百度Apollo开放平台基于二次优化的最优车辆路径规划

论文题目:Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform

摘要

路径规划是自动驾驶运动规划的关键组成部分。路径规定了车辆将行驶的几何形状,因此,它对车辆安全和舒适的运动至关重要。对于城市驾驶场景,自动驾驶车辆需要在混乱的环境中导航,在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径是路径规划具有挑战性的问题。本文提出了一种新的二次规划方法。

方法针对的场景是结构化道路 对静态或者低速障碍物的轨迹优化方法

Summary:
本文提出了一种基于优化的自动驾驶路径规划方法,该方法将路径规划分为两个阶段:参考线生成(规划的先决条件)和基于分段加加速度的优化(找到最优且运动学上可行的路径),这两个阶段都被公式化为二次规划问题,计算高效,有效利用了道路结构,实现了更清晰的场景理解。在普通PC上的平均总计算时间为40 ms(20 ms用于引导线平滑,15 ms用于路径查找)

I 介绍

路径要求平顺,安全,符合车辆的非完整约束,同时要在动态、复杂的场景中保持较好的鲁棒性。
在这里插入图片描述

作者提出一种基于优化的路径规划算法,将路径问题解耦成两个阶段:(1)基于地图数据找到一条合适的参考线(2)基于Frenet坐标系进行基于分段加加速度的优化(Piecewise-Jerk)

II 相关工作

对于路径规划,可以分为几类:
作者首先介绍了过去一些方法的缺陷,也介绍了基于优化的算法的优势:
(1)randomized planners是用来解决高自由度机器人运动规划问题,因为这些算法(RRT,RRT*,C-PRM)善于探索高维配置空间。可用于具有微分约束的自动驾驶汽车,甚至如果给足计算时间可以产生高质量的path。但是问题就是他们是通用的规划器,不能有效地从道路的结构化环境中挖掘领域知识,路径的质量不能满足舒适高速驾驶的要求。因此,这些规划器通常部署在一些特殊场景,停车。。。而不是一般的道路驾驶。
(2)离散搜索方法,其复杂度随着环境复杂指数级增长,难以适用于复杂的环境;State lattice可以被视作一类特殊的Discrete Search,不过得到的路径比较依赖于采样的单元(比如单元的分布状况、数量等等,这些会显著影响计算量),而且需要对环境信息有一个较高程度的建模,对于动态环境适应程度一般。

基于优化的方法是最灵活的方法,优点就是直接实现了最优建模,同时由于被密集离散化后的路径/轨迹作为优化变量,对于复杂场景的鲁棒性较好。

在Frenet坐标系中规划的优点是 有效地利用了道路结构,实现了更清晰的场景理解
作者提出的一篇文献:先转换到Frenet坐标系中,对参考线进行横纵向解耦,把规划问题在1维的空间内计算,得到基于多项式的横纵向的轨迹集,最后将横纵向重新组合并转换到笛卡尔坐标系中进行筛选。(Apollo是采用优化的方法得到一维的轨迹)

Werling, Moritz, et al. “Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenét Frame.” 2010 IEEE International Conference on Robotics and Automation, 2010, https://doi.org/10.1109/robot.2010.5509799.

本文采用的方法克服了多项式函数对于复杂驾驶场景不够灵活的问题,结合了优化和Frenet运动解耦的特点。此外,自动驾驶系统通常需要在极短的规划周期内来应对环境的动态变化。因为将优化问题转换为一个二次规划问题,一般情况下可以有效求解,因此这个方法具有很大的实际应用价值。

||| 问题定义

Apollo用的自行车模型
在这里插入图片描述
一般来说,具有微分约束的车辆配置空间包含三个维度 ( x , y , θ ) (x,y,\theta) (x,y,θ),使用自行车模型模拟车辆的运动学。
将四轮车简化为两轮自行车,一个车轮位于前轴线的中心,另一个车轮位于后轴线的中心。由于转向角α,车辆沿着半径为 R = L / t a n ( α ) R = L/tan(α) R=L/tan(α)的圆运动,其中L是前后轴线之间的距离。 k = 1 R = t a n ( α ) / L k = \frac{1}{R}=tan(α)/L k=R1=tan(α)/L隐含地表示车辆的转向角。,将曲率作为第四个维度。四维配置空间提供了更精确的姿态描述,有助于Control模块更好地设计反馈控制。

车辆参数:modules/common_msgs/config_msgs/vehicle_config.proto
车辆的参考点是后轴中心,规划的路径上的点都是指参考点的位置
在这里插入图片描述
路径规划的目标:将参数p∈ [0,1]映射到特定配置 ( x , y , θ , κ ) (x,y,θ,κ) (x,y,θ,κ)的函数q,并满足一系列要求:
1)无碰撞:路径不会导致车辆与障碍物碰撞。总体策略的轨迹规划分为静态和动态避障避碰,本文提出的路径规划是针对实现避免与静态障碍物碰撞。硬约束
2)运动学上可行:路径必须在车辆的运动学限制内,以便车辆可以物理跟随。硬约束
3)舒适:特别是对于载人的车辆,一条舒适的路径应该有最小的转向摆动,减少不必要的急转弯,软约束

下图是Apollo基于Frenet坐标系运动规划的一个示意图。这张图说明了apollo将Path Planning的问题解耦成路径规划和速度规划两部分,之后再重新组合转换到原始坐标系中。车辆的状态变量为 ( x , y , θ , κ , v , a ) (x,y,\theta,\kappa,v,a) (x,y,θ,κ,v,a)应该是考虑了速度规划的部分。
在这里插入图片描述

IV 参考线平滑与生成

路径规划的具体流程:
(1)参考线生成
(2)Map-Frenet坐标系转换
(3)路径边界计算与估计
(4)路径规划
(5)Frenet-Map坐标系转换
在这里插入图片描述
一般参考线只包括位置信息 ( x , y ) (x,y) (x,y),但如此一来严重影响到路径规划的效果与质量。至少要保证参考线曲率导数的连续,如此可以减少路径的不平滑度以及跟踪控制可能产生的超调。
为了弥补缺失的几何信息的指导线,开发了一种基于优化的平滑算法,考虑以下方面的优化公式:
(1)目标函数:低而平滑的路径曲率不仅有助于减少控制器在路径跟踪中的不稳定性和超调,而且可以提高乘坐舒适性。因此在优化过程中,引导线曲率及变化率是不利的。参考线应靠近车道中心。
(2)约束:允许输入点偏离原始坐标一定程度,同时保持线的原始形状,为了确保安全,参考线必须在车道边界内

Apollo之前的工作中利用五次螺旋线构造参考线,同时利用非线性规划的方式去解决,但这种方式计算量和计算难度上都较大,实时性难以保证。在这次的工作中采用了二次规划的方式进行解决
在这里插入图片描述
主要是最小化 p i p_i pi p i − 1 p_{i-1} pi1 p i + 1 p_{i+1} pi+1之间的欧氏距离,同时考虑可能的地图误差,允许输入点在一定程度(一定程度用一个boundingbox去约束)上偏离其原始坐标,以在保持线的原始形状的同时实现可能更高的平滑度。此外,为了确保安全,平滑的引导线必须保持在车道边界内。

V 路径边界的判定与计算

Apollo路径优化是在一个Frenet框架,因此,基于生成的参考线来制定目标函数和约束。本节将讨论如何为优化过程生成可行的搜索区域。
本文提出了一种基于启发式搜索的决策策略,该策略考虑了道路数据(特定路段的可用车道)、自车和静态障碍物的位置和几何信息,并为后续的优化过程建立了数学不等式。通过两个步骤来实现这一点:道路选择决策路径边界生成
A:道路选择决策:一个简单的方法是使用所有可用的车道作为可驾驶区域,但未考虑不必要的换道行为所带来的危险影响以及在部分区域需要暂时借用相邻或对向车道这种情况。

为了解决上面的问题,利用基于规则的决策树,该决策树基于交通规则、自车状态( v , θ . . . v,\theta... v,θ...)以及阻挡障碍物信息(障碍物类型、位置等)。该模块根据引导线的空间参数输出一组可供本车使用的车道

B:路径边界生成
此步骤的目标通过考虑车辆的位置和周围障碍物来精细处理从上一步骤到特定边界的可用车道。
在这里插入图片描述
Δ s \Delta s Δs为间隔离散化,从第一个点 s 0 s_0 s0开始向前搜索,如果 s i s_i si位置没有障碍物,直接以车道的边界作为路径边界,继续搜索下一个点。如果在 s i s_i si的位置有静止或低速障碍物,依据自车估计出的 l l l以及除去障碍物剩下的可用的空间,对可能的侧向通过方向进行排序。接着从最宽点处搜索后续的点,如果搜索失败,则回溯,搜索其他方向。重复该过程,直到达到搜索范围(的实现中为160 m)。动态障碍物或高速障碍物在速度规划部分考虑。

VI 路径优化

给定计算的路径边界函数 l B l_B lB在Frenet中的详细优化公式
优化建模
在对路径的最优性建模时,考虑以下因素:
(1)无碰撞:路径不得与环境中的障碍物相交
(2)最小侧偏:如果没有碰撞风险,车辆应尽可能靠近车道中心
(3)最小横向移动:横向移动及其变化率必须最小化,这两个术语隐含地表示车辆横向移动的速度
(4)(可选)最大障碍物距离:尽量保持车辆与障碍物之间的距离,以便车辆安全通过。

在这里插入图片描述

1 定义变量

在这里插入图片描述

2 目标函数

在这里插入图片描述
用常三阶导数项 l ′ ′ ′ l''' l′′′连接相邻的离散点,其值用相邻的二阶导数差分得到
在这里插入图片描述
在这里插入图片描述

3 设计约束

(1)连续性约束
在这里插入图片描述
(2)安全性约束
l方向的点需要在边界内
在这里插入图片描述
(3)曲率约束
自车的转角不能超过最大转角
在这里插入图片描述
采用OSQP求解器

运动可行的可变边界估计

除了满足几何连续性和安全边界约束外,计算的路径必须遵循车辆的运动学约束,以便物理上可驾驶。
运动学约束是在map frame上定义的,因此很难在Frenet frame中直接实施该约束。因此我们只能把frenet坐标系转化回笛卡尔坐标系去判断。判断运动学可行性的最关键因素就是曲率及其变化率,下面就是两个坐标系之间曲率的转化公式

在这里插入图片描述
适当简化上述公式,并在原来的优化上加入新的约束条件
在这里插入图片描述
下图验证了算法的有效性
在这里插入图片描述
实验,参考线总长300m,点间距0.25m。平均计算时间为20ms。参考线平滑过程仅仅依赖于地图数据,因此参考的离线运算可以减少在线计算时间。对于路径优化,总路径长度smax = 150 m, Δ s = 0.5 m \Delta s = 0.5m Δs=0.5m,平均计算时间为15ms

  • 31
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: E二次规划(EQP)是一种最优化问题的数学模型,它允许在一组线性约束条件的基础上求解二次目标函数的最小值。在Apollo路径规划中,通过E二次规划求解,可以让自动驾驶车辆在行驶过程中遵循最短、最安全、最有效的路径,从而有效地提高路况下自动驾驶车辆的驾驶能力。 具体来说,在Apollo路径规划中,E二次规划是用来求解三维Carla地图上的自动驾驶路径。首先,根据车辆当前的位置和目标位置,计算出自动驾驶车辆的路径段。然后,通过EQP模型来寻找最优路径,从而确保自动驾驶车辆能够以最快的速度、最短的路线到达目的地。 E二次规划Apollo路径规划中的应用,不但可以提高自动驾驶车辆的路况适应性,还能够有效降低事故风险和提升驾驶舒适度。目前,E二次规划已经成为自动驾驶领域中最重要的路径规划技术之一,将在未来自动驾驶车辆的运作中发挥越来越重要的作用。 ### 回答2: E二次规划(EQP)在Apollo路径规划中是一种重要的数学算法,用于寻找最优车辆路径。Apollo是一款无人驾驶平台,其中路径规划是其中的一个重要模块,用于规划车辆在道路上移动的路径。EQP是一种二次规划问题,其解决方法是迭代计算非线性方程组。 在Apollo路径规划中,EQP可以用来处理不同轮廓的车辆在具有复杂形状的车道上的路径规划。它基于车辆的轮廓和其它约束条件,计算出车辆移动的最佳路径。这种路径规则可以让车辆避免障碍物和其他难以通过的地方,同时保证车辆的稳定性和安全性。EQP算法可以使用多种方法来求解最优解,比如牛顿法和Uzawa-Brahmian算法等。 EQP的一大优势是能够处理非线性约束。例如,如果车道侧边缘变曲,车辆的轮廓也将发生变化。这时就需要EQP来计算新的路径规划。EQP还能够同时考虑多个约束条件,例如车辆转弯半径和最大加速度等,确保路径规划的合理性和安全性。 总之,EQP算法是Apollo路径规划中非常重要的一个组成部分。它可以让车辆在复杂的路况中行驶,避免障碍物和危险区域,同时保证车辆的安全和稳定性。EQP虽然运算量大,但在这个领域中是最好的解决方案之一。 ### 回答3: APOLLO是一款自动驾驶系统,是中国最早的自动驾驶系统之一,该系统具有高度自动化和安全性,它使用了多种传感器和路况信息来实现对车辆定位、路径规划、行驶决策等功能的控制。 其中,APOLLO路径规划中的e二次规划是一种重要的优化方法,它主要是用来解决路径规划中的非线性规划问题。具体来讲,e二次规划是在求解路径规划最优路径时非常有用的工具,它可以更快更准确地确定车辆的路线以及行驶速度、制动等参数,以保证车辆行驶的稳定性和安全性。 e二次规划的核心思想是利用二次函数来近似描述非线性约束条件下的最优化问题,将原问题转化为一个凸二次规划问题。在路径规划中,利用e二次规划方法求解可得到一个满足约束条件的最优路径。 具体来讲,APOLLO路径规划中的e二次规划通过约束方法和拉格朗日乘子法进行求解。其主要步骤如下: 1. 确定目标函数,即车辆行驶路径的代价函数。这个代价函数包含了车辆行驶的时间、路线、速度、制动等参数,使得车辆能够顺利地到达目的地。 2. 确定约束条件,将代价函数视作目标函数,同时约束条件是车辆在行驶过程中受到的各种限制,如车速、转弯半径、转角限制、障碍物等。 3. 在约束情况下,利用拉格朗日乘子法将优化目标转换为一个带有约束的最小二乘问题。 4. 通过求解该最小二乘问题,得到满足约束条件的最优路径。此时,可以通过数值计算方法对路径进行优化,例如差分进化算法、遗传算法等。 总之,APOLLO路径规划中的e二次规划通过近似描述非线性约束条件下的最优化问题,将原问题转化为一个凸二次规划问题,使车辆能够更加高效、安全地行驶。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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