無模型的 PID 橫向控制算法參數少，簡單易用，但是由于沒有考慮車輛系統動力學特性及路徑本身的動態變化特性，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，會出現較大的跟蹤誤差和“畫龍”現象，因此，該方法比較適合應用于低速曲率較小的路徑跟蹤控制場景中。

基于運動學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的路徑場景下魯棒性較好，其控制的關鍵在于對最佳前向預瞄距離的確定其中，增大前向預瞄距離將提高車輛控制的穩定性。

但隨之會帶來路徑跟蹤性能降低及穩態誤差增大的后果，表現出轉彎內切現象。

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，因此在大多數場景下，跟蹤性能更佳，然而，由于沒有設置前向預瞄，Stanley 算法會出現轉向過度的情況。

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，穩態誤差也會變大，從而導致控制效果不佳。

LQR 算法使用二自由度動力學模型來設計橫向控制器，與前述基于運動學模型的幾種算法相比，LQR 參數調節更加復雜，其不僅需要獲取車輛自身的模型參數。

還需要調節LQR 目標函數的 Q，R 矩陣以獲得較優的跟蹤性能。

LQR 算法的優點在于，通過與轉向前饋進行有效結合，LQR 能夠很好的解決曲線行駛時的穩態跟蹤誤差，在中等速度曲線行駛時其穩態誤差趨近于零，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模型。

因此當車輛運動不滿足二自由度動力學模型轉向小角度，或輪胎動力學線性化的假設條件時，LQR 算法的跟蹤性能會大幅降低，從而導致控制失效。