基于B样条曲线和LQR的跟踪策略

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

在简历里我写了“采用B样条曲线和LQR的弧线转弯策略”，在此整理一下具体内容。

---

无代码

一、基于B样条曲线的路径生成

上层调度层给的目标路径通常只有极少几个点，尤其在转弯过程，此时就需要使用某种策略生成一段连续平滑的路径，常用的有B样条曲线和贝塞尔约束曲线等。
在此我们选择B样条曲线作为我们的路径生成策略。

1.B样条曲线基本概念（复制的gpt）

B样条（B-spline）是一种用于生成平滑曲线的数学方法，可以灵活地通过控制点创建不同形状的曲线。B样条曲线具有连续的曲率，因此适合在需要平滑路径的场景（如机器人路径规划）中使用。

B样条曲线由一组控制点和一个称为基函数的数学函数共同定义，主要参数包括：
控制点：决定了B样条曲线的形状。曲线不会严格通过这些点，但会在这些点周围生成平滑曲线。
阶数：B样条的阶数决定了曲线的平滑度。常用的三阶B样条曲线（立方B样条）具有平滑的曲率变化。
节点向量：定义了控制点在曲线生成中的位置权重，决定了曲线在控制点附近的形状和光滑度。
使用B样条的步骤
选择控制点：确定曲线的控制点，这些点决定了曲线的形状。在机器人路径规划中，控制点通常由关键位置组成。

设定阶数：一般使用三阶B样条（立方B样条）来生成平滑曲线。

生成节点向量：节点向量可以均匀生成，也可以在需要的地方增加密集节点以控制曲线形状。在最简单的均匀B样条中，可以设置节点向量为等间隔的数列。

计算基函数：使用递归定义计算每个控制点的基函数。

生成曲线点：根据参数𝑢从曲线起点到终点的变化，计算每个点的位置𝐶(𝑢)，从而生成完整的B样条曲线。

2.B样条曲线最终输出

一段离散的平滑路径点，计算其每一点的曲率获得机器人目标航向角。

3.B样条曲线相较贝塞尔约束曲线的优势（gpt）

B样条和贝塞尔曲线在路径规划中都可以生成平滑曲线，但在一些特定的应用中，B样条相比贝塞尔曲线更具优势。以下几点阐述了在路径规划中选择B样条而不使用贝塞尔曲线的原因：

1. 局部控制能力

• B样条具有较强的局部控制能力。调整某个控制点时，只会影响曲线的局部区域，而不会改变整条曲线的形状。这对于路径规划尤其重要，因为局部调整路径（例如避障或实时调整）时，不会对整体路径产生影响。
• 贝塞尔曲线的局部控制能力较差。调整一个控制点会影响整条曲线的形状。对于复杂路径或动态调整的场景，贝塞尔曲线不够灵活。

2. 高阶曲线的控制点数量

• B样条在构造高阶曲线时可以增加控制点数目，同时仍保持平滑的形状，且不会引起曲线大幅波动。控制点越多，曲线的可调节性越高，适合复杂路径规划。
• 贝塞尔曲线在控制点较多的情况下会产生较大的计算复杂度，并且曲线会出现“膨胀”或不受控制的波动。高阶贝塞尔曲线的控制点对曲线的形状影响较为显著，容易导致曲线过度弯曲或产生波动，不利于生成自然的路径。

3. 平滑过渡与连续性

• B样条可以通过设置节点向量和阶数来控制平滑度和连续性。三阶B样条（立方B样条）能够保证曲线的连续性和平滑的曲率变化，尤其适合机器人路径规划中的平滑转弯。
• 贝塞尔曲线在复杂曲线路径的过渡上，曲率的变化不如B样条平滑。尤其是多段贝塞尔曲线拼接时，会产生突兀的转折点，除非精确调整每段的切线方向，但这会增加实现复杂度。

4. 节点插值

• B样条曲线可以控制在靠近控制点的区域，并且可以进行节点插值，使曲线更加接近控制点。对于需要精确经过某些点的路径规划，B样条更为灵活。
• 贝塞尔曲线无法直接在曲线中插值控制点。增加控制点会改变曲线的整体形状，这对于路径规划中的精确定位控制来说是个缺点。

5. 复杂路径生成的灵活性

• B样条适用于生成复杂的、多段的平滑路径，可以通过增加控制点和调节节点向量来生成复杂曲线，在路径规划中非常灵活。
• 贝塞尔曲线适合用于生成简单的曲线，通常在控制点较少、需要控制简单曲线路径的场景下更适合。

6. 计算复杂度

• 在B样条和贝塞尔曲线的基础实现上，两者的计算复杂度相近，但B样条在高阶时仍能保持稳定，而贝塞尔曲线在控制点数增多时复杂度显著增加，因此在更高阶的复杂路径上，B样条的计算更高效。

总结

综上所述，虽然贝塞尔曲线在设计简单曲线路径时很方便，但在机器人路径规划或自动驾驶等复杂路径场景中，B样条的局部控制能力、灵活性和平滑度让它成为更适合的选择。

面试官问起来的时候，需要首先根据项目解释B样条曲线，然后说明其优势，最后与下面的LQR路径跟踪策略做衔接。

二、LQR路径跟踪策略

在使用B样条曲线得到目标路径后，跟踪策略采用的是LQR控制算法。

1.LQR基本概念（GPT）

LQR（Linear Quadratic Regulator）是一种常用的线性二次型最优控制算法，广泛应用于控制系统优化。它的目的是在满足稳定性条件下，最小化给定状态和控制的加权代价函数，从而获得最优的控制输入。在项目中，如果LQR用于控制机器人路径的跟踪，它可以用于平衡路径跟踪中的位置误差和控制能量，确保平稳的运动效果。
LQR原理概述
LQR控制器的核心目标是找到一个反馈增益矩阵，使系统能够在稳定性和控制成本之间达到最优平衡。控制律为：u=−Kx。
其中，𝐾 是反馈增益矩阵，𝑢 是控制输入，𝑥是状态向量。
反馈增益矩阵𝐾的求解过程是通过最小化一个二次代价函数来实现的，该代价函数通常表示为：

其中：
𝑄是状态误差的权重矩阵，表示对系统状态偏离目标的惩罚。
𝑅是控制输入的权重矩阵，表示对控制能量的惩罚。

2.系统模型和输入输出

LQR适用于线性时不变系统，其状态空间表示为：𝑥’(𝑡)=Ax(t)+Bu(t)
其中：
𝐴：系统矩阵，表示系统动力学。
𝐵：控制矩阵，表示控制输入对状态的影响。

在一个机器人路径跟踪项目中，LQR的输入与输出可以具体表示如下：

输入：

状态向量𝑥：通常包含机器人的位姿误差（位置和角度误差），可以从位置传感器（如激光雷达、相机、IMU等）测得当前位姿，然后与目标位姿进行对比得到误差。
目标位姿 𝑥target ：期望的位姿，由路径规划模块提供。
权重矩阵𝑄：用来设定对位置误差和姿态误差的重视程度。
权重矩阵𝑅：用来设定对控制输入（如轮速）的重视程度，通常用于平衡对系统稳定性的需求和对控制能耗的要求。
输出：
控制输入𝑢：通常包含两个轮子的速度差（若为差速机器人），用于实现机器人的运动控制。
LQR具体的解释可以看我另外一篇博客。
https://blog.csdn.net/weixin_48386130/article/details/142924438?spm=1001.2014.3001.5501

3.求解过程（gpt）

4.为什么不选PID或者MPC

选择LQR的原因：LQR适合实时性要求高、已知模型、线性系统或已线性化系统的场景，例如路径跟踪和姿态控制等。LQR的计算效率高，适合嵌入式实现，不需要复杂约束管理。
PID的局限性：对于简单的系统，PID控制表现很好，但在多变量、耦合或高阶系统中无法满足性能需求，且调参难度较大。
MPC的局限性：MPC虽然具有良好的控制效果和预测能力，但实时计算开销较大，不适合实时性要求高的场景，尤其是在计算资源有限的情况下。
在实际应用中，PID控制器常用于简单的系统，而LQR和MPC则适合复杂的路径规划和姿态控制。在复杂多变量或多约束的场景中，MPC会更有优势，而LQR适合在已知线性系统或线性化系统中实现简单、高效的最优控制。

面试问起的话，先将两句LQR是什么，再将项目中实际输入输出，再将怎么计算说一下。

---

总结

其中有很多是gpt中的内容，还是需要理解后才能进行实际运用和面试。