Apollo代码学习—MPC与LQR比较.pdf

简介：
在自动驾驶领域中，控制器的选择和设计是非常重要的。Apollo代码分析过程中，MPC（模型预测控制）和LQR（线性二次调解器）是两种常用的控制器。本文将深入探讨它们在状态方程、控制策略、目标函数以及时间域等方面的异同。基于状态空间法构建的控制器框架下，MPC和LQR呈现出显著差异。首先，在状态方程方面，尽管两者都采用了状态空间模型进行描述，但其形式存在明显不同。具体而言，LQR的状态方程采用微分方程描述，而MPC则能够处理线性和非线性动态模型。在控制实现方面，LQR采用状态反馈方式实现对REFERENCE_状态的跟踪，而MPC则基于模型预测，通过优化未来轨迹以提升控制效果。两者的性能评价标准各具特色，其中LQR采用连续时间域上的积分型目标函数，而MPC则采用离散时间域上的累加式目标函数。从时间维度来看，LQR基于固定预测窗口进行控制优化，具有单一最优解的特点，与MPC的滚动优化原理形成显著差异。具体而言，LQR的工作时域是一个固定的时域内，且只有一个最优解，而MPC则基于滚动优化原则，在逐渐消减的时间窗口中寻求最优控制策略。在优化求解方面，LQR依赖于线性二次规划问题的解析解法，而MPC则需要解决更为复杂的非线性优化问题。