3. 经典控制方法
各位同学，今天我们来聊聊路径跟踪里最经典、也最实用的几个控制方法。说实话，我在自动驾驶这行摸爬滚打这么多年，见过各种花里胡哨的算法，但真正量产车上跑得最多的，还是今天要讲的这几个老朋友——PID、前馈-反馈、还有纯跟踪。
嗯，咱们一个一个来。先别急着上代码，先把思路理清楚。
3.1 PID控制在路径跟踪中的应用
PID控制，说白了就是三个字：比例、积分、微分。你想想看，开车的时候，你眼睛看到车偏离了车道中心线，你会怎么做？
- 比例（P）：偏离了多少，就打多少方向。偏离越大，打方向越猛。
- 积分（I）：如果一直有稳态误差，比如总是偏左一点点，积分项会慢慢累积，帮你把车拉回来。
- 微分（D）：看到偏离的趋势，提前预判。比如车正在快速往右偏，微分项会提前给一个反向修正。
我在项目中遇到过一个问题：只用P控制，车在弯道里总是有稳态误差，怎么调都调不好。后来加了I项，问题就解决了。但I项也不能太大，否则过弯时会有明显的超调。
核心公式：
u(t) = Kp * e(t) + Ki * ∫e(τ)dτ + Kd * de(t)/dt其中 e(t) 是横向偏差，u(t) 是方向盘转角指令。
我的经验：调PID参数时，先调P，让车能大致跟着走；再加D，抑制震荡；最后加I，消除稳态误差。别一上来三个参数一起调，容易乱。
3.2 前馈-反馈控制结构
纯PID有个问题——它是个被动纠偏的东西。你想想看，车在弯道里，明明知道前面有个弯，为什么非要等偏了再纠？这不合理。
所以就有了前馈-反馈结构。说白了就是：
- 前馈：根据道路曲率，提前算好一个基准方向盘转角。比如弯道曲率大，就多打一点方向。
- 反馈：用PID去修正前馈没算准的部分，比如风、路面不平、轮胎磨损等干扰。
我曾经在一个高速项目里，只用反馈控制，结果在曲率变化大的匝道上，车总是进弯慢半拍。后来加了前馈，效果立竿见影。
前馈控制量计算：
δ_ff = arctan(L * κ)其中 L 是轴距，κ 是道路曲率。这个公式基于阿克曼转向几何，简单实用。
注意：前馈不能完全替代反馈。因为模型总有误差，比如轮胎侧偏刚度会随车速变化。前馈给个大概，反馈做精细调整，这才是王道。
3.3 纯跟踪（Pure Pursuit）算法详解
纯跟踪算法，我个人非常喜欢。它思路特别直观：想象你车前面有一个点，这个点在目标路径上，离车有一定距离（叫前视距离）。你控制方向盘，让车一直朝着那个点开。
嗯，就像你小时候玩的那种拉线小车，车头永远指向下一个目标点。
算法步骤：
- 在目标路径上，找到距离车辆前视距离 Ld 处的目标点。
- 计算车辆当前位置到目标点的横向偏差 e。
- 根据几何关系，计算期望的转弯半径 R。
- 输出方向盘转角 δ = arctan(2 * L * sin(α) / Ld)。
核心公式：
δ(t) = arctan( 2 * L * sin(α(t)) / Ld )其中 α 是车辆航向与目标点方向之间的夹角，L 是轴距，Ld 是前视距离。
前视距离 Ld 怎么选？这是纯跟踪算法的灵魂。Ld 太小，车会震荡；Ld 太大，车会切弯。我一般建议 Ld 与车速成正比：
Ld = k * v + Ld_min其中 k 是系数，v 是车速，Ld_min 是最小前视距离。高速时前视远一点，低速时近一点，这样比较合理。
避坑指南：我曾经在雨雪天气测试纯跟踪，发现车总是走不直。后来发现是前视距离没考虑路面附着系数。湿滑路面，前视距离要适当增大，让车更平缓地转向。
3.4 三种方法的对比与选择
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| PID | 简单、计算量小、调参直观 | 有稳态误差、对弯道预判不足 | 直线或小曲率弯道 |
| 前馈-反馈 | 响应快、能预判弯道 | 需要道路曲率信息、模型依赖 | 高速弯道、匝道 |
| 纯跟踪 | 几何直观、路径跟踪平滑 | 前视距离难调、高速时可能不稳定 | 低速到中速、结构化道路 |
我个人习惯是：低速场景用纯跟踪，中高速用前馈-反馈，调试阶段先用PID快速验证。你想想看，实际工程里没有银弹，组合使用才是正解。
3.5 本章知识体系
下面这张图，是我自己总结的三种控制方法的关系。你看一眼，就能明白它们各自的位置和联系。
你看这张图，从上到下，从目标到方法再到工程建议，逻辑很清晰。实际项目中，我建议你先从纯跟踪入手，因为它最直观，调起来也快。等你对路径跟踪有了感觉，再尝试前馈-反馈结构，最后用PID做精细微调。
总结一句话：没有最好的算法，只有最合适的组合。PID、前馈-反馈、纯跟踪，这三板斧用好了，高速场景的路径跟踪基本就稳了。
好了，这一章的内容就到这里。记住，理论是基础，但真正让你成长的，是调试时遇到的那些坑。多动手，多思考，你也能成为路径跟踪的高手。