源自：《無人駕駛無人駕駛車輛模型預測控制》——龔建偉
參考：https://wenku.baidu.com/view/8e4633d519e8b8f67c1cb9fa.html
0.車輛模型
汽車的車輪轉角為δf
分別做垂直於后輪和前輪的射線，這兩根射線會交於O點，兩輪模型會繞O點進行運動，在短時間dt內，可以認為O點不動。連接O點和汽車的質心成一條線段，實際汽車的運動方向v將垂直於該線段。運動方向ψ與車身方向所成的夾角β，這個角度一般稱為偏航角。
β 可以由如下公式計算求得
假設t時刻的汽車的狀態為xt，yt，經過dt時間后的t+1時刻，狀態為xt+1，yt+1，則他們之間的關系為
根據以上理論即可在丟失定位信息后的短時間內，依靠自身的傳感器信息，進行位置和位姿估計。
1.基本原理
已知（輸入）：一條期望參考軌跡；當前k時刻的測量值；
設計：預測模型
目標：預測未來一段時域內[k,k+Np]，系統的輸出
方法：對這段時域內施加一系列控制序列4（k+1時刻的值為實際控制量）
總結起來就是：預測模型；滾動優化；反饋校正
2.控制原理框圖
控制過程：
- 預測模型+目標函數+約束條件——>最優控制序列——>被控平台
- 被控平台響應
- 獲取狀態觀測值x(t)——>狀態估計器（卡爾曼濾波器、粒子濾波等）——>回到第一步，循環
3.常用模型
3.1 動態矩陣控制DMC
3.2 模型算法控制MAC
3.3 廣義預測控制GPC
4.模型算法控制 MAC
參考：https://www.cnblogs.com/yrm1160029237/p/10087315.html
http://www.docin.com/p-1186007480.html
目的：使系統的輸出沿着預先給定的參考軌跡逐漸到達設定值。
算法組成：預測模型、反饋校正、參考軌跡、滾動優化
其預測模型輸出由兩部分組成：過去已知控制量產生的預測模型輸出、由現在和未來控制量產生的預測模型輸出。
4.1 MAC算法原理圖
4.2 MAC在線計算程序流程圖
1.模型
- 預測模型：
，P-預測時域；
假設：
，M—控制時域
於是，P步預測值：
從而：
- 反饋校正
當前過程的測量值-模型計算值的差，來修正：
- 設定值（目標點）跟蹤——>參考軌跡
- 最優控制
5.動態矩陣控制 DMC
算法組成：階躍響應模型預測、反饋校正、滾動優化
其預測模型輸出由兩部分組成：待求解的未知控制增量產生的輸出值、過去控制量產生的已知輸出初值。
DMC算法原理圖：
DMC在線計算程序流程圖：
MPC算法的特點
模型要求不高，不需要深入的了解過程內部機理；
適用約束條件、大純滯后、非最小相位及非線性等過程；
滾動優化策略能彌補外部因素引起的不確定性，動態性能較好；
缺點：不能描述不穩定系統，不適用於不穩定對象；系統模型在線辨識比較困難。
參考：https://blog.csdn.net/sinat_41842926/article/details/82995065
6.滾動優化
參考：https://blog.csdn.net/AdamShan/article/details/79083755
7.反饋校正
7.1 KF/EFK
7.2 粒子濾波
