规控算法分类
🚗 规控算法的总体结构
我们通常将规控算法划分为两个大模块：
| 模块 | 主要职责 | 举例 |
|---|---|---|
| 路径/轨迹规划（Planning） | 生成目标轨迹（路径点 or 时间-空间轨迹） | A*、RRT、MPC-based planning |
| 控制算法（Control） | 跟踪规划出的轨迹，实现运动控制 | PID、LQR、MPC |
🧭 规划算法三大主流类型
| 类型 | 描述 | 常见方法 | 优缺点 |
|---|---|---|---|
| 图搜索类 | 将环境建模成离散网格/图结构，搜索最优路径 | A*, Dijkstra, Hybrid A* | 简单直观，效率高，但不适合高维连续空间 |
| 采样类 | 在空间中随机采样可行轨迹，构建搜索树 | RRT, RRT*, PRM, DWA | 可用于高维复杂环境，但不一定最优，采样效率受限 |
| 优化类 | 将规划问题转为优化问题，求解平滑最优轨迹 | CHOMP, TrajOpt, MPC Planning,TEB | 轨迹平滑、连续，适合动态环境，计算较重 |
🎮 控制算法常见种类
| 类别 | 描述 | 代表方法 | 特点 |
|---|---|---|---|
| 经典控制 | 基于误差反馈，结构简单 | PID | 实现容易，调参靠经验 |
| 现代控制 | 利用系统模型进行状态反馈控制 | LQR、状态反馈控制 | 理论性强，适合线性系统 |
| 预测控制 | 利用系统模型做未来轨迹预测并优化控制输入 | MPC（Model Predictive Control） | 精度高，处理约束强，计算复杂 |
| 自适应/鲁棒控制 | 对模型不确定性和干扰有较强适应能力 | 滑模控制、增益调节控制 | 更复杂，但适用性强 |
| 学习控制（前沿） | 利用机器学习近似或替代控制策略 | RL-based control、IL | 数据驱动，有泛化性但不稳定性高 |
🧩 小结归纳
| 模块 | 子类型 | 示例算法 |
|---|---|---|
| 规划（Planning） | 图搜索类 | A*, Dijkstra, Hybrid A* |
| 采样类 | RRT, PRM, RRT* | |
| 优化类 | CHOMP, TrajOpt, MPC-based planning | |
| 控制（Control） | 经典控制 | PID |
| 最优控制 | LQR | |
| 预测控制 | MPC | |
| 鲁棒控制 | Sliding Mode Control | |
| 学习控制 | 深度强化学习控制器 |