文章[1]综合概述了智能汽车横向控制国内发展历程与研究现状，重点介绍了基于车辆动力学模型和控制理论的设计方法，其中车辆动力学模型包括2自由度、3自由度、7自由度、8自由度、12自由度、13自由度等整车模型；控制方法包括经典控制理论、最优控制方法（LQR）、自适应控制方法、鲁棒控制方法、滑模控制方法、模型预测控制（MPC）方法等方法。
在众多模型及控制方法中，如何选择适当模型和控制方法呢？首先看两个极端方式：一种极端是认为控制理论中模型的不完善无关紧要，因为反馈可以减少包括模型误差在内的不确定性的作用，因而牺牲了模型而把重点放在控制器上；另一个极端则十分重视从物理规则推演出来的精确模型，而控制设计师容易的，至少在得到模型后是计算上可以实现的。它使人相信设计一个控制系统的唯一通道是首先要有一个十分精确的微观模型。这一个极端观点完全忽视了模型不确定性问题及其对控制设计的影响。
当然没有人会采用这两种极端的方式。因为从无数实践中我们学到，一个复杂的系统可以在简化的模型上用反馈控制得到成功。因而控制工程中的模型问题和物理学中的模型问题是完全不同的。在控制理论中，问题的关键是寻找一个健壮的在数学上精炼的模型加一个强有力反馈设计方法，以构成一个健壮的、适应的、有容许误差能力的控制系统[2]。
回到自动驾驶车辆控制，我们发现在文章[1]中提到的所有的车辆控制研究在车辆建模过程总都采用了2自由度车辆模型，即便在极限操纵的情况下[3-5]（横向加速度达到8~9m/s2），2自由度车辆模型依然表现出良好性能，虽然2自由度模型普遍被定义为当极限操作情况下不能精确模拟车辆运动特性。当遇到弯道、坡道等工况，也并没有采用道路补偿的2自由度车辆模型[6]，而是在控制中直接加入弯道等因素的前馈。
在控制方法中，目前采用较多是PID、LQR、MPC方法，例如在Apollo和Autoware开源系统中都提供上述三种控制方法供选择[7,8]。由于计算资源等因素的限制MPC方法受到一定程度限制，例如书籍[9]中的第三章至第六章系统介绍了MPC控制的设计方法，但在第七章具体实践中仅借鉴了MPC的思想，最终却使用了运动学模型+PID方法整体实验。文章[10]对比了不同控制方法的整体表现如图1所示，发现虽然某些控制方法较为先进（例如LQR）但是也只是在特定场景下表现出优秀性能。在实际量产过程中，当基本架构算法完成后，更多的工作是针对不同车辆、不同工况的适配、调参工作，PID参数调节的便捷性体现了巨大优势，PID方法在工程上得到最广泛应用。
图1不同控制方法性能表现
参考文献
1.陈慧岩等，智能汽车横向控制方法研究综述[J]
2.刘豹，唐万生，现代控制理论（第3版）[M]
3.KrisadaKritayakirana,J.ChristianGerdes,Usingthecentreofpercussiontodesignasteeringcontrollerforanautonomousracecar
4.NitenR.Kapania,J.ChristianGerdes,Designofafeedback-feedforwardsteeringcontrollerforaccuratepathtrackingandstabilityatthelimitsofhandling
5.KirstinL.RTalcala,KrisadaKritayakirana,J.ChristianGerdesPushingthelimits:Fromlanekeepingtoautonomousracing
6.RajeshRajamani,王国业（译）,车辆动力学及控制[M]
7.GitHub-Autoware-AI/autoware.ai:Open-sourcesoftwareforself-drivingvehicles
8.GitHub-ApolloAuto/apollo:Anopenautonomousdrivingplatform
9.龚建伟等，无人驾驶车辆模型预测控制（第一版）[M]
10.JarrodM.Snider，AutomaticSteeringMethodsforAutonomousAutomobilePathTracking[D]
预览时标签不可点收录于话题#个上一篇下一篇