python路线寻优_使用模型预测控制和PID实现自动驾驶的车道保持

最新推荐文章于 2024-10-28 21:57:56 发布

weixin_39823200

最新推荐文章于 2024-10-28 21:57:56 发布

阅读量1.2k

点赞数

文章标签： python路线寻优

本文介绍了自动驾驶中的车道保持技术，重点探讨了模型预测控制（MPC）和PID在路径规划和控制中的应用。通过动力学模型预测车辆状态，优化损失函数以最小化轨迹误差、转向误差和速度变化，实现平滑驾驶体验。同时，文章还提到了PID控制器的工作原理，作为另一种控制策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文为 AI 研习社编译的技术博客，原标题：

Lane keeping in autonomous driving with Model Predictive Control & PID

作者 | Jonathan Hui

翻译 | 韧明

校对 | 酱番梨整理 | 菠萝妹

原文链接：

https://medium.com/@jonathan_hui/lane-keeping-in-autonomous-driving-with-model-predictive-control-50f06e989bc9

照片来自 Campbell Boulanger

使用模型预测控制和PID实现自动驾驶的车道保持

(视频)黄色的路径是目标轨迹，绿色的路径是我们的汽车如何使用MPC移动。

自动驾驶的3大核心科技是定位(在哪里)，感知(周围是啥)以及控制(咋开车呢)。通过车道检测，我们可以对车的行进路线进行路径规划。本篇文章主要通过一个自行车的动力学模型讨论车辆的加速、刹车和转向的模型预测控制。目的不仅在于尽可能地控制车辆轨迹，同时也还要尽可能使速度平滑以避免晕车和频繁的刹车。

模型预测控制主要在约束条件下使损失函数最小。例如，我们想要以100ms的周期调整转向和速度，在转向角度不能超过25°的约束下，最小化以规划的路径和实际路径之间的误差。我们通过传感器获取车辆的状态，比如速度，而我们的动作基于传感器读数以一个短的周期执行(例如1s)。例如，我们顺时针转向20°，然后每100ms周期减小1°。加入这些动作可以1秒钟之后的损失函数最小，我们将会采用第一个动作：顺时针转动20°，但是却并不执行后续的动作，而是在100ms后，重复优化过程。100ms后，有了新的读数，我们就重新计算下一个最优动作。模型预测