无人驾驶运动控制----purepursuit算法实践和理解

purepursuit方法是基于几何追踪的路径追踪方法，基于几何的控制方法较为简单和直接，不用考虑车辆的运动学模型和动力学模型，控制时使用的参数少，能够较好的运用到实践使用中。最常用的两种方法是pure pursuit方法和stanly方法。这里主要介绍purepursuit方法 purepursuit建立在两个模型上，阿克曼转向几何模型和二维自行车模型。 **纯追踪（Pure Pursuit）算法是无人驾驶领域中一种经典的路径跟踪策略，它基于几何模型进行控制，无需复杂的车辆动力学模型。Pure Pursuit方法主要依赖于阿克曼转向几何模型和二维自行车模型来确定车辆的转向角。** 阿克曼转向模型反映了汽车转向时前轮和后轮的关系，其中，转向角δ与车辆轴距L和转弯半径R有直接联系。二维自行车模型简化了车辆的运动学，将车辆视为只有前后两个车轮且保持固定距离的系统。在这个模型中，转向角δ与前视距离ld、车辆航向角α及目标点(gx, gy)的方向之间存在数学关系。 **Pure Pursuit算法的核心思想**是模拟人类驾驶员的行为，选取车辆后轴作为基准，通过调整前轮转向角，使得车辆沿着经过预瞄点的圆弧路径行驶。预瞄距离ld是关键参数，它通常与车辆速度成正比，不同速度下应选择不同的ld以优化跟踪性能。 **算法的执行步骤**包括： 1. **确定车辆当前位置**：通过GPS、惯性导航系统等获取实时位置和航向信息。 2. **寻找最近路径点**：在规划路径中找到距离车辆最近的点，并确保它在前视距离范围内。 3. **选择目标点**：计算出距离最近点恰好等于预瞄距离ld的路径点作为目标点。 4. **坐标转换**：将目标点坐标转换至车辆坐标系中。 5. **计算转向角**：根据二维模型和预瞄点位置计算转向角δ。 6. **车辆控制**：根据转向角控制车辆转向，并更新车辆状态。 **Python实现**中，一般会创建一个车辆状态类来存储位置、偏航角和速度等信息，并实现状态更新函数。同时，需要一个函数来搜索最近的路径点，以及纯追踪控制器来计算转向角。主函数会模拟车辆的运动，可能使用一个固定的路径和速度。例如，实验中可能设置车辆沿着螺旋线行驶，速度恒定为2m/s。 **实验结果分析**表明，Pure Pursuit算法在直线路径上表现良好，但对曲线路径的跟踪效果有所欠缺，尤其是在接近目标点时，车辆可能会提前切换预瞄点，导致跟踪精度下降。 **改进策略**包括： 1. **动态调整前视距离**：根据车辆速度和路径曲率实时改变ld，以提高跟踪性能。 2. **优化转向角计算**：考虑道路曲率和其他因素，改进计算方法以增强对曲线路径的跟踪能力。 总体来说，Pure Pursuit算法因其简单直接的特性在实际应用中具有较高的实用价值，但在处理复杂路径时可能需要结合其他方法或进行参数优化。随着自动驾驶技术的发展，这些基础算法会不断演进，以适应更加严苛的驾驶环境。