基于车辆运动学和动力学模型的横向控制算法

　　无模型的 PID 横向控制算法参数少，简单易用，但是由于没有考虑车辆系统动力学特性及路径本身的动态变化特性，对外界干扰的鲁棒性较差。

　　在高速或曲率较大的弯道场景时，会出现较大的跟踪误差和“画龙”现象，因此，该方法比较适合应用于低速曲率较小的路径跟踪控制场景中。

　　基于运动学模型的横向控制算法中，Pure Pursuit 和 Stanley 前轮反馈算法在中低速场景下，他们的路径跟踪的性能较好。

　　Pure Pursuit 在大的跟踪误差和非连续的路径场景下鲁棒性较好，其控制的关键在于对最佳前向预瞄距离的确定其中，增大前向预瞄距离将提高车辆控制的稳定性。

　　但随之会带来路径跟踪性能降低及稳态误差增大的后果，表现出转弯内切现象。

　　相比于 Pure Pursuit 算法，Stanley 前轮反馈算法还额外考虑了横摆角偏差，因此在大多数场景下，跟踪性能更佳，然而，由于没有设置前向预瞄，Stanley 算法会出现转向过度的情况。

　　与 Pure Pursuit 和 Stanley 算法相比，后轮反馈控制算法计算更加复杂， 对路径的平滑性要求更高。

　　在中等速度下的跟踪性能及鲁棒性与 Stanley 方法近似，然而在速度较大时，稳态误差也会变大，从而导致控制效果不佳。

　　LQR 算法使用二自由度动力学模型来设计横向控制器，与前述基于运动学模型的几种算法相比，LQR 参数调节更加复杂，其不仅需要获取车辆自身的模型参数。

　　还需要调节LQR 目标函数的 Q，R 矩阵以获得较优的跟踪性能。

　　LQR 算法的优点在于，通过与转向前馈进行有效结合，LQR 能够很好的解决曲线行驶时的稳态跟踪误差，在中等速度曲线行驶时其稳态误差趋近于零，从而极大提升跟踪性能。

　　LQR 非常适用于路径平滑的高速公路及城市驾驶场景，具有较好的车辆高速控制性能。

　　但是，由于模型的固有缺陷，LQR 与前馈控制的结合也无法解决所有跟踪控制问题，由于该方法采用基于简化后的二自由度动力学模型。

　　因此当车辆运动不满足二自由度动力学模型转向小角度，或轮胎动力学线性化的假设条件时，LQR 算法的跟踪性能会大幅降低，从而导致控制失效。