自主车辆速度控制
无人驾驶技术在地铁运营中的应用研究
无人驾驶技术在地铁运营中的应用研究随着科技的不断进步和发展，无人驾驶技术已经逐渐被应用到各个领域。
其中，无人驾驶技术在地铁运营中的应用研究备受瞩目，得到了广泛的关注。
本文将对这一研究进行深入探讨。
一、无人驾驶技术在地铁运营中的优势1.1 提高安全性地铁作为一种大众交通工具，安全性一直是相当重要的问题。
无人驾驶技术可以有效降低人为因素对于安全的影响。
在地铁的全程中，独立自动化驾驶系统可以自主控制车辆的速度、路线和刹车等操作，减少了人员疏忽和操作不当导致的安全隐患。
同时，这种自主化的驾驶系统还可以确保列车不会因为驾驶员的疲劳或人数不足等因素而失误或出现事故。
1.2 提高效率无人驾驶技术可以有效提高地铁的效率。
在驾驶员的作用下，地铁往往需要在车站进行短暂停留。
但是在无人驾驶技术的作用下，智能算法可以分析负责列车的行驶速度和时间，保证列车在保证安全的基础上，尽量减少停靠次数和时间，提高了列车的运营效率。
1.3 降低运营成本相比于传统地铁车辆，无人驾驶技术的车辆不需要驾驶员，可以有效降低人力成本。
此外，这种驾驶系统还可以最大程度地降低车辆人员的操作失误和维护成本，减少了对车辆的维护和修理次数，为企业降低了后续的成本。
二、无人驾驶技术在地铁运营中的应用案例2.1 莫斯科地铁莫斯科地铁自2016年以来开始推行无人驾驶技术。
该系统使用了激光雷达和摄像头等传感器检测车道的状态。
经过训练，自动驾驶系统能够为车辆选择最佳速度和刹车点，阻止车辆发生任何碰撞。
2.2 巴黎地铁巴黎地铁推出的自动驾驶系统可以自动控制行驶速度和制动距离，对于列车的速度和停留位置等参数进行全程自动化控制，以确保轿车间的安全间隔，并保证列车准时停留下客，提高了列车的运行效率。
2.3 北京地铁北京地铁在2021年乘如无人驾驶列车。
该列车采用了自主运行技术，分别使用了雷达、相机等多种传感器检测轨道和跨越桥梁等路段的情况，确保载客行驶的安全。
此外，该车辆还采用了多线重合式无人驾驶控制系统，实现了全程运行的安全性和效率。
自动驾驶汽车的工作原理
自动驾驶汽车的工作原理自动驾驶汽车是当今科技发展的一个重要成果，它的出现将对交通运输、出行方式和城市规划等领域产生深远的影响。
自动驾驶汽车的工作原理是在一系列先进的技术和系统的支持下实现的。
本文将在没有小节标题的情况下，通过详细的讲解来阐述自动驾驶汽车的工作原理。
1. 传感器技术自动驾驶汽车的工作需要大量的传感器来获取各种环境信息，常用的传感器包括激光雷达、毫米波雷达、摄像头、超声波传感器等。
激光雷达能够通过发送激光束并测量其反射时间来获得车辆周围的三维空间信息，进而绘制出环境地图；毫米波雷达则主要用于检测车辆周围的障碍物，通过测量反射信号的时间和强度来判断距离和速度；摄像头则用于拍摄和处理车辆周围的图像信息，通过计算机视觉技术来实现车道保持、目标检测和信号识别等功能；超声波传感器主要用于近距离障碍物的探测，例如停车和倒车时的避让。
2. 制导系统自动驾驶汽车的制导系统是实现车辆自主导航和路径规划的核心。
通过将传感器获取的环境信息输入导航算法，自动驾驶汽车能够根据当前位置和目标位置来规划最优路径，并通过控制系统实现精确的转向、加速和制动控制。
制导系统通常由全局定位系统（GPS）、惯性导航系统（INS）和先进的地图数据等组成，其中全局定位系统能够提供车辆当前的精确位置信息，而惯性导航系统则用于测量车辆的线性和角度加速度，从而实现精确定位和姿态估计。
3. 控制系统自动驾驶汽车的控制系统是根据制导系统生成的路径和车辆当前的状态信息来实现精确控制的核心模块。
控制系统一般由车载电脑和传感器融合算法等组成，通过实时采集和处理传感器的数据，并结合导航算法的结果来生成控制指令。
控制系统需要实时调整车辆的速度、转向角度和制动力等参数，通过电子执行器控制车辆的发动机、刹车、转向装置和加速踏板等，以实现精确的控制和操作。
4. 人机交互系统自动驾驶汽车的人机交互系统是为了保证人与车辆之间的良好沟通和协作而设计的。
通过触摸屏、声音指令、语音识别和人脸识别等技术，人机交互系统能够实现人与自动驾驶汽车之间的互动和信息传递。
如何正确操作无人驾驶车辆的自动调整速度功能
如何正确操作无人驾驶车辆的自动调整速度功能随着科技的不断进步，无人驾驶车辆正逐渐成为现实。
自动驾驶技术的发展使得车辆能够自主感知和决策，其中的一个重要功能就是自动调整车辆的速度。
然而，正确操作无人驾驶车辆的自动调整速度功能并不是一件简单的事情。
本文将探讨如何正确操作无人驾驶车辆的自动调整速度功能，以确保行车安全和舒适。
首先，了解无人驾驶车辆的自动调整速度功能的原理是至关重要的。
无人驾驶车辆通过激光雷达、摄像头等传感器感知周围环境，根据感知到的信息进行决策，并通过电子控制单元（ECU）控制车辆的加速和减速。
因此，了解车辆如何感知和决策是正确操作自动调整速度功能的前提。
其次，掌握自动调整速度功能的操作方法是必不可少的。
大多数无人驾驶车辆都配备了自适应巡航控制（ACC）系统，该系统可以根据前方车辆的速度和距离自动调整车辆的速度。
在使用ACC系统时，驾驶员需要将车辆设置为巡航模式，并设置期望的巡航速度。
此后，车辆将根据感知到的前方车辆的速度和距离自动调整速度，以保持与前车的安全距离。
然而，仅仅掌握操作方法是不够的，驾驶员还需要具备一定的驾驶技巧和判断能力。
在使用自动调整速度功能时，驾驶员应时刻保持警觉，观察前方交通状况，并根据实际情况进行适当的干预。
例如，在高速公路上，如果前方车辆突然减速或停车，无人驾驶车辆可能需要更快地减速以避免碰撞。
此时，驾驶员应及时切换到手动模式，以便更好地控制车辆。
此外，驾驶员还应了解无人驾驶车辆的局限性。
尽管无人驾驶车辆具备先进的感知和决策能力，但在某些情况下，其自动调整速度功能可能不够准确或灵敏。
例如，在恶劣的天气条件下，如大雾或暴雨，无人驾驶车辆的传感器可能无法正常工作，从而影响其感知和决策能力。
此时，驾驶员应及时采取措施，如降低车速或切换到手动模式，以确保行车安全。
最后，车辆的维护和保养对于正确操作无人驾驶车辆的自动调整速度功能也至关重要。
驾驶员应定期检查车辆的传感器和ECU系统，确保其正常工作。
智能车PID算法实现原理讲解
智能车PID算法实现原理讲解引言智能车是一种能够通过传感器收集环境信息，然后分析、决策、控制并实现自主导航的车辆。
PID（Proportional-Integral-Differential）控制算法是智能车中常用的一种控制方法，可以实现对车辆的位置、速度等参数进行精确调节。
本文将对PID算法的实现原理进行详细讲解。
一、PID控制算法原理PID控制算法是一种经典的反馈控制算法，通过对系统的误差进行连续检测和调整，使得系统能够自动调整到期望值附近并保持稳定。
PID算法由三个部分组成：比例控制（P），积分控制（I）和微分控制（D）。
1.比例控制（P）比例控制是基于误差的当前值来进行控制调整的，它通过将误差乘以一个比例系数来调整控制量的变化。
这意味着当误差增大时，控制量的变化也会增大。
2.积分控制（I）积分控制是基于误差的历史累积值来进行控制调整的，它通过将误差的累积值乘以一个积分系数来调整控制量的变化。
这意味着当误差持续存在时，控制量的变化会逐渐增大，从而更好地调整系统。
3.微分控制（D）微分控制是基于误差的变化率来进行控制调整的，它通过将误差的变化率乘以一个微分系数来调整控制量的变化。
这意味着当误差快速变化时，控制量的变化也会被加大。
二、PID算法实现步骤基于PID算法的智能车控制实现需要按照以下步骤进行：1.设定目标值（设定值）和实际值（反馈值）。
目标值为期望的位置或速度，实际值通过传感器获取。
2.计算误差。
误差可以通过将设定值减去实际值得到。
3.计算比例控制量。
比例控制量可以通过将误差乘以比例系数得到。
4.计算积分控制量。
积分控制量可以通过将误差的累积值乘以积分系数得到。
5.计算微分控制量。
微分控制量可以通过将误差的变化率乘以微分系数得到。
6.将比例控制量、积分控制量和微分控制量相加得到最终的控制量。
7.根据最终的控制量来调整车辆的状态，例如调整轮速、转向角度等。
8.循环执行上述步骤，使得车辆能够持续地调整控制量，使得实际值逐渐接近设定值，从而实现稳定的控制。
国家工信部汽车驾驶自动化分级
国家工信部汽车驾驶自动化分级
根据中国国家工业和信息化部发布的《车辆自动驾驶分级推进指南》，国家对汽车驾驶自动化分为6个级别，从L0级到L5级。
这些级别描述了自动驾驶系统在驾驶过程中的参与程度和技术要求。
1. L0级：无自动化驾驶系统，驾驶员完全负责车辆的控制和
操作。
2. L1级：辅助驾驶系统，驾驶员仍然需要全面负责车辆控制，但车辆部分功能可以由自动化系统辅助完成，例如自适应巡航控制。
3. L2级：部分自动化驾驶系统，驾驶员仍然需要全面负责车
辆控制，但车辆能够同时执行多个功能，例如自动变道、自动停车等。
4. L3级：有条件自动化驾驶系统，在特定条件下，车辆可以
自主进行驾驶，但需要驾驶员在需要时重新接管控制。
5. L4级：高度自动化驾驶系统，在大部分环境和条件下，车
辆能够自主进行驾驶，但需要驾驶员在特定情况下接管控制。
6. L5级：完全自动化驾驶系统，车辆在任何道路和环境条件
下都能够自主进行驾驶，无需驾驶员参与。
这些分级从L1级到L5级代表了自动驾驶技术的逐步发展和
成熟程度，以及驾驶员的参与程度的逐步减少。
目前，大部分车辆还处于L0和L2级的阶段，L3级和L4级的技术正在不断发展和测试中。
智能车辆自动驾驶系统技术研究与应用
智能车辆自动驾驶系统技术研究与应用自动驾驶技术是近年来快速发展的一个领域，旨在实现车辆完全自主地行驶，不需要人工干预。
智能车辆自动驾驶系统作为实现这一目标的关键技术，已经引起了广泛的关注和研究。
本文将就智能车辆自动驾驶系统的技术研究与应用进行探讨。
智能车辆自动驾驶系统基本构成智能车辆自动驾驶系统由多个技术模块组成，包括感知模块、决策模块和控制模块。
感知模块负责感知车辆周围环境的信息，采用传感器等设备获取并处理图像、声音和其他传感器数据。
常用的传感器包括激光雷达、摄像头、毫米波雷达和超声波传感器等。
这些传感器通过不同的方式感知车辆周围的物体、行人、道路和障碍物等。
决策模块根据感知模块提供的数据进行分析和处理，形成对路况的判断和决策。
这些判断和决策可能包括车辆行驶的速度、远近程预测、车道选择以及超车等行为。
决策模块通常使用计算机视觉和机器学习等技术，以实时且准确地评估周围环境并作出智能决策。
控制模块负责控制车辆的加速、刹车、转向和换挡等操作，以实现自主驾驶。
控制模块通常由电子控制单元（ECU）和执行器组成，ECU根据决策模块的指令控制执行器完成相应的操作。
智能车辆自动驾驶系统关键技术在实现智能车辆自动驾驶系统过程中，有几项关键技术不可或缺。
首先是车辆感知技术。
车辆感知技术是实现自动驾驶系统的基础，它能够准确地感知并理解周围环境。
激光雷达、摄像头和雷达等传感器被广泛应用于车辆感知技术中。
激光雷达通过测量物体的距离和方向来获取环境信息，摄像头则通过图像识别和处理来感知道路和障碍物，雷达可以提供较高的精度和覆盖范围。
通过这些传感器的应用，车辆能够实时感知和理解周围的动态环境，从而做出相应的决策。
其次是车辆决策技术。
车辆决策技术是指智能车辆自动驾驶系统根据感知模块提供的信息来作出相应决策的能力。
决策技术可以通过深度学习、强化学习和规划算法等来实现。
深度学习技术可以用于图像识别和目标检测，以识别道路、交通标志和行人等；强化学习技术可以优化车辆行驶策略，确保车辆在不同情况下作出最佳决策；规划算法则可以根据当前车辆的状态和路况，确定最佳行驶路径和速度。
无人驾驶汽车的自动化驾驶与控制算法
无人驾驶汽车的自动化驾驶与控制算法随着科技的不断发展，无人驾驶汽车作为一种新型交通工具，正逐渐走进我们的生活。
无人驾驶技术的核心是自动化驾驶与控制算法，它们为无人驾驶汽车实现安全、高效的行驶提供了基础支撑。
本文将着重介绍无人驾驶汽车中的自动化驾驶与控制算法。
一、无人驾驶汽车简介无人驾驶汽车是指不需要人类司机进行操控的汽车，通过自动化驾驶与控制算法，实现自主完成驾驶任务。
与传统汽车相比，无人驾驶汽车具有更高的安全性、更低的事故风险以及更高的行驶效率。
二、自动化驾驶算法1. 传感器数据融合无人驾驶汽车通过搭载多种传感器，如摄像头、激光雷达、超声波传感器等，实时获取道路、环境信息。
自动化驾驶算法需要对传感器数据进行融合，从而建立车辆周围环境的准确模型。
2. 地图与定位算法无人驾驶汽车需要通过地图与定位算法来确定车辆当前的位置，并且结合传感器数据实时更新位置信息。
地图与定位算法的准确性直接影响无人驾驶汽车的导航决策与控制。
3. 感知与识别算法无人驾驶汽车需要通过感知与识别算法识别和理解道路上的各种物体和交通标志。
其中，图像处理、计算机视觉和深度学习等技术被广泛应用于感知与识别算法中，使无人驾驶汽车能够准确地识别路况和障碍物。
4. 规划与决策算法规划与决策算法是无人驾驶汽车实现自主导航的核心。
通过对感知信息的处理和分析，规划与决策算法能够生成最优的行驶路径，并根据交通状况、路况等因素做出相应的驾驶决策。
三、控制算法控制算法是无人驾驶汽车实现自动驾驶的重要组成部分。
它通过对车辆的横向与纵向控制，实现精确的车辆姿态控制和速度控制，从而保证车辆的安全稳定行驶。
1. 车辆横向控制车辆横向控制算法主要包括车辆的转向控制。
通过计算车辆的转向角度和转向速度，控制车辆的转向行为，确保车辆在道路上保持稳定的行驶轨迹。
2. 车辆纵向控制车辆纵向控制算法主要包括车辆的加速度和制动控制。
根据车辆当前的速度和目标速度，控制车辆的加速度和制动力，使车辆能够按照预定的速度和加减速度进行平稳行驶。
自动驾驶车辆基本特征
自动驾驶车辆基本特征自动驾驶车辆，也称为无人驾驶车辆或自主驾驶车辆，是指能够在没有人类驾驶员干预的情况下进行操作的车辆。
这些车辆依赖于先进的传感器、软件和控制系统来实现对车辆的自动控制。
以下是自动驾驶车辆的一些基本特征：1. 传感器技术：自动驾驶车辆配备了多种传感器，如雷达、激光雷达、摄像头和超声波传感器，用于检测车辆周围的环境。
这些传感器可以提供关于其他车辆、行人、道路标志和路面状况的实时数据。
2. 数据处理和决策：车辆内置的计算系统能够处理来自传感器的大量数据，并通过算法和人工智能技术做出驾驶决策。
这包括识别障碍物、规划路径、执行转向和加速/减速操作。
3. 车辆控制：自动驾驶车辆具备控制转向、制动和加速的能力，无需人类驾驶员的直接操作。
这些控制系统可以是电动的，也可以是液压的，它们响应来自中央处理单元的指令。
4. 通信系统：为了提高安全性和效率，自动驾驶车辆可能会与其他车辆、基础设施 如交通信号灯）以及云服务进行通信。
这种车对车 V2V）和车对基础设施 V2I）的通信有助于协调交通流并避免潜在的碰撞。
5. 导航和定位：自动驾驶车辆使用高精度的全球定位系统 GPS）和其他定位技术来确定其在道路上的精确位置。
这些系统确保车辆能够遵循预定的路线行驶。
6. 安全特性：自动驾驶车辆设计有多重安全特性，包括紧急制动系统、车道保持辅助和自动泊车等，以提高整体安全性。
7. 法规遵从：自动驾驶车辆必须遵守特定的法律和行业标准，这些标准可能因地区而异。
车辆的软件和硬件系统需要定期更新，以确保符合最新的法规要求。
8. 用户界面：虽然自动驾驶车辆减少了对人类驾驶员的需求，但它们通常仍配备有用户界面，允许乘客在必要时接管控制，或与车辆的自动化系统进行交互。
自动驾驶技术的发展正在不断进步，随着技术的成熟和法规的发展，未来的自动驾驶车辆将更加智能、安全和高效。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用梯度下降法实现自主车辆车速控制
一、 车辆自主驾驶的意义
实现车辆的自主驾驶是控制理论的一个很具有发展前景的应用。
车辆的自主驾驶较人为驾驶有以下几个优势：
1、 克服人员困乏，精力不集中等人为驾驶的不必要的误差造成驾驶失误等情况。
2、 自主车辆可以克服高温、高压、潮湿等不适于人员操作的恶劣环境。
二、 课程目标
车速控制是在车辆自主驾驶范围内的一个关键问题，目的是实现车速的快速、平稳、准确地控制。
本次课程的目标是在给出基于GPS 位置信息的期望速度的情况下，实现原路径上跟踪期望速度。
传感器可以测得三个数据：实时速度actual speed 和控制信号：油门throttle 、刹车brake 。
通过这两个量的控制实现对车速的控制。
控制算法根据传感器获得的数据，得出在期望速度下的油门和刹车控制量的输出，实现车速的自动控制。
三、 控制算法
1实验假定
根据实验数据，发现油门控制量以及刹车控制量与车速的变化量即加速度直接相关。
假定在油门控制量的约束范围内油门throttle 与加速度a 服从线性增加关系,11throttle k a b =⨯+，min max [1,1]a a a ∈刹车控制量brake 与加速度a 服从线性减小关系22brake k a b =⨯+，min max [2,2]a a a ∈。
通过参数的不断改变来适应不同坡度条件下车速的控制。
2控制算法流程
首先，得到加速度数据和控制量数据进行分析。
为了得到加速度和控制量之间的关系，获取最近一段时间的实际速度actual speed ，油门控制量throttle 和刹车控制量brake 。
对速度信号进行去噪，求导，得到加速度信号。
然后，使用梯度下降法根据这三组数据，求在这组数据下最佳的拟合参数。
第三，根据期望速度和控制参数，用梯度下降法给出控制量的输出。
实现下一时刻车速的控制。
最后，将得到的新的数据纳入分析库中，得到新的控制量。
下图是整个控制算法的流程。
（1）去噪函数
采取巴特奥兹滤波器，优点是实现简单，速度快但是去噪后的数据有具有一定的滞后，低通滤波器选择的低通带越窄，滞后现象越明显。
将滤波后的数据进行超前校正后，数据与原数据相比缺省了一部分，若仍用滤波器来滤波，还会出现滞后，校正后会有缺省。
由于采用一次滤波后缺省的部分很少，一般在20个数据以内，因此，采用多项式拟合的方法处理超前校正后缺省数据的滤波。
（2）求导函数
针对离散值数据，导数就是差值。
最简单的做法就是用后一刻的值减去前一时刻的数值。
但此种方法有不少弊端：
只考虑到对前一时刻的差值，而没有计算后一时刻对此时刻的差值，造成求导失真。
另外，这种方法对数据的处理仅仅涉及相邻两个数据，相关性比较差，计算不够准确。
为了准确求导，采用对前后时刻的差值求平均的方法，消除求导的不平衡。
另外，设置扩展系数，在扩展系数范围内的相邻数据进行差值求平均。
从实验的效果来看，在同一个去噪函数处理后，求导函数的效果相差不大。
也就是说，去噪函数的效果直接影响到输入数据的处理结果。
（3）梯度下降法
梯度下降法的原理就是在参数范围内随机给出几个值，根据梯度下降的方向趋近误差最小值点，当误差达到给定指标的时候，也就求得最优的参数。
梯度下降法有下面几个特点：
a)需要设定参数的大致范围。
参数在开始的时候是随机选取的，因此有必
要对参数的范围设定约束。
b)梯度下降法的步进调整系数的选择很关键，这个系数是在程序计算梯度
值后，下一次尝试的步进值与梯度值的比例。
这个值如果设置过大则可
能会造成参数调整不收敛，或者在接近误差指标时来回震荡。
如果这个
值设置得过小，则收敛速度明显变慢。
c)在误差比较小时，收敛速度明显变慢，甚至停滞。
梯度下降法的基础就
是误差的变化量，在接近最小误差的时候，误差变化不大，误差的差值
很小，造成参数步进缓慢甚至停滞。
d)可能陷入局部极小值，而不是全局极小值
为了克服梯度下降的不足，我改进了梯度下降法。
主要改进工作在以下方面：
①用多组数据分别梯度下降的方法避免陷入局部极小
在参数的范围内投入m组数据，每组数据都依照梯度下降法收敛，如果其中有一组数据达到了误差指标，则输出这组的参数，摒弃其他组的参数。
由于开始投放m组数据是随机，因此陷入局部极小值的概率远远小于没有多组实验的情况。
用这种方法也能提高一定的收敛速度。
②参数的修正值中根据误差的大小，加入了一定的随机分量。
③将算法中的误差变化量DE改为DE+（k/（DE-km））,双曲曲线与正比曲线
的区别在于，当输入很小时，也会有不为无穷大的一个较大输出，避免
在最小误差附近收敛变得太慢。
k与km是曲线参数，一般而言，k值在
稳定范围内取越小越好。
未解决的问题：误差精度的设定没有固定的关联，主要依据先验知识，如果误差精度设置过高，则在最大尝试次数下都达不到误差指标。
四、实验结果：
梯度下降法求参数求解
首先，编写单参数梯度下降法程序。
设定系统输入输出满足：y=5*x+rand(length(x),1)-rand(length(x),1)。
假定输出与输入服从比例关系，用梯度下降法求比例系数k。
运行结果反映梯度下降法的学习比例系数p很关键。
过大不会收敛，过小收敛速度很慢。
比较这两种梯度下降法：采用梯度下降法，尝试次数是不确定的，具有一定的随机性。
采用改进的梯度下降法求比例系数，幸运的话，不到5次就可以得到最优值，尝试次数比较多的可能达到10次以上，但是平均的尝试次数不超过10次。
梯度下降法求多参数求解
多参数梯度下降法的原理与但参数的梯度下降法相同，但要求多参数同时收敛。
但因为多参数对于输出值具有很强的相干性，不能用各个参数分别收敛的方法实现。
而是要朝向合成的梯度最小方向运动，类似于水滴在荷叶上滚动的情况。
在试验中，确定了油门的最大最小值分别为450和0。
因此，在油门参数中需要确定的比例系数k和截断距离d可以转化为求加速度的最大最小值。
在试验中用梯度下降法做油门的控制，加速度的最大最小值为梯度下降调整的参数。
参数陷入发散振荡的情况。
由于程序未能调通，没有得到用梯度下降法得到的最优解。
为了试验控制流程的控制效果，在设置参数的范围后采用了穷举比较误差的方法，求得了在加速度与控制量为线性假定条件下的比较情况。
在线性假定的条件下，在一定程度上控制算法给出的控制量能够跟踪实际的油门控制量，当油门处于最小和最大值之间时，跟踪效果很好。
但是控制精度不高。
五、出现的问题：
（1）假定不是完全准确
第一，加速度与油门控制量的函数曲线不是严格的线性关系。
第二，加速和减速阶段不同，函数曲线类似一个滞回曲线。
（2）去噪和求导程序的运算速度比较慢
（3）梯度下降法控制效果不好
梯度下降法的误差精度不是固定的，需要实时变化
梯度下降法得到满意解的时间不固定。