深入分析了基于动态车辆模型的百度Apollo平台上的线性二次调节器(LQR)和模型预测控制(MPC)横向控制算法。通过对这两种算法的比较研究，揭示了它们在处理车辆横向控制问题时的性能差异和适用场景。文章提供了详细的算法原理、仿真结果以及在实际车辆上的测试数据，为自动驾驶车辆的横向控制提供了有价值的参考。
适用人群：
本研究适合自动驾驶技术、控制理论、车辆工程等领域的专业人士，以及对智能车辆控制和自动驾驶系统设计感兴趣的学生和研究人员。
使用场景：
研究成果可以应用于自动驾驶车辆的横向控制策略设计，提高车辆的行驶稳定性和安全性，同时为自动驾驶系统的进一步优化提供理论依据。
目标：
旨在评估和优化自动驾驶车辆的横向控制算法，推动自动驾驶技术的发展，增强智能交通系统的安全性和可靠性。
关键词标签：
动态车辆模型 百度Apollo LQR MPC横向控制
2024-07-18 14:50:33
901KB
1
可靠和安全的自动驾驶地图--百度apollo，Reliable and safe maps for automated driving
2023-11-18 15:44:24
1.59MB
1
该资料包含了apollo中所有的模块的相关资料，包括中间件，地图，感知，定位，预测，规划，控制等，资料很全，包括了近60个技术文档，帮助对apollo的框架有一个全面的学习。
2023-11-18 14:52:28
131.01MB
1
自动驾驶横纵向耦合控制-复现Apollo横纵向控制
基于动力学误差模型，使用mpc算法，一个控制器同时控制横向和纵向，实现横纵向耦合控制
matlab与simulink联合仿真，纵向控制已经做好油门刹车标定表，跟踪五次多项式换道轨迹，效果完美。
内含三套代码，两套采用面向对象编程-一套只对控制量添加约束，一套对控制量和控制增量均添加约束，另外一套采用面向过程编程。
2023-10-24 09:30:17
594KB
1