前言:
LQR算法在自动驾驶应用中,一般用在NOP、TJA、LCC这些算法的横向控制中,一般与曲率的前馈控制一起使用,来实现轨迹跟踪的目标,通过控制方向盘转角来实现横向控制。
本文将使用python来实现 lqr_speed_steering_control( ) 轨迹跟踪算法的demo,通过同时控制转角与加速度来实现轨迹跟踪。
如果对自动驾驶规划、控制、apollo算法细节、感知融合算法感兴趣,可以关注我的主页:
最新免费文章推荐:
prescan联合simulink进行FCW的仿真_自动驾驶 Player的博客-CSDN博客
Apollo Planning决策规划代码详细解析 (1):Scenario选择
自动驾驶算法详解 (1) : Apollo路径规划 Piecewise Jerk Path Optimizer的python实现
自动驾驶算法详解(5): 贝塞尔曲线进行路径规划的python实现
使用Vscode断点调试apollo的方法_自动驾驶 Player的博客-CSDN博客
Apollo规划决策算法仿真调试(1): 使用Vscode断点调试apollo的方法
Apollo规划决策算法仿真调试(4):动态障碍物绕行_自动驾驶 Player的博客-CSDN博客
正文如下:
一、LQR问题模型建立:
理论部分比较成熟,这里只介绍demo所使用的建模方程:
使用离散代数黎卡提方程求解
LQR控制的步骤:
选择参数矩阵Q,R
求解Riccati方程得到矩阵P
根据P计算 K = R − 1 B T P K=R^{-1}B^{T}P K=R−1BTP
计算控制量 u = − K x u=-Kx u=−Kx
系统状态矩阵:
A矩阵:
B矩阵:
二、代码实现
导入相关包
import math
import sys
import os
import matplotlib.pyplot as plt
import numpy as np
import scipy.linalg as la
cubic_spline_planner为自己实现的三次样条插值方法
try:
from cubic_spline_planner import *
except ImportError:
raise
设置轨迹途经点并生成轨迹:
设置轨迹会经过的点
ax = [0.0, 6.0, 12.5, 10.0, 17.5, 20.0, 25.0]
ay = [0.0, -3.0, -5.0, 6.5, 3.0, 0.0, 0.0]
goal = [ax[-1], ay[-1]]
使用三次样条插值方法,根据途经点生成轨迹,x、y、yaw、曲率k,距离s
cx, cy, cyaw, ck, s = calc_spline_course(
ax, ay, ds=0.1)
绘制规划好的轨迹
plt.plot(ax, ay, "xb", label="waypoints")
plt.plot(cx, cy, "-r", label="target course")
生成的轨迹如下:
设置期望速度:
设置目标速度
target_speed = 10.0 / 3.6 # simulation parameter km/h -> m/s
speed_profile = [target_speed] * len(cyaw)
direction = 1.0
转弯幅度较大时将速度设置为0,并将速度方向翻转
Set stop point
for i in range(len(cyaw) - 1):
dyaw = abs(cyaw[i + 1] - cyaw[i])
switch = math.pi / 4.0
期望速度如下:
定义求解所需要的数据结构与方法:
定义LQR 计算所需要的数据结构,以及DLQR的求解方法
State 对象表示自车的状态,位置x、y,以及横摆角yaw、速度v
class State:
def __init__(self, x=0.0, y=0.0, yaw=0.0, v=0.0):
self.x = x
self.y = y
self.yaw = yaw
self.v = v
更新自车的状态,采样时间足够小,则认为这段时间内速度相同,加速度相同,使用匀速模型更新位置
def update(state, a, delta):
if delta >= max_steer:
delta = max_steer
if delta
设置起点参数:
设置起点的参数
T = 500.0 # max simulation time
goal_dis = 0.3
stop_speed = 0.05
state = State(x=-0.0, y=-0.0, yaw=0.0, v=0.0)
time = 0.0
x = [state.x]
y = [state.y]
yaw = [state.yaw]
v = [state.v]
t = [0.0]
pe, pth_e = 0.0, 0.0
使用LQR算法计算轨迹跟踪需要的加速度与前轮转角:
配置LQR 的参数
=== Parameters =====
LQR parameter
lqr_Q = np.eye(5)
lqr_R = np.eye(2)
dt = 0.1 # time tick[s],采样时间
L = 0.5 # Wheel base of the vehicle [m],车辆轴距
max_steer = np.deg2rad(45.0) # maximum steering angle[rad]
show_animation = True
while T >= time:
ind, e = calc_nearest_index(state, cx, cy, cyaw)
sp = speed_profile
tv = sp[ind]
k = ck[ind]
v_state = state.v
th_e = pi_2_pi(state.yaw - cyaw[ind])
# 构建LQR表达式,X(k+1) = A * X(k) + B * u(k), 使用Riccati equation 求解LQR问题
# dt表示采样周期,v表示当前自车的速度
# A = [1.0, dt, 0.0, 0.0, 0.0
# 0.0, 0.0, v, 0.0, 0.0]
# 0.0, 0.0, 1.0, dt, 0.0]
# 0.0, 0.0, 0.0, 0.0, 0.0]
# 0.0, 0.0, 0.0, 0.0, 1.0]
A = np.zeros((5, 5))
A[0, 0] = 1.0
A[0, 1] = dt
A[1, 2] = v_state
A[2, 2] = 1.0
A[2, 3] = dt
A[4, 4] = 1.0
# 构建B矩阵,L是自车的轴距
# B = [0.0, 0.0
# 0.0, 0.0
# 0.0, 0.0
# v/L, 0.0
# 0.0, dt]
B = np.zeros((5, 2))
B[3, 0] = v_state / L
B[4, 1] = dt
K, _, _ = dlqr(A, B, lqr_Q, lqr_R)
# state vector,构建状态矩阵
# x = [e, dot_e, th_e, dot_th_e, delta_v]
# e: lateral distance to the path, e是自车到轨迹的距离
# dot_e: derivative of e, dot_e是自车到轨迹的距离的变化率
# th_e: angle difference to the path, th_e是自车与期望轨迹的角度偏差
# dot_th_e: derivative of th_e, dot_th_e是自车与期望轨迹的角度偏差的变化率
# delta_v: difference between current speed and target speed,delta_v是当前车速与期望车速的偏差
X = np.zeros((5, 1))
X[0, 0] = e
X[1, 0] = (e - pe) / dt
X[2, 0] = th_e
X[3, 0] = (th_e - pth_e) / dt
X[4, 0] = v_state - tv
# input vector,构建输入矩阵u
# u = [delta, accel]
# delta: steering angle,前轮转角
# accel: acceleration,自车加速度
ustar = -K @ X
# calc steering input
ff = math.atan2(L * k, 1) # feedforward steering angle
fb = pi_2_pi(ustar[0, 0]) # feedback steering angle
delta = ff + fb
# calc accel input
accel = ustar[1, 0]
dl, target_ind, pe, pth_e, ai = delta, ind, e, th_e, accel
state = update(state, ai, dl)
if abs(state.v)
结果可视化:
if show_animation: # pragma: no cover
plt.close()
plt.subplots(1)
plt.plot(ax, ay, "xb", label="waypoints")
plt.plot(cx, cy, "-r", label="target course")
plt.plot(x, y, "-g", label="tracking")
plt.grid(True)
plt.axis("equal")
plt.xlabel("x[m]")
plt.ylabel("y[m]")
plt.legend()
plt.subplots(1)
plt.plot(s, [np.rad2deg(iyaw) for iyaw in cyaw], "-r", label="yaw")
plt.grid(True)
plt.legend()
plt.xlabel("line length[m]")
plt.ylabel("yaw angle[deg]")
plt.subplots(1)
plt.plot(s, ck, "-r", label="curvature")
plt.grid(True)
plt.legend()
plt.xlabel("line length[m]")
plt.ylabel("curvature [1/m]")
plt.show()
轨迹跟踪结果:
三、结果分析
LQR算法一般用在NOP、TJA、LCC这些功能的横向控制,几种典型工况的轨迹跟踪效果如下:
1、正常变道工况
2、转弯工况
3、轴距对控制效果的影响
L = 0.5
L = 2.5
Original: https://blog.csdn.net/nn243823163/article/details/124456694
Author: 自动驾驶Player
Title: 自动驾驶算法详解(3): LQR算法进行轨迹跟踪,lqr_speed_steering_control( )的python实现
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/651670/
转载文章受原作者版权保护。转载请注明原作者出处!