【algorithm】自动驾驶常见常考的几个模型和推导，顺便总结自己遇到的考题经验不断更新之———控制版

2024-03-12 16:50
文章标签 总结 常见 模型 几个 遇到 自动 经验 控制 驾驶 常考 推导 algorithm 不断更新 考题 顺便

本文主要是介绍【algorithm】自动驾驶常见常考的几个模型和推导，顺便总结自己遇到的考题经验不断更新之———控制版，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

写在前面

本来快达成目标了，没想到公司遭受了问题，公司和同事我感觉还是挺好的，有国企的正规也有小企业的灵活，大家都很有学习欲望。
作为本次再次复习回忆如下：
把之前面试准备的 机器学习（基本搬运到CSDN平台了）、规划（基于之前的公司同事教导和常见算法轨迹 lattice em 路径 diji a star rrt rrt*）、控制（控制器和模型），工具链（matlab ide repo git anaconda ros linux操作）其他（frenet 、大地车辆坐标转换、点到线距离、找投影、插值、离散点求曲率（以及各种几何问题）、卡尔曼 三次道路多项式 地图参考平滑处理 滤波 轨迹优化）最小二乘：正规方程梯度下降、线性化刷题和有cpp相关的作为小白接触到的知识都总结成了word。 本文先总结搬运模型相关，希望大佬们给点方向提建议，渴望进步，其实对于经典现代控制论本身，很多东西都忘记了，只能作为笔记和考试记录存在了，实践中感觉一直用不上或者不需要再推导了。 现在的烦恼是：其中有很多新东西和非规划控制的内容由于工作方向我只能自己demo，最希望讨论和接触的是实践中积累的问题处理办法，还有能实际在工作中部署最新论文的东西，可惜工作就是工作，同时被专业方向卡住，只能积累再积累。

outline

  • stanley pp
  • 动力学 运动学 简单推导
  • mpc
  • pid
  • acado 和osqp求解 见另外两篇文章
    Acado：https://blog.csdn.net/weixin_46479223/article/details/133743263的实例中展示了acado如何求解mpc问题，
    另一篇是osqposqp：https://blog.csdn.net/weixin_46479223/article/details/135107257
  • 临时简略EM planner 信息
  • 车辆动力和运动模型推导

Stanley and pure pursuit

在这里插入图片描述

运动学

在这里插入图片描述

在这里插入图片描述

动力学

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

并联pid

  • 预瞄 2个点 近：lateraldisdiff lateraldisdiffrate 远headingdiff headingdiffrate
  • yawrate 要稳 pd要控制好
  • 找瞄准点用几何法

串联pid

在这里插入图片描述

MPC控制横向 pid纵向

（纵向mpc osqp见另一篇文章的demo）https://blog.csdn.net/weixin_46479223/article/details/135107257

会找投影点 预瞄要选好 用acado osqp ，具体模型一会更新

模型推导

在我的文章Acado：https://blog.csdn.net/weixin_46479223/article/details/133743263的实例中展示了acado如何求解mpc问题

可见acado很方便，直接给出车辆模型的微分方程，以及求解时域（步长）、约束、和目标函数就可以生成相关代码。
在这里插入图片描述

因此我们直接得出状态量之间的递推表达关系即可（状态转移方程），推导如下（当然也可以使用之前的动力学和运动学的推导来建立mpc，这里展示使用的另一种横向模型）
在这里插入图片描述

以下是除了模型之外的，mpc控制部分的处理（找投影点，预瞄点），以及纵向pid的设置

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

其他：

-颠簸
-手力
-控制接口转化
-握手
-滤波
-限幅
-限rate
-侧倾
-前置车道线处理
-激活退方向盘稳定渐入渐出
-canoe ape分析
-matlab回放 ros回放
-线性化方法

  • usw.
  • pid传递函数根轨迹和Nyquist图（工程中直接调参） 现代控制状态空间方法
  • 最小二乘正规方程梯度下降
  • 找点 向量法：https://zhuanlan.zhihu.com/p/429676544
  • 点线距离
  • kkt

临时EM planner

在这里插入图片描述
补充：找起点时间要顺延一个planning cycle

  • 轨迹筛选、碰撞检测
  • 巡航为四次多项式 没有终点s
  • frenet下的平滑不代表卡迪尔下平滑
    注意 以下图片均出自于老王 bilibili
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

特殊情况

在这里插入图片描述
在这里插入图片描述

以前的杂乱总结版本

在这里插入图片描述
在这里插入图片描述

最后听讲（自己看）

在这里插入图片描述

临时 cpp gpt d 算法简易版本

之前理解 d就是带有权重的bfs问题，所以一直没有去认真实现代码，后来做了很多网格问题，但发现和真的图bfs还有使用优先队列的d还有细节要注意，见和gpt的问答，注意这段代码没有记录父节点

#include <iostream>
#include <vector>
#include <queue>
#include <limits>using namespace std;#define INF numeric_limits<int>::max()// 定义图的邻接矩阵表示法
typedef vector<vector<int>> Graph;// Dijkstra算法
void dijkstra(const Graph& graph, int start, vector<int>& distances, vector<int>& parents) {int n = graph.size(); // 图的节点数distances.resize(n, INF); // 初始化距离数组，全部设置为无穷大parents.resize(n, -1); // 初始化父节点数组，全部设置为-1vector<bool> visited(n, false); // 记录节点是否已被访问distances[start] = 0; // 起始节点到自身的距离为0// 创建优先队列，用于按照距离排序节点priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> pq;pq.push({0, start}); // 将起始节点加入优先队列while (!pq.empty()) {// 从优先队列中取出当前距离最小的节点int curr_dist = pq.top().first;int curr_node = pq.top().second;pq.pop();// 如果该节点已被访问，则跳过if (visited[curr_node]) continue;// 将该节点标记为已访问visited[curr_node] = true;// 遍历当前节点的所有邻居节点for (int neighbor = 0; neighbor < n; ++neighbor) {// 如果当前节点到邻居节点的距离更短，则更新距离数组、父节点数组并将邻居节点加入优先队列if (graph[curr_node][neighbor] != 0 && distances[curr_node] + graph[curr_node][neighbor] < distances[neighbor]) {distances[neighbor] = distances[curr_node] + graph[curr_node][neighbor];parents[neighbor] = curr_node; // 更新邻居节点的父节点pq.push({distances[neighbor], neighbor});}}}
}// 输出最短路径
void printShortestPath(const vector<int>& parents, int node) {if (parents[node] == -1) {cout << node;return;}printShortestPath(parents, parents[node]);cout << " -> " << node;
}int main() {// 定义图的邻接矩阵Graph graph = {{0, 4, 0, 0, 0, 0, 0, 8, 0},{4, 0, 8, 0, 0, 0, 0, 11, 0},{0, 8, 0, 7, 0, 4, 0, 0, 2},{0, 0, 7, 0, 9, 14, 0, 0, 0},{0, 0, 0, 9, 0, 10, 0, 0, 0},{0, 0, 4, 14, 10, 0, 2, 0, 0},{0, 0, 0, 0, 0, 2, 0, 1, 6},{8, 11, 0, 0, 0, 0, 1, 0, 7},{0, 0, 2, 0, 0, 0, 6, 7, 0}};int start_node = 0; // 设置起始节点// 使用Dijkstra算法计算起始节点到所有节点的最短距离和记录父节点vector<int> distances;vector<int> parents;dijkstra(graph, start_node, distances, parents);// 输出最短路径cout << "Shortest paths from node " << start_node << ":\n";for (int i = 0; i < graph.size(); ++i) {cout << "Node " << start_node << " to Node " << i << ": ";printShortestPath(parents, i);cout << " (distance: " << distances[i] << ")" << endl;}return 0;
}//QKF:如果每次向qp里面push相邻的节点 ，那么qp 里面可能存在相同的节点 是通过 if (visited[curr_node]) continue;跳过去的嘛//GPT:是的，如果每次向优先队列 pq 中 push 相邻的节点，可能会导致 pq 中存在相同的节点。在这种情况下，通过 if (visited[curr_node]) continue; 来跳过已经访问过的节点是有必要的。//在 Dijkstra 算法中，如果不跳过已经访问过的节点，可能会导致多次将相同节点加入优先队列，并且每次加入的节点可能会有不同的距离值。这样会导致算法不断重新考虑相同的节点，从而增加了计算的开销，而且可能会导致错误的最短路径结果。//通过在代码中添加 if (visited[curr_node]) continue; 这样的语句，可以确保在每次迭代中只处理未被访问过的节点，避免了重复处理相同节点的情况，从而提高了算法的效率。

这篇关于【algorithm】自动驾驶常见常考的几个模型和推导，顺便总结自己遇到的考题经验不断更新之———控制版的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/801927。

相关文章

HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Spring Security 基于表达式的权限控制

Spring Security 基于表达式的权限控制

前言 spring security 3.0已经可以使用spring el表达式来控制授权，允许在表达式中使用复杂的布尔逻辑来控制访问的权限。 常见的表达式 Spring Security可用表达式对象的基类是SecurityExpressionRoot。 表达式描述hasRole([role])用户拥有制定的角色时返回true （Spring security默认会带有ROLE_前缀）,去
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
每天认识几个maven依赖（ActiveMQ+activemq-jaxb+activesoap+activespace+adarwin）

每天认识几个maven依赖（ActiveMQ+activemq-jaxb+activesoap+activespace+adarwin）

八、ActiveMQ 1、是什么？ ActiveMQ 是一个开源的消息中间件（Message Broker），由 Apache 软件基金会开发和维护。它实现了 Java 消息服务（Java Message Service, JMS）规范，并支持多种消息传递协议，包括 AMQP、MQTT 和 OpenWire 等。 2、有什么用？ 可靠性：ActiveMQ 提供了消息持久性和事务支持，确保消
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...
Retrieval-based-Voice-Conversion-WebUI模型构建指南

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI（简称 RVC）模型是一个基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）的简单易用的语音转换框架。 具有以下特点 简单易用：RVC 模型通过简单易用的网页界面，使得用户无需深入了
阅读更多...
uva 10061 How many zero's and how many digits ?（不同进制阶乘末尾几个0）+poj 1401

uva 10061 How many zero's and how many digits ?（不同进制阶乘末尾几个0）+poj 1401

题意是求在base进制下的 n！的结果有几位数，末尾有几个0。 想起刚开始的时候做的一道10进制下的n阶乘末尾有几个零，以及之前有做过的一道n阶乘的位数。 当时都是在10进制下的。 10进制下的做法是： 1. n阶位数：直接 lg（n！）就是得数的位数。 2. n阶末尾0的个数：由于2 * 5 将会在得数中以0的形式存在，所以计算2或者计算5，由于因子中出现5必然出现2，所以直接一
阅读更多...
uva 10014 Simple calculations（数学推导）

uva 10014 Simple calculations（数学推导）

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导，第二次没有继续下去。 代码： #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf
阅读更多...
透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

引言 随着时间的发展，大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用，随着人们期望的不断增加，目标也发生了巨大的变化。在短短的几个月的时间里，人们对大模型的认识已经从对其zero-shot能力感到惊讶，转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构（例如Transformer）对海量的、多种多样的数据分布进行建模得到，它包含了大量的先验
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2