刚刚学习了cousera上的自动驾驶课程第一课，在CarLa模拟器上跑了三种不同横向控制方法的表现（纵向用的PID）。在这记录下他们各自的表现，并从理论上找下原因。
PurePursuit
这种方法最大的特点是有lookahead distance: ld, 这个距离与前进速度成比例kdd，速度越快需要往前看的更远。这种方法的好处是因为看的远，汽车行驶时非常robust，即使参考曲线时不连续的，而是waypoints形式的，也不会造成很大影响，而且不会对速度，弯道弧度的瞬间变化过度敏感。然而缺点就是cutting corner: 在转弯处，因为转向角度一直是根据前面的位置状态决定的，所以它通常超前拐弯，不能很好的贴合设计的弯道线路，而且可以从公式上看到，这种方式并没有考虑cross track error: e，因此在转弯时偏离预设道路的问题没法很好解决。
下图能够直观的看到弯道处cutting corner的现象：绿色为预设线路，橙色为汽车在PurePursuit控制下真实行驶线路
因此这种方式虽然比较robust但不太适合在弯道比较多，精度要求比较高的场景下使用
Stanley
这种方式综合考虑了heading error 和 cross track error两个问题
这种方式的优点很明显，相对比Purepursuit而言，这种方式不会出现cutting corner的现象，因为它并没有视野提前量，而且对cross track error很敏感，所以能够很好的贴合预定线路。
但是缺点就是，因为它不会向前看，只关注现在的状态，所以对外界的刺激很敏感，不像PurePursuit那样robust，这种现象在waypoints这种不连续的预定线路下很明显。车在行驶的时候晃来晃去的，反映在数据上就是steering angle的变化非常的reckless，像是酒驾的司机。
因此这种方式适合用在normal operation下，给定的曲线信息也要是连续的。
MPC
这种方式就很高级，能够在着眼未来的同时脚踏实地。首先这种方式会往前看，确保自己不短视，能够有一定的抗干扰能力。之后根据自己现阶段的状态，预测采用不同的策略（不同的steering angle)时，t秒后自己状态是怎么样的。然后指定一种（表现指标）performance index判定不同策略的好坏，选择在这种指标下最好的结果。在trace track的场景下就可以把表现指标设为t秒后，到达我现在视野内前方的某个位置。根据这个选择最好的steering angle。这样的话看起来和PurePursuit有点像。但关键在于MPC在一步步根据自己目前的状态的做预测然后控制汽车一步步往前走， 而PurePursuit只往前看，不管自己怎么移动过去的，也不会预测。
还有一点就是MPC有一个horizon time, 做预测的整体时间Ttotal，假设为20s。那MPC就会根据现在的状态预测之后每一秒的状态直到20s后，然后再根据自己每一秒移动后的状态更新之后20s每一步的预测。像是在下棋，每一步都挑最优解，同时根据每一步之后的变化谋划未来。
这种方法当然非常好，能够非常精确的规划运动，但是每步都用到了最优化求解所以很考验计算能力。在模拟中效果也很好，没有cutting corner，steering angle的变化也很稳定。
MPC-实现代码
elif self._control_method == 'MPC':
steering_list = self.vars.steering_previous+self._steering_diff*self._pi/180
#how far we predict, how we predict
#meaning of last_waypoint from module_7.py:
#Find closet distance and index in whole waypoints
# return the path that has 1 waypoint behind and X waypoints ahead, where X is the index
# that has a lookahead distance specified by INTERP_LOOKAHEAD_DISTANCE
# waypoints 是整体waypoints.txt里的子集，(closest_point-1, X)插值后的集合
# Use the first and last waypoint subset indices into the hash
# table to obtain the first and last indicies for the interpolated
# list. Update the interpolated waypoints to the controller
# for the next controller update.
#在这里 kmpc取得越大，last_waypoint看的就越远
last_waypoint = [waypoints[int(self._Kmpc*len(waypoints))][0],waypoints[int(self._Kmpc*len(waypoints))][1]]
min_dis = float("inf")
steering = self.vars.steering_previous
for i in range(len(steering_list)):
#possible concequences after steering at different degree
predicted_wheel_location = self.get_predicted_wheel_location(x,y,steering_list[i],yaw,v)
#performance index:
# measurement the concequences(how far the vehicle is away from the last_waypoint it is heading for)
dis_to_last_waypoint = self.get_distance(predicted_wheel_location[0],predicted_wheel_location[1],last_waypoint[0],last_waypoint[1])
#decision based on the measured concequences:
# steer to make the vehicle as close as possible to the last_waypoint ahead
if dis_to_last_waypoint<min_dis:
min_dis = dis_to_last_waypoint
steering = steering_list[i]
return steering
总结
观察了这些横向控制方法的特点后，明白了自动驾驶汽车领域为什么都用MPC了，只要够精确，效果好，在安全是第一需求的前提下，多点计算量又算神🐎。