chh3213 / chhrobotics

自动驾驶规划控制python代码实现

This is about self-driving!

自动驾驶决策规划控制的理论知识参考CSDN博客 。

推荐结合博客内容来看代码实现。

环境依赖

环境使用python3，主要依赖：

• matplotlib
• celluloid
• numpy
• scipy

均可以通过pip安装所需要的库。

车辆模型

• 车辆运动学模型
• 运动学模型的线性离散化
• 车辆动力学模型
• 动力学横向控制误差模型

坐标系转换

• Frenet坐标系与Cartesian坐标系（一）
• Frenet坐标系与Cartesian坐标系（二）

路径规划

• 全局路径规划算法——Dijkstra算法
• 全局路径规划算法——蚁群算法
• 全局路径规划算法——动态规划算法
• 全局路径规划算法——A*算法
• 局部路径规划算法——曲线插值法
• 局部路径规划算法——人工势场法
• 局部路径规划算法——贝塞尔曲线法
• 局部路径规划算法——B样条曲线法
• 局部路径规划算法——DWA算法
• 基于采样的路径规划算法——PRM
• 基于采样的路径规划算法——RRT
• 基于采样的路径规划算法——RRT-Connect
• 基于采样的路径规划算法——RRT*
• 路径规划—— Dubins 曲线推导(基于向量的方法)
• 路径规划—— Dubins 曲线公式总结(基于几何的方法)
• 路径规划——ReedsShepp 曲线总结
• 汽车速度规划介绍

决策控制

• PID实现轨迹跟踪
• PurePursuit实现轨迹跟踪
• Stanley实现轨迹跟踪
• 后轮位置反馈实现轨迹跟踪
• LQR控制算法
• LQR控制实现轨迹跟踪
• 模型预测控制(MPC)实现轨迹跟踪

预测

• 学习卡尔曼滤波（一）——线性卡尔曼滤波
• 学习卡尔曼滤波（二）——扩展卡尔曼滤波
• 学习卡尔曼滤波（三）——无迹卡尔曼滤波

chhrobotics's Issues

rrt算法中的疑问

请问rrt算法中 当随机点与最近节点小于步长的时候，我看有的人写的时按照此时的方向继续向前扩展步长的长度，而您的代码是直接将随机点与最近节点相连，请问两者有区别吗？

你好，对于rrtstar的find_near_nodes我有一些疑问。

def find_near_nodes(self, new_node):
    """
    1) defines a ball centered on new_node
    2) Returns all nodes of the three that are inside this ball
        Arguments:
        ---------
            new_node: Node
                new randomly generated node, without collisions between
                its nearest node
        Returns:
        -------
            list
                List with the indices of the nodes inside the ball of
                radius r
    """
    nnode = len(self.node_list) + 1
    r = self.connect_circle_dist * math.sqrt((math.log(nnode) / nnode))

请问 这里nnode需要加1吗？len(self.node_list) 本身不就是节点数了吗？

关于e_y为什么为负数的个人理解

chhRobotics/Controllers/PID/PID_demo.py

Line 85 in 50ef939

e_y = -l_d*math.sin(theta_e) # 与博客中公式相比多了个负号，我目前还不是太理解，暂时先放着

关于e_y为什么为负数的个人理解：
当theta_e为正时，前轮需要左转（正方向旋转），因为PID控制器的target设为了0，所以在PID控制器看来，当前的前轮转角状态相对而言应该是负数，即 —theta_e；右转同理。

大佬，请问下mpc中求ref_delta的公式理解