“ 在过去的几年里，无人驾驶汽车已成为人工智能领域的主要主力之一。鉴于交通死亡人数众多、老年人和残疾人的行动能力有限以及交通拥堵和拥堵问题日益严重，自动驾驶汽车有望解决我们社会最重要的问题之一：移动的未来。然而，让汽车在很大程度上不受约束的环境中自行驾驶需要一套与人类认知相媲美的算法技能，因此这项任务非常困难。本文将介绍自动驾驶汽车最主要的范例：基于模块化管道的方法以及基于深度学习的端到端驾驶技术。主题包括摄像头、激光雷达和基于雷达的感知、定位、导航、路径规划、车辆建模/控制、模仿学习和强化学习。这些教程将通过在自动驾驶背景下实施几种基于深度学习的感知和感觉运动控制方法来加深所获得的知识。为了实现这一目标，我们将在现有的模拟环境和已建立的深度学习框架的基础上进行构建，本文主要介绍下车辆控制问题。”
01
—
Introduction
自动驾驶的方法主要分为如下两种：
一种是基于模块的方法，一种是基于深度学习的端到端的方法。
我们注意到驾驶和辅助驾驶系统都需要车辆控制模块。
电子稳定程序，如今，您的汽车上已经配备了精密的控制器！
辅助系统的发展历史：
1926：伺服制动（Pierce-Arrow）
1951 年：伺服转向系统（克莱斯勒）
1958 年：巡航控制系统（克莱斯勒）
1978：防抱死制动系统ABS（博世）
1986：牵引力控制系统ASR（博世）
1995：电子稳定程序ESP（博世/宝马）
2000：自适应巡航控制ACC（三菱/丰田/博世）
2002：紧急制动辅助系统（梅赛德斯奔驰）
2003：车道保持辅助系统（本田）
2007：自动泊车辅助系统（法雷奥）
开环控制
（1）需要对被控对象和影响因素有精确的了解
（2）没有关于受控变量的反馈
（3）无法处理未知干扰，导致偏差
闭环控制
利用反馈回路尽量减少参考和测量之间的误差。
我们在这里主要考虑用闭环控制方法，并且我们需要对汽车的纵向和横向同时进行控制，考虑使用如下三种控制器：
（1）黑盒控制：我们不知道它的运算过程。
（2）几何控制器：利用车辆和路径之间的几何关系，形成紧凑的路径跟踪控制律。
（3）最优控制器：利用系统知识，最小化未来时间步骤中的目标函数。
02
—
黑盒控制
Bang-Bang控制
（1）又称滞后控制器，通常用于家用恒温器等；
（2）突然在两种状态之间切换；
PID控制
（1）当前工业应用中最常见的控制器
（2）不需要了解要控制的工厂/过程
（3）包括比例（P）、积分（I）和微分（D）元素
（4）参考变量r（t）、校正变量u（t）、受控变量y（t）、误差e（t）
（1）单独使用 P 元素会导致过冲/振荡
（2）添加 D 元素可通过引入阻尼行为缓解此问题；
（3）I 元素通过整合过去的误差测量来纠正残余误差
车辆纵向PID控制举例：
PID横向控制举例：
稳态误差定义为当时间趋于无穷大时（即响应达到稳态时），系统在极限范围内的输入（命令）和输出之间的差值。稳态误差分析仅对稳定系统有用（如果线性系统的输出对于任何有界输入都保持有界，则该系统是稳定的）。
03
—
几何控制
PurePursuit控制
Stanley控制
（1）v=速度，ψ=航向误差，e=交叉轨迹误差。
（2）参考前轴，不向前看
（3）结合航向误差和交叉轨迹误差
（4）可以看出，交叉轨迹误差
（5）性别指数收敛至 0 (index.of)适用于无干扰的小速度
（1）斯坦利控制器可以纠正较大的横向轨迹和较大的航向误差；
（2）全局稳定性：独立于初始条件引导车辆后退（已证明）但不考虑嘈杂的观测、执行器动力学；
（3）轮胎力效应可以添加软化/阻尼项和曲率信息。
模型预测控制
将LQR推广至：
（1）非线性成本函数和动力学（考虑直路通向转弯）；
（2）灵活：允许后退窗口和纳入约束；
（3）成本高昂：每次迭代都需要进行非线性优化。
PID和MPC二者控制效果请参见下面每一帧的连续图片：
05
—
总结
（1）开环控制器无法处理未知干扰；因此，在实践中，我们需要带有传感器反馈的闭环控制；
（2）黑盒控制器不需要了解过程最流行的黑盒控制器：PID 控制器
几何控制器利用几何关系进行路径跟踪.
（3）最优控制器使用车辆模型并优化成本函数，MPC 是最灵活和最强大的方法，但是，MPC 要求在每个步骤中解决优化问题。
附赠
【一】上千篇CVPR、ICCV顶会论文
【二】动手学习深度学习、花书、西瓜书等AI必读书籍
【三】机器学习算法+深度学习神经网络基础教程
【四】OpenCV、Pytorch、YOLO等主流框架算法实战教程
➤ 评论区留言【学习】
➤ 还可咨询论文辅导❤【毕业论文、SCI、CCF、中文核心、El会议】评职称、研博升学、本升海外学府！
