自动驾驶学习笔记（八）——路线规划

#Apollo开发者#

学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往：

《自动驾驶新人之旅》免费课程—> 传送门

《Apollo Beta宣讲和线下沙龙》免费报名—>传送门

文章目录

前言

路线规划

路由元素

路径搜索

最优计算

实例

Tips

总结

---

前言

        见《自动驾驶学习笔记（一）——Apollo平台》

        见《自动驾驶学习笔记（二）——Apollo入门》

        见《自动驾驶学习笔记（三）——场景设计》

        见《自动驾驶学习笔记（四）——变道绕行仿真》

        见《自动驾驶学习笔记（五）——绕行距离调试》

        见《自动驾驶学习笔记（六）——Apollo安装》

        见《自动驾驶学习笔记（七）——感知融合》

路线规划

        路线规划的目标是利用地图数据和实时交通信息，找到从A到B的最佳路线。

路由元素

        为了便于开发查找路径的算法，首先需要将地图转化为由节点和边缘组成的数据结构，节点代表路段，边缘代表路段之间的连接，如下图所示：

路径搜索

       如下图所示，搜索从A到B的路径

        第一步，查找A相邻的节点，有8个候选节点1~8

        第二步，查找1~8相邻的节点，有13个候选节点a~m。

        这时就出现了21条候选路径：

        A->1->d

        A->1->e

        A->1->f

        A->2->b

        A->2->c

        A->2->d

        A->3->a

        A->3->b

        A->3->c

        A->5->k

        A->5->l

        A->5->m

        A->6->j

        A->6->k

        A->6->i

        A->7->h

        A->7->i

        A->7->j

        A->8->f

        A->8->g

        A->8->h

        第三步，在上述21条候选路径的相邻节点上继续搜索新的候选节点，进而产生新的候选路径。

        重复上述搜索过程，直至节点B在候选路径中出现为止。

最优计算

        上述路径搜索算法，如果A至B的距离变远，或者地图的粒度变细，那么需要消耗的算力将是指数级增加的，所以就需要引入最优排序，在每一个步骤都剔除掉一些相对较差的候选路径。这里先从路径长度这一个角度来评价候选路径，每个步骤中的候选路径长度f，都有已有距离长度g和剩余距离长度h两部分组成，如下图所示：

第一步的路径长度值

第二步的路径长度值

实例

        如下图所示，车辆在一个高速公路的出口，搜索到左转、直行和右转三个候选路径，分别对应不同的g值和h值，两者相加计算得到最优的路径为右转路线。

Tips

        在路线规划的实际应用中，不管是路径搜索，还是最优计算，除了要考虑上述的地图数据和距离长度之外，通常还要考虑有没有市政封路、交通事故、堵车缓行、路面质量、红绿灯多少、加油充电站、停车场出入口、路桥费多少等等因素，是一个比较复杂的工程问题。

总结

       以上就是本人在学习自动驾驶时，对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识，欢迎评论区留言、点赞、收藏和关注，这些鼓励和支持都将成文本人持续分享的动力。

        另外，如果有同在小伙伴，也正在学习或打算学习自动驾驶时，可以和我一同抱团学习，交流技术。

---

        版权声明，原创文章，转载和引用请注明出处和链接，侵权必究！

        文中部分图片来源自网络，若有侵权，联系立删。