点击下方卡片，关注“自动驾驶之心”公众号
ADAS巨卷干货，即可获取
规划控制100问
最近很多小伙伴对工业界常用的规划控制相关内容表现出较大兴趣，也向我们提出了很多问题，为了方便大家学习，自动驾驶之心在这里做好了整理，暂定100问，后面将持续更新，主要是学术界和工业界最常遇到的问题，希望能够帮助到大家！
Q1 现在企业里的控制都是用什么做呢？
国内外那几家做的比较好的公司不少都是用iLQR来做轨迹优化，控制的话可能更多还是二自由度动力学模型+求解线性化后的QP问题。
本文内容均出自《PNC，今年的香饽饽！近10种规控算法与代码实现你都知道吗？》
更有超大额优惠券相送！
立减一百！仅限三天！扫码加入学习~
Q2 避障相关算法论文推荐！
如果只是躲避静态障碍物，方案比较多，课程中会讲的apollo中的路径规划方案就可以用。如果是动态障碍物，工程上好做的方案是path-speed解耦，应对你们学校的项目肯定是够用了。另外，我记得autoware里好像是lattice planner？如果是时空lattice的话也可以应对简单的动态场景。
Q3 如果不预测的话，在城市工况下，假设有行人横穿，而且走走停停，这种case的避障 势力场能够避障吗？
势力场实现避障肯定是可以的，但如果没预测，是把动态障碍物当作静态障碍物处理吗？这种做法在一些场景下会出问题，比如说无人车在人后面跟着，两者速度相同，如果把人当静态障碍物处理，车就会去绕行他，但人也在向前走，所以算法会一直尝试绕行但一直绕不过去。如果考虑预测，用距离场的方式难点就在于你要构建xyt纬度的势场，这个复杂度是O (KMN)，可以用一些并行的操作来加速，但可能效果也不是特别好。一般基于势场的方法用在二维下挺好用，三维的话还有待商榷。
Q4 如何提升项目经验？
宁老师的建议是学完课之后可以看看apollo的代码，作为入门还是挺好的，可以写在简历上，然后再提升一下代码能力。
Q5 如何从EM planner 中找idea？
EM planner在课程第三章宁老师会讲到，可以当作一个框架来学习，它里面一些子模块的算法是有些缺点的，有可以改进的点。EM planner这个框架跟CMU12年的一篇论文极其相似“A Real-Time Motion Planner withTrajectory Optimization for AutonomousVehicles”，CMU JM Dolan的实验室出了比较多planning领域的知名工作，可以去找找看，早期waymo和uber的无人车基本都是他们那批人在搞。
Q6 PNC公司面试基本要求？
实习的话面试要求相对低一些，有点pnc相关的项目经验写简历上，基本就有面试机会了，面试也主要是聊聊项目，看看你对自己项目了解多深，是不是自己亲自做的，也可能会考一道比较简单的算法题，看看编程能力，有些公司实习甚至都不用写代码。
apollo就看看论文，看点博客然后直接啃代码就行，apollo planning 的软件架构稍微有点复杂，但核心算法就在那几个task里，看不懂整体都没事，把核心的task看透，面试就有的吹了。这些课程中会讲到。
有些公司找实习生很草率的，不那么一线的公司非常有可能不考算法题或者贼简单的来一道意思一下。有的公司面试是每一轮都有题(百度，滴滴，华为，...），也有的公司是第一轮纯项目，第二轮纯代码(图森第二轮会直接给你来2 3道题难度递增)。
如果你的论文很对口，会当作一个项目来问你，如果和自动驾驶规控没那么相关的可能都不会问。论文不是必须项，至少现在看来是这样。有一些没论文，但工程项目、代码能力很强，也可以拿到很好的offer。
Q7 C++ & ROS 或者 Matlab & Simulink如何选择？
如果是验证planning算法，其实自己搭环境都可以验，在ros中写个节点，随机生成点障碍物pub出来，另一个节点sub一下，然后做算法。如果想做车辆动力学级别的仿真，还是matlab+simulink那一套。在ros生态中没有能把车辆轮胎动力学这个级别的仿真做的比较好的。Ros+carla验planning可以的，这个相对比较成熟，github上能找到很多demo。自动驾驶公司和造车新势力基本都是要求C++，一些传统主机厂会要matlab+simulink技术栈的。
Q8 时空联合规划用的多吗？时空联合规划分别在笛卡尔坐标系和Frenet坐标系的优劣？
不多，对校招生不会强行要求掌握这个，时空联合只是理论上更优，但在工程上挑战是比较大的，不一定做的就比解耦方案好。
时空联合只是理论上更优，但在工程上挑战是比较大的，不一定做的就比解耦方案好。时空联合优化最大的挑战是非凸性，像ilqr这种方法找出来的最优解都是局部最优，在非凸性很强的时候有可能解的质量一般。所以时空联合需要在决策部分给出质量很高的初解，然后ilqr继续这个初解去在局部做平滑。
既然已经非线性非凸的优化了，一般就直接在笛卡尔坐标系下做了，可以更精确地考虑运动学模型。
Q9 path-speed的解耦方式的论文推荐！
百度的EM planner就是；“A Real-Time Motion Planner withTrajectory Optimization for AutonomousVehicles”这篇也是，比EM planner更早的。
Q10 知名实验室，高质量Paper分享！
CMU实验室；“Spatio-temporal Motion Planning for Autonomous Vehicles with
Trapezoidal Prism Corridors and Bezier Curves ”；“lmproved trajectory planning for on-road self_driving vehicles via combined graph search,optimization & topology analysis”（时空联合规划）。
Q11 博弈论用于规控的论文？
“Efficient Iterative Linear-Quadratic Approximations for Nonlinear Multi-Player General-Sum Differential Games”；“Game Theoretic Modeling of Vehicle Interactions at Unsignalized Intersections”。关键词：Game Theory，Autonomous Driving。
Q12 有什么算法能在考虑运动学模型的情况下 保证轨迹覆盖一片区域么？
“R.Bormann, F. Jordan, J.Hampp, M.HageleIndoor Coverage Path Planning: Survey,mplementation,Analysis.In Proceedings ofthe IEEE International Conference on Roboticsand Automation (ICRA),2018”，该论文主要介绍了全覆盖路径规划Q (CCPP:Complete Coverage Path Planning) 算法。
Q13 用piecewise jerk做速度规划有什么优缺点吗？
缺点是他是先把t纬度固定了，去优化s及其导数，但速度优化本质上是s t同时优化的，因为优化出了速度，加速度这些量之后反过来也会影响到达每个s的t。apollo中speed planning的dp部分就把t纬度固定了，算是一种近似。Speed Planning in Dynamic Environments over a Fixed Path for Autonomous Vehicles，这篇文章有对速度规划中的非线性部分做系统的讲解
Q14 目前PNC比较火的方向！
Contingency planning；图森提到的level-k做博弈交互。
Q15 请问后续讲解其他算法的时候会有实际代码的例子嘛？没用过python，有c++版本的吗？
目前在课程中不会花大篇幅讲解代码，关于实践环节的流程是每个小节结束后会给大家一个代码框架，让大家来补充算法部分，然后最后会给一个基于上述框架的可以运行的参考答案；目前是没有的，你学过c++再学python很简单的，而且python用来验证算法会很方便，以后对科研和工作是有帮助的。
Q16 在格栅图做路径搜索 怎么考虑运动学约束呢？（在格栅图做覆盖式路径搜索 怎么考虑运动学约束
可以找扫地机器人方向的论文看看。不过对于覆盖式搜索的结果应该只是一条全局路径吧，需要保证运动学可行吗？一般都会实时生成一条质量更高的局部路径下发给控制。一般扫地机底盘都是差速模型，他们可能也不考虑全局路径是不是运动学可行的，反正差速底盘可以原地旋转。
Q17 PNC中如何考虑动态障碍物？
思路是把动态障碍物当作静态来处理，但要做一些估计来选择"关键"时刻的障碍物，保证自车行为不会过度保守，后面课程中会细讲。
Q18 qp中引入松弛因子有什么作用呐？都可以解决什么问题呐？
加松弛因子主要作用是把一个约束变成软约束，比如说在规划问题中一般会有多条描述可同行区域的boundary，有的boundary是严格不能违背的，而有些boundary我们认为是可以违反的，但希望尽可能不要去违反，那么就可以在这些软约束上加入松弛因子，然后把这些松弛因子放到cost function中惩罚，通过权重约束来调节约束的软硬程度。
Q19 老師請問下決策規劃業界有在嘗試用mcts做嗎？
学术界比较多，工业届的话tesla在泊车场景是用mcts做搜索（tesla2021 aiday）。搜索的结果一般都不是全局最优，它只负责找到粗颗粒度上的最优解就行(比如决策)，高阶量上的最优是需要优化来做的。
Q20 全局优化
全局优化应该就是组和优化的思路，先通过某些方式找到全局最优解附近，然后再找局部最优，只不过可能把这个步骤放在了优化器内实现。
Q21 第二章讲的dijkstra和动态规划之间有什么区别或者联系呐？感觉都是取到当前节点cost最小值的父节点
好问题，dijkstra本质上是贪心策略，每次去选cost最小的节点弹出，并且把他作为当前这条路径的一个点。DP是基于bellman equation，对于每一步DP都会计算当前节点的最优cost，但不代表这个节点最后一定在最短path中。
Q22 实验室、企业咨询！
● 大佬：港科大shen shaojie和liu ming
● 企业：新加坡有Nutonomy，现在被Aptiv收购了，叫Motional
● 实验室：港大有个Mars实验室，但主要是搞无人机的；港城市有FSM Lab。
Q23 请问老师 现在变道研究中，有哪些相关的热点问题啊？
变道是横向决策中比较核心的问题，难点主要在于变道时机的选择，以及触发变道后，如果目标车道的社会车没有配合你，自车是要放弃变道还是强行变道，这实际也是个博弈的过程。产业届目前大部分还是基于规则或者基于cost来做变道决策，学术界比较多的是基于IL、RL、POMDP、GameTheory这些来做。
Q24 老师紧急避让AES的决策目前有比较成熟的方案吗？
ADAS相关的我不是特别清楚，但我觉得整体方案应该类似吧，只是AES只需考虑更短时域内可能的碰撞并做躲避，我刚刚找了篇论文“Emergency collision avoidance by steering in critical situations”简单看了下，也是用MPC这种方法来做。
Q25 双向双车道公路上的变道是一种以超车为目的的变道行为，目前业界有没有考虑这种非结构化道路上，考虑迎面碰撞风险的超车路径规划方法？还有，老师怎么看待人工势场及其衍生的方法用于车辆避撞呢？
如果迎面有来车，一般就直接触发换道行为了，把参考线切成target line之后，其他的操作也就没什么特殊的了。势场法主要问题是容易陷入局部最优，如果通过搜索能给出比较好的初值，也问题不大。
Q26 请问，目前的自动驾驶变道研究中，碰撞风险估计和驾驶员的驾驶风格推断方面，各有什么方法？
碰撞风险可以参考一个模型叫RSS，是一个可解释的安全保证模型，论文是这篇：On a Formal Model of Safe and Scalable Self-driving Cars（RSS是Mobileye提出的，在github上可以找到开源代码，另外后续也有很多基于RSS的新研究，可以去了解下）；我没怎么了解过换道驾驶员风格推断这个细分领域，可以看看这篇文章：Driver Lane Change Intention Inference for Intelligent Vehicles: Framework, Survey, and Challenges。
Q27 想请教一下，实际项目中规控算法在实车上是如何部署的，更深一层的数据流是咋跑的。因为现在了解一些算法的原理代码，但如果上车的话应该有哪些工作，这些信息可以从哪获取呢？想了解下规控算法工程师的日常？
PNC算法上车其实也不是很复杂，毕竟一般不涉及GPU什么的，就是通过类似ROS的平台接受感知定位预测模块的输出，然后一个进程做planning算法的核心逻辑，最终再把轨迹通过topic发出来，另外control节点订阅规划和定位的结果去做轨迹跟踪，最后把底盘指令发给更下层的MCU。主要日常就是开发新功能然后仿真/实车验证，相比较于感知和预测，pnc每个新功能会闭环得相对快一点，然后我有空也会追追新论文。
Q28 目前科技公司类似蔚小理主流做规划仿真的话用什么框架或者软件呢？
一般有点规模的公司都会有独立的团队开发仿真功能，仿真大致分为两种，一种是要有能力回放和rerun实车路测的数据，这一点对于planning团队尤为重要，各家公司应该都会基于自己的工具和数据链路定制化开发；另外一种就是类似于carla这种，可以在仿真中预先定义好其他agent的行为，环境中所有agent都是虚拟出来的，这类仿真的问题在于想构建出虚拟agent和ego的交互行为很难，一个大的topic叫 smart agent。总之，据我了解业内还没有一个统一的框架来做仿真，基本都是基于自己的需求开发。
Q29 想请教一下，目前课程介绍规划算法，图搜索或采样法都是基于有初始位置和终点位置寻找一条最优路径。那在局部路径下比如超车避障等，那局部路径下的终点位置应该怎么确定呢。这个时候基于搜索和采样的算法还适用吗？
适用的，对于搜索只要调整终止条件就可以了，比如现在我们是搜索到固定某个终点才算结束，可以改为搜索到多远的距离就停止，这样path最后一个点就是通过搜索过程选出的cost最小的状态。对于采样可以沿着道路采样很多个终点状态。后面的课程会讲搜索/采样在自动驾驶中的应用思路。
立减一百！仅限三天！扫码加入学习~
扫码添加助理咨询课程！
(微信：AIDriver004)
4080
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
