从零到工程实践：层层递进理解 Pure Pursuit 横向控制

参考：autoware、ChatGPT

Pure Pursuit 是自动驾驶和移动机器人中非常经典的路径跟踪算法。它的核心思想很朴素：不要盯着车辆脚下的最近点，而是在路径前方找一个目标点，然后让车辆沿一段圆弧追过去。

1. 横向控制到底在控制什么

自动驾驶车辆通常有两类控制问题：

纵向控制：控制速度、加速度、刹车。
横向控制：控制方向盘或前轮转角，让车辆沿参考轨迹行驶。

Pure Pursuit 解决的是横向控制问题。

给定：

当前车辆位置。
当前车辆朝向。
一条期望车辆跟踪的参考轨迹。
车辆轴距、最大转角等车辆参数。

Pure Pursuit 要输出：

一个目标曲率 κ\kappaκ。
或者进一步转换成前轮转角 δ\deltaδ。

曲率可以理解为"车辆接下来应该拐多急的弯"。曲率越大，转弯越急；曲率接近 0，车辆接近直行。

2. 从最小场景开始：车只需要追一个点

先不要考虑复杂轨迹。假设车辆当前在平面上，前方有一个目标点。我们希望车辆转向，使它沿一段圆弧到达这个目标点。

这就是 Pure Pursuit 的最小模型：

text 复制代码

当前车辆位姿 + 一个前方目标点 -> 一条圆弧 -> 曲率 -> 前轮转角

为什么是圆弧？

因为在低速或中等速度下，车辆在短时间内可以近似看成自行车模型。当前前轮转角固定时，车辆会沿近似圆弧运动。Pure Pursuit 就利用了这个几何事实。

所以算法最关键的问题变成：

text 复制代码

已知车辆当前位姿和目标点，如何求出连接它们的圆弧曲率？

3. 建立车辆坐标系

为了让几何关系简单，我们把问题放到车辆坐标系下。

车辆坐标系约定为：

车辆当前位置是原点 (0,0)(0, 0)(0,0)。
车辆当前朝向是 xxx 轴正方向。
车辆左侧是 yyy 轴正方向。
目标点在车辆坐标系下记为 (x,y)(x, y)(x,y)。

如果目标点在车辆左前方，则 y>0y > 0y>0。

如果目标点在车辆右前方，则 y<0y < 0y<0。

如果目标点几乎在车辆正前方，则 y≈0y \approx 0y≈0。

这个坐标系非常重要，因为 Pure Pursuit 的核心公式全部来自这里。

4. 圆弧假设和半径推导

车辆当前朝向是 xxx 轴。如果车辆从当前点沿圆弧出发，那么圆弧在当前点的切线方向必须与车辆朝向一致。

圆在某一点的半径方向与切线垂直。既然当前切线是 xxx 轴，那么圆心一定在 yyy 轴上。

设圆心为：

O=(0,R) O = (0, R) O=(0,R)

其中 RRR 是带符号半径。

设目标点为：

P=(x,y) P = (x, y) P=(x,y)

目标点在圆上，所以目标点到圆心的距离等于半径：

(x−0)2+(y−R)2=R2 (x - 0)^2 + (y - R)^2 = R^2 (x−0)2+(y−R)2=R2

展开：

x2+y2−2Ry+R2=R2 x^2 + y^2 - 2Ry + R^2 = R^2 x2+y2−2Ry+R2=R2

两边消去 R2R^2R2：

x2+y2−2Ry=0 x^2 + y^2 - 2Ry = 0 x2+y2−2Ry=0

移项：

x2+y2=2Ry x^2 + y^2 = 2Ry x2+y2=2Ry

因此：

R=x2+y22y R = \frac{x^2 + y^2}{2y} R=2yx2+y2

曲率是半径的倒数：

κ=1R \kappa = \frac{1}{R} κ=R1

所以得到 Pure Pursuit 最核心的曲率公式：

κ=2yx2+y2 \kappa = \frac{2y}{x^2 + y^2} κ=x2+y22y

这个公式的含义很直观：

目标点越靠左，yyy 越大，曲率越偏向左转。
目标点越靠右，yyy 越小且为负，曲率越偏向右转。
目标点越接近正前方，yyy 越接近 0，曲率越接近 0。
目标点越远，x2+y2x^2 + y^2x2+y2 越大，曲率通常越小，转向越平缓。

5. 从曲率到方向盘：自行车模型

车辆不能直接执行"曲率"，它通常执行的是前轮转角。

使用简化自行车模型：

κ=tan⁡(δ)L \kappa = \frac{\tan(\delta)}{L} κ=Ltan(δ)

其中：

κ\kappaκ 是路径曲率。
δ\deltaδ 是前轮转角。
LLL 是车辆轴距。

因此：

δ=atan⁡(Lκ) \delta = \operatorname{atan}(L\kappa) δ=atan(Lκ)

工程上还要限制最大转角：

δ=clamp⁡(δ,−δmax⁡,δmax⁡) \delta = \operatorname{clamp}(\delta, -\delta_{\max}, \delta_{\max}) δ=clamp(δ,−δmax,δmax)

到这里，我们已经得到最小版 Pure Pursuit：

把目标点转换到车辆坐标系，得到 (x,y)(x, y)(x,y)。
用 κ=2yx2+y2\kappa = \frac{2y}{x^2 + y^2}κ=x2+y22y 算曲率。
用 δ=atan⁡(Lκ)\delta = \operatorname{atan}(L\kappa)δ=atan(Lκ) 算前轮转角。

但是还有一个关键问题没解决：目标点从哪里来？

6. 为什么不能追最近点

直觉上，车辆偏离路径时，好像应该追踪最近的轨迹点。但这样会有两个问题。

第一个问题是目标点太近。车辆如果一直盯着最近点，会产生非常敏感的转向，尤其在高速时容易左右振荡。

第二个问题是最近点可能在车辆旁边甚至身后。车辆追它时可能会打出不自然的方向。

人开车时也不是盯着车头下面的白线，而是看前方一段距离。Pure Pursuit 也是一样：它追踪路径前方的一个点。

这个点叫前瞻目标点。

7. 前瞻距离：Pure Pursuit 的核心参数

前瞻目标点距离车辆多远，由前瞻距离 LdL_dLd 决定。

可以把车辆当前位置作为圆心，以 LdL_dLd 为半径画一个圆，这个圆叫前瞻圆。参考轨迹与前瞻圆在车辆前方的交点，就是理想的前瞻目标点。

前瞻目标点 TTT 满足：

∣PT∣=Ld |PT| = L_d ∣PT∣=Ld

前瞻距离的大小决定了控制风格。

如果 LdL_dLd 较小：

车辆看得近。
响应更灵敏。
低速跟踪精度可能更好。
高速时容易振荡。

如果 LdL_dLd 较大：

车辆看得远。
转向更平滑。
高速更稳定。
弯道中可能切弯或响应迟钝。

所以 LdL_dLd 是稳定性和跟踪精度之间的折中。

8. 从连续曲线到离散轨迹

理论上，参考路径是一条连续曲线，前瞻圆和路径可以直接求交。

但工程里，规划模块给控制器的通常是一串离散轨迹点：

P0,P1,P2,...,Pn P_0, P_1, P_2, \ldots, P_n P0,P1,P2,...,Pn

因此，Pure Pursuit 需要把"连续曲线求交"变成"离散点序列上的搜索和插值"。

一个常见流程是：

找到车辆当前对应的最近轨迹点。
从最近点开始沿轨迹向前搜索。
找到第一个距离车辆超过 LdL_dLd 的轨迹点。
在这个点和它前一个点之间插值，得到真正的前瞻目标点。

第 4 步非常关键。因为离散点通常不会刚好落在前瞻圆上，如果直接使用第一个超过 LdL_dLd 的点，目标点会随着采样点跳变，转向也会跳变。

9. 最近点搜索为什么要看距离和朝向

最近点搜索不能只看欧氏距离。

在复杂道路中，轨迹可能出现掉头、回环、相邻车道靠得很近等情况。某个轨迹点空间距离车辆很近，但方向可能完全相反。

因此工程上通常同时限制：

距离不能超过阈值。
轨迹点朝向与车辆朝向的差值不能超过阈值。

这样可以避免匹配到"空间上近但语义上不属于当前行驶方向"的轨迹点。

如果找不到满足条件的最近点，说明车辆状态和参考轨迹已经不匹配，当前周期应认为 Pure Pursuit 求解失败。

10. 寻找离散前瞻点

找到最近点后，从该点开始沿轨迹向前搜索。

对于每个候选轨迹点，计算它到车辆当前位置的距离：

d=∣Pi−Pvehicle∣ d = |P_i - P_{\text{vehicle}}| d=∣Pi−Pvehicle∣

找到第一个满足：

d>Ld d > L_d d>Ld

的点。

这个点不是最终目标点，而是说明"真正的前瞻圆交点在它和前一个点之间"。

设：

A=前一个距离小于 Ld 的点B=第一个距离大于 Ld 的点 \begin{aligned} A &= \text{前一个距离小于 } L_d \text{ 的点} \\ B &= \text{第一个距离大于 } L_d \text{ 的点} \end{aligned} AB=前一个距离小于 Ld 的点=第一个距离大于 Ld 的点

那么真正的目标点应该位于线段 ABABAB 上。

11. 前瞻点插值：线段和圆的交点

现在问题变成一个简单的几何问题：

已知车辆位置 PPP、前瞻半径 LdL_dLd、轨迹线段 A→BA \to BA→B，求线段 ABABAB 与以 PPP 为圆心、LdL_dLd 为半径的圆的交点。

设线段方向向量为：

a=B−A a = B - A a=B−A

单位方向向量为：

u=a∣a∣ u = \frac{a}{|a|} u=∣a∣a

车辆位置 PPP 到线段 ABABAB 的垂足为 HHH，横向距离为 hhh。

如果：

∣h∣>Ld |h| > L_d ∣h∣>Ld

说明车辆到线段的最短距离都大于前瞻半径，前瞻圆和线段没有交点，插值失败。

如果：

∣h∣=Ld |h| = L_d ∣h∣=Ld

说明圆和线段相切，目标点就是垂足 HHH。

如果：

∣h∣<Ld |h| < L_d ∣h∣<Ld

说明圆和线段有两个交点。沿轨迹前进方向取前方那个交点。

根据直角三角形：

s2+h2=Ld2 s^2 + h^2 = L_d^2 s2+h2=Ld2

因此：

s=Ld2−h2 s = \sqrt{L_d^2 - h^2} s=Ld2−h2

目标点为：

T=H+s⋅u T = H + s \cdot u T=H+s⋅u

这一步把离散轨迹点变成了连续目标点。目标点不再受轨迹采样间隔直接限制，控制输出会更平滑。

12. 横向误差的几何意义

上面用到的 hhh 就是车辆到轨迹线段的横向误差。

设轨迹线段为 A→BA \to BA→B，车辆位置为 PPP：

a=B−A a = B - A a=B−A

b=P−A b = P - A b=P−A

二维叉积为：

a×b=axby−aybx a \times b = a_x b_y - a_y b_x a×b=axby−aybx

横向误差为：

h=a×b∣a∣ h = \frac{a \times b}{|a|} h=∣a∣a×b

它的绝对值表示车辆到线段的垂直距离，符号表示车辆在线段左侧还是右侧。

横向误差在 Pure Pursuit 里有两个作用：

在前瞻点插值中判断前瞻圆和轨迹线段是否相交。
在动态前瞻距离中帮助车辆平顺地回到轨迹。

13. 到这里，基础 Pure Pursuit 已经完整了

把前面的部分串起来，一个基础 Pure Pursuit 控制周期是：

接收当前车辆位姿和参考轨迹。
找到最近轨迹点。
从最近点向前搜索离散前瞻点。
在线段上插值得到真正前瞻目标点。
把目标点转换到车辆坐标系。
用 κ=2yx2+y2\kappa = \frac{2y}{x^2 + y^2}κ=x2+y22y 算目标曲率。
用 δ=atan⁡(Lκ)\delta = \operatorname{atan}(L\kappa)δ=atan(Lκ) 算前轮转角。
限制最大转角并输出。

这就是 Pure Pursuit 的主干。

接下来讨论工程里为什么还需要更多处理。

14. 动态前瞻距离：让算法适应速度和道路形状

如果 LdL_dLd 固定，车辆在低速、高速、直道、急弯、偏离轨迹较大时都会使用同一个前瞻距离。这通常不是最优的。

工程中常使用动态前瞻距离：

Ld=clamp⁡(Lv+Lc+Le,Lmin⁡,Lmax⁡) L_d = \operatorname{clamp}(L_v + L_c + L_e, L_{\min}, L_{\max}) Ld=clamp(Lv+Lc+Le,Lmin,Lmax)

其中：

LvL_vLv 是速度项。
LcL_cLc 是曲率项。
LeL_eLe 是横向误差项。
Lmin⁡L_{\min}Lmin 是最小前瞻距离。
Lmax⁡L_{\max}Lmax 是最大前瞻距离。

14.1 速度项

速度越高，前瞻距离应该越大：

Lv=kv∣v∣ L_v = k_v |v| Lv=kv∣v∣

高速度下看得太近，车辆会频繁修正方向，容易振荡。看得远一些，控制会更平顺。

这里通常用速度绝对值，因为前进和倒车都需要考虑速度大小。

14.2 曲率项

道路越弯，前瞻距离应该适当缩短：

Lc=−kc∣κref∣ L_c = -k_c |\kappa_{\text{ref}}| Lc=−kc∣κref∣

急弯时如果看得太远，目标点会落在弯道更后方，车辆可能倾向于切弯。缩短前瞻距离后，目标点更贴近局部弯道，车辆会更积极地转入弯内。

14.3 横向误差项

车辆偏离轨迹较大时，前瞻距离可以适当增大：

Le=ke∣e∣ L_e = k_e |e| Le=ke∣e∣

这听起来有点反直觉。偏离大时不是应该更快切回去吗？

如果车辆以很大转角快速切回轨迹，容易过冲和振荡。增大前瞻距离可以让车辆选择更平滑的回归路径。

通常只有当横向误差超过阈值时才启用这一项：

Le={ke∣e∣,∣e∣≥eth0,∣e∣<eth L_e = \begin{cases} k_e |e|, & |e| \ge e_{\text{th}} \\ 0, & |e| < e_{\text{th}} \end{cases} Le={ke∣e∣,0,∣e∣≥eth∣e∣<eth

14.4 前瞻距离的上下限

最终结果需要限制：

Ld=clamp⁡(Ld,Lmin⁡,Lmax⁡) L_d = \operatorname{clamp}(L_d, L_{\min}, L_{\max}) Ld=clamp(Ld,Lmin,Lmax)

最小值防止车辆看得太近导致抖动。

最大值防止车辆看得太远导致转向迟钝。

倒车时通常还会使用单独的最小前瞻距离，因为倒车控制比前进更敏感。

15. 参考轨迹曲率如何影响前瞻距离

动态前瞻距离中的 κref\kappa_{\text{ref}}κref 是参考轨迹局部曲率，不是 Pure Pursuit 最终输出的目标曲率。

一种常见估计方式是：在最近轨迹点前后各取一个点，使用三个点估计局部圆弧曲率。

设：

Pprev,Pcurr,Pnext P_{\text{prev}}, P_{\text{curr}}, P_{\text{next}} Pprev,Pcurr,Pnext

这三个点越接近同一圆弧，估计出的曲率越可靠。

如果车辆接近轨迹起点或终点，前后点不够，曲率估计会变得不可靠。工程上可以选择返回 0，或者使用其他边界处理方式。

这个曲率主要用于调节前瞻距离，而最终控制曲率仍然来自前瞻目标点。

16. 轨迹为什么要重采样

规划模块输出的轨迹点间距可能不均匀。

有些地方点很密，有些地方点很稀。如果直接使用，会带来问题：

最近点搜索不稳定。
曲率估计受点间距影响。
前瞻点搜索容易跳变。
预测轨迹步长和参考轨迹尺度不一致。

因此工程中常按固定弧长间隔重采样轨迹。

假设轨迹总弧长为 SSS，采样间隔为 dsdsds，新的采样位置为：

0,ds,2ds,3ds,...,S 0, ds, 2ds, 3ds, \ldots, S 0,ds,2ds,3ds,...,S

重采样后，轨迹点空间分布更均匀，Pure Pursuit 的搜索和曲率估计都会更稳定。

17. 轨迹为什么要平滑

轨迹可能存在局部抖动，比如位置锯齿、速度突变、朝向不连续。这些小抖动会被控制器放大成方向盘抖动。

一个简单有效的平滑方式是移动平均。

对第 iii 个点，取它前后各 MMM 个点：

i−M,...,i,...,i+M i - M, \ldots, i, \ldots, i + M i−M,...,i,...,i+M

然后对位置、速度、加速度等字段求平均：

pi′=mean⁡(p(i−M),...,p(i),...,p(i+M)) p'_i = \operatorname{mean}(p(i - M), \ldots, p(i), \ldots, p(i + M)) pi′=mean(p(i−M),...,p(i),...,p(i+M))

靠近轨迹起点或终点时，窗口一侧没有足够点，需要缩小窗口。

平滑不是为了改变轨迹整体形状，而是降低局部噪声。

朝向平滑要更小心。四元数不能直接逐分量平均。常见做法是先转换成 yaw\text{yaw}yaw，再平均 yaw\text{yaw}yaw，最后转回四元数。

如果 yaw\text{yaw}yaw 接近 +π+\pi+π 和 −π-\pi−π 边界，普通平均会出错。更稳健的角度平均方式是：

yawavg=atan2⁡(mean⁡(sin⁡(yaw)),mean⁡(cos⁡(yaw))) \text{yaw}_{\text{avg}} = \operatorname{atan2}(\operatorname{mean}(\sin(\text{yaw})), \operatorname{mean}(\cos(\text{yaw}))) yawavg=atan2(mean(sin(yaw)),mean(cos(yaw)))

18. 求解失败时怎么办

Pure Pursuit 不是每一帧都一定能成功。

失败原因可能包括：

轨迹点太少。
找不到最近轨迹点。
找不到合适的前瞻点。
前瞻圆和轨迹线段没有交点。
车辆偏离轨迹过远。

控制器不能因为某一帧失败就输出随机方向。常见降级策略是：

当前周期成功时，输出新转角并缓存。
当前周期失败但有上一帧有效指令时，沿用上一帧。
刚启动且没有历史有效指令时，输出 0 曲率，尽量直行。

这样可以避免方向盘突然跳变。

19. 转向收敛判断

控制器输出目标转角，但车辆实际前轮转角不会瞬间达到目标。

因此可以判断：

∣δcmd−δactual∣<δthreshold |\delta_{\text{cmd}} - \delta_{\text{actual}}| < \delta_{\text{threshold}} ∣δcmd−δactual∣<δthreshold

如果满足，就认为转向已经收敛。

这个标志可以提供给纵向控制或行为状态机。例如车辆可能希望横向姿态稳定后再加速。

20. 预测轨迹为什么存在

Pure Pursuit 除了输出当前转角，还常生成一条预测轨迹。

预测轨迹回答的是：

text 复制代码

如果车辆继续按照当前控制器逻辑行驶，未来一小段路径大概是什么样？

它常用于：

可视化控制器行为。
调试前瞻距离和曲率。
检查短期运动趋势。
给其他模块提供参考。

21. 预测轨迹怎么生成

预测轨迹可以通过滚动外推生成。

设每一步前进距离为 dsdsds，预测长度为 SpredS_{\text{pred}}Spred：

N=⌈Spredds⌉ N = \left\lceil \frac{S_{\text{pred}}}{ds} \right\rceil N=⌈dsSpred⌉

预测流程：

第一个预测点使用当前真实车辆位姿。
在当前预测点上运行 Pure Pursuit，得到曲率。
把曲率转换成前轮转角。
用运动学模型向前推进 dsdsds。
得到下一个预测点。
在下一个预测点上重复以上过程。

这是一种闭环滚动预测。每一步都会重新找前瞻目标点、重新计算曲率，所以预测轨迹能跟随参考轨迹的弯曲变化。

预测长度通常不能超过：

参考轨迹剩余长度。
配置的最大预测长度。

因此：

Spred=min⁡(Sremaining,Smax⁡) S_{\text{pred}} = \min(S_{\text{remaining}}, S_{\max}) Spred=min(Sremaining,Smax)

22. 单步运动学外推

给定当前预测点、前轮转角 δ\deltaδ、轴距 LLL、前进距离 dsdsds，可以估计下一点。

自行车模型给出：

κ=tan⁡(δ)L \kappa = \frac{\tan(\delta)}{L} κ=Ltan(δ)

这一小段距离内的航向变化为：

Δψ=κds \Delta \psi = \kappa ds Δψ=κds

如果当前位姿为：

(x,y,ψ) (x, y, \psi) (x,y,ψ)

则短距离近似为：

xnext=x+dscos⁡(ψ)ynext=y+dssin⁡(ψ)ψnext=ψ+Δψ \begin{aligned} x_{\text{next}} &= x + ds \cos(\psi) \\ y_{\text{next}} &= y + ds \sin(\psi) \\ \psi_{\text{next}} &= \psi + \Delta \psi \end{aligned} xnextynextψnext=x+dscos(ψ)=y+dssin(ψ)=ψ+Δψ

也可以从坐标变换角度理解：

下一点全局位姿=当前点全局位姿⋅车辆局部坐标系下的一步运动增量 \text{下一点全局位姿}= \text{当前点全局位姿} \cdot \text{车辆局部坐标系下的一步运动增量} 下一点全局位姿=当前点全局位姿⋅车辆局部坐标系下的一步运动增量

局部运动增量是：

平移:(ds,0)旋转:Δψ \begin{aligned} \text{平移} &: (ds, 0) \\ \text{旋转} &: \Delta \psi \end{aligned} 平移旋转:(ds,0):Δψ

当 dsdsds 足够小时，这种近似适合生成短期预测轨迹。

23. 控制和预测中的速度

速度在 Pure Pursuit 中可能有两个作用：

用于计算前瞻距离。
作为轨迹点或预测点的速度属性。

实际控制时，前瞻距离通常应考虑当前车辆实际速度，因为车辆此刻的物理状态决定了转向响应。

预测轨迹时，初始点通常使用当前实际速度；后续点可以根据设计使用目标速度或当前速度。关键是要区分"速度影响前瞻距离"和"速度作为轨迹点属性"这两个概念。

有些实现会把预测轨迹最后一个点速度设为 0。这通常只是表示预测到此结束，不代表车辆真的要在该点停车。

24. 完整 Pure Pursuit 工程流程

现在把所有内容按真实控制周期串起来：

接收车辆当前位姿、速度和参考轨迹。
对参考轨迹进行重采样，使点间距更均匀。
可选地对轨迹做平滑，减少局部抖动。
在轨迹上寻找与车辆匹配的最近点。
计算横向误差和参考轨迹局部曲率。
根据速度、曲率、横向误差计算动态前瞻距离。
从最近点沿轨迹向前搜索离散前瞻点。
在线段上插值得到真正前瞻目标点。
把目标点转换到车辆坐标系。
用 κ=2yx2+y2\kappa = \frac{2y}{x^2 + y^2}κ=x2+y22y 计算目标曲率。
用 δ=atan⁡(Lκ)\delta = \operatorname{atan}(L\kappa)δ=atan(Lκ) 转换成前轮转角。
限制最大转角。
如果求解成功，输出控制指令并缓存。
如果求解失败，使用降级策略。
可选地生成预测轨迹和调试信息。

这条链路就是 Pure Pursuit 从理论走向工程的完整形态。

25. 参数调节顺序

调 Pure Pursuit 参数时，建议按层次来，不要一开始同时改所有参数。

25.1 先确认轨迹质量

如果轨迹本身抖动、不连续、点间距混乱，控制器参数很难调好。

先检查：

轨迹点是否连续。
点间距是否合理。
是否需要重采样。
是否需要平滑。

25.2 再调基础前瞻距离

先用固定或近似固定的前瞻距离观察车辆行为。

低速振荡明显，可以增大最小前瞻距离。

低速弯道跟踪不足，可以减小最小前瞻距离。

25.3 再调速度项

如果高速抖动，增大速度比例，让高速看得更远。

如果高速转向太迟钝，减小速度比例或最大前瞻距离。

25.4 再调曲率项

如果急弯切弯，增大曲率项影响，让急弯前瞻距离更短。

如果急弯转向太激进，减小曲率项影响。

25.5 最后调横向误差项

如果车辆偏离轨迹后回归太猛，增大横向误差项。

如果车辆回归太慢，减小横向误差项或提高触发阈值。

26. Pure Pursuit 的优点

Pure Pursuit 的优点是：

几何意义清晰。
数学推导简单。
计算量小。
实时性好。
参数相对少。
对平滑轨迹和中高速道路表现稳定。

这也是它在自动驾驶入门和工程系统中长期流行的原因。

27. Pure Pursuit 的局限

Pure Pursuit 也有明显局限：

不直接优化控制量。
不显式考虑轮胎侧偏和车辆动力学。
不直接约束目标点处的车辆朝向。
对前瞻距离较敏感。
低速大曲率、泊车、狭窄空间中可能表现不足。
轨迹噪声会直接影响控制输出。

因此，在复杂低速场景或强约束场景中，可能需要 Stanley、MPC 或其他更复杂的控制方法。