【自动驾驶】控制算法（八）横向控制Ⅰ | 算法与流程

写在前面：
🌟 欢迎光临 清流君 的博客小天地，这里是我分享技术与心得的温馨角落。📝


🎭 人生如戏，我们并非能选择舞台和剧本，但我们可以选择如何演绎 🌟
感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行~~~

---

文章目录

• 前言
• 一、算法输入与输出

• 1、算法输入
• 2、算法输出

• 二、算法流程

• 1、算法过程概述
• 2、算法流程图

• 三、具体算法

• 1、AB 计算模块
• 2、LQR模块

• (1)急加速
• (2)急速过弯

• 3、误差与曲率计算模块

• (1)规划点
• (2)匹配点
• (3)方向向量
• (4)误差的距离的向量
• (5)横向误差
• (6)纵向误差
• (7)投影点切线方向与x轴夹角
• (8)横向误差导数
• (9)航向角误差
• (10)弧速度
• (11)横摆角速度误差
• (12)投影点曲率
• (13)输出

• 4、前馈控制计算模块
• 5、最终控制计算模块

• 四、预测模块

• 1、预测模块的重要性
• 2、预测模块算法

• 五、完整算法流程图
• 六、总结
• 参考资料

---

前言

  本篇博客是 自动驾驶控制算法 系列的第八节第Ⅰ部分。内容整理自 B站知名up主 忠厚老实的老王 的视频，作为博主的学习笔记，分享给大家共同学习。

  本节内容是整个横向控制的核心，要把前七节所有内容都用在第八节上。第八节分四小节，本小节讲解具体算法，下一小节讲解模型搭建和代码编程，再下一小节讲解代码优化、注意事项以及仿真结果。

  算法这一讲可以说是整个第八节的核心所在。写代码、做仿真的来源是算法，有了具体算法后，无论用什么平台仿真，用什么语言编写程序，都是水到渠成的事情。只要照着算法编程逻辑是十分清晰的，因为算法已经把逻辑梳理好了，只要照着算法编就可以了。

  相反如果没有写过算法，然后就直接就去编程也可以，但只针对较简单的项目、简单的算法。对于复杂算法，建议各位先把算法写好，把逻辑理清楚，然后再编程。

  本篇博客讲解横向控制算法，前面讲到的控制律：
$u=-ke_{rr}+\delta _f$其中，${{k}=\mathrm{lqr}(A,B,Q,R)}$ 或 ${{\mathrm{dlqr}(\bar{A},\bar{B},Q,R)}}$的解。

关于这些量的计算：

• $A、B$
• $k$
• $e_{rr}$
• $\delta_f$

  第四节讲的是连续规划轨迹的误差计算，第七节是讲的是离散规划轨迹的误差计算。

  将前七节所有的知识把综合起来，就变成了第八节，讲解横向控制的完整算法。横向控制很复杂，模块非常多，所以必须要把算法梳理一遍，不然很容易出错。

---

一、算法输入与输出

1、算法输入

根据前七讲，算法输入分为三类：

• 整车参数
  轴距L、质心到前后轮的距离 $a、b$ 、侧偏刚度 $C_{\alpha}$、质量 $m$、转动惯量 $I$。
• 车辆位置与状态
  包括车辆的 $(x,y,\varphi)$ 以及它的速度 $v_x、v_y$ ，横摆角速度 $\dot \varphi$。
• 规划轨迹点
  轨迹点为四维数组，包含坐标 $x_r,y_r$ 以及轨迹点的切线方向与 x 轴夹角 $\theta_r$ 以及轨迹点的曲率 $\kappa_r$。
  $\left. \left( \begin{array}{c} x_r\\ y_r\\ \theta _r\\ \kappa _r\\ \end{array} \right. \right) =\left( \begin{matrix} x_1& x_2& \cdots\\ y_1& y_2& \cdots\\ \theta _1& \theta _2& \cdots\\ \kappa _1& \kappa _2& \cdots\\ \end{matrix} \right)$

2、算法输出

  算法输出为
$u=-ke_{rr}+\delta _f$

---

二、算法流程

1、算法过程概述

  第一步：通过整车参数加上 $v_x$，可以算出 $A、B$，再设置权重矩阵 $Q、R$，通过 LQR 可得到反馈矩阵 $k$。

  第二步：车辆的位置状态，加上规划轨迹点，可以算出误差 $e_{rr}$ 以及投影曲率 $\kappa$

  第三步：第一步得到反馈矩阵 $k$，以及第二步所得到的投影的曲率 $\kappa$，加上整车参数，再加 $v_x$，可得到前馈控制 $\delta_f$。

  第四步：第一步得到了 $k$ 加上第二步得到的误差 $e_{rr}$，再加上第三步得到 $\delta_f$，可以得到 $u=-ke_{rr}+\delta _f$

2、算法流程图

  流程图可以直观地反映算法的结构，基本上流程画出来，算法逻辑顺序就理清楚了，流程图如下：

• $A、B$
  首先是整车参数和 $v_x$ 作为输入模块，输入进 $A、B$ 计算模块，可算出 $A、B$
• LQR模块
  把 $A、B$ 算出来后，再输入 $Q$ 和 $R$ 进入 LQR 模块，就可算出最终的反馈矩阵 $k$。
• 误差曲率计算模块
  接下来是车辆状态及速度，加上规划轨迹点以及 $v_x$ 作为输入，这里把 $v_x$ 单独拿出来，因为 $v_x$ 在其他模块上也有用。作为输入之后输入进误差和 $k$ 的计算模块，得到误差以及曲率 $\kappa$。
• 前馈控制计算模块
  整车参数再加上 $v_x$ 再加上 $k$ 及 $\kappa$ 输入前馈控制计算模块，可算出前馈控制 $\delta_f$。
• 最终控制计算模块
  最后将反馈矩阵 $k$ 、前馈 $\delta_f$ 以及误差代入最终控制计算模块，可得到最后的控制量 $u$，

$A、B$ 计算模块、误差 $e_{rr}$、反馈矩阵 $k$ 计算模块、前馈控制 $\delta_f$ 计算模块都用到$v_x$ ，将 $v_x$

  流程图包含了从第三节到第七节的所有内容，这就是后续编程的理论依据，以后写代码就是按照流程图来写。

  可以看一下整个算法分为五个模块，写算法具体就是写这五个模块，模块写出来了，算法也就编写出来了。

---

三、具体算法

  下面看一下这五个模块的算法到底该如何编写。

1、AB 计算模块

$A、B$ 的具体表达式的在前面推导过：
$A=\left( \begin{matrix} 0& 1& 0& 0\\ 0& \frac{C_{\alpha f}+C_{\alpha r}}{mv_x}& -\frac{C_{\alpha f}+C_{\alpha r}}{m}& \frac{aC_{\alpha f}-bC_{\alpha r}}{mv_x}\\ 0& 0& 0& 1\\ 0& \frac{aC_{\alpha f}-bC_{\alpha r}}{Iv_x}& -\frac{aC_{\alpha f}-bC_{\alpha r}}{I}& \frac{a^2C_{\alpha f}+b^2C_{\alpha r}}{Iv_x}\\ \end{matrix} \right)$$B=\left( \begin{array}{c} 0\\ -\frac{C_{\alpha f}}{m}\\ 0\\ -\frac{aC_{\alpha f}}{I}\\ \end{array} \right)$  上式和车辆参数、 $v_x$ 有关的矩阵，把车辆参数及 $v_x$

  注意：要考虑当 $v_x=0$ 时的奇异性，$A$

2、LQR模块

$A、B、Q、R$ 有关，而 $A、B$ 只与整车参数和 $v_x$

注意：整车参数只是近似认为不变，并不是一成不变。在某些情况下就是整车参数不能认为近似不变，必须要考虑整车参数变化所带来对 $k$

在什么情况下不可近似处理呢？

(1)急加速

  如果车辆在疯狂加速，即加速度非常大、非常猛时：

$1/ 4$

(2)急速过弯

  非常急速的过弯时，整个车都倾斜起来：

  此时车左右轮明显不对称，因为右轮几乎承受了车的全部重量，而左轮几乎没有承受任何力，导致自行车模型不再适用。

  所有的理论都基于自行车模型，即把左右两个轮认为是一个轮，等于是把车压扁了，意味着自行车模型只适用于左右对称或是近似对称的情况。而在极速过弯情况下，不能认为左右轮对称。

$k$

$0.4$ 倍的重力加速度，即$a_y>0.4g$，就属于急速过弯。

$A、B$ 只与 $v_x$

${{k}=\mathrm{lqr}(A,B,Q,R)}$ 或 ${{\mathrm{dlqr}(\bar{A},\bar{B},Q,R)}}$，这样每个 $v_x$ 都有唯一的 $k$

$v_x$ 与 $k$

  比如有如下形式的对应表：

$k$
0.01
0.02
0.03	$v_x$
…	…
50	$v_x$

$v_x$ 与 $k$ 的对应关系。这样测出 $v_x$ 后，直接查表查出 $k$，这就是用离线查表法计算 LQR。

查表法计算 LQR 的优缺点如下：

• 优点
  大大加快计算速度
• 缺点
  耗费存储空间

  这是典型为了加快程序运算速度而采用空间换时间的算法，通过查表法算， LQR 可以把速度提升好几个数量级，特别是在控制中，对实时性的要求是最高的，这就意味着必须要尽一切可能加快程序运算速度。

  一般在实际应用中的 LQR 不是通过调包计算的，而是查表查出来的。而且查表法算LQR 对高速运动的控制也有效果，因为高速和低速的区别就在于侧偏刚度变化，其他变化不大。

$k$ 就和 $v_x$ 以及侧偏刚度 $C_\alpha$ 有关，就是从一维表格变成三维表格。可以把速度以及侧偏刚度输进去，查 $k$

3、误差与曲率计算模块

  该模块是整个算法的核心。

(1)规划点

  首先要有规划轨迹，就是一系列的四维数组点：
$\left. \left( \begin{array}{c} x_r\\ y_r\\ \theta _r\\ \kappa _r\\ \end{array} \right. \right) =\left( \begin{matrix} x_1& x_2& \cdots\\ y_1& y_2& \cdots\\ \theta _1& \theta _2& \cdots\\ \kappa _1& \kappa _2& \cdots\\ \end{matrix} \right)$

(2)匹配点

$(x_R,y_r)$ 找到与 $(x,y)$ 最近的规划点的序列号，记为 $d_{min}$。

【序列号】是距离最短的点的下标序列，遍历所有规划点，比如找到第四个规划点距离车辆当前位置 $(x,y)$ 最近，那么$d_{min}=4$。最短距离的点叫做匹配点，$d_{min}$

(3)方向向量

$\vec{\tau}$ 与法线方向量 $\vec{n}$：
$\vec{\tau}=\left( \begin{array}{c} \cos \left( \theta _{d_{\min}} \right)\\ \sin \left( \theta _{d_{\min}} \right)\\ \end{array} \right) \quad \vec{n}=\left( \begin{array}{c} -\sin \left( \theta _{d_{\min}} \right)\\ \cos \left( \theta _{d_{\min}} \right)\\ \end{array} \right)$

(4)误差的距离的向量

$d_-\vec{e}_{rr}$：
$d_-\vec{e}_{rr}=\left( \begin{array}{c} x-x_{d_{min}}\\ y-y_{d_{min}}\\ \end{array} \right)$  实际上就是两个向量的减法，第一个向量是车辆真实位矢向量，第二个向量是匹配点的位矢向量，这两个相减就是误差的距离向量，对应的就是第七节的 $\vec{x}-\vec{x}_m$。

(5)横向误差

$e_d=\vec{n}^{T}\cdot d_{-}\vec{e}_{\mathrm{rr}}$

(6)纵向误差

$e_s=\vec{\tau}^T\cdot d_-\vec{e}_{rr}$

(7)投影点切线方向与x轴夹角

$\theta_r$，即投影点切线方向与 $x$ 轴夹角，因为匹配点不等于投影点，所以还要进行相应的运算：
$\theta _r=\theta _{d_{\min}}+\kappa_{d_{\min}}\cdot e_s$

(8)横向误差导数

$\dot{e}_d=|\vec{v}|\sin \left( \theta -\theta _r \right) =v_y\cos \left( \varphi -\theta _r \right) +v_x\sin \left( \varphi -\theta _r \right)$

(9)航向角误差

$e_{\varphi}=\varphi-\theta_r$

(10)弧速度

$\dot{s}=\frac{v\cos \left( \theta -\theta _r \right)}{1-\kappa _{d_{min}}\cdot e_d}=\frac{v_x\cos \left( \varphi -\theta _r \right) -v_y\sin \left( \varphi -\theta _r \right)}{1-\kappa_{d_{\min}}e_d}$

(11)横摆角速度误差

$\dot{e}_{\varphi}=\dot{\varphi}-\kappa_{\text{d}_{\min}}\cdot \dot{s}$

(12)投影点曲率

$\kappa _r=\kappa _{\text{d}_{\min}}$

(13)输出

  第三个模块的算法是整个控制算法中最复杂的，这一块涉及到的公式很多，而且很容易出问题。

$A$ 和 $B$，做了一系列假设，其中假设 $e_\varphi$ 比较小，所以$\sin e_\varphi=e_\varphi$，以及$\cos e_\varphi$近似认为是1，然后才能得到 $A$ 和 $B$

$e_{\varphi}=\varphi-\theta_r$ 有问题，角度具有多值性，即 $\varphi + 2\pi$，还是原来角度，但从 $e_\varphi$ 的角度上来说，$\varphi + 2\pi$ 就不是小角度了，包括 $\theta_r$ 也一样，$\theta_r=0$ 和 $\theta_r=2 \pi$ 实际上是同一个角度，但如果用$e_{\varphi}=\varphi-\theta_r$，可能导致 $e_{\varphi}$

$u=-ke_{rr}+\delta _f$ ，误差 $e_{rr}=\left( e_d,\dot{e}_d,e_{\varphi},\dot{e}_{\varphi} \right) ^T$ ，最终控制中的 $u$ 和$e_{\varphi}$ 有关系，这样可能导致$e_{\varphi}$ 在短时间内突变成多 $2\pi$，导致控制量 $u$

  所以第九步最容易出错，在具体写代码时注意避免。

4、前馈控制计算模块

$k_{3}=k(3)$$\delta _f=\kappa\left[ a+b-bk_3-\frac{mv_{x}^{2}}{a+b}\left( \frac{b}{C_{\alpha f}}+\frac{a}{C_{\alpha r}}k_3-\frac{a}{C_{\alpha r}} \right) \right]$

5、最终控制计算模块

$\delta =-ke_{rr}+\delta _f$

$u$。

---

四、预测模块

  但这样还不够，因为这五个模块只是前七节讲到的内容，为了更好地体现算法性能，还要再加预测模块。

1、预测模块的重要性

为什么要加预测模块？

  首先因为车本身具有惯性，导致控制天生有滞后性。为了解决这个问题，要进行提前控制，加入预测模块。

  这里具体解释一下。比如有一段规划轨迹：

  如果是人开车，看到这样一条路径规划，会不会去打方向盘？应该不会，因为人具有预见性，能看到未来路径到底长什么样。虽然现在的状态和规划路径有误差，但是如果保持当前状态行驶，在未来一段时间内，车和规划路径就没有误差了。所以人不会打方向盘，因为人能知道未来的路径规划是什么。

  但算法不行，算法开车只会机械地寻找与真实位置最接近的规划轨迹点。如果算出误差不等于0，那么算法就会打方向盘。

  下面的例子也说明了同样的道理：

  人开车的话，知道未来的路径规划不是直线，所以即使现在的运动状态和规划的轨迹完全贴合，没有误差，人也会提前动方向盘。

$0$，算法不会动方向盘，只在匀速直线运行到下一时刻时，发现此时误差不等于 $0$，才会动方向盘。所以算法控制具有一定的滞后性，看不到未来的路径规划，只关心哪个轨迹点与真实位置最近。

  所以要加上预测模块，为了更好地控制，算法需要具有一定的预见性。

  预测就是在车辆当前状态下，假设车辆在一段时间内做匀速直线运动，运动后的点就是预测点。比如说下面这样：

$d$，所以 $d$ 不等于 $0$， $u$ 就不等于 $0$，算法就会打方向盘。

$x_{pre}$ 和轨迹重合，$u=0$，所以就不打方向盘，这时算法就具有预见性。

$0$，现在用预测点和规划点计算误差，此时误差不等于 $0$，所以打方向盘。

2、预测模块算法

  下面编写具体的预测算法，比如下图的直角坐标系：

$v$，与 $x$ 轴夹角为 $\theta$，预测时间记为 $t_s$，假设在预测时间内，车辆做匀速直线运动，那么前视距离为 $vt_s$。若有加速度信号，则前视距离为 $vt_s+\frac{1}{2}at_{s}^{2}$。

$( x_{pre},y_{pre},\varphi _{pre},v_{xpre},v_{ypre},\dot{\varphi}_{pre})$

  根据几何关系有：
$\begin{aligned} x_{pre}&=x+vt_s\cos \theta =x+vt_s\cos \left( \beta +\varphi \right) =x+v_xt_s\cos \varphi +v_yt_s\sin \varphi\\ y_{pre}&=y+vt_s\sin \theta =y+v_yt_s\cos \varphi +v_xt_s\sin \varphi\\ \varphi _{pre}&=\varphi +\dot{\varphi}t_s\\ v_{xpre}&=v_x\\ v_{y\text{pre}}&=v_y\\ \dot{\varphi}_{\text{pre}}&=\dot{\varphi}\\ \end{aligned}$

---

五、完整算法流程图

  加入预测模块后的算法流程图：

---

六、总结

$(x,y,\varphi ,v_x,v_y,\dot{\varphi})$ 和规划轨迹 $\left( x_r,y_r,\theta _r,\kappa _r \right)$ 做误差计算，现在加入预测模块，就用预测点的 $\left( x_{pre},y_{pre},\varphi _{pre},v_{xpre},v_{ypre},\dot{\varphi}_{pre} \right)$

  这才是想要的完整算法，后续编程就按照算法流程图来编写，一共六大模块，已经全部讲完。

  本篇博客就写到这里，但第八节还没有完，下一小节讲解具体的代码编写以及模型搭建。欢迎关注！

---

参考资料

  【基础】自动驾驶控制算法第八节(一）横向控制算法与流程图

---

后记：

🌟 感谢您耐心阅读这篇关于 横向控制Ⅰ | 算法与流程 的技术博客。 📚

🎯 如果您觉得这篇博客对您有所帮助，请不要吝啬您的点赞和评论 📢

🌟您的支持是我继续创作的动力。同时，别忘了收藏本篇博客，以便日后随时查阅。🚀

🚗 让我们一起期待更多的技术分享，共同探索移动机器人的无限可能！💡

🎭感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行 🚀