dkmp
在线求解、动态规划思想,迭代求解黎卡题方程。
1.令P等于最终状态权重矩阵
2.迭代黎卡提方程求出新的P
3.当两次P的插值足够小,计算反馈矩阵K
4.根据反馈矩阵K获取最优控制量u
ACC和LKA都可以使用。
还需要有前馈?为什么
告诉你的目标是80分,你可以达到81,去反馈。
如果你没有标准,只靠反馈,就会很突然,先到到10,再达到20,在到80。
横向的代码
纵向代码
C语言基础不好的可以先看控制代码
L2是没有规划的,把前车当我的目标。
控制不是对规划负责,是对车负责。
ACC、LKA 弯道很小。城区道路右转。城市NOA
可以借鉴Autoware的代码;
LQR的求解器,LQR的矩阵结构、Apollo的一些参数。