百度Apollo⽆⼈驾驶学习笔记之规划与决策（⼀） (⼀) Basic motion planning and overview
What is motion planning?
规划问题的本质是搜索问题
我们要规划出⼀条⽐较好的路径，这个“好”是通过⼀个函数来定义的，我们⼀般把这个函数叫做⽬标函数F(x)。 即给定现有的环境，然后去到⽆⼈车如何运动的最优解问题。 不同领域对路径规划的定义是不同的
机器⼈领域：如何⽣成⼀个轨迹去到达⽬标
RRT，A*，D* lite，Lattice Planning，and etc
无人驾驶系统控制论：为到达⽬标状态的动态系统
MPC，LQR，and etc
AI：⽣成状态的映射
Reinforcement learning，end to end imitation learning，and etc
Path Finding Problem
BFS,DFS：为non-informative search，没有利⽤起点到终点间的信息，不知道⽬标在什么地⽅ A*：为informative search， 定义了⼀个heuristic function，⼤概知道⽬标在什么地⽅
算法与实际⽆⼈车的区别
⽆⼈车在实际运动中，⽆法完全获取起点到终点间的信息，只能通过sensors部分观察前⽅的路况信息
如果知道全部的路径信息，使⽤A*算法规划路径是⼀件⾮常快的事，称为Global routing
只知道部分的路径信息，可以使⽤贪⼼的思想，只能看到后三步的信息，就规划出这三步的最优解；只能看到后五步的信息，就规划出这五步的最优解，称为incremental search，D*即这种思想
是否关⼼得到问题的全局最优解
当我们在开车时，其实关系的是在眼前的环境下，如何得到最优解
假设从北京到上海⾃驾游，我们也不会在开车前获取全部路程信息，规划出最好的路径
在实践中，global optimization也不是个很好的解决⽅法
⽽partially能否做到最后，是我们⽐较关⼼的⼀个问题
对于⽆⼈车⽽⾔还差哪些问题
算法将空间离散化得到很多折线，⽽⽆⼈车不能⾛这样的折线
⽆⼈车⾛的是平滑的曲线，需要平滑优化算法
有些路线，⽆⼈车⽆法⾏驶，需要根据动⼒学模型，在控制模块加以控制
真正上路时，不能将前⽅的车当作静⽌的障碍物，即随着时间的变化，环境也跟着变化
动态环境的变化，对于规划⽽⾔是个很难的问题
⽆⼈车要上路，第⼀件事需要遵守交通规则
算法在有些的时间内，到⽐较好的解（最优解）百度对⽆⼈驾驶规划的响应时间要求为0.2s-0.3s，⼀个⼈反应的时间是0.4s-0.5s
⽆⼈驾驶硬件系统
激光雷达
IMU
GPS
⽆⼈驾驶软件系统
Perception: What we see
Localization: Where we are
Prediction: How the environment will change
Motion Planning: How we move
Control: How to control the car
input and output
Car status
Traffic Light info
Obstacles and predicted trajectory
Navigation info
HD Map
trajectory
轨迹在⽆⼈驾驶中不仅仅是⼀条Path
不是⽆⼈车怎么⾛，⽽是随着时间⽆⼈车怎么⾛
trajectory包含两个信息，路径信息及速度信息
不仅路径平滑，速度也要平滑
⼩结
规划分为non-informative search和informative search
⽆⼈车在⾏驶前，先根据⾼清地图规划出来的路径成为Global planner 即informative search，⽐如通过⾼德地图事先选择的⾏驶路径，他不受当前环境状态的影响
在⾏驶过程中，通过sensors感知到的信息，⽽规划出的部分最优解成为Local planner，即non-informative search，⽐如在⾏驶过程中检测到障碍物，需要及时规划出其他路径避开障碍物，受环境状态的影响
规划问题更深⼊的话，也包含⼀些控制问题
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议