自动驾驶工程应用中的关键技术点总结

1，车位融合模块

即获取4个车位角点坐标（不知道坐标与FL,FR,RL,RR的对应关系）以及车辆坐标点，判断车位类型以及4个角点所处的位置，即获取的4个车位角点坐标与FL,FR,RL,RR的对应关系。

2，判断车辆与障碍物是否碰撞，即车辆的顶点是否与障碍物凸多边形有交点。

3,解决LQR横向控制算法滞后性的方法：增加预测模块，估计下一时刻车辆的状态，用下一时刻车辆预估状态和规划轨迹点的偏差来计算控制输入量

增加预测模块，根据方向盘转角和车速，运用车辆运动学模型（圆弧运动），进行未来时刻的状态估计，用未来点的偏差去做控制量的计算。(与纯跟踪与Standly具有前视距离，其实就是充当预测的作用的区别：纯跟踪与Stanley是用当前点与未来轨迹点偏差做计算，而预测模块是用未来的预测点与未来轨迹点偏差做计算)

4，如何提高LQR的计算时间：用空间换取时间，大大加快计算速度，将实时计算改为离线计算+查表法，从而实际工程应用中无需求解Riccati方程

5，横向控制中，target point会产生突变，如何用投影点来进行优化？

6，用曲率连续的曲线平滑直线和圆弧的方法

1，可选择样条曲线（保证一阶导数和二阶导数连续即可保证曲率连续）
2，回旋曲线（对于某些场景适合，但对于一般场景很难设计与运用）

7，横向跟踪时的位置误差和角度误差如何计算？横向位置误差和角度误差均是以投影点和实际车辆坐标点进行计算的。

目标点target_point和投影点（projection_point）是不一样的，但可以通过目标点近似的计算出投影点。
（1）位置误差ed


近似计算后，ed与目标点的曲率K和投影点到目标点的弧长平方成正比。曲率和弧长一般都比较小。当规划路径是直线时，则近似的误差为0，非常的精确，故若规划的路径是直线，则离散的轨迹点可以非常稀疏，只需几点轨迹点即可，对于直线跟踪非常友好
(2)角度误差（重点关注）

8，横向轨迹跟踪算法的优缺点及适用场景

LQR：

适用场景：
1，曲率：路径曲率较小并连续且不能变化过快，故非常适合中高速的城市驾驶跟踪场景

Pure Pursuit:

适用场景：
低速，低速，低速，速度过高易产生转弯内切以及超调

9，考虑道路坡度，减速带及乘客数量变化导致质量变化等等情况对控制的影响

10，仿真和实车调试时横纵向算法需要考虑的关键因素：

1，延时。
仿真基本没有延时，实车不管是油门，制动执行器还是传感器的数据传输都有时间延时。
问题：如何测量这个延时时间？
后果影响：导致超调，特别速度较大时，超调严重，速度较小时，可通过调节PID参数减小影响。
解决办法：增加预测模块。方向盘转角较小时，预测车辆是匀速直线运动；方向盘角度较大时，预测车辆是圆弧运动。
2，转向不足。
仿真的车一般是中性转向，而实车为了安全考虑，一般出厂时调试为转向不足。（因为车速较大时，车辆有过度转向的趋势，故一般调试为转向不足），故需要考虑转向不足，增加前馈控制或者用误差生成控制补偿，从而减小转向不足的影响。
后果影响：导致转向不足，横向偏差超出预期。
解决办法：增加前馈模块。根据Vehicle Dynamics and Control中的公式，即可计算出前馈控制。