控制器預計有兩種輸入：目標軌跡和車輛狀態。
控制器輸出：控制出入**向、加速和制動）的值。
優點：使用簡單，大多數情況下適用。
缺點：對於複雜的系統不適用，pid控制器依賴於實時誤差測量，這意味著測量延遲限制時可能會失效。
線性二次調節器（lqr）是基於模型的控制器，使用車輛狀態來使誤差最小化，apollo使用lqr進行橫向控制。
橫向控制包含四個元件：橫向誤差、橫向誤差的變化率、朝向誤差和朝向的變化率。
除狀態外，還有是三個控制輸入：轉向、加速和制動。
模型**控制（mpc）
一種更為複雜的控制器，非常依賴於數學優化，mpc分為三個步驟：1.建立車輛模型；2.室友優化引擎計算有限時間範圍內的控制輸入；3.執行一組的控制輸入。重複執行。
優點：考慮了車輛模型，比pid控制更精確，適用於不同的代價函式。
缺點：相對更複雜、更緩慢、更難以實現。
Udacity無人駕駛課程筆記 感知
對計算機而言，影象只有紅色 藍色和藍色值的集合。無人駕駛有四個感知世界的核心任務 檢測 分類 跟蹤 語義分割。檢測 找出物體在環境中的位置 分類 指明物件是什麼 跟蹤 指隨時間推移觀測移動的物體 如行人 車輛 語義分割 將特許骯髒的每乙個畫素與語義類別進行匹配。攝像頭影象是最常見的計算機視覺資料，影...
Udacity 無人駕駛 行為轉殖
優達學城的行為轉殖是端到端無人駕駛專案。首先通過人為操作車輛 模擬器 行駛來採集控制資料 向角 油門等 在該過程中，需要記錄攝像頭採集的道路場景影象。在實踐中，為了獲得更多的資料，提高模型的泛化能力可以使用多個 例如三個 攝像頭同時採集不同角度的路況影象。當汽車要偏離車道中心時，不同的攝像頭資料有利...
TORCS無人駕駛筆記
我們這裡使用了環境狀態作為輸入。使用deep q learning做為學習演算法學習。環境獎勵定義為在單位時刻車輛沿跑道的前進距離。另外，如果車出了跑道或者和其他的車輛相撞，會得到額外懲罰。環境狀態包括車輛的速度 加速度 離跑道的左右邊緣的距離，以及跑道的切線夾角，在各個方向上最近的車的距離等等。車...