自动驾驶控制算法入门指南：ShisatoYano/AutonomousVehicleControlBeginnersGuide

想象一下，你刚拿到一辆没有方向盘、没有刹车踏板的玩具车模型，却要让它在纸上画出的迷宫里自主行驶——它需要知道"我在哪"（定位）、"路在哪"（建图）、"下一步往哪走"（路径规划），以及"我该怎么转方向"（路径跟踪）。这就是自动驾驶控制算法的核心问题，而 ShisatoYano/AutonomousVehicleControlBeginnersGuide 正是这样一个"手把手教你造一辆智能小车"的零基础入门项目。

背景故事：一个自学者的技术出版梦

这个项目的作者 Shisato Yano 在 GitHub 简介中写道，他开始这个项目是为了自学自动驾驶系统的算法和软件开发。项目并非来自某个大厂或实验室，而是从零开始、用 Python 一行一行敲出来的工程实践。Yano 的目标是未来将这些代码和文档集结成一本技术书籍出版——这也解释了为什么整个项目的结构异常清晰：每个算法模块都有对应的设计文档（doc/DESIGN_DOCUMENT.md），甚至有配套的 pytest 单元测试。

该项目在 GitHub 上拥有 1591 颗星，被标注了自动驾驶领域的多个核心话题：autonomous-driving、path-planning、localization、mapping、object-detection。代码采用 MIT 许可证，允许 fork 后自由使用。

核心功能：从定位到控制的五大模块

1. 定位（Localization）——"我在哪"

项目实现了三种经典的概率定位算法：

• 扩展卡尔曼滤波（EKF）：非线性系统的经典滤波器，通过线性化逼近处理传感器噪声和运动不确定性，是大多数自动驾驶定位系统的理论基础。
• 无迹卡尔曼滤波（UKF）：相比 EKF 不需要手动求雅可比矩阵，通过"Sigma 点"采样逼近概率分布，精度更高但计算量略大。
• 粒子滤波（PF）：用大量随机"粒子"表达机器人位置的概率分布，适合高度非线性的场景，也是自动驾驶定位的主流方案之一。

2. 建图（Mapping）——"周围环境是什么样的"

项目涵盖四种地图构建方式：

• 二进制占据栅格地图（Binary Occupancy Grid Map）：将空间离散化为网格，每个格子标记"有障碍物"或"无障碍物"，是最直观的地图表示。
• 代价地图（Cost Map）：在占据栅格基础上加入距离衰减，离障碍物越近代价越高，为路径规划提供安全性参考。
• 势场地图（Potential Field Map）：模拟物理势场，障碍物产生斥力、目标点产生引力，引导机器人绕障。
• NDT（正态分布变换）地图：利用点云配准技术构建高精度三维地图，是自动驾驶激光雷达定位的常用方法。

3. 路径规划（Path Planning）——"最优路线怎么走"

这是项目最丰富的模块，实现了 13 种路径规划算法：

算法类别	具体算法	特点
经典搜索	A*、Bidirectional A*、D*、Dijkstra	基于栅格的最优路径搜索，D* 支持动态障碍物重规划
智能优化	PSO（粒子群优化）	连续空间优化，适合复杂地形
采样规划	RRT、Bidirectional RRT*、RRT*、Informed RRT*	高维状态空间的随机采样算法
概率路图	PRM	通过随机采样构建路图，适合多次查询
组合优化	Elastic Bands	在 A* 路径基础上用弹性带优化平滑度

作者在 README 中特别注明了 Dijkstra 算法的 GIF 做了帧采样降频处理，原因是原始 GIF 过大容易导致内存溢出——这个细节也反映了真实工程中的经验。

4. 路径跟踪（Path Tracking）——"我该怎么打方向盘"

路径跟踪负责让车辆沿规划好的路径行驶，关键在于控制误差。项目实现了：

• Pure Pursuit（纯追踪）：经典的几何跟踪算法，通过计算前瞻点的圆弧切线控制前轮转角。
• 自适应纯追踪：根据曲率动态调整前瞻距离，转弯时"看得更近"以提升响应速度。
• 后轮反馈控制：以后轮为参考点的几何跟踪算法，在低速场景下稳定性更好。
• LQR（线性二次调节器）：基于状态空间的最优控制方法，将跟踪误差和控制能量同时纳入优化目标。
• Stanley 控制器：斯坦福无人车的经典控制器，以前轴与路径的横向误差为控制量。
• MPPI（Model Predictive Path Integral）：基于采样的模型预测控制，通过蒙特卡洛采样逼近最优控制序列。

其中 MPC（模型预测控制） 路径跟踪是该领域的集大成者，它用 do-mpc 库实现——这是一个专业的非线性 MPC 优化框架，CasADi 作为底层求解器。

5. 感知（Perception）——"我看到了什么"

• 矩形拟合检测（Rectangle fitting）：对点云数据进行矩形几何拟合，用于检测车道线或障碍物轮廓。
• 传感器外参标定（Sensor Auto-Calibration）：使用 UKF 自动估计传感器的外参（相对位置和角度），无需人工标定板。

技术架构与代码结构

项目采用 模块化插件架构，顶层分为：

src/
├── components/   # 通用基础组件（坐标变换、数学库等）
└── simulations/  # 各算法的独立仿真模块
    ├── localization/     # 定位仿真
    ├── mapping/          # 建图仿真
    ├── path_planning/    # 路径规划仿真
    ├── path_tracking/    # 路径跟踪仿真
    └── perception/       # 感知仿真
doc/
├── 1_world_visualization/
├── 2_vehicle_model/
├── 3_sensor_models/
└── 4_path_tracking/     # 设计文档
test/                    # pytest 单元测试（覆盖率测量）

核心技术栈： Python 3.13 + NumPy + SciPy + Matplotlib + CasADi + do-mpc + pytest。CI 覆盖 Linux/Windows/macOS 三大平台。

部署体验：Docker 一键启动

项目对零基础用户非常友好：

• 方式一（推荐）：VS Code + Dev Container，安装 Docker 后用 VS Code 打开项目选择"Reopen in Container"，所有依赖自动安装。
• 方式二（直接运行）：在 Linux/WSL 上安装 Python 3.13、Matplotlib、NumPy、SciPy，直接 python src/simulations/... 运行。
• 方式三（Docker Compose）：docker-compose up 即可启动，支持 X11 显示。

整个项目无需 GPU，是纯算法学习的理想环境。磁盘占用约 2GB，内存需求 4GB 以上即可流畅运行。

局限性与注意事项

1. 没有 Web UI：纯命令行/可视化仿真项目，交互依赖 Python 脚本参数调整。
2. 依赖较重：do-mpc + CasADi 安装包较大，pip install 可能耗时较长。
3. 不涉及深度学习：完全基于经典控制理论与优化算法，没有神经网络模型，适合打基础而非跟踪前沿。
4. 仿真而非真实部署：所有代码运行在 Matplotlib 生成的虚拟环境中，不涉及真实的 CAN 总线、传感器驱动或车辆动力学控制。

行业意义

自动驾驶算法栈通常分为感知、定位、规划、控制四大模块。这个项目的价值在于：它用纯 Python 实现了一个完整的小型算法栈，从定位到建图、从规划到控制，覆盖了大多数教材和面试中的高频考题。作者坚持 MIT 协议、持续维护 5 年以上、CI 覆盖三大平台，是一个认真对待代码质量的学习型项目。

对于 AI 爱好者，这个项目是理解"AI 如何操控物理世界"的绝佳窗口；对于开发者，它是移植到 ROS/Autoware 或自研控制系统的可靠参考实现。

图1：NDT 点云配准地图构建

图2：A 最短路径搜索*

图3：RRT 随机采样路径规划

图4：D 动态障碍物重规划*

图5：MPC 模型预测路径跟踪

图6：Stanley 控制器转向控制

图7：LQR 最优控制跟踪