Apollo入门课程[7]——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。
控制器使用一系列路径点来接收轨迹，其任务是使用控制输入，让车辆通过这些路径点。
控制器要求：

• 准确：避免偏离目标轨迹，利于安全
• 控制策略要可行
• 平稳度：舒服，驱动必须连续，避免突然转向、加速、制动

控制策略：

• 比例积分微分控制(或PID)
• 线性二次调节器(或LQR)
• 模型预测控制(或MPC)

控制流程

控制器预计的两种输入，用此来计算目标轨迹与实际行进轨迹的偏差

• 目标轨迹：规划模块
• 车辆状态

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，我们希望通过采取行动（转向、加速、制动）来纠正这种偏差。

PID控制

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项致力于使运动处于稳定状态，D代表“微分”，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控制器中的最后一项I表示积分，该项负责纠正车辆的任何系统性偏差。
如转向失准可能造成恒定的转向偏移。为此控制器会对系统的累计误差进行惩罚。
P、I、D相结合形成PID控制器。

缺点
是一种线性算法，对于非常复杂的系统而言这是不够的，需要应用不同的PID控制器来控制转向和加速，这意味着很难将横向和纵向控制结合起来
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

LQR

线性二次调节器（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、朝向的变化率。变化率与导数相同。称这四个组件的集合为x，这个集合x捕获车辆的状态。
三个控制输入：转向、加速和制动，控制输入集合称为u。

LQR处理线性控制（L），该模型用等式表示如下：
X(上方带点)向量是导数，或x向量的变化率，所以x点的每个分量只是x相应分量的导数。
等式x点=Ax+Bu捕捉状态里的变化，即x点是如何受当前状态x，和控制输入u的影响的。

线性的：

目标是让误差最小化，但也希望尽可能少地使用控制输入（因为有成本）。为了减少这些因素，可以保持误差的运行总和和控制的运行总和。
eg.
当右偏转很厉害，添加到误差总和；控制输入将车向左偏转，从控制输入总和减去。这样会导致问题，因为右侧的正误差只需将左侧的负误差消除即可*（？？？）*
Q和R代表x和u的权重集合


找到最优的u就是找到最优的K

MPC

模型预测控制（MPC）是一种更复杂的控制器,，它非常依赖于数学优化。
基本上可以将MPC归结为三个步骤：

1. 建立车辆模型，MPC的第一步为定义车辆模型，该模型近似于汽车的物理特性，它估计了假如将一组控制输入应用于车辆时会发生什么。
   
2. 使用优化引擎计算有限时间范围内的控制输入。决定MPC预测未来的能力，预测越深入，控制器就越精确，不过需要的时间也越长，所以我们需要在准确度与快速获取结果之间做出取舍，获取结果的速度越快，越能快速地将控制输入应用到实际车辆中。
   
3. 执行第一组控制输入，将模型发送到搜索最佳控制输入的优化引擎，该优化引擎的工作原理，是通过搜索密集数学空间来寻求最佳解决方案。为缩小搜索范围，优化引擎依赖于车辆模型的约束条件。

MPC优化

优化引擎可间接评估控制输入，是通过使用这些方法对车辆轨迹进行建模的。
可根据成本函数对轨迹进行评估，成本函数主要基于与目标轨迹的偏差，其次基于其他因素如加速度，和提升乘客舒适度的措施。
为使乘客感觉更舒适，对控制输入的调整应该很小，因为动作变化幅度过大会让乘客感到不舒服。
模型、约束和成本函数合并并作为优化问题加以解决。

优点	缺点
考虑了车辆模型，因此比PID控制更精确	与PID控制相比，模型预测控制相对更复杂、更缓慢、更难以实现
适用于不同的成本函数，所以可以在不同情况下优化不同的成本