34 lines
1.6 KiB
Plaintext
34 lines
1.6 KiB
Plaintext
单个停车机器人轨迹测试方案
|
|
### 测试对象
|
|
单台停车机器人（+50kg负载）
|
|
### 测试曲线
|
|
1. 直线：前进/后退2m、速度0.3m/s、起点终点静止
|
|
2. 转弯：左转/右转组合前进/后退、转弯半径1m、曲率1.0、速度0.3m/s
|
|
3. 原地自转：±90°/±180°、角速度10°/s、20°/s、起点终点静止
|
|
|
|
### 评价指标
|
|
横向误差 RMSE、最大横向误差；航向误差 RMSE、最大航向误差；速度误差 RMSE、最大速度偏差；
|
|
角速度或转角指令的变化曲线；最终位置误差、最终航向误差
|
|
|
|
### 展示形式
|
|
理想轨迹与实际轨迹对比图、横向/航向误差随时间变化图、参考速度与实际速度对比图、角速度指令曲线
|
|
|
|
### LQR调参策略
|
|
归一化状态/控制量：一般Q、R初始选择对应控制量最大值的平方的倒数
|
|
或者使用Bryson’s Rule来给 Q、R 一个很好的初始猜测
|
|
贝叶斯优化在仿真中自动调节Q、R参数
|
|
ALQR：在线估计最新参数实时重新求解
|
|
----------------------------------------
|
|
不调参：学习式
|
|
|
|
### 杂项
|
|
1. M层获取实际小车的速度信息与位置信息并保存、使用python可视化来量化跟踪误差
|
|
2. 自行车模型改动、过于局限于阿克曼小车的运动学限制
|
|
|
|
|
|
先用 Bryson’s Rule + 贝叶斯优化在仿真里把 Q/R 调到一个不错的基准。
|
|
上实车时采用自适应 LQR：在线估计关键参数（尤其是轮胎刚度），实时更新 K。
|
|
C# 实现的话：
|
|
矩阵运算继续用 Math.NET
|
|
贝叶斯优化可以调 Python 库，或者自己写简单版本
|
|
在线参数估计（RLS）用 C# 写很轻松 |