模型預測控制MPC

模型預測控制（或MPC）是一種更複雜的控制器，它非常依賴于數學優化，但基本上可以将MPC歸結為三個步驟：

1、建立車輛模型。

2、使用優化引擎計算有限時間範圍内的控制輸入。

3、執行第一組控制輸入。

MPC是一個重複過程，它着眼未來，計算一系列控制輸入，并優化該序列。但控制器實際上隻實作了序列中的第一組控制輸入，然後控制器再次重複該循環。

為什麼我們不執行整個控制輸入序列呢？那是因為我們隻采用了近似測量與計算。如果實作了整個控制輸入序列，實際産生的車輛狀态與我們的模型有很大差異，最好在每個時間步不斷地重新評估控制輸入的最優序列。

第一步

MPC的第一步為定義車輛模型，該模型近似于汽車的實體特性，該模型估計了假如将一組控制輸入應用于車輛時會發生什麼。接下來，我們決定MPC預測未來的能力。預測越深入，控制器就越精确，不過需要的時間也越長。是以，我們需要在準确度與快速擷取結果之間做出取舍。擷取結果的速度越快，越能快速地将控制輸入應用到實際車輛中。

第二步

下一步是将模型發送到搜尋最佳控制輸入的優化引擎。該優化引擎的工作原理是通過搜尋密集數學空間來尋求最佳解決方案。為縮小搜尋範圍，優化引擎依賴于車輛模型的限制條件。

優化引擎可間接評估控制輸入，它通過使用以下方法對車輛軌迹進行模組化：通過成本函數對軌迹進行評估。成本函數主要基于與目标軌迹的偏差；其次，基于其他因素，如加速度和提升旅客舒适度的措施。

為使乘客感覺更舒适，對控制輸入的調整應該很小。因為動作變化幅度過大會讓乘客感到不舒服。根據具體情況，我們可能需要為其考慮進一步的成本，并設計成本函數。模型、限制和成本函數合并在一起，并作為優化問題加以解決。我們可以在不同的優化引擎中，選擇一種來尋找最佳解決方案。

總結

控制實際上是無人駕駛汽車實作自動移動的方式。在控制中，我們使用轉向、加速和制動來運作我們的目标軌迹。我們研究了幾種不同類型的控制器。PID控制是一種簡單而強大的控制算法，線性二次調節器和模型預測控制是另外兩種類型的控制器，它們更複雜，但也更強大、更準确。Apollo支援所有這三種控制器，而你也可以選擇最适合自己的控制器！