車子行駛中抖動的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

基於模型預測控制之自駕車車道維持系統之研究

為了解決車子行駛中抖動的問題，作者江建霖 這樣論述：

近幾年由於人工智慧技術快速發展，引發了一股科技浪潮。自駕車的實現在這股科技浪潮中扮演重要的角色，各大車廠無不投注大量成本研發自動駕駛技術，希望有朝一日能讓全自動駕駛汽車普及。在自動駕駛技術中，讓汽車辨識車道並置中行駛，是諸多核心技術中最重要的一環。方法上，有基於深度卷積神經網路的行為複製法、有基於強化學習的自我學習法、也有基於影像處理技術直接辨識出車道位置的方法。其中，基於影像處理的方法，具有強健性及處理速度快等優點，但是需要搭配一套好的控制器。傳統上，利用Proportion Integration Differentiation控制，對於單目標的控制系統是快速有效的；但是像自駕車這種同時

考慮縱向控制(車速保持)及橫向控制(車道維持)的系統，就不容易用Proportion Integration Differentiation控制器實現。本論文研究了基於模型預測控制之自駕車置中行駛方法。先利用影像處理技術偵測出車道線之後，就可得出車輛與目標位置與目標方向的偏移量，進一步可用模型預測控制方式達成控制目標。由於模型預測控制的機制實際上是考慮了所有限制條件之後所求出的最佳解，因此可以同時考慮橫向目標、縱向目標、以及控制變數的要求(如方向盤及油門操控之平順度)。為了實現本論文提出之方法的有效性，我們用機器人作業系統(Robot Operating System)進行實作。在Robot

Operating System的模擬器(Gazebo)中，我們製作了一輛與實車相仿、具有同樣運動特性的模型。車道是採用AWS Deep Racer的標準賽道。車子使用的唯一感測器，是置於車頭的RGB攝影機。實驗結果顯示，運用Model predictive control方式控制的車輛行駛行為，展現出類似駕駛高手才會呈現出的現象：不但方向盤抖動情況減少、車輛入彎道時會自動減速、出彎道時又再度加速以維持設定的巡航速度。雖然Model predictive control計算量較高，但是現在的電腦速度已經足以負荷這種計算量。從本研究結果，顯示Model predictive control是值得

自駕車研發人員關注的方法。

基於改良型粒子群演算法之數位影像穩定研究

為了解決車子行駛中抖動的問題，作者余泓寬 這樣論述：

一般的攝影機在拍攝時，會因為人手的抖動、車子行駛顛簸的震動、風力的吹動以及其他外力干擾下而使拍攝出來的影像序列會產生不必要的抖動。本論文擬提出基於數位PI控制器之數位影像穩定(Digital Image Stabilization；DIS)技術用以去除不必要的抖動影響以保留原影像的真實性。所提影像穩定技術主要分為全域移動向量，即移動向量估測單元與防止抖動又可讓影像序列平滑移動的移動補償向量，即移動補償單元。移動向量估測方面則先利用Sobel邊緣偵測法找出整張影像中物件的邊緣，並根據物件的邊緣最明顯的部分，進而訂定出特徵區塊；接著在特徵區塊內求得區域移動向量，再以眾數法從區域移動向量中求得全域

移動向量，此全域移動向量就是實際的影像移動向量。而移動向量補償方面則以平滑指標(Smoothness Index；SI)和移動誤差(Moving Error；ME)來評估影像穩定系統性能的好壞；同時亦以多目標粒子群演算法(Multi-Objective Particle Swarm Optimization；MOPSO)的適應值用於數位PI控制器參數的調整依據，進而達到讓影像序列可以在不同干擾環境下既可防止抖動又可平滑移動的效果。經手持實測的實驗結果顯示所提之數位影像穩定系統，除能有效的防止影像序列的晃動外，並且能在影像平移時消除影像延遲的缺點。