Apollo控制算法是百度發起的一個自動駕駛測試和研發平台的核心組成部分，其主要邏輯包括局部規劃和軌道跟蹤。局部規劃由低精度模型和長周期規劃組成，而軌道跟蹤則由高精度模型和短周期規劃組成。在控制算法中，Apollo採用了模型預測控制（MPC）和線性二次調節器（LQR）作為路徑跟蹤控制器。
MPC（模型預測控制）：MPC是一種先進的過程控制方法，它依賴於過程的動態線性模型。在滿足一定約束條件的前提下，MPC通過最佳化當前時刻及未來時刻的行為來實現控制目標。MPC在控制時域內對當前時刻進行最佳化，同時考慮未來時刻，以求解當前時刻的最優解，並反覆最佳化以實現整個時域內的最佳化求解。
LQR（線性二次調節器）：LQR是現代控制理論中發展成熟的狀態空間設計方法。它通過設計狀態線性反饋的最優控制規律，易於形成閉環最優控制。LQR的目標是最小化二次型目標函式J，這要求權矩陣Q與R的適當選擇，因為它們對算法效果有重要影響。LQR的研究對象是線性系統，但在實際套用中，由於效率和時耗的考慮，非線性系統通常會被線性化進行處理。
在Apollo算法中，LQR和MPC都選用腳踏車動力學模型作為研究對象。雖然腳踏車系統是非線性系統，但在最佳化過程中，為了求得最優控制解，會將其線性化。因此，可以說Apollo中研究的對象都為線性系統。
通過上述分析，我們可以看到Apollo控制算法在實現自動駕駛過程中的高效性和靈活性，以及MPC和LQR在路徑跟蹤控制器中的互補作用。