b站老王 自动驾驶决策规划学习记录（十一）

最新推荐文章于 2024-07-21 23:25:48 发布
最新推荐文章于 2024-07-21 23:25:48 发布
阅读量589 收藏 4
点赞数 1
分类专栏： Planning模块 文章标签： 自动驾驶 学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BigDavid123/article/details/133063567
版权
本文介绍了自动驾驶中的ST图在路径规划中的应用，包括从Frenet坐标轴到cartesian路径的速度规划，以及SL和ST的迭代求解过程。重点讲解了EMplanner的核心思想，即通过降维和迭代优化来解决博弈问题，降低决策规划难度。
摘要由CSDN通过智能技术生成

自动驾驶之ST图与迭代优化

上一讲：b站老王 自动驾驶决策规划学习记录（十）
接着上一讲学习记录b站老王对自动驾驶规划系列的讲解

参考视频：自动驾驶决策规划算法二章第六节 ST图与迭代优化

回顾：
参考线->建立frenet坐标轴，障碍物投影，动态规划（决策）,二次规划，frenet转cartesian

1 ST图、预测

已有cartesian的path，作速度规划
在这里插入图片描述

ST图的画法
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2 SL、ST如何迭代求解

在这里插入图片描述
当前帧规划端
在这里插入图片描述
在这里插入图片描述
当前帧的规划结果是下一帧的上一次的规划结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

EM planner核心思想
1.将SLT三维规划问题降维，分解成两个二维的SL、ST规划问题大大降低了规划难度。
2.上一帧的trajectory优化当前帧的SL、SL优化ST，不断迭代
扩展:
1、博弈问题
在这里插入图片描述
预测很难处理博弈问题
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
整个决策算法中最难的问题，行业内难题

Big David
关注
专栏目录
Apollo决策规划——EM planner
BigDavid123的博客
06-07 680
本文详细讲解了EM planner的思路，和决策规划的基础知识
Apollo9.0 PNC源码学习之Control模块（六）—— 百度Apollo控制前置知识
BigDavid123的博客
06-14 688
本文详细介绍了车辆控制所需的理论知识，详细推导见本文，以及一些控制面试问题
老王纵向控制总结
qq_57172948的博客
01-13 1060
纵向控制:油门、刹车 控制策略：油门/刹车 控制加速度 控制车速 控制实际位置进退
Udacity无人驾驶课程笔记：规划
xiewf的博客
03-05 1012
路径规划需要三个输入：地图、当前位置、目的地。 ３D轨迹 轨迹生成的目标是生成由一系列路径点定义的轨迹，每个路径点分配一个时间戳和速度，然后用一条曲线将这些路径点进行拟合生成轨迹的几何表征，由于移动的障碍物可能会暂时阻挡部分路段，轨迹中的每个路点都有时间戳，可以将时间戳与预测模块的输出相结合，以确保计划通过时轨迹上的每个路径点均未被占用，这些时间戳创建了一个三维轨迹，每个路径点由空间中的两个维...
Apollo自动驾驶入门-地图、定位、感知、预测、规划、控制
qq_45830323的博客
01-20 3511
本文主要介绍了自动驾驶的几大模块，通过阅读本篇文章，可以对自动驾驶有一个简单的认识。Apollo自动驾驶入门-地图、定位、感知、预测、规划、控制
自动驾驶规划-概览
最新发布
dc爱傲雪和技术
07-21 1181
在规划中，我们通过结合高精度地图,定位和预测来构建车辆轨迹。规划的目标是避免碰撞和舒适的可执行轨迹。该轨迹由一系列点构成，每个点都有一个关联速度和一个指示何时应抵达那个点的时间戳。路径规划的目标是找到从地图A前往B的最佳路径。路径规划使用了三个输入，第一个输入为地图。apollo提供的地图数据包括公路网和实时交通信息。第二个输入为我们当前在地图上的位置。第三个输入为我们的目的地。apollo也通过搜索来查找路线，在搜索前，他将地图数据重新格式化为图的数据结构，该图由节点和边缘组成。
Baidu Apollo ST图在车辆变道轨迹规划中的应用
silver bullet
04-10 7659
在百度Apollo Lattice轨迹规划算法中，针对跟车（follow）和超车（overtake）2种不同的场景，使用了ST图在纵向上来采样障碍物车辆周边的目标点，作为拟合轨迹的终点。跟车时，在ST图中障碍物下方采样，即自车速度小于并趋近于障碍物车速度；超车时，在ST图中障碍物上方采样，即自车速度大于障碍物车速度。至于横向采样，因为参考线会切换到目标车道中心线，故横向一般围绕0（参考线即s轴）左...
决策规划控制讲义.pdf
03-29
在自动驾驶领域，决策规划控制是实现智能车辆自主行驶的关键技术之一。这门课程，由忠厚老实的老王主讲，涵盖了这一领域的核心概念和算法。笔记内容可能包括了老王对于这一复杂系统的深入理解和实践经验。 首先，...
Apollo决策规划 - EM planner
BigDavid123的博客
03-08 1909
文章详细讲解了EM planner的理论，包括规划需要的背景知识🍎：五次多项式、凸优化和非凸优化、直角坐标与自然坐标转换，参考线🍎：平滑算法、避障(规划起点，轨迹拼接)，自动驾驶的轻决策和重决策🍎，二次规划带来的问题，SL、ST如何迭代求解
第二章第四节(上) 轻决策与重决策
zheshui69163的博客
08-03 1748
轨迹规划 学习笔记 b站up主：忠厚老实的老王
百度apollo自动驾驶planning代码学习-Apollo\modules\planning\common\StGraphData类代码详解
weixin_39199083的博客
06-17 847
apollo planning StGraphData类代码详解
Apollo无人驾驶入门课程笔记之规划 （六）
qq_34828179的博客
12-07 837
时间：2020.11.08 内容：无人驾驶之预测 文章目录一、规划简介二、路线的规划2.1 地图的处理2.2 路径搜索算法 A*2.3 轨迹生成三、Fernet坐标系 一、规划简介 当我们驾驶从某个地点到另一个地点的时候，我们通常会在心中想好一条可行的路线，无人车的规划也是如此。 其第一步为路线规划，假设无人车要从A点到B点，那么其可行的路径有很多，就如我们平时使用手机地图进行导航时一样，当你输入目的地之后，软件会为你规划出几条可行的路线。这些路线都能满足你到目的地的需求，但可能这个过程中你可能会遇到堵车或
Apollo自动驾驶入门课（6）——规划
qq_45577461的博客
07-17 1027
规划需要结合高精度地图、定位、预测的知识，从路线导航和轨迹生成两方面构建车辆轨迹。 规划1.规划2. A*搜索算法将地图转为图A*算法3.轨迹生成3D轨迹评估一条轨迹4. Frenet坐标5. 路径-速度解耦规划路径-速度解耦规划路径生成与选择ST图速度规划优化轨迹生成6.Lattice规划Lattice规划ST轨迹的终止状态SL轨迹的终止状态Lattice规划的轨迹生成 1.规划 路线规划，目标是找到从地图上的A前往B的最佳路径，侧重于研究如何从地图上的A点前往B点。在路线导航时，将地图数据作为输入，并
【自动驾驶轨迹规划之时空语义走廊】
weixin_65089713的博客
03-23 2714
城市道路轨迹规划的难点在于有很多语义元素。不同的语义元素有不同的数学表征形式，提出了一种新的统一的时空语义走廊来为不同类别的语义元素来提供abstraction，可以推广到任何语义元素组合的场景。SSC由一系列互相连接的无碰撞cubes组成，其中包含了动态约束，并且轨迹生成问题可以归结于一个QP问题，并且通过贝塞尔曲线来保证轨迹安全性和可行性。
Apollo预测规划二——运动规划（2）
Ali_start的博客
01-05 1314
运动规划的 内部优化    (know the problem solver) 约束问题的最优解方法：动态规划 通过类似于有限元的方式，把问题抽象成在一个离散的空间里面，把重复计算进行简化。但是计算量还是较大。                                                                                           ...
02_两小时了解自动驾驶
Osean_li的博客
05-04 1532
目标 两小时系统了解无人驾驶的基本原理 你将学到什么 高精地图:几乎支持着软件栈的所有其他模块 定位:汽车如何确定它所处的位置,以个位数厘米级别精度进行自定位 感知:无人驾驶如何感知世界,深度学习是一个重要且强有力的感知工具,卷积神经网络,构成深度学习的分支,对感知任务至关重要,如分类,检测和分割.输入来源camrea,lidar,radar .预测:预测其他车辆或行人可能如何移动; 递归神经网络可对其他物体随实践的运行进行跟踪,并使用该时间序列数据预测未来 规划:将预测与路线相结合.
Apollo自动驾驶入门课程第⑧讲 — 规划（下）
10点43的博客
10-07 8383
目录 1、路径-速度解耦规划 2、路径生成与选择 3、ST图 4、速度规划 5、优化 6、路径-速度规划的轨迹生成 7、Lattice规划 8、ST轨迹的终止状态 9、SL轨迹的终止状态 10、Lattice规划的轨迹生成 本文转自微信公众号：Apollo开发者社区 原创： 阿波君Apollo开发者社区9月20日 上周我们发布了无人驾驶技术的规划（上），车辆基...
自动驾驶中轨迹规划的探索和挑战
Hello_xiaolu的博客
04-08 871
转自:https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247489373&idx=1&sn=1d3e99b1ff4bb7c021e38b281bbfa763&chksm=fbd4a531cca32c2774556f337e375d478f3977c20b1afbcdcd46cbb566f4ea8072cd...
百度apollo自动驾驶planning代码学习-Apollo\modules\planning\common\speed\STBoundary类代码解析
weixin_39199083的博客
03-27 3542
Apollo planning模块STBoundary类的代码详解，读完此文，可以了解STBoundary类的定义，功能以及使用
老王自动驾驶动态规划
09-09
对于自动驾驶中的动态规划问题，可以简单地理解为通过算法来规划车辆的行驶路径，以实现安全、高效的自动驾驶。动态规划通常采用离散化的方法，在一定时间段内，将车辆的行驶轨迹划分为多个离散的状态，然后通过优化算法来选择最优的下一步行动。 在自动驾驶中，动态规划可以用来解决诸如路径规划、速度规划等问题。路径规划的目标是找到从起点到终点的最短路径，同时考虑避免障碍物、遵守交通规则等因素。速度规划则是根据当前道路条件、交通流量等因素，计算出车辆在每个时间步长上的最优速度，以保证安全与效率。 动态规划算法的核心思想是将复杂的问题分解为多个子问题，并通过递推关系来求解最优解。在自动驾驶中，可以利用动态规划算法来预测未来的路况、障碍物位置等信息，从而选择最优的行驶策略。 需要注意的是，动态规划在实际应用中可能会受到计算资源和实时性等方面的限制，因此在实际自动驾驶系统中，可能会结合其他算法和模型来实现更高效、更可靠的行驶规划策略。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值