在上述的车辆模型下，反馈控制（Feedback Control）需要解决的问题便是找到满足车辆动态姿态限制的方向盘转角δ∈[δmin,δmax]的以及前向速度vr∈[δmin,δmax]。而对这些状态量的控制可以是一个典型的PID反馈控制系统（如图10所示）。其中e(t)代表当前的跟踪误差，而这个跟踪的变量误差可以是轨迹的纵向/横向误差，角度/曲率误差或者是若干车辆姿态状态变量的综合误差。其中P控制器代表对当前误差的反馈，其增益由Kp控制；I和D控制器分别代表积分项和微分项，其增益分别有KI和KD来控制。

　　图10 基于PID的反馈控制系统

　　具体到无人车的反馈控制（Feedback Control）模块，我们需要解决的问题是控制车辆尽可能遵循上游动作规划（Motion Planning）所输出的时空轨迹。可以使用两个基于PID反馈控制的控制器来分别控制方向盘转角δ以及前进速度vs。

　　结语

　　笔者认为整个无人车广义决策规划控制（Decision,Planning & Control）范畴下的路由寻径（Routing），行为决策（Behavior Decision），动作规划（Motion Planning）以及反馈控制（Feedback Control）等几大模块，在当前的学术和工业界都有一些较为成熟的解决方案可以借鉴。这些解决方案有些有着牢固的理论基础和数学推导，还有的在实际的无人车相关比赛中有着的出色发挥。事实上，我们认为单独看每个层面需要解决的问题，都不是非常困难。如何将整个无人车决策规划控制的问题有效清晰地划分到不同的模块，并且将各个上下游模块的解决方案配合起来达到整体的协调效果，才是无人车广义决策规划控制的难点和挑战所在。因此我们并不着力于以调研的形式介绍所有的各个模块层面的现存解决方案，而是着眼于清晰地提供一套有效划分无人车决策控制规划这一复杂问题到不同层面子问题的方法。我们试图向读者展示，如何有效地将无人车决策控制规划这样一个复杂问题自上而下地进行分割，并且明确每个层面需要解决的具体问题的范围和限制。我们希望通过展示这样的“分而治之”的决策控制规划解决思路，能有益于读者对整个无人车软件系统的运作的了解。

　　作者简介

李力耘，百度美国研发中心高级架构师，在百度无人车部门负责无人车行为预测方向的系统架构及算法优化。拥有多项国际专利，其中已递交三十余项无人车决策预测相关专利申请。

刘少山，PerceptIn联合创始人。加州大学欧文分校计算机博士，研究方向：智能感知计算、系统软件、体系结构与异构计算。现在PerceptIn主要专注于SLAM技术及其在智能硬件上的实现与优化。

　　本文为《程序员》原创文章，未经允许不得转载，更多精彩文章请点击「阅读原文」订阅《程序员》。

　　推荐本文作者的新书《第一本无人驾驶技术书》，无人驾驶是一个复杂的系统，涉及的技术点种类多且跨度大，入门者常常不知从何入手。本书的作者都是无人驾驶行业的从业者与研究人员，有着多年无人驾驶及人工智能技术的实战经验。适合对无人驾驶技术感兴趣的在校学生、工业从业者，以及相关人士阅读。

　　【6位AI技术大咖分享研发经验 | 本周六直播 】限时特惠：199元即可听6位技术专家的在线分享