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。