無(wú)模型的 PID 橫向控制算法參數(shù)少,簡(jiǎn)單易用,但是由于沒(méi)有考慮車輛系統(tǒng)動(dòng)力學(xué)特性及路徑本身的動(dòng)態(tài)變化特性,對(duì)外界干擾的魯棒性較差。
在高速或曲率較大的彎道場(chǎng)景時(shí),會(huì)出現(xiàn)較大的跟蹤誤差和“畫龍”現(xiàn)象,因此,該方法比較適合應(yīng)用于低速曲率較小的路徑跟蹤控制場(chǎng)景中。
基于運(yùn)動(dòng)學(xué)模型的橫向控制算法中,Pure Pursuit 和 Stanley 前輪反饋算法在中低速場(chǎng)景下,他們的路徑跟蹤的性能較好。
Pure Pursuit 在大的跟蹤誤差和非連續(xù)的路徑場(chǎng)景下魯棒性較好,其控制的關(guān)鍵在于對(duì)最佳前向預(yù)瞄距離的確定其中,增大前向預(yù)瞄距離將提高車輛控制的穩(wěn)定性。
但隨之會(huì)帶來(lái)路徑跟蹤性能降低及穩(wěn)態(tài)誤差增大的后果,表現(xiàn)出轉(zhuǎn)彎內(nèi)切現(xiàn)象。
相比于 Pure Pursuit 算法,Stanley 前輪反饋算法還額外考慮了橫擺角偏差,因此在大多數(shù)場(chǎng)景下,跟蹤性能更佳,然而,由于沒(méi)有設(shè)置前向預(yù)瞄,Stanley 算法會(huì)出現(xiàn)轉(zhuǎn)向過(guò)度的情況。
與 Pure Pursuit 和 Stanley 算法相比,后輪反饋控制算法計(jì)算更加復(fù)雜, 對(duì)路徑的平滑性要求更高。
在中等速度下的跟蹤性能及魯棒性與 Stanley 方法近似,然而在速度較大時(shí),穩(wěn)態(tài)誤差也會(huì)變大,從而導(dǎo)致控制效果不佳。
LQR 算法使用二自由度動(dòng)力學(xué)模型來(lái)設(shè)計(jì)橫向控制器,與前述基于運(yùn)動(dòng)學(xué)模型的幾種算法相比,LQR 參數(shù)調(diào)節(jié)更加復(fù)雜,其不僅需要獲取車輛自身的模型參數(shù)。
還需要調(diào)節(jié)LQR 目標(biāo)函數(shù)的 Q,R 矩陣以獲得較優(yōu)的跟蹤性能。
LQR 算法的優(yōu)點(diǎn)在于,通過(guò)與轉(zhuǎn)向前饋進(jìn)行有效結(jié)合,LQR 能夠很好的解決曲線行駛時(shí)的穩(wěn)態(tài)跟蹤誤差,在中等速度曲線行駛時(shí)其穩(wěn)態(tài)誤差趨近于零,從而極大提升跟蹤性能。
LQR 非常適用于路徑平滑的高速公路及城市駕駛場(chǎng)景,具有較好的車輛高速控制性能。
但是,由于模型的固有缺陷,LQR 與前饋控制的結(jié)合也無(wú)法解決所有跟蹤控制問(wèn)題,由于該方法采用基于簡(jiǎn)化后的二自由度動(dòng)力學(xué)模型。
因此當(dāng)車輛運(yùn)動(dòng)不滿足二自由度動(dòng)力學(xué)模型轉(zhuǎn)向小角度,或輪胎動(dòng)力學(xué)線性化的假設(shè)條件時(shí),LQR 算法的跟蹤性能會(huì)大幅降低,從而導(dǎo)致控制失效。
-
PID
+關(guān)注
關(guān)注
35文章
1467瀏覽量
85081 -
模型
+關(guān)注
關(guān)注
1文章
3058瀏覽量
48571 -
無(wú)人駕駛
+關(guān)注
關(guān)注
98文章
3996瀏覽量
119901 -
LQR
+關(guān)注
關(guān)注
1文章
6瀏覽量
3131
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論