《 无人驾驶原理与实践》一1.3.6控制系统

1.3.6控制系统

       作为无人车系统的最底层，控制系统层旨在将规划好的动作在车辆控制层面实现，所以控制模块的评价指标即为控制的精准度。控制系统内部会存在测量反馈，控制器通过比较车辆的测量和预期来输出相应的控制动作，这一过程称为反馈控制（Feedback Control）。
       反馈控制被广泛地应用于自动化控制领域，其中最典型的反馈控制器当属PID控制器（ProportionalIntegralDerivative Controller），PID控制器的控制原理基于一个单纯的误差信号，这个误差信号由三项构成，即误差的比例（Proportion）、误差的积分（Integral）和误差的微分（Derivative）。PID控制器实现简单、性能稳定，因此目前仍然是工业界最广泛使用的控制器，但是作为纯反馈控制器，PID控制器在无人车控制中（特别是高速运动的过程中）存在一定的问题：PID控制器是单纯基于当前误差反馈的，由于制动机构的延迟性，在高速运动场景下会给控制本身带来非常大的延迟影响，而由于PID内部不存在系统模型，故其不能对延迟建模，为了解决这一问题，我们引入基于模型预测的控制方法。
       模型预测控制（Model Predictive Control，MPC）是指借助车辆运动模型来预测未来一个时间段的运动，并通过不断优化控制参数来拟合这一系列运动的方法，通常模型预测的时间段较短［6］。模型预测控制由四部分组成，分别是：
     ◆    预测模型：基于当前的状态和控制输入来预测未来一段时间内状态的模型，在无人车系统中，通常是指车辆的运动学/动力学模型。
     ◆    反馈校正：对模型施加了反馈校正的过程，使预测控制具有很强的抗扰动和克服系统不确定性的能力。
     ◆    滚动优化：滚动地优化控制序列，以得到与参考轨迹最接近的预测序列。
     ◆    参考轨迹：即设定的轨迹。

       图18是模型预测控制（MPC）的基本结构图，由于模型预测控制基于运动模型进行优化，PID控制中的控制时延问题可以在建立模型时考虑进去，所以模型预测控制在无人车控制中具有较高的应用价值。
       无人车控制的另外两个问题是轨迹生成（Trajectory Generation）和轨迹跟踪（Trajectory Tracking）。轨迹生成是指找到一组控制输入u(t)，使得预期的输出结果为目标状态的轨迹x(t)，其中，车辆的运动学/动力学约束是整个轨迹生成的约束条件，当一条轨迹x(t)不存在对应的控制输入u(t)使其能够满足车辆动力学约束时，我们称这个轨迹是不可达的。目前在无人车领域中使用的轨迹生成方法通常都是基于车辆动力学模型的。
       轨迹跟踪主要分为两类方法：基于几何路径跟踪方法和基于模型的跟踪方法。基于模型的方法通常使用车辆的运动学和动力学模型来实现，其中，运动学模型在低速状态下效果好，而基于动力学模型的控制器在高速场景下跟踪效果更好，但是在较大加速度以及路径曲率过大的情况下效果一般。几何路径跟踪方法使用简单的几何关系来导出转向控制规则，这类方法利用前视距离（Look Ahead Distance）来测量车辆前方的误差，其复杂度也是从简单的圆弧计算到更复杂的几何定理，如向量跟踪法。
       本书后文将介绍最常用的几何路径跟踪算法，如纯追踪（Pure Pursuit）算法。纯追踪算法的实现比较简单，是广泛使用的轨迹跟踪算法。纯追踪算法的输入是一系列路径点（Waypoint），它通过计算一条曲线来实现让车辆从当前位置移动到目标位置。纯追踪算法的关键在于选择路径中位于车辆前方一段距离（前视距离）的目标点，让车辆跟踪这个目标点，随着车辆自身的移动，前视目标点也随之移动，从而使得车辆沿着一系列轨迹点行驶，这种循迹的方法有点像人类驾驶员开车的场景，因为我们开车的时候也总是盯着道路前方一段距离来控制方向，从而让车到达前方的那个位置。