Apollo代码学习(六)—模型预测控制(MPC)_follow轻尘的博客-优快云博客_mpc代码

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2k累计阅读 2k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄19年

关注

转载最新推荐文章于 2026-10-02 14:33:34 发布 2k 阅读 AI 写同款· GEO 优化 ›

Apollo学习笔记（11）MPC 关于MPC控制算法，在控制部分，已经有详细的MPC算法的详细解释和说明，这里就不再多说了，可以自行查阅。阅读详情

Apollo代码学习(六)—模型预测控制(MPC)_follow轻尘的博客-优快云博客_mpc代码

收录于

C++

当前文章被收录于：

C++

91 篇文章 1 人学习

订阅专栏查看详情

自动驾驶

当前文章被收录于：

自动驾驶

12 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#学习 #自动驾驶 #人工智能 #c++

原文链接：https://blog.youkuaiyun.com/u013914471/article/details/83824490>

Apollo MPC横纵向耦合控制学习笔记 Apollo MPC横纵向控制原理学习笔记阅读详情

相关推荐

Frenet坐标是什么？自动驾驶路径规划中的坐标系选择与实操避坑指南

在自动驾驶与机器人路径规划中，坐标系选择直接影响轨迹平滑性与控制稳定性。常见的笛卡尔坐标系虽然直观，但描述道路相对位置时需要大量三角函数运算，且无法自然解耦纵向速度与横向偏移。Frenet坐标以参考线弧长s和横向偏移d为核心，将复杂二维路径规划拆解为两个独立的一维问题，大幅简化换道、跟车、避障等场景的约束建模。它基于Frenet-Serret公式与活动标架，通过投影计算实现笛卡尔坐标与道路坐标的互转。掌握Frenet坐标不仅能提升局部轨迹生成质量，还能有效避免曲率跳变、投影点跳变等工程问题。本文从数学原理、

weixin_31155097的博客 296

Apollo代码学习(六)—模型预测控制(MPC)

Apollo代码学习—模型预测控制前言模型预测控制预测模型滚动优化反馈矫正前言查看Apollo中关于MPC_controller的代码可以发现，它的主体集成了横纵向控制，在计算控制命令时，计算了横纵向误差： ComputeLongitudinalErrors(&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;

follow轻尘的博客 8万+

开发者说 _ Apollo代码学习—MPC与LQR比较.pdf

自动驾驶（七十六）---------Apollo MPC之代码解析

最近一直在调LQR上车的效果，初见成效，所以也很好奇Apollo的MPC控制算法，没有项目驱动，只能靠自己的驱动力了，这里结合代码分析理论，详细梳理一遍apollo的MPC算法。首先MPC的代码在apollo文件地址为： 1. 初始化加载MPC的参数和配置：，主要包含vehicle_param、速度和转角限制等。车辆运动学模型及其离散化：；包括矩阵A，矩阵B，矩阵C，矩阵K，矩阵R，矩阵Q，加载MPC增益调度序列，初始化滤波器。其中调度增益gain...

zhouyy858 8909

告别手动解析！用这个Qt库轻松处理Cat 21/62等18种Asterix航空数据

本文介绍了基于Qt框架的高效Asterix报文解析库，帮助开发者轻松处理Cat 21/62等18种航空数据。该库通过协议抽象化、多维度API设计和跨平台支持，解决了手动解析的复杂性和易错问题，显著提升开发效率和系统可靠性。

weixin_42529366的博客 207

高能物理相关软件

国内高能物理实验背景研究物质最深层次结构及相互作用的前沿基础科学。现代高能物理实验的要素实例源、探测器、电子学、触发 DAQ、原始数据、刻度、重建、物理分析、成果。离线软件的地位和作用。是硬件设备和物理学家的桥梁，是从数据到物理成果转化中的关键和重要的环节。高能物理实验及其特点独一无二性，实验规模越来越大，努力省钱（使用

Alan Zhuang的博客 3298

基于动态车辆模型的百度Apollo LQR和MPC横向控制算法分析（Matlab代码实现）

LQR 的最优设计是指设计出的状态反馈器 K 要使二次型目标函数J 取最小值，而 K 有权矩阵 Q 与 R 唯一决定，在汽车不同的速度下，Q 与 R 的不同会对算法的效果有着重要的影响，所以 Q，R 的选值十分重要。单车系统为非线性系统，但 LQR 和MPC 控制器的目的是为了求最优控制解，在优化过程中都会将其线性化，所以也可以说 Apollo 中研究的对象都为线性系统。MPC（模型预测控制）是一种先进的过程控制方法，在满足一定约束条件的前提下，用于实现控制的过程。点击文章左下角【阅读全文】

m0_73907476的博客 2316

TSMaster实战：手把手教你用C小程序发送自定义CAN报文（附完整代码）

本文详细解析了如何使用TSMaster的C小程序功能实现自定义CAN报文发送，涵盖环境配置、DBC集成、按键触发等实战技巧。通过完整代码示例和高级调试方法，帮助汽车电子工程师快速掌握TSMaster在CAN总线通信中的灵活应用，提升开发效率。

weixin_29184371的博客 574

第七篇（下），MPC工程化总结

另外，暂不考虑模型的变化，以横向位置替换横向偏差做状态量为例，则cost function里得减去横向位置参考才合乎常理，这时，代入cost function推导可以得出，最终的结果为quadprog()里的参数。续上3.2.3里quadprog()的问题，这个一定要做options，否则仿真能过但无法code generation，至于quadprog()的实现原理。说点儿其它的，在损失函数cost function的计算中，互为转置的项可以合并同类项，理解了这个点有些推导过程才能看的懂。

qq_42466012的博客 2483

【附代码】SSVEP解码算法 - 扩展典型相关分析（eCCA）

本文主要对SSVEP解码算法-eCCA进行复现和测试。本文提供程序的所有代码，只要在Matlab上即可运行。读者可以根据程序自主调整，方便学习以及初学者更好地了解SSVEP的经典算法。

计算机小白 1334

Keras神经网络可视化模块keras.utils.visualize_util的安装配置方法

本文介绍了如何安装和配置keras.utils.visualize_util模块，并提供了一个简单的示例演示如何使用该模块来可视化神经网络的结构。在上述代码中，我们首先定义了一个简单的神经网络模型，该模型具有一个输入层、一个隐藏层和一个输出层，其中隐藏层具有512个神经元，输出层具有10个神经元。运行上述代码后，我们将在当前工作目录下找到一个名为model.png的文件，它显示了神经网络的结构图。这种方式有效地展示了整个过程，让我们能够更好地理解神经网络的结构，方便对其进行改进和调试。

. 892

MPC自学资料总结

1. 书籍：《无人驾驶车辆模型预测控制》 2. 视频：https://ww2.mathworks.cn/videos/understanding-model-predictive-control-part-1-why-use-mpc--1526484715269.html 视频部分有7个部分（MATLAB）百度Apollo进阶版视频：http://abcxueyuan.cloud.b...

tingfenghanlei的博客 8362

创建 Qt Quick 项目

来看看如何使用 Qt Creator 创建 Qt Quick 项目！

青春不老，奋斗不止！ 1万+

Apollo代码学习(一)—控制模块概述

Apollo学习-控制模块概述控制纵向控制横向控制仿真仿真平台及工具概述控制纵向控制横向控制仿真仿真平台及工具仿真平台Windows 仿真工具CarSim + Simulink 并未在Apollo团队预定义的Docker环境中搭建Apollo，仅抽掉了Apollo里的纵向控制代码及部分编译依赖库，在Windows下利用CarSim搭建车模型，Matlab Simulink提供规划...

follow轻尘的博客 5万+

导数与微分在 FPS 射击游戏中的实际应用：把“手感”算出来

摘要：射击游戏开发中，单线程适用于简单小游戏（如单机打靶），所有任务由主线程顺序处理，代码简单但效率较低；多线程则适合复杂场景（如多人在线3D大作），通过渲染、逻辑、网络、音效等线程分工协作，确保画面流畅、响应迅速和实时同步。选择依据取决于游戏复杂度、联网需求和性能要求，小型游戏用单线程，大型高要求项目必须采用多线程架构。（149字）

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度，也有思维广度，无论你是开发者、创业者还是高校学子，都能在这里找到适合自己的成长之路！ 3278

2、探秘储备池计算：原理、应用与前沿趋势

储备池计算（Reservoir Computing）作为一种新兴的计算方法，起源于计算神经科学和机器学习领域，现已广泛应用于非线性动力系统理论、物理学、材料科学、生物学和机器人学等多个领域。其核心优势在于概念简洁性，通过利用高维动态系统的非线性响应，将学习过程集中在读出层，避免了传统循环神经网络（RNN）训练的复杂性。储备池计算的发展方向主要包括拓展到非线性动态系统和利用物理动态系统作为计算资源（PRC），后者有望突破冯·诺依曼瓶颈，实现边缘计算。理论方面，储备池计算与人类大脑的信息处理方式密切相关，并推动

ggg99的专栏 735

【车辆控制】动态车辆模型的百度Apollo LQR和MPC侧向控制算法分析【含Matlab源码 13715期】

动态车辆模型的百度Apollo LQR和MPC侧向控制算法分析完整代码，包运行；可提供运行操作视频！适合小白！

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份； 849

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

无人驾驶车辆的MPC控制方法

基于状态空间方程的MPC控制器的基本原理及其工作流程如图所示，主要包括。从而，更远未来的控制输出对系统控制的价值很低，仅执行输出序列的中第一个控制输出。反馈校正部分是根据系统的反馈信息对下一步的预测模型部分和滚动优化部分进行校正以更接近实际。)作为初始参考，也即系统的预测和优化都是基于实时的反馈信息，自然而然地实现了反馈校正。个时刻的状态逐渐镇定，且避免控制量引起系统的剧烈变化，设计优化性能指标函数。MPC的目标代价函数通常选取为状态变量与控制变量的二次型函数的优化问题。个时刻的状态表达式。

weixin_40240807的博客 1857

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

Probability and Statistics - 4th edition

【车辆控制】基于matlab动态车辆模型的百度Apollo LQR和MPC侧向控制算法分析【含Matlab源码 13715期】

动态车辆模型的百度Apollo LQR和MPC侧向控制算法分析完整代码，包运行；可提供运行操作视频！适合小白！

订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份； 1247

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

关于Apollo MPC算法近似方式的理解

愚见，仅做记录 1、百度Apollo中MPC算法对于模型做出了：在horizon时间内车辆的horizon plant以及model behavior 是不变的，因此在计算matrix_k等矩阵时采用的都是当前周期内计算的车辆模型参数。 2、百度Apollo中MPC算法对于控制量进行了约束处理，但是没有针对控制增量进行约束处理，自动驾驶中方向盘转角的变化速度对应横摆角速度的变化率，影响乘客体验最重要的Jerk参数，因此需要考虑增量约束。参考《无人驾驶模型预测控制》中提到，可以使用X(k|t)..

sinat_39369871的博客 963

自动驾驶科普(百度Apollo)学习笔记

在过去的几年里，自动驾驶技术取得飞速发展，人类社会正逐渐走向一个新时代，这个时代中，汽车不仅仅是一个交通工具，更是一个智能的、能够感知环境、做出决策并自主导航的机器伙伴。现在正好也从事这块的工作，所以想把这方面的学习笔记也沉淀一下。这是这个系列的第一篇文章，打算先写一篇科普笔记，整理一篇。

Miracle8070 1865

自动驾驶 | Apollo无人驾驶课程笔记0

在公众号【计算机视觉联盟】后台回复【9076】获取我的AI学习笔记；我的微信：Kingsplusa； --by王博Kings，985AI博士，优快云博客专家，华为云专家我用了一周的晚上，将Apollo基础入门课程学习了一遍本笔记是Apollo内容概述及目录首先而言，本课程不需要很多基础，以科普为主要，让大家有很好的整体理解第一课：无人驾驶概览课程简介：了解无人驾驶车的关键部分与 Apollo 团队架构，开启无人驾驶入门的学习路径。 1.欢迎学习Apollo课程 2.你...