路径跟随-stanley control原理、代码实现、调优技巧、不同跟随方法对比

视频讲解

路径跟随-stanley control原理、代码实现、调优技巧、不同跟随方法对比_哔哩哔哩_bilibili路径跟随-stanley control原理、代码实现、调优技巧、不同跟随方法对比共计2条视频，包括：路径跟随-stanley control原理、代码实现、调优技巧、不同跟随方法对比、小半径圆弧路径跟踪等，UP主更多精彩视频，请关注UP账号。https://www.bilibili.com/video/BV1Ba4y1D7pv/?spm_id_from=333.999.0.0

见笔记运动规划；

见笔记开源项目总结-bilibili课程-;

ribbon跟踪，对stanley改进

【video】自动驾驶汽车预测-决策-规划-控制实战入门-b站-轨迹跟踪方法对比

1. 背景

轮速跟随中加速响应滞后减速迅速的特点；

不满足理论上的状态方程；

2. 原理/目的-如何减小和消除横向偏差和航向偏差

调节器减小误差的数学推理；调节器计算的出来的输出能够让误差趋近于零；

参考视频

路径规划与轨迹跟踪系列算法学习_第11讲_Stanley法_哔哩哔哩_bilibili

3. 代码实现

开源项目：

D:\[opencv_source_navigation]\hybrid_astar-master\PathFollower

D:\[openFromGit]\PythonRobotics-master(lateset)\PathTracking\stanley_controller

def stanley_control(state, cx, cy, cyaw, last_target_idx):
    """
    Stanley steering control.

    :param state: (State object)
    :param cx: ([float])
    :param cy: ([float])
    :param cyaw: ([float])
    :param last_target_idx: (int)
    :return: (float, int)
    """
    current_target_idx, error_front_axle = calc_target_index(state, cx, cy)

    if last_target_idx >= current_target_idx:
        current_target_idx = last_target_idx

    # theta_e corrects the heading error
    theta_e = normalize_angle(cyaw[current_target_idx] - state.yaw)
    # theta_d corrects the cross track error
    theta_d = np.arctan2(k * error_front_axle, state.v)
    # Steering control
    delta = theta_e + theta_d

    return delta, current_target_idx

4. 路径跟随-曲线跟随改进/调优技巧

路径跟随-曲线跟随调优技巧

5. 其他方法及对比

5.1. ribbon跟踪，对stanley改进

ribbon跟踪，对stanley改进

6. 四类跟踪算法和比较

结论：

stanley和mpc跟随的横向偏差小；

MPC可以考虑到速度规划；

对于简单的路径跟随/定位误差较大（空旷场景，可以增加预瞄距离）的时候，使用stanley;