無模型的 PID 橫向控制算法參數(shù)少，簡單易用，但是由于沒有考慮車輛系統(tǒng)動力學(xué)特性及路徑本身的動態(tài)變化特性，對外界干擾的魯棒性較差。

在高速或曲率較大的彎道場景時，會出現(xiàn)較大的跟蹤誤差和“畫龍”現(xiàn)象，因此，該方法比較適合應(yīng)用于低速曲率較小的路徑跟蹤控制場景中。

基于運動學(xué)模型的橫向控制算法中，Pure Pursuit 和 Stanley 前輪反饋算法在中低速場景下，他們的路徑跟蹤的性能較好。

Pure Pursuit 在大的跟蹤誤差和非連續(xù)的路徑場景下魯棒性較好，其控制的關(guān)鍵在于對最佳前向預(yù)瞄距離的確定其中，增大前向預(yù)瞄距離將提高車輛控制的穩(wěn)定性。

但隨之會帶來路徑跟蹤性能降低及穩(wěn)態(tài)誤差增大的后果，表現(xiàn)出轉(zhuǎn)彎內(nèi)切現(xiàn)象。

相比于 Pure Pursuit 算法，Stanley 前輪反饋算法還額外考慮了橫擺角偏差，因此在大多數(shù)場景下，跟蹤性能更佳，然而，由于沒有設(shè)置前向預(yù)瞄，Stanley 算法會出現(xiàn)轉(zhuǎn)向過度的情況。

與 Pure Pursuit 和 Stanley 算法相比，后輪反饋控制算法計算更加復(fù)雜， 對路徑的平滑性要求更高。

在中等速度下的跟蹤性能及魯棒性與 Stanley 方法近似，然而在速度較大時，穩(wěn)態(tài)誤差也會變大，從而導(dǎo)致控制效果不佳。

LQR 算法使用二自由度動力學(xué)模型來設(shè)計橫向控制器，與前述基于運動學(xué)模型的幾種算法相比，LQR 參數(shù)調(diào)節(jié)更加復(fù)雜，其不僅需要獲取車輛自身的模型參數(shù)。

還需要調(diào)節(jié)LQR 目標(biāo)函數(shù)的 Q，R 矩陣以獲得較優(yōu)的跟蹤性能。

LQR 算法的優(yōu)點在于，通過與轉(zhuǎn)向前饋進(jìn)行有效結(jié)合，LQR 能夠很好的解決曲線行駛時的穩(wěn)態(tài)跟蹤誤差，在中等速度曲線行駛時其穩(wěn)態(tài)誤差趨近于零，從而極大提升跟蹤性能。

LQR 非常適用于路徑平滑的高速公路及城市駕駛場景，具有較好的車輛高速控制性能。

但是，由于模型的固有缺陷，LQR 與前饋控制的結(jié)合也無法解決所有跟蹤控制問題，由于該方法采用基于簡化后的二自由度動力學(xué)模型。

因此當(dāng)車輛運動不滿足二自由度動力學(xué)模型轉(zhuǎn)向小角度，或輪胎動力學(xué)線性化的假設(shè)條件時，LQR 算法的跟蹤性能會大幅降低，從而導(dǎo)致控制失效。